Apuntes Analisis Num Estudiantes

APUNTES DE ANLISIS NUMRICO.
Prof. Alberto Angarita.

Departamento De Ciencias Bsicas,
Unidades Tecnolgicas de Santander.
y
Pn (x)
Pi (x)
P3 (x)
P(x)
P2 (x)
P1 (x)
I1
x1
x2
I3
I2
x3
x4
In
xn1
xn
P(x) = P1 (x) P2 (x) P3 (x) Pn (x)
uts
Textos Universitarios
Departamento de Ciencias Bsicas
2013
Contenido
Introduccin ................................................................................................................................................................. 1
Errores Y Representacin en Punto Flotante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1
Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1
Aproximacin numrica y teora de errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2
Cifras Significativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3
Precisin y Exactitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4
Tipos de Redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2
Representacin En Punto Flotante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1
Normalizacin de un Nmero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2
Estndar IEEE 754 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Solucin de Ecuaciones No Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1
Introducin a la Solucin de Ecuaciones No Lineales En Una Variable . . . . . . . . . . . . . . . . . . . . 16
2.2
Mtodos de Solucin de Ecuaciones No Lineales En Una Variable . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1
Mtodo de la Biseccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2
Mtodo de la Falsa Posicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3
Mtodo de Punto fijo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.4
Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.5
Mtodo de la Secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Interpolacin y Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1
Polinomio Interpolante de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2
Polinomio Interpolante de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3
Interpolacin Segmentaria: Trazadores Cbicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4
Ajuste de Curvas por Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.1
Mnimos Cuadrados y Anlisis de Regresin Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.2
Linealizacin de Relaciones No Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Anlisis Numrico
uts
Diferenciacin e Integracin Numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1
Diferenciacin Numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.1
Frmulas de Exactitud Para La Primera Derivada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2
Integracin Numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2.1
Frmulas de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Ecuaciones Diferenciales Ordinarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.1
Mtodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2
Mtodo de Runge-Kutta de Cuarto Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Introduccin A Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
A.1
Generalidades del Entorno de Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
A.2
Constantes y Operadores Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
A.3
Funciones Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
A.4
Matrices y Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
A.5
Grfica de Funciones en 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.6
Clculo Simblico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
A.7
Programacin en Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Bibliografa ................................................................................................................................................................. 87
Introduccin
El Anlisis Numrico es una rama de las matemticas que, mediante el uso de algoritmos iterativos, obtiene
soluciones numricas a problemas en los cuales la matemtica simblica (o analtica) resulta poco eficiente
y en consecuencia no puede ofrecer una solucin. En particular, a estos algoritmos se les denomina mtodos
numricos.
Por lo general los mtodos numricos se componen de un nmero de pasos finitos que se ejecutan de manera lgica, mejorando aproximaciones iniciales a cierta cantidad, tal como la raz de una ecuacin, hasta que
se cumple con cierta cota de error. A esta operacin cclica de mejora del valor se le conoce como iteracin.
El anlisis numrico es una alternativa muy eficiente para la resolucin de ecuaciones, tanto algebraicas
(polinomios) como trascendentes teniendo una ventaja muy importante respecto a otro tipo de mtodos:
La repeticin de instrucciones lgicas (iteraciones), proceso que permite mejorar los valores inicialmente
considerados como solucin. Dado que se trata siempre de la misma operacin lgica, resulta muy pertinente el uso de recursos de cmputo para realizar esta tarea.
El desarrollo y el auge del uso del anlisis numrico corren en forma paralela al desarrollo tecnolgico de la
computacin. Las computadoras (y en consecuencia tambin las calculadoras) estn facultadas para realizar
una multitud prcticamente infinita de operaciones algebraicas en intervalos de tiempo muy pequeos;
esto las convierte en la herramienta ideal para la aplicacin de los mtodos numricos. De hecho, el anlisis numrico resulta ser la manera natural de resolver modelos matemticos (de naturaleza algebraica o
trascendente tanto para la matemtica continua como para la discreta) a travs de la computadora.
Por otra parte, como consecuencia directa de la aplicacin de soluciones numricas y del crecimiento de
recursos computacionales, se ha logrado tambin la incorporacin de la simulacin matemtica como una
forma de estudio de diversos sistemas.
Sin embargo debe haber claridad en el sentido de que el anlisis numrico no es la panacea en la solucin
de problemas matemticos.
Consecuencia de lo anteriormente dicho consiste en que, por lo general, los mtodos numricos arrojan
soluciones numricas. Si en determinado caso se desea obtener soluciones analticas debera recurrir a los
procedimientos algebraicos acostumbrados. Por otra parte, las soluciones numricas resultan ser aproximaciones, es decir, en pocas ocasiones son soluciones exactas.
Como se analizara en su oportunidad, las soluciones numricas conllevan una cota de error. Este error,
que si bien puede ser tan pequeo como los recursos de clculo lo permitan, siempre est presente y debe
considerarse su manejo en el desarrollo de las soluciones requeridas.
Es muy posible que se conozca de diversos sistemas de cmputo que proporcionen soluciones analticas.
Estos sistemas no sustituyen a los mtodos numricos, de hecho son un complemento en el proceso integral
del modelado de sistemas fsicos que son el elemento fundamental de la prctica de la Ingeniera.
1
1.1
Errores Y Representacin en
Punto Flotante
Errores
Una actividad frecuente del profesional de la Ingeniera consiste en trabajar con modelos matemticos representativos de un fenmeno fsico. Estos modelos son abstracciones matemticas que distan mucho de
representar exactamente al fenmeno bajo estudio debido principalmente a las carencias y dificultades que
an posee el humano de la comprensin total de la naturaleza.
Como consecuencia de esto existen diferencias entre los resultados obtenidos experimentalmente y los emanados propiamente del modelo matemtico.
A las diferencias cuantitativas entre los dos modelos se les denomina Errores.
1.1.1
Aproximacin numrica y teora de errores
Debemos conformarnos siempre, en la prctica de la ingeniera y de las ciencias, con una solucin aproximada a un problema por las siguientes razones:
1. Los modelos matemticos son aproximados; esto es; simplificaciones al problema real. No se toman
en cuenta todos los factores que afectan a un fenmeno. Por ejemplo, en el caso del tiro parablico, se
suele despreciar la resistencia del aire, sin embargo, esta puede ser importante.
2. Los modelos matemticos requieren de parmetros, los cuales la mayora de las veces provienen de
mediciones experimentales y estas, solo tienen una precisin limitada, que depende del instrumento
de medicin. Por ejemplo la constante de los gases ideales. Tambin pueden provenir de clculos y
estos tienen una precisin limitada que depende tanto del mtodo como del instrumento de clculo
que se utilicen. Por ejemplo .
3. Los modelos matemticos resultantes son imposibles de resolver por mtodos analticos y se debe de
aproximar la solucin numricamente. Por ejemplo una ecuacin de quinto grado.
Por lo anterior, humildemente tenemos que aceptar que siempre se tendrn presentes errores, estos pueden
clasificarse en:
Errores inherentes.
Anlisis Numrico
uts
Errores de truncamiento.
Errores de redondeo.
Definicin 1.1
Los errores inherentes son aquellos que tienen los datos de entrada de un problema, y son debidos
principalmente a que se obtienen experimentalmente, debindose tanto al instrumento de medicin,
como a las condiciones de realizacin del experimento.
Por ejemplo, s el experimento es a temperatura constante y no se logra esto mas que en forma aproximada.
Tambin pueden deberse a que
se obtengan de clculos previos. Por ejemplo el valor calculado es el de un
nmero irracional como 2 .
Definicin 1.2
Los errores de truncamiento se originan por el hecho de aproximar la solucin analtica de un problema,
por medio de un mtodo numrico.
Por ejemplo al evaluar la funcin exponencial por medio de la serie de Taylor, se tiene que calcular el valor
de la siguiente serie infinita:
ex = 1 + x +
n
x2 x3
x
+ + =
2! 3!
n=0 n!
Ante la imposibilidad de tomar todos los trminos de la serie, se requiere truncar despus de cierto nmero
de trminos. Esto nos introduce ciertamente un error, que es el error de truncamiento. Este es independiente
de la manera de realizar los clculos. Solo depende del mtodo numrico empleado.
Definicin 1.3
Los errores de redondeo, se originan al realizar los clculos que todo mtodo numrico o analtico requieren y son debidos a la imposibilidad de tomar todos los dgitos que resultan de operaciones aritmticas como los productos y los cocientes, teniendo que retener en cada operacin el nmero de dgitos
que permita el instrumento de clculo que se este utilizando.
Por ejemplo al calcular el valor de 13 , tenemos que quedarnos solo con la mayor cantidad de dgitos 3, que
maneje nuestro instrumento de clculo.
Los errores anteriores tambin suelen denominarse como las fuentes de error. La magnitud del error generada por alguna o todas las fuentes de error mencionadas anteriormente, se puede cuantificar con ayuda de
los siguientes parmetros:
Error Real
Error Relativo
Error Porcentual
uts
Anlisis Numrico
Errores Y Representacin en Punto Flotante
Definicin 1.4
El Error Real se define como la diferencia entre el valor real Vr y una aproximacin a este valor Va :
Et = V r Va
Definicin 1.5
El error relativo se define como el cociente del Error Real entre el valor real V r (s V r 6= 0 ):
Er =
Vr Va
Vr
Definicin 1.6
El error porcentual es simplemente el Error Relativo expresado en por ciento (%).
Erp =
Vr Va
100(%)
Vr
Tambin es usual emplear el valor absoluto en los parmetros anteriores, en cuyo caso se denominan respectivamente Error Real Absoluto, Error Relativo Absoluto y Error Porcentual Absoluto.
1.1.2
Cifras Significativas
El concepto de cifras significativas se ha desarrollado para designar formalmente la confiabilidad de un

valor numrico.
Definicin 1.7
El nmero de cifras significativas es el nmero de dgitos que se puede usar con plena confianza.
Por ejemplo podemos calcular un nmero irracional con varias cifras, pero de ellas no todas, sobre todo
las ltimas pueden tomarse con plena confianza de que son correctas. Por otro lado, los ceros no siempre
son cifras significativas ya que pueden usarse slo para ubicar al punto decimal. Por ejemplo los siguientes nmeros tienen todos 4 cifras significativas: 0.00001985, 0.0001985, 0.001985, 1985, 19.85. Para asegurar que un cero nos represente una cifra significativa, es comn emplear la notacin cientfica. Por ejemplo los siguientes nmeros tienen 3, 4 y 5 cifras significativas: 4.53 105 , 4.530 105 y 4.5300 105 .
Tambin se suele poner explcitamente los ceros. Los siguientes nmeros tienen 5 cifras significativas:
19850, 0.019850, 19.850.
Las cifras no significativas aparecen como resultado de los clculos y no tienen significado alguno. Las
cifras significativas de un nmero vienen determinadas por su error. Son cifras significativas aquellas que
ocupan una posicin igual o superior al orden o posicin del error. Por ejemplo, consideremos una medida
de longitud que arroja un valor de 5432.4764 m con un error de 0.8 m. El error es por tanto del orden de
dcimas de metro. Es evidente que todas las cifras del nmero que ocupan una posicin menor que las
dcimas no aportan ninguna informacin. En efecto, Qu sentido tiene dar el nmero con precisin de
diezmilsimas si afirmamos que el error es de casi 1 metro? Las cifras significativas en el nmero sern por
tanto las que ocupan la posicin de las dcimas, unidades, decenas, etc, pero no las centsimas, milsimas
y diezmilsimas.
Anlisis Numrico
uts
Consideraciones:
En un trabajo o artculo cientfico siempre se debe tener cuidado con que dichas cifras sean adecuadas. Para
conocer el nmero correcto de cifras significativas se siguen las siguientes normas:
Cualquier dgito diferente de cero es significativo, ya sea 643 (tiene tres cifras significativas) o 9.873
kg (que tiene cuatro).
Los ceros situados en medio de nmeros diferentes son significativos, ya sea 901 cm (que tiene tres
cifras significativas) o 10.609 kg (teniendo cinco cifras significativas).
Los ceros a la izquierda del primer nmero distinto a cero no son significativos, ya sea 0.03 cm (que
tiene una sola cifra significativa) 0.0000000000000395 (este tiene slo tres), y as sucesivamente.
Desde un nmero mayor a uno, a la derecha, despus de la coma decimal ceros escritos tambin
cuentan como cifras significativas, ya sea 2.0 dm (tiene dos cifras significativas) 10.093 cm (que
tiene cinco cifras).
En los nmeros que tienen ceros despus de un dgito distinto de cero, sin ser decimal, pueden ser
no cifras significativas, ya sea como 600 kg, puede tener una cifra significativa (el numero 6), tal vez
dos (60), o puede tener los tres (600). Para saber en este caso cul es el nmero correcto de cifras significativas necesitamos ms datos acerca del procedimiento con que se obtuvo la medida (el aparato,
etc) o bien podemos utilizar la notacin cientfica, indicando el nmero 600 como 6 102 (seis multiplicado por diez elevado a dos) teniendo solo una cifra significativa (el numero 6) 6.0 102 , tenemos
dos cifras significativas (6.0) 6.00 102 , especificando tener tres cifras significativas.
Cuando se expresa un nmero debe evitarse siempre la utilizacin de cifras no significativas, puesto que
puede suponer una fuente de confusin. Los nmeros deben redondearse de forma que contengan slo
cifras significativas. Se llama redondeo al proceso de eliminacin de cifras no significativas de un nmero.
Las reglas que emplearemos en el redondeo de nmeros son las siguientes:
Si la cifra que se omite es menor que 5, se elimina sin ms.
Si la cifra eliminada es mayor que 5, se aumenta en una unidad la ltima cifra retenida.
Si la cifra eliminada es 5, se toma como ltima cifra el nmero par ms prximo; es decir, si la cifra
retenida es par se deja, y si es impar se toma la cifra superior.
Ejemplo 1.1
Si redondeamos 3.678 a tres cifras significativas, el resultado es 3.68, que est ms cerca del original
que 3.67. En cambio si el nmero a redondear, tambin a tres cifras, fuera 3.673, quedara 3.67 que es
ms prximo al original que 3.68. Para redondear 3.675, segn la tercera regla, debemos dejar 3.68.
Las dos primeras reglas son de sentido comn. La tercera es un convenio razonable porque, si se sigue siempre, la mitad de las veces redondeamos por defecto y la mitad por exceso. Cuando los nmeros a redondear
uts
Anlisis Numrico
sean grandes, las cifras eliminadas se sustituyen por ceros. Por ejemplo, el nmero 3875 redondeado a una
cifra significativa resulta 4000. En este caso suele preferirse la notacin exponencial, puesto que si escribimos 4000 puede no estar claro si los ceros son cifras significativas o no. En efecto, al escribir 4 103 queda
claro que slo la cifra 4 es significativa, puesto que si los ceros tambin lo fueran escribiramos 4.000 103 .
Reglas de operaciones con cifras significativas.

