Análisis - Numérico Benalcázar

Serie de Matemtica Universitaria
ANLISIS NUMRICO
Hernn Benalczar Gmez
Anlisis Numrico
Quito, noviembre del 2007
Dedicatoria
A mi esposa y a mi hijo.
A mis padres, siempre presentes apoyndome en todos mis proyectos.
ii
Introduccin
El anlisis numrico es una parte de la matemtica y tiene su crecimiento a partir de la dcada de los
cuarenta del siglo pasado, crecimiento que va junto con el de los computadores. Se desarrolla en base a las
necesidades de resolver problemas complejos que surgen en las ingenieras, las ciencias fsicas, qumicas,
biolgicas, la economa y ciencias sociales, en la industria. En la actualidad, el anlisis numrico es parte
de la malla curricular de la mayor parte de las carreras de ingeniera y de ciencias fundamentales, y se
constituye en la base para la generacin de mtodos de simulacin asistido por computadora ampliamente
utilizados en el sector industrial, y ltimamente en el ambiental y climtico. Los pases desarrolados son
los que han dado mayor importancia al anlisis numrico y a la simulacin numrica; en nuestro pas es
muy poco lo que se hace en matemtica y particularmente en anlisis numrico.
Este libro es una introduccin al anlisis numrico. Est destinado a los estudiantes de segundo o tercer
aos de la carreras de ingeniera y en especial de informtica, computacin grca, de diseo industrial,
mecnica, electrnica, qumica y muy particularmente a los estudiantes de ingeniera matemtica de
las Escuelas de Ciencias, a los estudiantes de las maestras en docencia matemtica, estadstica y
optimizacin, entre otras, a matemticos e ingenieros interesados en aplicaciones del anlisis matemtico,
del lgebra lineal y de las ecuaciones diferenciales ordinarias. Est basado en las notas que el autor ha
impartido en cursos de pregrado y posgrado en varias Universidades y Escuelas Politcnicas del Ecuador.
Los requisitos para el estudio de este libro son los cursos de anlisis matemtico I y II, de lgebra lineal,
como los que se dictan en las Escuelas de Ciencias. Ms exactamente se requiere del conocimiento de
resultados fundamentales del clculo diferencial e integral de funciones en una y en varias variables, de
las sucesiones y series numricas, de las sucesiones y series de funciones, de algunos tipos de ecuaciones
diferenciales ordinarias de primer orden, y del lado del lgebra lineal, se requiere de conocimientos bsicos
de los espacios vectoriales, las aplicaciones lineales y matrices, de los sistemas de ecuaciones lineales, de
diagonalizacin de matrices.
El texto contiene once captulos y un apndice, cada uno de ellos est dividido en secciones y subsecciones.
Al inicio de cada captulo se presenta el resumen del mismo. Contiene ejemplos y ejercicios resueltos
algunos de ellos originales, y una gran cantidad de ejecicios propuestos, una parte de ellos originales,
lo que enriquece el material que se ofrece al estudiante. Los resultados numricos que se presentan en
cada uno de los captulos, en unos casos se han obtenido simplemente con una calculadora de bolsillo, y
en otros donde el caso lo amerita, se han elaborado programas en Fortran 77 que han sido corridos en
una mquina Pentium V. Ms an, todos los algoritmos propuestos han sido debidamente vericados.
Adems, en algunos temas y ejercicios se forza al estudiante a que realice sus propios programas y se
vuelva un productor de software, ms no un consumidor. Al nal del captulo se muestra una amplia
bibliografa que van de textos muy elementales a textos muy avanzados y que pueden ser tiles sobre todo
para los estudiantes de maestras que preparan tesis de graduacin, como tambin para que el estudiante
de pregrado pueda disponer de otros enfoques que ofrecen muchos libros importantes de anlisis numrico
que se han publicado.
El primer captulo est destinado a introducir el lenguaje del anlisis numrico y a iniciar en el clculo
aproximado. Se comienza con los elementos del clculo numrico y de los algoritmos. A continuacin
se muestran algunos ejemplos de algoritmos y de resolucin numrica de problemas elementales. Se
iii
iv
consideran los sistemas de numeracin que permiten explicar la representacin en punto jo y en punto
otante. Se estudian los tipos de errores, particularmente los de redondeo, de aproximacin (truncamiento
y discretizacin) y la propagacin de los mismos. Se introducen las nociones de condicionamiento,
estabilidad numrica.
En el segundo captulo se tratan tres tipos de problemas: la interpolacin polinomial, la derivacin y la
integracin numricas. Todos estos son tratados en el mbito de los espacios duales, es decir como formas
lineales denidas en apropiados espacios vectoriales. Se trata el problema de la existencia del polinomio de
interpolacin de Lagrange, el error de interpolacin. A continuacin se estudia la aproximacin numrica
de derivadas de primero y segundo orden as como de derivadas parciales. Luego, se pasa al estudio de
mtodos numricos de integracin de funciones de una sola variable, y la aplicacin de estos al clculo
de integrales dobles.
El captulo tres est destinado al clculo aproximado de series de funciones. Para el efecto, se inicia con
una revisin de resultados de las series numricas y de funciones. Se presta mayor atencin a las series de
potencias y particularmente a las series de Taylor y su aproximacin numrica. Se elaboran algoritmos de
las funciones trascendentes ms importantes como son las trigonomtricas, logaritmo y exponencial, los
mismos que son las bases de los algoritmos utilizados en calculadoras de bolsillo y los implementados en
los lenguajes de programacin como por ejemplo C, C++, Fortran, Delphi, etc. Posteriormente se trata
la integracin de funciones representadas como series de potencias y se dan aplicaciones. La aproximacin
de series de Fourier se trata en el captulo noveno.
En el captulo cuarto se da respuesta a una pregunta simple: cmo se elaboran las tablas de las funciones
de distribucin de probabilidades? Se consideran las funciones de probabilidad discretas y continuas.
Dentro de las discretas se tratan la binomial y de Poisson. De las continuas se consideran las funciones de
distribucin tipos gama y beta, normal i cuadrada; t de Student, de Snedekor. Se elaboran algoritmos
de cada una de ellas que pueden ser implementados fcilmente en los programas de simulacin. Es
importante precisar que en muchos textos, sobre todo de mtodos de perturbacin, se aborda la funcin
error y su aproximacin mediante mtodos asimptticos; esta funcin es muy similar a la funcin de
distribucin normal, igualmente se tratan las funciones gama y beta de Euler. En esos textos, para
estas funciones no se dan algoritmos completos de aproximacin. De las otras funciones continuas de
distribucin arriba citadas, se ha encontrado escasamente algunos resultados, por lo que el material que
aqu se presenta no se ha hallado, al menos en los libros citados en la bibliografa.
El captulo quinto est destinado al clculo aproximado de races de ecuaciones. Se inicia con la
aplicacin del teorema de Bolzano a la bsqueda del cambio de signo as como el mtodo de biseccin. A
continuacin, basado en el teorema de Banach del punto jo se construyen aplicaciones contractivas que
estn relacionadas con las ecuaciones propuestas y desarrollan algunos mtodos de aproximacin clsicos.
Se trata la convergencia de estos mtodos as como dos mtodos de aceleracin de la convergencia. Se
concluye con el estudio de las races de polinomios.
Los sistemas de ecuaciones lineales son el objeto del captulo sexto. Se presentan algunos ejemplos que
originan sistemas de ecuaciones lineales, posteriormente se trata los problemas con sistemas de ecuaciones
lineales. Para la seleccin del mtodo numrico es importante tener un conocimiento preciso de las
caractersticas de la matriz del sistema, es por esto que se presta atencin al estudio de algunos tipos
de matrices. Luego se focaliza el trabajo en los mtodos clsicos de resolucin de sistemas de ecuaciones
lineales como son: eliminacin gaussiana, factorizacin LU de Crout, factorizacin LT L de Choleski. Estos
mtodos se adaptan particularmente a las matrices tridiagonales. Se concluye con la resolucin en norma
mnima de sistemas de ecuaciones lineales que tienen una innidad de soluciones.
En el captulo sptimo se tratan mtodos iterativos de resolucin de sistemas de ecuaciones lineales y no
lineales. Se consideran primero los sistemas de ecuaciones no lineales. Para el efecto, se revisan algunos
resultados de la diferencial de Frchet y se vuelve a considerar el teorema de Banach del punto jo,
a continuacin se trata el mtodo de Newton. Posteriormente, se tratan los mtodos de resolucin de
sistemas de ecuaciones lineales, a saber: el mtodo de Jacobi, Gauss-Seidel y SOR.
El captulo octavo est destinado al clculo de los valores y vectores propios. Se inicia con la revisin
de algunos resultados fundamentales. Luego se considera la aplicacin de los valores y vectores propios
v
a las cnicas. Por simplicidad, se considera el clculo de los valores y vectores propios de matrices reales
de 3 3: Se considera el mtodo de la potencia para el clculo del mayor valor propio de una matriz
diagonalizable.
Los problemas de mnimos cuadrados se abordan en el captulo noveno. Se inicia con la resolucin de
sistemas de ecuaciones lineales en mnimos cuadrados. A continuacin se trata el mtodo de Householder
que constituye uno de los mtodos ms importantes para la resolucin de sistemas de ecuaciones lineales
en mnimos cuadrados as como para el clculo de vectores propios. Posteriormente se ja la atencin
en los problemas de ajuste de datos para varios tipos de problemas. Se concluye con los problemas de
mnimos cuadrados continuos, particularmente la aproximacin numrica de series de Fourier.
En el captulo dcimo se da una breve introduccin hacia la teora de los splines. Bsicamente se abordan
los splines cbicos de interpolacin y los B-Splines.
Los mtodos numricos para calcular soluciones aproximadas de ecuaciones diferenciales ordinarias tienen
lugar en el captulo dcimo primero. Se abordan dos clases de problemas: los de Cauchy de valor inicial
y los de valores en la frontera. Para la primera clase de problemas se consideran los mtodos de Euler
explcitos e implcitos, el mtodo implcito de Crank-Nicolson, todos estos se hallan en la mayor parte
de los textos citados en la bibliografa, que no es el caso del mtodo de Petrov-Galerkin que aqu es
tratado. Este mtodo se aplica fundamentalmente a problemas de valores en la frontera y se encuentra
en textos muy especializados. Se preri incluir el mtodo de Petrov-Galerkin y no los ampliamente
conocidos mtodos de Runge-Kutta, pus estos se los encuentra en la mayor parte de libros de ecuaciones
diferenciales y anlisis numrico. En la segunda clase de problemas se consideran ecuaciones diferenciales
de segundo orden con condiciones de frontera de Dirichlet homogneas y no homgneas, de Neumann
homogneas y no homogneas, y mixtas. Todos estos problemas se aproximan con el mtodo de diferencias
nitas. Se concluye con la resolucin numrica de un problema no lineal.
Se ha suministrado un apndice que contiene bsicamente una breve revisin de los resultados ms
importantes de los espacios vectoriales y algunos ejemplos, y, una revisin de los espacios normados y de
los espacios con producto interior.
Al escribir este libro se busc un equilibrio entre abstraccin, practicidad, popularidad, simplicidad,
novedad, actualidad de mtodos de clculo, lo que condujo a no incluir algunos temas que se consider
muy complejos y surgieron algunas preguntas: por qu no se trat tal o cual tema? por qu unos
temas tuvieron mayor atencin que otros posiblemente ms importantes? Cmo juzgar que temas son
trascendentales para un pblico tan variado? La nueva versin de este libro est ya preparada, se dar
mayor atencin a temas, que en un principio se consider muy complejos pero que luego se vi la necesidad
de tratarlos, como los siguientes: resolucin de sistemas de ecuaciones lineales con los mtodos Minres y
Gmres, problemas no lineales de ajuste de datos dependientes de varios parmetros, mtodo de integracin
de Gauss, mtodo de Householder para el clculo de valores y vectores propios, ampliacin de la teora
de splines, resultados de existencia de ecuaciones diferenciales ordinarias y convergencia de los mtodos
propuestos as como los muy populares mtodos de Runge-Kutta. Todos estos temas tendrn tambin
una ampliacin de ejemplos.
Mucho agradecer se me comunique de posibles errores tipogrcos y deslices, que por cierto son
infaltables a pesar del esfuerzo en controlarlos y eliminarlos.
Mi agradecimiento al seor Darwin Polivio Narvez Vicente que muy responsablemente colabor y mostr
mucha capacidad y profesionalismo en el levantamiento del texto.
.
Profesor de la Escuela de Ciencias
vi
ndice general
1. Clculo aproximado, algoritmos, errores
1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Clculo numrico. Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Ejemplos de algoritmos y problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1. Operaciones elementales con vectores y matrices. Aplicaciones . . . . . . . . . . . .
1.3.2. Clculo con funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.4. Sistemas de Numeracin.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
1.4.1. Conversin de binario a decimal y viceversa. . . . . . . . . . . . . . . . . . . . . . .
26
1.4.2. Conversin de decimal a cualquier base y viceversa . . . . . . . . . . . . . . . . . .
30
1.5. Representacin en punto otante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
1.6. Tipos de Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
1.7. Errores de redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
1.8. Aritmtica de punto otante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
1.9. Condicionamiento de funciones reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
1.9.1. Condicionamiento de funciones reales de una sola variable. . . . . . . . . . . . . . .
43
1.9.2. Condicionamiento de funciones reales en varias variables . . . . . . . . . . . . . . .
46
1.10. Propagacin de los errores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
1.11. Estabilidad numrica. Convergencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
1.12. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
1.13. Lecturas complementarias y bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
2. Interpolacin polinomial, derivacin e integracin numrica
77
2.1. Espacios duales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
2.2. Interpolacin polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
2.3. Operadores de diferencias nitas y derivacin numrica . . . . . . . . . . . . . . . . . . . .
92
2.3.1. Aproximacin de derivadas de funciones reales como formas lineales . . . . . . . .
97
2.3.2. Aproximacin numrica de derivadas parciales primeras, segundas y laplaciano . .
98
2.4. Integracin numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

vii
viii
NDICE GENERAL
2.4.1. Frmula de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.5. Regla de los trapecios generalizada. Estimacin del error . . . . . . . . . . . . . . . . . . . 104

2.6. Regla de Simpson generalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
2.7. Estimacin del error en la regla de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . 110
2.8. Integrales dobles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
2.10. Lecturas complementarias y bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
3. Aproximacin de series de funciones. Aplicaciones.
131
3.1. Resultados fundamentales de series numricas convergentes. . . . . . . . . . . . . . . . . . 131

3.1.1. Series numricas convergentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.1.2. Criterios de convergencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.1.3. Clculo aproximado de series numricas. . . . . . . . . . . . . . . . . . . . . . . . . 138
3.2. Sucesiones y series de funciones. Convergencia puntual y uniforme. . . . . . . . . . . . . . 140
3.2.1. Sucesiones de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
3.2.2. Series de funciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
3.3. Series de potencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.3.1. Series de potencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.3.2. Series de Taylor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
3.4. Aproximacin numrica de series de potencias. . . . . . . . . . . . . . . . . . . . . . . . . 158
3.5. Aproximacin de las funciones trigonomtricas . . . . . . . . . . . . . . . . . . . . . . . . 163
3.6. Aproximacin de exp(x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
3.7. Aproximacin de ln(x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
3.8. Integracin de funciones de clase C 1 (R) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
3.9. Funcin error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
3.10. Aproximacin numrica de una integral elptica . . . . . . . . . . . . . . . . . . . . . . . . 180
3.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
4. Aproximacin de algunas funciones de distribucin de probabilidad.
189
4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189

4.2. La distribucin de probabilidad binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
4.3. Distribucin de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
4.4. Funcin gama de Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
4.4.1. Denicin de
(p) para p < 0 y no entero . . . . . . . . . . . . . . . . . . . . . . . 197
NDICE GENERAL
ix
4.5. Aproximacin numrica de (p): . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

4.6. Distribucin de probabilidad de tipo gama . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
4.7. Funcin beta. Aproximacin de la funcin beta B(p; q), p > 0, q > 0: . . . . . . . . . . . 206
4.8. Distribucin beta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
4.9. Distribucin normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
4.10. Distribucin i- cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
4.11. Distribucin t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
4.12. Distribucin F (de Snedekor) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
4.13. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
5. Resolucin Numrica de Ecuaciones no Lineales
237
5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

5.2. Separacin de las races. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
5.3. Mtodo de biseccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
5.4. Desarrollo de mtodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
5.4.1. Mtodo de punto jo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
5.4.2. Mtodo de punto jo modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
5.4.3. Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
5.4.4. Mtodo de Newton modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
5.4.5. Mtodo de las secantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
5.4.6. Mtodo regula-falsi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
5.5. Convergencia. Convergencia acelerada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
5.6. Races de multiplicidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
5.7. Races reales de polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306

5.7.1. Fronteras superior e inferior de las races de la ecuacin P (x) = 0 . . . . . . . . . 308
5.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
6. Resolucin numrica de sistemas de ecuaciones lineales
319
6.1. Problemas que conducen a la resolucin de sistemas de ecuaciones lineales. . . . . . . . . . 319

6.1.1. Problemas de mnimos cuadrados discreto. . . . . . . . . . . . . . . . . . . . . . . . 320
6.1.2. Aproximacin de un problema de valores de frontera. . . . . . . . . . . . . . . . . . 321
6.1.3. Trazado de una curva suave a partir de observaciones experimentales. . . . . . . . 322
6.2. Problemas con sistemas de ecuaciones lineales. . . . . . . . . . . . . . . . . . . . . . . . . 325
NDICE GENERAL
6.3. Algunos tipos de matrices importantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
6.3.1. Matrices simtricas denidas positivas. . . . . . . . . . . . . . . . . . . . . . . . . . 329
6.3.2. Matrices montonas y diagonalmente dominantes. . . . . . . . . . . . . . . . . . . 331
6.3.3. Matsrices normales y ortogonales.
. . . . . . . . . . . . . . . . . . . . . . . . . . . 334
6.4. Mtodos directos de resolucin de sistemas de ecuaciones lineales. . . . . . . . . . . . . . . 338

6.4.1. Sistemas de ecuaciones lineales triangulares superiores e inferiores. . . . . . . . . . 339
6.5. Operaciones elementales con matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345
6.6. Mtodo de eliminacin gaussiana. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
6.6.1. Eliminacin gaussiana sin pivoting. . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
6.6.2. Eliminacin gaussiana con pivoting. . . . . . . . . . . . . . . . . . . . . . . . . . . 354
6.6.3. Clculo de la matriz inversa A
y del determinante de la matriz A. . . . . . . . . 363
6.7. Mtodo de Choleski. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365

6.8. Mtodo de Crout. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
6.9. Sistemas de ecuaciones lineales con matrices tridiagonales. . . . . . . . . . . . . . . . . . . 377
6.10. Resolucin de un sistema de ecuaciones lineales en norma mnima. . . . . . . . . . . . . . 390
6.11. Condicionamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
6.12. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
7. Mtodos iterativos
405
7.1. Diferencial de Frchet. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405

7.2. Aplicaciones contractivas y lipschisianas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 410
7.3. Resolucin numrica de sistemas de ecuaciones no lineales . . . . . . . . . . . . . . . . . . 413
7.4. Mtodos iterativos de resolucin de sistemas de ecuaciones lineales . . . . . . . . . . . . . 418
7.4.1. Mtodos de Jacobi y Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . 418
7.4.2. Mtodo SOR (Successive Over-Relaxation) . . . . . . . . . . . . . . . . . . . . . . 421
7.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
8. Valores y Vectores Propios
433
8.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433

8.2. Formas cuadrticas y ecuaciones cuadrticas en R2 : . . . . . . . . . . . . . . . . . . . . . . 436
8.3. Valores y vectores propios de matrices de 3
3 . . . . . . . . . . . . . . . . . . . . . . . . 446
8.4. Mtodo de las Potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449

8.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453
NDICE GENERAL
xi
9. Mnimos Cuadrados
457
9.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 457

9.2. Soluciones de sistemas de ecuaciones lineales en mnimos cuadrados. . . . . . . . . . . . . 460
9.3. Mtodo de Householder y mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . 464
9.3.1. Nmero de operaciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
9.4. Ajuste de datos polinomial
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478
9.4.1. Ajuste de datos con polinomios de grado 1. . . . . . . . . . . . . . . . . . . . . . . 479

9.4.2. Ajuste polinomial con polinomios de grado 2. . . . . . . . . . . . . . . . . . . . . . 482
9.5. Ajuste de datos con funciones anes de n variables . . . . . . . . . . . . . . . . . . . . . . 485
9.6. Ajuste de datos con funciones dependientes de un parmetro . . . . . . . . . . . . . . . . 491
9.7. Mnimos cuadrados continuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495
9.8. Aproximacin numrica de series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 495
9.8.1. Preliminares
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495
9.8.2. Aproximacin numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 502

9.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 504
10.Splines
509
10.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509

10.2. Espacio de funciones splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
10.3. Interpolacin mediante splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 511
10.3.1. Splines cbicas de interpolacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
10.3.2. Interpolacin con condiciones de frontera de Hermite . . . . . . . . . . . . . . . . . 516
10.3.3. Interpolacin con condiciones de frontera naturales . . . . . . . . . . . . . . . . . . 517
10.3.4. Interpolacin con condiciones de frontera peridicas . . . . . . . . . . . . . . . . . 518
10.4. Splines cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
10.5. B - Splines
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 521
10.5.1. Interpolaciones mediante B-splines cbicas
. . . . . . . . . . . . . . . . . . . . . . 524
10.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 525

11.Mtodos numricos de resolucin de ecuaciones diferenciales ordinarias
527
11.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 527

11.2. El mtodo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 529
11.3. Mtodo de Petrov-Galerkin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 532
xii
NDICE GENERAL
11.4. Mtodo de diferencias nitas para problemas de valores en la frontera 1d. . . . . . . . . . 542
11.4.1. Aspectos informticos del mtodo de diferencias nitas . . . . . . . . . . . . . . . . 544
11.4.2. Consistencia, estabilidad, convergencia . . . . . . . . . . . . . . . . . . . . . . . . . 545
11.4.3. Orden de convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 552
11.4.4. Mtodo de diferencias nitas en mallas no uniformes . . . . . . . . . . . . . . . . . 555
11.5. Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 560
12.Apendice
575
12.1. Espacios vectoriales reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575

12.1.1. Denicin de espacio vectorial. Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . 575
12.1.2. Subespacios vectoriales. Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 581
12.2. Denicin de espacio normado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 584
12.3. Ejemplos de espacios normados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 585
12.3.1. Normas en Rn : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 586
12.3.2. Normas geomtricas de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 590
12.3.3. Normas en el espacio de funciones continuas C ([a; b]) : . . . . . . . . . . . . . . . . 594
12.4. Espacios con producto interno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 596
12.4.1. Ortogonalidad o perpendicularidad. . . . . . . . . . . . . . . . . . . . . . . . . . . 601
Captulo 1
Clculo aproximado, algoritmos, errores

Resumen
En este captulo se realiza un tour corto en los mtodos numricos. Se inicia con la presentacin de una
metodologa para el anlisis de problemas y las soluciones aproximadas, la elaboracin de algoritmos y
algunas nociones de la complejidad de los mismos. A continuacin se presentan ejemplos de algoritmos
simples as como de algunos problemas elementales que se presentan en el mbito del lgebra lineal y del
anlisis matemtico, y, mtodos simples de resolucin numrica. Se hace un corto anlisis de los tipos de
errores. El uso de instrumentos de clculo como son las calculadoras de bosillo y los computadores motivan
el estudio de la representacin en punto otante, los errores de redondeo y la aritmtica en punto otante,
temtica que a su vez requiere del anlisis de los sistemas de numeracin. Luego se realiza un estudio del
condicionamiento de funciones de una y varias variables que est relacionado con la amplicacin de los
errores de redondeo. Particular atencin se pone en las operaciones aritmticas, lo que permite establecer
una jerarqua en las mismas e identicar que operaciones son las peligrosas y bajo que condiciones y
cuales no son peligrosas, lo que constituye una ayuda extremadamente grande cuando se elaboran los
algoritmos de clculo. Mediante algunos ejemplos se analiza el problema de la propagacin de los errores
as como el de la estabilidad numrica.
1.1.
Introduccin
Uno de los objetivos importantes del Anlisis Numrico es la elaboracin de mtodos, procedimientos
de clculo y construccin de algoritmos que con la utilizacin de instrumentos de clculo como las
calculadoras de bolsillo o de instrumentos de clculo mucho ms complejos como los computadores,
que requieren de la elaboracin de programas computacionales, permitan calcular soluciones exactas
o aproximadas de una diversidad de problemas matemticos de modo que con cualesquiera de estos
instrumentos, se deba tener un control sobre los errores cometidos en los clculos y que los resultados
nales sean de calidad.
Por otro lado, los procedimientos de clculo, los algoritmos numricos deben ser, en lo posible, los ms
simples, concisos, de aplicabilidad a una amplia variedad de situaciones. El costo numrico de cada
procedimiento o algoritmo y su programa computacional que se construya debe ser, en lo posible, el ms
pequeo.
La calidad de la solucin de un problema dado depende de muchos factores, entre ellos, de los datos
de entrada que se requieren para la ejecucin del algoritmo, procedimiento o programa computacional
construido, as como de los instrumentos de clculo utilizados, del lenguaje de programacin y de la versin
del mismo. Es claro que la calidad de la solucin depende fuertemente del mtodo numrico empleado
y este a su vez depende de dos componentes importantes: el condicionamiento y la estabilidad; y, para
problemas cuyas soluciones se aproximan mediante sucesiones, dependen a ms de todos los componentes
anteriores, de la convergencia.
1
CAPTULO 1. CLCULO APROXIMADO, ALGORITMOS, ERRORES
En este captulo se tratan algunos elementos de los algoritmos y caractersticas de los programas
computacionales, los tipos de errores comunes en anlisis numrico. Se revisa brevemente los sistemas
de numeracin entre los que se destacan el binario y el decimal, la representacin en punto jo y punto
otante, los errores de redondeo y la aritmtica en punto otante. Se introducen las nociones elementales
de condicionamiento, estabilidad numrica y convergencia que son muy importantes en la construccin
de algoritmos, procedimientos de clculo y de la elaboracin de programas computacionales, y que
constituyen las bases que deben tenerse siempre presentes para el desarrollo de software en el clculo
cientco.
1.2.
Clculo numrico. Algoritmos
Suponemos que un problema (P ) ha sido planteado y que requiere de su resolucin. Tres situaciones se
presentan: la primera en la que la solucin del problema (P ) podemos encontrarlo directamente y no se
requiere del clculo numrico. La segunda en la que la solucin del problema (P ) podemos encontrarlo
directamente y se requiere de la implementacin de un procedimiento de clculo para aproximar la solucin
encontrada. La tercera en la que no es posible encontrar directamente la solucin y se requiere de un
mtodo numrico para aproximar la solucin. Son estas dos ltimas situaciones que nos interesan. Ms
an, en la resolucin numrica de un problema matemtico (P ) se establece la siguiente metodologa.
1. Estudio de la existencia de solucin del problema (P ):
2. Construccin de un mtodo numrico que aproxime la solucin del problema (P ):
3. Elaboracin del respectivo algoritmo o procedimiento de clculo.
4. Elaboracin de un programa o cdigo numrico para el clculo de la solucin aproximada de (P ):
5. Realizacin de pruebas para validar el algoritmo o procedimiento de clculo y el programa
computacional.
Desde el punto de vista prctico, esto es, problemas que surgen en las ciencias y en la industria, la
metodologa presentada se extiende con la calibracin de la solucin y luego viene la implementacin de
la solucin. En este curso daremos nfasis fundamentalmente a los puntos 1), 2), 3) y 5) de la metodologa
precedente.
El punto 4) no lo abordaremos y dejamos al estudiante que elija el lenguaje de programacin que le interese
para la elaboracin de sus propios programas computacionales con los que debe realizar pruebas para
vericar resultados mediante la implementacin del algoritmo as como vericar la correcta elaboracin del
programa computacional; o en su defecto, seleccione el paquete de programas de tipo comercial (Matlab,
Matemtica, etc.) en el que provea la solucin del problema planteado con el algoritmo propuesto. Es
un error gravsimo el modicar el problema planteado (P ) a uno (Pb) cuya solucin est implementado
en el paquete de programas computacionales. Por otro lado, es tambin importante el uso de ciertas
herramientas informticas que ayuden a presentar de mejor manera los resultados y permita comprender
mejor las soluciones, por ejemplo gracadores para presentar grcas de curvas 2d, 3d, supercies, ujos,
generacin de mallas estructuradas y no estructuradas, etc.
El estudio de la existencia de una solucin o soluciones del problema (P ) es muy importante. Pus en l
se deben conocer con precisin las hiptesis con las cuales nuestro problema tiene solucin, y bajo que
condiciones el problema (P ) puede no tener solucin. En muchos casos, en el estudio de existencia de
soluciones se construye el mtodo que conduce a encontrar la solucin de (P ): Si el problema no tiene
solucin, carece de sentido el intentar elaborar un mtodo numrico de solucin.
Debido a que los clculos que se realizan son con nmeros que tienen un nmero nito de cifras decimales,
estos afectan los resultados, por lo que el control de los errores en los clculos es fundamental, es decir,
debemos conocer la precisin con la que obtenemos la solucin numrica del problema (P ). Este es uno
1.2. CLCULO NUMRICO. ALGORITMOS
de los problemas centrales del anlisis numrico y que estn ligados con las nociones de consistencia y
la estabilidad numrica. En el caso en que la solucin de (P ) se calcula como lmite de una sucesin
de soluciones de problemas (P n) ms sencillos a resolver, otro de los problemas centrales del anlisis
numrico es probar o demostrar que las soluciones de esos problemas ms sencillos converge a la solucin
del problema (P ), es decir se debe probar la convergencia del mtodo numrico propuesto. La consistencia,
estabilidad y convergencia se discutirn ms adelante.
Tanto en el estudio de existencia de soluciones como en la elaboracin del mtodo numrico se identican
los datos que se requieren para resolver el problema. Una parte de estos datos los conocemos como datos
de entrada.
Una vez establecido el mtodo numrico, se pasa enseguida a la elaboracin o construccin del algoritmo.
En la denicin siguiente se establece la nocin de algoritmo en su versin la ms simple
Denicin 1 Se llama algoritmo a una sucesin nita de operaciones elementales, que organizada
como pasos o procedimientos, se describen en forma lgica como calcular la solucin de un problema
(P ) de modo ecaz con datos de entrada dados.
Un algoritmo contiene los siguientes elementos:
1. Datos de entrada: que consisten en valores o datos de partida, los cuales son asignados antes de
arrancar la ejecucin del algoritmo. Estos datos permiten inicializar el algoritmo para su ejecucin.
Es necesario vericar la lectura correcta de todos los datos de entrada.
Los datos de entrada dependen obviamente del problema propuesto. Estos pueden ser datos
que pertenecen a distintos conjuntos numricos (enteros, reales, complejos), pueden ser funciones
reales como las trigonomtricas (seno, coseno, tangente y sus inversas), las funciones exponencial,
logartmica, las funciones hiperblicas, polinomios, etc, pueden ser datos vectoriales como son los
elementos de Rn ; pueden ser matrices, etc.
2. Algoritmo o procedimiento: constituye la secuencia de todos los pasos o procedimientos
de clculo que se deben ejecutar. Estos deben ser claros, precisos, lgicos. No se deben tener
ambigedades en la descripcin de esos pasos o procedimientos. Debe considerarse todas las
situaciones posibles que se presenten.
La ejecucin del algoritmo o procedimiento concluye siempre con un nmero nito de pasos.
3. Datos de salida: son una o ms cantidades que tiene una relacin estrecha con los datos de entrada.
Estos resultados estn denidos de manera nica por los pasos del procedimiento o algoritmo.
La escritura de un algoritmo contiene los datos de entrada, los datos de salida, y a continuacin el
procedimiento o la descripcin del mtodo a utilizar que constituye el algoritmo propiamente dicho
que generalmente se lo expresa en pseodocdigo de modo que facilite la escritura de un programa
computacional en cualquier lenguaje de programacin.
Ms adelante se proponen muchos algoritmos que permiten aclarar todas estas ideas.
En el siguiente esquema se muestra la secuencia de estos tres bloques:
Lectura
de datos de entrada
Ejecucin del
Algoritmo
o procedimiento
Escritura de
resultados
:
o datos de salida
En la prctica estos tres bloques no son sucientes para escribir un programa computacional. Un anlisis
ms detallado de estos tres bloques proponemos en el diagrama siguiente:
Lectura de
datos de entrada
Ejecucin
del algoritmo
Validacin de
datos de entrada
Preparacin de datos
de entrada
Preparacin de datos
de salida
Escritura
:
de resultados
En lo posible se busca construir algoritmos que tengan las caractersticas siguientes:

1. Aplicabilidad general: el algoritmo debe funcionar para una clase de problemas lo ms amplia
posible, donde las soluciones de un problema especco de la clase resulten solamente por cambios
en los datos de entrada.
2. Simplicidad: Un algoritmo o procedimiento tiene que ser, en lo posible, simple de programar.
3. Conabilidad y seguridad: el algoritmo no debe ser numricamente costoso. En lo posible,
se debe reducir el nmero de operaciones elementales a ejecutar. Esto evita que se ampliquen
los errores de redondeo, dando resultados ms precisos, y por otro lado, reducen los tiempos de
mquina.
Se debe reducir, en lo posible, el nmero de variables a utilizar. Igualmente, se debe reducir en lo
posible el nmero de subrutinas o bucles a utilizar, as como la repeticin de ciertos clculos.
Se deben efectuar tests o pruebas con datos de entrada los ms variados a n de asegurarse que
el algoritmo est correctamente elaborado y que los resultados son correctos o muy aceptables. Se
buscar, en lo posible, ejemplos que se conozcan las soluciones exactas para compararse con las
soluciones numricas.
En el estudio de un mtodo numrico y consecuentemente de un algoritmo es importante, siempre
que sea posible, determinar el nmero de operaciones elementales que se realizan para obtener
la solucin numrica del problema, el nmero de comparaciones, son menos importantes las
reasignaciones . Entenderemos como operaciones elementales a las operaciones aritmticas como
la suma, resta, multiplicacin, divisin, raz n-sima. Las comparaciones estn vinculadas con las
relaciones de orden menor que <; mayor que >; menor o igual que ; mayor o igual que .
Prestaremos mayor atencin a la determinacin del nmero de operaciones elementales que se
requieren para calcular la solucin numrica mediante un mtodo o procedimiento est relacionado
con la complejidad del algoritmo que anlizamos a continuacin.
Complejidad de algoritmos.
Si para un problema (P ) se conocen varios mtodos y por lo tanto se pueden proporcionar varios
algoritmos, es importante analizar la denominada complejidad del algoritmo. Esta tiene que ver con
dos componentes importantes: uno del punto de vista volumen de memoria necesario del instrumento
o equipo utilizado para el clculo, y otro del punto de vista tiempo de mquina que a su vez est
relacionado con el nmero de operaciones elementales (siempre que haya sido posible obtener) que
se requieren para calcular la solucin. Si se disponen de dos mtodos, cmo juzgar que mtodo es
mejor? bajo que circunstancias un mtodo es mejor que otro?. Para poder dar respuesta a estas
interrograntes debemos estudiar la complejidad de cada algoritmo, esto es, determinar cunto de
memoria se requiere en la ejecucin de cada mtodo, el tiempo de mquina requerido para el clculo
de la solucin con cada mtodo.
Cuando un problema (P ) puede ser resuelto mediante dos mtodos generados por sucesiones de
(1)
(2)
problemas ms simples que los notamos (Pn ) y (Pn ); el estudio de la convergencia de cada mtodo
es importante, esto nos proporcionar un dato que est relacionado con el orden de convergencia,
cul mtodo es mejor?. Para responder a esta interrogante, debemos considerar otro elemento que
es la exactitud de la solucin numrica que a su vez est relacionada con el orden de convergencia.
Desde este punto de vista, el mtodo generado que tenga un orden de convergencia ms alto ser
mejor que el otro, lo que da respuesta a la interrogante.
1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS
1.3.
Ejemplos de algoritmos y problemas
La metodologa arriba propuesta la aplicaremos a algunos ejemplos que proponemos a continuacin. Ms

an, esta seccin est dividida en dos partes: la primera en la que presentamos ejemplos simples de
operaciones elementales con vectores y matrices, y luego dos aplicaciones del producto escalar en R2 , y
la segunda que est destinada a problemas del anlisis matemtico como clculo de valores de funciones
polinomiales, funciones con discontinuidad evitable, derivacin e integracin numrica.
1.3.1.
Operaciones elementales con vectores y matrices. Aplicaciones
1. Suma de vectores y producto de escalares por vectores de Rn :

Sean 2 R; !
x = (x1 ; : : : ; xn ) ; !
y = (y1 ; : : : ; yn ) 2 Rn : La suma de !
x con !
y se nota !
x +!
y y se
dene como
!
x +!
y = (x1 ; : : : ; xn ) + (y1 ; : : : ; yn ) = (x1 + y1 ; : : : ; xn + yn ) :
El producto del escalar con el vector !
x se nota !
x denido como
!
x =
(x1 ; : : : ; xn ) = ( x1 ; : : : ; xn ) :
Ponemos !
z =!
x +!
y y!
w = !
x : A continuacin presentamos un algoritmo en el que se calcula
!
!
!
!
!
z = x + y y w = x:
Algoritmo
Datos de entrada: n 2 Z+ ; !
x = (x1 ; : : : ; xn ) ; !
y = (y1 ; : : : ; yn ) :
Datos de salida: !
z; !
w:
1. i = 1; : : : ; n
zi = xi + yi
wi = xi
Fin bucle i.
2. Imprimir !
z; !
w:
3. Fin.
Note que los datos son la talla n de los vectores !
x e!
y as como sus coordenadas. Observe que las
operaciones elementales que intervienen en el clculo de !
z son adiciones y en el clculo de !
w son
productos. Se realizan 2n operaciones elementales, y, el proceso de clculo concluye en exactamente
n pasos. No contabilizamos la presentacin de resultados y el n.
La notacin i = 1; : : : ; n signica que para i = 1 se realizan los clculos de z1 = x1 + y1 y de
w1 = x1 ; a continuacin k = 2 y se realizan los clculos z2 = x2 + y2 y de w2 = x2 : Se continua
con este proceso hasta k = n con lo que se hacen los clculos zn = xn + yn y de wn = xn :
2. Producto escalar en Rn :
!
!
Sean x = (x1 ; :::; xn ); y = (y1 ; :::; yn ) dos vectores de Rn . El producto escalar de !
x con !
y se nota
!
!
!
!
!
!
T
con x y o tambin x
y (cuando los vectores x e y se escriben como vectores columna) y se
dene como sigue:
n
X
!
!
!
T !
x
y = x y =
xi yi :
i=1
En el apndice se resumen algunos resultados de los espacios vectoriales con producto interior.
Para el clculo de este producto escalar se requiere de la siguiente informacin: n 2 Z+ y de los

componentes o coordenadas de los vectores !
x; !
y , con lo que el producto escalar que se le denota
con p puede calcularse usando el algoritmo que se propone a continuacin.
Algoritmo
Datos de entrada: n 2 Z+ ; ~x = (x1 ;
; xn ); ~y = (y1 ;
; yn ):

Datos de salida: p
1. p = 0:
2. k = 1; : : : ; n
p = p + xk
yk :
Fin bucle k.
3. Imprimir resultdo p:
4. Fin.
Para n = 4, !
x = (1; 0; 1; 2) ; !
y = (5; 2; 2; 3), la aplicacin del algoritmo da como resultado
p = 1.
Observe que las operaciones elementales que intervienen en el clculo de p son adiciones y productos,
se realizan 2n operaciones elementales, y, el proceso de clculo de p concluye en exactamente n pasos.
La notacin k = 1; : : : ; n signica que para k = 1 se realiza el clculo de p + x1 y1 que se asigna
a p; a continuacin k = 2 y se realiza el clculo p + x2 y2 cuyo resultado se asigna nuevamente a
p: Se continua con este proceso hasta k = n con lo que se hace el clculo p + xn yn que se asigna
a p: La escritura p = p + xk yk no es una ecuacin, en realidad se trata de una asignacin del
resultado p + xk yk a la variable p: Este tipo de notacin ser utilizada nicamente en la escritura
de los algoritmos.
3. Norma eucldea en Rn :
!
Sea x = (x1 ;
; xn ) 2 Rn . La norma eucldea en Rn se nota con k k2 y se dene como:

k!
x k2 =
n
X
i=1
x2i
!1=2
En el apndice se resumen algunos resultados de los espacios normados.

!
Para el clculo de k x k2 se requiere de la siguiente informacin: n 2 Z+ , las coordenadas xi ,

!
i = 1; : : : ; n, del vector !
x . El siguiente algoritmo permite calcular k x k2 que se le nota con Nx :
Algoritmo
!
Datos de entrada: n 2 Z+ ; x = (x1 ;
; xn ).
Datos de salida: Nx
1. Nx = 0:
2. i = 1; : : : ; n
Nx = Nx + xi xi
Fin bucle i:
p
3. Nx = Nx :
4. Imprimir resultado Nx :
5. Fin.
p
p
La escritura Nx = Nx , en realidad signica que el clculo de Nx se asigna a Nx : Esta notacin
se utilizar nicamente en la escritura de algoritmos.
p
Sean n = 4; !
x = 3; 2; 3;
3 . La aplicacin del algoritmo precedente da como resultado
Nx = 5.
Las operaciones elementales que intervienen en el clculo de Nx son adiciones, productos y una raz
cuadrada, en un total de 2n + 1 operaciones elementales. El proceso de clculo de Nx concluye luego
de n + 1 pasos.

4. Suma de matrices reales de m
n:
Se nota con Mm n [R] el espacio vectorial de matrices de m n con valores en R. En algunos libros
este espacio vectorial se nota como Rmn . A una matriz A 2 Mm n [R] se le nota A = (aij )m n y si
m = n; es decir A es una matriz cuadrada, se escribir A = (aij ) :
Sea A = (aij )m
n;
B = (bij )m
A + B = (aij )m
n:
La suma de las matrices A y B est denida como
+ (bij )m
= (aij + bij )m
A esta matriz suma lo denotamos con C = (cij )m

las matrices A y B se muestra a continuacin.
n;
6
=4
a11 + b11
a1n + b1n
..
.
am1 + bm1
amn + bmn
3
7
5
esto es, C = A + B: El algoritmo para sumar
Algoritmo
Datos de entrada: m; n 2 Z+ ; A = (aij )m
Datos de salida: C = (cij )m
n;
B = (bij )m
n:
n:
1. i = 1; : : : ; m
j = 1; : : : ; n
cij = aij + bij
Fin bucle j:
Fin bucle i:
2. Imprimr C = (cij )m
n:
3. Fin.
El clculo de la matriz C requiere de m n adiciones. Note que el ndice i es utilizado para indicar
las las, el ndice j es utilizado para indicar las columnas. El algoritmo muestra que la matriz C
se construye la a la, esto es, primera la, a continuacin segunda la, as sucesivamente. Se deja
como ejercicio elaborar un algoritmo de clculo de C por columnas.
5. Producto de matrices.
Sean A = (aij )m n ; B = (bjk )n p matrices reales. El producto de la matriz A con B se nota AB
y es la matriz C = (cik )m p denida como sigue:
Cik =
n
X
aij bjk = ai1 b1k +
+ ain bnk , i = 1; : : : ; m;
k = 1; : : : ; p:
j=1
Como se puede apreciar, el elemento cik es el resultado de las sumas de los productos de los elementos
de la la i de la matriz A con los correspondientes de la columna k de la matriz B: Un algoritmo
para calcular C = AB se muestra a continuacin.
Algoritmo
1. i = 1; : : : ; m
k = 1; : : : ; p
s = 0:
j = 1; : : : ; n
s = s + aij
Fin bucle j:
cik = s
Fin bucle k:
Fin bucle i:
bjk

2. Imprimir C = (cik )m
p:
3. Fin.
Este algoritmo concluye en un nmero nito de pasos, exactamente en m p (n + 2) pasos. Las
operaciones elementales que se realizan son sumas y productos. Adicionalmente se hacen 2m p
asignaciones. Note que la escritura s = s + aij bjk no es una ecuacin, se trata de una asignacin
pus el producto aij bjk se suma a s y este resultado se almacena en s.
6. Intercambio de dos las de una matriz.
Sea A = (aij )m n 2 Mm n [R] : La matriz B = (bij )m n obtenida al intercambiar la la i con la la
j con i < j se dene como B = Ei!j A; donde Ei!j = (epq )m m se obtiene de la matriz identidad
I = (Ili )m m al intercambiar la la i con la la j; por lo tanto Ei!j = (epq )m m est denida como
sigue:
0; si k 6= j
0; si k 6= j
eik =
ejk =
k = 1; : : : ; m;
1; si k = j;
1; si k = i;
y para p = 1; : : : ; m con p 6= i; j;
epk =
0;
1;
si p 6= k;
si p = k
k = 1; : : : ; m:
Un algoritmo que realiza el producto Ei!j A se muestra a continuacin.