Regla 1: Los resultados experimentales se expresan con slo una cifra dudosa, e indicando con la
incertidumbre en la medida.
Regla 2: Las cifras significativas se cuentan de izquierda a derecha, a partir del primer dgito diferente de
cero y hasta el dgito dudoso.
Regla 3: Al sumar o restar dos nmeros decimales, el nmero de cifras decimales del resultado es igual al
de la cantidad con el menor nmero de ellas.
Atencin: Un caso de especial inters es el de la resta. Citemos el siguiente ejemplo: 30.3475 30.3472 =
0.0003.
Observemos que cada una de las cantidades tiene seis cifras significativas y el resultado posee tan solo
una. Al restar se han perdido cifras significativas. Esto es importante tenerlo en cuenta cuando se trabaja
con calculadoras o computadores en donde haya cifras que se sumen y se resten. Es conveniente realizar
primero las sumas y luego las restas para perder el menor nmero de cifras significativas posible.
Regla 4: Al multiplicar o dividir dos nmeros, el nmero de cifras significativas del resultado es igual al
del factor con menos cifras.
1.1.3
Precisin y Exactitud
La exactitud indica los resultados de la proximidad de la medicin con respecto al valor verdadero, mientras que la precisin con respecto a la repetibilidad o reproductibilidad de la medida.
En ingeniera, ciencia, industria y estadstica, exactitud y precisin no son equivalentes.
Definicin 1.8
Precisin se refiere a la dispersin del conjunto de valores obtenidos de mediciones repetidas de una
magnitud. Cuanto menor es la dispersin mayor la precisin.
Una medida comn de la variabilidad es la desviacin estndar de las mediciones y la precisin se puede
estimar como una funcin de ella.
Definicin 1.9
Exactitud se refiere a que tan cerca del valor real se encuentra el valor medido. En trminos estadsticos,
la exactitud est relacionada con el sesgo de una estimacin. Cuanto menor es el sesgo ms exacta es
una estimacin.
Anlisis Numrico
uts
Cuando expresamos la exactitud de un resultado se expresa mediante el error absoluto que es la diferencia
entre el valor experimental y el valor verdadero.
Precisin
Baja
Alta
Exactitud
Baja
Alta
1.1.4
Tipos de Redondeo
Al realizar los clculos que todo mtodo numrico o analtico requiere debemos de redondear. Para redondear se emplea usualmente:
Redondeo truncado
Redondeo simtrico.
Definicin 1.10
El redondeo truncado consiste en truncar el resultado de una operacin al nmero de cifras significativas
que se estn utilizando.
Ejemplo 1.2
S redondeamos
uts
7
9
a 4 cifras significativas tenemos 0.7777.
Anlisis Numrico
Definicin 1.11
El redondeo simtrico consiste en aumentar en uno la ltima cifra retenida s la primera cifra descartada
esta entre 5 y 9, o dejarla igual s la primera cifra descartada esta entre 0 y 4.
Ejemplo 1.3
S redondeamos
7
9
a 4 cifras significativas tenemos 0.7778.
Ejemplo 1.4
Se supone que 13 + 23 = 1. En la prctica puede no ser as. S Realizamos la suma empleando nicamente
4 cifras significativas y usamos ambos tipos de redondeo. Se obtiene:
0.3333 + 0.6666 = 0.9999 (Redondeo truncado)
0.3333 + 0.6667 = 1.000 (Redondeo simtrico)
Puede demostrarse que por lo general el redondeo simtrico lleva a resultados ms precisos.
1.2
Representacin En Punto Flotante
La unidad fundamental mediante la cual se representa la informacin en una computadora se llama palabra. Esta es una entidad que consiste en una cadena de dgitos binarios o bits. Por lo comn los nmeros
son guardados en una o ms palabras.
Las cantidades fraccionarias generalmente se representan en la computadora usando la forma de punto
flotante. Con este mtodo, el nmero se expresa como una parte fraccionaria, llamada mantisa o significando y una parte entera, denominada exponente o caracterstica, esto es,
m be
En donde m es la mantisa, b la base y e la caracterstica. En la representacin de un nmero en una palabra
se debe tener en cuenta que el primer bit se reserva para el signo del nmero (0 positivo, 1 negativo), la
siguiente serie de bits para la caracterstica o exponente con signo y los ltimos bits para la mantisa.
Anlisis Numrico
uts
1.2.1
Normalizacin de un Nmero
Definicin 1.12
Un nmero x est escrito en su forma normalizada, si x esta escrito en la siguiente forma:
x = (0.d1 d2 d3 d4 d p )b be
En donde es el signo, +1 si es positivo y -1 si es negativo; 0.d1 d2 d3 d4 d p es la mantisa en base b, para
0 di b 1 siendo d1 6= 0; y e es la caracterstica.
dp
d1 d2 d3 d4
+ 2 + 3 + 4 + + p , el entero p significa la cantidad
1
b
b
b
b
b
de dgitos de precisin del nmero y e el entero tal que L e U, siendo L el exponente entero ms
pequeo que puede tomar y U el ms grande.
La mantisa 0.d1 d2 d3 d4 d p denota la suma
Ejemplo 1.5
Represente el nmero 0.00523 en una palabra de 16 bits, siendo b = 10.
Primero que todo debemos normalizar el nmero, es decir,
0.00523 = (1)(0.523)10 102
Ahora su representacin:
1
1.2.2
Estndar IEEE 754
El estndar IEEE 754 ha sido definido por el Instituto de Ingenieros Elctricos y Electrnicos (Institute of
Electrical and Electronics Engineers, IEEE) y establece dos formatos bsicos para representar a los nmeros
reales en la computadora digital: precisin simple y precisin doble.
En precisin simple, para escribir un nmero real se usan 32 bits (4 bytes): 1 bit
para el signo (s) del nmero, 23 bits para la mantisa (m) y 8 bits para el exponente o caracterstica (e), que
se distribuyen de la siguiente forma:
1.2.2.1
Precisin Simple
31
s
Signo
30 23
e
Exponente
22
m
Mantisa
El exponente se suele representar en Exceso a 2n1 1, mientras que, para la mantisa, normalmente se
utiliza Signo Magnitud. Adems, la mantisa se suele normalizar colocando la coma decimal a la derecha del
bit ms significativo.
uts
Anlisis Numrico
10
Ejemplo 1.6
Para escribir el nmero 101110, 0101011101000011111000011111000100112 en el estndar IEEE 754 con
precisin simple, exponente en Exceso a 2n1 1 y mantisa en Signo Magnitud, primero hay que
normalizarlo:
1, 011100101011101000011111000011111000100112 25
El exponente, en Exceso a 2n1 1, ser: 510 + (28 1 1)10 = 510 + (27 1)10 = 510 + (128 1)10 =
13210 100001002
De la mantisa se cogen los bits 23 bits ms significativos:
1, 0111001010111000000111
El resto de bits no se pueden representar, ya que, no caben en la mantisa. Sin embargo, cuando la
mantisa se normaliza situando la coma decimal a la derecha del bit ms significativo, dicho bit siempre
vale 1. Por tanto, se puede prescindir de l, y coger en su lugar un bit ms de la mantisa. De esta forma,
la precisin del nmero representado es mayor. As, los bits de la mantisa sern:
01110010101110100001111
Al bit omitido se le llama bit implcito. Por otra parte, el bit de signo vale 0, ya que, el nmero es
positivo. En consecuencia, el nmero se puede representar como:
0100
4
0010
2
0011
3
1001
9
0101
5
1101
D
0000
0
1111
F
As pues,
101110, 0101011101000011111000011111000100112 42395D0FHEX
En este caso, los nmeros no son exactamente iguales, ya que, con precisin simple no se han podido
representar todos los bits de la mantisa.
Anlisis Numrico
uts
11
Ejemplo 1.7
Dado el nmero 3E400000HEX del estndar IEEE 754 con precisin simple, exponente en exceso a
2n1 1 y mantisa en Signo Magnitud con bit implcito, para averiguar a qu nmero representa en
base 10, se pueden realizar los siguientes pasos:
1. Convertir 3E40000016 a base 2:
3
0011
E
1110
0
0100
0
0000
0
0000
0
0000
0
0000
0
0000
2. Obtener los bits del signo, de la mantisa y del exponente:
31
0
Signo
30 23
01111100
Exponente
22
10000000000000000000000
Mantisa
3. Pasar el exponente a base 10:
011111002 (281 1)10 = 12410 (27 1)10 = 12410 (128 1)10 = 12410 ?12710 = 3
4. Escribir el nmero en notacin cientfica. Para ello, la mantisa se debe escribir con el bit implcito (1), seguido de la coma decimal (,) y de los bits de la mantisa (10000000000000000000000),
teniendo en cuenta que los ceros por la derecha se pueden despreciar. Por otra parte, el nmero
es positivo, ya que, el bit de signo es 0. Por tanto, el nmero es:
1, 1 23
5. Expresar el nmero en base 10. Para ello, hay dos formas de hacerlo, la primera es:
1, 1 23 = 0, 00112 = (23 + 24 )10 = 0, 12510 + 0, 062510 = 0, 187510
y la segunda:
1, 1 23 = ((20 + 21 ) 23 )10 = ((1 + 0, 5) 0, 125)10 = (1, 5 0, 125)10 = 0, 187510
Por tanto,
3E400000HEX = 1, 1 23 = 0, 00112 = 0, 187510
uts
Anlisis Numrico
12
Precisin Doble Por otro lado, en precisin doble, para escribir un nmero real se emplean 64
bits (8 bytes): 1 bit para el signo (s) del nmero, 52 bits para la mantisa (m) y 11 bits para el exponente o
caracterstica (e).
1.2.2.2
63
s
Signo
62 52
e
Exponente
m
Mantisa
51
Ejemplo 1.8
Si se quiere escribir el nmero 19.562510 en el estndar IEEE 754 con precisin doble, exponente en
exceso a 2n1 1 y mantisa en Signo Magnitud con bit implcito, los pasos a seguir son:
1. Cambiar 19.562510 a base 2.
Primero la parte entera:
19 2
1 9
1
d5
d4
d3
2
4
0
d2
2
2
0
d1
2
1
1
2
0
y, a continuacin, la parte fraccionaria:

0.5625 2 = 1.125
d1 = 1
0.125 2 = 0.25
d2 = 0
0.25 2 = 0.5
d3 = 0
0.5 2 = 1
d2 = 1
De modo que,
19, 562510 10011, 10012
2. Normalizar el nmero binario obtenido, colocando la coma decimal a la derecha del bit ms significativo:
10011, 10012 = 1, 00111001 24
3. Escribir el exponente en exceso a 2n1 1:
410 + (2111 1)10 = 410 + (210 1)10 = 410 + (1024 1)10 = 410 + 102310 = 102710 100000000112
4. Establecer la mantisa utilizando bit implcito. Para ello, se cogen los ocho bits que estn a la derecha
de la coma (00111001) y el resto de la mantisa se rellena con ceros:
0011100100000000000000000000000000000000000000000000
Anlisis Numrico
uts
13
Ejemplo 1.8 (Continuacin).

5. Expresar el nmero en el estndar IEEE 754 con precisin doble. En este caso, hay que tener en cuenta
que el bit de signo vale 0, ya que, el nmero es positivo:
62 52
10000000011
Exponente
63
0
Signo
51
0
0011100100000000000000000000000000000000000000000000
Mantisa
6. Representar el nmero en hexadecimal:

0100 0000 0011 0011 1001 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000
4
0
3
3
0
0
0
0
0
0
0
0
0
0
0
0
De tal forma que,
19, 562510 = 10011, 10012 = 1, 00111001 24 4033A00000000000HEX
Tanto en precisin doble como en precisin simple, existen algunos casos especiales que dependen de los
valores del signo, del exponente y de la mantisa:
Signo(s)
Positivo (0)
Negativo (1)
01
01
01
Exponente(e)
Todo unos (11...1)
Todo unos (11...1)
Todo unos (11...1)
Todo ceros (00...0)
Todo ceros (00...0)
Mantisa(m)
Todo ceros (00...0)
Todo ceros (00...0)
Distinta de todo ceros
Todo ceros (00...0)
Distinta de todo ceros
Significado
Ms Infinito (+)
Menos Infinito ()
No es un nmero (Not a Number, NaN)
Representa al Cero (0)
Nmero muy pequeo cercano al cero (0)
Los dos ltimos casos merecen especial atencin, ya que, cuando todos los bits del exponente son ceros
(00...0), esto quiere decir que no se est utilizando bit implcito. Si, adems, la mantisa es todo ceros (00...0),
el nmero representado es el cero (0), pero si la mantisa es distinta de todo ceros, el nmero que se est
representando es muy pequeo, de tal forma que, el exponente valdr -126 -1022, dependiendo de si el
nmero est escrito en precisin simple o doble, respectivamente.
Ejemplo 1.9
Dado el nmero 805C0000HEX del estndar IEEE 754 con precisin simple, exponente en exceso a
2n1 1 y mantisa en Signo Magnitud con bit implcito, para averiguar a qu nmero representa en
base 10, se pueden realizar los siguientes pasos:
1. Convertir 805C0000HEX a base 2:
8
1000
uts
0
0000
5
0101
C
1100
0
0000
0
0000
0
0000
0
0000
Anlisis Numrico
14

2. Obtener los bits del signo, de la mantisa y del exponente:
31
1
Signo
30 23
00000000
Exponente
22
10111000000000000000000
Mantisa
3. Al observar que todos los bits del exponente son ceros (00000000) y la mantisa es distinta de todo
ceros, se deduce que es un caso especial. Se est representado a un nmero muy pequeo sin bit implcito y, por tanto, el exponente es -126. 4. En notacin exponencial, puesto que en este caso no se
utiliza bit implcito, la mantisa se escribe con un cero (0), seguido de la coma decimal (,) y de los bits
de la mantisa (10111000000000000000000). En cuanto al signo del nmero, es negativo, ya que, el bit de
signo es 1. Con todo ello, el nmero es:
0, 10111 2126
5. Expresar el nmero en base 10:
0.10111 2126 = [(21 + 23 + 24 + 25 ) 2126 ](10)
= [(0.5 + 0.125 + 0.0625 + 0.03125) 2126 ](10)
[0.71875 1.1754943508222875079687365372222](10)
8.44886564653519146352938612849 1039
En las dos tablas siguientes se resumen los clculos que hay que realizar para deducir el valor en base 10
de un nmero entero escrito en el estndar IEEE 754 con precisin simple o doble.
Signo(s)
01
0
1
01
01
01
Exponente(e)
0 < e < 255
e = 255
e = 255
e = 255
e=0
e=0
Mantisa(m)
Indiferente
m=0
m=0
m 6= 0
m=0
m 6= 0
Significado
(1)s 1.m 2e127
(+)
()
NaN
0
(1)s 0.m 2126
Clculo del valor en base 10 de un nmero real escrito en el estndar IEEE 754 con precisin simple.
Anlisis Numrico
uts
15
Signo(s)
01
0
1
01
01
01
Exponente(e)
0 < e < 2047
e = 2047
e = 2047
e = 2047
e=0
e=0
Mantisa(m)
Indiferente
m=0
m=0
m 6= 0
m=0
m 6= 0
Significado
(1)s 1.m 2e1023
(+)
()
NaN
0
(1)s 0.m 21022
Clculo del valor en base 10 de un nmero real escrito en el estndar IEEE 754 con precisin doble.
Los rangos de representacin en el estndar IEEE 754 con precisin simple y doble, exponente en Exceso a
2n1 1 y mantisa en Signo Magnitud con bit implcito, son los siguientes:
1. Rango de representacin en el estndar IEEE 754 con precisin simple:
[(223 2) 2127 ](10) 6 x 6 [(2 223 ) 2127 ](10)
2. Rango de representacin en el estndar IEEE 754 con precisin doble:
[(252 2) 21023 ](10) 6 x 6 [(2 252 ) 21023 ](10)
Ambos rangos de representacin son discontinuos, es decir, no se pueden representar todos los nmeros
reales que existen entre dos cualesquiera de ellos. Esto es debido a que entre dos nmeros reales cualesquiera siempre existen infinitos nmeros, sin embargo, slo se dispone de un nmero determinado de
bits para representar a los nmeros reales. Por esta razn, en las computadoras digitales no se pueden
representar a todos los nmeros reales. Por ejemplo, con precisin simple, alrededor del nmero cero (0)
existen infinitos nmeros reales, mayores que 2126 y menores que 2126 , que no son representables. Grficamente:
2126
2126
R
Nmeros No Representables
uts
Anlisis Numrico
2
2.1
Solucin de Ecuaciones No
Lineales
Introducin a la Solucin de Ecuaciones No Lineales En Una Variable
Definicin 2.1
Sea f (x), una funcin dada. Un nmero real se dice que es una raz de la ecuacin f (x) = 0, o un cero
de la funcin f (x) si f () = 0.
Definicin 2.2
Dada una ecuacin f (x) = 0 . Un nmero se dice que es una raz de multiplicidad m (m un entero
positivo) de la ecuacin f (x) = 0, si f () = 0, y para
x 6= , f (x) = (x )m h(x), con lim h(x) 6= 0
x
Si m = 1, la raz se dice que es simple.
Teorema 2.1
Supongamos que la funcin f (x) tiene sus dos primeras derivadas continuas en un intervalo [a, b] que
contiene a un nmero . Entonces es una raiz simple de la ecuacin f (x) = 0 si y solo si f () = 0 y
f 0 () 6= 0.
El teorema de Bolzano tiene una interesante aplicacin en la localizacin de las raices o ceros de una funcin
continua.
Teorema 2.2 (de Bolzano)
Si una funcin f (x) es continua en un intervalo cerrado [a, b] y f (a) y f (b) son de distinto signo, entonces
existe por lo menos un punto entre a y b para el cual f (c) = 0.
Anlisis Numrico
uts
17
y
f (x)
f (b)
x
b
f (a)
Geomtricamente, el teorema establece que si dos puntos (a, f (a)) y (b, f (b)) de la grfica de una funcin
continua estn situados en diferentes lados del eje x, entonces la grfica intersecta al eje en algn punto
entre a y b. Por supuesto que pueden haber varias intersecciones.
Ejemplo 2.1
Comprobar que la ecuacin x3 + x 1 = 0 tiene al menos una solucin real en el intervalo [0, 1].
Consideramos la funcin f (x) = x3 + x 1, que es continua en [0, 1] por ser polinmica. Estudiamos el
signo en los extremos del intervalo:
f (0) = 1 < 0
f (1) = 1 > 0
Como los signos son distintos se cumple el teorema de Bolzano, por tanto existe un c pertenece (0, 1)
tal que f (c) = 0. Lo que demuestra que tiene una solucin en ese intervalo.
2.2
2.2.1
Mtodos de Solucin de Ecuaciones No Lineales En Una Variable
Mtodo de la Biseccin
Se considera un intervalo [a, b] donde la funcin f (x) cambia de signo, es decir f (a) f (b) < 0. El mtodo
consiste en ir dividiendo el intervalo [a, b] por la mitad de la siguiente forma:
a+b
a+b
Se toma el punto medio a+b
2 . Si f ( 2 ) = 0 ya hemos encontrado la raz x = 2 . En caso contrario, si
a+b
a+b
f ( 2 ) f (b) < 0 entonces hacemos a = 2 y volvemos a subdividir el nuevo intervalo [a, b]. Si, por el cona+b
trario, f (a) f ( a+b
2 ) < 0, entonces hacemos b = 2 y volvemos a empezar. Las sucesivas subdivisiones del
intervalo [a, b] van aproximando la raz.
uts
Anlisis Numrico
18
Solucin de Ecuaciones No Lineales
y
f (x)
f (b)
f (a)
c=
a+b
2
Representacin Grfica del Mtodo de Biseccin
Ejemplo 2.2
Aproxime la raz de f (x) = ex ln(x) mediante 3 iteraciones del mtodo de la biseccin. Calculase el
error relativo porcentual absoluto en cada iteracin.
En primer lugar se asume que se ha demostrado que f (x) es continua en (0, +). Ahora bsquense x1
y x2 tal que f (x1 ) f (x2 ) < 0, para tener la garanta que existe raz en el intervalo [x1 , x2 ].
Sean
x1 = 1
x2 = 2
Evaluase en la funcin
f (x1 ) = 0, 3679
f (x2 ) = 0, 5578
Claramente se verifica que f (x1 ) f (x2 ) < 0 (o que hay cambio de signo), lo que indica que hay una raz
en el intervalo [1,2].
Iteracin 1: Calcular el error

21
x2 x1

100 = 50%

100 =
Erpa =
x2
2
Calcular el punto medio
x1 + x2
1+2
=
= 1.5
2
2
Evaluar dicho punto en la funcin para verificar si es raz
x3 =
f (x3 ) = f (1.5) = 0.1823
Anlisis Numrico
uts
19

Es evidente que el punto medio no es raz. Por lo tanto hay que verificar en que subintervalo se
encuentra la raz. Para determinarlo se puede elegir cualquiera de los dos subinterevalos generados
por el punto medio y realizar sobre l dicha verificacin. En caso de que no haya raz en l, automaticamente se encontrar en el otro subintervalo (esto lo garantiza el teorema de bolzano). Es decir,
f (x1 ) f (x3 ) = f (1) f (1.5) = (0.3679) (0.1823) < 0, lo que indica que hay raz en el subintervalo [1,1.5].

x3 x1
1.5 1

100 = 33.33%
Erpa =
100 =
x3
1.5
x1 + x3
1 + 1.5
=
= 1.25
2
2
x4 =
f (x4 ) = f (1.25) = 0.0634

por el punto medio y realizar sobre l dicha verificacin. En caso de que no haya raz en l, automticamente se encontrar en el otro subintervalo. Es decir,
f (x4 ) f (x3 ) = f (1.25) f (1.5) = (0.0634) (0.1823) < 0, lo que indica que hay raz en el subintervalo
[1.25,1.5].

x4 x3

100 = 1.5 1.25 100 = 16.66%
Erpa =

x4
1.5
x4 + x3
1.25 + 1.5
=
= 1.375
2
2
x5 =
f (x5 ) = f (1.375) = 0.0656

por el punto medio y realizar sobre l dicha verificacin. En caso de que no haya raz en l, automticamente se encontrar en el otro subintervalo. Es decir,
f (x4 ) f (x5 ) = f (1.25) f (1.375) = (0.0634) (0.0656) < 0, lo que indica que hay raz en el subintervalo
[1.25,1.375].
Despus de aplicar las 3 iteraciones la raz aproximada es x5 = 1.375.
uts
Anlisis Numrico
20
2.2.2
Mtodo de la Falsa Posicin
El mtodo de la falsa posicin pretende conjugar la seguridad del mtodo de biseccin para converger, con la
rapidez del mtodo de la secante (ver seccin2.4); tambin es denominado como: Regla falsa, Posicin falsa o
Interpolacin Lineal. Al igual que biseccin el mtodo de la falsa Posicin se apoya en el Teorema de Bolzano
para que exista la raz de una funcin en un intervalo dado. El mtodo se puede describir como sigue:
Se comienza con un intervalo [xa , xb ], que encierra a la raz, es decir f (xa ) y f (xb ) son de signos opuestos,
como lo indica el Teorema de Bolzano. Es similar al mtodo de biseccin ya que consiste en generar subintervalos que encierren a la raz; pero la aproximacin de la raz xr no se obtiene con el punto medio, sino
con la interseccin de la recta secante a la curva que une a los puntos (xa , f (xa )) y (xb , f (xb ) con el eje x;
proporcionando una mejor estimacin de la raz. El reemplazamiento de la curva por una lnea recta da
una posicin falsa de la raz, de aqu el nombre del mtodo.
y
f (x)
f (xb )
xa
xr
xb
f (xa )
Representacin Grfica del Mtodo de La Falsa Posicin.
Un modo prctico para implementar el mtodo puede ser:

Siendo f (x) continua,
1. Encontrar valores iniciales xa y xb tales que f (xa ) y f (xb ) tienen signos opuestos, es decir, f (xa ) f (xb ) <
0.
2. La primera aproximacin a la raz se toma igual a: xr = xa
f (xa )(xb xa )
f (xb ) f (xa )
3. Evaluar f (xr ). Forzosamente debemos caer en uno de los siguientes casos:

(a) f (xa ) f (xr ) < 0. En este caso, tenemos que f (xa ) y f (xr ) tienen signos opuestos, y por lo tanto la
raz se encuentra en el intervalo [xa , xr ].
(b) f (xa ) f (xr ) > 0. En este caso, tenemos que f (xa ) y f (xr ) tienen el mismo signo, y de aqu que
f (xa ) y f (xr ) tienen signos opuestos. Por lo tanto, la raz se encuentra en el intervalo [xr , xb ].
(c) f (xa ) f (xr ) = 0. En este caso se tiene que f (xr ) = 0 y por lo tanto ya localizamos la raz.
En caso de f (xr ) 6= 0, el proceso se vuelve a repetir con el nuevo intervalo hasta se satisfaga un error
deseado.
Anlisis Numrico
uts
21
Ejemplo 2.3
Aproxime la raz de f (x) = tan1 (x) + x 1 en el intervalo [0, 1] mediante 3 iteraciones del mtodo de la
Falsa Posicin. Calcular el error relativo porcentual absoluto en cada iteracin.
En primer lugar se asume que se ha demostrado que f (x) es continua en [0, 1]. Ahora verifiquese que
f (0) f (1) < 0, para tener la garanta que existe raz en el intervalo [0, 1].
Sean
x1 = 0
x2 = 1
Evaluase en la funcin
f (x1 ) = 1
f (x2 ) = 0.7854
Claramente se verifica que f (x1 ) f (x2 ) < 0 (o que hay cambio de signo), lo que indica que hay una raz
en el intervalo [0,1].
Iteracin 1: Calcular aproximacin de la raz
x3 = x1
f (x1 )(x2 x1 )
f (0)(1 0)
(1)(1 0)
1
= 0
= 0
=
= 0.5601
f (x2 ) f (x1 )
f (1) f (0)
0.7854 (1) 1.7854
Evaluar dicha aproximacin en la funcin para verificar si es raz

f (x3 ) = f (0.5601) = 0.0707
Es evidente que la aproximacin no es raz. Por lo tanto hay que verificar en que subintervalo se
por la aproximacin y realizar sobre l dicha verificacin. En caso de que no haya raz en l, automticamente se encontrar en el otro subintervalo (esto lo garantiza el teorema de Bolzano). Es decir,
f (x1 ) f (x3 ) = f (0) f (0.5601) = (1)(0.0707) < 0, lo que indica que hay raz en el subintervalo [0,0.5601].
Para calcular el error en la primera iteracin elegimos cualquiera de los extremos del intervalo como
una aproximacin de la raz, luego

x3 x2

100 = 0.5601 1 100 = 78.54%
Erpa =

x3
0.5601
Iteracin 2: Calcular nuevamente aproximacin de la raz
x4 = x1
f (0)(0.5601 0)
(1)(0.5601 0)
0.5601
f (x1 )(x3 x1 )
= 0
= 0
=
= 0.5231
f (x3 ) f (x1 )
f (0.5601) f (0)
0.0707 (1)
1.07070

f (x4 ) = f (0.5231) = 0.0051
uts
Anlisis Numrico
22

por la aproximacin y realizar sobre l dicha verificacin. En caso de que no haya raz en l, automticamente se encontrar en el otro subintervalo. Es decir,
f (x1 ) f (x4 ) = f (0) f (0.5231) = (1)(0.0051) < 0, lo que indica que hay raz en el subintervalo [0,0.5231].
Para calcular el error en la segunda iteracin lo hacemos con las dos raices aproximadas que se han
calculado, luego

x4 x3
0.5231 0.5601

100 = 7.07%
Erpa =
100 =

x4
0.5231
Iteracin 3: Calcular nuevamente aproximacin de la raz
x5 = x1
f (x1 )(x4 x1 )
f (0)(0.5231 0)
(1)(0.5231 0) 0.5231
= 0
= 0
=
= 0.5204
f (x4 ) f (x1 )
f (0.5231) f (0)
0.0051 (1)
1.0051

f (x5 ) = f (0.5204) = 0.00023409
por la aproximacin y realizar sobre l dicha verificacin. En caso de que no haya raz en l, automticamente se encontrar en el otro subintervalo. Es decir,
f (x1 ) f (x5 ) = f (0) f (0.5204) = (1) (0.00023409) < 0, lo que indica que hay raz en el subintervalo
[0,0.5204].
Para calcular el error en la tercera iteracin se repite la misma idea que se us en el calculo del error en
la segunda iteracin, por lo tanto

x5 x4
0.5204 0.5231

100 = 0.52%
Erpa =
100 =

x5
0.5204
Despus de aplicar las 3 iteraciones la raz aproximada es x5 = 0.5204.
2.2.3
Mtodo de Punto fijo
Definicin 2.3
Sean P R, y g(x) una funcin. P es un punto fijo de g(x), si y solo si, P = g(P).
Anlisis Numrico
uts
23
Teorema 2.3 (del Punto Fijo)

Si g(x) es una funcin continua en [a, b] y g(x) [a, b] para todo x [a, b], entonces g(x) tiene por lo menos
un punto fijo en [a, b]. Si adems, g0 (x) existe para todo x (a, b) y |g0 (x)| K < 1 para todo x (a, b) , K
constante , entonces g(x) tiene un nico punto fijo [a, b] y la sucesin {xn }n definida mediante la frmula
de iteracin
xn = g(xn1 ), n = 1, 2, 3, ...
converge a (lim xn = ) cualquiera sea x0 [a, b].
x0
y
y=x
y = g(x)
x1 = g(x0 )
a x0
x1
x
b
Ilustracin Teorema Del Punto Fijo.
Las siguientes grficas muestran algunas formas de convergencia o divergencia de la sucesin {xn }n , donde
xn = g(xn1 ), n = 1, 2, 3, ...
y=x
y = g(x)
y=x
y = g(x)
a
x0
Convergencia. (La sucesin

no es monotona).
uts
x0
Convergencia. (La sucesin

es monotona).
Anlisis Numrico
24
y = g(x)
x0
y=x
x0
Divergencia. No satisface las

hiptesis del teorema del Punto.
2.2.3.1
Implementacin del mtodo
y = g(x)
x0
y=x
Convergencia (dependiendo del punto inicial).

No satisface las hiptesis del teorema del Punto Fijo.
El mtodo de punto fijo puede implementarse como sigue:
1. Hacer f (x) = 0 y despejar una x de f (x). Exprese el despeje en la forma x = g(x).
2. Demostrar que g(x) es continua en algn intervalo cerrado [a, b].
3. Determinar un intervalo abierto (c, d) donde se satisfaga
|g0 (x)| < 1, x (c, d)
4. Tomar un xi (c, d) y evaluar sucesivamente en la formula recursiva
xi+1 = g(xi )
hasta que xi+1 sea exactamente g(xi ).

Anlisis Numrico
uts
25
Ejemplo 2.4
Use el mtodo de punto fijo para determinar una raz de f (x) = ex + x 2.
1. Sea f (x) = 0 = ex + x 2 = 0 = x = 2 ex = g(x) = 2 ex .
2. Puesto que g(x) no tiene indeterminacin alguna para algn valor de x R, se concluye que g(x)
es continua en todo los R y por lo tanto, g(x) es continua en cualquier intervalo cerrado.
3. Sea g(x) = 2 ex = g0 (x) = ex = |g0 (x)| = |ex |, como ex > 0, x R = |g0 (x)| = ex .
Ahora, se quiere hallar un intervalo abierto (c, d) tal que |g0 (x)| < 1.
1
< 1 = 1 < ex = ln(1) < ln(ex ) = 0 < x, por lo tanto
ex
|g0 (x)| = ex < 1 para todo x (0, +).
Suponga que |g0 (x)| = ex < 1 =
4. Tmese a x0 = 1 (0, +) y calcule xi+1 = g(xi ) sucesivamente.

x1 = 2 ex0 = 2 e1 = 1.804485465847412
x2 = 2 ex1 = 2 e1.804485465847412 = 1.835440893922046
x3 = 2 ex2 = 2 e1.835440893922046 = 1.840456855343537
x4 = 2 e1.840456855343537 = 1.841255113911434
x5 = 2 e1.841255113911434 = 1.841381782812870
x6 = 2 e1.841381782812870 = 1.841401873535727
x7 = 2 e1.841401873535727 = 1.841405059854723
x8 = 2 e1.841405059854723 = 1.841405565187989
x9 = 2 e1.841405565187989 = 1.841405645331012
x10 = 2 e1.841405645331012 = 1.841405658041243
x11 = 2 e1.841405658041243 = 1.841405660057013
x12 = 2 e1.841405660057013 = 1.841405660376703
x13 = 2 e1.841405660376703 = 1.841405660427404
x14 = 2 e1.841405660427404 = 1.841405660435445
x15 = 2 e1.841405660435445 = 1.841405660436720
x16 = 2 e1.841405660436720 = 1.841405660436922
x17 = 2 e1.841405660436922 = 1.841405660436955
x18 = 2 e1.841405660436955 = 1.841405660436960
x19 = 2 e1.841405660436955 = 1.841405660436960
Puesto que en las iteraciones 18 y 19 los las cantidades son idnticas se concluye que x =
1.841405660436960 es un punto fijo y nico en (0, +) para g(x) = 2 ex , el cual se convierte
en una raz para f (x) = ex + x 2.
uts
Anlisis Numrico
26
2.2.4
Mtodo de Newton-Raphson
El mtodo de Newton (conocido tambin como el mtodo de Newton-Raphson) es un algoritmo eficiente

para encontrar aproximaciones de los ceros o races de una funcin real. Tambin puede ser usado para
encontrar el mximo o mnimo de una funcin, encontrando los ceros de su primera derivada.
2.2.4.1
Descripcin del mtodo
La idea de este mtodo es la siguiente:
Se comienza con un valor razonablemente cercano a la raz (denominado valor inicial xi ), entonces se traza
la tangente a la funcin desde el punto (xi , f (xi )) hasta cortar el eje x en xi+1 .
f (x)
f (xi )
xr
xi+1
xi
Ilustracin del Mtodo de Newton-Raphson.
La pendiente la recta tangente viene determinada por la expresin

f 0 (x) =
f (xi ) 0
xi xi+1
y que despus de despejar a xi+1 se obtiene la formula recursiva de Newton-Raphson

xi+1 = xi
f (xi )
f 0 (xi )
Este xi+1 ser, generalmente, una aproximacin mejor a la raz de la funcin.

Luego, se aplican tantas iteraciones como se deseen.
De acuerdo con la frmula anterior, se ve claramente que el mtodo de Newton-Raphson es un caso especial
del mtodo de iteracin de Punto Fijo, cuando se toma como funcin de iteracin la funcin
g(x) = x
Anlisis Numrico
f (x)
f 0 (x)
uts
27
Ejemplo 2.5
Use el mtodo de Newton-Raphson para determinar una raz de f (x) = ex + x 2. Tome como valor
inicial a x0 = 1.
En primer lugar calcular la primera derivada de la funcin: f (x) = ex + 1. Despus crear la frmula
recursiva:
exi + xi 2
xi+1 = xi
exi + 1
Por ltimo aplicar sucesivamente dicha frmula:
x1 = x0
ex0 + x0 2
e(1) + (1) 2
= 1.843482357250334
= 1
x
e 0 + 1
e(1) + 1
x2 = x1
ex1 + x1 2
e(1.843482357250334) + (1.843482357250334) 2
=
1
= 1.841406066157926
ex1 + 1
e(1.843482357250334) + 1
x3 = x2
ex2 + x2 2
= 1.841405660436976
ex2 + 1
x4 = x3
ex3 + x3 2
= 1.841405660436961
ex3 + 1
x5 = x4
ex4 + x4 2
= 1.841405660436961
ex4 + 1
Por lo tanto la raz esperada es 1.841405660436961.
Al hacer una comparacin entre los resultados los mtodos de Punto Fijo y Newto-Raphson, puede decir
que el mtodo de Newton-Raphson es mas gil en la bsqueda de la raz de la funcin que el mtodo de
Punto Fijo.
2.2.5
Mtodo de la Secante
El Mtodo de la Secante es una variacin del mtodo de Newton-Raphson, donde en vez de calcular la
derivada de la funcin en el punto de estudio, teniendo en mente la definicin de derivada, se aproxima la pendiente a la recta que une la funcin evaluada en el punto de estudio y en el punto de la iteracin
anterior. Este mtodo es de especial inters cuando el coste computacional de derivar la funcin de estudio
y evaluarla es demasiado elevado, por lo que el mtodo de Newton no resulta atractivo.
Comenzando con dos aproximaciones iniciales x0 y x1 , para poder inducir
f (x1 ) f (x0 )
una pendiente inicial
. La aproximacin x2 ser la interseccin de la recta que une (x0 , f (x0 )) y
x1 x0
f (x2 ) f (x1 )
(x1 , f (x1 )) con el eje x. Ahora tenemos la recta de pendiente
. La aproximacin x3 ser la interx2 x1
seccin de la recta que une (x1 , f (x1 )) y (x2 , f (x2 )) con el eje x.
2.2.5.1
Descripcin del mtodo
Luego, se aplican tantas iteraciones como se deseen.
uts
Anlisis Numrico
28
f (x)
Recta Secante
f (x1 )
x0 x2 x3
x1
xr
f (x0 )
Ilustracin del Mtodo de La Secante.
En ltimas lo que se hace es sustituir la derivada que aparece en la frmula recursiva de Newton-Raphson
por una aproximacin de ella, es decir, asumiendo que
f 0 (xi )
f (xi ) f (xi1 )
xi xi1
y sustituirla en
xi+1 = xi
f (xi )
f 0 (xi )
para obtener la frmula Recursiva de la Secante
xi+1 = xi
Anlisis Numrico
f (xi )(xi xi1 )

f (xi ) f (xi1 )
uts
29
Ejemplo 2.6
Use el mtodo de La Secante para determinar una raz de f (x) = ex + x 2. Tome como valores
iniciales a x0 = 0 y x1 = 1.
En primer lugar contruimos la Frmula Recursiva del Mtodo de la Secante:
xi+1 = xi
f (xi )(xi xi1 )