Algoritmo
Datos de entrada; m; n 2 Z+ ; i; j 2 Z+ ; A = (aij )m
Datos de salida: B = (bpr )m
n:
n:
1. Si m = 1 continuar en 5).
2. p = 1; : : : ; m
si p 6= i y p 6= j
r = 1; : : : ; n
bpr = apr
Fin bucle r:
Fin bucle p:
3. r = 1; : : : ; n
c = air
bir = ajr
bjr = c
Fin bucle r:
4. Imprimir B = (bpr )m
5. Imprimir mensaje: m
n:
Continuar en 6).
2:
6. Fin.
La ejecucin de este algoritmo implica la realizacin de asignaciones y de comparaciones, as el
nmero de comparaciones es 2m+1 y el nmero de asignaciones n (m + 1) : Obviamente el algoritmo
concluye en un nmero nito de pasos.
Note que se requiere de la siguiente informacin: talla de la matriz A, esto es, los enteros positivos
m; n, los m n coecientes aij de A; la la i, la la j. Esta ltima informacin implica que m 2:
Si m = 1 no se realiza intercambio de las.
7. Producto de una matriz por un vector.
Sean A = (aij )m n 2 Mm n [R] ; !
x = (x1 ;
2 Pn
3
a
x
1j
j
j=1
6
7
..
A!
x =4
5:
Pn .
j=1 amj xj
; xn ) 2 Rn . El producto A x se dene como sigue:
Para elaborar un algoritmo de clculo del producto de la matriz A por el vector !

x , esto es, A!
x
+
se requiere de la siguiente informacin: talla de la matriz A, o sea m; n 2 Z , de sus componentes
aij ; i = 1; : : : ; m; j = 1; : : : ; n, y de los componentes o coordenadas xi ; i = 1; : : : ; n del vector
!
x . Con esta informacin el producto A!
x puede calcularse con el algoritmo que se propone a
continuacin.
Algoritmo
Datos de entrada: m; n 2 Z+ ; A = (aij )m
!
x = (x1;
n;
; xn ):
Datos de salida: ~z = A~x:

1. c = 0:
2. i = 1; : : : ; m
j = 1; : : : ; n
c = c + aij
xj
Fin bucle j:
zi = c
c = 0:
Fin bucle i:
3. Imprimir resultado !
z = (z1 ;
; zm ):
4. Fin.
Note que el algoritmo concluye luego de m
n pasos en los que intervienen productos y adiciones.
8. Vectores colineales. Angulo entre vectores y base ortogonal de R2 :

Sean !
u 1 = (a1 ; b1 ) ; !
u 2 = (a2 ; b2 ) dos elementos no nulos de R2 : Se considera el siguiente problema:
determinar si los vectores !
u 1; !
u 2 no son colineales, en tal caso calcular el ngulo que forman dichos
vectores y construir una base ortogonal. Elaborar un algoritmo numrico.
Analicemos la existencia de soluciones.
Consideramos en el plano el sistema de coordenadas rectangulares y sean !
u 1 = (a1 ; b1 ) ; !
u2 =
!
!
(a2 ; b2 ) dos vectores no nulos. Se sabe que u 1 y u 2 son colineales si y solo si sus coordenadas
satisfacen la relacin a1 b2
a2 b1 = 0: Por lo tanto, !
u1 y !
u 2 no son colineales si y solo si
d = a1 b2 a2 b1 6= 0:
El producto escalar de los vectores !
u 1; !
u 2 se nota con !
u1 !
u 2 y est denido como !
u1 !
u2 =
!
!
2
a a + b b : La longitud o norma de un vector u = (a; b) 2 R se nota k u k y se dene como
1 2
1 2
1
k!
u k = (!
u !
u )2 =
a2 + b2 :
Adems, la medida del ngulo que forman los vectores !

u 1; !
u 2 es el nmero real
como
!
u1 !
u2
cos ( ) = !
k u 1 k k!
u 2k
y de esta relacin
= arc cos
!
u1 !
u2
!
k u k k!
u k
1
2 [0; ] denido
Recordemos que dos vectores !

u; !
v de R2 son ortogonales o perpendiculares si y solo si !
u !
v = 0:
!
!
En tal caso escribimos u ? v :
En la gura de la izquierda se muestran los vectores no nulos y no colineales !
u 1; !
u 2 y el ngulo
que forman dichos vectores. En la gura de la derecha se muestran los vectores !
u ; !
u ; la
1
10

proyeccin ortogonal de !
u 2 sobre !
u 1 y el vector !
c ortogonal a !
u 1 ; esto es c ? !
u 1:
Figura 1
Figura 2
Ponemos !
v1=!
u 1 : Para construir una base ortogonal f!
v 1; !
v 2 g consideramos las dos condiciones
siguientes:
!
u1+!
c =!
u 2;
hallar 2 R y !
c 2 R2 tales que
!
!
u1 ? c :
!
Calculemos : Multiplicando escalarmente por u la primera igualdad, se tiene
1
( !
u1+!
c) !
u1 =!
u2 !
u1
y como el producto escalar es distributivo respecto de la adicin de vectores, resulta
!
u1 !
u1+!
c !
u1 =!
u2 !
u 1:
Tomando en consideracin que !
u1 ?!
c que a su vez es equivalente a !
u1 !
c = 0; se sigue que
!
u1 !
u1 =!
u2 !
u 1:
2
Puesto que k!
u 1k = !
u1 !
u 1 y como el producto escalar es conmutativo, esto es, !
u2 !
u1 =!
u1 !
u2
!
!
u1 u2
resulta = ! 2 : El nmero real se llama coeciente de Fourier.
ku k
1
Una vez calculado

!
c :
pasamos a determinar el vector !

c : De la igualdad !
u1+!
c =!
u 2 se obtiene
!
c =!
u2
!
u1 =!
u2
!
u1 !
u 2!
2 u 1:
k!
u k
1
Denimos !
v2 =!
c : As !
v1 ?!
v 2 : En la gura siguiente se muestran los vectores !
v 1; !
v 2 tales
!
!
que v ? v :
1
Figura 3
Con todos estos elementos estamos en condiciones de elaborar un algoritmo numrico que permita
identicar si dos vectores no nulos son o no colineales. En caso de no ser colineales, calcular el
ngulo que forman y obtener una base ortogonal f!
v 1; !
v 2g :
Algoritmo
Datos de entrada: !
u 1 = (a1 ; b1 ) ; !
u 2 = (a2 ; b2 )
Datos de salida: Mensaje vectores colineales, ; !

v 1; !
v 2:
11
1. Vericar a1 6= 0 o b1 6= 0; y, a2 6= 0 o b2 6= 0: Caso contrario !

u 1; !
u 2 son nulos. Continuar en
10)
2. Calcular d = a1 b2
a2 b1 :
3. Si d = 0; continuar en 9).
4. Calcular p = a1 a2 + b1 b2 ;
n1 = a21 + b21
n2 = a22 + b22
1
2
1
2
;
;
p
n1 n2
= arc cos
5. Poner !
v 1 = (a1 ; b1 ) :
p
6. Calcular = 2 ;
n1
x = a2
a1 ;
y = b2
b1 :
7. Poner !
v 2 = (x; y) :
8. Imprimir: ngulo ; vectores ortogonales !
v 1; !
v 2 : Continuar en 11).
9. Imprimir: !
u 1; !
u 2 vectores colineales. Continuar en 11).
10. Imprimir: !
u ; !
u vectores nulos.
1
11. Fin.
El nmero total de operaciones elementales que se realizan en la ejecucin de este algoritmo son 22
operaciones, comparaciones 5, asignaciones 4, una evaluacin de la funcin arco coseno. Note que
el punto 4) del algoritmo se ejecuta cuando d 6= 0:
p
Veriquemos el algoritmo con los siguientes datos !
u = (3; 1) ; !
u =
2; 5 :
1
p
Claramente
los vectores !
u 1; !
u 2 son no nulos. Pasemos a calcular d. Tenemos d = 3
5 ( 2) 1 =
p
2 + 3 5 y d 6= 0 con lo que se continua con el clculo de p; n1 ; n2 y : Tenemos
p = 3
n1 =
( 2) + 1
2
3 +1
= arc cos
1
2
5=
6+
5;
2
1
2
10; n2 = ( 2) +
5
= 3;
!
p
6+ 5
3;763932023
p
' arc cos
' 1;978773429:
9;48683298
3 10
Ponemos !
v 1 = (3; 1) :
Calculemos el coeciente de Fourier ; y, x e y :
p
p
6+ 5
=
=
' 0;3763932023;
10
n21
x = a2
a1 ' 2 ( 0;3763932023)
p
y = b2
b1 ' 5 ( 0;3763932023)
3=
0;870820393;
1 = 2;61246118:
El vector !
v 2 est denido como !
v 2 = ( 0;870820393; 2;61246118) :
El smbolo ' se utiliza para indicar un valor aproximado.
12

En la gura siguiente se muestran los vectores !
u 1; !
u 2 y los vectores ortogonales !
v 1; !
v 2:
Figura 4
9. En este ejemplo se trata el mtodo de eliminacin gaussiana para sistemas de ecuaciones lineales
de 3 3: Comencemos observando que los sistemas de tres ecuaciones con tres incgitas ms simples
de resolver son los sistemas de ecuaciones denominados diagonales, los denominados triangulares
superiores y triangulares inferiores que en ese orden se presentan a continuacin:
8
8
8
= d1
= d1
< a1 x
< a1 x + b1 y + c1 z = d1
< a1 x
a2 x + b2 y
= d2
b2 y + c2 z = d2 ;
b2 y
= d2 ;
:
:
:
a3 x + b3 y + c3 z = d3 ;
c3 z = d3
c3 z = d3
donde ai ; bi ; ci 2 R para i = 1; 2; 3; no todos nulos, di 2 R para i = 1; 2; 3; donde x; y; z 2 R

son las incgnitas del sistema que queremos resolver. Los nmeros reales a1 ; b2 ; c3 que guran en
la diagonal de cada uno de los sistemas precedentes se los denomina elementos o coecientes de la
diagonal del sistema de ecuaciones lineales.
En el caso de un sistema de ecuaciones lineales diagonal, la solucin es nica si y solo si los

coecientes de la diagonal del sistema son no nulos, es decir a1 6= 0; b2 6= 0; c3 6= 0 en cuyo caso la
d1
d2
d3
d1 d2 d3
solucin es x = ; y = ; z =
que lo expresamos como
;
;
:
a1
b2
c3
a1 b2 c3
Los sistemas de ecuaciones lineales triangulares superiores e inferiores tienen una nica solucin si
y solo si los elementos de la diagonal del sistema son no nulos, esto es, a1 6= 0; b2 6= 0; c3 6= 0:
Ejemplos
1. El sistema de ecuaciones lineales diagonal denido como (x; y; z) 2
R3
tal que
8
< 2x
:
= 11
3y
=0
5z = 5;
0
5
11
11
;y=
= 0; z =
= 1, que lo escribimos ( ; 0; 1):
2
5
5
2
2.
Considerar
el
sistema
de
ecuaciones
lineales
denido
como
sigue:
(x;
y; z) 2 R3 tal que
8
< x + 2y + 3z = 11
y 2z = 0 Este es un sistema de ecuaciones lineales triangular superior. Para hallar
:
5z = 5:
la solucin de este sistema, comenzamos por la ltima ecuacin, de la que obtenemos la incgnita
z : z = 55 = 1: De la segunda ecuacin, se obtiene la incgnita y : y = 2z = 2 ( 1) = 2; y
de la primera ecuacin, obtenemos x : x = 11 2y 3z = 11 2 2 3 ( 1) = 10: La solucin
es x = 10; y = 2; z = 1 que escribimos ( 10; 2; 1):
8
=4
< 2x
3
3x + 4y
= 18
3. Considerar el sistema de ecuaciones lineales denido por (x; y; z) 2 R tal que
:
3x + 4y + z = 11:
Este es un sistema de ecuaciones lineales triangular inferior, cuya solucin encontramos resolviendo
de la primera a la tercera ecuacin. De la primera ecuacin obtenemos x = 42 = 2: De la segunda
ecuacin: y = 14 (18 3x) = 41 (18 3 2) = 3; y de la tercera ecuacin: z = 11 + 3x 4y =
11 + 3 2 4 3 = 5: As, x = 2; y = 3; z = 5 es la solucin que la escribimos (2; 3; 5):
tiene como solucin x =
Pasemos a describir el mtodo de eliminacin gaussiana (ser tratado con mayor profundidad en el
captulo 6). Para el efecto explicamos mediante tres ejemplos. La idea fundamental en el mtodo
13
de eliminacin gaussiana es transformar el sistema de ecuaciones lineales dado en un sistema de

ecuaciones lineales triangular superior, que como hemos visto, esta clase de sistemas son los ms
simples de resolver.
Ejemplos
8
<
x + 2y + 3z = 7
2x y 2z = 0
:
3x 2y + 5z = 25:
El procedimiento de la eliminacin gaussiana lo dividimos en tres etapas. Las dos primeras que
conducen a transformar el sistema de ecuaciones en uno triangular superior; y, la tercera etapa que
consiste en resolver el sistema de ecuaciones triangular superior.
1. Resolver el sistema de ecuaciones lineales siguiente: (x; y; z) 2 R3 tal que
a) Primera etapa. Mantenemos ja la primera ecuacin. Se trata de eliminar la incgnita x de la

segunda y tercera ecuaciones.
Eliminemos x de la segunda ecuacin. Para el efecto multiplicamos por k = 2 (k se obtiene
como el coeciente de x de la segunda ecuacin, dividido para el coeciente de x de la primera
ecuacin cambiado
de signo) a la primera ecuacin y le sumamos el resultado a la segunda ecuacin.
8
< x + 2y + 3z = 7
5y 8z = 14 Eliminemos x de la tercera ecuacin. Para ello multiplicamos
Obtenemos
:
3x 2y + 5z = 25:
por k = 3 (k se obtiene como el coeciente de x de la tercera ecuacin, dividido para el coeciente
de x de la primera ecuacin8
cambiado de signo) a la primera ecuacin y le sumamos el resultado a
< x + 2y + 3z = 7
5y 8z = 14
la tercera ecuacin, resulta
:
8y 4z = 4:
b) Segunda etapa. Mantenemos ja la primera y segunda ecuaciones y eliminamos y en la tercera

8
ecuacin. Multipliquemos por k1 =
= 85 a la segunda ecuacin y el resultado le sumamos a
5
8
>
x + 2y + 3z = 7
>
>
>
<
5y
8z = 14
la tercera. k1 se obtiene como
>
>
132
44
>
>
z=
:
:
5
5
Note que k1 se obtiene como el cociente cambiado de signo del coeciente de y de la tercera ecuacin
dividido para el coeciente de y de la segunda ecuacin, siempre que este no sea nulo.
c) Tercera etapa: Resolvemos el sistema de ecuaciones triangular superior. Comenzamos con la

14 8z
terera ecuacin, obtenemos z: z = 132
=
44 = 3: De la segunda ecuacion obtenemos y: y =
5
14 8 3
= 2; y de la primera ecuacin obtenemos x = 7 2y 3z = 7 2 ( 2) 3 3 = 2: La
5
solucin es x = 2; y = 2; z = 3, que escibimos (2; 2; 3):
3
2.
8 Considerar el sistema de ecuaciones lineales siguiente: (x; y; z) 2 R tal que
= 2
< 2x + y
3x + 4y + z = 2 Apliquemos el mtodo de eliminacin gaussiana. Mantengamos ja a la
:
3x + 4y + z = 4:
primera ecuacin, y procedamos a la eliminacin de la incgnita x en la segunda y tercera ecua3
ciones. Multipliquemos a la primera ecuacin por k =
(coeciente de x de la segunda ecuacin,
2
dividido para el coeciente8de x de la primera ecuacin cambiado de signo), el resultado sumamos
>
2x + y
= 2
>
>
>
<
5
y+z =1
a la segunda. Obtenemos
2
>
>
>
>
:
3x + 4y + z = 4:
3
3
=
(k1 se obtiene dividiendo el coeciente de x de la tercera ecuacin para el
2
2
coeciente de x de la primera ecuacin, cambiado de signo). Multiplicando a la primera ecuacin
Sea k1 =
14

8
>
2x + y
>
>
>
<
5
y + z = 1 Para obtener
2
11
y + z = 1:
2
un sistema de ecuaciones triangular superior, mantenemos jas la primera y segunda ecuaciones del
sistema precedente, eliminemos la incgnita y de la tercera ecuacin.
11
2 = 11 (k se obtiene dividiendo el coeciente de y de la tercera ecuacin para el
Sea k2 =
2
5
5
2
coeciente de y de la segunda ecuacin, cambiado de signo): Multiplicamos a la segunda ecuacin
8
>
2x + y
= 2
>
>
>
>
5
<
y+z =1
por k2 ; el resultado sumamos a la tercera, resulta
con lo que hemos obtenido
2
>
>
>
6
6
>
>
z=
;
:
5
5
un sistema de ecuaciones triangular superior. Determinemos su solucin. De la tercera ecuacin,
obtenemos z = 1: De la segunda ecuacin, se obtiene y : y = 25 (1 z) = 25 (1 1) = 0: De la primera
ecuacin se deduce x: x = 12 ( 2 y) = 12 ( 2 0) = 1: La solucin del sistema de ecuaciones
lineales propuesto es ( 1; 0; 1):
por k1 ; el resultado sumamos a la tercera ecuacin. Tenemos
>
>
>
>
:
3. Hallar8la solucin si existe, del sistema de ecuaciones lineales que se propone: (x; y; z) 2 R3
>
y+z = 2
>
>
<
tal que
2x + y z = 6 Para obtener (siempre que sea posible) un sistema triangular
>
>
>
: 5x + y + 6z = 10:
superior,
la primera accin que debemos realizar es intercambiar las ecuaciones del modo siguiente:
8
< 5x + y + 6z = 10
2x + y z = 6
Mantengamos ja la primera ecuacin de este ltimo sistema de ecuaciones
:
y+z = 2
lineales. Eliminemos x de la segunda ecuacin. Para ello multiplicamos 8la primera ecuacin
>
5x + y + 6z = 10
>
>
<
2
2
7
7
=
y el resultado sumamos a la segunda. Obtenemos
por k =
y
+
z = 10
>
5
5
5
5
>
>
:
y + z = 2:
Manteniendo jas las dos primeras ecuaciones, eliminemos y de la tercera
ecuacin.
Multipliquemos
8
>
5x + y + 6z = 10
>
>
>
>
7
7
<
1
5
y + z = 10
que
por k1 =
=
a la segunda ecuacin y sumemos con la tercera:
5
5
7
>
7
>
>
64
>
>
5
;
0=
:
7
muestra que la tercera igualdad es contradictoria, es decir que el sistema de ecuaciones propuesto
no tiene solucin.
1.3.2.
Clculo con funciones
Un polinomio P de grado
n con coecientes reales lo denotamos como sigue:

P (x) = a0 + a1 x +
+ an xn =
n
X
ak xk
k=0
donde ak 2 R
con k = 0; 1;
; n son los coecientes y an 6= 0.
x 2 R,
15
En orden de complejidad, los ms simples son los polinomios constantes P (x) = c

x 2 R, con c 2 R
jo. A continuacin, los polinomios de grado 1 tienen la forma P (x) = a + bx; con a; b; x 2 R, a; b jos y
b 6= 0: Los polinomios de grado 2 se escriben como P (x) = a + bx + cx2 con a; b; c; x 2 R, a; b; c jos y
c 6= 0: Los polinomios de grado tres se escriben como P (x) = a + bx + cx2 + dx3 con a; b; c; d; x 2 R,
a; b; c; d jos y d 6= 0:
Los polinomios son las funciones reales ms simples de calcularse en un asignado dato x 2 R. Es claro
que los ms simples son los polinomios constantes y de grado 1, y realizar clculos con esta clase de
polinomios no presenta dicultad alguna. Nos interesamos en los polinomios de grado 2 que presentan
alguna dicultad con los clculos pus a medida que el grado del polinomio es ms grande, el nmero de
operaciones elementales se incrementa y los resultados pueden no ser sucientemente exactos:
1. Esquema de Hrner.
Con frecuencia requerimos realizar evaluaciones de polinomios de modo que el nmero total de
operaciones elementales a realizar sea el ms pequeo posible y que el resultado sea el ms exacto
posible. Por razones que veremos ms adelante y que estn relacionadas con el condicionamiento,
debemos evitar el clculo directo de las potencias de x; de los factoriales, sumas y restas alternadas.
n
X
n
Consideremos el polinomio P (x) = a0 + a1 x +
+ an x =
ak xk
x 2 R, donde ak 2 R con
k=0
k = 0; 1;
; n son los coecientes y an 6= 0. Nos interesamos primeramente en el clculo de P (x)
en un asignado x 2 R, de modo que se evite el clculo directo de las potencias de x y el nmero
de operaciones elementales sea el ms pequeo posible. Esto se logra si se escribe P (x) en la forma
siguiente:
P (x) = a0 + x a1 +
..
.
+ an xn
= a0 + x(a1 + x(a2 + x(a3 +
+ x(an
+ xan )
))):
A esta forma de calcular P (x) se conoce con el nombre de esquema de Hrner. Utilizando esta
escritura, podemos elaborar un algoritmo para calcular P (x) en un punto dado x 2 R. Note que
el proceso de clculo de P (x) inicia en el trmino del parntesis interior an 1 + xan y continua
sucesivamente al exterior, que hace el proceso de clculo sea muy prctico en su aplicacin. El
nmero de operaciones elementales (sumas y productos) que se requiere para calcular P (x) es a lo
ms 2n:
Note que si x 2 R, el clculo de x2 = x
x signica una operacin elemental, el clculo
3
2
de x = x
x signica dos operaciones elementales, entonces para el clculo del polinomio
P (x) = a + bx + cx2 se requieren de 5 operaciones (sumas y productos), mientras que si se escribe
en la forma P (x) = a + x(b + cx) se requieren nicamente de 4 operaciones (sumas y productos).
Para el clculo del polinomio P (x) = a + bx + cx2 + dx3 se requieren de 9 operaciones y con el
esquema de Hrner se requieren de 6 operaciones y mejora la exactitud del resultado.
Para elaborar un algoritmo que permita calcular P (x) requerimos de la siguiente informacin:
grado del polinomio n 2 Z+ , coeecientes a0 ; a1 ; : : : ; an 2 R y del dato x 2 R. Con estos elementos
proponemos el siguiente algoritmo que se conoce con el nombre de esquema de Hrner.
Algoritmo
Datos de entrada: n 2 Z+ ; a0 ; a1 ; : : : ; an ; x 2 R:
Datos de salida: x, P (x):
1. b = an
2. k = 0; 1; : : : ; n
j=n
z = aj
b=z
k
1
+ xb
16

Fin bucle k:
3. Imprimir x; b = P (x) :
4. Fin.
Note que el clculo de P (x) concluye en un nmero nito de pasos. Veriquemos el algoritmo
propuesto. Para el efecto, consideramos el siguiente polinomio que a su vez lo escribimos usando el
esquema de Hrner:
0;25x2
P (x) = 0;5 + 0;3x
2;56x3 + 3x4 = 0;5 + x(0;3 + x( 0;25 + x( 2;56 + 3x))) x 2 R.
Calculemos P (x) en los puntos x = 0; 0;5 y
0;5: Utilizando la escritura de P (x); tenemos
P (0:) = 0;5 + 0:(0;3 + 0:( 0;25 + 0:( 2;56 + 3
0:))) = 0;5;
P (0;5) = 0;5 + 0;5(0;3 + 0;5( 0;25 + 0;5( 2;56 + 3

P ( 0;5) = 0;5
0;5(0;3
0;5( 0;25
0;5( 2;56
2. Consideremos la funcin E de R+ en R denida como E(x) =
n
X
k=0
donde a 2 R+ jo.
0;5))) = 0;455;
0;5))) = 0;795:
xk
(k + 1)(k + 2)(k + a)
x 2 R+ ;
Dado x 2 R, para calcular E (x), primeramente debemos expresar en forma explcita el sumatorio
y luego escribirle en forma del esquema de Hrner como a continuacin se muestra:
E(x) =
1
2
x2
+
4 (2 + a)
x
+
3 (1 + a) 3
2
xn
+
(n + 1)(n + 2)(n + a)
1
1
=
+x
+x
2a
2 3(1 + a)
x
+
(n + 1)(n + 2)(n + a)
1
+
4(2 + a)
+x
xn 1
+
n(n + 1)(n 1 + a)
1
n(n + 1)(n
1 + a)
Note que en la ltima igualdad se evitan los clculos directos de las potencias xk ; k = 2; : : : ; n,
lo que reduce el nmero de operaciones elementales, facilita la escritura de un algoritmo para su
clculo.
1
Ponemos ak =
; k = 0; 1; 2; :::; n. En el clculo de ak intervienen 3 adiciones,
(k + 1)(k + 2)(k + a)
3 productos y una divisin.
Algoritmo
Datos de entrada: n; a; x:
Datos de salida: x; E(x):
1
1. y =
:
(n + 1)(n + 2)(n + a)
2. k = 1; :::; n
j=n
y=
k
1
+ y x:
(k + 1)(k + 2)(k + a)
Fin bucle k:
3. Imprimir resultado y = E (x) :
4. Fin.
Observe que el clculo de E (x) concluye en un nmero nito de pasos.

3. Para cada n 2 Z+ con n
17
3 impar, se considera la funcin 'n denida como sigue:

k
n
X
( 1)k x 2
'n (x) =
k!3k
0:
k=0
Se trata de calcular 'n (x) de modo que el nmero de operaciones elementales sea el ms pequeo
posible y elaborar un algoritmo de clculo que permita calcular 'n (xk ) k = 0; 1; : : : ; m en puntos
xk igualmente espaciados en el intervalo [0; 100] :
Sigamos la metodologa utilizada para resolver problemas. Primeramente debemos constatar que
se tienen soluciones. En efecto, la funcin 'n est bien denida para todo x
0: Adems, de la
denicin de 'n (x) se tiene
1
x2
x
+
1! 3 2! 32
'n (x) = 1
x2
3!
33
( 1)n 1
(n 1)! 3n
( 1)n n
x2 :
n! 3n
Ms adelante veremos que la resta de nmeros positivos muy prximos entre s es una operacin
peligrosa pus los errores de redondeo son amplicados, ms an, la realizacin de sumas y restas
alternadas es muy peligrosa ya que los errores de redondeo provocan grandes errores en los datos
de salida. Vemos que en el clculo de 'n (x) debemos realizar este tipo de operaciones, adems, se
k
deben calcular los factoriales k! k = 1; 2; : : : ; n; las potencias 3k ; x 2 :
n 1
Puesto que n es impar, n 1 es par y en consecuencia p =
es un entero positivo, asociamos
2
todos los trminos positivos y todos los trminos negativos. Cada grupo contiene exactamente p + 1
trminos. As
" 1
#
n 1
3
n
x
x2
x 2
x2
x2
'n (x) = 1 +
+
+
+
+
+
2! 32
(n 1)! 3n 1
1! 3 3! 33
n! 3n
p
X
k=0
p
X
k=0
p
X
xk
(2k)! 32k
1
x
(2k)! 9
k=0
xk+ 2
(2k + 1)! 32k+1
p X
p
x
1
x
3
(2k + 1)! 9
0:
k=0
Denimos
1 (x) =
p
X
k=0
En forma explcita,
1 (x) = 1 +
x
1
(2k)! 9
1 (x)
0;
2 (x) =
p
X
k=0
1
x
(2k + 1)! 9
0:
se escribe como sigue:
x2
2! 9 4! 92
1x
1 x
= 1+
1+
29
3 49
Procediendo en forma similar con

2 (x)
+
1+
2 (x) ;
xp 1
[2 (p 1)]! 9p
1
+
(2p 3) (2p
xp
(2p)! 9p
x
1+
2) 9
(2p
+
1
x
1) (2p) 9
obtenemos
1
1x
1 x2
1
xp 1
1
xp
+
+
+
+
+
1! 3! 9 5! 92
(2p 1)! 9p 1
(2p + 1)! 9p
1x
1 x
1
x
1
x
= 1+
1+
1+
+
1+
3! 9
4 59
(2p 2) (2p 1) 9
(2p) (2p + 1) 9
Si ponemos y =
x
;
9
1 (x)
y
2
y
2 (x) = 1 +
6
1 (x)
= 1+
y
1+
1+
2 (x)
se escriben como
y
3
4
6
1+
1+
(2p
(2p
y
3) (2p
6
2) (2p
2)
1)
y
1) (2p)
6
1+
(2p) (2p + 1)
1+
(2p
;
:
18

La escritura de 1 y 2 es una variante del esquema de Hrner que evita el clculo directo de los
factoriales k! k = 1; 2; : : : ; n; de las potencias xk y 3k : De esta manera reduce signicativamente el
nmero de operaciones elementales y permite elaborar un algritmo numrico en forma muy simple.
Adems,
p
x
'n (x) = 1 (x)
x 0;
2 (x)
3
el clculo de 'n (x) implica una sola resta y no sumas y restas como originalmente se tena en el
x
clculo de 'n (x) : Note tambin que los cocientes que tanto en 1 (x) como en 2 (x) se realizan, se
9
x
evitan con el clculo de y = : El nmero de operaciones elementales que se realizan para calcular
9
(6p) = 6 (n 1) ; y el clculo de 'n (x) requiere de a lo ms
1 (x) y 2 (x) son a lo ms de 2
6 (n 1) + 5 = 6n 1 operaciones elementales.
n
Si se debe calcular 'n (x) en la forma original se deben realizar a lo ms 1+ (1 + 3n) operaciones
2
elementales.
p k
( x)
Observe que el clculo de
k = 3; : : : ; n requiere de 3k 2 operaciones elementales
k! 3k
pus (k 1)!k = k! corresponde cada una operacin elemental. Anlogamente ak 1 a = ak es una
operacin elemental.
Para n = 7 se requieren 77 operaciones elementales, mientras que con la forma simplicada se
requieren a lo ms 41 operaciones elementales. Para n = 15; en la forma original se requieren
aproximadamente 345 operaciones elementales, mientras que en la forma simplicada requieren
aproximadamente 89 operaciones elementales.
Cuando n es grande se presenta otras dicultades de clculo de n!; 3n ; xn ; por ejemplo 15! '
1;30767436 1012 ; 515 ' 3;051757812 1010 :
Finalmente, como se debe calcular 'n (xk ) en puntos igualmente espaciados xk de [0; 100] ; se dene
100
h=
y xk = kh k = 0; 1; : : : ; m:
m
Con todos estos resultados se propone el siguiente algoritmo de clculo de 'n (xk ) k = 0; 1; : : : ; m;
y, n 2 Z+ con n 3 impar.
Algoritmo
Datos de entrada: m; n 2 Z+ ; xk k = 0; 1; : : : ; m:
Datos de salida: xk ; 'n (xk )
k = 0; 1; : : : ; m:
1. Vericar n 3 impar. Caso contrario continuar en 6).

100
2. h =
:
m
3. Para x = 0; poner 'n (0) = 1:
4. Para k = 1; : : : ; m
b = 1:
c = 1:
xk = kh
xk
y=
9
j = 0; 1; : : : ; p
i=p
j;
1
1) (2i)
1
c=1+
(2i) (2i + 1)
Fin de bucle j.
b=1+
(2i
b;
b;

'n (xk ) = b
19
xk
c:
3
Fin de bucle k.
5. Imprimir xk ; 'n (xk )
k = 0; 1; : : : ; m:
6. Mensaje: Error de lectura de n:

7. Fin.
Para n = 3; la funcin '3 (x) est denida como
p
x
x
'3 (x) = 1
+
1! 3 2! 32
p 3
( x)
3! 33
0:
Calculemos '3 (10) : Tenemos

'3 (10) = 1
= 1
p 3
10
10
10
+
2
1! 3 2! 3
3! 33
1;054092553 + 0;555555556
p
0;1952023247 = 0;3062606775:
Para esta clculo se requieren de 15 operaciones elementales. Note las molestias en la realizacin
10
' 1;111111111:
de los clculos en '3 (x) : Apliquemos el algoritmo. Ponemos y =
9
p
y
10
y
'3 (x) = 1 +
1+
;
2
3
p 6
10
'3 (10) = 1;555555556
1;185185185 = 0;306260678:
3
Se requieren de 9 operaciones lementales.
Para n = 7; '7 (x) est denido como
p
x
x
'7 (x) = 1
+
1! 3 2! 32
p 3
( x)
x2
+
3! 33 4! 34
p 5
( x)
x3
+
5! 35 6! 36
p 7
( x)
7! 37
que se escribe como

p
y
y
y
'7 (x) = 1 +
1+
1+
2
12
30
donde y =
x
y
y
y
1+
1+
1+
3
6
20
42
10
x
: Para x = 10; y =
' 1;111111111; y aplicando el algoritmo, obtenemos
9
9
'7 (x) = 1;608901082
1;260426345 = 0;348474737:
En el siguiente captulo se tratan las series de potencias, las mismas que se aproximan con sumas
nitas, las que a su vez se escriben siguiendo un procedimiento similar al discutido en el ejemplo
que acabamos de presentar.
p
k
1 ( 1)k x 2
P
x
) =
x
0, y la funcin 'n es la suma parcial del
Note que ' (x) = exp(
3
k!3k
k=0
desarrollo en serie de potencias de ': Para x = 10, los valores que hemos calculado 'n (10) son
aproximaciones de '(10) :
p
10
'(10) = exp(
) ' 0;3485085369:
3
4. Este es un ejemplo de una funcin que posee una discontinuidad evitable.
Se dene la funcin real ' como sigue: ' (x) =
calcular ' (x) para x 2 ]0; 1[ :
1 + x4
1
3
1
x4
x4
1
3
0 < jxj
1: Se desea
Suponemos que con una calculadora de bolsillo (calculadora hipottica) se tiene 10 100 ' 0 pero
10 99 6' 0: Entonces, para 0 < jxj
10 25 se tiene 0 < x4
10 100 ' 0 y no podemos calcular
20

' (x) : Para resolver este inconveniente, aplicamos el binomio de Newton con exponente racional
que se dene a continuacin:
(1 + a)r = 1 + ra +
r (r 1) 2 r (r
a +
2!
donde r 2 Q con r 6= 0; jaj < 1:

Apliquemos el binomio de Newton a 1 + x4
1
3
1 + x4
1
1 4 3
= 1+ x +
3
1 1
1
3 3
+
1
3
y 1
x4
1) (r
3!
1
3
2)
a3 +
para 0 < jxj < 1; tenemos
1
1 1
1
1
1
2
3
3
3
3
x8 +
x12
2!
3!
1
1
1 1
1
2
3
1
3
3
3 3
3
x16 +
4!
1
3
1
3
4
x20
5!
1
3
x4
1
= 1 + x4
3
1 4
= 1
x
3
1 8
x +
9
1 8
x
9
Entonces
5 12
x
81
5 12
x
81
1
3
1 + x4
10 16
x +
243
10 16
x
243
1
3
1 + x4
22 20
x +
729
22 20
x +
729
;
:
10
44 16
2
x +
= x4 + x8 +
3
81
729
de donde
1 + x4
1
3
x4
1
3
2 10
44 16
= + x8 +
x +
0 < jxj < 1:
x4
3 81
729
En esta nueva formulacin de la funcin '; vemos que se ha eliminado el inconveniente de clculo
que arriba sealamos. En realidad se tiene una discontinuidad evitable en x = 0: Tenemos
' (x) =
2
2
l m '(x) = ; luego ' (x) '
si 0 < jxj 10 25
3
3
25
2
10 2 ; 0 < jxj8 10 100 ' 0; y ' (x) se aproxima como ' (x) ' :
3
25
16
200
100
< jxj 10 4 ; se tiene 10
< jxj
10
' 0; luego ' (x) se aproxima
x!0
Ms an, si 0 < jxj

25
Para x tal que 10 2

2 10
como ' (x) ' + x8 :
3 81
25
100
Si 10 4 < jxj 10 24 ' 6;812920691
' (x) '
100
24
Para x tal que 10

' (x) '
< jxj
10
5;
entonces ' (x) se aproxima como
2 10 8
44 16 2
10
44 8
+ x +
x = + x8 ( +
x ):
3 81
729
3
81 729
100
32
10
se tiene 10
400
3
< jxj32
2 10 8
44 16
718 24 2
+ x +
x +
x = + x8
3 81
729
19683
3
10
100
10
+ x8
81
' 0; en cuyo caso

44
718 8
+
x
729 19683
As sucesivamente.
Para x tal que 10
< jxj
1 + (0;1)2
' (0;1) =
1
3
(0;1)4
1
3
(0;1)
1 + (0;2)2
' (0;2) =
1; calculamos ' (x) con la expresin que se deni originalmente. As,
1
3
1
4
(0;1)
(0;2)4
'
1;000033332 0;9999666656
' 0;6666664;
(0;1)4
'
1;000533049 0;999466382
' 0;666666875:
(0;2)4
1
3
2 10
Note que si se utiliza el desarrollo de ' (x) = + x8 +
3 81
que es mucho ms exacto que el precedente:
; se obtiene ' (0;2) ' 0;6666669827
21
5. En este ejemplo se trata un mtodo de derivacin numrica.

Sea f una funcin real derivable en el intervalo ]a; b[ ; x0 2 ]a; b[ : La derivada de f en x0 se nota
df
f 0 (x0 ) o tambin
(x0 ) y se dene como
dx
f (x0 + h) :f (x0 )
;
h
f 0 (x0 ) = l m
h!0
f (x0 + h) :f (x0 )
h 6= 0; se llama cociente incremental.
h
Admitiremos que la funcin f es derivable en algn intervalo abierto ]a; b[ de R y nos proponemos
calcular numricamente f 0 (x0 ) : Sea h 2 R con h 6= 0 sucientemente pequeo. De la denicin de
f 0 (x0 ) surge inmediatamente la idea de aproximar f 0 (x0 ) mediante el cociente incremental, esto es,
siempre que el lmite exista. El cociente
f 0 (x0 ) '
f (x0 + h) :f (x0 )
:
h
En la gura siguiente se muestra la grca de una funcin f denida en ]a; b[ y la recta secante que
une los puntos (x0 ; f (x0 )) y (x0 + h; f (x0 + h)) en los casos h < 0 y h > 0:
Figura 5
Figura 6
Ponemos y0 = f (x0 ) ; y1 = f (x0 + h) y y00 una aproximacin de f 0 (x0 ) denida como

y00 =
y1
y0
h
y00 la denominaremos derivada numrica de f 0 (x0 ) :

Supongamos que f posee derivada segunda en ]a; b[ : El polinomio de Taylor con resto de f est
denido como
h2
f (x0 + h) = f (x0 ) + hf 0 (x0 ) + f 00 ( ) ;
2!
con h 6= 0 y entre x0 y x0 + h; entonces
f 0 (x0 ) =
f (x0 + h)
h
f (x0 )
h 00
f ( ):
2!
La aproximacin de f 0 (x0 ) se escribe como

y00 =
y1
y0
h
+ 0 (h) :
Con frecuencia y0 = f (x0 ) ; y1 = f (x0 + h) no se calculan exactamente, consideraremos y0 ; y1

aproximaciones de f (x0 ) y f (x0 + h) respectivamente.
Ejemplo
22

Consideremos la funcin real denida como f (x) = x4
x 2 R: Claramente f es derivable.
Calculemos numricamente f 0 (1;5) : Ponemos x0 = 1;5: En la tabla siguiente se muestran valores
y1 y 0
de h; x0 + h; y0 = f (x0 ) ; y1 = f (x0 + h) ; f 0 (x0 ) ' y00 =
:
h
x0 + h
y0
y1
0;1
0;005
0;00005
0;05
0;0005
0;000005
1;4
1;495
1;499995
1;55
1;5005
1;500005
5;0625
5;0625
5;0625
5;0625
5;0625
5;0625
3;8416
4;995336751
5;0624325
5;77200625
5;069253376
5;0625675
f 0 (x0 ) ' y00 =
y1
12;209
13;4326498
13;5
14;190125
13;506752
13;5
y0
h
El valor exacto de f 0 (1;5) es 13;5:

En base a la denicin de derivada numrica as como al proceso de clculo seguido en el ejemplo,
se propone como ejercicio elaborar el algoritmo correspondiente.
En un captulo ms adelante se vern otros mtodos numricos de clculo de f 0 (x0 ) y de derivadas
de orden superior. Igualmente, se tratar el clculo aproximado de derivadas parciales.
6. En este ejemplo se considera un mtodo de integracin aproximada.

Sean a; b 2 R con a < b; u una funcin real continua denida en [a; b]. Se considera el siguiente
problema:
hallar I (u) =
u (x) dx:
Como es conocido, la integral denida de una funcin continua est bien denida. Para el clculo de
I (u) se consideran dos casos: el primero en el que podemos encontrar una funcin primitiva F de
u, esto es, una funcin F tal que F 0 (x) = u (x) 8x 2 [a; b] y en consecuencia I (u) = F (b) F (a) :
En el segundo caso, no podemos encontrar una funcin primitiva de u; con lo que el clculo de I (u)
debemos realizarlo en forma aproximada. Para el efecto, elegimos el mtodo conocido como la regla
del rectngulo que describimos a continuacin.
Sean m 2 Z+ y
(m) = fx0 = a; x1 ; : : : ; xm = bg una particin de [a; b] ; esto es, xi 1 < xi i =

b a
1; : : : ; m: Ponemos hi = xi xi 1 i = 0; 1; : : : ; m; y b
h=maxfhi j i = 1; : : : ; mg: Si se elige h =
m
y xi = ih i = 0; 1; : : : ; m; (m) se dice particin uniforme. Se tiene hi = h y b
h = h: En general
estas particiones son las ms comunes.
Se dene la funcin real vn sobre [a; b] como sigue
vm (x) = u (ti ) x 2 [xi
vm (b) = u (b) ;
donde ti = xi
de u.
1+
1 ; xi [ ;
1
hi es el punto medio del intervalo [xi
2
i = 1; : : : ; m;
1 ; xi ] :
La funcin vm se le llama interpolante
En la gura siguiente se muestra la grca de una funcin u denida en [a; b] ; la particin
(m)
23
de [a; b] con m = 5 y la funcin interpolante vm de u:
Figura 7
Entonces
I (vm ) =
vm (x) dx =
m
X
m Z
X
i=1
hi u xi
i=1
xi
xi
vm (x) dx =
1
1
+ hi :
2
m Z
X
i=1
xi
xi
u xi
1
1
+ hi dx
2
La aproximacin I (vm ) de I (u) se llama regla del rectngulo. Note que el problema de clculo de la
m
P
1
integral I (u) se le ha tansformado en uno ms sencillo que es calcular I (vm ) =
hi u xi 1 + hi
2
i=1
Puesto que la funcin u se ha discretizado segn la particin (m) de [a; b] ; se tiene un conjunto de
puntos u (a) ; u (ti ) i = 1; : : : ; m; u (b) ; en el clculo de I (u) se comete un error de discretizacin.
En anlisis numrico interesa mucho estimar el error de discretizacin en el clculo numrico
de integrales denidas y particularmente del mtodo de la regla del rectngulo, esto es, estimar
jI (u) I (vm )j y probar que I(vm ) ! I (a) ; en un cpitulo posterior se tratarn todos estos
m!1
problemas.
Algoritmo
Datos de entrada: a; b 2 R; m 2 Z+ ; funcin u:
Datos de salida: I (vm ) ; mensaje.
1. Vericar a < b: Caso contrario, continuar en 8).

b a
2. Calcular h =
:
m
3. j = 0; 1; : : : ; m
xj = a + jh
Fin de bucle j.
4. S = 0:
5. j = 1; : : : ; m
tj = xj
+ 0;5h
S = S + u (tj )
Fin de bucle j:
6. I (vm ) = hS:
7. Imprimir I (vm ) : Continuar en 9).
24

8. Mensaje: a < b:
9. Fin.
Como aplicacin de la regla del rectngulo consideramos la funcin u denida como u (x) = x3 x 2
1
[1; 2] y m = 10: Se considera la particin uniforme. Se dene h =
= 0;1; la particin (10) del
10
intervalo [1; 2] est denida como (10) = f1; 1;1; 1;2; : : : ; 1;9; 1g : Entonces
I (v10 ) =
10
X
hi u (ti ) =
i=1
10
X
hi u xi
i=1
= 0;1 [u (1;05) + u (1;15) +

El valor exacto es
I (u) =
u (x) dx =
Note que jI (u)
1
+ hi
2
10
X
hu (xi
+ 0;05)
i=1
+ u (1;95)] = 3;74625:
x3 dx =
1 4
x
4
=
1
15
= 3;75:
4
I (v10 )j = 0;00375:
7. Ecuaciones diferenciales
Sean T > 0; f una funcin real denida en [0; T ] R: Suponemos que f es continua, ms an, se
supone que f satisface la condicin de Lipschitz que se indica a continuacin
9M > 0 tal que jf (t; y1 )
f (t; y2 )j
M jy1
y2 j
8y1 ; y2 2 R y t 2 [0; T ] :
Se considera el problema de Cauchy de valor inicial siguiente:

hallar u 2 C 1 ([0; T ]) solucin de
u0 (t) = f (t; u (t)) t 2 ]0; T [ ;

u (0) = u0 :
Por la hiptesis impuesta sobre f; se sabe que dicho problema tiene solucin nica. En la generalidad
de los casos, la funcin u no puede determinarse explcitamente, esta viene representada como una
integral de una funcin que no puede integrarse con funciones elementales lo que diculta el clculo
numrico de u (t) t 2 [0; T ] : Frente a estos dos hechos, la idea es aproximar la solucin de la
ecuacin diferencial en forma numrica.
Sean m 2 Z+ ; (m) = ft0 = 0; t1 ; : : : ; tm = T g una particin de [0; T ] donde tj 1 < tj
j =
b
1; : : : ; m: Ponemos hj = tj 1 tj j = 1; : : : ; m y h = max hj : Si se elige una particin uniforme,
j=1;:::;m
T
se tiene tj = jh j = 0; 1; : : : ; m con h = :
m
u (t + h) u (t)
se sigue que para h sucientemente pequeo y no
De la denicin de u0 (t) = l m
h!0
h
nulo,
u (t + h) u (t)
u0 (t) '
t 2 ]0; T [ ;
h
y como u0 (t) = f (t; u (t)) entonces
u (t + h)
h
u (t)
' f (t; u (t)) t 2 ]0; T [ ;
luego
u (t + h) ' u (t) + hf (t; u (t)) ;
y en t = tj ; se obtiene
u (tj+1 ) ' u (tj ) + hf (tj ; u (tj )) j = 0; 1; : : : ; m
1:
Denotamos con uj un aproximacin de u (tj ) j = 0; 1; : : : ; m: Consideramos una particin uniforme

de [0; T ] : Se dene
u0 dado,
uj+1 = uj + hf (tj ; uj ) j = 0; 1; : : : ; m:
25
que se conoce como esquema numrico de Euler explcito, lo que a su vez da lugar al siguiente
algoritmo.
Algoritmo
Datos de entrada: m; funcin f (t; u (t)) ; u0 ; T:
Datos de salida: tj ; uj ; j = 0; 1; : : : ; m:
T
1. Poner h = :
m
2. (m) = ftj = jh j j = 0; 1; : : : ; mg :
3. Para j = 0; 1; : : : ; m
uj+1 = uj + hf (tj ; uj )
Fin de bucle j:
4. Imprimir resultados: tj ; uj j = 0; 1; : : : ; m:
5. Fin.
u0 (t) = u (t) + t t 2 ]0; 0;5[ ;
u (0) = 0:
Tenemos f (t; u (t)) = u (t) + t: En este caso la solucin u (t) se determina mediante el conocido
mtodo de separacin de variables, se obtiene u (t) = (t + 1) + et t 2 [0; 0;5] :
0;5
Sean m = 5; h =
= 0;1 y (5) = f0; 0;1; : : : ; 0;5g una particin de [0; 0;5] ; u0 = 0: Los
5
resultados del mtodo de Euler explcito se muestran a continuacin.
Apliquemos el mtodo de Euler explcito al siguiente ejemplo:
u1 = u0 + h (u0 + t0 ) = 0 + 0;1 (0 + 0) = 0;
u2 = u1 + h (u1 + t1 ) = 0 + 0;1 (0 + 0;1) = 0;01;
u3 = u2 + h (u2 + t2 ) = 0;01 + 0;1 (0;01 + 0;2) = 0;031;
u4 = u3 + h (u3 + t3 ) = 0;03 + 0;1 (0;031 + 0;3) = 0;0641;
u5 = u4 + h (u4 + t4 ) = 0;0641 + 0;1 (0;0641 + 0;4) = 0;11051:
En la gura siguiente se muestra la grca de la solucin u (t) con lnea continua y la aproximada
se muestra con sobre la particin de [0; 0;5] :
Figura 8
En la tabla siguiente se muestran los valores exactos de u; los calculados uj sobre la particin
as como ju (tj ) uj j :
j
0
1
2
3
4
5
tj
0
0;1
0;2
0;3
0;4
0;5
u (tj )
0
0;005170918
0;021402758
0;049858808
0;091824698
0;148721271
uj
0
0
0;01
0;031
0;0641
0;11051
ju (tj ) uj j
0
0;005170918
0;011402758 :
0;018858808
0;027724698
0;038211271
(5)
26

Note como se incrementa el error. Esta clase de problemas se abordarn en el ltimo captulo,
donde se har un anlisis de la convergencia de los mtodos y en particular de este mtodo de Euler
explcito.
1.4.
Sistemas de Numeracin.
Entre los sistemas de numeracin ms usados tenemos el sistema decimal o de base 10 cuyas cifras
decimales son los enteros comprendidos entre 0 y 9. El nmero 10 es llamado base de dicho sistema.
Sea M 2 Z+ , para indicar su representacin decimal escribimos M = mn mn 1 : : : mo ; donde
mi 2 f0; 1; 2; : : : ; 9g 8i = 0; 1; : : : ; n. A la representacin decimal de M le asociamos el polinomio
n
P
mk xk x 2 R, donde los coecientes mk k = 0;
; n son las cifras decimales del nmero
P (x) =
k=0
entero positivo M: Entonces M = P (10) =
n
P
mk
10k : As por ejemplo si M = 2165, el polinomio
k=0
asociado a M est denido como P (x) = 5 + 6x + x2 + 2x3

P (10) = 5
100 + 6
101 + 1
x 2 R. En x = 10 se tiene
102 + 2
103 = 2165 = M:
Otro de los sistemas de numeracin ms utilizados es el binario o de base 2, cuyas cifras binarias son los
dgitos 0 y 1: En este sistema, un nmero entero positivo A lo representaremos como A = (an an 1 : : : a0 )2 ;
donde ai 2 f0; 1g i = 0; : : : ; n: Cul es la representacin de este nmero A en el sistema decimal? A
continuacin abordamos el problema de la conversin entre estos dos sistemas de numeracin.
Es claro que el nmero entero 0 se representa como 0 en el sistema decimal y como (0)2 en el sistema
binario.
1.4.1.
Conversin de binario a decimal y viceversa.
Conversin de binario a decimal.

Sea A = (an an 1 : : : aP
0 )2 un nmero binario. Para convertir el nmero A al sistema decimal le asociamos
el polinomio P (x) = nk=0 ak xk , donde ak 2 f0; 1g k = 0; : : : ; n son las cifras binarias del nmero A;
y evaluamos P (2) usando el esquema de Hrner. As A = P (2) en el sistema de numeracin decimal.
Ejemplo
Sea M = (1101101)2 . Determinemos M en base 10. Para el efecto, asociamos a M el polinomio
P (x) = 1 + x2 + x3 + x5 + x6 x 2 R: Utilizando el esquema de Hrner, se tiene que P (2) = 109,
por lo tanto (1101101)2 = 109:
Conversin de decimal a binario.
Sea M 2 Z+ en base 10. Supongamos que M tiene laPsiguiente representacin en binario M =
n
k
(an an 1 : : : a2 a1 a0 )2 cuyo polinomio asociado es P (x) =
k=0 an x y evaluado en x = 2 se expresa
como sigue:
n
X
P (2) =
an 2k = a0 + a1 2 + a2 22 +
+ an 2n :
k=0
Sea u 2 Z. Recordemos que un nmero entero u se dice par si y solo si existe j 2 Z tal que u = 2j; y u
se dice impar si y solo si existe j 2 Z tal que u = 2j + 1:
Para determinar las cifras binarias a0; a1 ; : : : ; an , procedemos como sigue: a1
es par, entonces
M impar , a0 = 1; y, M par , a0 = 0:
2 + a2 + 22 + : : : an
2n
1.4. SISTEMAS DE NUMERACIN.
27
Determinada la cifra a0 , pasamos a determinar la cifra a1 . Denimos M1 =

an 2n 1 : Luego,
M1 impar , a1 = 1; y, M1 par , a1 = 0:
De manera anloga a la precedente, denimos M2 =
M2 impar , a2 = 1;
M1 a1
2
= a2 + a3
M a0
2
= a1 + a2
2 + : : : + an
2n
2;
2 + ::: +
entonces
y, M2 par , a2 = 0:
Continuando con este proceso n veces obtenemos las cifras binarias ak ; k = 0; 1; : : : ; n.

P
Para determinar n, observamos que si para todo k; an = 1, entonces nk=0 2k = 2n+1 1 < 2n+1 ; y si
para k = 0; 1; : : : ; n 1; ak = 0 y an = 1, entonces P (2) = 2n . Por lo tanto n 2 N debe vericar la
desigualdad
2n M < 2n+1 :
Dado un nmero entero positivo en el sistema numrico decimal, el procedimiento descrito precedentemente permite obtener las cifras binarias de dicho nmero. El algoritmo de conversin de decimal a
binario es el siguiente:
Algoritmo
Dato de entrada: M:
Dato de salida: (an an
1 : : : a0 )2 :
1. Determinar n tal que 2n
M < 2n+1 :
2. M0 = M .
3. i = 0; 1; : : : ; n
ai =
Mi+1 =
0;
1;
1
si Mi es par,
si Mi es impar.
Mi
ai
2
Fin de bucle i.
4. an = Mn .
5. Imprimir nmero binario (an an
1 : : : a0 )2 :
6. Fin.
Ejemplos
1. Sea M = 2412. Apliquemos el algoritmo precedente. Determinemos el nmero de cifras requeridas
en la representacin binaria. Tenemos la desigualdad 211 = 2048 < M < 212 = 4096, se sigue que
n = 11: En la siguiente tabla se ilustran los resultados de la aplicacin del algoritmo de conversin
de decimal a binario del nmero 2412:
i
0
1
2
3
4
5 6 7 8 9 10 11
Mi 2412 1206 603 301 150 75 37 18 9 4 2 1
ai
0
0
1
1
0
1 1 0 1 0 0 1
Por lo tanto 2412 = (100101101100)2 :
2. Sea M = 729: Se tiene que n = 9 y la aplicacin del algoritmo nos da 729 = (1011011001)2 :
Caso fraccionario.
Consideramos ahora el caso de la conversin de decimal a binario para nmeros racionales.
28
Denicin 2
i. La serie
1
X
ak 2
k=1
ii. La fraccin binaria se dice nita si 9n0 2 Z+ tal que 8n

binaria se dice innita.
Observacin: la serie
P1
k=1 ak 2
1
X
ak 2
1
X
P1
k=1 ak 2
1
X
ak 2
k=1
n0 , an = 0. De otro modo, la fraccin
es convergente, pus ak 2
k=1
Sea S =
8k 2 Z+ :
se llama fraccin binaria, donde ak 2 f0; 1g
k,
= 1:
8k 2 Z+ , y
k=1
una fraccin binaria. En el sistema binario escribimos S = (0:a1 a2 a3 : : :)2 :
Ejemplo
El nmero (0;00111 : : :)2 es una fraccin binaria innita y representa a 0;25, mientras que el nmero (0;01)2
es una fraccin binaria nita y tambin representa a 0;25. Este ltimo es consecuencia del redondeo del
primero, que se tratar ms adelante.
Dada una fraccin binaria nita (0:a1 a2 a3 : : : an )2 , asociamos a la misma el polinomio P (x) =
n
P
ak xk
k=1
x 2 R: Para determinar el valor del nmero binario en el sistema decimal, calculamos el valor de P (0;5)
usando el esquema de Hrner. Por tanto (0:a1 a2 : : : an )2 = P (0;5) en el sistema decimal.
Ejemplos
1. Si (0;01101)2 ; entonces P (x) = x2 (1 + x(1 + x2 )), de donde
P (0;5) = (0;5)2 (1 + 0;5(1 + (0;5)2 )) = 0;40625:
2. Sea b = (0;101101)2 : El polinomio asociado al nmero b es P (x) = x+x3 +x4 +x6 x 2 R: Entonces
b = P (0;5) = 0;703125:
Veamos el problema recproco, es decir la conversin de una fraccin decimal a binario.
Primeramente, se debe tener presente que, en general, un nmero real no admite una representacin
binaria nita. Por ejemplo, un nmero real que admite una representacin decimal innita seguramente
su representacin binaria no es nita. Adems, si un nmero real tiene representacin decimal nita no
siempre admite representacin binaria nita, as los nmeros 0;1 y 0;01 no admiten representacin binaria
nita pero si peridica.
Sea b 2 R tal que 0 < b < 1: Fijado n 2 Z+ , determinemos las n primeras cifras binarias de b, esto es,
determinamos la fraccin binaria nita (0:a1 a2 : : : an )2 que lo notamos b1 = (0:a1 a2 : : : an )2 : Tenemos
b1 = a1
2b1 = a1 + a2
Entonces a2
+ a3
+ a2
2
+ : : : + an
+ a3
2
n+1
a1 = 0 , 2b < 1;
+ a3
2
+ : : : + an
+ : : : + an
n+1
()
< 1; luego
y, a1 = 1 , 2b
1:
Determinada la cifra binaria a1 pasamos a determinar la cifra binaria a2 : Se dene

b2 = 2(2b1
a1 ) = a2 + a3
+ : : : + an
n+2
29
Razonando como en la parte previa, tenemos

a2 = 0 , b2 < 1;
y, a2 = 1 , b2
1:
En la k-sima etapa, tenemos

bk = ak + ak+1 2
+ : : : + an 2
n+k
de donde
ak = 0 , bk < 1;
y, ak = 1 , bk
1:
Tenemos el siguiente algoritmo de conversin de decimal a binario.

Algoritmo
Datos de entrada: b; n:
Datos de salida: (0.a1 a2 : : : an )2 :
1. b1 = b:
2. k = 1; : : : ; n
ak =
1;
0;
bk+1 = 2bk
3. an =
1;
0;
si 2bk 1;
si 2bk < 1:
ak
si 2bn 1;
si 2bn < 1:
4. Imprimir la fraccin binaria (0.a1 a2 : : : an )2 :

5. Fin.
Ejemplos
1
1. Sean b = . Determinemos las primeros cinco cifras binarias de b: Tenemos n = 5: En la tabla
3
siguiente se ilustran los resultados de la aplicacin del algoritmo precedente.Tenemos,
i
bi
2bi
ai
1
3
2
3
0
2
3
4
3
1
1
3
2
3
0
2
3
4
3
1
1
3
2
3
0:
Las cinco primeras cifras binarias de b son: (0: 0 1 0 1 0)2 : La fraccin binaria nita (0: 0 1 0 1 0)2
es una aproximacin de b:
2. En la tabla siguiente se muestran los resultados de la aplicacin del algoritmo de conversin de
decimal a binario para b = 0;1 con 10 cifras binarias:
i
1
2
3
4
5
6
7
8
9 10
bi 0;1 0;2 0;4 0;8 0;6 0;2 0;4 0;8 0;6 0;2
2bi 0;2 0;4 0;8 1;6 1;2 0;4 0;8 1;6 1;2 0;4
ai
0
0
0
1
1
0
0
1
1
0:
Obtenemos ~b = (0;0001100110)2 aproximacin de b con 10 cifras binarias.
30
Observacin. Supongamos que b =
1
P
ak 2
y eb = (0:a1 : : : an )2 : Sea 0 < T ol < 1 sucientemente
k,
k=1
pequeo. Determinemos n tal que b
n
eb < T ol: Sea xn = P ak 2
k:
Entonces
k=1
xn =
1
X
ak 2
< T ol:
k=n+1
Basta elegir n como el ms pequeo nmero entero positivo tal que 2 n < T ol: Para tal n resulta que
n
P
ak 2 k : A esta fraccin binaria nita la
la fraccin binaria nita eb = (0:a1 : : : an )2 en decimal es xn =
k=1
denominaremos aproximacin de b con una precisin T ol:

Ejemplo
1
Sean b = (0;001111 : : :)2 ; eb = (0;01)2 ; T ol = 10 5 : Entonces b eb = n < T ol = 10
2
y consecuentemente
19
X
1
1
eb =
= 0;25:
ak 2 k =
4 219
5:
Se tiene n = 19
k=1
Note que b = (0;001111 : : :)2 =
1
X
k=3
1
= 0;25; y eb = (0;00111 : : : 1)2 ' (0;01)2 = 0;25:
4
El algoritmo de conversin de decimal a binario para el caso entero puede ser utilizado para determinar las
n primeras cifras binarias de un nmero real b 2]0; 1[: En efecto, sea b 2 R+ con 0 < b < 1: Supongamos
1
P
que b =
ak 2 k una fraccin binaria. Para n 2 Z+ buscamos una aproximacin binaria nita de la
k=1
forma eb = (0:a1 a2 : : : an )2 : Entonces
de donde
eb = P
1
2
n
X
ak 2
= a1
+ : : : + an
k=1
2neb = an + an
2n
2n 1 + : : : + an 1 2 + an + an+1 2
~b + an+1 2 1 + an+2 2 2 + : : : ;
2 + : : : a1
Puesto que 2n b, en general, no es un entero y como

2n b = a1
= 2
+ an+2
+ :::
entonces M = [2n b] = 2neb; donde [ ] denota la funcin mayor entero menor o igual que x y para nmeros
reales positivos coincide con la parte entera de dicho nmero: Resulta que M = (a1 a2 : : : an )2 cuyas cifras
binarias pueden ser determinadas por aplicacin del algoritmo de conversin de decimal a binario para
M 2 Z+ ya descrito anteriormente.
1.4.2.
Conversin de decimal a cualquier base y viceversa
Sea N 2 Z+ con N > 1. En el sistema de numeracin de base N , los dgitos de dicho sistema son
0; 1; : : : ; N 1 si N 10, y si N > 10 los dgitos de dicho sistema son 0; 1; : : : ; 9 y para las N 10 cifras
sucesivas se utilizan otros smbolos, por ejemplo las letras A; B; C; : : : en ese orden.
Sistema
Binario
Octal
Decimal
Hexadecimal
Base
2
8
10
16
Dgitos
0; 1
0; 1; : : : ; 7
0; 1; : : : ; 9
0; 1; : : : ; 9; A; B; : : : ; F .
31
Sea M 2 Z+ , al nmero M lo representamos en base N de la manera siguiente: M = (mn mn 1 : : : m0 )N ;

f0; 1; : : : ; N 1g, si N 10,
donde mk 2
A este nmero entero positivo M representado en el
f0; 1; : : : 9; A; B; : : :g, si N > 10:
n
P
sistema de numeracin de base N le asociamos el polinomio real P (x) =
mk xk x 2 R: Entonces M
k=0
en el sistema de numeracin decimal se determina mediante la evaluacin del polinomio P (x) en x = N;

esto es, M = P (N ) en base 10.
Ejemplos
1. Sea M = (7347)8 : El polinomio asociado a M se escribe como:
P (x) = 7 + 4x + 3x2 + 7x3 = 7 + x(4 + x(3 + 7x)) x 2 R:
Luego P (8) = 7 + 8(4 + 8(3 + 7
8)) = 3815 en base 10. As (7347)8 = 3815:
2. Sea M = (3AF )16 . El polinomio asociado es P (x) = F + Ax + 3x2 cuyo valor en x = 16 es

P (16) = F + A
16 + 3
162 = 943:
Tenemos (3AF )16 = 943:

Para elaborar un algoritmo de conversin de base 10 a base N, debemos primeramente revisar el algoritmo
de la divisin de Euclides y las clases residuales.
El algoritmo de la divisin de Euclides se establece en los siguientes trminos: dados a; b 2 Z+ , existen
c; r 2 N tales que 0 r < b, y a = bc + r: El nmero natural c se llama cociente y r se llama residuo. Por
ejemplo, si a = 23, b = 5, entonces 23 = 4 5 + 3; donde c = 4 y r = 3.
Por otro lado, la congruencia mdulo m se dene como a continuacin se indica: dados m 2 Z+ , a; b 2 Z,
se dice que a y b son congruentes mdulo m que se escribe a b mod(m) si y solo si existe c 2 Z tal que
a b = cm: Es inmediato vericar que la relacin de congruencia mdulo m es una relacin de equivalencia
y que dicha relacin dene una particin de Z en clases residuales notadas como [0]; [1];
; [m 1] tales
que
[j] = fcm + j j c 2 Zg,
[i] \ [j] = ; para i 6= j, i; j = 0; : : : ; m

m
[1
Z =
[j] :
1;
j=0
El procedimiento descrito para obtener las cifras binarias de un nmero en base 10 equivale a aplicar el
algoritmo de la divisin de Euclides: a = 2c + r; donde c 2 N y r 2 f0; 1g.
Este procedimiento puede extenderse de modo similar a otras bases. En efecto, sea M 2 Z+ expresado en
el sistema decimal, N 2 Z+ con N > 1 la nueva base. Por el algoritmo de la divisin de Euclides, se tiene
que M = cN + r; donde r 2 N tal que 0 r < N: Las clases residuales mdulo N son: [0]; [1]; : : : ; [N 1].
El algoritmo de conversin de base 10 a base N se describe a continuacin.
Algoritmo
Datos de entrada: M; N
Dato de salida: (an an
1 : : : a0 )N :
1. Determinar n tal que N n

2. M0 = M .
3. i = 0; 1; : : : ; n
M < N n+1 :
32

ai = r
si Mi 2 [r];
Mi+1 =
Mi ai
N
Fin de bucle i.
4. an = Mn .
5. Imprimir M = (an an
1 : : : a0 )N :
6. Fin.
Ejemplo
1. Sean M = 35, N = 3. Se verica inmediatamente que 33 35 < 34 ; luego n = 3 y consecuentemente
M tiene cuatro cifras en base 3. Ponemos M = (a3 a2 a1 a0 )3 . Debemos determinar las cifras
a0 ; a1 ; a2 ; a3 2 f0; 1; 2; g: En la siguiente tabla se muestran los resultados de la aplicacin del
algoritmo de conversin de decimal a base 3.
M0 = M = 35 2 [2], a0 = 2;
M2 =
M1
a1
3
= 3 2 [0];
M0
M1 =
a2 = 0;
a0
3
M3 =
= 11 2 [2], a1 = 2;
M2
a2
3
= 1 = a3 :
Luego 35 = (1022)3 :
Relacin del nmero de cifras entre dos sistemas de numeracin
La relacin del nmero de cifras para la representacin de un nmero en dos bases distintas lo podemos
determinar de la siguiente manera. Sean a; b 2 R+ con a 6= 1; b 6= 1 dos bases distintas y
M 2 Z+ expresado en base 10. Supongamos que M se representa con respecto de estas dos bases
como M = (an an 1 ; : : : a0 )a ; y M = (bm bm 1 : : : b0 )b : Entonces m; n 2 N satisfacen las siguientes
desigualdades:
an
M < an+1 ;
bm
M < bm+1 ;
y en consecuencia
De la relacin logb (M ) = logb (a)
loga (M ) < n + 1;
logb (M ) < m + 1:
loga (M )), se sigue que

m
loga (M )
logb (a) <
logb (a)
loga (M ) < m + 1; de donde
m+1
:
loga (M )
Tomando en consideracin que n < loga (M ) < n + 1; se obtiene la siguiente desigualdad

m
m
<
n+1
loga (M )
logb (a) <
m+1
loga (M )
m+1
:
n
1
sea despreciable, se deduce que
n
m
logb (a) '
() nlogb (a) ' m;
n
Para M sucientemente grande de modo que
es decir que M en el sistema de numeracin de base a requiere de aproximadamente nlogb (a) cifras en el
sistema de numeracin de base b:
m
Para b = 2 y a = 10 se tiene que
' 3, de donde m ' 3n: La representacin binaria requiere
n
aproximadamente cerca de 3 veces del nmero de cifras necesarias en la representacin decimal. Para
m
b = 2 y a = 16; se tiene
= 4:
n
1.5. REPRESENTACIN EN PUNTO FLOTANTE.
1.5.
33
Representacin en punto otante.
La representacin en punto otante normalizada de un nmero real no nulo x en el sistema decimal

1
(comnmente conocida como notacin cientca) se expresa como x = a 10p ; donde a 2 [ 10
; 1[;
p 2 Z. El nmero a se denomina mantisa de x y el exponente p se denomina caracterstica de x: Este
tipo de escritura de los nmeros reales se utiliza en algunos instrumentos de clculo como por ejemplo
las calculadoras de bolsillo, los computadores porttiles. Ms precisamente, un nmero de mquina d 6= 0
en una calculadora o en un computador es un nmero real que tiene su representacin en punto otante
normalizada de la forma:
d = sign(d) a 10p ;
donde sign(d) denota el signo de d, a = 0:d1
dm con di 2 f0; 1;
; 9g, i = 1;
; m, d1 6= 0; y
el exponente p, por ejemplo para ciertos tipos de calculadoras de bosillo, pertenece al conjunto f 100;
99;
; 98, 99g:
Si b = 0, entonces di = 0; i = 1;
; m: La condicin d1 6= 0 asegura que a
aplicacin numrica, el nmero de cifras decimales m es, en general, jo.
10
1:
Adems, para una
Ejemplos
1685
= 561;6666 : : : se escribe en punto otante normalizado 0;5616666 : : : 103
3
y como nmero de mquina en punto otante (por ejemplo para una calculadora de bolsillo)
0;5616666667 103 :
1. El nmero x =
2. El nmero x = 0;0000000001 como nmero en punto otante normalizado (y como nmero de

mquina) se escribe como 0;1 10 10 .
Fijado el nmero de cifras decimales m, debe notarse que la mantisa ms pequea es a = 0;1 y no
a = 0;0
01 y la mantisa ms grande es a = 0;9
9.
En el sistema binario, la representacin de nmeros reales es anloga. Un nmero real x 6= 0 tiene una
representacin binaria normalizada que se escribe como sigue:
x = sign(x)
2p ;
donde a 2 [ 12 ; 1[ y p 2 Z. El nmero a se expresa como una serie binaria

como un entero en binario, esto es:
jpj = (pn pn
1 : : : p0 )2
n
X
P1
i=1 ai 2
y jpj se escribe
p i 2i :
i=0
Ejemplos
1. x =
2.
1685
=
3
0;001 =
1685
3
29
2
1000
2
9
10
210 =
0;512
1685
3072
210 :
9:
Una cifra binaria se denomina bit. Si el nmero de bits asignados para almacenar el nmero es jo, un
nmero de mquina tiene una forma de punto otante binaria normalizada
b = sign(b) a 2p ; que
8
< un bit para el signo de b;
r bits para el exponente jpj;
puede almacenar exactamente usando los siguientes grupos de bits:
:
m bits para la mantisa a:
34
Es decir que un nmero de mquina b en punto otante binario normalizado requiere para su
representacin de m + r + 1 bits, a condicin de que dicho nmero de bits sea jo. Adems,
a = (0: b1 : : : bm )2 ;
jpj = (pr
bi 2 f0; 1g; i = 1; : : : ; m; b1 6= 0;
1 : : : p0 )2 ;
pj 2 f0; 1g; j = 0; 1; : : : ; r
1:
1
2
La mantisa ms pequea es a = (0;10 : : : 0)2 = y la ms grande es a = (0;11 : : : 1)2 = 1

exponente se tiene que
0 jpj 2r 1:
m:
Para el
En consecuencia, el nmero ms grande a representarse en punto otante binario normalizado es

(1
2r :
y el nmero positivo ms pequeo es 2
b = (0:b1 : : : bm )2
donde q
0. Como 0
2r
22
Este ltimo se obtiene del modo siguiente:

q
1, entonces
(0;10 : : : 0) =
1
2
q 1
=2
2r + 1; y en consecuencia b
q 1
=2
2r :
As, un nmero de mquina en punto otante binario normalizado satisface la desigualdad:

2r
jbj
22
Adems, el conjunto de nmeros de mquina es nito.

Por ejemplo,si se tiene m = 24; r = 7: Entonces 0
10
38
'2
p
jbj
127 y 22
22
= 2127 ' 1038 , de modo que
' 1038 :
En la actualidad se tiene los siguientes tipos de representacin de nmeros reales: simple precisin, doble
precisin y doble precisin extendida. El estudiante debe conocer cuantos bits se requieren para la mantisa
y cuantos para el exponente. Por ejemplo para ciertos tipos de mquinas se tiene 1 bit para el signo,
para doble precisin se tienen 23 bits para la mantisa y 8 bits para el exponente, para doble precisin
extendida se tienen 47 bits para la mantisa y 16 bits para el exponente. Si se dispone de 64 bits para
representar un nmero en doble precisin extendida, estos se dispone de la manera siguiente: 47 bits para
la mantisa, 1 bit para el signo y 16 bits para el exponente.
Observacin.
1. En una calculadora de bolsillo, el nmero de bits para representar la mantisa as como su equivalente
en base 10 es, generalmente jo. En un computador se tiene alguna exibilidad para almacenar
mantisas de diferentes tallas. Adems, la aritmtica que utilizan puede ser binaria (base 2), octal
(base 8), hexadecimal (base 16).
2. En las calculadoras se almacena el exponente p con un corrimiento de 100, de tal manera que el
exponente corrido E + 100 es un entero no negativo entre 0 y 199. De este modo se evita utilizar
un bit para el signo del exponente. As por ejemplo:
x=
1685
= 0;5616666667
3
103 ;
p + 100 = 103:
En binario, el exponente corrido de r bits tiene una representacin de la forma

0
p + p0 = (br
1 : : : b0 )2 =
r 1
X
bi 2i
2r
1:
i=0
El corrimiento p0 se le toma como 2r

2r
2r
1,
en cuyo caso
1
p0 = 2r
2r
= 2r
1:
1.6. TIPOS DE ERRORES
35
Los enteros m (para la mantisa), p0 y r son jos.

1 j 101100110 : : : 0 j 0000110 , donde m = 24; r = 7, indica
Por ejemplo, el grupo de bits:
que el nmero es negativo (primer bit 1), la mantisa a = (0;101100110 : : : 0)2 = 0;69922;
p + p0 = (0000110)2 = 6: Puesto que p0 = 2r 1 = 27 1 = 64, entonces p = 6 p0 = 58;
x = 0;69922 2 58 : Note que para r = 7; 64 p 63:
Para el grupo de bits 0 j 101100110 : : : 0 j 1000010 se tiene: mantisa a = (0;101100110 : : : 0)2 =
0;69922, exponente con corrimiento: p + p0 = (1000010)2 = 66, p0 = 64 entonces p = 66 p0 =
2. Luego x = 0;69922 22 = 2;57688:
1.6.
Tipos de Errores
En la seccin 3 hemos visto algunos ejemplos de clculo de soluciones numricas de problemas

relativamente sencillos que surgen en los mbitos del lgebra lineal, el anlisis matemtico, las ecuaciones
diferenciales en los que se evidencian los resultados aproximados obtenidos en instrumentos de clculo
como son las calculadoras de bolsillo y los computadores. Con cualquiera de estos instrumentos, los
resultados mostrados estn sujetos a errores.
En el anlisis numrico, uno de los problemas fundamentales es el estudio o anlisis del error cometido en
cada uno de los mtodos de aproximacin que se proponen. Interesa establecer la exactitud y precisin en
el clculo de la solucin de un problema (P ), la minimizacin de los errores cometidos en el clculo de la
solucin aproximada de (P ). Se distinguen varios tipos de errores que limitan la exactitud. Estos pueden
clasicarse en tres grupos: errores en los datos de entrada o errores inherentes; errores de redondeo y
errores de aproximacin.
1. Errores en los datos de entrada o errores inherentes. Se deben a esquematizaciones hechas

para la reduccin de trminos matemticos de cierto modelo. Pueden deberse tambin a errores
debidos en las medidas experimentales de una magnitud fsica o a observaciones de cualquier otra
ndole (de tipo econmico, social, etc.). Pueden tener tambin su origen como resultados de un
clculo realizado previamente. Ntese que estos errores aparecen antes de iniciar el clculo de un
cierto problema (P ). En el estudio que nosotros haremos no nos ocuparemos de este tipo de errores.
2. Errores de redondeo. Estos errores son debidos a la necesidad de trabajar con nmeros de
mquina. Dependen casi exclusivamente del instrumento de clculo a disposicin. La evaluacin
rigurosa es, a menudo, muy complicada. Para el clculo de la solucin de ciertos problemas que
consideraremos ms adelante, los errores de redondeo tienen una inuencia enorme que puede
arruinar los resultados. Por tanto es de mucha importancia el poder controlarlos.
A continuacin presentamos tres nmeros reales y sus aproximaciones con 8, 16, 24, 32 cifras luego
del punto decimal, las mismas que han sido obtenidas con el programa de Matemtica. El smbolo
' se utilizar en lo sucesivo para indicar aproximacin. Tenemos,
805
111
805
111
805
111
' 7;25225225;
805
' 7;252252252522522525;
111
' 7;252252252522522525225225;
' 7;25225225252252252522522525225225;
' 3;14159265;
' 3;1415926535897932;
' 3;141592653589793238462643;
' 3;14159265358979323846264338327950;
36

p
p
2 ' 1;41421356;
2 ' 1;4142135623730950;
2 ' 1;414213562373095048801689;
2 ' 1;41421356237309504880168872420970:
805
Note que el nmero
es un nmero racional, su representacin decimal es innita y peridica.
111
Basta conocer el primer perodo de su representacin decimal y con esta puede escribirse el nmero
con el nmero de cifras que se desee.
Al representar los nmeros reales como aproximaciones con un nmero determinado de cifras
decimales, se comete un error de redondeo que trataremos ms adelante.
3. Errores de aproximacin. Este tipo de errores se dividen en dos grupos: los errores de
truncamiento y los errores de discretizacin.
a) Errores de truncamiento. Consideremos los siguientes ejemplos.
1
P
1. Sean (an ) una sucesin numrica real y
an una serie que suponemos convergente. Denotamos
con S su suma, esto es, S =
1
P
n=0
an : Con frecuencia, el clculo exacto de S es muy difcil de obtener,
n=0
por lo que se recurre al clculo aproximado. La idea es aproximar la suma S a travs de un nmero
m
P
nito m de trminos, digamos Sm =
an : Este procedimiento produce un error denominado
n=0
de truncamiento. La determinacin del nmero de trminos necesarios para la aproximacin de la

solucin S es importante, pus evita la ejecucin de clculos que no mejoran la precisin de la
solucin, y, disminuyen los costos numricos.
1
P
2. Sean (fn ) una sucesin de funciones denidas en un intervalo [a; b] de R y
fn una serie de
n=0
funciones que suponemos converge uniformemente en el intervalo [a; b]: Se dene la funcin f como
1
P
sigue: f (x) =
fn (x)
x 2 [a; b]. Nos interesamos en trazar la grca de la funcin f: En la
n=0
generalidad de situaciones resulta complicado, y en ocasiones imposible, el clculo de cada f (x):

Una forma de resolver este problema es aproximar cada f (x) con una suma nita de trminos de
1
P
la serie
fn (x), la misma que se elige apropiadamente en funcin de la precisin que deseamos
n=0
obtener. Este proceso de aproximacin provoca un error denominado de truncamiento. Por otro lado,
dado el volumen de clculo a realizar es conveniente elaborar un algoritmo numrico para calcular
cada f (x): Cuando la serie converge rpidamente este es el camino a seguir. Lastimosamente, en
ocasiones, el solo hecho de limitar a un nmero nito de trminos no basta sobre todo en el caso
de series que convergen lentamente, esto conduce a proponer otro tipo de problema que consiste
en la bsqueda de un mtodo para acelerar la convergencia de la serie, una vez logrado esto, se
pasa a calcular los valores aproximados de f (x): En un captulo posterior se estudian esta clase de
problemas.
b) Errores de discretizacin. Consideremos los siguientes ejemplos.
1) Sea v una funcin real continua en el intervalo cerrado [a; b]: Queremos calcular v(x) con x 2 [a; b];
lastimosamente la funcin v no es conocida en todo el intervalo [a; b] sino en un conjunto nito de
m + 1 puntos de una particin (m) = fx0 = a; x1 ;
; xm = bg de [a; b]; donde xi 1 < xi
2
i = 1;
; m; digamos S = f(xi ; v(xi )) 2 R j i = 0; 1;
; mg. Este problema (P ) se presenta
con mucha frecuencia y se le conoce como problema de interpolacin. La idea es aproximar v(x)
mediante vh (x) de una funcin vh denida en [a; b] que sea mucho ms simple de calcular de modo
i=m
P
que vh (xi ) = v(xi ) i = 0; 1;
; m; esto conduce a construir la funcin vh como vh =
v(xi )'i ;
i=0
donde f'0 ;
; 'm g es un conjunto de funciones que se construyen apropiadamente. La funcin vh
as denida se conoce con el nombre de funcin interpolante de v. Este proceso produce un error
denominado de discretizacin. En un captulo posterior se estudia este tipo de problemas.
En la gura siguiente se muestra la grca de una funcin continua v denida en el intervalo [0; a]
con a > 0; y la de una funcin interpolante vh (segmentos de recta) de v: Se muestran tambin los
1.6. TIPOS DE ERRORES
37
puntos de la particin de (m) de [0; a] :
Figura 9
2) Sea L > 0: Se considera el siguiente problema:

hallar una funcin u 2 C 2 ([0; L]) solucin de
u00 (x) + u(x) = f (x) si x 2]0; L[;

u(0) = 0; u(L) = 0;
donde f 2 C( [0; L]); con C k ([0; L]) el espacio de funciones que poseen derivada continua en el
intervalo [0; L]; k = 0; 1;
; y se pone C([0; L]) = C 0 ([0; L]). Este problema es parte de la familia
de los denominados problemas unidimensionales de valores en la frontera. Con la hiptesis sobre f;
se demuestra que este problema tiene solucin nica u 2 C 2 ([0; L]). Para ciertos tipos de funciones
f se puede encontrar soluciones explcitas que no se representan como integrales, para otros tipos de
funciones f las soluciones se expresan como integrales de las que no pueden calcularse sus primitivas
o que resultan difciles de calcularse. Por otro lado, se tiene inters en calcular numricamente la
solucin u(x) x 2 [0; L]: Todos estos argumentos nos conducen a resolver el problema de valores
en la frontera en forma numrica, es decir, proceder a discretizar dicho problema. Para el efecto, sea
m 2 Z+ ; (m) = fx0 = 0; x1 ;
; xm = Lg una particin de [0; L]; donde xj 1 < xj j = 1;
; m:
Ponemos hj = xj xj 1 j = 1;
; m; h = maxfhj j i = 1;
; mg: En el caso de una particin
L
uniforme, se dene h =
y xj = jh j = 0; 1;
; m: Consideremos una particin uniforme. Se
m
denota con uj a una aproximacin de u(xj ) j = 0; 1;
; m: En el captulo 2 mostraremos que
u00 (x) se aproxima mediante el cociente denominado diferencias nitas centrales de segundo orden
que se indica a continuacin:
u00 (xj ) '
u(xj+1 )
2u(xj ) + u(xj
h2
1)
j = 1;
;m
1:
Con esta aproximacin, el problema propuesto de valores en la frontera se aproxima como

8
u(xj+1 ) 2u(xj ) + u(xj 1 )
<
+ u(xj ) ' f (xj )
j = 1;
; m 1;
h2
: u(x ) = 0;
u(xm ) = 0;
0
por lo que el problema discreto es el siguiente:
hallar !
u = (u1 ;
; um 1 ) 2 Rm 1 solucin del sistema de ecuaciones lineales
( u
2uj + uj 1
j+1
+ uj = f (xj )
j = 1;
; m 1;
h2
u0 = 0;
um = 0:
Este proceso de discretizacin del problema de valores en la frontera, produce un error denominado
error de discretizacin.
38

La estimacin de los errores de discretizacin es fundamental en el Anlisis Numrico.
Exacto, inexacto, precisin, imprecisin.
En el lenguaje corriente, los trminos exactitud y precisin se usan indistintamente como sinnimos.
En el contexto del anlisis numrico es importante establecer la diferencia que existe entre estos
dos tminos.
El tmino exactitud se reere a que tan cercano est un valor calculado o medido con el verdadero
valor; mientras que el trmino inexacto se dene como una desviacin del verdadero valor. Tambin
se considerar como exacto aquel resultado o mtodo riguroso, conforme a la lgica.
El trmino precisin se reere a que tan cercano est un valor individual calculado o medido con
cualquier otro; mientras que el trmino imprecisin se reere a una magnitud que se aleja una de
otra. Se comprender como precisin aquello que no deja incertidumbre, determinado rigurosamente.
p
Por ejemplo, con 9 cifras luego del punto decimal,
3 se calcula como 1;732050808. En este caso
p
hablamos de una exactitud de 10 9 : Cuando 3 se aproxima como 1;7320, 1;7320508, 1;732050808
hablamos de una precisin de 4; 7; 9 cifras luego del punto decimal.
R2 p
2 p
Si I =
xdx = ( 2)3 ' 1;88562; hablamos en este caso del clculo de I con una exactitud de
3
0
p
p
p
p
p
10 5 ; y aplicando la regla del rectngulo siguiente: I5 = 0;4( 0;2 + 0;6 + 1;0 + 1;4 + 1;8),
resulta I5 ' 1;898667; hablamos en este caso de un clculo de I5 con una precisin de 10 6 ; y un
clculo aproximado de I con una precisin de 10 2 :
Con error de clculo entenderemos tanto la inexactitud como la imprecisin. Tenemos
Verdadero valor = Valor aproximado + error,
donde el error puede deberse a los errores de redondeo, de aproximacin (truncamiento,
discretizacin) o ambos. De manera general, al verdadero valor lo conoceremos como solucin exacta
y al valor aproximado lo denominaremos solucin numrica o tambin solucin aproximada.
De estas observaciones tenemos que los mtodos numricos deben ser sucientemente exactos y
precisos.
1.7.
Errores de redondeo
Hemos visto que los nmeros de mquina en punto otante satisfacen la desigualdad:
2
2r
jbj
1
2m
22
donde r; m son enteros positivos. Adems, todo nmero de mquina se escribe en la forma
b = (0:a1 :::am )2
2(ar ar
1 :::a0 )2
Sea A el conjunto de tales nmeros. Se sigue que el conjunto de nmeros de mquina es nito. El problema
que se presenta es el siguiente: cmo aproximar un nmero x 2
= A por un nmero y 2 A?
Consideremos lo tres casos siguientes:
1. x >
2. 2
2r
1
2m
3. 0 < x < 2
22
1
2r :
1
2m
1:
22
1:
1.7. ERRORES DE REDONDEO
39
1
2m
22
La mtrica usual d en R est denida como d(x; y) = jx
yj
2r ;
Comenzaremos con el caso 2): Sea M = 2
R. Se tiene que A
M:
8x; y 2 R:
Sea x 2 M , como A es un conjunto cerrado, 9e

x 2 A tal que d(x; A) = d(x; x
e) = jx
distancia del punto x al conjunto A se dene como d(x; A) = m n jx yj : Resulta que
y2A
x
ej = d(x; A)
jx
jx
yj
x
ej ; donde la
8y 2 A:
Por tanto la aproximacin de cualquier nmero x 2 (M n A) por un nmero notado como rd(x) 2 A debe
satisfacer la siguiente condicin:
jx
rd(x)j
jx
yj
8y 2 A:
El nmero rd(x) aproximacin de x se lo obtiene por redondeo y se denomina redondeado de x.

Ejemplo
Supongamos que nuestro conjunto A est constituido por nmeros reales de la forma 0:a1 a2 a3 a4 10p ;
donde ai 2 f0; 1;
; 9g; p 2 Z y a1 6= 0. Note que la mantisa de los elementos del conjunto A nicamente
tienen 4 dgitos, que escribiremos t = 4: Entonces rd(0;14285 100 ) = 0;1429 100 ; pus
j 0;14285
100
0;1429
100 j= 0;5000
10
j 0;14285
100
yj
8y 2 A:
De manera similar se obtienen los siguientes resultados

rd(0;8423
100 ) = 0;8423
100 ;
rd(3;14159
100 ) = 0;3142
101 ;
rd(0;142842
102 ) = 0;1428
102 :
En general, para encontrar rd(x) con t dgitos, se procede del modo siguiente: el nmero jxj 2 (M n A) es
1
representado en forma normalizada: jxj = a 10b , de modo que
jaj 1. Sea a = 0: 1 2 : : : t t+1 : : :
10
la representacin decimal de a, donde 0
9 8i = 1; 2; : : : ; 1 6= 0. Denimos
i
0:
a
~=
Como 1
9 entonces jaj
rd(x) = sign(x)
0;
1 2:::
1 2:::
0:
si 0
t;
+ 10 t ; si 5
4;
t+1
9:
t+1
1
= 0;1. Se pone sign(x) =
10
10b :
a
~
Denicin 3 El error de redondeo de x se dene como x

se llama error absoluto.
El error relativo de x se dene mediante la relacin:
"x =
rd(x)
x
rd(x): El nmero no negativo jx
x 6= 0:
En algunos textos, el error de redondeo se le denomina error inherente.

Se tiene la siguiente mayoracin del error relativo "x :
j"x j =
rd(x)
x
5
Luego j"x j
1; si x < 0;
1; si x > 0;
eps = 5
10 t .
10 (t+1)
jaj
(sign(x)~
a10b sign(x)a;10b
j~
a aj
=
b
jaj
jsign(x)a 10 j
5
10
(t+1)+1
=5
10
= eps:
rd(x)j
40
Denicin 4 El nmero eps = 5
10
se llama precisin de mquina .
Se tiene que si
rd(x)
x
= "x ) rd(x) = x(1 + "x ), con j"x j
eps:
El nmero rd(x) 2 A tiene la propiedad:

jx
rd(x)j
jx
yj
8y 2 A:
En el sistema binario, rd(x) est denido de modo anlogo. Comenzamos con la escritura de x en la
forma. jxj = a 2b ; donde a = 0: 1 2 : : : t t+1 : : : ; i 2 f0; 1g; i = 1; 2; : : : ; y 1 = 1. Se tiene
1
1>a
: Se dene
2
0: 1 : : : t ; si t+1 = 0;
a
~=
0: 1 : : : t + 2 t ; si t+1 = 1:
Entonces rd(x) = sign(x)
e
a
2b ; y
eps = 2 t . Resulta que rd(x) = x(1 + "x ) con j"x j
j"x j
eps.
Ahora analizamos los casos 1) y 3).