(exi + xi 2)(xi xi1 )
= xi x
f (xi ) f (xi1 )
(e i + xi 2) (exi1 + xi1 2)
Y luego aplicar sucesivamente dicha frmula:

x2 = x1
(ex1 + x1 2)(x1 x0 )
(e(1) + (1) 2)(1 0)
=
1
= 2.718281828459045
(ex1 + x1 2) (ex0 + x0 2)
(e(1) + (1) 2) (e(0) + (0) 2)
x3 = x2
(ex2 + x2 2)(x2 x1 )
= 1.766851605243141
(ex2 + x2 2) (ex1 + x1 2)
x4 = x3
(ex3 + x3 2)(x3 x2 )
= 1.836845784497266
(ex3 + x3 2) (ex2 + x2 2)
x5 = x4
x6 = x5
(ex4 + x4 2)(x4 x3 )
= 1.841438813679357
+ x4 2) (ex3 + x3 2)
(ex4
(ex5 + x5 2)(x5 x4 )
= 1.841405646162081
+ x5 2) (ex4 + x4 2)
(ex5
x7 = x6
(ex6 + x6 2)(x6 x5 )
= 1.841405660436916
(ex6 + x6 2) (ex5 + x5 2)
x8 = x7
(ex7 + x7 2)(x7 x6 )
= 1.841405660436961
(ex7 + x7 2) (ex6 + x6 2)
x9 = x8
(ex8 + x8 2)(x8 x7 )
= 1.841405660436961
(ex8 + x8 2) (ex7 + x7 2)
Por lo tanto la raz esperada es 1.841405660436961.
Al comparar el mtodo de Newton-Raphson con el Mtodo de la Secante, se puede observar que el Mtodo
de Newton-Raphson sigue siendo es ms eficiente, y esto es a razn de que la derivada en la formula
recursiva de Newton fue sustituida por una aproximacin de ella.
uts
Anlisis Numrico
Interpolacin y Ajuste de
Curvas
En el subcampo matemtico del anlisis numrico, se denomina interpolacin a la construccin de nuevos

puntos partiendo del conocimiento de un conjunto discreto de puntos.
En ingeniera y algunas ciencias es frecuente disponer de un cierto nmero de puntos obtenidos por muestreo
o a partir de un experimento y pretender construir una funcin que los ajuste. Otro problema estrechamente
ligado con el de la interpolacin es la aproximacin de una funcin complicada por una ms simple. Si
tenemos una funcin cuyo clculo resulta costoso, podemos partir de un cierto nmero de sus valores e interpolar dichos datos construyendo una funcin ms simple. En general, por supuesto, no obtendremos los
mismos valores evaluando la funcin obtenida que si evalusemos la funcin original, si bien dependiendo
de las caractersticas del problema y del mtodo de interpolacin usado la ganancia en eficiencia puede
compensar el error cometido. En todo caso, se trata de, a partir de n parejas de puntos (xk , yk ), obtener una
funcin f que verifique
f (xk ) = yk , k = 1, ..., n
a la que se denomina funcin interpolante de dichos puntos. A los puntos xk se les llama nodos. Algunas
formas de interpolacin que se utilizan con frecuencia son la interpolacin polinmica, la interpolacin
lineal (la cual es un caso particular de la anterior) y la interpolacin por medio de spline o trazador cbico.
3.1
Polinomio Interpolante de Newton
ste mtodo es algortmico y resulta sumamente cmodo en determinados casos, sobre todo cuando queremos calcular un polinomio interpolador de grado elevado.
Para un polinomio de n-simo orden se requieren n + 1 puntos: (x0 , f (x0 )), (x1 , f (x1 )), ..., (xn , f (xn )) y para
determinarlo usamos la frmula:
Pn (x) = b0 + b1 (x x0 ) + b2 (x x0 )(x x1 ) + + bn (x x0 )(x x1 ) (x xn1 )
o que es lo mismo:
Pn (x) = b0 + bi
i=1
Anlisis Numrico
i1
(x x j )
j=1
uts
31
Estos coeficientes se calculan mediante diferencias divididas, cuya expresin general esta dada por:
f [xi , ..., xi+ j+1 ] =
f [xi+1 , ..., xi+ j+1 ] f [xi , ..., xi+ j ]

xi+ j+1 xi
Como se ve en la frmula, las diferencias divididas se calculan de modo recursivo usando coeficientes
anteriores. Una vez hayamos realizado todos los clculos, notaremos que hay (muchas) ms diferencias
divididas que coeficientes bi . El clculo de todos los trminos intermedios debe realizarse simplemente
porqu son necesarios para poder formar todos los trminos finales. Sin embargo, los trminos usados en
la construccin del polinomio interpolador son todos aqullos que involucren a x0 , as:
b0 = f [x0 ], b1 = f [x0 , x1 ],..., bi = f [x0 , x1 , ..., xi ]
Con esta notacin, podemos reexpresar el polinomio Pn como:
Pn (x) = f [x0 ] + f [x0 , x1 ](x x0 ) + f [x0 , x1 , x2 ](x x0 )(x x1 ) + + f [x0 , x1 , ..., xn ](x x0 )(x x1 ) (x xn1 )
A esta ecuacin se le conoce con el nombre de frmula de diferencias divididas interpolantes de Newton.
Ejemplo 3.1
Determine el polinomio Interpolante de Newton que contienen los puntos (3,-1), (5,-3), (7,9) y (8,6).
La idea principal es completar la siguiente tabla:
xi
yi
b1
b2
b3
-3
5
7
8
9
2
-1
0
?
?
?
?
?
Para facilidad de entender el algoritmo del polinomio interpolante de Newton mediante las diferencias
divididas, hagamos la construccin por niveles o columnas:
Nivel b1 :
29
7
=
5 (3)
8
uts
(1) 2 3
=
75
2
(0 (1) 1
=
87
1
Anlisis Numrico
32
Interpolacin y Ajuste de Curvas

Nivel b2 :
!
3
!
7
8
7 (3)
!
7
8
85
!
3
8
=
10
Nivel b3 :
!
!
5
1
6
16
1
=
16
8 (3)
86 43
43
= 96 = 48 =
11 11 528
5
5
= 2=
3 6
1
Por tanto la tabla de datos queda completa del siguiente modo:

xi
yi
b1
b2
b3
-3
9
2
1
16
5
6
43
528
7
8
3
2
-1
A continuacin se construye el polinomio tomando como coeficientes a los nmeros de la primera fila,
excepto el primero de todos. Lo que se quiere es
P3 (x) = b0 + b1 (x x0 ) + b2 (x x0 )(x x1 ) + b3 (x x0 )(x x1 )(x x2 )
Remplazando los datos se obtiene

1
43
7
P(x) = 9 +
(x (3)) +
(x (3)) (x 5) +
(x (3)) (x 5)(x 7)
8
6
528
y al simplificar se llega al polinomio
P(x) =
43 3 35 2 439
399
x x
x+
528
44
528
22
Verificacin:
P(3) =
P(5) =
43
35
439
349
(3)3 (3)2
(3) +
= 9
528
44
528
22
43
35
439
349
(5)3 (5)2
(5) +
= 2
528
44
528
22
Anlisis Numrico
P(7) =
43
35
439
349
(7)3 (7)2
(7) +
= 1
528
44
528
22
P(8) =
43
35
439
349
(8)3 (8)2
(8) +
= 0
528
44
528
22
uts
33
3.2
Polinomio Interpolante de Lagrange
En anlisis numrico, el polinomio de Lagrange, llamado as en honor a Joseph-Louis de Lagrange, es el

polinomio que interpola un conjunto de puntos dado en la forma de Lagrange. Fue descubierto por Edward
Waring en 1779 y redescubierto ms tarde por Leonhard Euler en 1783.
Para evitar el clculo de las diferencias finitas que se hace en el polinomio de Newton, el mtodo de Lagrange propone una frmula ms sencilla, pero que por supuesto, por ser una aproximacin puede tener
un ligero margen mayor de error. An as, es un mtodo muy prctico.
Reformulacin del polinomio de Newton que evita el clculo por diferencias divididas:
n
fn (x) = Li (x) f (xi ), donde Li (x) =

j=0
j6=i
i=0
xx j
xi x j ,
designa el producto de.
Ejemplo 3.2
Determine el polinomio interpolante de Lagrange que contiene los siguientes puntos de la tabla:
xi
-3
yi
-1
Lo que se quiere es construir el polinomio de Lagrange mediante su frmula recursiva:

3
P(x) =
Li (x) f (xi )
i=0
3
yi Li (x)
i=0
= y0 L0 (x) + y1 L1 (x) + y2 L2 (x) + y3 L3 (x)

= 9L0 (x) + 2L1 (x) + (1)L2 (x) + 0L3 (x)
Solo falta construir los Li (x), estos sern determinados mediante la frmula
3
Li (x) =
x xk
k=1k6=i xi xk
,
como se muestra a continuacin:
uts
Anlisis Numrico
34
L0 (x) =
=
=
=
=
x xk
x
k=1k6=0 0 xk
x x1 x x2 x x3
.
.
x0 x1 x0 x2 x0 x3
x5 x7 x8
.
.
3 5 3 7 3 8
x5 x7 x8
.
.
8 10 11
x3 x2 131x
7
+
+
880 44
880
22
L1 (x) =
=
=
=
=
x xk
x
k=1k6=1 1 xk
x x0 x x2 x x3
.
.
x1 x0 x1 x2 x1 x3
x (3) x 7 x 8
.
.
5 (3) 5 7 5 8
x+3 x7 x8
.
.
8
2 3
x3 x2 11x 7
+
+
48 4
48
2
L2 (x) =
=
=
=
=
x xk
k=1k6=2 x2 xk
x x0 x x1 x x3
.
.
x2 x0 x2 x1 x2 x3
x (3) x 5 x 8
.
.
7 (3) 7 5 7 8
x+3 x5 x8
.
.
10
2
1
3
2
x
x
x
+
6
20
2 20
No hace falta construir L3 (x), pues este polinomio ser multiplicado por 0. Una tcnica til para sumar
todos estos productos, consiste construir una tabla que contenga toda la informacin y luego hacer la
suma por columnas, como se muestra a continuacin:
Anlisis Numrico
uts
35

yi Li
x3
x2
9L0
9
800
1
24
1
20
43
528
9
44
1
2
1
2
35
4
1179
880
11
24
1
20
439
528
63
22
2L1
L2
P(x)
7
6
349
22
La ltima fila indica que el polinomio interpolante de Lagrange es P(x) =
3.3
35 2
439
349
43 3
528 x 44 x 528 x + 22 .
Interpolacin Segmentaria: Trazadores Cbicos
Dados n + 1 puntos (x0 , y0 ), (x1 , y1 ), ..., (xn , yn ) con x0 , x1 , ..., xn nmeros reales diferentes, y f alguna funcin
de valor real definida en un intervalo [a, b], que contiene a x0 , x1 , ..., xn , se pretende aproximar la funcin f
por segmentos o trazas. De antemano vamos a suponer que:
x0 < x1 < . . . < xn
La idea es aproximar la funcin f en cada subintervalo [xk , xk+1 ], k = 0, 1, ..., n 1, usando un polinomio de
grado menor o igual a tres, el cual supondremos de la forma:
(k)
p3 (x) pk (x) = ak + bk (x xk ) + ck (x xk )2 + dk (x xk )3
y
y = Pk (x)
y = Pk+1 (x)
xk
xk+1
xk+2
Representacin Grfica de Trazador Cbico
uts
Anlisis Numrico
36
1. pk (xk ) = f (xk ), pn1 (xn ) = f (yn ), k = 0, 1, ..., n 1 (condicin bsica de interpolacin) Esta condicin
supone n + 1 condiciones.
2. pk (xk+1 ) = pk+1 (xk+1 ), k = 0, 1, ..., n 1 (condicin de continuidad) Esta condicin supone n 1 ecuaciones.
3. p0k (xk+1 ) = p0k+1 (xk+1 ), k = 0, 1, ..., n 1 (condicin de primera derivada) Esta condicin sugiere n 1
condiciones.
4. p00k (xk+1 ) = p00k+1 (xk+1 ), k = 0, 1, ..., n 1 (condicin de segunda derivada) Esta condicin sugiere n 1
condiciones.
5. a. p00 (x0 ) = f 0 (x0 )
b. p0n1 (xn ) = f 0 (xn ) (condiciones de frontera)
Para que los pk interpolen los puntos, se deben verificar las siguientes condiciones:
Al verificar las condiciones 1., 2., 3. y 4., se asegura que los pk tienen sus primeras y segundas derivadas
en los puntos x0 , x1 , ..., xn , en este caso se dice que los pk son trazadores cbicos que aproximan la funcin
f . Ahora, si se cumple la condicin 5.a, el trazador cbico se llama natural, y si cumple la condicin 5.b, el
trazador cbico se llama de frontera sujeta (no son mutuamente excluyentes).
Anlisis Numrico
uts
37
Ejemplo 3.3
Determine mediante interpolacin segmentara el conjunto de polinomios que ajustan a los puntos de
la tabla que se muestra a continuacin:
xi
f (xi )
0.2
0.2
0.6 0.55
1.2 0.211
0.2
1.4
1.8 0.44
2.23 0.83
Para cumplir tal tarea es necesario primero hallar las ki como lo muestra la siguiente tabla:
xi
f (xi )
f 00 (xi )
0.2
0.6
1.2
1.4
1.8
2.23
0.2
0.55
0.211
0.2
0.44
0.83
0
k1
k2
k3
k4
0
Para determinar dichas ki es necesario construir las siguientes ecuaciones, las cuales se construyen a
partir de los datos consignados en la tabla anterior,luego resolver el sistema generado por ellas:
uts
Anlisis Numrico
38

Para la construccin de dichas ecuaciones nos apoyamos en la formula:
Dadas tres parejas consecutivas de la tabla, [xi1 , f (xi1 )], [xi , f (xi )] y [xi+1 , f (xi+1 )] aplique
(xi xi1 ) f 00 (xi1 ) + 2(xi+1 xi1 ) f 00 (xi ) + (xi+1 xi ) f 00 (xi+1 ) =

6
6
[ f (xi+1 ) f (xi )] +
[ f (xi1 ) f (xi )]
xi+1 xi
xi xi1
Continuemos con la construccin de las ecuaciones:

Para la ecuacin E1 , tmese las parejas (0.2, 0.2), (0.6, 0.55) y (1.2, 0.211), y aplquese la frmula anterior:

6
6
(0.24 0.55) +
(0.2 0.55)
[(0.6 0 2)(0)] + 2 [1.2 0.2] k1 + [1.2 0.6] k2 =
(1.2 0.6)
0.2 0.55

2k1 + 0.6k2 = 3.1 5.25

2k1 + 0.6k2 = 8.35
Para la ecuacin E2 , tmese las parejas (0.6, 0.55), (1.2, 0.211) y (1.4, 0.2):
0.6k1 + 1.6k2 + 0.2k3 = 1.9
0.2k2 + 1.2k3 + 0.4k4 = 4.8

6
6
(1.8 1.4)k3 + 2(2.23 1.4)k4 + (2.23 1.8)(0) =
(0.83 0.44) +
(0.2 0.44)
2.23 1.8
(1.8 1.4)
0.4k3 + 1.66k4 = 1.84
El sistema de ecuaciones que se obtiene es:
Anlisis Numrico
uts
39
2k1 + 0.6k2 = 8.35

0.6k1 + 1.6k2 + 0.2k3 = 1.9
0.2k2 + 1.2k3 + 0.4k4 = 4.8
0.4k3 + 1.66k4 = 1.84
Para visualizar mejor el sistema de ecuaciones ubiquemos los coeficientes de cada ecuacin en una
tabla, como se muestra a continuacin:
Ei
k1
k2
k3
k4
E1
0.6
8.35
E2
0.6
1.6
0.2
1.9
E3
0.2
1.2
0.4
4.8
E4
0.4
1.66
1.84
Dicho sistema lo podemos resolver con Matlab haciendo uso del comando linsolve(A, B), en donde A y
B se construyen como sigue:
2 0.6 0
0.6 1.6 0.2
A=
0 0.2 1.2
0
0 0.4
0
0
0.4
1.60
8.35
1.9
B=
4.8
1.84
La solucin arrojada por Matlab es:
k1 = 4, 9588
k2 = 2, 6128
k3 = 3, 4740
k4 = 0, 2713
Con lo que se completa la tabla inicial:
uts
xi
f (xi )
f 00 (xi )
0.2
0.6
1.2
1.4
1.8
2.23
0.2
0.55
0.211
0.2
0.44
0.83
0
4.9588
2.6128
3.4740
0.2713
0
Anlisis Numrico
40