Puesto que un nmero nito de nmeros b son tiles para expresar los exponentes en aritmtica de punto
otante, hay desgraciadamente nmeros x 2
= A tales que rd(x) 2
= A. As, si t = 4 y b = 2, consideramos
los siguientes ejemplos:
1. rd(0;31794
10110 ) = 0;3179
2. rd(0;99997
1099 ) = 0;1
3. rd(0;012345
4. rd(0;54321
10
10
10110 2
= A:
10100 2
= A:
99 )
= 0;1235
10
100
2
= A:
115 )
= 0;5432
10
115
2
= A:
En los ejemplos 1) y 2), el exponente positivo es demasiado grande para almacenarlo en la memoria del
computador, en estas condiciones se dice que el exponente est excedido de la capacidad de representacin
de exponentes en el computador, este caso se lo conoce como exponente en overow. En el ejemplo 2)
existe un overow solo despus de redondear. Situacin anloga a la descrita precedentemente se presenta
con los ejemplos 3) y 4); en tales casos se dice exponentes en underow. En caso de underow u overow,
pueden ser controlados, si por ejemplo se escribe:
rd(0;012345
rd(0;54321
rd(0;31794
99
) = 0;0123
110
) = 0 2 A;
10
10
10
110
) = 0;3179
10
99
1015
2 A;
1095 :
Note que los nmeros 0;3179 1015 , y 1095 pertenecen al conjunto A pero 0;3179 1015 1095 2
= A. Para
estos casos no se satisface la relacin rd(x) = x(1 + ") j"j eps: En los computadores digitales estos
nmeros x que no pertenecen al conjunto M son tratados como irregularidades o errores en los datos.
En el caso de underow, rd(x) puede ser indicado por 0 o se produce una detencin en la ejecucin del
programa. En el caso de overow, rd(x) es indicado como un error en x y la inmediata detencin del
programa en ejecucin.
Para evitar estos problemas es necesario incorporar en los programas contraseas especiales o reescalar
los datos de modo apropiado, lo que se traduce en elaborar programas especiales. Por lo dicho
precedentemente y por abuso de lenguaje, podemos decir que existe una funcin rd : R ! A denida por
rd(x) = x(1 + ") j"j eps.
1.8. ARITMTICA DE PUNTO FLOTANTE
1.8.
41
Aritmtica de punto otante
Operaciones aritmticas
Hemos denotamos con A el conjunto de nmeros de mquina. Sean x; y 2 A, en general, x + y, x y;
x y; x=y y 6= 0; no son nmeros de mquina. Denimos las operaciones aritmticas ; ; ;
llamadas operaciones de punto otante, como sigue:
x
y = rd(x + y);
y = rd(x
y = rd(x
y = rd(x=y)
y);
y);
y 6= 0:
De la denicin de la funcin rd, resulta que
con j"i j
eps
y = (x + y)(1 + "1 );
y = (x
y = (x
y = (x=y)(1 + "4 );
y)(1 + "3 );
y)(1 + "2 );
i = 1; 2; 3; 4:
Las operaciones en punto otante pueden no ser asociativas o distributivas, as : si a; b; c 2 A; en general,

a
(b
c) 6= (a
b)
c;
(b
c) 6= a
c:
Comprobemos con un ejemplo. Sean t = 5 el nmero de cifras de la mantisa; a = 0;21345 10 2 ;

b = 0;33456 102 ; c = 0;33341 102 : Con estos datos, veriquemos que a (b c) 6= (a b) c:
Tenemos
b
102
c = rd(0;33456
102 ) = rd(0;00115
0;33341
102 ) = 0;115
100 ;
luego
a
(b
c) = rd(0;21345
Calculemos (a
b)
10
100 ) = rd(0;11714
+ 0;115
c: Para ello calculamos primeramente a
b = rd(0;21345
10
100 ) = 0;11714
b: Tenemos
102 ) = rd(0;33458
+ 0;33456
100 ;
102 ) = 0;33458
102 ;
a continuacin
(a
b)
c = rd(0;33458
102
102 ) = rd(0;00117
0;33341
El valor exacto es a + b + c = 0;1171345: Note que a

Con la misma informacin veriquemos que a
Tenemos b c = 0;115 100
a
(b
c) = rd(0;21345
10
= rd(0;2454675
Pasemos a calcular a
a
a
10
10
2
Con estos resultados calculemos a

a
10
c) se aproxima mejor a a + b + c:
c) 6= a
c: Calculemos el lado izquierdo.
100 ) = rd(0;02454675
0;115
3
100 ;
) = 0;24547
10
10
c: Entonces
b = rd(0;21345
c = rd( 0;21345
(b
(b
102 ) = 0;117
c = rd(0;71412
Claramente a (b c) = 0;24547
0;0002454675 = 0; 2454675 10 3 :
0;33456
0;33341
b
10
102 ) =
rd(0;0711663645
100 ) =
10
0;71167
;
1
10
c:
10
102 ) = rd(0;071411832) = 0;71412
0;71167
3
6= a
10
b
) = rd(0;00245
c = 0;245
10
10
3:
) = 0;245
10
Valor exacto a(b + c) =
42
Expresiones aritmticas y funciones.

Sea E una expresin aritmtica. En punto otante la evaluacin de E se nota con f l(E). Sea E una
funcin real denida en un subconjunto I de R. El valor E(x) en x 2 I en punto otante se nota con
E (x) y se dene por
E (x) = f l(E(x)):
Ejemplos
1. Sean a; b; c 2 R:
a) Si E = a + (b + c), entonces f l(E) = a
b) Si E = (ab)c; f l(E) = (a
b)
c) Si E = a(b + c); f l(E) = a
(b
c):
c:
(b
c):
2. Sean a = 0;18 102 ;b = 0;3596 100 ;c = 0;1 101 ;t = 4 el nmero de cifras de la mantisa; calculemos
a
E = + c en punto otante. De la denicin de punto otante de E; tenemos
b
f l(E) = rd([0;18
= rd(0;5006
102
102
100 ]
0;3596
0;1
0;1
101 ) = 0;5106
101 ) = rd(0;50055611
102
0;1
101 )
102 :
3. Sea E(x) = sen(x) x 2 R: Entonces E (x) = f l(sen(x)) que lo notaremos sen (x): Para
t = 5; y x = ,se tiene sen( ) = 0;5; mientras que rd( ) = 0;5236 100 y en consecuencia
6
6
6
sen (0;5236 100 ) = 0;5: En el captulo 3 se propone un algoritmo de clculo de sen(x) x 2 R.
4. Sea E(x) = ex x 2 R. Entonces E (x) = f l(ex ) que lo notaremos ex . Si x = 0;5 y t = 5, entonces
e0;5 = 1;648721171 : : : ; e0;5 = 0;16487 101 : En el captulo 3 se propone un algoritmo de clculo
de ex x 2 R.
p
p
p
p
5. f l( x) = x ; x 0: Para t = 5; x = 0;14567; x = 0;381667395 : : : ; x = 0;38167 100 : Ms
p
adelante se muestra un algoritmo de clculo de x x > 0:
Observacin. Sean a; b 2 R. Las operaciones aritmticas en punto otante se expresan de la manera
siguiente.
a
b = rd(rd(a) + rd(b));
b = rd(rd(a)
rd(b));
b = rd(rd(a) rd(b));
b = rd(rd(a)=rd(b))
rd(b) 6= 0:
Por abuso de lenguaje, a las operaciones en punto otante las notaremos del mismo que las operaciones
aritmticas habituales con nmeros reales.
1.9.
Condicionamiento de funciones reales.
La calidad de la solucin numrica de un problema (P ) depende fuertemente del mtodo numrico

empleado y este a su vez depende de dos componentes importantes: el condicionamiento y la estabilidad;
y, para problemas cuyas soluciones se aproximan mediante sucesiones, dependen a ms de los componentes
anteriores, de la convergencia.
En esta seccin se introduce la nocin de condicionamiento que es muy importantes en la construccin
de algoritmos, procedimientos de clculo y de la elaboracin de programas computacionales, y que
constituyen las bases que deben tenerse siempre presentes para el desarrollo de software en el clculo
cientco. Trataremos primeramente el condicionamiento de funciones reales de una sola variable, a
continuacin trataremos el condicionamiento de funciones reales en varias variables.
1.9. CONDICIONAMIENTO DE FUNCIONES REALES.
1.9.1.
43
Condicionamiento de funciones reales de una sola variable.
Sea ' : [a; b] ! R una funcin derivable en ]a; b[. Ponemos y = '(x) x 2 [a; b]. Investiguemos como el
error absoluto 4x de x inuye en el clculo de y, donde 4x = x
e xyx
e = rd(x): Se pone ye = '(e
x): Nos
interesa determinar la inuencia de los errores (redondeo, truncamiento) del dato de entrada x; esto es,
de x en el dato de salida y = '(x); es decir en ye = '(e
x) y como medir esa inuencia.
Supongamos que la funcin ' es al menos dos veces derivable en ]a; b[ y que j '00 j es acotada en ]a; b[:
1
Por el desarrollo de Taylor, se tiene '(e
x) = '(x) + '0 (x)(e
x x) + (e
x x)2 '00 ( ) con entre x y x
e; y
2
1
(e
x x)2 = (4x)2 < eps; lo que implica que (e
x x)2 j '00 ( ) j' 0:
2
Denicin 5 El error relativo de y se dene mediante la relacin
"y =
donde ye = '(e
x).
ye
y
y
y 6= 0;
Usando el desarrollo de Taylor en primera aproximacin, tenemos
Luego,
4y = ye
y = '(e
x)
'(x) = '0 (x)(~

x
"y =
ye
y
y
x) = x '0 (x)
y
x'0 (x)
=
"x ;
y
'(x)
x
e
x
x
= x'0 (x)"x
x 6= 0:
'(x) 6= 0:
1
Note que si '00 (x) existe, el trmino ( x)2 '00 (x) se redondea por 0 debido a que ( x)2 se redondea
2
por 0.
Denicin 6 El nmero real c(x) =
x'0 (x)
con '(x) 6= 0 se llama nmero de condicionamiento de
'(x)
la funcin ' en el punto x:

El nmero de condicionamiento c(x) indica cun grande es el error relativo de y ante variaciones del dato
de entrada x. Cuando j c(x) j> 1 el error relativo "y se amplica y cuando j c(x) j 1 el error relativo "y
se contrae.
Denicin 7 Diremos que y = '(x) est bien condicionado si jc(x)j
diremos que y = '(x) est mal condicionado.
1: En el caso contrario,
Ejemplos
1. Consideremos la funcin f denida por f (x) = ex x 2 R. Es conocido que la funcin f es
derivable, y f 0 (x) = ex 8x 2 R. El nmero de condicionamiento de esta funcin est denido como
xf 0 (x)
xex
c(x) =
= x = x 8x 2 R: Luego
f (x)
e
jc(x)j
1 , jxj
1 , x 2 [ 1; 1] :
Por lo tanto y = ex est bien condicionado si y solo si x 2 [ 1; 1] ; en el caso contrario la funcin f

est mal condicionada.
x
Denimos g(x) = e n
x 2 R. Entonces
c(x) =
xg 0 (x)
g(x)
h
x
x n(e n )n
x
1e n
(e n )n
1
n
= x:
44

x
La utilizacin de g(x) = (e n )n = ex con n 2 Z+ ; x2 R es ms ventajoso del punto de vista de la

elaboracin de un algoritmo que permita evaluar ex :
2. Sea n 2 Z+ y f la funcin dada por f (x) = xn
c(x) =
x 2 R: Para x 6= 0, tenemos
xf 0 (x)
x(nxn
=
f (x)
xn
1)
= n:
Luego y = xn est bien condicionado si y solo si n = 1: Para n > 1; la funcin f est ml

condicionada, esto signica que la potencia xn est mal condicionada cuando n > 1. Es por esta
razn que se evita el clculo directo de las potencias. Anteriormente vimos algunos ejemplos de
clculos con polinomios en los que se evitan los clculos directos de las potencias, de esta manera
se mejora el condicionamiento con lo que se logra mejorar los resultados.
1
3. Considerar la funcin f denida por f (x) = x n con n 2 Z+ ; x > 0: El nmero de condicionamiento

est denido como
1
x n1 x n 1
xf 0 (x)
1
c(x) =
=
= :
n
f (x)
x
n
Resulta que y = x1=n est bien condicionado 8x 2 R+ ;
n 2 Z+ :
4. Sea f (x) = sen (x) x 2 R. El nmero de condicionamiento de esta funcin est denido como
x cos(x)
sen(x)
c(x) =
x 6= k ; k 2 Z.
Para el anlisis del nmero de condicionamiento c(x) lo dividimos en dos partes.

cos(x)
a) Puesto que c(x) =
: Entonces
sen(x)
x
l m cos(x)
l m c(x) =
x!0
x!0
lm
x!0
sen(x)
x
1
= 1;
1
que muestra que en x = 0 se tiene una discontinuidad evitable. Adems,

l m x cos(x)
l m c(x) =
x! 2
b) Por otro lado, si escribamos c(x) =

jc(x)j
Denimos g(x) =
x! 2
l m sen(x)
= 0:
x! 2
x
: Tenemos
tan(x)
1 , jxj
jtan(x)j
x + tan(x): Resulta que g 0 (x) =
x2
h i
h
; 0 [ 0;
:
2
2
1 + sec2 (x): Entonces
g 0 (x) = 0 , cos2 (x) = 1 , x = 2k ; k 2 Z:

i
h
i
h
Adems g 00 (x) = 2 sec2 (x) tan(x): Luego, g 00 (x) > 0 si x 2 0;
; y g 00 (x) < 0 si x 2
;0 :
2
2
i
h
Adicionalmente, g es creciente en 0;
; luego g(x) > g(0) = 0 con lo cual tan(x) > x:
2
En conclusin
i
h i
h
jc(x)j 1 , x 2
; 0 [ 0;
:
2
2
(
i
h
1; si x = 0; i
h i
h
Sea e
c(x) =
Entonces je
c(x)j
1 8x 2
;
; es decir que
c(x); si x 2
; 0 [ 0;
:
2 2
2
2 i
h
: Esta propiedad ser utilizada para aproximar
sen(x) est bien condicionado en el intervalo
;
2 2
sen(x) mediante la serie de Taylor que se ver en el captulo posterior.
45
5. Sea ' : R+ ! R funcin dada por '(x) = y x , donde y > 0 es jo. Entonces
x
c(x) =
ex ln(y)
ex
ln(y)
ln(y) = x ln(y):
Luego
jc(x)j
1 , jxj
1
1
1
,x2
;
jln(y)j
jln(y)j jln(y)j
con y > 0; y 6= 1:
6. Sea ' : R+ ! R la funcin denida por '(x) = xy con y 2 R+ jo. Se tiene

c(x) =
x
ey ln(x)
ey ln(x)
y
= y:
x
La funcin ' est bien condicionada si jyj

1: Note que si y 2 N; c(x) = y fue obtenido
anteriormente:
p
p
7. Se desea calcular f = ( 2 1)6 . Se da una aproximacin de 2 ' 1;414 y seis algoritmos para su
clculo
p
f1 = ( 2
f3 = (3
f5 =
1
f2 = p
;
( 2 + 1)6
1
p ;
f4 =
(3 + 2 2)3
p
f6 = 99 70 2:
1)6 ;
p
2 2)3 ;
1
p ;
99 + 70 2
Qu algoritmo est bien condicionado?

Para responder a esta pregunta, primeramente vamos a clcular los nmeros de condicionamiento
asociados con los
p algoritmos propuestos. Para el efecto denotamos con "x el error relativo al dato
de entrada x = 2.
1)6 , entonces
a) Sea f1 la funcin dada por f1 (x) = (x

f10 (x) = 6(x
1)5 ;
f1 (1;414) = (1;414
1)6 = 0;005;
luego
j"f1 j =
b) Sea f2 (x) =
x
1;414
f10 (x)"x =
f1 (x)
0;005
1
: Entonces f20 (x) =
(x + 1)6
j"f2 j =
(0;414)5 j"x j = 20;636 j"x j :
6
: Resulta f2 (1;414) = 0;005 y
(x + 1)7
x
1;414
f20 (x)"x
f2 (x)
0;005
6
(1;414 + 1)7
c) Consideramos la funcin f3 denida como f3 (x) = (3

Tenemos f3 (1;414) = 0;005; y
j"f3 j =
1;414
( 6(3
0;005
j"x j = 3;552 j"x j :
2x)3 : Entonces f30 (x) =
1
=) f40 (x) =
(3 + 2x)3
f4 (1;414) = 0;005; y
1;414
0;005
6
(3 + 2
2x)2 :
1;414)2 ) j"x j = 50;198 j"x j :
d ) Tal como en los casos precedentes, sea f4 (x) =
j"f4 j =
6(3
1;414)4
j"x j = 1;471 j"x j :
6
: Se tiene
(3 + 2x)4
46

e) Sea f5 (x) =
1
=) f50 (x) =
99 + 70x
70
: Entonces
(99 + 70x)2
1;414
0;005
j"f5 j =
70
j"x j = 0;5 j"x j :
(99 + 70 1;414)2
70x =) f60 (x) =
f ) De la denicin del algoritmo f6; se sigue que f6 (x) = 99

Resultaf6 (1;414) = 0;020;
1;414
0;020
j"f6 j =
70:
( 70) j"x j = 4949;0 j"x j :
Comparando los nmeros de condicionamiento de cada una de las funciones, observamos que f5
tiene el ms pequeo nmero de condicionamiento, esto es, f5 est bien condicionado, mientras que
f6 tiene el ms grande nmero de condicionamiento, es decir que f6 est ml condicionado
y de
p
6
hecho es el peor algoritmo que se puede utilizar para calcular el valor aproximado de ( 2 1) : En
p
p
1
p :
conclusin, el mejor algoritmo para el clculo de ( 2 1)6 con 2 ' 1;414 es f5 =
99 + 70 2
1.9.2.
Condicionamiento de funciones reales en varias variables

Rn un abierto y !
' una funcin de
en Rm que suponemos
en todo punto de
3
2 diferenciable
x)
'1 (!
!
7
6
la funcin ' se denomina campo vectorial. Ponemos ~y = ~'(~x) = 4 ...
5 ~xT = (x1 : : : ; xn ) 2
' (!
x)
Sean
;
,
donde '1 ;
; 'm son campos escalares diferenciables en
Para ~xT = (x1 : : : ; xn ) 2 ; ponemos x

ei = rd(xi )
i = 1; : : : ; n; y denimos x
eT = (e
x1 ; : : : ; x
en );
!
!
T
T
T
x =x
e
x . El error relativo de xi est denido mediante la relacin:
" xi =
x
~i
xi
xi
3
'1 (e
x)
6
7
!
Se dene ye = !
' (e
x) = 4 ...
5 ; y, 4 y = ye
'm (~
x)
xi 6= 0;
i = 1; : : : ; n:
3 2
3
ye1 y1
4y1
6
7 6 ..
7
!
y = 4 ...
5=4 .
5:
yem ym
4yn
yi
i = 1; : : : ; m: Usando el desarrollo de Taylor en primera
yi
aproximacin, eliminando los desarrollos de orden superior, tenemos
Determinemos el error relativo "yi =
yi = yei
yi = 'i (~
x)
Para ~xT = (x1 : : : ; xn ) 2
tal que xj 6= 0;
x
ej
y en consecuencia
yi =
'i (~x) = r'i (~x): ~x =
n
X
j=1
xj =
(e
xj
x
ej
xj
xj
n
X
(e
xj
j=1
xj )
@'i (!
x)
:
@xj
j = 1; : : : ; n; se tiene la siguiente relacin

xj = xj "xj
xj 6= 0;
j = 1; : : : ; n;
n
x)
@'i (!
x ) X @'i (!
xj )
=
xj
"xj
@xj
@xj
i = 1; : : : ; m:
j=1
Luego, para yi 6= 0 i = 1; : : : ; m; se tiene

n
n
n
X
X
xj @'i (!
xj @'i (!
yi
1 X @'i (!
x)
x)
x)
" yi =
=
" xj =
" xj =
" xj
xj
!
yi
yi
@xj
yi @xj
'i ( x ) @xj
j=1
j=1
j=1
i = 1; : : : ; m:
47
Observamos que cada "yi depende de los factores de amplicacin

j = 1; : : : ; n;
xj @'i (!
x)
' i (!
x ) @xj
Denicin 8 El conjunto de nmeros reales fCij (!

x ) j i = 1; : : : ; m;
est denido como
!
Cij ( x ) =
xj @'i (!
x)
con 'i (!
x ) 6= 0;
!
'i ( x ) @xj
de "xj ,
i = 1; : : : ; m;
j = 1; : : : ; ng; donde Cij (!

x)
i = 1; : : : ; m;
j = 1; : : : ; n;
se llaman nmeros de condicionamiento de la funcin !

' en !
x 2 :
La matriz C(!
x ) = (Cij (!
x ))m n se llama matriz de condicionamiento de !
' en !
x 2 .
En el caso en que m = 1, esto es, ' es un campo escalar, la matriz de condicionamiento de ' en !
x 2
!
se identica con el vector la C( x ) denido como
C(!
x) =
xi @ ' !
xn @' !
( x ); : : : ; !
(x) ;
!
'( x ) @xi
'( x ) @xn
al que lo denominaremos vector de condicionamiento de ' en !

x 2 .
Denimos
3 6
6
" y1
6
6 ..
7 6
!
=
=
"!
6
4
5
.
y
6
6
" yn
4
2
n
X
j=1
..
.
n
X
j=1
xj
@'1 !
( x )"xj
!
'1 ( x ) @xj
xj
@'m (!
x)
"xj
@xj
x)
'm (!
" x1
6 ..
7
!
! = C(!
donde " !
=4 .
:
x )!
"!
5 : As, " !
x
x
y
"xn
7
7
7
7
;
x )!
"!
7 = C(!
x
7
7
5
!
Denicin 9 Se dice que !
y =!
' (!
x ) est bien condicionado en !
x 2
si y solo si j Cij ( x ) j 1
8i = 1; : : : ; m; j = 1; : : : ; n. En el caso contrario, se dice que !
y =!
' (!
x ) est mal condicionado en
!
x 2 :
Para determinar el condicionamiento de un campo vectorial diferenciable !

' en !
x 2 se deben estudiar
!
todos los nmeros de condicionamiento Cij ( x ) i = 1; : : : ; m; j = 1; : : : ; n. Hacemos notar que solo
en pocos casos es posible determinar !
x tal que j Cij (!
x ) j 1. En la generalidad de los casos, es muy
!
difcil y casi imposible determinar x tal que j Cij (!
x ) j 1; por lo que se recurre a otros procedimientos
para estimar el condicionamiento. As, en algunos casos el nmero de condicionamiento C se dene por
la desigualdad (cociente de Raileygh-Ritz):
k!
' (e
x) !
' (!
x) k
!
!
k '(x) k
kx
e !
x k
!
k x k
!
' (!
x ) 6= 0;
!
x 6= 0;
donde C > 0 es el nmero de condicionamiento.

Ejemplos
1. Sea ' la funcin de R2 en R denida como '(x; y) = x + y (x; y) 2 R2 : Supongamos que para
(x; y) 2 R2 se tiene z = '(x; y) 6= 0: Determinemos el error relativo de z. Este est dado como
sigue:
x
@'
y
@'
x
y
"z =
(x; y) "x +
(x; y) "y =
"x +
"y :
'(x; y) @x
'(x; y) @y
x+y
x+y
48

x
Los nmeros de condicionamiento de ' en (x; y) 2 R2 estn denidos como Cx =
;
x+y
y
Cy =
, y el vector de condicionamiento de ' en (x; y) 2 R2 est denido como C(x; y) =
x+y
x
y
:
;
x+y x+y
Analicemos los nmeros de condicionamiento Cx y Cy :
x > 0;
x < 0;
condicionado.
a) Si
y > 0; o
entonces j Cx (x; y) j< 1;
y < 0;
j Cy (x; y) j< 1: Luego z = '(x; y) est bien
b) Si x > 0 e y < 0 tal que x 6= y, entonces al menos uno de los nmeros jCx j o jCy j es mayor que
1; en cuyo caso z = '(x; y) est mal condicionado.
En conclusin, la suma de dos nmeros positivos (respectivamente negativos) est bien
condicionada, mientras que la suma de dos nmeros uno positivo y otro negativo est mal
condicionada, esto equivale a decir que si x; y son nmeros reales positivos, la resta x y est
mal condicionada y consecuentemente la resta de dos nmeros positivos es una operacin peligrosa
fundamentalmente si x 6= y; x ' y:
El resultado que acabamos de obtener se puede extender a sumas de tres o ms nmeros reales.
As, sean x1 ;
; xm 2 R y z = x1 +
+ xm : Entonces z est bien condicionado si y solo si xi > 0
8i = 1;
; m (respectivamente xi < 0 8i = 1;
; m); en el caso contrario tenemos que z est
mal condicionado, ms un, las sumas y restas alternadas de nmeros reales positivos est mal
condicionada, por lo que este tipo de clculos son peligrosos ya que amplican los errores. Para
aclarar ms estas ideas, sean x1 ;
; x2m 2 R+ y z = x1 x2 + x3 x4 +
+ x2m 1 x2m : Esta
suma est mal condicionada, cmo mejorar el resultado? Ecribimos z en la siguiente forma
z = x1 + x3 +
+ x2n
x2
x4
x2m = x1 + x3 +
+ x2n
(x2 + x4 +
+ x2m )
La sumas z1 = x1 + x3 +
+ x2n 1 ; z2 = x2 + x4 +
+ x2m estn bien condicionadas, luego
z = z1 z2 con lo que se mejora el resultado. Ms adelante se exhiben ejemplos.
2. Sea ' la funcin de R2 en R denida como '(x; y) = xy (x; y) 2 R2 : Supongamos que para
(x; y) 2 R2 se tiene z = '(x; y) 6= 0; esto es x 6= 0; y 6= 0; entonces,
C(x; y) =
x
@'
y @'
(x; y);
(x; y)
'(x; y) @x
'(x; y) @y
x
y
y;
x
xy
xy
= (1; 1):
Se tiene que Cx (x; y) = 1; Cy (x; y) = 1; por lo que el producto de dos nmeros reales no nulos
est bien condicionado y por tanto el producto de dos nmeros no es una operacin peligrosa.
3. Sean p; q 2 R tales que p2
races reales son
x1 =
1
2
p+
4q
p2
0. Consideramos la ecuacin: x 2 R tal que x2 + px + q = 0 cuyas

4q ;
x2 =
1
2
p
p2
4q ; donde p2
4q
0:
Estas races dependen de p y q; lo que nos permite denir las funciones reales ', como
8
p
>
< '(p; q) = 1
p + p2 4q ;
2
(p; q) 2 R2 tal que p2 4q 0:
p
1
>
2
: (p; q) =
p+ p
4q ;
2
La funcin ' est asociada a la raz x1 mientras que la funcin est asociada a la raz x2 :
Estudiemos el condicionamiento de la primera raz, esto es, el condicionamiento de la funcin '.
Tenemos
8
p
>
@'
p
+
p2 4q
>
>
p
(p; q) =
;
<
@p
2 p2 4q
(p; q) 2 R2 tal que p2 4q > 0:
1
> @'
>
>
(p; q) = p
;
:
@q
p2 4q
1.10. PROPAGACIN DE LOS ERRORES.
49
Luego
p
p + p2 4q
p
"p + p
"q :
p2 4q
2 p2 4q
8
p
>
p
;
>
< Cp (p; q) =
p2 4q
p
Los nmeros de condicionamiento de ' estn denidos como
p + p2 4q siempre
>
>
;
: Cq (p; q) = p 2
2 p
4q
que (p; q) 2 R2 tal que p2 4q > 0: Analicemos cada uno de estos nmeros de condicionamiento. Si
q < 0; se tiene
p
p
p + p2 4q
p
p
< 1;
< 1;
p2 4q
2 p2 4q
p @'
q @'
"' =
"p +
"q =
'(p; q) @p
'(p; q) @q
con lo cual x1 = '(p; q) est bien condicionado. Si q > 0 tal que p2 +4q > 0; ' est mal condicionado.
El nmero de condicionamiento j Cp (p; q) j es mucho ms grande an en la situacin siguiente:
(p; q) 2 R2 tal que q > 0, p2 ' 4q de modo que p2 + 4q > 0: Esto nos muestra que no es conveniente
calcular x1 con la frmula arriba propuesta, sino con la que se obtiene del modo siguiente:
1
x1 =
2
p+
p2
1
4q =
2
p+
p2
p
4q
p
p
p2
p2
4q
2q
p
p + p2
4q
4q
Veamos un ejemplo numrico de esta situacin. Consideremos la ecuacin x 2 R solucin de

p
1
62;10 + (62;10)2 4 = 0;1610723 10 1 : Efectuemos
x2 + 62;10x + 1 = 0: Entonces x1 =
2
el clculo de x1 con 4 cifras decimales en aritmtica de punto otante, se tiene
p
x
~1 = f l(x1 ) = 0;5 100
0;6210 102 + (0;6210 102 ) 0;4 101
= 0;5
100 ( 0;6210
102 + 0;6206
102 ) =
0;2
10
Utilicemos ahora la nueva escritura de x1 : Obtenemos

e
t1 = f l(x1 ) =
0;2
0;6210
101
0;1 101
=
102 + 0;6207 102
0;2 101
=
0;1242 103
0;1610
101 :
Se observa que e
t1 es una mejor aproximacin de x1 :
Nota. Tomando en consideracin el valor absoluto de los nmeros de condicionamiento, de los ejemplos
se establece la jerarqua de las operaciones siguientes: la radicacin de nmeros reales positivos, la
suma de nmeros reales positivos (respectivamente suma de nmeros reales negativos) son consideradas
operaciones no peligrosas. A continuacin se tiene el producto y cociente de nmeros reales. La
potenciacin est bien condicionada si el exponente es igual a 1, por este motivo el esquema de Hrner
evita el clculo directo de las potencias. La suma de nmeros reales de signos opuestos es una operacin
peligrosa ya que al menos un nmero de condicionamiento es mayor que 1 lo que amplica los errores.
Por esta razn debe evitarse sumas sucesivas con nmeros reales de signos opuestos. De preferencia deben
escribirse los algoritmos de modo que se tengan sumas de nmeros positivos y reducir como sea posible
las sumas de nmeros con signos opuestos. Igualmente, debe evitarse el clculo directo de las potencias
con exponentes mayores que 1.
1.10.
Propagacin de los errores.
Ejemplos
1. Sean a; b; c; 2 R, y E = a + b + c. Se tiene E = a + (b + c) = (a + b) + c = (a + c) + b; y por tanto
se disponen de tres algoritmos para evaluar E.
50

Primer algoritmo. Tenemos E = a + (b + c); que puede verse como la composicin de funciones
siguiente:
2
3
2
3
a
a
0 4
1
4 b 5 '!
5 '!
a + (b + c);
c
b+c
x
y+z
donde '0 : R3 ! R2 es la funcin denida por '0 (x; y; z) =
; y '1 : R2 ! R es la funcin
dada por '1 (u; v) = u + v.

Luego
E = ('1 '0 )(a; b; c) = '1 ('0 (a; b; c)) = '1 (a; b + c) = a + (b + c):
Segundo algoritmo. En este caso E = (a + b) + c; que puede expresarse como el resultado de la
siguiente composicin de funciones:
2 3
2
3
a
a+b
0 4
1
4 b 5 '!
5 '!
(a + b) + c;
c
c
x+y
; '1 : R2 ! R es la funcin
z
denida por '1 (u; v) = u + v. Se tiene E = (a + b) + c = ('1 '0 )(a; b; c):
donde '0 : R3 ! R2 es la funcin denida por '0 (x; y; z) =

De manera anloga se formula el tercer algoritmo.
e = f l((a + b) + c): Segn

Consideremos el segundo algoritmo, esto es E = (a + b) + c: Pongamos E
las operaciones elementales en punto otante, tenemos: = f l(a + b) = (a + b)(1 + "1 );
e = f l( + c) = ( + c)(1 + "2 ) = [(a + b)(1 + "1 ) + c](1 + "2 )
E
= a + b + c + (a + b)"1 + (a + b + c)"2 + (a + b)"1 "2
= E + (a + b)"1 + y "2 + (a + b)"1 "2 :
Luego,
"E =
Puesto que j"1 j
e
E
E
E
eps; j"2 j
= "2 +
a+b
(1 + "2 )"1
a+b+c
si E = (a + b) + c 6= 0:
eps, se tiene que "1 "2 ' 0; entonces

"E = "2 +
a+b
"1 :
a+b+c
Para el primer y tercer algoritmos, procediendo en forma similar al segundo, se obtienen

respectivamente los resultados siguientes:
e
"E = e
"2 +
b+c
~"1 ;
a+b+c
b
"E = b
"2 +
a+c
b
"1 :
a+b+c
Si a; b; c son positivos o todos negativos, los 3 algoritmos estn bien condicionados. Mientras que
si, por ejemplo, a < 0, y, b; c son positivos, la evaluacin de y depender del algoritmo.
Sean a = 0;33341 102 ; b = 0;21345
de precisin, tenemos
a+b
a+b+c
b+c
a+b+c
a+c
a+b+c
10
2;
c = 0;33456
102 : Calculando con 5 cifras decimales
0;33341 102 + 0;21345 10 2

0;33341 102 + 0;21345 10 2 + 0;33456
= 285;63;
= 0;982:
102
284;6;
1.10. PROPAGACIN DE LOS ERRORES.
51
El algoritmo a elegir es (a + c) + b. Observe los resultados siguientes:

(a + b) + c = 0;117;
(b + c) + a = 0;117;
; (a + c) + b = 0;11713:
Valor exacto E = a + b + c = 0;1171345:

2. De manera ms general, sean a1 ; : : : ; an 2 R
y E=
n
X
ai .
i=1
El algoritmo (no eciente) para la evaluacin de E es el siguiente:

Algoritmo
Datos de entrada: n; a1 ;
; an :
Datos de salida: E:
1. E = a1 :
2. Para k = 2; : : : ; n
E = E + ak :
Fin de bucle k
3. Fin.
Como en cada paso del bucle del algoritmo, se suma un dato, este procedimiento se formula usando
funciones como sigue:
2
3
2
3
2
3
a1
a1 + a2
a1 + a2 + a3
6 a2 7 ' 6
7 ' 6
7
a3
a4
'n 2
6
7 1 6
7 2 6
7
!
6 .. 7 ! 6
7 !6
7 !
..
..
4 . 5
4
5
4
5
.
.
an
an
an
a1 + a2 +
+ an
an
donde '1 ; '2 ; :::; 'n
'2 : R
..
.
n 1
!R
: R2 ! R;
n
X
ai ;
i=1
se denominan funciones elementales denidas como sigue:
' 1 : Rn ! R n
'n
'n
n 2
'1 (a1 ; : : : ; an ) = (a1 + a2 ; a3 : : : ; an );

;
'n
'2 (x1 ; : : : ; xn
1 (u; v)
1)
= (x1 + x2 + x3 ; : : : ; xn
1 );
= u + v:
Entonces
E =
'n
= 'n
..
.
1
1
'n
'n
= 'n 1 'n
n
X
=
ai :
2
2
2 (a1
'2 '1 (a1 ; : : : ; an ) = 'n

'2 (a1 + a2 ; a3; : : : ; an ) = 'n
+ a2 +
+ an
2 ; an 1 ; an )
'n
1
1
= 'n
'2 ('1 (a1 ; : : : ; an ))
'n
1 (a1
+ a2 +
'3 (a1 + a2 + a3 ; a4; : : : ; an )

+ an
1 ; an )
i=1
3. Sean a; b 2 R. Supongamos que debemos calcular E = a2 b2 = (a + b) (a b) : Sabemos que

a2
b2 = (a + b) (a b) ; por lo tanto E puede calcularse de dos maneras: E = a2
b2 y
E = (a + b) (a b) : Podemos describir estos dos procesos de clculo mediante funciones reales
apropiadas que describan cada operacin elemental que se realiza.
Primer procedimiento: el clculo de E = a2 b2 podemos realizarlo mediante la siguiente secuencia
de funciones:
a '0 a2 '1 2
!
!a
b2 ;
b
b2
52

donde '0 es la funcin de R2 en s mismo denida como '0 (a; b) = a2 ; b2
(a; b) 2 R2 ; '1 es la
2
2
funcin de R en R denida por '1 (u; v) = u v (u; v) 2 R : Entonces, por la composicin de
funciones, tenemos
E = ('1 '0 ) (a; b) = '1 (a2 ; b2 ) = a2
b2
8(a; b) 2 R2 .
Segundo procedimiento: el clculo de E = (a + b) (a b) se ejecuta mediante la aplicacin de las

siguientes funciones
a '0 a + b '1
!
! (a + b)(a b);
b
a b
con '0 la funcin de R2 en R2 denida como '0 (a; b) = (a + b; a b) (a; b) 2 R2 ; '1 funcin de
R2 en R denida '1 (x; y) = x y 8(x; y) 2 R2 : Mediante la composicin de funciones se verica
inmediatamente que E = ('1 o 'o )(a; b) 8(a; b) 2 R2 .
Observacin. Supongamos
en calcular y1 ; : : : ; ym a partir de datos de entrada
3
2 consiste
2 que3un problema
y1
x1
!
7
7
6
6
' : D ! Rm tal
x1 ; : : : ; xn : Ponemos x = 4 ... 5 ; ~y = 4 ... 5 : Supongamos que existe una funcin !
ym
xn
que
3
'1 (!
x)
6
7
!
y =!
' (!
x ) = 4 ...
5
!
' (x)
!
x 2 D;
donde D
Rn ,
'j : D ! R;
j = 1; : : : ; m.
En cada etapa del clculo hay un conjunto de nmeros a operarse a partir de datos de entrada xi ;
i = 1; : : : n y cada operacin corresponde a la transformacin del nuevo conjunto a operarse. Escribamos
secuencialmente el conjunto de datos a operarse como un vector.
2 (i) 3
x1
6 ..
7
!
(i)
n
x =4 .
5 2 R i;
(i)
xni
y asociamos la operacin elemental con una funcin:

!
' (i) : Di ! Rni+1 ;
Di
Rni ;
de modo que !
x (i+1) = ~'(i) ~x(i) ; donde !
x (i+1) es el resultado de la transformacin del conjunto operado
y la funcin '(i) est denida de modo nico salvo permutaciones en las operaciones !
x (i) y !
x (i+1) .
Dado un algoritmo para el clculo de !
y = !
' (!
x ), la secuencia de operaciones elementales de la
descomposicin de !
' en una secuencia de funciones elementales:
!
' (i)
Di ! Di+1
' = '
~ (r)
D0 = D;
i = 0; 1; : : : r;
!(r 1)
~ (0) ;
'
'
Dr+1
Rni ;
Di
Rnr+1 = Rm ;
que caracterizan al algoritmo. As

!
y = !
' (!
x) = !
' (r) !
' (r
= !
' (r) !
' (r
1)
!
x (r
1)
1)
!
' (0) (!
x) =!
' (r) !
' (r
1)
=!
' (r) (xr ):
Para mejor comprensin observe los ejemplos 1), 2) y 3) de esta seccin.
!
' (1) !
' (0) (!
x)
1.11. ESTABILIDAD NUMRICA. CONVERGENCIA.
1.11.
53
Estabilidad numrica. Convergencia.
Sean D
Rn y !
' : D ! Rm una funcin. Ponemos !
y = !
' (!
x)
cmputo de ~y = '(~x), digamos
!
y =!
'r
!
'r
!
x 2 D: Dado un algoritmo de
!
'2 !
' 1 (!
x );
en aritmtica de punto otante, errores en los datos de entrada y errores de redondeo en los resultados
intermedios perturbarn los mismos y en consecuencia afectarn en el resultado nal.
!
!
Sea " 2 Rn y x " = ~x + ~" el dato de entrada perturbado. Sea !
y"= !
' r 1 'r 2
'2 !
' 1 (!
x " ):
!
!
!
!
!
!
Interesa comparar los resultados obtenidos y = ' ( x ); y y " = ' r 1 'r 2
'2 ' 1 (!
x " ); es
decir, como los errores de redondeo, de truncamiento afectan en el resultado nal mediante la ejecucin
de la secuencia indicada !
' r 1 'r 2
'2 !
' 1:
Denicin 10 De manera general, diremos que un algoritmo es estable numricamente con respecto
de otro si pequeas variaciones en los datos de entrada producen pequeas variaciones en los datos de
salida. Un algoritmo ser inestable si pequeas variaciones en los datos de entrada producen grandes
variaciones en los datos de salida.
En Anlisis Numrico, el estudio de la estabilidad numrica tiene mucha importancia, pus para construir
un algoritmo, entre uno de los requerimientos a vericar es el de la estabilidad numrica. Si este requisito
no es vericado no puede aceptarse al algoritmo como buen algoritmo y puede ser desechado.
Denicin 11 Sea V un espacio normado provisto de la norma k k : Supongamos que la solucin S
de un problema (P ) propuesto en V se aproxima mediante un algoritmo que genera a Sn aproximacin
de S; n = 1; 2; : : : ; en el sentido siguiente:
8" > 0; 9n0 2 Z+ tal que 8n
n0 =)k Sn
S k< ";
en tal caso diremos que el algoritmo es convergente.

Dado un problema (P ) y propuesto un algoritmo de solucin, este debe ser bien condicionado y
numricamente estable. Si adems el algoritmo genera una sucesin (Sn ), debe vericarse que la sucesin
(Sn ) converge a S. Por lo tanto, la elaboracin de un algoritmo implica el estudio del condicionamiento,
estabilidad numrica y convergencia.
Notemos que un resultado importante del anlisis numrico es el siguiente: si un algoritmo est bien
condicionado y es numricamente estable entonces el algoritmo es convergente. Usaremos la notacin:
condicionamiento + estabilidad =) convergencia.
(1)
(2)
Cuando hay dos o ms formas o mtodos de construccin de sucesiones (Sn ), (Sn ) que convergen a S;
es importante estudiar no solo la convergencia sino el orden de convergencia de cada mtodo, con lo que
se puede precisar las bondades y las limitaciones de cada uno de ellos.
Ejemplos
1. Sea fai j i = 1; : : : ; 10000g un conjunto de nmeros reales tales que a1 = 1; a2 =

y para i = 11; : : : ; 10000; j ai j' 6
mquina eps = 5
10
10
3.
Sea S =
10000
P
i=1
a2i : Calcular S con una precisin de
y que se adapte a la estabilidad numrica.
Consideremos dos algoritmos para la evaluacin de S:
1
1
; : : : ; a10 =
2
10
54

i = 2; : : : ; 10000
Como para i = 11; : : : ; 10000;
S = S + a2i :
siendo eps = 5 10 4 resulta que a2i ' 0; con lo cual
Primer algoritmo. Ponemos S = 1; y para

jai j ' 6
10
3,
entonces a2i ' 0;36

10000
X
10
a2i = 1 +
i=1
1
1
+ : : : + 2 = 1;5498 = S1 :
2
2
10
Segundo algoritmo. Sea jbi j = 100 jai j ' 6 10 1 , entonces b2i ' 0;36 10o > eps; i = 11; : : : ; 10000.
Ponemos
10000
X
1
1
S2 = 1 + 2 + : : : + 2 + 10 4
(100ai )2 :
2
10
i=11
Ahora bien,
10000
X
i=11
Luego
(100ai )2 ' 10000
S2 = 1 +
0;36
1
1
+ : : : + 2 + 10
2
2
10
10o = 0;36
10000
X
i=11
104 :
(100ai )2 ' 1;9098:
El primer algoritmo es numricamente inestable, el segundo algoritmo es numricamente estable.

La razn de la inestabilidad numrica del primer algoritmo se encuentra en el clculo de a2i que
est mal condicionado, pus
ai
"a2 = 2 2ai "ai = 2"ai ;
i
ai
donde "ai es el error relativo de ai : As, el nmero de condicionamiento de cada a2i es mayor que 1
lo cual amplica el error relativo y lo vuelve inestable para ai muy pequeo.
Determinemos el error relativo en porcentaje para cada algoritmo. Se tiene
S=
10000
X
i=1
a2i ' 1;9094:
Para el primer algoritmo

j"1 j =
S1
j1;5498 1;9094j
1;9094
100 =
100 = 18; 8 %:
Para el segundo algoritmo

j"2 j =
S2
S
S
100 =
j1;9098 1;9094j
= 0;00019 %:
1;9094
Se observa claramente que el segundo algoritmo es mejor que el primero.

2. Se dene la funcin real ' como ' (x) =
senh (x)
x 6= 0: Se desea calcular valores de ' (x) :
x
1
no se presenta ninguna dicultad en el clculo de ' (x) :
2
Primeramente, para x 2 R tal que jxj

Obviamente,
senh (x)
senh (x)
= lm
= 1:
lm
x!1
x! 1
x
x
1
1
; 0 [ 0;
: Con el uso de una calculadora de
2
2
bolsillo, se tienen los siguientes resultados: para x = 10 100 ; senh 10 100 = 0; luego
Nos interesamos en calcular ' (x) para x 2
' 10
100
senh 10 100
= 0;
10 100
55
lo que es falso.
Para x 2
0;
1
2
sucientemente pequeo, podemos suponer x < eps; cmo calcular ' (x) si
senh (x)
= 1: Para responder a la pregunta, recurrimos a
x
la denicin de la funcin seno hiperblico y por el polinomio de Taylor con resto (vase el apndice)
se tiene para x 2 R
senh (x) ' 0 y x ' 0? Sabemos que l m
x!1
senh (x) =
1 x
e
2
=x+
x3 x5
+
+
3!
5!
x2n+1
+ E2n+1 (x) ;
(2n + 1)!
con Em (x) el error de aproximacin del polinomio de Taylor denido como

Em (x) =
1 1
e2 + e
2
1
2
si x 2 0;
Por lo tanto, para x 2 0;
c<x
1
;
2
senh (x) ; si m es par,

cosh (x) ; si m es impar,
entonces
1
y en consecuencia
2
g (m+1) (c) m+1

x
(m + 1)!
jEm (x)j
' (x) =
g (m1 ) (c) m+1

x
0
(m + 1)!
t)m g (m+1) (t) dt =
(x
m 2 Z+ : Como g (m) (x) =
y g (x) = senh (x) ;

g (m+1) (x)
1
m!
1 1
e2 + e
2
1
2
xm+1
:
(m + 1)!
1
se tiene
2
senh (x)
x2 x4
=1+
+
+
x
3!
5!
x2n
+ R2n (x)
(2n + 1)!
x 2 0;
1
;
2
y
E2n (x)
x
jR2n (x)j =
1 1
e2 + e
2
1
2
x2n
(2n + 1)!
x 2 0;
1
:
2
Se supone que en una calculadora de bolsillo 10 100 ' 0 pero 10 99 no se redondea por cero, se
tiene
' 10 100 = 1 + R2 10 100 ' 1 pus R2 10 100 ' 0;
senh (x)
! 1 cuando x ! 0: De la
x
representacin de la funcin ' como polinomio de Taylor con resto arriba indicada, para x = 10 40 ;
10 20 ; 10 10 ; se obtienen los siguientes resultados:
que es un resultado mucho ms apegado a la realidad, pus
' 10
40
' 10
20
' 10
10
1
6
1
' 1+
6
1
' 1+
6
' 1+
10
80
R2 (10
1
120
1
10 20 +
120
10
40
40
) ' 0;
10
80
10
40
;
+
R4 (10
1
5040
40
) ' 0;
10
60
1
362880
10
80
Para x = 0;005; veamos los siguientes resultados. De la denicin de '; tenemos

' (0;005) =
senh (0;005)
' 1;000004165:
0;005
Si utilizamos la denicin de seno hiperblico, se tiene

' (x) =
senh (x)
1 x
=
e
x
2x
x 6= 0;
R8 (10
40
) ' 0:
56

y resulta que ' (0;005) ' 1;00000418: Si
' (x) = 1 +
x2 x4
x2
+
+ R5 (x) = 1 +
3!
5!
6
1+
se tiene ' (0;005) ' 1;000004167; y si

' (x) = 1 +
x2 x4 x6
x2
+
+
+ R6 (x) = 1 +
3!
5!
7!
6
1+
x2
20
x2
20
+ R4 (x) ;
x2
42
1+
se tiene ' (0;005) ' 1;000004167: Con una presicin del orden de 10
mejor aproximacin es ' (0;005) = 1;000004167: Pus
jR6 (x)j
10
7!
+ R6 (x) ;
10 ;
de estos resultados, la
3 6
' 0;31002
10
17
10
< 10
1
;0 :
2
Resultados similares se obtienen en el caso x 2
1
1
; se dice que el clculo de ' (x) mediante el polinomio de Taylor con
; 0 [ 0;
2
2
error se adapta a la estabilidad numrica y por lo tanto ' (x) es numricamente estable frente a las
senh (x)
1 x
formas de clculo de ' (x) como ' (x) =
; o de ' (x) =
(e
e x ) x 6= 0:
x
2x
3. Sean x0 ; x1 ; : : : ; xn nmeros de mquina
positivos, cuyo nmero de mquina es ". Entonces el error
Pn
de redondeo relativo al calcular k=0 xk de la manera usual es (1 + ")n 1 ' n ".
n
X
So = xo
Sea Sn =
xi y S n el resultado de la suma en el computador. Se tiene
y
Sk+1 = Sk + xk+1 ;
i=0
8
>
< S o = xo
Denimos
>
: S k+1 = f l S k + xk+1 :
Para x 2
"sk =
Sk
Sk
Sk
S k+1
y "k =
(S k + xk+1 )
Sk + xk+1
Entonces
S k+1 Sk+1
(Sk + xk+1 )(1 + "k ) (Sk + xk+1 )
=
Sk+1
Sk+1
(Sk (1 + "Sk ) + (xk+1 ))(1 + "k ) (Sk + xk+1 )
=
Sk+1
Sk
(1 + "k ):
= " k + " Sk
Sk+1
"Sk+1
Puesto que Sk < Sk+1
y j"k j
", resulta
j"Sk+1 j
donde
" + j"Sk j (1 + ") = " + j"Sk j ;
= 1 + ": Se tiene
j"So j = 0;
j"S1 j
";
j"s2 j
" + " = "(1 + );
"S3
" + (" + ") = "(1 +
);
..
.
j"Sn j
" + " + 2" + : : : +

n
1
(1 + ")n
="
= "
1
"
n 1
" = "(1 +
= (1 + ")n
+
1:
+ ::: +
n 1
57
Por el binomio de Newton.

(1 + ")n
4. Sea S =
1
P
1 = 1 + n" +
n(n + 1) 2
" + : : : + "n
2!
1 ' n":
ak una serie real convergente. Intentamos aproximar S siguiendo 2 etapas. Primero
k=1
n
P
calculamos la suma parcial Sn =
an para n grande y a continuacin redondeamos Sn reteniendo
k=1
una cierta cantidad de dgitos despus del punto decimal. Digamos que se han retenido m dgitos.
Se puede asegurar que el ltimo dgito es el correcto?.
Sea S n = rd(Sn ). Deseamos que Sn
obtener S n , entonces S
S
1
2
Sn
1
2
10
Sn + jSn
m.
m:
10
Si Sn se ha redondeado correctamente para
Pero
1
2
Sj
10
+ jSn
Sj :
Esta desigualdad no se puede mejorar a menos que Sn = S, o tambin ak = a; k = 1; : : : ; n; por

1
6
tanto no se puede lograr S S
10 m : Si imponemos que S S <
10 m ; entonces
2
10
1
2
de donde jSn
5. Sea E(n) =
Sj < 10
m 1:
10
+ jSn
1
X
Luego
Sj <
ak < 10
6
10
10
m 1:
k=n+1
xn ex
1 dx;
n = 0; 1; 2; : : : :Para cada n; se desea calcular valores aproximados de
E(n). Con este propsito se deben elaborar algoritmos para aproximar E(n): Con este ejemplo
se obtendrn un algoritmo mal condicionado y otro bien condicionado, numricamente estable y
convergente.
Primeramente analicemos el problema.
Sea fn (x) = xn ex
x 2 [0; 1]; n = 0; 1;
8x 2 [0; 1]; 8n = 0; 1; 2; : : : ;
Z 1
y como la integral de una funcin no negativa es no negativa, se sigue que E(n) =
fn (x)dx 0.
xn
Por otra parte, si 0 < x < 1;
: Se tiene que fn (x)
! 0; luego fn (x)
n!1
l m E(n) = l m
n!1
n!1 0
! 0 8x 2 [0; 1[, entonces
1 1
j0 =
n!1
xn ex
En conclusin E(n) es no negativo, E(n + 1) < E(n)

decreciente y acotada por 0.
Primer algoritmo. Para n = 0, se tiene
Z 1
E(0) =
ex 1 dx = ex
= 0:
con n = 0; 1; : : : que muestra que E(n) es
= 0;6321205588 : : : :
Para n > 0, aplicamos el mtodo de integracin por partes, se obtiene

Z 1
E(n) = xn ex 1 j10 n xn 1 ex 1 dx = 1 n E(n 1); n = 1; 2; : : : ;
0
As, se obtiene la ecuacin recurrente siguiente: E(n) = 1 n E(n 1) n = 1; 2;

:Conocido
un valor aproximado de E(n 1); mediante la ecuacin recurrente podemos calcular un valor
58

aproximado de E(n) lo que nos permite obtener el siguiente algoritmo de clculo para E(n) para
n = 0; 1;
; N.
Algoritmo
Datos de entrada: N:
Datos de salida: E(n):
1. E(0) = 1
= 0;6321205588 : : : ;
2. Para n = 1; : : : ; N
E(n) = 1
nE(n
1)
Fin de bucle n:
3. Imprimir E(n):
4. Fin.
Con precisin de 5 cifras decimales, los resultados de la aplicacin del algoritmo precedente se
muestran en la siguiente tabla:
n
0
1
2
3
..
.
E(n)
0;63212
0;36788
0;26424
0;20728
12
13
14
15
..
.
0;05809
0;24478
2;42688
37;40316
690 478; 033;14:
20
Observe los valores sealados con . El anlisis de E(n) muestra que E(n) 0 y E(n) ! 0 cuando
n ! 1. A partir de n = 13 los resultados son absurdos. Si se realizan los clculos con un nmero
mayor de cifras decimales, los resultados absurdos se obtienen para n>13:
Note que tomando E = rd(E(0)) = 0;63212 como dato de entrada, el error de redondeo en cada
iteracin es amplicado por n. Estos hechos demuestran que el algoritmo est mal condicionado.
Se puede demostrar que el nmero de condicionamiento de este procedimiento es C = n, y en
consecuencia pequeos errores en los datos de entrada provocan grandes errores en los datos de
salida, lo que muestra que el algoritmo es inestable numricamente.
Segundo Algoritmo. Tomando en cuenta que E(n) > 0;
n = 0; 1; : : : ; y, E(n) ! 0 cuando
n ! 1, basta elegir n sucientemente grande para obtener E(n + 1) ' 0, entonces
0 ' E(n + 1) = 1
de donde
E(n) =
y para n
1; n
(n + 1)E(n);
1
;
n+1
2; : : : ; 1, tenemos
E(n
1) =
E(n)
:
n
Para N sucientemente grande, se establece el algoritmo siguiente.

Algoritmo
Datos de entrada: N .
59

1
1. E(N ) =
:
N +1
2. Para n = N 1;
;1
E(n)
n
Fin de bucle n:
E(n) =
3. Imprimir E(n):
4. Fin.
Para N = 20; en la tabla siguiente se muestran los resultados de la aplicacin del algoritmo
precedente.
n
E(n)
20
0;04762
19
0;04762
18
0;05130
17
0;05277
..
.
5
4
3
2
1
0;14553
0;17089
0;20728
0;26424
0;36788:
Estos resultados son satisfactorios. Este algoritmo est bien condicionado y los pequos erreres en
los datos de entrada provocan pequeos errores en los datos de salida, es decir que el algoritmo
es numricamente estable, no obstante el algoritmo presenta un inconveniente: el nmero de
operaciones que se requiere para calcular E(nj ) a partir de E(N ) con una precisin jada debe
ser grande.
1 k
P
x
Tercer algoritmo. Por la serie de Taylor de ex se tiene ex =
x 2 [0; 1]; y por el teorema
k!
k=0
de la convergencia uniforme y la integracin (vase el captulo 3 donde se tratan las sucesiones y

series de funciones), resulta
E(n) =
Z1
xn ex
dx = e
= e
Z1
xn ex dx = e
1
X
k=0
1
k!
Z1
xn+k dx = e
xn
1
X
k=0
Z1
1
X
xk
k=0
k!
dx
1
:
k!(n + k + 1)
1
X
1
n = 0; 1;
: Vemos que E(n) se representa como una
k!(n + k + 1)
k=0
serie numrica convergente. Lamentablemente la serie no puede ser evaluada en el computador,
1
X
1
necesitamos transformarla en una suma nita Sm0 (n). Para el efecto, como la serie
k!(n + k + 1)
k=0
es convergente, entonces
As, E(n) = e
8" > 0, 9m0 2 Z+ tal que 8m
o bien
1
X
k=m0 +1
1
< ":
k!(n + k + 1)
m0 )
1
X
k=0
1
k!(n + k + 1)
m
X
k=0
1
< ";
k!(n + k + 1)
60

Sea (ak ) una sucesin de nmeros positivos tal que
1
k!(n + k + 1)
<"
ak
P1
k=1 ak
= 1. Determinemos m0 tal que
si k
m0 :
1
X
1
1
: Se tiene
= 1. Entonces
Pongamos ak =
k(k + 1)
k(k + 1)
determinemos m0 tal que

luego m0 = 11: As
(k 1)!
k=1
6:
< 10
k(k+1)
k!(n+k+1)
Esta ltima desigualdad se verica para todo k
Sm0 (n) = e
11
X
k=0
6,
": Sea " = 10
11;
1
:
k!(n + k + 1)
De este modo E(n) es aproximado con la suma Sm0 (n) con una precisin de 10
de la suma est bien condicionada, escribimos Smo (n) de la manera siguiente:
6.
Cada trmino
1
1
1
1
1
1
+
+
+
+ ::: +
++
n + 1 1!(n + 2) 2!(n + 3) 3!(n + 4)
10!(n + 11)
11!(n + 12)
1
1
1
1
1
1
1
1
= e 1
+
+
+
+ ::: +
+
n+1 n+2 2 n+3 3 n+4
10 n + 11
1
:::
:
+
11 (n + 12)
Smo (n) = e
Tenemos as el siguiente algoritmo siguiente:

Algoritmo
Datos de entrada: n.
1
1. s =
11 (n + 12)
2. Para k = 1;
; 12
j = 12
1
1
+ s
n+j
j
Fin de bucle k:
s=
3. E(n) = s:
4-Imprimir E(n).
5. Fin.
En la tabla siguiente se muestran los resultados de la aplicacin de este algoritmo.
n
1
2
3
4
..
.
E(n) ' Smo (n)

0;367879
0;264241
0;207276
0;170893
100
..
.
0;009805
500
..
.
0;001992
1000
..
.
0;000998
1000000
0;000009999:
61
Para cada n, Sm0 (n) requiere de 59 operaciones elementales. Este algoritmo reune todas las
caractersticas: condicionamiento, estabilidad, convergencia. Adems es fcil de programar y cada
Smo (n) es independiente del clculo de Smo (n 1) o de Smo (n + 1). En consecuencia este es uno
de los mejores algoritmos que puede construirse para aproximar E(n), n = 1; 2; : : : :
6. Ejemplo de un mtodo convergente.
Consideremos como problema (P ) el clculo de a1=n ; donde a 2 R, n 2 N con n
2:
Notemos primeramente que la raz n sima de a est bien denida para todo a si n es impar, y
a 0 si n es par.
Supongamos a
0, n
2: Denimos la funcin f de R+ en R, por f (x) = xn a x 2 R+ :
Tenemos la siguiente equivalencia: f (x) = 0 , x = a1=n ; es decir que la ecuacin f (x) = 0 tiene una
nica solucin x = a1=n 2 R+ : Apliquemos el mtodo de Newton cuya interpretacin geomtrica
indicamos a continuacin.
Sea x0 2 R+ una aproximacin de a1=n : La ecuacin de la recta tangente L1 a la grca de f en
el punto (x0 ; f (x0 )) viene dada por: y f (x0 ) = f 0 (x0 )(x x0 ): Esta recta corta al eje X en el
punto (x1 ; 0); en tal caso tenemos y = 0; y
x1 = x0
f (x0 )
:
f 0 (x0 )
Repetimos nuevamente el proceso descrito previamente. La ecuacin de la recta tangente L2 a la

grca de f en el punto (x1 ; f (x1 )) es: y f (x1 ) = f 0 (x1 )(x x1 ); que corta al eje X en el punto
(x2 ; 0): Obtenemos entonces
f (x1 )
x2 = x1
:
f 0 (x1 )
Continuando con este procedimiento k veces, deducimos que
xk+1 = xk
f (xk )
f 0 (xk )
k = 0; 1; 2; : : : ; :f 0 (xk ) 6= 0:
Este ltimo esquema numrico se conoce con el nombre de mtodo de Newton. En el captulo
resolucin numrica de ecuaciones no lineales se aborda con ms detalle este mtodo.
En la siguiente gura se ilustran las rectas tangentes L1 ; L2 , L3 a la grca de f en los puntos
(x0; f (x0 )); (x1; f (x1 )) y (x2 ; f (x2 )): Note que la grca de la funcin f corta al eje X en x = a1=n :
Figura 10
62

De acuerdo a la denicin de la funcin f y al esquema de Newton arriba obtenido; tenemos
!
xnk a
(n 1)xnk + a
f (xk )
a
1
xk+1 = xk
= xk
(n 1) xk + n 1 ; k = 0; 1; : : : ;
=
=
f 0 (xk )
n
n xnk 1
n xkn 1
xk
al que nos referiremos como esquema numrico para aproximar a1=n :
Si jamos el nmero entero m, nmero de iteraciones a realizar, el procedimiento de clculo de a1=n
es el siguiente:
8
> x0 > 0 dado,
<
!
1
a
k = 0; 1; : : : ; m:
>
: xk+1 = n (n 1)xk + xn 1
k
Este algoritmo requiere de la lectura de los siguientes datos de entrada: n; a; m: Como resultado
obtendremos el valor aproximado de a1=n : Los datos de salida son : a; n; a1=n : Se puede probar que
dada una aproximacin inicial x0 > 0 apropiada de a1=n ; la sucesin (xk ) generada por el esquema
numrico para aproximar a1=n ; converge efectivamente al valor de a1=n : En estas condiciones
proponemos un primer algoritmo que es un tanto incompleto como se ver ms adelante.
Algoritmo 1.
Datos de entrada: a; n; m:
Datos de salida: a1=n :
1. x = x0 :
2. Para k = 0; 1; : : : ; m
1
a
xk =
(n 1)x + k
n
x
x = xk
Fin de bucle k:
3. Imprimir x = a1=n :
4. Fin.
As por ejemplo si a = 2;
p
n = 2; el procedimiento para calcular 2 es el siguiente:
8
< x0 > 0 dado,
1
2
xk +
k = 0; 1; : : :
: xk+1 =
2
xk
Si jamos el
p nmero de iteraciones m = 5 y el punto inicial x0 = 2, la aplicacin del algoritmo de
clculo de 2 nos da los siguientes resultados:
x1 =
x3 =
x5 =
1
2
1
2
1
2
2
x0
2
x2 +
x2
2
x4 +
x4
x0 +
= 1;5;
x2 =
= 1;414215687;
1
2
2
= 1;4166667;
x1
1
2
x4 =
x3 +
= 1;414213563;
2
x3
x1 +
= 1;414213563:
p
El valor exacto es 2 y el obtenido en una calculadora de bolsillo es 1;414213562 : : : : En este ejemplo
vemos las siguientes caractersticas: el procedimiento de clculo descrito en el algoritmo 1 tiene
una estructura bienpdenida, el nmero de repeticiones de concluye en m pasos, el procedimiento
permite aproximar 2 con una precisin de 10 10 : El algoritmo 1 presenta un inconveniente que
es la seleccin del punto inicial x0 del que se ha dicho debe ser una aproximacin inicial apropiada
de a1=n : No obstante, para a suciente grande queda la duda de como elegir dicho punto. Un
procedimiento de seleccin es el siguiente:
63
a) Para 0 < a < 1; obtenemos el siguiente esquema numrico:

8
>
< x0 = 1
!
1
a
k = 0; 1; : : : ; m:
>
: xk+1 = n (n 1)xk + xn 1
k
b) Supongamos que a > 1: Sea j 2 N el ms pequeo entero tal que 0 < 10

f (x) = xn
Ponemos b = a
10
jn ;
a = 10jn
t = 10
xn
10jn
a
10jn
x
10j
= 10jn
x y denimos g(t) = tn
g(t) = 0 () t = b1=n () 10
x = 10
< 1: Entonces
a
:
10jn
b: Resulta
j 1=n
jn a
() x = a1=n :
As, g(t) = 0 , x = a1=n ; que muestra que la raz de la ecuacin g(t) = 0 es la misma de
f (x) = 0:
El algoritmo descrito precedentemente puede ser aplicado a condicin de reemplazar a por b:
As por ejemplo, sea a = 36254932;65 y n = 4: Resulta que a = 0;3625493265 108 ; j = 2
y b = 0;3625493265: Entonces
8
< t0 = 1;
1
0;3625493265
3tk +
k = 0; 1; : : : ; 5:
: tk+1 =
4
t3k
Tenemos
t1 = 0;8406373318;
t2 = 0;783052196;
t4 = 0;7759643795;
t5 = 0;775964362:
t3 = 0;7760600163;
Luego x = 0;775964362 102 ; con lo cual a1=4 se aproxima por 77;5964362 con una precisin " =
10 8 : El valor obtenido de una calculadora de bolsillo es (360 254; 932;65)1=4 = 77;59643619 : : : :
c) Finalmente, si a < 0 y n es impar ponemos c = a y aplicamos los resultados descritos
precedentemente en a) y b):
Para elaborar un algoritmo completo de clculo de a1=n introducimos dos variables indi e inf o
y que toman los valores 0 y 1: La variable indi lo utilizamos para la paridad de n, esto es, n
par entonces indi = 0; n impar entonces indi = 1: La variable inf o es utilizada para el signo
de a; as: a > 0 entonces nfo= 0; a < 0 entonces inf o = 1:
Algoritmo 2
Datos de entrada: a; n; m:
Datos de salida: S = a1=n :
Si n par, hacer indi = 0;
1.
Si n impar, hacer indi = 1:
Si a > 0; hacer inf o = 0;
2.
Si a < 0; hacer inf o = 1:
3. Si indi = 0 e inf o = 1; Imprimir, Error. Continuar en 11:
4. Si indi = 1 e inf o = 1: Hacer c = a: Continuar en 6:
5. Poner c = a:
6. Determinar j 2 N el ms pequeo tal que b = 10 jn c < 1:
7. Poner x = 1:
8. Para k = 1; : : : ; m
b
1
(n 1)x + n 1
xk =
n
x
x = xk :
Fin bucle k
9. Si indi = 1 e inf o = 1: Hacer x = xk : Poner S = 10j x:
10. Imprimir resultados: S:
11. Fin.
64

7. Ejemplo de un mtodo numrico impracticable.
a1 b1
a2 b2
a1 x + b1 y = c1 ;
es invertible. Consideramos el sistema de ecuaciones lineales: (x; y) 2 R2 tal que
a2 x + b2 y = c2 :
Puesto que A es invertible, este sistema de ecuaciones tiene solucin nica (x; y) 2 R2 : Calculemos
esta solucin. Para el efecto se disponen de dos mtodos. El primero es el conocido mtodo de
Cramer cuya solucin se calculan como se muestra a continuacin
Sean a1 ; a2 ; b1 ; b2 ; c1 ; c2 2 R: Supongamos que a1 ; a2 ; b1 ; b2 son no nulos y la matriz A =
x=
c1 b1
c2 b2
a1 b1
a2 b2
y=
a1 c1
a2 c2
a1 b1
a2 b2
a b
a b
= ad
bc denota el determinante de la matriz real
. El segundo
c d
c d
mtodo que consideramos es el de eliminacin gaussiana que se indica a continuacin: se cala2
cula k =
; y se obtiene el sistema de ecuaciones lineales triangular superior siguiente:
a1
8
c2 + kc1
>
<
;
y=
a1 x + b1 y = c1
b2 + kb1
cuya solucin se calcula como sigue:
Con1
(b2 + kb1 ) y = c2 + kc1 ;
>
: x=
(c1 b1 y) :
a1
tabilicemos el nmero de operaciones que se realizan con cada mtodo. Con el mtodo de Cramer,
c1 b1
el clculo del determinante
= c1 b2 c2 b1 implica tres operaciones elementales. Como se
c2 b2
deben calcular tres determinantes y dos cocientes, resultan 11 operaciones elementales. Con el mtodo de eliminacin gaussiana se tienen las siguientes operaciones elementales: en el clculo de k se
realiza un cociente, el clculo de y implica 5 operaciones elementales y el de x implica 3 operaciones
elementales. En total se requieren de 9 operaciones elementales.
donde
A juzgar por el nmero de operaciones elementales, el mtodo de eliminacin gaussiana realiza 2

operaciones elementales menos que en el de Cramer. A ms de esta razn, el mtodo de eliminacin
gaussiana es mucho ms estable numricamente. En conclusin, para resolver numricamente un
sistema lineal de dos ecuaciones con dos incgnitas, se debe aplicar el mtodo de eliminacin
gaussiana.
En lo sucesivo consideraremos sistemas de ecuaciones lineales Ab
x = bb; donde A = (aij ) 2 Mn
!
A 6= 0 y b 2 Rn .
n [R]
con
Llamamos mtodo directo de resolucin del sistema de ecuaciones lineales, un mtodo que conduce a la
solucin del problema al cabo de un nmero nito de pasos, o bien en un nmero nito de operaciones
aritmticas (suma, resta, multiplicacin y divisin) que es funcin de la dimensin del sistema. Para cada
mtodo directo estudiado, se debe estimar:
i) El nmero de operaciones elementales necesarias en la ejecucin del algoritmo, es decir que se debe
determinar una funcin Noper : Z+ ! R que a cada n 2 Z+ asocie Noper (n).
ii) Precisin del mtodo. Esta precisin depende sobre todo del condicionamiento de la matriz y de la
estabilidad del mtodo, es decir que pequeos errores en los datos de entrada provocan pequeos
errores en los datos de salida, o lo que es lo mismo, es insensible a la propagacin de errores de
redondeo.
Supongamos que para resolver el sistema de ecuaciones lineales utilizamos la regla de Cramer:
xi =
det(A)
i = 1; : : : ; n;
65
!
donde i es el determinante de la matriz obtenida al reemplazar la columna i-sima de A por b ,
det(A) 6= 0.
Estimemos el nmero de operaciones elementales que se requieren para el clculo de un determinante
de una matriz C de n n: Para el efecto, determinemos el nmero de operaciones elementales que se
requieren para calcular determinantes de orden 2 y 3:
Para calcular el determinante de una matriz C de 2
productos : 2 = 2!
1;
2 se efectan las siguientes operaciones:

adiciones : 1 = 2!
1;
luego Noper (2) = 3 operaciones elementales. Si C es una matriz real de 3

det(C) = C11
C22 C23
c32 C33
C12
C21 C23
C31 C32
3, C = (Cij )3x3 , entonces
C21 C22
C31 C32
+ C13
y el nmero de operaciones elementales se obtiene del modo siguiente: el clculo de cada determinante
de 2 2 requiere de 3 operaciones elementales, de la descomposicin precedente, se obtiene
multiplicaciones : 9 = 3
2 + 3;
sumas : 5 = 3
1 + 2;
con lo que Noper (3) = 14 operaciones elementales.

En general, si C es una matriz de n
n, se tiene
multiplicaciones :
j
n
X1 Y
(n + 1
k);
sumas : n!
1:
j=1 k=1
El nmero de operaciones elementales aplicando el mtodo de Cramer es:

multiplicaciones : (n + 1)
j
n
X1 Y
(n + 1
k);
j=1 k=1
sumas : (n + 1)(n!
1);
divisiones : n;
con lo cual
N oper(n) = n + (n + 1)(n!
1) + (n + 1)
j
n
X1 Y
j=1 k=1
(n + 1
k) = (n + 1)! + (n + 1)
j
n
X1 Y
(n + 1
k):
j=1 k=1
As, N oper(5) = 330 operaciones elementales, N oper(6)=1961 operaciones elementales. Note el tiempo
que se requerira para resolver un sistema de ecuaciones lineales de 5 5 usando una calculadora de
bosillo: aproximadamente medio minuto por operacin implica aproximadamente 165 minutos el tiempo
requerido para resolver dicho sistema de ecuaciones, cunto tarda usted en resolver un tal sistema?
Si despreciamos los n 2 trminos del sumatorio, tenemos N = 2(n + 1)! y para n = 20, se obtiene
N ' 1;021818893 1020 < N oper(20) que muestra que este mtodo es impracticable. Con otros
mtodos, un sistema de ecuaciones lineales de 5 5 y con el uso de una calculadora de bolsillo y con el
tiempo estimado de medio minuto por operacin, se requerir aproximadamente una hora; un sistema
de ecuaciones lineales de 20 20 y con el uso de los computadores actuales requerir de fracciones de
segundo.
Por otra parte, las operaciones sumas y restas alternadas incrementan los errores de redondeo, que a su
vez deterioran la calidad de la solucin. Ms an, cuando n es demasiado grande, a causa de los errores
de redondeo, puede provocarse un overow lo que a su vez provocar una detencin en la ejecucin del
programa. Por estas razones, el clculo del determinante mediante este procedimiento denitivamente
es impracticable, pus es mal condicionado e inestable numricamente. Consecuentenemente, para el
clculo del determinante de una matriz debe aplicarse otros mtodos y algoritmos que son relativamente
econmicos y fciles de programarse e implementarse en un PC.
66
En conclusin, si se utiliza la regla de Cramer para hallar la solucin del sistema de ecuaciones lineales
!
A!
x = b ; del punto de vista numrico es impracticable.
!
Si A es una matriz invertible, la solucin del sistema de ecuaciones lineales A!
x = b tiene una nica
solucin
!
!
x = A 1 b;
donde A
1
D t
det(A) (A )
y AD = [( 1)i+j menor (aij )] i = 1; :::; n; j = 1; :::; n.
El clculo de la matriz AD implica el clculo de n2 determinantes de matrices de (n 1) (n 1).

!
Adicionamos a esto el clculo de det(A) y a continuacin el producto de A 1 por b . Mediante un
razonamiento similar al precedente se puede mostrar que el nmero de operaciones elementales N oper(n)
es muy grande, con lo cual este mtodo es igualmente impracticable. Ms an, si se toma en consideracin
los errores de redondeo, estos pueden ser muy grandes lo que conducir a resultados completamente
distorsionados. En denitiva, se trata de un mtodo mal condicionado e inestable numricamente, por
lo tanto inutilizable del punto de vista numrico. Ms adelante se tratan mtodos directos de resolucin
de sistemas de ecuaciones que son fciles de aplicarse con un nmero de operaciones N oper(n) muy
razonable:
1.12.
Ejercicios
1. Sean T un tringulo cuyos vrtices son !

u 1 = (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 3 = (x3 ; y3 ) 2 R2 que
!
suponemos son no colineales y distintos, y, un punto dado x = (a; b) 2 R2 : Se considera el
siguiente problema: determinar si (a; b) 2 T o (a; b) 2
= T: Fundamentar matemticamente la solucin
del problema y elaborar un algoritmo numrico. Determine el nmero de operaciones elementales,
asignaciones, comparciones. Realice comprobaciones de su algoritmo.
2. Se considera un tringulo T cuyos vrtices son !
u 1 (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 3 = (x3 ; y3 ) 2 R2 :
!
!
!
Suponemos que u 1 ; u 2 ; u 3 son distintos y no colineales. Elaborar un algoritmo que permita
calcular su permetro y su rea. Recuerde que si !
x;!
y 2 R2 ; la mtrica ecucldea d est denida
1
como d (!
x;!
y ) = k!
x !
y k y k!
xk= !
x T!
x 2 : Determine el nmero de operaciones elementales.
Realice comprobaciones de su algoritmo.
3. Sean !
u 1 = (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 2 = (x3 ; y3 ) 2 R2 los vrtices de un tringulo T . Supongamos
!
!
!
que u 1 ; u 2 ; u 3 son distintos y no colineales. Elaborar un algoritmo que permita calcular los
ngulos interiores del tringulo T y determinar si T es un tringulo rectngulo, issceles o escaleno.
Calcule el nmero de operaciones elementales y de comprobaciones.
4. Se consideran !
u 1 = (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 3 = (x3 ; y3 ) ; !
u 4 = (x4 ; y4 ) puntos de R2 dados.
Suponemos que dichos puntos son distintos y al menos tres de ellos no son colineales. Elabore un
algoritmo que permita identicar si el cuadriltero es un paralelogramo y en este caso identicar si
es un rectngulo. Adems, se debe calcular el rea de dicho cuadriltero. Determine el nmero de
operaciones elementales, asignaciones y comprobaciones. Realice pruebas para vericar su algoritmo.
5. Sean a; b; c; d 2 R y A =
1
ad
bc
d
c
b
a
a b
c d
una matriz invertible. Obviamente ad
bc 6= 0 y A
p r
1
p
p r
0
r
p
=
;
=
; o sea
q s
0
q
q s
1
s
q
a b
x
1
r
es la solucin del sistema de ecuaciones
=
y
es la solucin del sistema
c d
y
0
s
a b
x
0
=
de determinan las columnas de A 1 : Elabore un algoritmo que resuelva los
c d
y
1
dos sistemas de ecuaciones lineales de modo que el nmero de opreaciones elementales sea el ms
pequeo posible y escriba A 1 : Compruebe con las siguientes matrices:
Ponemos A
p r
q s
: Note que
1.12. EJERCICIOS
2 0
0 5
a)
67
: b)
3
0
2
8
1 2
5 2
: c)
6. Sean A; B; C matrices reales de 2

para calcular la matriz D:
a) D = A (B + C) : b) D = AB
p
1
p
p2
5 3 2 5
: d)
2: En cada item se dene una matriz D; elabore un algoritmo

C: c) D = (A
B) C + I con I la matriz identidad.
A) C: e) D = B I + A + A2 + A3 + A4 C: f ) D = B I
d) D = C (B
A + A2
A3 + A4 C:
Compruebe cada algoritmo con las siguientes matrices:

A=
2 3
1 4
B=
1 0
0 2
3 5
2 1
C=
7. a) Sea A una matriz real no nula de m m: Se dene A

un algoritmo que permita calcular An :
= A y An+1 = An A para n 2 N: Elabore
6 1
b) Verique su algoritmo con n = 3 y la matriz siguiente A = 4 1
3
2
3
1
0
1
2
6
7
3
7
1
c) Si A = 6
4
2 0 5 ; aplique su algoritmo y calcule A :
2
1
1 3
3
1
2 7
5:
1
8. Aplique el mtodo de eliminacin gaussiana con pivoting parcial para hallar, si existe, la solucin
de cada uno de los sistemas de ecuaciones lineales que se proponen. En caso de calcular la solucin,
compruebe. De no ser posible, indique si el sistema de ecuaciones tiene innitas soluciones o ninguna
solucin.
8
8
8
>
>
>
3x
+
y
z
=
5
x
+
2y
+
3z
=
2
4x + y z = 5
>
>
>
>
>
>
<
<
<
a)
b)
c)
x + 2y
=8
x+y+z = 1
8x
+ 2z = 6
>
>
>
>
>
>
>
>
>
: y 2z = 5:
: 2x + 3y
: x+y
= 3:
= 1:
d)
8
>
>
>
<
0;2x + 0;3y + 0;4z = 0;9
0;1x + 0;1y + 0;2z = 0;2

>
>
>
: 1;1x + 0;2y 2z = 0;7:
8
>
0;3x + 0;2y + 0;5z = 1
>
>
<
g)
0;1x 0;1y
=0
>
>
>
: 0;2x + 1;1y + 0;3z = 1;1:
8
1
1
1
>
>
x + y + z = 11
>
>
>
2
3
6
>
>
< 1
1
x + y + z = 21
k)
j)
6
2
>
>
>
>
1
1
37
>
>
>
: x + 3y + 4z = 2 :
e)
h)
8
>
>
>
<
>
>
>
:
8
>
>
>
<
>
>
>
:
y + 2z =
0;2x + 1;1y + 0;3z = 1;2

0;3x
2z =
x + 2y + 3z = 2
1;1x + 0;5y + 1;6z = 2;2

x
2y
3z =
8
1
1
9
>
>
x + y + z = 27
>
>
>
4
5
20
>
>
< 1
1
9
x + y + z = 27
5
4
20
>
>
>
>
1
3
>
>
>
: x + 2 y + 2 z = 90:
8 p
p
p
>
2x + 3y + z = 5 + 6
>
>

>
p
p
p
p
>
: x + 3y + 2z = 3
2 + 2 3:
2:
1:
8
>
2x + 3y 2z = 66
>
>
<
f)
y + 4z = 90
>
>
>
:
y + 5z = 45:
8
>
50x + 20y + 8z = 20;6
>
>
<
i)
30x + 15y + 16z = 15;2
>
>
>
: 25x + 32y + 40z = 21;9:
8
>
0;8x + 1;5y + 2;3z = 2;4
>
>
<
m)
1;2x + 0;8y + 2z = 3;6
>
>
>
: 1;2x 0;4y + 0;8z = 3;0:
68

9. Sean a; b; c 2 R con a 6= 0: Se considera la ecuacin: hallar x 2 R tal que ax4 + bx + c = 0: Elaborar
un algoritmo que permita identicar la existencia de races reales y como calcularlas. Verique su
algortimo en los siguientes casos:
a) t4
9t2 + 20 = 0: b) 3t4 + 7t2
40 = 0: c) 2t4 + 9t2 + 4 = 0:
10. En cada item se dene una funcin u y una particin uniforme (m) del intervalo [a; b] que se
Rb
indica y m = 10: Calcule I (u) = a u (x) dx y una aproximacin I (vm ) de I (u) calculada con la
regla del rectngulo. Compare los resultados.
3x + 2 x 2 [ 1; 2] : c) u (x) = 2x2 + 5 x 2 [ 1; 2] :
1
d) u (x) = x3 x2 + 1 x 2 [0; 1] : e) u (x) =
x 2 [0; 1] : f ) u (x) = e x x 2 [0; 4]
1+x
i
h
: h) u (x) = cos2 (x) x 2 [0; ] : i) u (x) = ln(x) x 2 [1; e] :
g) u (x) = sen(x) x 2 0;
2
p
j) u (x) = 1 + x2 x 2 [0; 2] :
a) u (x) = x x 2 [0; 10] : b) u (x) =
11. En cada item se dene una funcin real ': Elabore un algoritmo de clculo de ' (x) de modo que
el nmero de operaciones elementales sea el ms pequeo posible, contabilice dicho nmero.
1
1
1
1
1
a) ' (x) = 10
x > 1:
x2 6x4 10x6 14x8 18x10
3
5
7
9
11
b) ' (x) = 1 + p
+
+
x 0:
3
5
2
1 + x 1 + x (1 + x) 2
(1 + x)
(1 + x) 2
p
4
9
14
19
24
c) ' (x) =
x > 3:
1 +
3 +
5 +
7 +
9
(x2 3) 2
5 (x2 3) 2
9 (x2 3) 2
14 (x2 3) 2
19 (x2 3) 2
1
16
256 8 2
4
x
d) ' (x) = 2
+ x4 + x6 +
x 2 R:
3
9
81
i
h
1
1
1
1
:
sen2 (x) + sen3 (x)
sen4 (x) x 2
;
e) ' (x) = 1 + sen(x)
2
4
8
16
2 2
1 2
3
4
5
f ) ' (x) = + cos2 (x) sen(x)
cos3 (x) sen2 (x)+ cos4 (x) sen3 (x)
cos5 (x) sen4 (x) x 2 R:
3 9
16
21
26
x2
12. Para n 2 Z+ con 3
19; se dene
n
X
( 1)k k+ 1
fn (x) =
x 2
(2k + 1)!
k=0
x 2 0;
a) Para cada n impar, elabore un algoritmo para calcular valores aproximados de fn (x) de modo
que el nmero de operaciones elementales sea el ms pequeo posible y se eviten sumas y restas
alternadas.
b) Para n = 19; x =
y una aproximacin de ' 3;1415926536; se tiene f19

= 0;5:
6
6
Aplique el algoritmo desarrollado en la parte a) precedente y calcule fn (x) para n; x y la
aproximacin de que se indica, obtendr una aproximacin de 0;5
i) n = 5;
iii) n = 9;
' 3;1415; x =
' 3;14159265; x =
: ii) n = 7;
2
' 3;141593; x =
: vi) n = 11;
' 3;141593; x =
13. La funcin real g se dene sobre [0; 10] como sigue:

g (x) =
15
X
( 1)k k+2
x
k!10k
k=0
x 2 [0; 10]
a) Elabore un algoritmo para calcular valores aproximados de g (x) de modo que se eviten los
clculos directos de k!; 10k ; xk+2 y sumas y restas alternadas; y, en lo posible que el nmero de
operaciones elementales sea el ms pequeo posible.
1.12. EJERCICIOS
69
b) Contabilice el nmero de operaciones elementales de su algoritmo.

c) Aplique su algoritmo para calcular g (1) y compruebe que obtendr una aproximacin de
0;904837418:
d) Aplique su algoritmo para calcular g (10) y obtendr una aproximacin de 36;78794412:
14. Considerar la funcin h denida como
5
X
x2
x2
x4
x8
x16
x32
=
x
+
h (x) =
+
+
+
+
2
8!53 16!512 24!527 32!548 40!575
(8k)!53k
k=0
2
a) Con la calculadora de bolsillo calcule (8k)!; 53k ; (8k)!53k y
x 2 R:
1
para k = 0; 1; : : : ; 5 y
(8k)!53k2
analice las dicultades de clculo y los resultados que obtiene.

b) Utilice el desarrollo de h (x) para calcular h (20) y explique las dicultades de clculo que se
presentan.
1
1
x 8
x 8
c) Sean x 2 R y u (x) =
:
Note
que
u
(x)
=
=
25
32 53 25
25
32 53 25
x
x
x
1
25
25
25
:
125 25 26
32
Calcule u (20) :
d) A partir de la escritura de h (x) siguiente:
h (x) = x +
x2
8!53
1+
1+
1
9
1
25
x
5 54
16
32
55
x
52
1+
1+
1
17
1
17
24
24
53
x
53
53
x
5
16
y de la observacin en la parte c) precedente, exprese h (x) en forma ms conveniente y calcule

h (20) : Explique las dicultades o bondades de clculo con la nueva escritura de h:
15. Elaborar un logaritmo que permita calcular los valores de Pm (x); Qm (x)
x 2 [ 1; 1]; si
m
Pm (x) = 1 +
(m!)2 X
( 1)k
(2m)!
(m
k=1
Qm (x) = x +
(m!)2 X
( 1)k
(2m + 1)!
(m
k=1
(2m + 2k)!
x2k
k)!(m + k)!(2k)!
m = 0; 1; 2; : : : ;
x 2 [ 1; 1];
(2m + 2k + 1)!
x2k+1
k)!(m + k)!(2k + 1)!
x 2 [ 1; 1];
Los polinomios Pm y Qm son conocidos como polinomios de Legendre.

16. Se dene v (x) =
15 1
P
1
k
2
k=0 k! (x + 1)
x 2 [0; 10] :
a) Utilice directamente la escritura de v (x) para calcular v (3) y determine el nmero de operaciones
elementales que realiza. Indique las posibles dicultades de clculo de v (3) :
b) Elabore un algoritmo para calcular valores aproximados de v (3) de modo que el nmero de
operacines elementales sea el ms pequeo posible y contabilice el total de dichas operaciones
elementales en el clculo de v (x)
x 2 [0; 10] : Compare su resultado con el siguiente: v (3) '
1;105170918:
c) Aplique su algoritmo y calcule v (10) y compruebe su resultado con v (10) ' 1;009950167:
17. Considere la funcin
denida como
15
(x) =
1 X ( 1)k xk
2
(2k + 1)!4k
k=0
0:
70

2
a) Utilice sin modicaciones (x) y calcule
' 0;477464829: Qu dicultades de clculo
se presentan?
b) Elabore un algoritmo que facilite el clculo de
2
elementales que se realizan. Calcule
y compare con el valor dado en i) precedente.
18. Se da la funcin f denida como f (x) =
(x) y contabilice el nmero de operaciones
11 x2k
P
x 2 [0; 2] :
k=0 (2k)!
1
y compare con f (0;5) ' 1;127625966: Contabilice el nmero de operaciones
2
elementales que realiza.
a) Calcule f
b) Mejore an la escritura de f (x) siguiente:

f (x) = 1 +
y calcule f
1
2
x2
2
1+
x2
3
1+
x2
5
1+
x2
19
20
1+
x2
21
22
: Contabilice el nmero de operaciones elementales que realiza.
x2k
x 0: Mediante la elaboracin de un algoritmo que facilite
k=0 (2k + 1)!
1
1
el clculo de g (x) ; Calcule g
y compare con g
' 1;042190611: Cuntas operaciones se
2
2
requieren para calcular g (x) con y sin el algoritmo?
19. Dada la funcin g (x) =
15
P
20. Aplique el esquema de Hrner para calcular p (x) en x que se indica.

a) p (x) = x8 + x7 + x5 + x3 + x2 + x + 1;
b) p (x) = 5
x2
7x4
2x5 ;
x=
x = 2:
3:
0;2x + 0; 5x2 + 3;25x3 + 2;5x4 ;
c) p (x) = 0;5
d) p (x) = 3
10x3
2;2x +
1;1x3
2;8x4
5;6x5 ;
x = 0;8:
x = 1;5:
21. Considere la funcin u denida como u (x) = x2 x 2 [0; 2] : En cada literal se da el nmero de
puntos m de una particin uniforme (m 1) de [0; 2] : Trace la grca de u y de su interpolante
m
R2
P
1
vm utilizada en la regla del rectngulo. Calcule I (u) = 0 x2 dx e I (vm ) =
hu xj 1 + jh :
2
j=1
a) m = 2: b) m = 5: c) m = 9: d) m = 11:
Compare los resultados. Para el efecto, calcule jI (u)
I (vm )j y concluya.
h
i
22. Se dene la funcin f denida como f (x) = sen(x) x 2
;
y ' 3;1415926536: Se dene
n
o 2 h2
i
una particin uniforme (m) =
+ ih j i = 0; 1; : : : ; m de
;
con m 2 Z+ que en cada
2
2 2
literal se dene. Trace la grca de f y la de su interpolante fm utilizada en la regla del rectngulo.
m
R
P
i
Calcular I (f ) = 2 sen (x) dx; I (fm ) =
+ h :
hf
2
2 2
i=1
a) m = 3: b) m = 5: c) m = 7: d) m = 9:
Para cada m dado en a), b), c), d) calcule jI (f )

23. Se dene la funcin g como g (x) = ex
R2
a) Calcule I (g) = 1 g (x) dx:
I (fm )j y concluya.
ln(x) x 2 [1; 2] :
b) Se dene una particin (m) = f1 + ih j i = 0; 1; : : : ; mg con m 2 Z+ que se da en cada caso.