Una vez completada la tabla se deben construir los polinomios Pi (x), que ajustan los datos originales,
esto se har teniendo en cuenta la frmula:
Dadas dos filas consecutivas de la tabla de datos, [xi1 , f (xi1 ), f 00 (xi1 )] y [xi , f (xi ), f 00 (xi )], aplique
Pi (x) =

f 00 (xi1 )
f 00 (xi )
f (xi1 )
f 00 (xi1 )(xi xi1 )
(xi x)
(xi x)3 +
(x xi )3 +
6(xi xi1 )
6(xi xi1 )
(xi xi1 )
6

f (xi )
f 00 (xi )(xi xi1 )
+
(x xi1 )
(xi xi1 )
6
Para determinar P1 (x), tmese las filas [0.2, 0.2, 0] y [0.6, 0.55, 4.9588], y aplquese la frmula anterior:

4.9588
0.2
0(0.6 0.2)
0
(0.6 x)3 +
(x 0.2)3 +
(0.6 x)
6(0.6 0.2)
6(0.6 0.2)
0.6 0.2
6

4.9588(0.6 0.2)
0.55
(x 0.2)
+
0.6 0.2
6

12397
1
=
(x 0.2)3 + (0.6 x) + 1.705586667()x 0.2
6000
2
12397 3
=
(x) + 1.2397(x2 ) + 0.957647x 0.02458892
6000

P1 (x) =
Para determinar P2 (x), tmese las filas [0.6, 0.55, 4.9588] y [1.2, 0.211, 2.6128]:

2.6128
0.55
4.9588
4.9588(1.2 0.6)
3
3
P2 (x) =
(1.2 x) +
(x 0.6) +
(1.2 x)
6(1.2 0.6)
6(1.2 0.6)
(1.2 0.6)
6

0.24
2.6128(1.2 0.6)
+
(x 0.6)
1.2 0.6
6

1633
867
3
3
= 1.377444444(1.2 x) +
(x 0.6) + 1.412546667(1.2 x) +
(x 0.6)
2250
6250

= 2.10322x3 6.2652x2 + 5.46037x 0.925168
Anlisis Numrico
uts
41

3.4740
0.24
2.6128(1.4 1.2)
2.6128
3
3
(1.4 x) +
(x 1.2) +
(1.4 x)
P3 (x) =
6(1.4 1.2)
6(1.4 1.2)
(1.4 1.2)
6

0.2
7.4740(1.4 1.2)
+
(x 1.2)
(1.4 1.2)
6

1633
579
4421
3
3
=
(1.4 x) +
(x 1.2) + 1.112906667(1.4 x) +
(x 1.2)
750
200
5000
2153 3
=
x 1.2772x3 0.525027x + 1.46907
5000


3.4740
0.2713
0.2
3.4740(1.8 1.4)
3
3
P4 (x) =
(1.8 x) +
(x 1.4) +
(1.8 x)
6(1.8 1.4)
6(1.8 1.4)
(1.8 1.4)
6

0.44
0.2713(1.8 1.4)
+
(x 1.4)
(1.8 1.4)
6

2713
671
579
3
3
(1.8 x) +
(x 1.4) +
(1.8 x) + 1.081913333(x 1.4)
=
400
24000
2500
32027 3
=
x + 7, 34173x2 12.5915x + 7.10008
24000
Para determinar P5 (x), tmese las filas [1.8, 0.44, 0.2713] y [2.23, 0.83, 0]:

0.2713
0
0.44
0.2713(2.23 1.8)
3
3
P5 (x) =
(2.23 x) +
(x 1.8) +
(2.23 x)
6(2.23 1.8)
6(2.23 1.8)
(2.23 1.8)
6

0.83
0(2.23 1.8)
(x 1.8)
+
(2.23 1.8)
6

2713
83
=
(2.23 x)3 + 1.003812647(2.23 x) + (x 1.8)
25800
43
27.13 3
=
x + 0.703487x2 0.642357x 0.0697926
25800
Por lo tanto el conjunto de todos los polinomios que ajustan a los datos de la tabla inicial, con sus
respectivos dominios son:
uts
Anlisis Numrico
42
12397 3
(x) + 1.2397(x2 ) + 0.957647x 0.02458892, x [0.2, 0.6]
6000
P2 (x) = 2.10322x3 6.2652x2 + 5.46037x 0.925168, x [0.6, 1.2]
2153 3
P3 (x) =
x 1.2772x3 0.525027x + 1.46907, x [1.2, 1.4]
5000
32027 3
x + 7, 34173x2 12.5915x + 7.10008, x [1.4, 1.8]
P4 (x) =
24000
27.13 3
P5 (x) =
x + 0.703487x2 0.642357x 0.0697926, x [1.8, 2.23]
25800
P1 (x) =
3.4
Ajuste de Curvas por Mnimos Cuadrados
El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el asteroide Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao, muchos cientficos intentaron estimar
su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de
movimiento es muy difcil).
La mayora de evaluaciones fueron intiles; el nico clculo suficientemente preciso para permitir a Zach,
astrnomo alemn, reencontrar a Ceres al final del ao fue el de un Carl Friedrich Gauss de 24 aos (los
fundamentos de su enfoque ya los haba plantado en 1795, cuando an tena 18 aos). Pero su mtodo
de mnimos cuadrados no se public hasta 1809, apareciendo en el segundo volumen de su trabajo sobre
mecnica celeste, Theoria Motus Corporum Coelestium in sctionibus conicis solem ambientium.
Mnimos cuadrados es una tcnica de optimizacin matemtica que, dada una serie de mediciones, intenta
encontrar una funcin que se aproxime a los datos minimizando la suma de cuadrados de las diferencias
ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los
datos.
Un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Markov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una
distribucin normal. Tambin es importante que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase
mnimos cuadrados ponderados).
Anlisis Numrico
uts
43
3.4.1
Mnimos Cuadrados y Anlisis de Regresin Lineal
El ejemplo mas simple de una aproximacin por mnimos cuadrados es ajustar una lnea recta a un conjunto de observaciones definidas por puntos:
Sean (x1 , y1 ), (x2 , y2 ), ..., (xn , yn ) n puntos. La expresin matemtica para la lnea recta que los ajusta es
y = a + bx +
Donde los coeficientes a y b son que representan la pendiente y la interseccin con el eje y respectivamente.
es el error o diferencia entre el modelo y las observaciones.
As el error o residuo puede expresarse como:
= y a bx
Luego la suma de los cuadrados de dichas desviaciones estara dada por:
n
Sr = 2 = yi a bxi
i=1
i=1
Asumiendo que la suma Sr se comporta como una funcin de dos variables (respecto de a y b), la obtencin
de los valores de los coeficientes, tales que esta suma sea mnima es un problema que se puede resolver
recurriendo a la derivacin parcial de la funcin en trminos de a y b e igualando a cero:
n
n
n
n
n
Sr
= 2(yi a bxi ) (1) = 2 2(yi a bxi ) = 0 yi a b xi = 0
a
i=1
i=1
i=1
i=1
i=1
n
an + b xi = yi
i=1
i=1
n
n
n
n
n
Sr
= 2(yi a bxi ) (xi ) = 2 2(yi a bxi ) xi = 0 xi yi axi b xi2 = 0
b
i=1
i=1
i=1
i=1
i=1
n
a xi + b xi2 = xi yi
i=1
i=1
i=1
De esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo.
Escribiendo el sistema de ecuaciones en forma matricial tenemos:
n
n
xi
i=1

xi a yi
i=1 = i=1
;
n
2
xi b
xi yi
i=1
i=1

n

det(A) = n
xi

i=1

xi
n
i=1 = n
xi2
n

2
xi i=1
!2
xi
i=1
i=1
Si usamos la regla de Cramer:
uts
Anlisis Numrico
44
a=
n

yi
i=1
n

xi yi

i=1
xi
i=1
n
i=1
det(A)
xi2
yi
i=1
xi2
i=1
xi xi yi
i=1
xi2
i=1
!2
b=

n

n

xi

yi
i=1
n

x
y
i i
i=1
i=1
det(A)
xi
i=1
i=1
i=1
i=1
n xi yi xi yi
xi2
i=1
i=1
!2
xi
i=1
Queda al lector demostrar que efectivamente estos valores para a y b son los que hacen mnima la suma de
errores (Sr ). Por lo tanto el modelo lineal que mejor ajusta a un conjunto de datos viene dado por:
y = a + bx
en donde
n
yi xi2 xi xi yi
a=
i=1
i=1
i=1
n xi2
i=1
i=1
!2
n xi yi xi yi
y
b=
i=1
i=1
n xi2
xi
i=1
i=1
i=1
!2
xi
i=1
Se debe tener presente la diferencia entre el valor obtenido con la ecuacin de regresin y el valor de y
observado. Mientras es una estimacin y su bondad en la estimacin depende de lo estrecha que sea la
relacin entre las dos variables que se estudian. Esta diferencia se conoce como error en la estimacin, este
error se puede medir a partir de la Desviacin estndar de la estimacin:
r
Sxy =
n
Sr
, donde (yi a bxi )2
n2
i=1
Como esta medida trata de resumir la disparidad entre lo observado y lo estimado, es decir, trata de medir
la diferencia promedio entre lo observado y lo estimado esperado de acuerdo al modelo, puede considerarse como un indicador del grado de precisin con que la ecuacin de regresin, describe la relacin entre
las dos variables. No es posible comparar con las relaciones de variables dadas en distinta unidad de medida. Es necesario entonces calcular una medida que interprete o mida mejor el grado de relacin entre las
variables:
Coeficientes de determinacin y de correlacin:
El coeficiente de determinacin es la relacin entre la variacin explicada y la variacin total. Este Coeficiente de correlacin mide la fuerza de la relacin entre las variables. Su valor siempre estar 0 < r < 1.
St Sr
r2 =
, donde St es el error residual asociado con la variable dependiente antes de la regresin. Una
St
presentacin alternativa es la siguiente:
n
n xi yi xi yi
r = v
u
u
u n 2
t n xi
i=1
Anlisis Numrico
i=1
i=1
i=1
!2
n
n
xi n y2
i
i=1
i=1
!2
yi
n
i=1
uts
45
Criterios:
0 a 0.2 Correlacin muy dbil, despreciable
0.2 a 0.4 Correlacin dbil. baja
0.4 a 0.7 Correlacin moderada
0.7 a 0.9 Correlacin fuerte, alta, importante
0.9 a 1.0 Correlacin muy fuerte, muy alta
La correlacin entre los valores de dos variables es un hecho. El que lo consideremos satisfactorio o no,
depende de la interpretacin. Otro problema que representa la correlacin es cuando se pregunta si una
variable, de algn modo causa o determina a la otra. La correlacin no implica causalidad. Si las variables
x e y estn correlacionadas, esto puede ser por que x causa a y, o porque y causa a x o porque alguna otra
variable afecta tanto a x como y, o por una combinacin de todas estas razones; o puede ser que la relacin
sea una coincidencia.
Ejemplo 3.4
Determine el mejor modelo Lineal que ajuste los siguientes datos:
xi
-1
yi
11 13 19
En primer lugar realicemos los siguientes clculos:
n = 5, pues hay 5 datos (x, y).

A = xi yi = 260,
B = xi2 = 106,
C = xi = 16,
D = yi = 47
Luego sustituimos en las formulas asociadas a a y b:
a=
5(260) (16)(47)
5(106) (16)2
b=
(106)(47) (206)(16)
5(106) (16)2
a=2
=
b=3
Por lo tanto lineal y = ax + b asociado a los datos de la tabla es y = 2x + 3.
uts
Anlisis Numrico
46
Ejemplo 3.5
Se toma una muestra aleatoria de 8 ciudades de una regin geogrfica de 13 departamentos, que se
determinan por los datos del censo el porcentaje de graduados en educacin superior y la mediana de
ingreso de cada ciudad, los resultados son los siguientes:
7.2
6.7
17.0
12.5
6.3
23.9
6.0
10.2
4.2
4.9
7.0
6.2
3.8
7.6
4.4
5.4
Determine el mejor modelo lineal que ajusta a la informacin.

n = 8, pues hay 8 datos (x, y).
A = xi yi = 596.63
B = xi2 = 1292.92
a=
8(546.63) 89.8(43.5)
8(1292.92) (89.8)2
b=
(1292.92)(43.5) 596.63(89.8)
8(1292.92) (89.8)2
C = xi = 89.8
D = yi = 43.5
a = 0.20477
=
b = 3.1389
Por lo tanto el modelo lineal que mejor ajusta es y = 0.20477x + 3.1389.
3.4.2
Linealizacin de Relaciones No Lineales
La linealizacin es el proceso mediante el cual es posible convertir una curva en una linea de modo que
mediante la regresin lineal se puedan encontrar ciertos parmetros que definan la ecuacin de la curva.
3.4.2.1
Modelo Potencia
y = x

Log10 y = Log10 x
Log10 y = Log10 + Log10 x
Las nuevas variables independiente y dependiente se aprecian en
Punto Corte
Log10 y
| {z }
Nueva Var Dep

Anlisis Numrico
z }| {
= Log10 +
|{z}
Log10 x
| {z }
Pte Nueva Var Ind
uts
47
3.4.2.2
Modelo Exponencial
y = ex

Ln y = Ln ex
Ln y = Ln + xLn e
Ln y = |{z}
Ln + |{z}
x
|{z}
|{z}
Var Dep
3.4.2.3
P.C
Var Ind
Razn de Crecimiento
x
x+
1 x+
=
y
x
1
x
=
+
y x x
y=
1
1
1
=
+
y
x
|{z} |{z} |{z}
|{z}
Var Dep
P.C
Var Ind
Ejemplo 3.6
Determine el Modelo de Potencia que aproxima los datos de la siguiente tabla:
uts
xi
yi
0.1
0.3
0.4
0.7
1
0.03
0.27
0.48
1.47
3
Anlisis Numrico
48

En primer lugar completemos la tabla del siguiente modo:
xi
yi
log10 (xi )
log10 (yi )
0.1
0.3
0.4
0.7
1
0.03
0.27
0.48
1.47
3
1
0.5228
0.3979
0.1549
0
1.5228
0.5686
0.3187
0.1673
0.4771
Luego tomamos las columnas 3 y 4 y realizamos los siguientes clculos:
A = xi yi = 1.9209
B = xi2 = 1.4856
C = xi = 2.0756
D = yi = 1.7657
n = 5 por que tenemos 5 datos.
A continuacin sustituimos en el modelo lineal,
a=
nA CD 5(1.9209) (2.0756)(1.7657)
=
nB C2
5(1.4556) (2.0756)2
b=
BD AC (1.4556)(1.7657) (1.9209)(2.0756)
=
nB C2
5(1.4556) (2.0756)2
a = 1.999947
=
b = 0.477078
Con lo que se obtiene el modelo lineal y = 1.999947x + 0.477078.
Ahora procedemos a determinar el modelo no lineal en la forma de potencia:
Log10 = 0.477078
= 100.477078
= 2.9997
= 1.999947
Por lo tanto, el modelo de potencia es
y = 2.9963x1.999947
Anlisis Numrico
uts
4
4.1
Diferenciacin e Integracin
Numrica
Diferenciacin Numrica
Se desarrollarn frmulas para aproximaciones de diferencias hacia delante, hacia atrs y centradas para la
primera derivada utilizando la serie truncada de Taylor.
En el mejor de los casos, estas estimaciones presentan errores de orden O(h2 ); es decir, sus errores fueron
proporcionales al cuadrado de su tamao de paso. Este nivel de exactitud se debe al nmero de trminos
de la serie de Taylor. Se pueden generar frmulas de alta exactitud al incluir trminos adicionales en la
expansin de la serie de Taylor.
4.1.1
Frmulas de Exactitud Para La Primera Derivada
Frmulas de Tres Puntos

Definiendo un tamao de paso h = xi+1 xi .
. Hacia adelante:
f 0 (xi ) '
3 f (xi ) + 4 f (xi + h) f (xi + 2h)

+ O(h2 )
2h
. Hacia atrs:
f 0 (xi ) '
f (xi 2h) 4 f (xi h) + 3 f (xi )

+ O(h2 )
2h
. Central:
f 0 (xi ) '
uts
f (xi + h) f (xi h)
+ O(h2 )
2h
Anlisis Numrico
50
Diferenciacin e Integracin Numrica
Frmulas de Cinco Puntos

Definiendo un tamao de paso h = xi+1 xi .
. Hacia adelante:
f 0 (xi ) =
25 f (xi ) + 48 f (xi + h) 36 f (xi + 2h) + 16 f (xi + 3h) 3 f (xi + 4h)

+ O(h4 )
12h
. Central:
f 0 (xi ) =
f (xi 2h) 8 f (xi h) + 8 f (xi + h) f (xi + 2h)

+ O(h4 )
12h
Usando la serie truncada de Taylor, se pueden desarrollar frmulas aproximadas iterativas para resolver
las derivadas numricamente usando n puntos.
Usando hasta la expresin de Taylor de la segunda derivada se puede hallar mayor precisin para la
derivada de la funcin.
Ejemplo 4.1
Usar las frmulas hacia adelante de tres y cinco puntos para aproximar f 0 (2), si f (x) = sen(x) y h = 0.1.
. Frmula de Tres Puntos: Si h = 0.1 se tiene que
3 f (2) + 4 f (2 + 0.1) f (2 + 2(0.1))
2 (0.1)
3 0.909297427 + 4 0.863209367 0.808496404
0.2
0.417756085
f 0 (2)
. Frmula de Cinco Puntos: Si h = 0.1 se tiene que

25 f (2) + 48 f (2 + 0.1) 36 f (2 + 2(0.1)) + 16 f (2 + 3(0.1)) 3 f (2 + 4(0.1))
12 (0.1)
25 0.909297426 + 48 0.863209366 36 0.808496403 + 16 0.745705212 3 0.675463180
1.2
0.416135615
f 0 (2)
f 0 (2) = cos(2) 0.416146837.