Aplique la regla del rectngulo para aproximar I (g) ; para m = 3; m = 6; m = 9; m = 12:
c) Calcule jI (g)
I (gm )j con I (gm ) calculado en la parte b) precedente. Concluya.
1.12. EJERCICIOS
71
24. Considere la funcin real f denida como f (x) = ex x 2 R: Se sabe que f 0 ( 1) = e 1 : Calcule
aproximaciones y00 de la derivada f 0 (1) para cada h que se indica y calcule jf 0 ( 1) y00 j : Analice
los resultados.
a) h =
0;05: b) h =
0;0005: c) h =
0;000005: d) h = 0;005: e) h = 0;00005:
f ) h = 0;0000005:
p
x
x 2 R: Calcule
1 + x2
aproximaciones de la derivada u0 (0) = 0 para cada h que se indica y estime ju0 (0) u00 j :
25. Se dene la funcin u como u (x) =
a) h =
0;02: b) h =
1 + x2
0;0002: c) h =
x 2 R: Tenemos u0 (x) = p
0;00002: d) h = 0;002: e) h = 0;00002:
f ) h = 0;0000002:
26. Considere aproximaciones v 0 (x) = sen (3x) x 2 R: Se sabe que v 0 (x) = 3 cos (3x) x 2 R: Calcule
= 0 con ' 3;1416926536; para cada h que se indica.
aproximaciones v00 de la derivada v 0
6
a) h = 0;04: b) h = 0;0004: c) h = 0;000004: d) h = 0;004: e) h = 0;00004:
f ) h = 0;0000004:
27. En cada item se dene una funcin v y se dan un punto x0 y varios valores de h: Calcule
aproximaciones v00 de la derivada v 0 (x0 ) y estime jv 0 (x0 ) v00 j :
a) v (x) = 2x2
3 x 2 R; x0 =
b) v (x) =
1
x>
1+x
c) v (x) =
cos(x2 )
e) v (x) = 1 + 2x2
1; x0 = 0; h =
x 2 R; x0 =
d) v (x) = ln (1 + 2x)
0;0000015:
1
3
1; h =
x >
0;003; h =
0;05; h =
; h=
0;00005; h = 0;0005; h = 0;000005:
0;001; h =
1
; x0 = 0; h =
2
x 2 R; x0 = 2; h =
0;0003; h = 0;00003; h = 0;000003:
0;0001; h = 0;00001; h = 0;0000001:
0;015; h =
0;025; h =
0;000015; h = 0;00015; h =
0;00025; h = 0;000025; h = 0;0000025:
y 0 (x) + 2y (x) = ex 0 < x < 1;

es y (x) =
28. La solucin del problema de valor inicial siguiente:
1
y (0) = ;
3
1 x
e : Para m = 10 y una particin uniforme del intervalo [0; 1] ; aplique el mtodo de Euler explcito
3
y calcule aproximaciones yj j = 1; : : : ; 10 de y (xj ) : Trace la grca de la funcin y (x) y represente
los puntos (xj ; yj ) j = 0; 1; : : : ; 10: Calcule jy (xj ) yj j j = 0; 1; : : : ; 10 y d una solucin.
8
<
2 y
x jxj < 1;
29. La solucin del problema de valor inicial
es y (x) = 2
1 x2
: y (0) = 1;
p
1 x2 jxj < 1: Para m = 8 y una particin uniforme del intervalo [0; 0;9] ; aplique el mtodo de
Euler explcito y calcule aproximaciones yj j = 0; 1; : : : ; 8 de y (xj ) : Trace las grcas de la fucin
y (x) y de los valores calculados (xj ; yj ) j = 0; 1; : : : ; 8: Calcule jy (xj ) yj j j = 0; 1; : : : ; 8 y
compare los resultados.
8
y (x)
< 0
y (x) =
1 1 < x < 3;
30. Considere el problema de valor inicial
cuya solucin es y (x) =
x
:
y (1) = 2:
x (2 ln(x))
x > 0: Para m = 10 y una particin uniforme del intervalo [1; 3] ; aplique el
mtodo de Euler explcito y calcule aproximaciones yj j = 0; 1; : : : ; 10 de y(xj ) : Trace las grcas
de la funcin y (x)
x 2 [1; 3] y de los valores calculados (xj ; yj )
j = 0; 1; : : : ; 10: Calcule
jy (xj ) yj j j = 0; 1; : : : ; 10 y compare los resultados.
y 0 (x) =
72

8
<
x2 + y 2 (x)
1 < x < 1;5;
31. Considere el problema de valor inicial
la solucin es y (x) =
3xy (x)
:
y (1) = 2;
p
x2 + 3x x > 0: Para m = 5 y una particin uniforme del intervalo [1; 1;5] ; proceda como en el
ejercicio precedente.
y 0 (x) =
32. Representar en base 10 los siguientes nmeros:

a) (4746)8
b) (7412;352)8
c) (AB98:C31)16
g) (0;1110111110111011111 : : :)2
d) (100;001)3
e) (1;4142)5
f ) (111;0101)2
h) (235;3333 : : :)6 :
33. En cada caso, representar los siguientes nmeros en base 10 a la base b que se indica con 8 cifras
de precisin para la parte fraccionaria.
p
p
27
a) 3;14159; b = 2: b) 2;718281; b = 4: c) 2; b = 8: d) 5; b = 5: e)
; b = 3:
7
f ) 1726;00011; b = 2: g) 135;26 b = 4: h) 135;42; b = 8:
34. Sean a; b 2 N tales que a 6= b; 1 < a 10; 1 < b 10. Elaborar algoritmos que permitan convertir
nmeros positivos en base a a base b y recprocamente; y, obtener su equivalente en base 10.
Sugerencia: considrese M = (an : : : a0 ; a 1 : : : a m )a y M = (bp : : : b0 ; b 1 : : : b q )b , donde ai ; a j 2
f0; 1; : : : ; a 1g, i = 0; 1; : : : ; n, j = 1; : : : ; m; bk ; b l 2 f0; 1; : : : ; b 1g, k = 0; 1; : : : ; p; l = 1; : : : ; q:
35. Sean a; b; c 2 R+ :
a) Considerar las expresiones u = (a b)c y v = ac bc con a b. Demostrar que u presenta un

error relativo menor que v. Verique con a = 0;6392; b = 0;6375 y c = 0;9364:
b) Considerar la matriz A =
a b
. Estudie el condicionamiento de det(A):
c a
1
c) Si a = p ; b = 1; c = 31 , a1 = rd(a); b1 = rd(b); c1 = rd(c); estudie la existencia de soluciones
3
ax + by = 1
a1 x + b1 y = 1
de los sistemas de ecuaciones
y
c1 x + a1 y = 0:
cx + ay = 0
1
1
7
; b=
y c=
. Si a; b; c se redondean con 8 cifras decimales, estudie
1500
701
22500
la existencia de soluciones de los sistemas de ecuaciones del literal c).
d) Sean a =
e) De b), c) y d), qu conclusiones puede obtener?

36. Determinar el nmero de operaciones elementales para calcular det(A) si este se calcula usando el
mtodo de menores y cofactores cuando A es una matriz de 3 3; de 4 4 y de 5 5: Generalice
los resultados.
37. Determinar el nmero de operaciones elementales que se requieren para calcular AD la matriz
adjunta de A cuando A es una matriz de 3 3; de 4 4 y de 5 5:
38. Usando la aritmtica de punto otante con 3 dgitos, evaluar f (x) = x4
x = 4;71:
x3 + 6x2
3x + 0;145 en
a) Aplicar el esquema de Hrner para calcular f (4;71):

b) Determinar el valor exacto de f (4;71) y, en cada caso, calcular el error relativo.
c) Calcular con 3 cifras de precisin f ( 0;101) directamente y con el esquema de Hrner: Calcular
el error relativo.
d) Calcular con 3 cifras de precisin f ( 0;10001) directamente y con el esquema de Hrner: Calcular
el error relativo.
39. Sea f la funcin real denida por f (x) = 2 +
3 x
x2 1
jxj =
6 1:
a) Calcular f con 2 y 3 cifras en aritmtica de punto otante en x = 0;85; x = 0;95; x = 0;99:

x
x 1
b) Puesto que f (x) =
+
, calcule f (x) para los puntos x del literal a).
x 1 x+1
1.12. EJERCICIOS
73
c) Calcule el valor exacto de f (x) para los puntos x dados en a).

d) Calcule el error relativo de f (x) para los resultados de a) y b).
1 + x ex
x 6= 0:
x2
a) Calcular l mx!0 f (x): b) Calcular f (0;5
40. Sea f (x) =
10
10 ):
c) Hallar un algoritmo para aproximar f (x) con jxj 2]0; 10

y x = 0;1 10 5 :
5 ];
y aplique en los puntos x = 0;5 10
41. Sean x > 1 y n 2 N. Construya algoritmos que permitan aproximar

a) 1 < x < 10 y 20 < n < 50: b) x
xn
en los siguientes casos:
n!
10 y n > 50:
42. Hallar l mx!0 f (x) para las funciones f que se dan a continuacin. En cada caso elabore algoritmos
que se adapten a la estabilidad numrica en un entorno de cero.
p
p
1
a) f (x) = x2 + 1 1: b) f (x) = x2 + 1 x: c) f (x) = x + sen(x): d) f (x) =
1:
x+1
e) f (x) = 1
h) f (x) =
ex
cos(x): f ) f (x) =
ex e x
ecos(x)
;
x
=
6
0:
g)
f
(x)
=
; x 6= k ; k 2 Z:
x2
sen(x)
esen(x)
1
; x 6= 0: i) f (x) =
3
x
cos(x)
ex
; x 6= 0: j) f (x) =
x
(1 + x)
; x 6= 0:
x2
43. Determinar los nmeros de condicionamiento de las funciones siguientes:

h
i
;
: c) f (x) = ln(x)
a) f (x) = cos(x) x 2 R. b) f (x) = tan(x) x 2
2 2
1 R x t2
d) f (x) = 0;5 + p
e dt x 0:
2 0
x > 0:
e) En los incisos a), b) y c) determinar el ms grande subconjunto de R en el que f est bien

condicionado.
f ) Pruebe que la funcin del inciso d) est bien condicionada para todo x
44. Sea ' : R3 ! R la funcin denida por '(x; y; z) =

a) Pruebe que "' = "x + "y
xy
z
0:
con z 6= 0:
"z ;donde "x ; "y ; "z son los errores relativos de x; y; z respectivamente.
b) Determine el error acumulado.

45. Si '(x; y) = xy
x; y 2 R+ y "x = "y , pruebe que el error relativo de ' viene dado por
"' = "x + (y ln(x))"y :
Qu nmero de condicionamiento inuye en el clculo de '?:

46. Sea A = (a1 ; : : : ; an ) 2 Rn , donde ai ; P
i = 1; : : : ; n son nmeros de mquina. Sea F : Rn ! R la
funcin denida por F (x1 ; : : : ; xn ) = ni=1 ai xi : Si j"xi j
eps, i = 1; : : : ; n, pruebe que el error
relativo de F (x1 ; : : : ; xn ) verica
j"F j
eps si
ai > 0;
ai < 0;
xi > 0;
xi < 0;
47. Sea F : Rn ! R la funcin denida por F (a1 ; : : : ; an ) =
i = 1; : : : n:
1
n
n
P
ai : Supongamos que ai > 0
i=1
F (a1 ; : : : ; an )
8i = 1; : : : ; n. Proponer un algoritmo de clculo de z =

y estudiar la propagacin de
los errores. Si el error en cada operacin es "i = ", cul es el error acumulado?.
74

2
3
'1 (a1 ; : : : ; an )
6
7
48. Sean (a1 ; : : : ; an ) 2 Rn y ~z = ~'(a1 ; : : : an ), donde ~'(a1 ; : : : an ) = 4 ...
5 ; con
'n (a1 ; : : : ;n )
'i : Rn ! R, i = 1; : : : ; n funciones de clase C 1 : Supngase que 'i (a1 ; : : : an ) 6= 0; i = 1; : : : ; n.
Muestre que los nmeros de condicionamiento de 'i viene dados por
Ci =
aj
@'i
(a1 ; : : : ; an ); i; j = 1; : : : ; n:
'i (a1 ; : : : ; an ) @xj
49. Considerar la ecuacin x2 + 2px q = 0, donde p > 0; q > 0 y p >> q: Sea x =

raz de la ecuacin. Calcule "x y demuestre que
p+
p2 + q una
x
3eps:
x
Nota: La notacin p >> q signica q es muy pequeo comparado con p o que p es muy grande
comparado con q.
p
50. Se desea calcular E(x) = 1 + x 1 para x = 0;0009 y x = 0;001 con 4 cifras decimales.
eps
"x =
a) Calcule E(x) en dichos puntos: b) Utilizando E(x), construya otra expresin que se adapte a
la estabilidad numrica y aplique para los puntos dados x. Compare los resultados.
0;002x + y = 0;2
Utilice el mtodo de eliminacin
x + y = 1:
51. Considerar el sistema de ecuaciones lineales

gaussiana para determinar:
a) La solucin exacta del sistema.

b) La solucin aproximada con 5 cifras decimales.
c)
Intercambie la primera ecuacin con la segunda y proceda como en los incisos a) y b). Compare los
resultados.
x + 500y = 100
Usando la
d) El sistema de ecuaciones propuesto es equivalente al siguiente:
x + y = 1:
aritmtica de punto otante con 5 dgitos de precisin, resuelva el sistema de ecuaciones y compare
con los resultados precedentes.
52. Sean a; b 2 R+ , m; n 2 N tales que 0
F (m) =
m
X
n
k
k=0
donde
n
k
a) Pruebe que
n: Se desea calcular
ak bn
m = 0; 1; : : : ; n;
n!
:
k!(n k)!
n
m+1
n m
m+1
n
m
m = 0;1: : : : ; n
1:
m
P
n
ak bn k . Entonces F (m) =
'(k): Elabore un algoritmo que se adpate a la
k
k=0
estabilidad numrica y aplique para a = 0;1; b = 0;5; m = 4; n = 10:
b) Sea '(k) =
R1 xn
dx; n = 0; 1; 2; : : :
0 x+5
1
a) Muestre que I(n) + 5I(n 1) = :
n
b) Considerar el algoritmo: I(n) = n1
n = 1; 2; : : : ; 25:
53. Sea I(n) =
c) Muestre que l mn!1 I(n) = 0:
5I(n
1)
n = 1; 2; : : : ; 25: Calcule I(0) e I(n) para
8
1
>
< I(n) =
;
5n
d) Considere el siguiente algoritmo:
Calcule I(n)
1 1
>
: I(n 1) =
I(n) ; n = 25; 24; : : : ; 1:
5 n
e I(n 1); n = 25; : : : ; 1: Compare con los resultados anteriores.
1.13. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFA

54. Sea I(n) =
R1
0
n+4
2
ex dx n =
n
2
a) Muestre que I(n) = e
4; 3; 2; : : :
+ 2 I(n
2)
n=
2; 1; 0; : : : :
b) Calcule I( 4):
c) Use el cambio de variable x = t2 y muestre que I( 3) = e
R1 2
Taylor de e
2 R para aproximar 0 et dt y muestre que
Z
75
et dt = 1 +
1
11
+
+
3 2! 5
R1
o
et dt: Utilice el polinomio de
1
1
+ Ek+1 ;
k! 2k + 1
1
1
< 10 6 :
k! 2k + 1
d) Utilizando el algoritmo dado en a), elabore un programa para calcular I(n) n = 4; 3; 2; : : : ;
25:
8
2e
>
;
I(n) =
>
>
>
n+4
<
2e
I(n 1) =
;
e) Note que l m I(n) = 0. Establezca el siguiente algoritmo
n!1
>
n
+3
>
>
>
: I(n 2) = 2(e I(n) :
n+4
f ) Elabore un programa para el clculo de I(n) n = 25; 24; : : : ; 2: Compare con los resultados
dados en d).
donde Ek+1 es el error cometido y k es tal que
g) Para " = 10
6;
I(n) = 2
deduzca el siguiente algoritmo

1
1
1
1
+
+
+
+
0!(n + 6) 1!(n + 8) 2!(n + 10) 3!(n + 12)
Elabore un programa para el clculo de I(n); n =

otros algoritmos. Qu concluye?.
1
:
8!(n + 22)
4; 3; : : : ; 25: Compare los resultados con los
h) Por qu no es prctico utilizar la regla de los trapecios para cada n?.
1.13.
Lecturas complementarias y bibliografa
1. Tom M. Apostol, Calculus, Volumen 1, Segunda Edicin, Editorial Revert, Barcelona, 1977.
2. N. Bakhvalov, Mtodos Numricos, Editorial Paraninfo, Madrid, 1980.
3. R. M. Barbolla, M. Garca, J. Margalef, E. Outerelo, J. L. Pinilla. J. M. Snchez, Introduccin al
Anlisis Real, Editorial Alambra Universidad, Madrid, 1981.
4. G. Birkho, S. Maclane, Algebra Moderna, Cuarta Edicin, Editorial Vicens-Vives, Barcelona.
1974.
5. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
6. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
7. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial Mc Graw-Hill, Mxico,
1981.
8. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
9. B. P. Demidovich, I. A. Maron, E. S. Schuwalowa, Mtodos Numricos de Anlisis, Editorial
Paraninfo, Madrid, 1980.
76
10. Francis G. Florey, Fundamentos de Algebra Lineal y Aplicaciones, Editorial Prentice-Hall

Hispanoamericana, S. A., Mxico, 1980.
11. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, Pitagora
Editrice Bologna, 1983.
12. Waltson Fulks, Clculo Avanzado, Editorial Limusa, Mxico, 1973.
13. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
14. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
15. Gnther Hammerlin, Karl-Heinz Homann, Numerical Mathematics, Editorial Springer-Verlag,
New York, 1991.
16. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
17. Kenneth Homan, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
Mxico, 1987.
18. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
19. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
20. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Mtodos Numricos, Editorial Limusa, Mxico,
1986.
21. Melvin J. Maron, Robert J. Lpez, Anlisis Numrico, Tercera Edicin, Compaa Editorial
Continental, Mxico, 1995.
22. Shoichiro Nakamura, Mtodos Numrico Aplicados con Software, Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1992.
23. Antonio Nieves, Federico C. Dominguez, Mtodos Numricos Aplicados a la Ingeniera, Tercera
Reimpresin, Compaa Editorial Continental, S. A. De C. V., Mxico, 1998.
24. Anthony Ralston, Introduccin al Anlisis Numrico, Editorial Limusa, Mxico, 1978.
25. A. A. Samarski, Introduccin a los Mtodos Numricos, Editorial Mir, Mosc, 1986.
26. Michelle Schatzman, Analyse Numrique, Inter Editions, Pars, 1991.
27. Francis Scheid, Theory and Problems of Numerical Analysis, Schaums Outline Series, Editorial
McGraw-Hill, New York, 1968.
28. Michael Spivak, Calculus, Segunda Edicin, Editorial Revert, Barcelona, 1996.
29. J. Stoer, R. Bulirsch, Introduction to Numerical Analysis, Editorial Springer-Verlag, 1980.
30. E. A. Volkov, Mtodos Numricos, Editorial Mir, Mosc, 1990.
Captulo 2
Interpolacin polinomial, derivacin e

integracin numrica
Resumen
En este captulo nos interesamos en tres temas importantes: la interpolacin polinomial, la derivacin e
integracin numricas. Estos temas los abordamos como formas lineales denidas en apropiados espacios
vectoriales reales, es decir, en el mbito de los espacios duales. Es por esto que iniciamos el estudio de este
captulo con los espacios duales. A continuacin posicionamos el problema de la interpolacin polinomial
y tratamos la existencia del polinomio interpolante de Lagrange, obtenemos una estimacin del error de
interpolacin as como algunos tipos de polinomios de interpolacin de Lagrange ms usados. Mediante
la aplicacin de los polinomios de Taylor con error, obtenemos procedimientos de clculo aproximado de
las derivadas primera y segunda de funciones reales, procedimiento que se generaliza al clculo numrico
de derivadas de orden superior. Introducimos los operadores en diferencias nitas y luego se construyen
frmulas de aproximacin de derivadas de funciones reales como formas lineales. Estos resultados se
extienden para el clculo de las derivadas parciales primeras, segundas y el laplaciano de funciones reales
en dos variables. Posteriormente, tratamos la integracin numrica de funciones reales en la que nos
limitados a obtener frmulas de integracin numrica conocidas como regla del punto medio, regla de los
trapecios y regla de Simpson as como sus generalizaciones y la estimacin del error. Estos resultados
son aplicados al clculo numrico de integrales dobles sobre dominios de los tipos I y II, es decir como
integrales reiteradas.
2.1.
Espacios duales
Los problemas de interpolacin polinomial, derivacin e integracin numrica sern tratados como formas
lineales denidas en apropiados espacios funcionales. Para ello comenzamos precisamente con los espacios
duales y muy particularmente los espacios vectoriales reales de dimensin nita y sus duales que tambin
son de dimensin nita. Asumimos que el lector tiene algn conocimiento sobre las aplicaciones lineales.
En el anexo se resumen algunos resultados importantes, y al nal del captulo se citan algunos textos de
lgebra lineal en los que se podr consultar estos tpicos.
Denicin 1 Sea V un espacio vectorial. Toda aplicacin lineal f de V en R se llama funcional lineal
sobre V o tambin forma lineal en V .
De la denicin se tiene que f es un funcional lineal en V si y solo si satisface las dos condiciones
siguientes:
i) f es una funcin de V en R.
ii) f es lineal, esto es, para todo
2 R, x; y 2 V , se tiene f (x + y) = f (x) + f (y);

77
f ( x) = f (x):
78CAPTULO 2. INTERPOLACIN POLINOMIAL, DERIVACIN E INTEGRACIN NUMRICA

La propiedad ii) de la linealidad de f se escribe en una sola, as: si ; 2 R; x; y 2 V; f es lineal si y solo
si f ( x + y) = f (x) + f (y) y esta a su vez es equivalente a f ( x + y) = f (x) + f (y) :
El conjunto de todos los funcionales lineales en V se designa con V . Con las operaciones habituales de
adicin de funciones \ + " siguiente:
8f; g 2 V ; (f + g) (x) = f (x) + g (x)
8x 2 V;
y el producto de escalares por funciones \ " :

8 2 R;
8f 2 V ,
f ) (x) = f (x)
8x 2 V;
el conjunto V es un espacio vectorial real denominado espacio dual de V:

Ejemplos
1. Sean V = R2 y T la funcin de R2 en R denida como T (x; y) = 2x + y (x; y) 2 R2 : Entonces T
es una forma lineal en R2 ; esto es, T 2 R2 : Efectivamente, sean ; 2 R; (x1 ; y1 ) ; (x2 ; y2 ) 2 R2 ;
entonces
(x1 ; y1 ) + (x2 ; y2 ) = ( x1 + x2 ; y1 + y2 )
y de la denicin de la funcin T se sigue que
T ( (x1 ; y1 ) +
(x2 ; y2 )) = T ( x1 + x2 ; y1 + y2 ) = 2 ( x1 + x2 ) + ( y1 + y2 )
=
(2x1 + y1 ) +
(2x2 + y2 ) = T (x1 ; y1 ) + T (x2 ; y2 ) :
2. Sean V = C ([a; b]) el espacio de funciones reales continuas en el intervalo cerrado [a; b] : Se dene
Rb
u 2 C ([a; b]) : Entonces I es un
la funcin I de C ([a; b]) en R como sigue: I (u) = a u (x) dx
funcional lineal sobre C ([a; b]) : Pus de las propiedades de la integral de Riemann siguientes:
Z
(u (x) + v (x)) dx =
Z b
u (x) dx =
a
u (x) dx +
v (x) dx
u (x) dx
u; v 2 C ([a; b]) ;
2 R; u 2 C ([a; b]) ;
se deduce la linealidad de I:
3. Sean V = C 1 (]a; b[) el espacio de funciones que poseen derivada continua en el intervalo abierto
]a; b[ ; x0 2 ]a; b[ : Se dene el funcional F sobre C 1 (]a; b[) como a continuacin se indica:
F (u) =
du
(x0 )
dx
u 2 C 1 (]a; b[) :
Por las propiedades de la derivada siguientes:

d
du
dv
(u + v) (x0 ) =
(x0 ) +
(x0 )
dx
dx
dx
d
( u) (x0 ) =
dx
du
(x0 )
dx
u; v 2 C 1 (]a; b[) ;
2 R; u 2 C 1 (]a; b[) :
Se deduce que F es un funcional lineal sobre C 1 (]a; b[) :

Teorema 1 Si V es un espacio vectorial real de dimensin n, entonces dim V = n = dim V:
Demostracin. Para el efecto, construiremos un conjunto de funcionales lineales ff1 ; : : : ; fn g sobre V
y mostraremos que tal conjunto es una base de V .
i) Existencia de funcionales lineales sobre V .
2.1. ESPACIOS DUALES
79
Sea Bv = fv1 ; : : : ; vn g una base ordenada de V y x 2 V . Existen

Para cada i = 1; : : : ; n, se dene fi de V en R como sigue:
!
n
X
=
fi (x) = fi
k vk
x=
n
X
k vk ;
y=
k=1
n
X
1; : : : ;
k vk ;
2 R tales que x =
n
P
k vk :
k=1
x2V,
k=1
entonces fi 2 V . En efecto, sean x; y 2 V , existen
1; : : : ;
n,
1; : : : ;
x+y =
k=1
n
X
2 R tales que
k ) vk ;
k=1
de la denicin de la funcin fi se sigue :

fi (x + y) = fi
n
X
k ) vk
k=1
n
X
= fi
k=1
= fi (x) + fi (y) :
Sea
2 R, entonces
n
X
x=
k vk
k=1
luego
fi ( x) = fi
n
X
k vk
k=1
As, fi 2 V
i = 1; : : : ; n.
k vk
n
X
+ fi
n
X
k vk
k=1
k vk ;
k=1
n
X
= f
k vk
k=1
= f (x) :
ii) Denotamos con B = ff1 ; : : : ; fn g. Probemos que el conjunto B es una base de V . Para ello
mostramos que B genera a V y es linealmente independiente.
a) Mostramos que B genera a V . Como B
V se sigue que el subespacio generado por B , que
n
P
est contenido en V , esto es, L (B )
V :
se denota con L (B ) =
i fi j i 2 R; i = 1; : : : ; n
i=1
Probemos que V
L (B ). Sea f 2 V
y x 2 V . Existen
Entonces
n
X
f (x) = f
k vk
k=1
y de la denicin de fi , se tiene
fi (x) = fi
n
X
k vk
k=1
luego
f (x) =
n
X
n
X
1; : : : ;
kf
2 R tales que x =
n
P
k vk .
k=1
(vk ) ;
k=1
i = 1;
; n;
f (vk ) fk (x) :
k=1
Ponemos
= f (vk ). Resulta
f (x) =
n
X
k=1
k fk
(x)
8x 2 V;
que muestra que f es combinacin lineal de los elementos de B . As, f 2 L (B ), o sea V

conclusin, V = L (B ).
b) Probemos que B es linealmente independiente. Sean 1 ; : : : ;
lineal nula 1 f1 +
+ n fn = 0: Note que 1 f1 (x) +
+
L (B ) : En
2 R y consideremos la combinacin
f
n n es un funcional lineal sobre V .

Entonces,
1 f1 (x)
tiene fi (vj ) =
+
+ n fn (x) = 0
8x 2 V: Por la denicin del funcional fi , para x = vj se
1, si i = j;
entonces para x = v1 , obtenemos
0, si i 6= j;
0=
1 f1 (v1 )
n fn (v1 )
1,
0=
1 f1 (v2 )
n fn (v2 )
2;
n fn (vn )
n:
para x = v2 , se deduce
as sucesivamente, para x = vn se obtiene
0=
1 f1 (vn )
=0)
Consecuentemente,
1 f1
n fn
= 0 i = 1; : : : ; n;
que prueba que el conjunto B es linealmente independiente.

De i) y ii) se tiene B es una base de V , por lo tanto dim V = n.
1, si i = j;
Note
0, si i 6= j:
adems que si f 2 V , Bv = fv1 ; : : : ; vn g es una base de V y B = ff1 ; : : : ; fn g la base dual de Bv . En
la parte ii) a) precedente se obtuvo para f 2 V la representacin siguiente:
El conjunto B = ff1 ; : : : ; fn g se le llama base dual de V : Observe que fi (vj ) =
f (x) =
n
X
f (vk ) fk (x)
8x 2 V;
k=1
que lo denominamos representacin de f con respecto de las bases Bv y B . Escribiremos

f=
n
X
k=1
f (vk ) fi
8f 2 V .
Esta representacin de f la utilizaremos en las aplicaciones a los problemas de interpolacin polinomial,

derivacin e integracin numrica.
Representacin matricial
Sean B = ff1 ; : : : ; fn g una base ordenada de V y f 2 V . Existen
1; : : : ;
2 R tales que f =
n
P
i fi .
i=1
La matriz de f asociada a la base B viene dada por [f ]B = ( 1 ; : : : ; n ) 2 M1 n [R] : En particular, si

B es la base dual de la base Bv = fv1 ; : : : ; vn g de V , se tiene [f ]B = (f (v1 ) ; : : : ; f (vn )) :
Ejemplo
Si V = Rn y Bv = f!
e1 ; : : : ; !
en g la base cannica de Rn , f 2 (Rn ) ,entonces [f ]B = (f (!
e1 ) ; : : : ; f (!
en )) y
la funcin f se escribe como sigue:
f (!
x ) = f (x1 ; : : : ; xn ) =
n
X
f (!
ei ) xi .
i=1
Adems, el espacio V es isomorfo a M1 n [R], pus la funcin

de V en M1 n [R] denida por
(f ) = [f ]B 8f 2 V con B = ff1 ; : : : ; fn g una base ordenada de V , es lineal biyectiva, es decir que
se trata de un isomorsmo.
Espacio Bidual
Sea V un espacio vectorial de dimensin nita n sobre R, V el espacio dual de V . Sea x 2 V jo y
h una funcin de V en R denida como sigue: h (g) = g (x)
8g 2 V : Se verica que h es lineal.
Efectivamente, sean g1 ; g2 2 V y 2 R. Se tiene
h (g1 + g2 ) = (g1 + g2 ) (x) = g1 (x) + g2 (x) = h (g1 ) + h (g2 ) ;
h (ag1 ) = ( g1 ) (x) = g1 (x) = h (g1 ) :
2.1. ESPACIOS DUALES
81
Resulta que h es un funcional lineal denido en V , o sea h 2 (V ) .

Escribimos V
en vez de (V ) y lo denominamos espacio bidual de V .
En el siguiente teorema se establece que si dim V = n, los espacios V y V
son isomorfos.
Teorema 2 Sea V un espacio vectorial de dimensin nita n sobre el cuerpo R; V el espacio bidual
de V . La aplicacin ' de V en V denida por ' (x) = h con h (g) = g (x)
8g 2 V ; 8x 2 V es
un isomorsmo.
Demostracin.
Debemos mostrar que ' es lineal y biyectiva.
i) Probemos que ' es lineal.
Sean x; y 2 V; h1 ; h2 2 V
tales que h1 (g) = g (x), h2 (g) = g (y)
8g 2 V : Entonces
(h1 + h2 ) (g) = h1 (g) + h2 (g) = g (x) + g (y) = g (x + y) :

Adems, de la denicin de la funcin ' se tiene ' (x) = h1 ,
' (y) = h2 ,
h3 (g) = g (x + y) = (h1 + h2 ) (g)
' (x + y) = h3 con
8g 2 V ;
luego
' (x + y) = h1 + h2 = ' (x) + ' (y) :
Sea
2 K; de la denicin de la funcin h1 y de ' se tiene

h1 ( g) =
g (x) = h1 (g)
8g 2 V ;
' ( x) =
h1 = ' (x) 8x 2 V:
ii) Mostremos que ' es biyectiva.

Comencemos con la inyectividad de ': Sea Bv = fv1 ; : : : ; vn g una base ordenada de V y B = ff1 ; : : : ; fn g
la base dual de V . Probemos que ker (') = f0g..
Sea x 2 ker ('). Entonces ' (x) = 0. Supongamos que x 6= 0. Existen 1 ; : : : ; n 2 R tales que
n
P
x =
denido por h (g) = g (x)
i vi y como x 6= 0, existe algn j tal que
j 6= 0. Sea h 2 V
i=1
8g 2 V . En particular, para g = fj se tiene

h (fj ) = fj (x) = fj
n
X
i=1
i vi
n
X
i fj
(vi ) =
i=1
As, x 6= 0 ) h 6= 0 o sea h = 0 ) x = 0, de donde 0 = g (0) = h (g)
6= 0:
8g 2 V ; por lo tanto
0 = ' (x) ) x = 0;
y en consecuencia ' es inyectiva.
Probemos que ' es sobreyectiva: De la relacin entre las dimensiones del ncleo y la imagen o recorrido
de una aplicacin lineal en espacios de dimensin nita, se tiene
dim (ker (')) + dim (Rec (')) = n;
y como ker(') = f0g; se sigue que dim (Rec (')) = n y siendo Rec (') V se sigue que V
consecuentemente ' es biyectiva. De i) , ii) y iii) se concluye que ' es un isomorsmo.
= Rec (').
2.2.
Interpolacin polinomial
En el captulo primero ya se trataron dos problemas de interpolacin polinomial, el primero mediante

funciones interpolantes constantes a trozos y el segundo mediante funciones interpolantes que son
funciones anes a trozos. En esta seccin, ampliamos lo dicho, ms an, nuestra primera tarea ser
demostrar la existencia de la funcin interpolante, luego construir de manera general los polinomios de
interpolacin de Lagrange y se concluye con el estudio del error. Para ello aplicaremos los resultados
previos de los espacios duales.
Existencia del polinomio interpolante de Lagrange.
Sean a, b 2 R con a < b y f una funcin denida en [a; b] en R. Suponemos que el valor numrico de f es
nicamente conocido en n + 1 puntos distintos xi 2 [a; b] i = 0; : : : ; n; y sean yi = f (xi ) ; i = 0; : : : ; n
tales valores. Suponemos que a = x0 < x1 < : : : < xn = b: Esta informacin se recoge en el conjunto
S = (xi ; yi ) 2 R2 j i = 0; : : : ; n
denominado conjunto de puntos base.
La interpolacin en un mtodo de aproximacin que permite construir una funcin ' de [a; b] en R tal
que
' (xi ) = f (xi ) = yi i = 0; 1; : : : ; n;
y para todo x 2 [a; b], ' (x) es un valor aproximado de f (x) llamado valor interpolado de f (x). La
funcin ' se llama interpolante de f . Ms an, si " (x) denota el error cometido en la interpolacin, se
tiene
f (x) = ' (x) + " (x) x 2 [a; b] ;
la funcin " denida sobre [a; b] se llama error de interpolacin.
Designamos con C ([a; b]) el espacio de las funciones reales continuas en [a; b]. Este espacio, como ya se
ha sealado anteriormente, es de dimensin innita. Sea V = Kn [R] el espacio de polinomios de grado
n. Se designa con = fa = x0 ; x1 ; : : : ; xn = bg con xi 1 < xi i = 1; : : : ; n una particin de [a; b].
Consideremos el problema siguiente:
dado f 2 C ([a; b]) ; hallar un polinomio P 2 Kn [R] tal que P (xi ) = f (xi )
i = 0; 1; : : : ; n:
Denotamos con Bv = fv0 ; v1 ; : : : ; vn g la base cannica de Kn [R], donde v0 (x) = 1; : : : ; vn (x) = xn x 2 R.

Denimos n + 1 funcionales fi sobre Kn [R] como sigue:
fi (P ) = P (xi )
i = 0; : : : ; n, P 2 Kn [R] :
Entonces cada funcional fi es lineal sobre Kn [R]. Mas an, ff0 ; : : : ; fn g es una base del espacio dual
(Kn [R]) .
Mostremos que ff0 ; : : : ; fn g es linealmente independiente.
Sean
0; : : : ;
2 R y supongamos que
0 f0 (P )
0 f0
+ ::: +
+ ::: +
n fn
n fn (P )
= 0; esto es
=0
8P 2 Kn [R] ;
en particular para los elementos de la base B se Kn [R], obtenemos el siguiente sistema de ecuaciones:
0 f0 (v0 )
n fn (v0 )
0 f0 (v1 )
n fn (v1 )
0 f0 (vn )
n fn (vn )
= 0 ()
= 0 ()
..
.
0 x0
= 0 ()
n
0 x0
= 0;
n xn
n
n xn
= 0;
= 0;
2.2. INTERPOLACIN POLINOMIAL
83
que en forma matricial se expresa como sigue

3 2 3
32
2
0
1
1
0
7
7
6
7
6
6 x0
x
n 76 1 7
6 0 7
6
6 ..
.. 7 6 .. 7 = 6 .. 7 :
4 .
. 54 . 5 4 . 5
n
0
x0
xnn
n
3
2
1
1
6 x0
xn 7
7
6
La matriz A = 6 .
.. 7 se le conoce como matriz de Gram. Como a = x0 ; x1 ; : : : ; xn = b son
.
4 .
. 5
xn0
xnn
puntos distintos del intervalo [a; b]; las columnas de la matriz A son linealmente independientes por lo
tanto el rango de la matriz A es n + 1, con lo que el sistema de ecuaciones:
!
!
2 Rn tal que A = 0;
! !
con A la matriz de Gram, tiene una nica solucin
= 0 . Consecuentemente
0 f0
+ ::: +
n fn
=0)
= 0 i = 0; 1; : : : ; n;
que prueba que el conjunto ff0 ; : : : ; fn g es linealmente independiente y siendo

dim Kn [R] = dim (Kn [R]) = n + 1;
resulta que ff0 ; : : : ; fn g es una base de Kn [R].
Determinemos una base B = fP0 ; : : : ; Pn g de Kn [R] tal que B sea la base dual de B: Esta debe satisfacer
1, si i = j;
y por la denicin de cada fi , se tiene fi (Pj ) = Pj (xi ) ; de donde
la condicin fi (Pj ) =
0, si i 6= j;
1, si i = j;
Pj (xi ) =
que se conoce como condicin de interpolacin.
0, si i 6= j;
Se denen los polinomios P0 ; P1 ; : : : ; Pn de Kn [R] como sigue:
(x
(x0
(x
P1 (x) =
(x1
..
.
(x
Pn (x) =
(xn
P0 (x) =
x1 ) (x
x1 ) (x0
x0 ) (x
x0 ) (x1
x0 ) (x0
x0 ) (xn
x2 ) : : : (x xn )
x2 ) : : : (x0 xn )
x2 ) : : : (x xn )
x2 ) : : : (x1 xn )
x 2 R,
x 2 R,
x1 ) : : : (x xn 1 )
x1 ) : : : (xn xn 1 )
x 2 R.
Note que en el polinomio P0 no gura en el numerador el trmino x x0 , en P1 no gura el trmino

x x1 , as sucesivamente, en Pn no gura el trmino x xn . Adems,
P0 (x0 ) = 1; P0 (xj ) = 0
P1 (x1 ) = 1; P1 (xj ) = 0
..
.
si j = 1; : : : ; n;
si j = 0; 2; : : : ; n;
Pn (xn ) = 1; Pn (xj ) = 0 si j = 0; : : : ; n
1:
Los polinomios P0 ; P1 ; : : : ; Pn son linealmente independientes, por lo tanto forman una base de Kn [R].
Estos polinomios se llaman polinomios de interpolacin de Lagrange.
Dado P 2 Kn [R], existen
n
P
k Pk
0; : : : ;
2 R tales que P =
n
P
k=0
(x) ; particularmente para x = xj ; j = 0; : : : ; n,
k=0
P (xj ) =
n
X
k=0
k Pk
(xj ) =
j;
k Pk ;
y para todo x 2 R, P (x) =

de donde
n
X
P (x) =
P (xk ) Pk (x) :
k=0
Sea f 2 C ([a; b]). En el problema de la interpolacin polinomial, buscamos un polinomio P 2 Kn [R] tal
que
P (xj ) = f (xj ) j = 0; : : : ; n:
Denimos
Pb (xi ) =
n
X
f (xk ) Pk (x)
k=0
x 2 R.
Se tiene Pb (xi ) = f (xi ) i = 0; : : : ; n; es decir Pb es el polinomio interpolante de f .

Denicin 2 El operador de interpolacin de Lagrange
:
donde
se dene como sigue:
C ([a; b]) ! Kn [R]

f ! (f ) ;
n
P
(f ) = Pb =
f (xj ) Pj :
j=0
x)
8P 2 Kn [R]. Para cada
Sea x
b 2 [a; b] y F 2 (Kn [R]) el funcional denido por F (P ) = P (b
f 2 C ([a; b]) ; de la composicin de funciones, se tiene el siguiente resultado:
0
1
n
n
n
X
X
X
(F
) (f ) = F ( (f )) = F Pb = F @
f (xj ) P A =
f (xj ) F (Pj ) =
f (xj ) Pj (b
x) :
j=0
As, G = F
j=0
j=0
es un funcional lineal sobre C ([a; b]). Escribiremos

G (f ) =
n
X
f (xj ) Pj (b
x)
j=0
al valor interpolado de f en el punto arbitrario x

b 2 [a; b] :
Este mtodo de interpolacin se conoce como interpolacin polinomial de Lagrange.
Nota: En la prctica los polinomios de interpolacin de Lagrange no son muy utilizados cuando el nmero
de puntos base (xi ; yi ) i = 0; : : : ; n es grande (ms an cuando los xi son muy cercanos entre s) ya que
el grado del polinomio interpolante de Lagrange Pb es igualmente grande dando lugar a la presencia de
oscilaciones que afectan los resultados. Los polinomios de interpolacin de Lagrange ms utilizados son
de grados n = 1; 2; 3 y 4.
En la gura siguiente se muestra la grca de una funcin f defnida en [a; b] (lnea continua), que
suponemos es no negativa; y, la de un polinomio de interpolacin de Lagrange construida sobre una
particin (m) de [a; b] (lnea cortada).
Figura 11
85
Note que en el punto x

b 2 [a; b[ ; f (b
x) > 0 mientras que p (b
x) < 0: Las fuertes oscilaciones de la funcin
p conduce a resultados falsos.
Sean n 2 Z+ ; (n) = fx0 = a; x1 ; : : : ; xn = bg una particin de [a; b] : Se denota con hj = xj xj 1

b a
j = 1; : : : ; n; b
h = max fhj j j = 1; : : : ; ng : Cuando (n) es la particin uniforme se tiene h =
;
n
xj = jh j = 0; 1; : : : ; n; b
h = h:
Se dene la funcin ! en [a; b] como sigue: ! (x) =
n
Q
(x
xj )
x 2 [a; b] : Claramente ! es un polinomio
j=0
de grado n + 1, y ! (xi ) = 0 i = 0; 1; : : : ; n:
Error de interpolacin
Teorema 3 Sean n 2 Z+ ; f 2 C n+1 ([a; b]) ; (n) = fx0 = a; x1 ; : : : ; xn = bg una particin de [a; b] :
Entonces, para cada x
b 2 [a; b] ; existe 2 [a; b] tal que
f (b
x)
p (b
x) =
n
f (n+1) ( ) Y
(b
x
(n + 1)!
xj ) ;
j=0
donde p es el polinomio de interpolacin de Lagrange.

Demostracin. Sea p el polinomio de interpolacin de Lagrange. Se tiene p (xj ) = f (xj ) j = 0; 1; : : : ; n:
Adems, el grado del polinomio p es n.
Sea x
b 2 [a; b] un punto dado.
i) Si x
b = xj para algn j, esto es, x
b es un punto de la particin
caso f (b
x) p (b
x) = 0:
(n) entonces p (xj ) = f (xj ) y en este
ii) Supongamos que x

b 6= xj 8j = 0; 1; : : : ; n: Determinemos una constante k tal que la funcin
como (x) = f (x) p (x) k! (x) x 2 [a; b] ; se anule para x = x
b; es decir, (b
x) = 0:
denida
Para los puntos de la particin se tiene (xj ) = f (xj ) p (xj ) k! (xj ) = 0 j = 0; 1; : : : ; n; es decir
que la funcin tiene a cada xj como raz y como se busca k de modo que (b
x) = 0; entonces tiene a
0
n + 2 races en el intervalo [a; b] : Por el teorema de Rolle, la derivada tiene n + 1 races en el intervalo
[a; b] ; la derivada segunda 00 tiene n races en el intervalo [a; b] ; as sucesivamente, (n+1) tiene una raz
en el intervalo [a; b] y sea tal raz, esto es, (n+1) ( ) = 0: Por otro lado, para cada x 2 [a; b] se tiene
0
(x) = f 0 (x)
p0 (x)
00
(x) = f 00 (x)
..
.
p00 (x)
(n+1)
(x) = f (n+1) (x)
k! 0 (x) ;
k! 00 (x) ;
p(n+1) (x)
k! (n+1) (x) :
Como p es un polinomio de interpolacin de grado n, entonces p(n+1) (x) = 0: Adems, ! es un polinomio

de grado n + 1; luego ! (n+1) (x) = (n + 1)!: Por lo tanto,
(n+1)
(x) = f (n+1) (x)
En particular, para x =
se tiene
(n+1)
0=
de donde k =
f (n+1) ( )
y la
(n + 1)!
k! (n+1) (x) = f (n+1) (x)
k (n + 1)!
( ) = 0 y en consecuencia
(n+1)
( ) = f (n+1) ( )
k (n + 1)!
queda denida como sigue:
(x) = f (x)
p (x)
f (n+1) ( )
! (x)
(n + 1)!
x 2 [a; b] :
x 2 [a; b] :

Puesto que la constante k se elige de modo que (b
x) = 0; resulta
0 = (b
x) = f (b
x)
de donde f (b
x)
p (b
x) =
f (n+1) ( )
! (b
x)
(n + 1)!
p (b
x)
f (n+1) ( )
! (b
x) :
(n + 1)!
El resultado dado en el teorema se conoce como frmula de error de interpolacin de Lagrange, que lo
notamos (b
x) : As,
f (n+1) ( )
(b
x) = f (b
x) p (b
x) =
! (b
x) ;
(n + 1)!
donde
2 [a; b] y ! (b
x) =
n
Q
(b
x
xj ) :
j=0
Ejemplos de polinomios de interpolacin de Lagrange

1. Interpolante constante a trozos.
. En este caso, K0 [R] es el espacio constituido por todas las
Para n = 0 se considera = a+b
2
funciones constantes en todo R, esto es,
P 2 K0 [R] , P (x) = c
8x 2 R,
para alguna constante c 2 R.
La base de K0 [R] est constituida por B = fv0 g con v0 (x) = 1 8x 2 R y la base dual B de B es
B = ff0 g con f0 (P ) = P (x) 8P 2 K0 [R].
Para x
b 2 [a; b] y f 2 C ([a; b]), de la denicin del valor interpolado de f en x
b 2 [a; b] se tiene
G (f ) = f
a+b
2
P0 (b
x) = f
a+b
2
El polinomio interpolante de f es la funcin p denida en [a; b] como

p (x) = f
a+b
2
x 2 [a; b] :
En la gura siguiente se muestran las grcas de la funcin f y de su interpolante lagrangeana p:
Figura 12
Sea m 2 Z+ y (m) = fx0 = a; x1 ; : : : ; xm = bg con xi 1 < xi i = 1; : : : ; m una particin
de [a; b] : Se pone hi = xi
xi 1 la longitud del intervalo [xi 1 ; xi ]
i = 1; : : : ; m; y,
b
h = max fhi j i = 1; : : : ; mg : Sea f una funcin continua en [a; b] : La funcin interpolante p de
f est denida como
8
m
< p (x) = P
f (t ) (x) x 2 [a; b[ ;
i
i=1
p (b) = f (tm ) ;

donde
87
es la funcin indicatriz del intervalo [xi
1 ; xi [
denida como
i (x)
0; si x 2
= [xi
1; si x 2 [xi
1 ; xi [ ;
1 ; xi [ ;
1
+ hi el punto medio del intervalo [xi 1 ; xi ] i = 1; : : : ; m:
2
En la gura siguiente se muestra la grca de la funcin f y de su interpolante p, con m = 5
i = 1; : : : ; m; ti = xi
Figura 13
De la frmula del error de interpolacin de Lagrange, sea f 2 C 1 ([a; b]) y la particin del intervalo
a+b
[a; b] se reduce al solo punto medio
de [a; b] ; se tiene la siguiente estimacin del error para
2
x
b 2 [a; b] ;
a+b
(b
x) = f (b
x) p (b
x) = f 0 ( ) x
b
2
para algn
2 [a; b] :
Sean m 2 Z+ ;
(m) una particin del intervalo [a; b] ; aplicando el resultado precedente a
x
b 2 [xj 1 ; xj ] j = 1; : : : ; m se tiene
"j (b
x) = f (b
x)
f (tj ) = f 0
(b
x
tj )
con j 2 [xj 1 ; xj ] : Luego, si f 2 C 1 ([a; b]) ; existe M > 0 tal que j f 0 (x) j
consecuencia
j f (b
x) f (tj ) j j f 0 j jj x
b tj j M h ! 0 :
8x 2 [a; b] y en
h !0
Ejemplo
Supongamos que f es la funcin denida como f (x) = 1 + ex x 2 [0; 2] ; m = 10 y (10) la

2
particin uniforme de [0; 2] ; esto es, h =
= 0;2 y j = jh = 0;2j j = 0; 1; : : : ; 10; hj = h = 0;2
10
j = 1; : : : ; 10: La funcin interpolante de f est denida como
1
+ hj = xj
2
Para x = 0;85 se tiene
donde tj = xj
8
10
< p (x) = P
f (tj )
j=1
:
p (2) = f (t10 ) ;
1
(x) x 2 [0; 2[ ;
+ 0;1 j = 1; : : : ; 10:
p (0;85) =
10
X
f (tj )
(0;85) = 1 + e0;9 ;
j=1
pus 0;85 2 [0;8; 1[ para i = 5; ti = xi
+ 0;5 = 0;9; f (0;9) = 1 + e0;9 :

2. Interpolantes anes a trozos.
Para n = 1, se tiene = fa = x0 ; x1 = bg. Entonces, los polinomios de interpolacin de Lagrange
son P0 , P1 2 K1 [R] denidos como sigue:
P0 (x) =
x
x0
x1
x1
x 2 R,
P1 (x) =
x
x1
x0
x0
x 2 R.
En la gura siguiente se muestran las grcas de los polinomios P0 , P1 :
Figura 14
Para f 2 C ([a; b]) ; por la denicin del valor interpolado de f en x

b 2 [a; b] se tiene
G (f ) =
1
X
f (xk ) Pk (x) = f (a) P0 (x) + f (b) P1 (x) = f (a) +
k=0
f (b)
b
f (a)
(x
a
a)
x 2 [a; b] ;
es el valor interpolado de f en el punto x. Note que el polinomio interpolante de f est dado por
(f ) = p (x) =
n
X
f (xk ) Pk (x) = f (a) +
k=0
f (b)
b
f (a)
(x
a
a)
x 2 [a; b] ;
que representa la ecuacin del segmento de recta que une los puntos (x0 ; f (x0 )) y (x1 ; f (x1 )).
En la gura siguiente se muestra las grcas de f y del polinomio interpolante p:
Figura 15
Para x
b 2 [a; b] ; el error de interpolacin " (b
x) est denido como
" (b
x) = f (b
x)
donde
p (b
x) =
f 00 ( )
(b
x
2!
a) (b
x
2 [a; b] es elegido apropiadamente.
b) ;
Sean m 2 Z+ y (m) = fx0 = a; x1 ; : : : ; xm = bg con xi 1 < xi i = 1; : : : ; m; una particin de

[a; b] ; se pone hj = xj xj 1 y b
h = Max fhj j j = 1; : : : ; mg : Apliquemos los resultados precedentes
a cada subintervalo [xi 1 ; xi ] i = 1; : : : ; m: Tenemos que la funcin interpolante vh de f en el
intervalo [a; b] est denida como
v (x) =
m
X
i=0
f (xi ) 'i (x)
x 2 [a; b] ;
89
y las funciones '0 ; '1 ; : : : ; 'm estn denidas como sigue:
'0 (x) =
8
<
x1
; x 2 [a; x1 ] ;
h
: 0; x 21 [a; b] 8 [a; x ] ;
1
8
< x
xm 1
; x 2 [xm 1 ; b] ;
'm (x) =
hm
: 0; x 2 [a; b] 8 [x
m 1 ; b] :
8
x xi 1
>
>
; x 2 [xi 1 ; xi ] ;
>
<
hi
x xi 1
'i (x) =
; x 2 ]xi ; xi+1 ]
>
>
hi 1
>
:
0; x 2 [a; b] 8 [xi 1 ; xi ]
i = 1; : : : ; m
1;
En las guras siguientes se muestran las grcas de '0 ; '1 ; '5 ; donde la particin de [a; b] est
constituida por (5) = fx0 = a; x1 ; x2 ; x3 ; x4 ; x5 = bg :
Figura 16
Figura 17
Figura 18
0; si i 6= j
y0
1; si i = j;
similares a la funcin '1 :
Note que 'i (xj ) =
'i (x)
x 2 [a; b] : Las funciones '2 ; : : : ; 'm
son
A las funciones '0 ; : : : ; 'm se les denomina funciones techo.

En la gura siguiente se muestra la grca de una funcin continua v denida en el intervalo [0; a]
con a > 0; y la de una funcin interpolante vh (segmentos de recta) de v: Se muestran tambin los

puntos de la particin de (m) de [0; a] :
Figura 19
El error de interpolacin se estima a partir de la frmula

" (b
x) = f (b
x)
donde x
b 2 [xj
1 ; xj ]
2 [xj
1 ; xj ]
jf (b
x)
p (b
x) =
f 00
(b
x
2!
xj
x
1 ) (b
xj ) ;
elegido apropiadamente. Adems,
p (b
x)j
h2j 00
f
2
M 2
h ! 0;
h !0
2
donde M = Max jf 00 (x)j :

x2[a;b]
3. Interpolantes cuadrticos a trozos.

Para n = 2, una particin del intervalo [a; b] es
= fa = x0 ; x1 ; x2 = bg. Los polinomios de
interpolacin de Lagrange '0 , '1 , '2 2 K2 [R] estn denidos como a continuacin se indican:
'0 (x) =
'1 (x) =
'2 (x) =
(x
(a
(x
(x1
(x
(b
x1 ) (x b)
x1 ) (a b)
a) (x b)
a) (x1 b)
a) (x x1 )
a) (b x1 )
x 2 R,
x 2 R,
x 2 R.
En la gura siguiente se muestra las grcas de las funciones '0 ; '1 ; '2 restringidas al intervalo
[a; b]:
Figura 20
Sea f 2 C ([a; b]) : El polinomio interpolante de f est dado por
(f ) = p (x) =
2
X
k=0
f (xk ) 'k (x) = f (a) '0 (x) + f (x1 ) '1 (x) + f (b) '2 (x)
x 2 R.
91
En la gura siguiente se muestra la grca de una funcin f y de su interpolante p:
Figura 21
Para x
b 2 [a; b] y f 2 C ([a; b]), el valor interpolado de f est denido como sigue:
G (f ) = p (b
x) = fa '0 (b
x) + f (x1 ) '1 (b
x) + f (b) '2 (b
x) .
Sea f 2 C 3 ([a; b]) : El error de interpolacin se dene como

" (b
x) = f (b
x)
donde
p (b
x) =
f 000 ( )
(b
x
!
a) (b
x
x1 ) (b
x
b) ;
2 [a; b] :
Sean n 2 Z+ y (n) = fa = x0 ; x1 ; : : : ; xn = bg una particin de [a; b] : Se pone hj = xj

xj 1
b
a
j = 1; : : : ; n y b
h = Max fhj j j = 1; : : : ; ng : En el caso de una particin uniforme, se tiene h =
;
n
xj = jh j = 0; 1; : : : ; n y b
h = h:
La funcin interpolante v de f est denida como
v (x) =
n
X
f (xi )
i (x)
i=0
x 2 [a; b] ;
i = 0; 1; : : : ; n son funciones que se obtienen de '0 ; '1 ; '2 aplicadas a cada intervalo
1; si i = j;
A continuacin se
[xi 1 ; xi+1 ] y que satisfacen las condiciones de interpolacin i (xj ) =
0; si i 6= j:
muestran las grcas de las tres primeras funciones 0 ; 1 ; 2 :
donde
Figura 22
Figura 23
Figura 24
Note que
0;
1;
estn denidas en [x0 ; x2 ] como sigue:

8
< (x x1 ) (x x2 ) ; x 2 [x ; x ] ;
0 2
(x0 x1 ) (x0 x2 )
0 (x) =
:
0; en otro caso,
8
< (x x0 ) (x x2 ) ; si x 2 [x ; x ] ;
0 2
(x1 x0 ) (x1 x2 )
(x)
=
1
:
0; en otro caso,
8
(x x0 ) (x x1 )
>
>
; si x 2 [x0 ; x2 ] ;
>
>
>
< (x2 x0 ) (x2 x1 )
(x x3 ) (x x4 )
2 (x) =
; si x 2 ]x2 ; x4 [ ;
>
>
(x2 x3 ) (x2 x4 )
>
>
>
: 0; en otro caso.
Si f 2 C 3 ([a; b]) ; M = Max fjf 000 (x)j j x 2 [a; b]g y x

b 2 [a; b] ; entonces se tiene la siguiente estimacin
del error:
f 000 j
"j = f (b
x) v (b
x) =
(b
x xj 1 ) (b
x xj ) (b
x xj+1 )
3!
donde x
b 2 [xj 1 ; xj+1 ] j = 1; : : : ; n 1; y, en consecuencia
jf (b
x)
2.3.
v (b
x)j
M b3
h !0:
h !0
6
Operadores de diferencias nitas y derivacin numrica
Denotamos con C ([a; b]) es espacio de funciones reales continuas en [a; b]. Para m 2 Z+ , denotamos con
C m ([a; b]) es espacio de las funciones reales tales que la derivada m-sima es continua en [a; b] :
Sea f 2 C 2 ([a; b]) ; h 2 R con h 6= 0 tal que 8x 2 ]a; b[, x + h 2 [a; b]. En general, h es sucientemente
pequeo. Las derivadas f 0 y f 00 en x 2 ]a; b[ se denen como
f (x + h)
h!0
h
f 0 (x) = l m
f (x)
f 0 (x + h)
h!0
h
f 00 (x) = l m
f 0 (x)
Para h 6= 0 sucientemente pequeo, las derivadas f 0 (x) y f 00 (x) se aproximan mediante los siguientes
cocientes:
f (x + h) f (x)
f 0 (x + h) f 0 (x)
f 0 (x) '
; y
f 00 (x) '
;
h
h
ms an, f 0 (x) y f 00 (x) se esciben como
f 0 (x) =
con jw1 (x; h)j
f (x + h)
h
f (x)
! 0; jw2 (x; h)j
h !0
+ w1 (x; h);
f 00 (x) =
f 0 (x + h)
h
f 0 (x)
+ w2 (x; h) ;
! 0: Es claro que cuando los residuos w1 (x; h); w2 (x; h) son
h!0
sucientemente pequeos para h sucientemente pequeo, las dedivadas las podemos aproximar mediante
los cocientes incrementales. Los numeradores de estos cocientes dan lugar a las denominadas diferencias
nitas y por lo tanto a los operadores en diferencias nitas que a continuacin se denen.
2.3. OPERADORES DE DIFERENCIAS FINITAS Y DERIVACIN NUMRICA
93
1. El operador de diferencia nita hacia adelante se nota y se dene como sigue:

f (x) = f (x + h)
f (x) :
2. El operador de diferencia nita hacia atrs se nota y se dene como a continuacin se indica:
rf (x) = f (x)
f (x
h) :
3. Operador de diferencia nita central de primer orden se nota y se dene del modo siguiente:
f (x) = f
x+
h
2
h
2
Aproximacin de f 0 (x) :
En el captulo primero se propuso un mtodo de clculo de la derivada primera f 0 (x) x 2]a; b[: En esta
parte, ampliamos dicho procedimiento de clculo que incluye el error de aproximacin. Adems, veremos
otros mtodos similares de aproximacin.
Supongamos que f 2 C 3 ([a; b]): Por el desarrollo de Taylor, para h > 0 se tiene;
h2 00
f (x) +
2!
h2
hf 0 (x) + f 00 (x) +
2!
f (x + h) = f (x) + hf 0 (x) +
f (x
h) = f (x)
h3 000
f ( 1)
3!
h3 000
f ( 2)
3!
con
2 [x; x + h] ;
con
2 [x
h; x] ;
entonces,
f (x)
h
rf (x)
h
@f (x)
2h
=
=
=
f (x + h) f (x)
h
h2
= f 0 (x) + f 00 (x) + f 000 ( 1 ) ;
h
2!
3!
2
f (x) f (x h)
h
h
= f 0 (x)
f 00 (x) + f 000 ( 2 ) ;
h
2!
3!
2
f (x + h) f (x h)
h
= f 0 (x) +
f 000 ( 1 ) + f 000 ( 2 ) :
2h
3!
Por hiptesis, f 0 ; f 00 ; f 000 son acotadas en el intervalo [a; b]; luego existen M1 > 0, M2 > 0; M3 > 0 tales
que j f 0 (x) j M1; j f 00 (x) j M2; j f 000 (x) j M3 8x 2 [a; b]; y M = maxfM1 ,M2 ; M3 g; entonces
f (x)
h
rf (x)
h
@f (x)
2h
f 0 (x)
f 0 (x)
f 0 (x)
f (x + h) f (x)
h
M
f 0 (x) j=j f 00 (x) j
h ! 0;
h
2!
2 h7 !0
f (x) f (x h)
h
M
= j
f 0 (x) j=j f 00 (x) j
h ! 0;
h
2!
2 h7 !0
f (x + h) f (x h)
h2 000
= j
f 0 (x) j=j
f ( 1 ) + f 000 ( 2 ) j
2h
3!
= j
M 2
h
3
! 0:
h7 !0
Se observa que las diferencias nitas centrales aproximan mejor la derivada f 0 (x) ; es decir que para h
M 2
M
sucientemente pequeo y no nulo, el trmino
h va a cero ms rpidamente que
h cuando h 7 ! 0:
3
2
Sea f 2 C 2 ([a; b]) ; x0 2 ]a; b[ y h 6= 0: Con frecuencia se presenta el problema de calcular f 0 (x0 ) ;
con f una funcin en la que resulta difcil calcular la derivada o que nicamente se conocen los puntos
(x0 ; y0 ) ; (x0 + h; y1 ) y se requiere aproximar f 0 (x0 ) : En este ltimo caso se asume que y0 = f (x0 ) ;
y1 = f (x0 + h) :
Se dene una aproximacin de f 0 (x0 ) como el cociente
y00 =
y1
y0
h

y se denomina derivada numrica mediante una diferencia nita progresiva. Se tiene la siguiente estimacin
f 0 (x0 )
Si y0 = f (x0 ) ; y1 = f (x0
M
h ! 0:
2 h!0
y00
h) ; se dene una aproximacin f 0 (x0 ) como el cociente

y00 =
y0
y1
h
y se denomina derivada numrica mediante una diferencia nita regresiva. Tenemos la siguiente estimacin
f 0 (x0 )
M
h ! 0:
2 h!0
y00
h) ; y1 = f (x0 + h) ; se dene y00 como
Si y0 = f (x0
y00 =
y1
y0
h
y se denomina derivada numrica mediante una diferencia nita central. Se tiene

f 0 (x0 )
y00
M 2
h ! 0:
h!0
3
Ejemplo
Con el propsito de comparar las derivadas numricas con la derivada de una funcin, asumimos que f
es conocida.
p
Sea f (x) = exp (sen x) x > 0 y x0 = 2: Entonces
p
p
cos x
f (x) = p exp sen x
2 x
0
y en consecuencia
f 0 (2)
x > 0;
p
p
cos 2
= p exp sen 2 ' 0;148048539:
2 2
En la tabla siguiente se muestran aproximaciones de f 0 (2) con diferencias nitas progresivas (clculos
realizados con una calculadora de bolsillo)
h
x0 + h
y0 = f (x0 )
y1 = f (x0 + h)
0;001
0;000001
0;001
0;000001
1;999
1;999999
2;001
2;000001
2;68522882
2;68522882
2;68522882
2;68522882
2;685080592
2;685228672
2;685376689
2;685228968
y0
h
0;148228
0;148000
0;147869
0;148
y00 =
y1
jf 0 (2)
y00 j
1;79461 10
4;8539 10
1;79539 10
4;8539 10
4
5
4
5
Note que a medida que jhj se aproxima a cero, y00 se aproxima a f 0 (2) y el error jf 0 (2) y00 j es cada vez
ms pequeo; sin embargo, con una calculadora de bolsillo, para h sucientemente pequeo y no nulo,
se obtienen resultados como los siguientes: si h = 0;00000001; x0 + h = 2;00000001; y1 = f (x0 + h) =
2;685228822; luego
y1 y 0
2;685228822 2;68522882
y00 =
=
= 0;2;
h
0;00000001
que est muy alejado de f 0 (2) : Esto se debe a que y0 ; y1 son valores aproximados con 9 cifras de precisin
que es lo que se obtiene de la calculadora. Para mejorar los resultados se deben calcular en al menos doble
precisin, o sea con al menos 16 cifras de precisin que es lo que se obtiene en un computador personal
Pentium I o ms avanzados.
95
En la tabla siguiente se muestran aproximaciones de f 0 (2) mediante el uso de diferencias nitas centrales:
Los clculos son realizados con una calculadora de bolsillo.
h
x0
0;001
0;0001
0;00001
0;000001
1;999
1;9999
1;99999
1;999999
x0 + h
y0 = f (x0 + h)
y1 = f (x0 + h)
2;001
2;0001
2;00001
2;000001
2;685080592
2;685214014
2;68522734
2;685228672
2;685376689
2;685243623
2;685230301
2;685228968
y00 =
y1
y0
jf 0 (2)
2h
0;1480485
0;148045
0;14805
0;148
y00 j
5;39 10 8
3;539 10 6
1;461 10 6
4;8539 10 5
Note que cuando h es muy pequeo, debido a los errores de redondeo y la representacin en un punto jo,
f (x0 + h) f (x0 h)
sea
el error tiende a aumentar cul es el valor de h a elegir para que f 0 (x0 )
h
muy aceptable? Con una calculadora de bosillo, obtener h para que la aproximacin sea sucientemente
buena (ptima) no es del todo evidente y depende de cada funcin f: En un computador personal se
deben realizar los cculos en al menos doble precisin y j h j6= 0 sucientemente pequeo.
Aproximacin de f 00 (x) :
Los operadores de diferencias nitas de orden superior se denen por recurrencia en el sentido de la
composicin de operadores:
k+1
0
donde
= r0 =
rk+1 = rk
k+1
r;
k 2 N,
= I operador identidad.
Adems, podemos construir operadores mixtos como los siguientes:

r; r
;
;
r; : : : ;
que se escriben simplemente como r; r ;
; r; : : : : De manera general, si m; n 2 N, se dene
m
n =
m ( n ) que se escribir
m n . De manera similar para las otras combinaciones.
Veamos algunos operadores de segundo orden. Se tiene los siguientes resultados.
2
1. Diferencia nita progresiva de segundo orden

2
f (x) =
( f (x)) =
= f (x + 2h)
(f (x + h)
: Para toda f 2 C([a; b]); se tiene
f (x)) = f (x + 2h)
f (x + h)
(f (x + h)
f (x))
2f (x + h) + f (x) ;
obviamente, se supone que h > 0 y x 2 ]a; b[ son tales que x + 2h; x + h 2 [a; b] :
2. Diferencia nita regresiva de segundo orden r2 = r r: Para toda f 2 C([a; b]); se tiene
r2 f (x) = r (rf (x)) = r (f (x)
= f (x)
f (x + h)) = f (x)
f (x + h)
(f (x + h)
f (x + 2h))
2f (x + h) + f (x + 2h) ;
con x; x + 2h; x + h 2 [a; b] ; h > 0:

3. Diferencia nita central de segundo orden
2
f (x) =
( f (x)) =
= f (x + h)
donde x; x + h; x
h
2
2f (x) + f (x
f
x+
: Para toda f 2 C([a; b]); se tiene
h
2
= f (x + h)
f (x)
(f (x)
f (x
h))
h) ;
h 2 [a; b] ; h > 0:
4. Operadores mixtos de diferencias nitas de segundo orden: r = r

; r=
r;
:Para toda f 2 C([a; b]); se tienen las siguientes diferencias nitas de segundo orden:
r f (x) = r ( f (x)) = r (f (x + h)
= f (x + h)
rf (x) =
2f (x) + f (x
(f (x)
= f (x + h)
f (x
f (x)) = f (x + h)
h) =
(f (x)
f (x
f (x) ;
h)) = f (x + h)
2f (x) + f (x
f (x)
h) =
f (x)
2
f (x) ;
(f (x)
f (x
h))
=
h))

f (x) =
(f (x + h)
= f
donde x; x +
3h
2 ;x
x+
+ h2 ; x
3h
2
h
2
f (x)) = f
2f
x+
x+
h
2
3h
2
+f
x+
h
2
h
2
h
2
x+
h
2
2 [a; b] :
Se tiene 2 = r = r a la que se le denomina diferencia nita central del segundo orden. Como
ejercicio se proponen obtener otras diferencias nitas de segundo orden.
De la denicin de derivada segunda de una funcin f en un punto x 2]a; b[; se sigue que la derivada
segunda f 00 (x) se aproxima como sigue:
f 00 (x) '
f 0 (x + h)
h
f 0 (x)
2
f 00 (x) '
f 00 (x) '
f (x)
=
h2
2f
(x)
h2
rf (x)
r f (x)
=
:
2
h
h2
Supongamos que f 2 C 4 ([0; L]). Se tiene
2
rf (x)
f (x)
r f (x)
f (x + h) 2f (x) + f (x
=
=
=
2
2
h
h
h
h2
con 1 2 [x; x + h] ; 2 2 [x h; x] ; consecuentemente
f (x + h)
2f (x) + f (x
h2
h)
f 00 (x) j=
r2 f (x)
;
h2
f 00 (x) '
h)
= f 00 (x) +
h2 iv
f ( 1 ) + f iv ( 2 ) ;
4!
h2
j f iv ( 1 ) + f iv ( 2 ) j
4!
M 2
h
12
! 0:
h7 !0
Ejemplo
p
Sea f la funcin real denida como f (x) = exp (sen x) x > 0: Entonces, la derivada segunda de f est
denida como
"
p 2 p
p
p #
p
1
cos
x
x
sen
x
+
cos
x
p
f 00 (x) =
exp sen x
x > 0;
3
4
x
x2
luego
2
p !2
2
1
cos
00
p
f (2) = 4
4
2
3
p
p
2 sen 2 + cos 2 5
2
3
2
p
exp sen 2 '
0;3603967624:
Aproximemos la derivada segunda mediante la aplicacin de diferencias nitas centrales de segundo orden,
esto es
f (2 + h) 2f (2) + f (2 h)
f 00 (2) '
h 6= 0;
h
y h sucientemente pequeo. Para realizar los clculos usamos una calculadora de bolsillo.
Sea h = 0;02: Tenemos f (2;02) = 2;688117974; f (2) = 2;68522882; f (1;98) = 2;682195506: Luego
2f (2) + f (2 + h)
= 0;3604:
h2
Para h = 0;0001; se tiene f (2;0001) = 2;685243623; f (2) = 2;68522882; f (1;999) = 2;685214014:
Entonces
f (2;0001) 2f (2) + f (1;9999)
f 0 (2) '
= 0;3:
(0;0001)2
Debido a la representacin en punto jo y a causa de los errores de redondeo se obtiene este resultado
que es una aproximacin no satisfactoria. Nuevamente, la pregunta es, cmo elegir h 6= 0 que nos rinda
una buena aproximacin de f 00 (2)? Consideremos h = 0;005: Entonces
f 0 (2) '
f 0 (2) '
f (2;005)
f (2 + h)
2;685964562
2f (2) + f (1;995)
=
2
(0;005)
2;68522882 + 2;684484068
=
(0;005)2
0;3604;
resultado que obtuvimos anteriormente. La explicacin de este hecho es que en una calculadora de bosillo
se utliza la representacin en punto jo, y por otro lado, los errores de redondeo y de truncamiento
afectan el resultado.
2.3.1.
97
Aproximacin de derivadas de funciones reales como formas lineales
Sea x
b 2 [a; b] y f 2 C m ([a; b]). Se nota Dm f =
un funcional lineal en C m ([a; b]).
dm f
dxm
(b
x) la derivada m-sima de f en x
b. Entonces Dm es
Sean n 2 Z+ con n m, y (n) = fa = x0 ; x1 ; : : : ; xn = bg una particin de [a; b] : Se pone hj = xj xj 1

b a
j = 1; : : : ; n y b
h = max fhj j j = 1; : : : ; ng : En el caso de una particin uniforme, se tiene h =
;
n
xj = jh j = 0; 1; : : : ; n y b
h = h:
El operador de interpolacin de Lagrange de f est denido como
(f ) =
n
X
f (xk ) Pk
k=0
m
y sea Dnum
= Dm
: Entonces, para todo f 2 C m ([a; b]) se tiene

!
n
n
n
X
X
X
d m Pk
m
m
) (f ) = D ( (f )) = D
f (xk ) Pk =
(b
x) :
f (xk ) Dm Pk =
f (xk )
dxm
m
Dnum
(f ) = (Dm
k=0
m
Dnum
k=0
C m ([a; b]).
As,
es un funcional lineal sobre
derivada m-sima de f en el punto x
b 2 [a; b].
k=0
Este funcional es la aproximacin numrica de la
= fa = x0 ; x1 = bg, x
b 2 [a; b] y
Sean n = m = 1, entonces
P0 (x) =
P1 (x) =
x
a
x
b
dP
1
b
)
(x) =
;
b
dx
b a
dP
1
a
)
(x) =
;
a
dx
b a
luego
1
Dnum
(f )
1
X
f (xk )
k=0
dPk
(b
x) = f (a)
dx
1
b
+ f (b)
Observamos que la derivada de f en x = x

b se aproxima como
tratado.
f (b)
b
1
b
f (b)
b
f (a)
.
a
f (a)
, cociente incremental arriba
a
Sean n = 2, (2) = x0 = a; x1 = a+b

2 ; x2 = b una particin uniforme de [a; b]; entonces h =
f 2 C 2 ([a; b]) : Para m = 1, se tiene
1
Dnum
(f ) =
2
X
f (xk )
k=0
En particular, para x
b=
dP0
dx
a+b
2
dPk
dP0
(b
x) = f (a)
(b
x) + f
dx
dx
a+b
2
b a
2 .
Sea
dP1
dP2
(b
x) + f (b)
(b
x) .
dx
dx
se tiene
a+b
2
1
;
h
dP1
dx
a+b
2
1
Dnum
(f ) =
f (b)
dP2
dx
= 0;
a+b
2
1
;
h
f (a)
;
h
que es la aproximacin de la derivada mediante una diferencia nita central de primer orden. Escribiremos
f (b
x) =
f (b)
f (a)
h
Para m = 2, obtenemos
2
Dnum
(f ) = f (a)
1
h2
a+b
2
f (a)
2
1
+ f (b) 2 =
2
h
h
2f
a+b
2
h2
+ f (b)
h2
que corresponde a la aproximacin de la derivada segunda mediante una diferencia nita central de
segundo orden.
Mediante este proceso podemos construir otras formas lineales que son aproximaciones de las derivadas
de una funcin real.
2.3.2.
Aproximacin numrica de derivadas parciales primeras, segundas y laplaciano
Sean
R2 abierto, (a; b) 2 ; h; k 2 R no nulos tales que (a + h; b) ; (a; b + k) ; (a + h; b + k) 2 :
Sea f una funcin real continua en : En un punto arbitrario (x; y) de notamos z = f (x; y) ; a x lo
denominamos primera variable, a y lo llamamos segunda variable de la funcin f:
Se dene la derivada parcial de f respecto de x en el punto (a; b) que se nota
f (a + h; b)
@f
(a; b) = l m
h!0
@x
h
@f
(a; b) y se dene como
@x
f (a; b)
siempre que el lmite exista. De manera similar, la derivada parcial de f respecto de y en el punto (a; b)
@f
se nota
(a; b) y se dene como
@y
@f
f (a; b + k)
(a; b) = l m
k!0
@y
k
f (a; b)
siempre que el lmite exista.

Note que jado (a; b) 2 ; se dene la funcin u como u (x) = f (x; b) con (x; b) 2
en x = a est denida como
u (a + h)
h!0
h
u (a)
u0 (a) = l m
As, si u (x) = f (x; b) donde (x; b) 2

En forma anloga, jado (a; b) 2
v 0 (y) = l m
k!0
f (a + h; b)
h!0
h
f (a; b)
= lm
con b jo, se tiene u0 (a) =
y la derivada de u
@f
(a; b) :
@x
@f
(a; b) :
@x
se dene la funcin v como v (y) = f (a; y) con (a; y) 2 : Luego
v (b + k)
k
As, si v (y) = f (a; y) donde (a; y) 2
v (b)
= lm
k!0
f (a; b + k)
k
f (a; b)
con a jo, entonces v 0 (b) =
@f
(a; b) :
@y
@f
(a; b) :
@y
Supongamos f 2 C 3 ( ) y h; k 2 R no nulos tales que (a + h; b) ; (a h; b) ; (a; b + k) ; (a; b k) 2 : De

estas dos observaciones y tomando en consideracin los mtodos de aproximacin de la derivada de una
@f
funcin real en un punto, se tienen los siguientes resultados que permiten aproximar
(a; b) :
@x
f (a; b)
h
rf (a; b)
h
f (a; b)
h
=
=
=
f (a + h; b) f (a; b)
@f
h @2f
=
(a; b) +
(
h
@x
2 @x2
f (a h; b) f (a; b)
@f
h @2f
=
(a; b) +
h
@x
2 @x2
f (a + h; b) f (a h; b)
@f
h2
=
(a; b) +
2h
@x
3!
1 ; b) ;
( 2 ; b) ;
@3f
@3f
(
;
b)
+
( ; b) ;
1
@x3
@x3 2
donde 1 se encuentra entre a y a + h; 2 se encuentra en a y a h; que corresponde a la aplicacin de

diferencias nitas progresivas, regresivas y centrales, respectivamente.
Resultados similares obtenidos para aproximar
f (a; b + k) f (a; b)
k
f (a; b k) f (a; b)
k
f (a; b + k) f (a; b k)
k
con
entre b y b + k;
entre b y b
k:
@f
(a; b) que lo presentamos en la siguiente forma
@y
@f
(a; b) =
@y
@f
(a; b) =
@y
@f
(a; b) =
@y
k @2f
(a; 1 ) ;
2 @y 2
k @2f
(a; 2 ) ;
2 @y 2
k2 @ 3 f
@3f
(a;
)
+
(a;
1
3! @y 3
@y 3
2)
99
i) Para h 6= 0 sucientemente pequeo, ponemos z0 = f (a; b) ; z1 = f (a + h; b) : El cociente
es una aproximacin de
z1
fex (a; b) =
@f
(a; b) mediante una diferencia nita prograsiva.
@x
ii) Si z0 = f (a; b) ; z1 = f (a
z0
h; b) con h 6= 0 sucientemente pequeo, el cociente

z1
fex (a; b) =
z0
h
@f
(a; b) mediante una diferencia nita regresiva.
@y
iii) Si h 6= 0 sucientemente pequeo, z1 = f (a + h; b) ; z2 = f (a
z1
fex (a; b) =
h; b) ; el cociente
z2
h
@f
(a; b) mediante una diferencia nita central.
@x
@f
@f
(a; b) ;
(a; b) se
@x
@y
aproximan con el uso de diferencias nitas centrales. A menos que se diga lo contrario supondremos que
las derivadas parciales son aproximadas mediante el uso de las diferencias nitas centrales.
Obviamente las diferencias nitas centrales son las ms utilizadas, por lo tanto
Ejemplo
Considrese la funcin f denida como f (x; y) = x3 y 4 sen2 (xy)
@f
(x; y) =
@x
=
@f
(x; y) =
@y
=
Aproximemos
(x; y) 2 R2 : Se tiene
3x2 y 4 sen2 (xy) + x3 y 4 [2y sen (xy) cos (xy)]

(3 sen (xy) + 2xy cos (xy)) x2 y 4 sen (xy)
(x; y) 2 R2 ;
4x3 y 3 sen2 (xy) + x3 y 4 (2x sen (xy) cos (xy))

(4 sen (xy) + 2xy cos (xy)) x3 y 3 sen (xy)
(x; y) 2 R2 :
@f
@f
(2; 3) y
(2; 3) mediante diferencias nitas centrales.
@x
@y
Primeramente, calculemos
@f
@f
(2; 3) y
(2; 3) : Tenemos
@x
@y
@f
(2; 3) = (3 sen (6) + 12 cos (6))
@x
@f
(2; 3) = (4 sen (6) + 12 cos (6))
@y
Calculemos aproximaciones de
81 sen (6) =
967;2107771;
27 sen (6) =
627;9434139:
@f
(2; 3) mediante diferencias nitas centrales, esto es, calculemos
@x
f (2 + h; 3)
fex (2; 3) =
f (2
2h
h; 3)
para h = 0;002; h = 0;00015; h = 0;000001:

Para h = 0;002; se tiene
f (2;002; 3) f (1;999; 3)
48;67057704 52;53621459
fex (2; 3) =
=
=
2 0;002
0;004
967;1593875:

Para este valor de h; se tiene la siguiente estimacin del error:
@f
(2; 3)
@x
fex (2; 3) = j 967;2107771
Para h = 0;00015 se tiene
( 967;1593875)j = 0;0513896:
50;44631203 50;7364752
f (2;00015; 3) f (1;99985; 3)
=
=
fex (2; 3) =
2 0;00015
0;0003
967;2105667;
con lo que el error de aproximacin es

@f
(2; 3)
@x
fex (2; 3) = j 967;2107771
( 967;2105667)j = 0;0002104 = 2;104
10
Para h = 0;000001; se tiene
50;59034995 50;59243632
f (2;000001; 3) f (1;99999; 3)
=
=
fex (2; 3) =
2 0;000001
0;000002
1043;185;
en consecuencia, se tiene la siguiente estimacin del error

@f
(2; 3)
@x
fex (2; 3) = j 967;2107771
( 1043;185)j = 75;9742229:
Notamos que para este valor de h; el error ha aumentado signicativamente. Esto se debe a los errores
de redondeo y de truncamiento en el clculo de f (2 + h; 3) y de f (2 h; 3) ; operaciones que se realizan
en punto jo con una precisin " = 10 9 : Si se trabaja con doble precisin mejoran los resultados. No
incluimos estos resultados y proponemos que los comprueben.
Pasemos ahora al clculo aproximado de
Para k = 0;05 se tiene
@f
(2; 3) con diferencias nitas centrales, esto es
@y
f (2; 3 + k)
fey (2; 3) =
f (2; 3
2k
k)
k 6= 0:
22;97245043 84;69051462
f (2; 3;05) f (2; 2;95)
=
=
fey (2; 3) =
2 0;05
0;1
617;1806419;
y el error de aproximacin
@f
(2; 3)
@y
fey (2; 3) = j 627;9434139
( 617;1806419)j = 10;762772:
Se constata que esta aproximacin no es aceptable.

Calculemos con k = 0;0015: Tenemos
49;65232798 51;53612921
f (2; 3;0015) f (2; 2;9885)
fey (2; 3) =
=
=
2 0;0015
0;003
627;9337433;
@f
(2; 3)
@y
fey (2; 3) = j 627;9434139
( 627;9337433)j = 9;6706
10
con lo que se muestra que esta es una aproximacin aceptable.

Sea k = 0;00011: Entonces
f (2; 3;00011) f (2; 2;99989)
50;52225955 50;66040683
fey (2; 3) =
=
=
2 0;00011
0;00022
627;9421818;
101
@f
(2; 3)
@y
fey (2; 3) = j 627;9434139
( 627;9421818)j = 1;2321
10
lo que muestra que es una mejor aproximacin que la anterior.

@2f
@2f
@2f
(a; b) ;
(a; b) pueden ser aproximadas siguiendo la
(a; b) ;
2
@x
@x@y
@y 2
misma metodologa empleada para el clculo aproximado de las derivadas segundas de funciones reales
@2f
de una sola variable. As, para h 6= 0;
(a; b) puede aproximarse con diferencias nitas centrales, esto
@x2
es,
@2f
f (a + h; b) 2f (a; b) + f (a h; b)
(a; b) ' fexx (a; b) =
h 6= 0;
2
@x
2h
h sucientemente pequeo.
Las derivadas parciales segundas
De manera similar, tenemos

f (a; b + k)
@2f
(a; b) ' feyy (a; b) =
@y 2
2f (a; b) + f (a; b + k)
2k
k 6= 0;
k sucientemente pequeo.
Sea f 2 C 2 ( ) y (a; b) 2 : El laplaciano de f en el punto (a; b) 2

4f (a; b) =
se denota 4f (a; b) y se dene como
@2f
@2f
(a;
b)
+
(a; b) ;
@x2
@y 2
el mismo que puede ser aproximado como sigue:

e (a; b) = f (a + h; b)
4f
2f (a; b) + f (a
2h
h; b)
f (a; b + k)
2f (a; b) + f (a; b + k)
2k
con h 6= 0; k 6= 0 sucientemente pequeo.

Ejemplo
Sea f la funcin denida como f (x; y) = ln x2 + y 2
@2f
y 2 x2
(x;
y)
=
2
@x2
(x2 + y 2 )2
@2f
x2 y 2
(x;
y)
=
2
@y 2
(x2 + y 2 )2
(x; y) 2 R2 con (x; y) 6= (0; 0) : Se tiene

(x; y) 2 R2 ; (x; y) 6= (0; 0) ;
(x; y) 2 R2 ; (x; y) 6= (0; 0) ;
luego
4f (x; y) =
@ 2 f (x; y) @ 2 f (x; y)
+
=0
@x2
@y 2
Las funciones f tales que 4f (x; y) = 0 8 (x; y) 2
(x; y) 2 R2 ; (x; y) 6= (0; 0) :
se llaman funciones armnicas.
e (1; 2) aproximacin de 4f (1; 2) :

Calculemos valores aproximados de 4f
Sea h = 0;002; k = 0;0015: Entonces

fexx (1; 2) =
feyy (1; 2) =
f (1;002; 2)
2f (1; 2) + f (0;998; 2)
2h
1;610238392 2 1;609437912 1;608638393
= 0;00024;
0;004
f (1; 2;0015) 2f (1; 2) + f (1; 1;9985)
0;003
1;610637642 3;218875825 + 1;608237642
= 1;80333 10
0;003

luego
e (1; 2) = fexx (1; 2) + feyy (1; 2) = 0;00024

4f
1;80333
10
= 5;966667
10
es una aproximacin 4f (1; 2) = 0:

Para h = k = 0;00012; tenemos
fexx (1; 2) =
feyy (1; 2) =
con lo que
2f (1; 2) + f (0;99988; 2)
3;15 10 9
=
= 0;000013125;
2 0;00012
0;00024
f (1; 2 + k) 2f (1; 2) + f (1; 2 k)
3;3 10 9
=
= 0;00001375;
2 0;00012
0;00024
f (1;00012; 2)
e (1; 2) = fexx (1; 2) + feyy (1; 2) = 6;25

4f
10
e (1; 2) precedente. As, 4f (1; 2) ' 4f

e (1; 2) = 6;25
que es una mejor aproximacin de 4f
2.4.
10
7:
Integracin numrica
Segn la Historia de la Matemtica, fue el Clculo Integral el que primero se desarroll. Obviamente las
primeras funciones que se integraron sobre un intervalo [a; b] fueron las polinomiales: Estas son en realidad
las ms simples de integrarse. Otras funciones sencillas de integrarse son las funciones trigonomtricas seno
y coseno. Pronto aparecieron otra clase
R b de funciones continuas f que no se integran mediante funciones
elementales, el clculo de I(f ) = a f (x) dx resulta imposible (en algunos casos es posible mediante
la integracin de funciones de variable compleja), por lo que dicha integral tendr que ser aproximada
numricamente. Con este propsito, consideramos un problema ms sencillo que es el clculo de la integral
denida de un polinomio interpolante de la funcin f: Ms an, en esta seccin tratamos la frmula de
Newton-Cotes y de esta se desprenden la regla del rectngulo o conocida tambin como frmula del
punto medio, la regla del trapecio o frmula del trapecio, la regla de Simpson que son las ms utilizadas.
Obtenemos estimaciones de errores para cada una de estos mtodos y luego se generalizan a particiones
regulares del intervalo [a; b] en consideracin, lo que da lugar a las reglas generalizadas del rectngulo
Rn (f ), del trapecio Tn (f ) y de Simpson Sn (f ). Estas son aplicadas al clculo de integrales dobles sobre
regiones en las que las integrales pueden calcularse como integrales reiteradas, a tales regiones se los
denomina del tipo I o II .
La integracin de funciones que se representan como series de potencias se estudian en el siguiente
captulo.
2.4.1.
Frmula de Newton-Cotes
Rb
Se dene el funcional I sobre C ([a; b]) como sigue: I (f ) =

funcional lineal en C ([a; b]).
El operador de interpolacin de Lagrange
lineal, y
G (f ) = (I
As,
G (f ) =
k=0
f (x) dx
8f 2 C ([a; b]) : Entonces I es
es lineal. Se dene el operador G = I
: entonces G es
8f 2 C ([a; b]) :
) (f ) = I ( (f )) = I Pb = I
n
X
f (xk ) I (Pk ) =
n
X
k=0
n
X
f (xk ) Pk
k=0
f (xk )
n
X
f (xk ) I (Pk )
k=0
Pk (x) dx 8f 2 C ([a; b]) ;
que se conoce como la frmula de Newton-Cotes. De esta frmula se desprenden algunos resultados
que tratamos a continuacin.
2.4. INTEGRACIN NUMRICA
103
Frmula del rectngulo

Para n = 0, = a+b
, una particin del intervalo [a; b] construida nicamente por el punto medio. El
2
polinomio interpolante est denido como P0 (x) = 1 8x 2 [a; b] ; entonces
G (f ) = f
a+b
2
dx = (b
a+b
2
a) f
que se conoce como frmula del rectngulo para aproximar I (f ) =

Frmula de los trapecios
Rb
f (x) dx.
Para n = 1, = fa = x0 ; x1 = bg una particin del intervalo [a; b] : Una interpolante de la funcin

f est denida como v (x) = f (a) P0 (x) + f (b) P1 (x) x 2 [a; b] ; donde P0 ; P1 estn denidos
como
x b
x a
P0 (x) =
, P1 (x) =
x 2 R:
a b
b a
Resulta
I (P0 ) =
P0 (x) dx =
I (P1 ) =
P1 (x) dx =
x
a
x
b
b
b a
dx =
;
b
2
a
b a
dx =
:
a
2
Consecuentemente
G (f ) =
1
X
f (xk ) I (Pk ) = f (a)
a
2
k=0
+ f (b)
a
2
a
2
(f (a) + f (b)) :
As,
G (f ) =
(f (a) + f (b)) ;
que se conoce con el nombre de frmula de los trapecios para aproximar I (f ) =

Regla de Simpson
Para n = 2 y
a+b
2 ; x2
= a = x0 ; x1 =
f (x) dx.
b a
2 ;
es una particin de [a; b] : Una interpolante

a+b
de f est denida como v (x) = f (a) P0 (x) + f
P1 (x) + f (b) P2 (x) x 2 [a; b] donde P0 ;
2
P1 ; P2 son los polinomios de interpolacin de Lagrange. Tenemos
G (f ) =
2
X
=b ;h=
Rb
f (xk ) I (Pk ) = f (a) I (P0 ) + f
k=0
con
I (P0 ) =
P0 (x) dx =
I (P1 ) =
P1 (x) dx =
I (Pn ) =
P2 (x) dx =
a+b
2
I (P1 ) + f (b) I (P2 ) ;
(x
(x0
h
x1 ) (x x2 )
dx = ;
x1 ) (x0 x2 )
3
(x
(x1
x0 ) (x x1 )
h
dx = 4 ;
x0 ) (x1 x2 )
3
(x
(x2
x0 ) (x x1 )
h
dx = :
x0 ) (x2 x1 )
3
Luego,
G (f ) =
h
3
f (a) + 4f
a+b
2
+ f (b) ;
que se conoce como la regla de Simpson para aproximar I (f ) =
Rb
a
f (x) dx:
2.5.
Regla de los trapecios generalizada. Estimacin del error
Sea f 2 C([a; b]) y consideremos como problema (P ) el clculo de la integral I(f ) =

Sean n 2 Z+ y
Rb
a
f (x)dx:
(n) = fa = x0 ; x1 ; : : : ; xn = bg una particin de [a; b] : Se pone hj = xj
xj 1
b
a
j = 1; : : : ; n y b
h = max fhj j j = 1; : : : ; ng : Suponemos que existe
1 tal que hj
n
b a
j = 1; : : : ; n: En el caso de una particin uniforme, se tiene h =
; xj = jh j = 0; 1; : : : ; n,
n
b
h = h y = 1:
El polinomio de interpolacin de la funcin f en el j-simo subintervalo [xj
afn denotada gj y denida como sigue:
gj (x) = f (xj
1)
f (xj )
f (xj
1)
hj
(x
xj
1)
x 2 [xj
1 ; xj ]
1 ; xj [;
de [a; b] es la funcin
j = 1; : : : ; n;
La funcin interpolante g sobre [a; b] est denida como

g (x) =
n
X
f (xj ) 'j (x)
x 2 [a; b] ;
j=0
donde 'j j = 1; : : : ; n; son las funciones techo antes denidas en los interpolantes anes a trozos. Note
que g(xi ) = f (xi ) i = 0; 1; : : : ; n: En la gura siguiente se muestra la discretizacin de [a; b], la grca
de la funcin f y de la de su interpolante g.
Figura 25
Como problema (P~n ) consideramos el siguiente: I(g) =

tiene
I(g) =
n Z
X
j=1
n
X
xj
gj (x)dx =
xj
f (xj
n Z
X
j=1
1)
f (xj )
j=1
n 1
xj
xj
f (xj
1)
g(x)dx: De la denicin de la funcin g, se
f (xj )
f (xj
h
f (xj
2h
X
h
(f (a) + f (b)) + h
f (xj ):
2
j=1
Rb
1)
1)
(x
xj
1)
hX
=
[f (xj
2
1)
dx
(x
x
xj 1 )2 xjj
j=1
+ f (xj )]
2.5. REGLA DE LOS TRAPECIOS GENERALIZADA. ESTIMACIN DEL ERROR
105
La aproximacin que hemos construido se conoce con el nombre de regla de los trapecios generalizada.
Escribiremos
n
X1
h
Tn (f ) = (f (a) + f (b)) + h
f (xj );
2
j=1
As,
I(f ) =
n 1
f (x)dx ' Tn (f ) =
X
h
(f (a) + f (b)) + h
f (xj ):
2
j=1
Esta aproximacin se completa con una estimacin del error entre I(f ) y Tn (f ) que tratamos a
continuacin.
Se prueba inmediatamente que el funcional Tn de C([a; b]) en R denido como
n 1
X
h
Tn (f ) = (f (a) + f (b)) + h
f (xj )
2
j=1
8f 2 C([a; b]);
es lineal, es decir que Tn es un elemento del espacio dual de C([a; b]):

De la frmula de los trapecios generalizada para una particin uniforme se observa que para su aplicacin
se requiere disponer de la siguiente informacin: extremos del intervalo [a; b] en el que la funcin f
est denida y la propia funcin f; nmero de puntos de la particin (n) : Con esta informacin se
tiene el siguiente algoritmo de aproximacin de una integral denida mediante la regla de los trapecios
generalizada.
Algoritmo
Datos de entrada: n 2 Z+ ; a; b 2 R; funcin f:
Datos de salida: n; Tn (f ) ; mensaje.
1. Vericar a < b: Caso contrario continuar en 7).
2. Hacer h =
a
n
3. S = 0:
4. Para j = 1; : : : ; n
S = S + f (a + jh) ;
Fin de bucle j:
5. Tn (f ) =
h
(f (a) + f (b)) + hS::
2
6. Imprimir n; Tn (f ) : Continuar en 8).