Lo que permite calcular el error segn

0.416146837 (0.417756085)
100 0.38% y E f 5p =
cada frmula, es decir, E f 3p =

0.416146837

0.416146837 (0.416135615)

100 0.002%. Con estos clculos se puede concluir que la

0.416146837
frmula de cinco puntos aproxima mejor la primera derivada en el punto dado.
Claramente
Anlisis Numrico
uts
51
4.2
Integracin Numrica
En muchos casos, la integracin de una funcin f (x) es difcil o hasta imposible de encontrar, para ello
debemos usar una funcin que se aproxime a la funcin original y que sea de ms fcil solucin, la ms
comn es el polinomio de n trminos.
El otro tema a tomar en cuenta es cuando se desarrolla la integracin. Numricamente debemos usar sumatorias para desarrollarla; entre ms puntos que se encuentran en los lmites de la integral se tenga ser ms
aproximada la solucin, pero esto implica que el algoritmo sea a veces ms complicado.
4.2.1
Frmulas de Newton-Cotes
Las frmulas de integracin de Newton-Cotes son los esquemas ms comunes dentro de la integracin
numrica. Se basan en la estrategia de reemplazar una funcin complicada o un conjunto de datos tabulares con alguna funcin aproximada que sea ms fcil de integrar. La integral se puede aproximar usando
una serie de polinomios aplicados por partes a la funcin o a los datos sobre intervalos de longitud constante.
Se dispone de las formas abierta y cerrada de las frmulas de Newton-Cotes. Las formas cerradas son
aquellas en donde los puntos al principio y al final de los lmites de integracin se conocen. Las frmulas
abiertas tienen los lmites de integracin extendidos ms all del rango de los datos. Las frmulas abiertas
de Newton-Cotes, en general, no se usan en la integracin definida. Sin embargo, se usan extensamente
para evaluar integrales impropias y en la solucin de ecuaciones diferenciales ordinarias.
4.2.1.1
Regla del Trapecio simple y compuesta
La regla del trapecio o regla trapezoidal es la primera de
las frmulas cerradas de Newton-Cotes.

Regla del trapecio simple
Considrese la funcin f (x), cuya grfica esta entre los extremos x = a y x = b como se muestra en la figura.
f (x)
f (a)
f (b)
Ilustracin de La Regla del Trapecio Simple
Si utilizamos un polinomio P(x) de primer grado como una aproximacin de f (x) tenemos:
uts
Anlisis Numrico
52
P(x) = f (a)
xb
xa
+ f (b)
, el cual es equivalente a:
ab
ba
P(x) = f (a) +
f (b) f (a)
(x a)
ba
El rea bajo sta lnea recta es una aproximacin del rea bajo la curva entre los lmites a y b.
Z b
f (x) dx
Z b
a
Z b

f (b) f (a)
f (a) +
(x a) dx
ba
Z b

f (b) f (a)
f (x) dx
f (a) +
(x a) dx
ba
a
b

f (b) f (a) (x a)2
f (a)x +
ba
2
a
f (a) + f (b)
(b a)
2
Ejemplo 4.2
Utilizar la regla del trapecio simple para aproximar la integral
Z 1
1
2
Z 1
1
2
arcsen(x) dx.
#
"

f (1) + f ( 21 )
1
arcsen(x) dx 1
2
2
La solucin exacta de esta integral es
+ 6
4
= 0.5235988
6
5 6 3
0.4429715.
12
El error relativo porcentual que se cometi al aplicar la regla del trapecio simple esta dado por:

0.4429715 0.5235988

100 18.2%
Er =

0.4429715
Anlisis Numrico
uts
53
Regla del Trapecio Compuesta

Una manera de mejorar la exactitud de la regla del trapecio es dividir el intervalo de integracin de a a b en
un nmero n de segmentos y aplicar el mtodo a cada uno de ellos. Las ecuaciones resultantes son llamadas
frmulas de integracin de mltiple aplicacin o compuestas.
Hay n + 1 puntos base igualmente espaciados (x0 , x1 , x2 , ..., xn ). En consecuencia hay n segmentos de igual
ba
anchura: h =
.
n
Si a y b son designados como x0 y xn respectivamente, la integral total se representar como:
I=
Z x1
f (x)dx +
Z x2
x0
Z xn
f (x)dx + . . . +
x1
f (x)dx
xn1
Al sustituir la regla trapezoidal para cada integral:
I=h
f (x1 ) + f (x2 )
f (xn1 ) + f (xn )
f (x0 ) + f (x1 )
+h
+...+h
2
2
2
Y mediante agrupacin de trminos:

"
#
n1
h
I=
f (x0 ) + 2 f (xi ) + f (xn )
2
i=1
Usando h = (b?a)/n y expresndola en la forma general:
n1
f (x0 ) + 2 f (xi ) + f (xn )

I = (b a)
i=1
2n
Un error para la regla trapezoidal de mltiple aplicacin se puede obtener al sumar los errores individuales
de cada segmento, para dar:
Et =
(b a)3 n 00
f (i )
12n3 i=1
Donde f 00 (i ) es la segunda derivada en un punto i localizado en el segmento i. Este resultado se puede

simplificar al estimar la media o valor promedio de la segunda derivada para todo el intervalo:
uts
Anlisis Numrico
54
f 00 (i )
f 00 '
Por tanto
f 00 (i ) n f 00 .
i=1
n
Entonces la ecuacin del error trapezoidal puede escribirse como:
(b a)3 00
f
12n2
As, si el nmero de segmentos se duplica, el error de truncamiento disminuir a un cuarto.
Ea =
Ejemplo 4.3
Utilizar la regla del trapecio compuesta con n=5 subintervalos para aproximar la integral
Z 1
1
2
arcsen(x) dx.
b a 1 12
=
= 0.1
n
5
xi = [0.5, 0.6, 0.7, 0.8, 0.9, 1]
Z 1
1
2

arcsen(x) dx

0.1
[ f (0.5) + 2 f (0.6) + 2 f (0.7) + 2 f (0.8) + 2 f (0.9) + f (1)]
2
0.4513161
El error relativo porcentual que se cometi al aplicar la regla del trapecio compuesta esta dado por:

0.4429715 0.4513161
100 1.884%
Er =

0.4429715
Vemos que efectivamente se ha obtenido una mejor aproximacin con este mtodo, reduciendo el error
relativo verdadero de un 18.2% hasta un 1.884%.
Anlisis Numrico
uts
5
5.1
Ecuaciones Diferenciales
Ordinarias
Mtodo de Euler
Una de las tcnicas ms simples para aproximar soluciones de una ecuacin diferencial es el mtodo de
Euler, o de las rectas tangentes. La idea del mtodo de Euler es muy sencilla y est basada en el significado
geomtrico de la derivada de una funcin en un punto dado.
y
Tangente
Error
Secante
yn+1
yn
xn
xn+1
Construccin de la frmula del Mtodo de Euler
Supongamos que tuviramos la curva solucin de la ecuacin diferencial y trazamos la recta tangente a la
curva en el punto dado por la condicin inicial.
dy
= f (x, y), y(0) = x0
dx
Observe en la figura que la pendiente de la recta a secante la curva est dada por
yn+1 yn
xn+1 xn
, pero xn+1 = xn + h, entonces
yn+1 yn
yn+1 yn
=
xn + h xn
h
uts
Anlisis Numrico
56
Ecuaciones Diferenciales Ordinarias
es aproximadamente igual a la pendiente de la recta tangente siempre y cuando h sea pequeo.

De aqu obtenemos que
f (xn , yn ) =
yn+1 yn
h
yn = yn + f (xn , yn ) h
obtenemos as la conocida Frmula de Euler:
yn+1 = yn + f (xn , yn ) h
Con lo cual podemos usar el punto (x0 , y0 ) para construir el siguiente punto (x1 , y1 ) y as sucesivamente. De
esta forma generamos la sucesin de puntos:
(x0 , y0 ), (x1 , y1 ), , (xn , yn )
los cuales es de esperar que se encuentren cercanos a los puntos (x0 , y(x0 )), (x1 , y(x1 )), , (xn , y(xn ))
Ejemplo 5.1
Dada la siguiente ecuacin diferencial
dy
= 2xy con la condicin inicial: y(0) = 1,
dx
1. Resulvala analticamente.
2. Utilice el Mtodo de Euler en el intervalo de x = 0 a x = 1 con tamao de paso h = 0.1.
3. Aproxime y(0.5).
4. Grafique y compare los resultados.
1. Solucin Analtica
Primero observamos que esta ecuacin s puede resolverse analticamente (por mtodos tradicionales
de ecuaciones diferenciales). Podemos aplicar el mtodo de separacin de variables:
dy
= 2x dx
y
Anlisis Numrico
dy
=
y
2x dx
Ln|y| = x2 +C
uts
57

Sustituyendo la condicin inicial x = 0 y = 1
Ln|1| = 0 +C = C = 0
Por lo tanto, tenemos que la solucin esta dada por:
Ln|y| = x2 = y = ex
2. Solucin Numrica
Aplicamos el mtodo de Euler para los valores de x entre 0 y 1 con tamao de paso h = 0.1 y Condicin
inicial: x = 0 y = 1 , que significa que (x0 , y0 ) = (0, 1)
Ahora,
x1 = x0 + h = 0 + 0.1 = 0.1
y1 = y0 + f (x0 , y0 ) h = 1 + 2(0)(1) (0.1) = 1, lo que significa (x1 , y1 ) = (0.1, 1)
Aplicando nuevamente la frmula de Euler, tenemos, en un segundo paso:
x2 = x1 + h = 0.1 + 0.1 = 0.2
y2 = y1 + f (x1 , y1 ) h = 1 + 2(0.1)(1) (0.1) = 1.02, (x2 , y2 ) = (0.2, 1.02)
Resumimos todos los resultados en la siguiente tabla:
xi
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
yi
1
1
1.02
1.0608
1.124448
1.21440384
1.33584422
1.49614553
1.70560591
1.97850285
2.33463336
3. Aproxime y(0.5)
2
De la solucin analtica y(0.5) = e(0.5) = 1.28403
uts
Anlisis Numrico
58

De la solucin numrica y(0.5) = 1.2144
El error relativo porcentual que se cometi al aplicar la frmula de Euler esta dado por:

1.28403 1.21440

100 5.423%
Er =

1.28403
4. Grfica y comparacin de resultados
y
3
2.5
1.5
0.5
x
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Solucin Numrica
Solucin Analtica
5.2
Mtodo de Runge-Kutta de Cuarto Orden
Los Runge-Kutta no es solo un mtodo sino una importante familia de mtodos iterativos tanto implcitos
como explcitios para aproximar las soluciones de ecuaciones diferenciales ordinarias (E.D.O), estas tcnicas
fueron desarrolladas alrededor de 1900 por los matemticos alemanes Carl David Tolm Runge y Martin
Wilhelm Kutta.
El clsico mtodo Runge-Kutta de cuarto orden:
Un miembro de la familia de los mtodos Runge-Kutta es usado tan comnmente que a menudo es referenciado como RK4 o como el mtodo Runge-Kutta.
Definamos un problema de valor inicial como:
dy
= f (x, y), y(0) = x0
dx
Anlisis Numrico
uts
59
Entonces el mtodo RK4 para este problema esta dado por la siguiente ecuacin:
yn+1 = yn + 6h [k1 + 2k2 + 2k3 + k4 ], de donde:
k1 =
k2 =
k3 =
k4 =
f (xn , yn )
f (xn + h2 , yn + h2 k1 )
f (xn + h2 , yn + h2 k2 )
f (xn + h, yn + hk3 )
As, el siguiente valor yn+1 es determinado por el presente valor yn ms el producto del tamao del intervalo
h por una pendiente estimada. La pendiente es un promedio ponderado de pendientes:
k1 es la pendiente al principio del intervalo.
k2 es la pendiente en el punto medio del intervalo, usando k1 para determinar el valor de y en el punto
xn + 2h usando el mtodo de Euler.
k3 es otra vez la pendiente del punto medio, pero ahora usando k2 para determinar el valor de y k4 es la
pendiente al final del intervalo, con el valor de y determinado por k3 .
Promediando las cuatro pendientes, se le asigna mayor peso a las pendientes en el punto medio:
Pendiente =
k1 + 2k2 + 2k3 + k4
6
El mtodo RK4 es un mtodo de cuarto orden lo cual significa que el error por paso es del orden de h5,
mientras que el error total acumulado tiene el orden h4.
Ejemplo 5.2
Dada la siguiente ecuacin diferencial
dy
= 2xy con la condicin inicial: y(0) = 1,
dx
1. Resulvala analticamente.
2. Utilice el Mtodo de Runge-Kutta de cuarto orden en el intervalo de x = 0 a x = 1 con tamao de
paso h = 0.1.
3. Aproxime y(0.5).
4. Grafique y compare los resultados.
1. Solucin Analtica
dy
= 2xy
dx
uts
y = ex
Anlisis Numrico
60

2. Solucin Numrica
Aplicamos el mtodo de Runge-Kutta de cuarto orden entre 0 y 1 con tamao de paso h = 0.1.
Condicin inicial:
x = 0 y = 1,
(x0 , y0 ) = (0, 1)
x1 = x0 + h = 0 + 0.1 = 0.1
Aplicamos las ecuaciones del mtodo:
Para f (x, y) = 2xy
k1 = f (x0 , y0 ) = f (0, 1) = 2(0)(1) = 0

h
0.1
0.1
h
,1+
(0) = f (0.05, 1) = 2(0.05)(1) = 0.1
k2 = f x0 + , y0 + k1 = f 0 +
2
2
2
2

h
h
0.1
0.1
k3 = f x0 + , y0 + k2 = f 0 +
,1+
(0.1) = f (0.05, 1.005) = 2(0.05)(1.005) = 0.1005
2
2
2
2
k4 = f (x0 + h, y0 + hk3 ) = f (0 + 0.1, 1 + (0.1)(0.1005)) = f (0.1, 1.01005) = 2(0.05)(1.01005) = 0.20201
Ahora sustituimos en la frmula recursiva yn+1 = yn + 6h [k1 + 2k2 + 2k3 + k4 ]:
h
0.1
y1 = y0 + (k1 + 2k2 + 2k3 + k4 ) = 1 +
(0 + 2(0.1) + 2(0.1005) + (0.20201)) = 1.0100502
6
6
Resumimos todos los resultados en la siguiente tabla:
xi
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Anlisis Numrico
k1
k2
k3
k4
0
0.202010033
0.416324308
0.656504559
0.938808651
1.284025256
1.719994793
2.285241262
3.034365548
4.046224662
0.1
0.3060452
0.5308135
0.7888996
1.0984061
1.4830492
1.9751274
2.6198659
3.4819345
4.6554063
0.1005
0.3076057
0.5336757
0.7935335
1.105588
1.4939955
1.991711
2.6449627
3.5199778
4.7132785
0.20201
0.416324296
0.656507005
0.93882209
1.284069614
1.720109765
2.285500128
3.034898335
4.047257249
5.438460884
yi
1
1.0100502
1.0408108
1.0941743
1.1735108
1.2840253
1.433329
1.6323152
1.8964785
2.2479026
2.7182702
yanalitica
1
1.0100502
1.0408108
1.0941743
1.1735109
1.2840254
1.4333294
1.6323162
1.8964809
2.247908
2.7182818
uts
61

3. Aproxime y(0.5)
2
De la solucin analtica y(0.5) = e(0.5) = 1.28403

De la solucin numrica y(0.5) = 1.28402
El error relativo porcentual que se cometi al aplicar la frmula de RK4 esta dado por:

1.28403 1.28402

100 0.000779%
Er =

1.28403
4. Grfica y comparacin de resultados
y
3
2.5
1.5
0.5
x
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Solucin Numrica
Solucin Analtica
uts
Anlisis Numrico
Introduccin A Matlab
El nombre MatLab es una abreviatura de las palabras MATrix LABoratory. MatLab es un sistema interactivo para clculos cientficos y de ingeniera basado en las matrices. Con l se pueden resolver complejos problemas numricos sin necesidad de escribir un programa especfico para ello, aunque tambin es
posible programar. Adems, el programa Matlab dispone, dependiendo de la versin, de diferentes mdulos(Toolboxes) que permiten resolver problemas especficos.
En Matlab, las ordenes se introducen escribindolas una a una a continuacin del prompt (>>) que aparece
en la ventana de comandos (Command Window).
Matlab es sensible a minsculas y maysculas, es decir la variable A es diferente a la variable a.
A.1
Generalidades del Entorno de Matlab
. Guardar, Recuperar y Salir de una sesin de trabajo

? save: Almacena las variables en un archivo .mat. Por ejemplo:
>> save prueba
? load: Carga variables y su contenido. Por ejemplo:
>> load prueba
? delete: Elimina archivo. Por ejemplo:
>> delete prueba.mat
? quit: Para terminar la sesin con Matlab.
. Directorio Actual de trabajo
? pwd: Muestra cual es el directorio actual.
? cd: Cambia la ruta del directorio actual.
>> cd c:\matlab\work
Anlisis Numrico
uts
63
? dir: Lista el contenido del directorio actual.

. Eliminar Variables de sesin de trabajo
Las funciones que permite eliminar variables son:
? clear [var1 , var2 , ..., varn ]: Elimina las variables Indicadas.
? clear all: Elimina todas las variables de la sesin actual.
. Limpiar pantalla
Para limpiar la pantalla se debe digitar en la linea de comandos (>>) la funcin clc.
. Ayudas
Las funciones que nos sirven para solicitar ayuda a Matlab son:
? help Nombre_Funcion: Muestra en la Ventana de Comandos la ayuda asociada a Nombre_Funcion.
? helpwin Nombre_Funcion: Muestra en una ventana flotante la ayuda asociada a Nombre_Funcion.
. Variables en uso
Las siguientes funciones nos permiten un tratamiento especial con las variables de sesin:
? who: Nos indica que variables estn en uso.
? whos: Nos indica lo mismo que who, pero adems nos informa del tamao y del tipo de variable.
? ans: Es la variable que se utiliza en los resultados. En la operacin siguiente se puede recuperar
este resultado volviendo a escribir ans. Esta variable se modificar en cuanto haya un nuevo
resultado.
A.2
Constantes y Operadores Bsicos
a) Constantes
Constante
pi
i
j
eps
realmin
realmax
inf
nan
uts
Significado
3.14159265...
La unidad imaginaria, 1.
Lo mismo que i.
Precisin relativa de los nmeros en coma flotante, 252 = 2.204e 16.
Nmero en coma flotante ms pequeo, 21022 .
Nmero en coma flotante ms grande, (2 eps)21 023.
Infinito. Se produce al dividir un nmero distinto de cero por cero.
"Not-A-Number". Se produce al evaluar expresiones como 0/0 inf-inf.
Anlisis Numrico
64
b) Operaciones Entre Escalares

Operador
+
*
/
^
Operacin
Adicin
Sustraccin
Multiplicacin
Divisin
Potenciacin
Ejemplo
2+3
23
23
2/3
23
Resultado
5
-1
6
0.6667
8
c) Nmeros Complejos
Funcin
abs(z)
angle(z)
conj(z)
imag(z)
real(z)
Descripcin
Devuelve el mdulo de z, siendo z un nmero complejo
Retorna el ngulo de fase en radianes de un nmero complejo z
Devuelve el conjugado de z
Devuelve la parte imaginaria de z
Devuelve la parte real de z
Ejemplo
z=3+4i; abs(z)
z=1+i; angle(z)
z=3+4i; conj(z)
z=3+4i; imag(z)
z=3+4i; real(z)
Resultado
5
0.7854
3.0000 - 4.0000i
4
3
d) Operadores Relacionales
Operador Relacional
<
>
<=
>=
==
=
Significado
menor que
mayor que
menor o igual
mayor o igual
igual
distinto
e) Operadores Lgicos
Operador
&
|
Significado
Y
O
NO
f) Funciones tiles
. vpa(expr,n): Variable de Precisin aritmtica, permite calcular la expr con n cantidad de dgitos.
. sum(V): Suma los elementos de un vector V.
. roots(): Calcula las races de un polinomio.
. length(V): Calcula cantidad de elementos de un vector V.
. rats(x): Expresa en la forma racional cualquier nmero decimal x.
. deconv(): Calcula divisin de polinomios.
Anlisis Numrico
uts
65
A.3
Funcin
abs(x)
acos(x)
acot(x)
acoth(x)
acsc(x)
acsch(x)
asec(x)
asech(x)
asin(x)
atan(x)
atan2(y,x)
ceil(x)
cos(x)
cosh(x)
cot(x)
coth(x)
csc(x)
csch(x)
exp(x)
fix(x)
floor(x)
log(x)
log10(x)
mod(x,y)
pow2(x)
rem(x,y)
round(x)
sec(x)
sech(x)
sign(x)
sin(x)
sinh(x)
sqrt(x)
tan(x)
tanh(x)
uts
Funciones Elementales
Nombre
Valor absoluto de x o Modulo de x, si x es nmero complejo
Arco coseno de x
Arco cotangente de x
Arco cotangente hiperblica de x
Arco cosecante de x
Arco cosecante hiperblica de x
Arco secante de x
Arco secante hiperblica de x
Arco coseno de x
Arco tangente de x
Arco tangente de xy
Redondeo hacia ms infinito de x
Coseno de x
Coseno hiperblico de x
Cotangente de x
Cotangente hiperblica de x
Cosecante de x
Cosecante hiperblica de x
Exponencial de x
Redondeo hacia cero de x
Redondeo hacia menos infinito de x
Logaritmo natural
Logaritmo en base 10
Modulo(cociente entero de la divisin xy )
Potencia en base 2 de x
Resto entero de la divisin de xy
Redondeo hacia el entero ms prximo de x
Secante de x
Secante hiperblica de x
Funcin signo de x
Seno de x
Seno hiperblico de x
Raz cuadrada de x
Tangente de x
Tangente hiperblico de x
Ejemplo
a)abs(-1) b)abs(3+4i)
acos(1)
acot(10)
acoth(5)
acsc(4)
acsch(0.2)
asec(2)
asech(0.5)
asin(1)
atan(1)
atan2(0,-1)
a)ceil(-7.3) b)ceil(7.3)
cos(0)
cosh(3)
cot(3)
coth(5)
csc(10)
csch(2)
exp(1)
a)fix(2.7) b)fix(-2.7)
floor(-5.8) b)floor(5.8)
log(2.7183)
log10(350)
a)mod(7,3) b)mod(7,-3)
pow2(4)
a)rem(7,3) b)a)rem(7,-3)
a)round(7.3) b)round(7.7)
sec(5)
sech(1)
a)sign(-7) b)sign(7)
sin(pi/6)
sinh(3)
sqrt(2)
tan(pi/4)
tanh(3)
Resultado
a)1.7 b)5
-6.1257e-17
0.0997
0.2027
0.2527
2.3124
1.0472
1.3170
1.5708
0.7854
3.1416
a)-7 b)8
1
10.0677
-7.0153
1.0001
-1.8382
0.2757
2.7183
a)2 b)-2
a)-6 b)5
1.0000
2.5441
a)1 b)-2
16
a)1 b)1
a)7 b)8
3.5253
0.6481
a)-1 b)1
0.500
10.0179
1.4142
1.000
0.9951
Anlisis Numrico
66
A.4
Matrices y Vectores
a) Matrices
1. Crear Una Matriz
Matlab concibe una matriz como un arreglo de n filas con m columnas.
Ejemplo A.1
Escriba en matlab la matriz

M=
42 44 70
50 51 5
Se escribira as:
>> M=[42,44,70; 50,51,5]
Tambin puede ser escrita de la siguiente forma:
>> M=[42 44 70; 50 51 5]
El el smbolo ";" indica que finaliza la columna y se da la entrada para una nueva, como se aprecia en
los ejemplos en la ltima columna no es necesario digitarlo.
Se puede observar adems, que en lugar de escribir comas para separar los elementos de una fila,
basta dejar un espacio entre ellos.
2. Modificar Elementos de Una Matriz
Para Modificar un elemento de una matriz basta escribir la posicin absoluta del elemento al que se
quiere acceder.
Anlisis Numrico
uts
67
Ejemplo A.2
Modifique el elemento de la posicin (2,3) de la matriz M anteriormente creada por la cantidad 10.
Esto se hara mediante la orden:
>> M(2,3)=10
3. Agregar Eliminar Filas Columnas de Una Matriz

. Para agregar una fila a una matriz se debe escribir en el siguiente formato:
MatrizActual = [MatrizActual; NuevaFila] MatrizActual = [NuevaFila; MatrizActual]
Ejemplo A.3
Aadir la fila [1 5 9] al final de la matriz M, creada al comienzo de la seccin de matrices.
La orden sera:
>> M=[M;[1 5 9]]
Hay que notar que es obligatorio el smbolo ";".
. Para agregar una columna a una matriz se debe escribir en el siguiente formato:
MatrizActual = [MatrizActual NuevaColumna]
MatrizActual = [NuevaColumna MatrizActual]
Ejemplo A.4
Aadir la columna [1; 5] a la matriz M, creada al comienzo de la seccin de matrices.
Se debe escribir la siguiente orden:
>> M=[[1; 5] M]
Hay que notar que es obligatorio dejar un espacio entre la columna nueva y la matriz actual.
uts
Anlisis Numrico
68
. Para eliminar una fila de una matriz se debe escribir en el siguiente formato:
MatrizActual(NmeroDeFila,:)=[]
Ejemplo A.5
Eliminar la segunda fila de la matriz M, creada al comienzo de la seccin de matrices.
>> M(2,:)=[]
. Para eliminar una columna de una matriz se debe escribir en el siguiente formato:
MatrizActual(:,NmeroDeColumna)=[]
Ejemplo A.6
Eliminar la tercera columna de la matriz M, creada al comienzo de la seccin de matrices.
>> M(:,3)=[]
b) Vectores
Matlab define los vectores como matrices, en el caso de un vector fila lo define como una matriz de 1 fila
por n columnas, en el caso de ser vector columna, lo define como una matriz de n filas por una columna.
1. Creacin de Vectores
Para crear un vector solo es necesario escribir cada componente dentro de corchetes separados por
comas o espacios en el caso de se un vector fila, y ";" en el caso de ser un vector columna.
Anlisis Numrico
uts
69
Ejemplo A.7
4
Escribir el vector V = 3i 2 j + 4k y el vector W = 5 .
6
Se escribira as:
>> V=[3 -2 4]
>> W=[4; 5; 6]
Para crear vectores que conserven la distancia de un elemento a otro, como por ejemplo, V=[0 0.1 0.2
0.3 0.4 0.5], se hace mediante la sintaxis:
VectorNuevo=Inicio:Incremento:final
otra forma de hacer lo mismo es con la funcin linspace, cuya sintaxis es:
linspace(Inicio,Final,Cantidad entera puntos)
Ejemplo A.8
Use una orden en Matlab que permita construir el vector V=[0 0.1 0.2 0.3 0.4 0.5] automticamente.
Se escribira as:
>> V=0:0.1:0.5
Tambin se puede escribir:
>> V=linspace(0,0.5,6)
2. Producto de un Vector por un Escalar
Ejemplo A.9
Calcule w = 4v 9u, si u = 3i + 5 j y v = 6i 2 j.
Se escribira as:
>> u=[3 5]; v=[6 -2]; w=4*v-9*u
uts
Anlisis Numrico
70
3. Producto Punto
Para calcular el producto punto entre dos vectores basta con usar la funcin dot(V1 ,V2 ), donde V1 y V2
son vectores de la misma cantidad de componentes.
Ejemplo A.10
Calcule el producto punto entre los vectores V = 3i + 4 j + 5k y W = 2i + 9 j 3k.
Se escribira:
>> V=[3 4 5]; W=[-2 9 -3]; cross(V,W)
4. Producto Cruz
Para calcular el producto cruz entre dos vectores basta con usar la funcin cross(V1 ,V2 ), donde V1 y V2
son vectores de la misma cantidad de componentes.
Ejemplo A.11
Calcule el producto cruz entre los vectores V = 3i + 4 j + 5k y W = 2i + 9 j 3k.
Se escribira as:
>> V=[3 4 5]; W=[-2 9 -3]; dot(V,W)
c) Operaciones Bsicas Entre Matrices y Entre Vectores

Operador
+
-
Operacin
Adicin
Sustraccin
Ejemplo
[2 3] + [2 4]
[2 3] [2 4]
Multiplicacin
[1
.*
./
.^
Multiplicacin trmino a trmino

Divisin trmino a trmino
Potenciacin trmino a trmino
[2 3]. [2 4]
[2 3]./[2 4]
[2 3].2
Anlisis Numrico
4; 4
5] [4
3; 2
7; 8
5]
Resultado
[4 7]
[0 1]

42 44
50 51
[4 12]
[1 0.7500]
[4 9]
uts
71
A.5
Grfica de Funciones en 2D
a) En Coordenadas Rectangulares o Cartesianas
Grfica de Una Funcin Simple

Para hacer grficas de funciones de una variable con MatLab, podemos hacer uso de las funciones plot(),
fplot() y ezplot().
Ejemplo A.12
Dibujar la grfica de la funcin y = sen(x) para x [0, 2].
Para dar solucin al problema tenemos:
1. Primera Opcin: Usando la funcin plot(Vx ,Vy ).
. Primero creamos una tabla de valores para x:
>> x=0:pi/100:2*pi;
Con este comando hemos formado una tabla (el vector x) con 200 valores entre 0 y 2. Otra forma
de conseguir el mismo resultado sera utilizar el comando:
>> x=linspace(0,2*pi,200);
. Ahora calculamos los valores de y:
>> y=sin(x);
. por ltimo la dibujamos mediante la funcin plot(Vx ,Vy ):
>> plot(x,y), grid on
Con lo que se obtiene:
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
uts
Anlisis Numrico
72
Ejemplo A.12 (Continuacin).

2. Segunda Opcin: Usando la funcin fplot(Funcin,Limites,[especificadores de linea]).
Solo basta con escribir:
>> fplot(sin(x),[0,2*pi]), grid on
Con lo que se obtiene la misma grfica anterior.
3. Tercera Opcin: Usando la funcin ezplot(Funcin,Limites,[especificadores de linea]).
Solo basta con escribir:
>> ezplot(sin(x),[0,2*pi]), grid on
Con lo que se obtiene grfica:
sin (x)
1
0.5
-0.5
-1
0
Grfica de Varias Funciones en un Mismo Plano

Se pueden considerar dos opciones:
. Primera Opcin: Usar La Funcin plot().

La funcin se puede usar mediante la sintaxis:
plot(x1 , y1 , x2 , y2 , , xn , yn ),
donde cada par xi y yi son los vectores que representan una funcin.
Anlisis Numrico
uts
73
Ejemplo A.13
Graficar las funciones y = sen(x) y y = sen(x + 3 ) en un mismo plano.
>>
>>
>>
>>
x=linspace(0,2*pi,300);
y=sin(x);
z=sin(x+pi/3);
plot(x,y,r-,x,z,b-),grid on
. Segunda Opcin: Usar la Funcin hold.

La funcin hold permite bloquear (on) o desbloquear (off) la figura actual para que se pueda graficar
mas de una funcin.
Ejemplo A.14
Graficar las funciones y = sen(x) y y = sen(x + 3 ) en un mismo plano.
>> fplot(sin(x),[0,2*pi],r), grid on, hold on
>> fplot(sin(x+pi/3),[0,2*pi],b)
Con ambas opciones la grfica resultante es:
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
Grfica de una Funcin Definida a Trozos

Para dibujar grficas de funciones definidas a trozos, necesitamos utilizar lo que vamos a denominar ndices
o variables lgicas. Para crear estas variables lgicas se pueden utilizar operadores relacionales vistos en la
primera seccin.
uts
Anlisis Numrico
74
Ejemplo A.15
Graficar la funcin
x2
f (x) =
1
x + 2
si x < 0
si 0 x < 1
si x 1
Se debera escribir:
>> x=linspace(-2,3,3000);
>> y=(x.^2).*(x<0)+1.*((0<=x)&(x<1))+(-x+2).*(1<=x);
>> plot(x,y),grid on,title(Funcin definida a trozos)
Con lo que se obtiene:
Funcin definida a trozos
4
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
-1
-2
-1
b) En Coordenadas Polares
Una curva en coordenadas polares es la imagen de la funcin
r = h(), [1 , 2 ]
Un punto de la curva en polares (r0 , 0 ) tiene distancia al origen r0 y el ngulo que forma el vector de posicin del punto con el eje horizontal, medido en sentido positivo, es .
Por lo tanto, la relacin entre las coordenadas polares y las coordenadas paramtricas es

x = r cos()
y = r sen()
Para dibujar una curva en polares con MatLab se utiliza la funcin polar().
Anlisis Numrico
uts
75
Ejemplo A.16
Grficar de r = 2 4 cos(),
Se debera escribir:
>> tetha=linspace(-pi,pi,100);
>> r=2-4*cos(tetha);
>> polar(tetha,r)
A.6
Clculo Simblico
Siempre que se necesite trabajar con objetos o variables simblicos, es necesario usar la funcin syms para
declararlos de antemano. Hay que notar que basta con declararlos solo una nica vez durante toda la sesin
de trabajo.
Se recomienda encarecidamente! que al trabajar con expresiones algebraicas, por favor! no olvide los operadores bsicos, por ejemplo, si desea calcular (4x 5y) (256x 4y), NO estara bien escrito en Matlab lo
siguiente:
>> (4x-5y)*(256x-4y)
La escritura correcta sera:
>> (4*x-5*y)*(256*x-4*y)
Es decir, los coeficientes van seguido del operador multiplicacin (*).
a) Expresiones Algebraicas
Funciones tiles Sobre Expresin Algebraicas

Matlab cuenta con un conjunto funciones que nos facilitan el tratamiento de expresiones algebraicas, entre
ellas encontramos:
. collect(): Rene los trminos iguales.
. expand(): Expande los productos en sumas.
. factor(): Factoriza la expresin (a veces) si el argumento es una funcin simblica. Si se trata de un
nmero proporciona la factorizacin en nmeros primos.
. simplify(): simplifica una expresin mediante la aplicacin de diversas identidades algebraicas.
. simple(): Utiliza diferentes herramientas de simplificacin y selecciona la forma que tiene el menor
nmero de caracteres.
uts
Anlisis Numrico
76
. pretty(): Visualiza la expresin de una manera similar a la utilizada en la escritura habitual.
Ejemplo A.17
Sean A = 2x + 3x2 y y B = 3x2 y4 5x + 4y + 4. Calcule:
2. C = A B
1. C = A + B
3. C = A2 B3
4. C = A B
Se podra escribir:
>>
>>
>>
>>
>>
>>
>>
syms x y
A=2*x+3*x^2*y
B=3*x^2*y^4-5*x+4*y+4
C=expand(A+B)
C=expand(A-B)
C=expand(A^2-B^3)
C=expand(A*B)
Evaluar Una expresin Simblica

Para evaluar solo se necesita usar la funcin subs().
Ejemplo A.18
8
y sustituirla cuando x = 3.
Construya la expresin simblica y = sen(x) + 3x + x+1
Se debera escribir:
>> syms x
>> y=sin(x)+3^x+8/(x+1)
>> subs(y,x,3)
Otra opcin alterna es usando la funcin inline(), es decir,
>> y=inline(sin(x)+3^x+8/(x+1))
>> y(3)
Anlisis Numrico
uts
77
b) Solucin de Ecuaciones Polinomicas y Sistemas de Ecuaciones Lineales

La funcin que nos permite resolver tanto Ecuaciones Polinomicas como Sistemas de Ecuaciones Lineales
es la funcin solve().
Veamos su uso mediante los siguientes ejemplos.
Ejemplo A.19
Determine las races de la ecuacin 4x5 7x2 2x 5 = 0.
Se podra escribir as:
>> solve(4*x^5-7*x^2-2*x-5)
o tambin as:
>> solve(4*x^5-7*x^2-2*x-5=0)
Ejemplo A.20
Resolver el sistema de ecuaciones lineales:
x + 4y z = 6
2x + 2y 14z = 36
x + 8y + 4z = 29
>> [x,y,z]=solve(x+4*y-z=6,2*x+2*y-14*z=-36,x+8*y+4*z=29)
Otra forma alterna de resolver el sistema sera mediante la funcin linsolve(). Para usarla se debe
escribir el sistema en su forma matricial, es decir, A X = B, en donde A representa la matriz de
coeficientes del sistema, B representa el vector de resultados y X representa el vector de incgnitas.
Resolvamos el sistema anterior usando la funcin linsolve():
>> A=[1 4 -1; 2 2 -14; 1 8 4]
>> B=[6; -36; 29]
>> X=linsolve(A,B)
uts
Anlisis Numrico
78
c) Clculo de Lmites
La funcin indicada para calcular todo tipo de limite en Matlab es limit().
Vase el siguiente ejemplo.
Ejemplo A.21
Calcule los siguientes lmites:
1. lim
x0
sen(x)
x
2. lim ln(x)
x0+
3. lim
x2
x2 4
x2
4. lim ex
x+
5. lim
1
x

>>
>>
>>
>>
>>
>>
syms x
limit(sin(x)/x,x,0)
limit(log(x)/x,x,0,right)
limit((x^2-4)/(x-2),x,2,left)
limit(exp(-x),x,inf)
limit(1/x,x,-inf)
d) Clculo de Derivadas
La funcin indicada para calcular derivadas en Matlab es diff().
Ejemplo A.22
Sea f (x) = cos(4x2 + 5). Calcule: a) f 0 (x) b) f (3) (x)
En Matlab se podra escribir as:
>> syms x
>> diff(sin(4*x.^2+5))
>> diff(sin(4*x.^2+5),3)
Anlisis Numrico
uts
79
d) Clculo de Integrales
La funcin indicada para calcular integrales en Matlab es int().
Ejemplo A.23
Calcule las siguientes integrales:
1.
cos(x) dx
2.
Z 2 x
e
1
dx
x
3.
Z +
ex dx
4.
Z 1
sec3 x dx

>>
>>
>>
>>
>>
A.7
syms x
int(cos(x))
eval(int(exp(sqrt(x))/sqrt(x),x,1,2))
eval(int(exp(-x),x,0,inf))
eval(int((sec(x))^3,x,0,1))
Programacin en Matlab
Esta es una introduccin a la programacin de scripts y funciones en Matlab. El primer interrogante que
puede surgir es qu es un script?. Este trmino ingls significa: escrito, guin, nota; el trmino guin es el
que ms se utiliza en las traducciones al espaol.
Recordemos que en Matlab trabajamos sobre el Workspace que es la ventana inicial donde ingresamos comandos y los ejecutamos directamente. Frecuentemente una serie de comandos debe ser ejecutada varias
veces durante una misma sesin, para evitarnos el trabajo de ingresarlos continuamente existen los scripts.
El Editor de Funciones y Scripts

Las funciones y scripts no son ms que archivos de texto ASCII, con la extensin *.m, que contienen definicin de funciones o conjuntos de comandos respectivamente.
El editor permite tanto crear y modificar estos archivos, como ejecutarlos paso a paso para ver si contienen errores (proceso de Debug o depuracin, eliminar errores al programa). Tambin Matlab permite
que utilicemos cualquier editor (edit de DOS, Word, Notepad, etc.), ya que los archivos son slo de texto.
El siguiente grfico muestra la ventana principal del Editor/Debugger.
uts
Anlisis Numrico
80
Por ltimo contestamos a las siguientes preguntas:

Cmo accedemos al editor?
. Desde el Workspace: edit.
. Desde la barra de Men: File -> New -> M-file.
Cmo se ejecuta un script?

Sencillamente se debe introducir su nombre en la lnea de comandos o mediante el editor.
Cmo se ejecuta una funcin?
De igual manera que un script pero sus argumentos deben pasarse entre parntesis y separados por coma.
Ejemplo: mi_funcion(arg1, arg2, ..., argn)
Cmo se programa en Matlab?
La respuesta a esta pregunta no es sencilla, la responderemos en varios pasos. Sepamos algunas cosas respecto a las variables y sentencias fundamentales que podemos usar en nuestros programas.
Anlisis Numrico
uts
81
Variable: una variable est formada por un espacio en el sistema de almacenaje (memoria principal de un
ordenador) y un nombre simblico (un identificador) que est asociado a dicho espacio. Ese espacio contiene una cantidad o informacin conocida o desconocida, es decir un valor.
Por ejemplo, en Matlab cuando se escribe V=5, indica que nuestra letra V, se convierte en una variable que
ha almacenado una cantidad de 5.
En programacin es frecuente usar muchas variables, estas nos permiten crear grandes scripts y funciones,
que son de gran utilidad.
A continuacin las sentencias fundamentales: IF, SWITCH, FOR y WHILE.
a) Sentencia de Control IF
En su forma ms simple, la sentencia if se describe como sigue:
if condicin
sentencias
end
Observe que la condicin no va encerrada entre parntesis.
Existe tambin la bifurcacin mltiple, en la que pueden concatenarse tantas condiciones como se desee, y
que tiene la forma:
if condicin_1
bloque1
elseif condicin_2
bloque 2
elseif condicin_3
bloque 3
.
.
.
elseif condicin_n
bloque n
else
bloque por defecto
end
Nota: El uso de else es opcional. Se como opcin por defecto para cuando no se cumplan las dems condiciones.
uts
Anlisis Numrico
82
b) Sentencia de Control SWITCH

Esta sentencia realiza la funcin anloga a un conjunto if...elseif concatenados. Su forma general es:
switch variable
case expr_1,
bloque 1
case {expr_2, expr_3, expr_4, ...},
bloque 2
.
.
.
otherwise,
bloque por defecto
end
Nota: Al igual que con else, el uso de otherwise es opcional.
Al principio se evala la variable, cuyo resultado debe ser un nmero escalar o una cadena de caracteres.
Este resultado se compara con las expr_n, y se ejecuta el bloque de sentencias que corresponda con ese resultado. Si ninguno es igual a variable se ejecutan las sentencias correspondientes a otherwise (que significa
de otra manera). Es posible poner varias expr_i dentro de llaves, como se ve arriba.
c) Sentencia de Repeticin FOR

La sentencia for repite un conjunto de sentencias un nmero predeterminado de veces. La siguiente construccin ejecuta sentencias con valores de i de 1 a n, variando en uno:
for i=1:n
sentencias
end
Para for anidados:
for i=1:n
for j=1:m
sentencias
end
end
d) Sentencia de Repeticin WHILE

La sintaxis de la sentencia while es la siguiente.
while condicin
sentencias
end
Anlisis Numrico
uts
83
En donde condicin puede ser una expresin vectorial o matricial. Las sentencias se siguen ejecutando
mientras haya elementos distintos de cero en condicin, es decir, mientras haya algn o algunos elementos
true. El bucle termina cuando todos los elementos de condicin son false (es decir, cero).
e) Creacin de Funciones y Scripts

.
Funciones
Las funciones permiten definir funciones enteramente anlogas a las de Matlab, con su nombre, sus
argumentos y sus valores de salida.
Toda funcin en Matlab debe tener la siguiente sintaxis:
function [valores de salida]=nombrefuncion(argumentos de entrada)
.
. Cuerpo de la funcin
.
end
Es posible escribir comentarios dentro de una funcin mediante el smbolo %. Para usarlo basta con
escribir el smbolo y a continuacin es escribir el comentario que se desee. Por ejemplo, Dentro de
alguna funcin podra escribirse:
% La variable X, almacena la cantidad de aos de la persona.
Se recomienda encarecidamente! guardar la funcin con el mismo nombre que se le asigno dentro del
editor, de lo contrario Matlab no podr ejecutarla.
A continuacin una serie de ejemplos de funciones:
Ejemplo A.24
Crear una funcin que permita calcular el rea superficial de una caja rectangular.
function [as] = AreaSuperficialCaja(x,y,z)
as=2*x*y+2*x*z+2*y*z;
end
Para ejecutar la funcin, se debera escribir por ejemplo:
>> AreaSuperficialCaja(3,4,7)
uts
Anlisis Numrico
84
Ejemplo A.25
Crear una funcin que permita decidir el mayor entre dos nmeros.
function [m] = mayor(a,b)
if a>b
m=a;
elseif b>a
m=b;
else
m=a;
end
end
>> mayor(3,5)
Ejemplo A.26
Crear una funcin que permita definir el modelo matemtico:
3
ym =
2x + 1
x
e
si x = 1
si x = 2, 3, 4
si otro x
La funcin sera:
function [ r ] = ym(x)
switch x
case 1,
r=3;
case {2,3,4},
r=2*x+1;
otherwise
r=exp(x);
end
end
>> ym(3)
Anlisis Numrico
uts
85
Ejemplo A.27
Crear una funcin a la que se le ingrese un nmero real cualquiera y sta calcule la suma de los valores
absolutos de la funcin seno obtenidos recursivamente, hasta que dicha suma sea mayor que 2 y que
retorne dicha suma.
Por ejemplo, sea x0 = 5, entonces
x1 = |seno(5)| = 0.9589
x2 = |seno(0.9589)| = 0.8186
x3 = |seno(0.8186)| = 0.7302
ahora,
suma=x1 + x2 + x3 = 0.9589 + 0.8186 + 0.7302 = 2.5077 > 2
La funcin debera retornar: 2.5077.
La funcin sera:
function [suma] = SumaMenorqueDos(x)
suma=0;
while(suma<=2)
x=abs(sin(x));
suma=suma+x;
end
end
>> SumaMenorqueDos(5)
Scripts
A diferencia de las funciones, los scripts no requieren de una sintaxis especifica, sino de un conjunto
de ordenes con una secuencia lgica.
Al igual que a la funcin, al script tambin se le puede agregar comentarios mediante el smbolo %.
A continuacin vanse los dos ejemplos.
uts
Anlisis Numrico
87
Ejemplo A.28
Crear un script que pida indefinidamente un nmero distinto de cero, que vaya sumando todos estos
nmeros hasta que se ingrese el cero. Luego muestre dicha suma acumulada.
x=input(Ingrese numero: );
suma=0;
while(x~=0)
suma=suma+x;
x=input(Ingrese numero: );
end
disp(La suma es: ); suma
Para ejecutar el script, primero se debe guardar, en este caso se llamar SumaAcumulada.m, luego se
debera escribir en la linea de ordenes:
>> SumaAcumulada
Ejemplo A.29
Crear un script que calcule la suma de todos los cuadrados de los nmeros impares entre dos nmeros
naturales distintos dados y luego la muestre.
x=input(Ingrese primer numero: );
y=input(Ingrese segundo numero: );
suma=0;
for i=x:1:y
if mod(i,2)==1
suma=suma+i^2;
end
end
disp(La suma es: ); suma
Para ejecutar el script, primero se debe guardar, en este caso se llamar SumaCuadrados.m, luego se
debera escribir en la linea de ordenes:
>> SumaCuadrados
uts
Anlisis Numrico
Bibliografa
[1] Steven Chapra, 2007. Mtodos Numricos Para Ingenieros, McGraw Hill, 5ta Edicin.
[2] Neptal Franco, 2008. Gua de Estudio para la Unidad Curricular Matemtica V , Universidad Nacional Experimental Francisco de Miranda.
[3] Jorge Velsquez Z, 2007. Anlisis Numrico: Notas de Clase, Ediciones Uninorte, 1ra Edicin.
[4] Carlos J. Pes R, 2013. Estndar IEEE 754, http://www.carlospes.com/curso_representacion_datos/
06_01_estandar_ieee_754.php.
[5] Ivn F. Asmar Ch, 1999. Mtodos Numricos, Un Primer Curso, http://unalmed.edu.co/ ifasmar/libro.html.
[6] Carlos
A.
Alvarez
H.,
Fernando
Ceballos,
2006.
Anlisis
http://aprendeenlinea.udea.edu.co/lms/moodle/course/view.php?id=229.
Anlisis Numrico
Numrico,
uts

Apuntes Analisis Num Estudiantes

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apuntes Analisis Num Estudiantes

Enviado por

Direitos autorais:

Formatos disponíveis

APUNTES DE ANLISIS NUMRICO.

Prof. Alberto Angarita.

P(x) = P1 (x) P2 (x) P3 (x) Pn (x)

Errores Y Representacin en Punto Flotante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

Aproximacin numrica y teora de errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

Representacin En Punto Flotante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

Estndar IEEE 754 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Solucin de Ecuaciones No Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Introducin a la Solucin de Ecuaciones No Lineales En Una Variable . . . . . . . . . . . . . . . . . . . . 16

Mtodos de Solucin de Ecuaciones No Lineales En Una Variable . . . . . . . . . . . . . . . . . . . . . . . 17

Mtodo de la Falsa Posicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

Mtodo de Punto fijo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

Interpolacin y Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

Polinomio Interpolante de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

Polinomio Interpolante de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Interpolacin Segmentaria: Trazadores Cbicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Ajuste de Curvas por Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Mnimos Cuadrados y Anlisis de Regresin Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Linealizacin de Relaciones No Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

Diferenciacin e Integracin Numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Frmulas de Exactitud Para La Primera Derivada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Ecuaciones Diferenciales Ordinarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Mtodo de Runge-Kutta de Cuarto Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

Generalidades del Entorno de Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Constantes y Operadores Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

Aproximacin numrica y teora de errores

Errores Y Representacin en Punto Flotante

El concepto de cifras significativas se ha desarrollado para designar formalmente la confiabilidad de un

Errores Y Representacin en Punto Flotante

Reglas de operaciones con cifras significativas.

a 4 cifras significativas tenemos 0.7777.

Errores Y Representacin en Punto Flotante

a 4 cifras significativas tenemos 0.7778.

Representacin En Punto Flotante

Estndar IEEE 754

Errores Y Representacin en Punto Flotante

1. Convertir 3E40000016 a base 2:

2. Obtener los bits del signo, de la mantisa y del exponente:

3. Pasar el exponente a base 10:

Errores Y Representacin en Punto Flotante

y, a continuacin, la parte fraccionaria:

Ejemplo 1.8 (Continuacin).

6. Representar el nmero en hexadecimal:

Errores Y Representacin en Punto Flotante

Ejemplo 1.9 (Continuacin).

Introducin a la Solucin de Ecuaciones No Lineales En Una Variable

Si m = 1, la raz se dice que es simple.

Mtodos de Solucin de Ecuaciones No Lineales En Una Variable

Solucin de Ecuaciones No Lineales

Representacin Grfica del Mtodo de Biseccin

f (x3 ) = f (1.5) = 0.1823

Ejemplo 2.2 (Continuacin).

f (x4 ) = f (1.25) = 0.0634

f (x5 ) = f (1.375) = 0.0656

Solucin de Ecuaciones No Lineales

Mtodo de la Falsa Posicin

Representacin Grfica del Mtodo de La Falsa Posicin.

Un modo prctico para implementar el mtodo puede ser:

3. Evaluar f (xr ). Forzosamente debemos caer en uno de los siguientes casos:

Evaluar dicha aproximacin en la funcin para verificar si es raz

Evaluar dicha aproximacin en la funcin para verificar si es raz

Solucin de Ecuaciones No Lineales

Ejemplo 2.3 (Continuacin).

Evaluar dicha aproximacin en la funcin para verificar si es raz