7. Mensaje: a < b:
8. Fin.
Ejemplo
Sea f la funcin real denida como f (x) = x2 ex x 2 [0; 2] : Calculemos I (f ) =
y aproximemos a I (f ) mediante la regla de los trapecios generalizada Tn (f ) :
R2
0
f (x) dx =
R2
0
x2 ex dx
Primeramente calculamos el valor exacto de la integral I(f ): Aplicando el mtodo de integracin por
partes, tenemos
I (f ) =
x2 ex dx = x2 ex
2 (xex
ex )
2
0
= 2 e2
1 ' 12;7781122:

En la tabla siguiente se muestra la aplicacin del algoritmo precedente, esto es, la regla de los trapecios
generalizada para una particin uniforme del intervalo [0; 2] :
n
10
20
40
80
160
320
640
1280
Tn (f )
12;9748064291
12;8273508376
12;7904259325
12;7811908863
12;7788818859
12;7783046208
12;7781603037
12;7781242243
Error=j I (f ) Tn (f ) j
1;966942312 10 1
4;9238639741 10 2
1;2313734634 10 2
3;0786884382 10 2 :
7;6968803500 10 4
1;9242300412 10 4
4;8105813249 10 5
1;2026457201 10 5
Estimacin del error de integracin con la frmula de los trapecios

Primeramente estableceremos una estimacin del error de integracin con la frmula de los trapecios y a
continuacin usaremos este resultado para obtener una etimacin del error de integracin con la frmula
de los trapecios generalizada.
Rb
Sea f 2 C 2 ([a; b]) : Consideremos el problema I (f ) = a f (x) dx: Esta integral se aproxima con la
denominada regla de los trapecios T (f ) denida como
Z
T (f ) =
P (x) dx =
a
2
(f (a)
f (b)) ;
donde P (x) = f (a) '0 (x) + f (b) '1 (x) x 2 [a; b] es el polinomio de interpolacin de f; '0 ; '1 son los
polinomios de interpolacin de Lagrange antes denidos (vase interpolacin de Lagrange). El error de
interpolacin polinomial de Lagrange est dendo como
" (x) = f (x)
P (x) =
f 00 ( )
(x
2!
a) (x
b) x 2 [a; b] ;
2 [a; b] :
El error de integracin con la regla de los tapecios se nota "f y se dene como "f = I (f ) T (f ) : Nos
interesamos en obtener una estimacin del error "f y en una mayoracin de j "f j : De la denicin de
I (f ) y T (f ) se sigue que
"f = I (f )
T (f ) =
(f (x)
P (x)) dx =
f 00 ( )
(x
2!
a) (x
b) dx:
Sean m = m n jf 00 (x)j ; M = max jf 00 (x)j : Entonces

x2[a;b]
x2[a;b]
f 00 ( )
m
de donde
m
j(x
2
a) (x
jf 00 ( )j
j(x
2
b)j
8 2 [a; b] ;
a) (x
b)j dx
M
j(x
2
a) (x
b)j
e integrando sobre [a; b] ; resulta

m
2
j(x
a) (x
Puesto que ! (x) = (x
b)j dx
a) (x
Z
b)
jf 00 ( )j
j(x
2!
a) (x
M
2
b)j dx
j(x
0 8x 2 [a; b] ; entonces
! (x) dx =
(x
a) (x
b) dx =
a)3
(b
6
a) (x
b)j dx:
2.5. REGLA DE LOS TRAPECIOS GENERALIZADA. ESTIMACIN DEL ERROR

con lo que la desigualdad precedente se expresa como
Z b 00
m
jf ( )j
(b a)3
j(x a) (x
12
2
a
y de esta a su vez se obtiene la siguiente:
Z b 00
12
jf ( )j
m
j(x
3
2
(b a) a
b)j dx
a) (x
M
(b
12
b)j dx
a)3 ;
M:
Por el teorema del valor intermedio (vase en Calculus I de Apostol, pgina 177), existe
Z b 00
jf ( )j
12
00
f ( ) =
j(x a) (x b)j dx
3
2
(b a) a
con lo cual
Consecuentemente
j"f j = jI (f )
T (f )j =
(b
En conclusin, j"f j
2 [a; b] ; y como jf 00 ( )j
jf 00 ( )j
j(x
2
f 00 ( )
(x
2
a) (x
a) (x
b)j dx =
b) dx
(b
107
2 [a; b] tal que
a)3 00
f ( ) :
12
jf 00 ( )j
j(x
2
a) (x
b)j dx
(b
a)3 00
f ( ) :
12
a)3 00
jf ( )j para algn
2 [a; b] : En la prctica resulta difcil obtener
12
M
M se sigue que j"f j
(b a)3 :
12
Obtengamos una estimacin del error para la frmula de los trapecios generalizada.
Sea n 2 Z+ y
(n) = fx0 = a; x1 ; : : : ; xn = bg una particin del intervalo [a; b] con xi 1 < xi ;

b a
hi = xi xi 1 i = 1; : : : ; n; b
h = max hi : Suponemos que existe
1 tal que hi
i = 1; : : : ; n:
i=1;:::;n
n
A las particiones que satisfacen esta propiedad se les conoce como particiones regulares. En el caso de
b a
una particin uniforme se tiene h = hi =
i = 1; 2; : : : ; n; = 1:
n
La frmula de los trapecios generalizada est denida como
n 1
Tn (f ) =
X
h
(f (a) + f (b)) + h
f (xk ) :
2
k=1
Note que el polinomio de interpolacin de f de grado 1 en el k-simo subintervalo [xk

denido como
f (xk ) f (xk 1 )
Pk (x) = f (xk 1 ) +
(x xk 1 ) x 2 [xk 1 ; xk ] ;
hk
consecuentemente
n Z xk
n
X
X1
h
Tn (f ) =
Pk (x) dx = (f (a) + f (b)) + h
f (xk ) :
2
xk 1
k=1
1 ; xk ]
de [a; b] est
k=1
El error de integracin con la frmula de los trapecios generalizada se nota "f y se dene como
"f = I (f ) Tn (f ) :
Apliquemos el error de integracin con la regla de los trapecios a cada intervalo [xk 1 ; xk ] k = 1; : : : ; n:
Resulta
n Z xk
n Z xk
n Z xk
X
X
X
"f = I (f ) Tn (f ) =
f (x) dx
Pk (x) dx =
[f (x) Pk (x)] dx
=
n Z
X
k=1
xk
xk
f 00 (
k)
k=1
xk
(x
xk
k=1
1 ) (x
xk ) dx;
xk
k=1
xk

y
2 [xk
1 ; xk ]
k = 1; : : : ; n:
De la estimacin del error de integracin con la regla de los trapecios antes obtenida, resulta
j"f j = jI (f )
n Z
X
Tn (f )j =
xk
1
a
n
jf 00 (
k )j
3
1)
f 00 (
xk
k) =
n
X
h3
f 00 (
k=1
f 00 ( k )
(x
2
1 ) (x
12
k)
xk
1 ) (x
xk ) dx
xk )j dx
n
X
h3
k=1
k = 1; 2; : : : ; n; entonces h3k
j"f j
Adems, m
j f 00 ( k ) j
j(x
2
xk
12
k=1
xk
xk
k=1
k=1 xk
n
X
(xk
Puesto que hk
n Z
X
12
f 00 (
k)
hk b
h2
n
n
a b2
h ; luego
ab
h2 X 00
f (
n 12
k)
k=1
k = 1; : : : ; n; de donde
n
1 X 00
f (
n
k)
M;
k=1
y por el teorema del valor intermedio, existe
j"f j
pus hk
a
n
2 [a; b] tal que jf 00 ( )j =
ab
h2 X 00
f (
n 12
k)
(b a) b 2 00
h f ( )
12
k=1
k = 1; 2; : : : ; n; b
h = max hk
En el caso de una particin uniforme se tiene

j"f j
k=1;:::;n
n
1 P
jf 00 (
n k=1
k )j ;
con lo cual
(b a) b 2
M h ! 0;
h!0
12
!0:
n !1
=1yb
h = h: entonces
a
12
M h2 ! 0:
h!0
En cualquiera de los casos, el mtodo de integracin aproximado de los trapecios generalizado es

convergente, esto es
Tn (f ) ! I (f ) :
n!1
2.6.
Regla de Simpson generalizada
Sean f 2 C ([a; b]) ; n 2 Z+ con n > 1 y (n) = fx0 = a; x1 ; : : : ; xn = bg una particin del intervalo [a; b] ;
esto es xi 1 < xi i = 1; : : : ; n; hi = xi xi 1 ; i = 1; : : : ; n; b
h = max fhi j i = 1; : : : ; ng : En el caso de
b a
una particin uniforme, se dene h =
y xj = a + jh j = 0; 1; : : : ; n; entonces b
h = h: Suponemos
n
b a
que existe
1 tal que hi
i = 1; : : : ; n: A las particiones que satisfacen esta propiedad,
n
como ya hemos dicho anteriormente, se les conoce como particiones regulares. En el caso de la particin
uniforme se tiene = 1:
Consideramos el k-simo intervalo [xk 1 ; xk ] k = 1; 2; : : : ; n y aplicamos la regla de Simpson a este
intervalo. Tenemos
hk
xk 1 + xk
Ik =
f (xk 1 ) + 4f
+ f (xk ) :
6
3
2.6. REGLA DE SIMPSON GENERALIZADA
109
Luego
Sn (f ) =
n
X
Ik =
k=1
n
X
hk
k=1
f (xk
1)
+ 4f
xk
+ xk
2
+ f (xk ) ;
se llama frmula de Simpson generalizada.

Se prueba inmediatamente que jados n 2 Z+ con n > 1 y (n) una particin regular del intervalo [a; b];
n h
P
xk 1 + xk
k
el funcional Sn de C ([a; b]) en R denido como Sn (f ) =
f (xk 1 ) + 4f
+ f (xk )
2
k=1 6
es lineal.
En el caso de una particin uniforme, se tiene
Sn (f ) =
n
X
Ik =
k=1
n
X
h
k=1
hX
[f (xk
6
f (xk
1)
h
h
(f (a) + f (b)) +
6
3
xk
n
1 ) + f (xk )] +
k=1
+ 4f
4h X
f
6
+ xk
2
xk
k=1
2 X
f (xk ) + h
f
3
k=1
+ xk
2
k=1
n
X1
+ f (xk )
xk
+ xk
2
De la frmula de Simpson generalizada para una particin uniforme se observa que para su aplicacin se
requieren de los siguientes datos: nmero de puntos de la particin (n) ; extremos del intervalo [a; b] en
el que la funcin f est denida y la propia funcin f . Con esta informacin se tiene el siguiente algoritmo
de aproximacin de una integral denida mediante el mtodo de Simpson con la frmula generalizada.
Algoritmo
Datos de entrada: n 2 Z+ ; a; b 2 R; funcin f:
Datos de salida: n; Sn (f ) ; mensaje.
1. Vericar a < b: Caso contrario continuar en 9)
2. Hacer h =
a
n
3. S1 = 0:
4. S2 = 0:
5. Para j = 1; : : : ; n
S1 = S1 + f (a + jh) ;
S 2 = S2 + f
a+ j
1
2
h :
Fin de bucle j:
6. S2 = S2 + f
7. Sn (f ) =
a+ n
1
2
h :
h
h
2h
(f (a) + f (b)) + S1 +
S2 :
6
3
3
8. Imprimir n; Sn (f ) : Continuar en 10).

9. Mensaje: a < b:
10. Fin.
Ejemplo

Sea f la funcin real denida como f (x) = x2 ex x 2 [0; 2] : Calculemos I (f ) =
y aproximemos a I (f ) mediante la frmula de Simpson generalizada Sn (f ).
f (x) dx =
x2 ex dx
Aplicando el mtodo de integracin por partes, tenemos

I (f ) =
x2 ex dx = x2 ex
2 (xex
ex )
2
0
= 2 e2
1 ' 12;7781122:
Esta integral ya fue calculada en la seccin precedente y fue aproximada con la regla de los trapecios
generalizada. En la tabla siguiente se muestra la aplicacin del algoritmo precedente, esto es, la frmula
de Simpson generalizada para una particin uniforme del intervalo [0; 2] :
n
10
20
40
80
160
Sn (f )
12;7781989738
12;7781176308
12;7781125376
12;7781122191
12;7781121992
Error :j I (f ) Sn (f ) j
8;677590441 10 5
5;4329327987 10 6
:
3;3970602331 10 7
2;123393727516 10 8
1;3271588273 10 9
Comparando estos resultados con los obtenidos con la frmula de los trapecios generalizada podemos
constatar que con la regla de Simpson generalizada se tiene una convergencia cuadrtica mientras que
con la de los trapecios generalizada se tiene nicamente una convergencia del tipo lineal. Obviamente que
con la frmula de Simpson generalizada se realizan n evaluaciones adicionales de la funcin f que las que
se realizan en la de los trapecios generalizada.
2.7.
Estimacin del error en la regla de Simpson
Supongamos f 2 C 4 ([a; b]) : Ponemos I (f ) =

Simpson G (f ) arriba denida como
G (f ) =
Rb
a
f (x) dx: Para aproximar I (f ) aplicamos la regla de
f (a) + 4f
b+a
2
+ f (b) ;
y denotamos con "f el error de aproximacin cometido entre la solucin exacta I (f ) y su valor aproximado
G (f ) ; esto es, "f = I (f ) G (f ) : Determinemos "f :
i) Recordemos que si f (x) es un polinomio de grado 2; entonces f (x) se escribe como
a+b
2
f (x) = f (a) '0 (x) + f
'1 (x) + f (b) '2 (x)
x 2 [a; b] ;
donde '0 ; '1 ; '2 son los polinomios de interpolacin de Lagrange antes denidos (vase la seccin
Rb
interpolacin polonomial). Resulta que I (f ) = a f (x) dx = G (f ) ; y
"f =
f (x) dx
G (f ) = 0:
ii) Mostremos que si f es un polinomio de grado 3, tambin se tiene "f = 0: En efecto, de la frmula del
error de interpolacin de Lagrange tenemos
" (x) = f (x)
y
2 ]a; b[ :
P (x) =
f 000 ( )
(x
3!
a) x
a+b
2
(x
b)
x 2 [a; b]
2.7. ESTIMACIN DEL ERROR EN LA REGLA DE SIMPSON

Sea t =
a
h
con h =
a
2
111
; entonces
" (x) = h2 t (t
1) (t
2)
f 000 ( )
:
3!
Puesto que f es un polinomio de grado 3, f 000 (x) es una constante, sea f 000 (x) = c
Z
" (x) dx =
(f (x)
a
h2 c
3!
P (x)) dx =
h2 t (t
1) (t
2)
t (t
h2 c
2) dt =
3!
1) (t
Por lo tanto
"f = I (f )
G (f ) =
f (x) dx
P (x) dx =
c
dt
3!
2
1 4
t
4
8x 2 [a; b] : Resulta
t +t
= 0:
0
" (x) dx = 0:
iii) Sea f 2 C 4 ([a; b]) cualquiera. El resultado que acabamos de obtener en la parte ii) muestra que la
frmula de cuadratura dada por la regla de Simpson es exacta para polinomios de grado 3; por lo que
podemos construir un polinomio de interpolacin de grado 3 que mejore la precisin de I (f ) : Busquemos
un polinomio P de grado 3 que verique las siguientes condiciones:
P (a) = f (a) ;
a+b
2
a+b
2
=f
a+b
2
P0
P (b) = f (b) ;
Sea Q el polinomio de interpolacin de f que pasa por los puntos (a; f (a)) ;
= f0
a+b
2
a+b
;f
2
:
a+b
2
(b; f (b)) ; es decir que

a+b
2
Q (x) = f (a) '0 (x) + f
'1 (x) + f (b) '2 (x)
x 2 [a; b] ;
donde '0 ; '1 ; '2 son lo plinomios de interpolacin de Lagrange.

Se dene P (x) = Q (x) + ! (x)
x 2 [a; b] ; donde
2 R se debe determinar por la condicin
a
+
b
a
+
b
a+b
P0
= f0
; y ! es la funcin denida como ! (x) = (x a) x
(x b)
2
2
2
x 2 [a; b] :
De la denicin de P , es claro que
P (a) = f (a) ;
a+b
2
a+b
2
=f
P (b) = f (b) :
Derivando la funcin P; se tiene P 0 (x) = Q0 (x) + ! 0 (x) con

! 0 (x) = (x
a+b
2
a) x
+ (x
a) (x
a+b
2
b) + x
Entonces
!
P0
Puesto que
a+b
2
a+b
2
= Q0
2 R es tal que P 0
=
a+b
2
a+b
2
f0
a+b
2
a+b
2
+ !0
= f0
a+b
2
a+b
2
a+b
2
= Q0
= Q0
; entonces
a+b
2
(b
a)2
(b
4
a+b
2
(x
b) :
;
(b
a)2 :
2 R satisface la igualdad
a)2 ;

lo que a su vez permite elegir
a+b
2
(b
f0
=
como sigue:
a)
4
(b
Se verica inmediatamente que P 0
Q0
a)
a+b
2
entonces
P 0 (x) = Q0 (x) +
a+b
2
Q0
(b
a)
a+b
2
= f0
a+b
2
f0
a+b
2
a+b
2
Q0
f0
! (x)
a+b
2
x 2 [a; b] :
Determinemos el error de interpolacin " (x) para este polinomio de interpolacin, esto es " (x) =
f (x) P (x) x 2 [a; b] : Con este propsito denimos la funcin siguiente:
(t) = u (x) [f (t)
donde x 2 [a; b] es jo y u (t) = (t
Puesto que P (a) = f (a) ;
P (t)]
= f
P (x)]
t 2 [a; b] ;
a+b
2
a) t
a+b
2
u (t) [f (x)
(t
b) :
a+b
2
P (b) = f (b) ; se verica inmediatamente
a+b
= (b) = (x) = 0: As, la funcin tiene cuatro races en el intervalo [a; b] :
2
Por el teorema de Rolle (vase en Calculus I de Apostol, pgina 224), 0 (t) tiene cuatro races, pus en
a+b
t=
tambin se anula; 00 (t) tiene tres races, 000 (t) tiene dos races, iv (t) tiene una raz y sea
2
2 [a; b] tal que iv ( ) = 0: Puesto que
que
(a) =
iv
(t) = u (x) f iv (t)
P iv (t)
uiv (t) [f (x)
P (x)] t 2 [a; b] :
De la denicin del polinomio P se tiene P iv (t) = 0; de la denicin del polinomio u; uiv (t) = 4!:
Entonces
iv
(t) = u (x) f iv (t)

0 =
iv
4! (f (x)
iv
( ) = u (x) f ( )
P (x)) ;
4! (f (x)
P (x)) ;
de donde
f iv ( )
u (x) x 2 [a; b] :
4!
Calculemos el error de integracin def usando la frmula de cuadratura dada por la regla de Simpson:
" (x) = f (x)
P (x) =
"f = I (f )
G (f ) :
Como f 2 C 4 ([a; b]) ; sea M = max f iv (x) ; m = m n f iv (x) : Entonces

x2[a;b]
"f =
x2[a;b]
" (x) dx =
Adems, m
f iv ( )
M y
f iv ( )
u (x) dx:
4!
depende de x; en consecuencia
f iv ( )
ju (x)j
4!
u (x)
m
4!
M
ju (x)j
4!
e integrando sobre el intervalo [a; b] se obtiene la siguiente desigualdad

m
4!
ju (x)j dx
f iv ( )
ju (x) dxj
4!
M
4!
ju (x)j dx:
2.7. ESTIMACIN DEL ERROR EN LA REGLA DE SIMPSON

Rb
Para calcular
u (x) dx realizamos el siguiente cambio de variable: t =
u (x) = (x
Luego
u (x) dx = h
2t
t4
u (x) x 2 [a; b] con lo que
Resulta que
Z
a
2
: Tenemos
2)
4 5
h ;
15
2t dt =
m 4 5
h
4! 15
h5
m
90
t 2 [0; 2] :
4t3 + 5t2
0 8x 2 [a; b] ; entonces ju (x)j =
con h =
1)2 (t
b) = h4 t (t
(x
4t3 + 5t2
a+b
2
a) x
= h 4 t4
y siendo u (x)
113
f iv ( )
ju (x) dxj
4!
1 iv
f ( ) u (x) dx
4!
M 4 5
h ;
4! 15
h5
M ;
90
1 iv
f ( ) u (x) dx
4!
M:
Rb
a
ju (x)j dx =
4 5
h :
15
y de esta desigualdad se obtiene la siguiente:

90
h5
Aplicando el teorema del valor intermedio, existe

90
f ( ) = 5
h
iv
2 [a; b] tal que
1 iv
f ( ) u (x) dx;
4!
de donde
j"f j = jI (f )
Puesto que h =
a
2
G (f )j =
1 iv
f ( ) u (x) dx
4!
1 iv
h5 iv
f ( ) u (x) dx =
f ( ) :
4!
90
; entonces
j"f j
(b a)5 iv
f ( )
2880
M
(b
2880
a)5 :
Aplicamos este resultado para estimar el error en la aproximacin de I (f ) mediante la frmula de Simpson
generalizada, que se trata a continuacin.
Error de aproximacin con la frmula de Simpson generalizada
Sean n 2 Z+ ; (n) una particin del intervalo [a; b] con xk
b
h = max hk : Entonces, para cada k = 1; : : : ; n se tiene
< xk
k = 1; : : : ; n; hk =
1
(xk
2
xk
1) ;
k=1;:::;n
(xk
(k)
"f
con
2 [xk
1 ; xk ] ;
Mk =
max
x2[xk
1 ;xk ]
xk 1 )5 iv
f (
2880
k)
Mk
(xk
2880
xk
5
1) ;
f iv (x) :
Adems,
"f = I (f )
Sn (f ) =
n Z
X
k=1
xk
xk
f (x) dx
1
n Z
X
k=1
xk
xk
Gk (f ) dx =
1
n Z
X
k=1
xk
xk
(f (x)
1
G (x)) dx =
n
X
k=1
(k)
"f ;

xk
xk 1
f (xk 1 ) + 4f
6
aplicada a cada intervalo [xk 1 ; xk ] ; y
donde Gk (f ) =
(k)
"f
xk
+ xk
3
xk
(f (x)
xk
(xk
G (f )) dx
+ f (xk )
k = 1; : : : ; n; es la regla de Simpson
xk 1 )5 iv
f (
2880
Mk
(xk
2880
k)
xk
5
1) :
Entonces
j"f j = jI (f )
Sn (f )j
Puesto que m
f iv (
n
X
n
X
(xk
(k)
"f
k=1
k)
k=1
xk )5 iv
f (
2880
1
k) =
n
X
h5
f iv (
k=1
90
k)
n
b
h5 X iv
f (
90
k)
k=1
k = 1; : : : ; n; se sigue que
n
X
nm
f iv (
nM
k)
k=1
y por el teorema del valor intermedio, existe
2 [a; b] tal que
1 X iv
f (
n
k)
= f iv ( ) ;
k=1
luego
n
b
h5 X iv
f (
90
k)
k=1
As,
n b 5 iv
h f ( )
90
n b5
h M:
90
n b5
n b 5 iv
h f ( )
h M:
90
90
b a
se tiene la siguiente estimacin del error de
En el caso de una particin uniforme, b
h = h =
2n
integracin:
j"f j
j"f j
n 5 iv
n b a iv
b a 4 iv
h f ( ) = h4
h f ( )
f ( ) =
90
90
2n
2n
(b
a) M 4
h ;
180
y de esta estimacin resulta

j"f j =
f (x) dx
Sn (f )
(b
o lo que es lo mismo l m Sn (f ) =
n!1
a) M 4
h ! 0:
h!0
180
f (x) dx; que muestra que el mtodo de integracin mediante la
frmula de Simpson generalizada es convergente.

En el caso de la estimacin
j"f j =
f (x) dx
Sn (f )
n b5
h M;
90
con b
h = max hk ; se requiere de una hiptesis suplementaria sobre cada hk ; esto es, la particin del
k=1;:::;n
intervalo [a; b] debe ser regular, es decir que existe

1 tal que hk
b a
b
h
y en consecuencia
2n
Z b
b a b4
j"f j =
f (x) dx Sn (f )
h M
190
a
que prueba la convergencia del mtodo de integracin numrica.
2n
! 0;
n!1
k = 1;
; n ; entonces
2.8. INTEGRALES DOBLES
2.8.
Sea
115
Integrales dobles
un subconjunto cerrado y acotado de R2 y f 2 C( ). Se desea calcular I(f ) =
RR
f (x; y)dxdy:
En el caso de dominios sencillos como un disco o un rectngulo y funciones f aparentemente simples,

el clculo de I(f ) puede resultar muy dicultoso y en muchas situaciones imposible, ms an, para
dominios muy generales y funciones que no se integran mediante funciones elementales, el clculo de
I(f ) resulta imposible, por lo que dicha integral tendr que ser aproximada numricamente. Con este
propsito, consideramos las regiones o dominios de los tipos I y II que se indican a continuacin.
1. Sea [a; b] un intervalo cerrado de R: Se dice que
= (x; y) 2 R2 j '1 (x)
es una regin o dominio del tipo I si

y
'2 (x); x 2 [a; b] ;
donde '1 ; '2 son funciones continuas en [a; b] tales que '1
regin del tipo I:
'2 : En la gura siguiente se muestra una
Figura 26
2. Sea [c; d] un intervalo cerrado de R: Se dice que

= (x; y) 2 R2 j
donde
regin
1 (y)
es un dominio o regin del tipo II si

x
1;
2 son funciones continuas en [c; d] tales que

del tipo II:
2 (y);
1
2:
y 2 [c; d] ;
En la gura siguiente se muestra una
Figura 27
Los dominios
muy complejos pueden descomponerse en forma apropiada en subdominios que
correspondan a uno de estos tipos precisados, por lo que el clculo aproximado de I(f ) se reduce al
clculo de la integral doble de la funcin f sobre cada subdominio de la descomposicin de
que se
haya establecido. Por otro lado, para dominios como un rectngulo o regiones del plano del tipo I o II
puede aplicarse la regla de los trapecios generalizada, la regla de Simpson generalizada. Nos limitamos a
la aplicacin de la regla de los trapecios para regiones del tipo I. Para regiones del tipo II se procede
en forma muy similar. Igualmente la aplicacin de la regla de Simpson generalizada se aplica en forma
muy parecida a la de los trapecios generalizada.
Sea
2 R2 una regin del tipo I; esto es,

= (x; y) 2 R2 j '1 (x)
'2 (x)
x 2 [a; b] ;

donde '1 ; '2 son funciones continuas en [a; b] tales que '1 (x) '2 (x) 8x 2 [a; b] :
RR
Sea f 2 C ( ) e I (f ) =
f (x; y) dxdy: esta integral lo expresamos como una integral reiterada siguiente:
I (f ) =
Denimos g (x) =
y='2 (x)
f (x; y) dy dx:
y='1 (x)
y='2 (x)
f (x; y) dy
x 2 [a; b] : Entonces I (f ) =
y='1 (x)
Rb
a
g (x) dx: Apliquemos la frmula
de los trapecios generalizada con una particin uniforme del intervalo [a; b] : Para el efecto, sea n 2 Z+ :
b a
Ponemos h =
; xj = a + h j = 0; 1; : : : ; n: La regla de los trapecios generalizada para aproximar
n R
b
la integral I (f ) = a g (x) dx se escribe como sigue:
n 1
X
h
Tn (g) = (g (a) + g (b)) + h
g (xj ) :
2
j=1
Adems, de la denicin de la funcin g se tiene

Z
g (a) =
'2 (a)
f (a; y) dy;
'1 (a)
g (xj ) =
'2 (xj )
f (xj ; y) dy
j = 1; : : : ; n
1;
'1 (xj )
g (b) =
'2 (b)
f (b; y) dy:
'1 (b)
Todas estas integrales las expresaremos en la forma

Ij (f ) =
'2 (xj )
f (xj ; y) dy
j = 0; 1; : : : ; n;
'1 (xj )
las mismas que a su vez pueden ser aproximadas con la regla de los trapecios generalizada como se
muestra a continuacin.
Sea m 2 Z+ : Se deine hj =
(j)
Tm
(f )
hj
=
2
1
(' (xj )
m 2
'1 (xj )) y yk = '1 (xj ) + khj
f (xj ; '1 (xj )) + f (xj ; '2 (xj )) + hj
m
X1
k = 0; 1; : : : ; m: Entonces
!
f (xj ; yk )
k=1
j = 0; 1; : : : ; n;
(j)
en consecuencia. Ij (f ) ' Tm (f ) ; y
n 1
Tn (g) '
X
h
(0)
(n)
(j)
Tm
(f ) + Tm
(f ) + h
Tm
(f ) :
2
I (f ) '
X
h
(0)
(n)
(j)
Tm
(f ) + Tm
(f ) + h
Tm
(f ) :
2
j=1
As,
n 1
j=1
nP1
h
(0)
(n)
(j)
Tm (f ) + Tm (f ) + h
Tm (f ) que es la formulacin de la regla de los
2
j=1
trapecios generalizada para regiones del tipo I: Esta es una forma lineal en C ( ) :
Ponemos Tmn (f ) =
Mediante un procedimiento similar se establece la formulacin de la regla de los trapecios generalizada

para regiones del tipo II; la misma que se propone como ejercicio.
117
Para elaborar el algoritmo para el clculo aproximado de una integral doble de una funcin sobre una
regin del tipo I con la regla de los trapecios generalizada requiere de la siguiente informacin: intervalo
[a; b] y en consecuencia los extremos a y b de dicho intervalo, las funciones continuas '1 ; '2 en [a; b] de
modo que '1 (x)
'2 (x) x 2 [a; b] ; la funcin continua a integrar f denida en ; el nmero de
puntos n de la particin uniforme del intervalo [a; b] que lo llamaremos particin horizontal, el nmero de
puntos m de la particin del intervalo ['1 (xj ) ; '2 (xj )] j = 0; 1; : : : ; n a la que lo llamaremos particiones
verticales.
Algoritmo
Datos de entrada: m; n 2 Z+ ; a; b 2 R; funciones '1 ; '2 ; f:
Datos de salida: Tmn (f ) ; mensaje.
1. Vericar a < b; caso contrario continuar en 7).
2. h =
a
n
3. S = 0:
4. Para j = 0; : : : ; n
xj = a + jh
hj =
1
m
('2 (xj )
'1 (xj ))
S1 = 0
Para k = 1; : : : ; m
yk = '1 (xj ) + khj

S1 = S1 + f (xj ; yk )
Fin de bucle k:
S1 = hjS1 + 21 hj (f (xj ; '1 (xj )) + f (xj ; '2 (xj )))
Si j = 0;
z1 = S1 :
Si j = n;
z2 = S 1 :
Si 0 < j < n;
S = S + S1
Fin de bucle j:
5. S = 21 h (z1 + z2 ) + hS:
6. Imprimir Tmn (f ) = S: Continuar en 8).
7. Mensaje: a < b:
8. Fin.
Ejemplos
R1 R1
1. Consideremos el problema (P ) siguiente: I = 0 0 yexy dx dy: Notemos que I podemos calcularlo
exactamente. Pus
Z 1 Z 1
Z 1
Z 1
1
xy
xy 1
I=
ye dx dy =
e j0 dy =
(ey 1)dy = ey y = e 2 ' 0;718281828:
0

Apliquemos la regla de los trapecios generalizada para aproximar I. Para el efecto, sean m =
1
5; hx = m
= 0;2; xj = jhx ; j = 0; 1; : : : ; 5; n = 5; hy = n1 = 0;2; yk = khy ; k = 0; 1; : : : ; 5; y
R1
R1
denimos la funcin g como sigue: g(y) = 0 yexy dx: Se tiene I = 0 g(y)dy y utilizando la frmula
de los trapecios generalizada, resulta
I(g) =
g(y)dy '
hy
(g(0) + g(1)) + hy (g (0;2) + g (0;4) + g (0;6) + g (0;8) :
2
Calculemos g(yk ) para k = 0; 1; : : : ; 5; y aproximemos usando la regla de los trapecios generalizada.

Tenemos los siguientes resultados:
g(0) = 0;
g(0;2) =
g(0;4) =
0;2e0;2x dx ' 0;1 0;2 1 + 2 e0;04 + e0;08 + e0;12 + e0;16 + e0;2
g(0;6) =
g(0;8) =
g(1) =
' 0;2214322787;
0;4e0;4x dx ' 0;1 0;4 1 + 2 e0;08 + e0;16 + e0;24 + e0;32 + e0;4
' 0;492086976;
0;6e0;6x dx ' 0;1 0;6 1 + 2 e0;12 + e0;24 + e0;36 + e0;48 + e0;6
' 0;8231051064;
0;8e0;8x dx ' 0;1 0;8 1 + 2 e0;16 + e0;32 + e0;48 + e0;64 + e0;8
' 1;228154301;
ex dx ' 0;1 1 + 2 e0;2 + e0;4 + e0;6 + e0;8 + e ' 1;72400562:
Luego, utilizando la frmula de los trapecios generalizada, resulta

I ' 0;1(g(0) + g(1)) + 0;2[g(0;2) + g(0;4) + g(0;6) + g(0;8)] ' 0;7253562942:
En la tabla siguiente se muestran los resultados de la aplicacin del algoritmo para diferentes valores
de m = n, y la estimacin del error.
n
5
10
20
40
80
160
320
640
1280
2560
m
5
10
20
40
80
160
320
640
1280
2560
Tmn (f )
7;2535629421
7;2003851477
7;1872025130
7;1839138732
7;1830921525
7;1828867497
7;1828354008
7;1828225636
7;1828193543
7;1828185520
10
10
10
10
10
10
10
10
10
10
1
1
1
1
1
1
1
1
1
1
Error: jI (f ) T mn (f )j
7;074465748 10 3
1;7566863064 10 3
4;3842284012 10 4
1;0955886528 10 4
2;7386787759 10 5 :
6;8465138930 10 6
1;7116170327 10 6
4;2790354282 10 7
1;0697584074 10 7
2;6743957271 10 8
R 2 R x2
2. Calculemos la integral doble I = 1 x x2 + xy + y 2 dxdy: Para el efecto, primeramente
identicamos el tipo de regin
sobre la que tenemos que integrar la funcin f denida como
2
2
f (x; y) = x + xy + y : Tenemos = (x; y) 2 R2 j x y x2 x 2 [1; 2] que corresponde a una
regin del tipo I: Ponemos '1 (x) = x; '2 (x) = x2 x 2 [1; 2] : En la gura siguiente se muestra el

dominio
119
Figura 28
Calculemos I exactamente. Tenemos
Z
I =
2 Z x2
(x + xy + y )dxdy =
1
1
x y + xy 2 + y 3
2
3
1
1
x4 + x5 + x6
2
3
1
I = 10;62261904 : : :
=
x2
dx =
x2
(x + xy + y )dy dx
11 3
x dx =
6
1
1
x4 + x5 + x6
2
3
1 5
1
1
x + x6 + x7
5
12
21
x3
1 3
x
2
11 4
x
24
1 3
x dx
3
2
=
1
8923
;
840
R2
x 2 [1; 2]. Entonces I = 1 g(x)dx: Apliquemos el mtodo
2 1
de los trapecios generalizada con m = 5: Sea hx =
= 0;2; xj = 1 + jhx = 1 + 0;2j para
5
j = 0; 1; 2; 3; 4; 5: Luego
Sea g(x) =
R x2
x
(x2 + xy + y 2 )dy
5
hx X
[g(xj
I'
2
1)
+ g(xj )] =
j=1
hx
(g(1) + g(2)) + hx (g(1;2) + g(1;4) + g(1;6) + g(1;8));
2
donde
Z
g(1) =
(x + y + y )dy = 0;
g(1;4) =
1;41
1;2
1;96
(1;96 + 1;4y + y )dy;
1;4
Z 3;24
g(1;8) =
g(1;2) =
(3;24 + 1;8y + y )dy;
1;8
g(1;6) =
g(2) =
(1;44 + 1;2y + y 2 )dy;

2;56
(2;56 + 1;6y + y 2 )dy;
1;6
4
(4 + 2y + y 2 )dy:
Apliquemos nuevamente el mtodo de los trapecios para aproximar g(xj ); j = 1; : : : ; 5:

Sea n = 5; hj =
g(xj ) '
=
x2j
xj
5
y yx = xj + khj ; k = 0; 1; : : : ; 5, luego
5
hj X
[f (xj ; yx
2
1)
+ f (xj ; yx )]
k=1
hj
[f (xj ; y0 ) + f (xj ; y5 )] + hj [f (xj ; y1 ) + f (xj ; y2 ) + f (xj ; y3 ) + f (xj ; yy )] ;
2
donde f (xj ; y) = x2j + xj y + y 2 = x2j + y(xj + y):

Para j = 1, h1 = 0;048; yx = 1;2 + kh1 k = 0;
; 5; los puntos yx de la particin vertical son
yx = 1;2; 1;248; 1;296; 1;344; 1;392; 1;44: La funcin f en el punto (1;2; y) est denida como:
f (1;2; y) = 1;44 + y(1;2 + y);
luego para y = yx = 1;2; 1;248; 1;296; 1;344; 1;392; 1;44; se obtienen los siguientes resultados:
f (1;2; 1;2) = 4;32;
f (1;2, 1;248) = 4;495104;
f (1;2; 1;344) = 4;859136;
f (1;2, 1;296) = 4;674816;
f (1;2; 1;392) = 5;048064;
f (1;2; 1;44) = 5;2416;
y por la regla de los trapecios generalizada y la denicin de g(1;2), resulta

g(1;2) ' 0;021
9;5116 + 0;048
19;07712 = 1;14518016:
1;4
= 0;112; yx = 1;4 + kh2 k = 0;
; 5; los puntos yx de la
5
particin vertical son yx = 1;4; 1;512; 1;624; 1;736; 1;848; 1;96. La funcin f en el punto (1;4; y)
est denida como:
f (1;4, y) = 1;96 + y(1;4 + y);
Para j = 2; x2 = 1;4; h2 =
1;96
y en consecuencia para y = yx = 1;4; 1;512; 1;624; 1;736; 1;848; 1;96, se tiene

f (1;4; 1;4) = 5;88;
f (1;4; 1;512) = 6;362944;
f (1;4; 1;736) = 7;404056;
f (1;4; 1;624) = 6;870976;
f (1;4; 1;848) = 7;962304;
f (1;4; 1;96) = 8;5456;
por la regla de los trapecios generalizada y la denicin de g(1;4), resulta

g(1;4) ' 0;056
2;56
14;4256 + 0;112
28;60032 = 4;01106944:
1;6
= 0;192; yx = 1;6 + kh3 k = 0;

; 5; los puntos de la
5
particin vertical son yx = 1;6; 1;792; 1;984; 2;176; 2;368; 2;56: La funcin f en el punto (1;6; y)
est denida como:
f (1;6; y) = 2;56 + y(1;6 + y);
Para j = 3; x3 = 1;6; h3 =
y para y = yx = 1;6; 1;792; 1;984; 2;176; 2;368; 2;56; se obtienen los siguientes resultados
f (1;6; 1;6) = 7;68;
f (1;6; 1;792) = 8;638464;
f (1;6; 2;176) = 10;776576;
f (1;6; 1;984) = 9;679656;
f (1;6; 2368) = 11;956224;
f (1;6; 2;56) = 13;2096:
Por la regla de los trapecios generalizada y la denicin de g(1;6), se obtiene

g(1;6) ' 0;096
20;8896 + 0;192
41;04192 = 9;88545024:
3;24 1;8
Procediendo como en los casos enteriores, para j = 4; x4 = 1;8; h4 =
= 0;288; los puntos
5
de la particin vertical son: yx = 1;8; 2;088; 2;376; 2;664; 2;952; 3;24: La funcin f en el punto
(1;8; y) est dada como:
f (1;8; y) = 3;24 + y(1;8 + y);
f (1;8; 1;8) = 9;72;
f (1;8; 2;088) = 11;358144;
f (1;8; 2;664) = 15;132096;

g(1;8) ' 0;144
f (1;8; 2;952) = 17;267904;

29;2896 + 0;288
Finalmente, para j = 5; x5 = 2; h5 =
(1;2; y) est dada como:
f (1;8; 2;376) = 13;162176;
2
5
f (1;8; 3;24) = 19;5696;
56;92032 = 20;61075456:
= 0;4; yx = 2; 2;4; 2;8; 3;2; 3;6; 4; y f en el punto
f (2; y) = 4 + y(2 + y);
2.9. EJERCICIOS
121
entonces
f (2; 2) = 12;
f (2; 2;4) = 14;56;
f (2; 3;2) = 20;64;
f (2; 3;6) = 24;16;
f (2; 2;8) = 17;44;

f (2; 4) = 28;
y en consecuencia, por la regla de los trapecios generalizada y la denicin de g(2) resulta.

g(2) ' 0;2
40 + 0;4 76;8 = 38;72:

R 2 R x2
El valor aproximado de la integral doble I = 1 x x2 + xy + y 2 dxdy mediante la aplicacin de
la regla de los trapecios generalizada Tmn (f ) a la regin del tipo I con m = n; es:
Tmn (f ) = 0;1
38;72 + 0;2
35;6524544 = 11;00249088:
Este ejemplo pone de maniesto dos aspectos: el volumen de clculos a ejecutar y la precisin del
clculo. El primero conduce a la elaboracin de un programa computacional y el segundo a una
discretizacin ms na que permita mejorar la precisin. Este segundo punto se lo alcanza con la
ejecucin del programa computacional para discretizaciones ms nas que a la mano son muy largas
de ejecutarse. En la tabla siguiente se muestran los resultados de la aplicacin del algoritmo.
n
5
10
20
40
80
160
320
640
m
5
10
20
40
80
160
320
640
Tmn (f )
11;0024908800
10;7176023425
10;6463657751
10;6285557851
10;6241032355
10;6229900948
10;6227118094
10;6226422381
Error=jI (f ) T mn (f )j
3;7987183238 10 1
9;4983294881 10 2
2;3746727449 10 2
5;9367374871 10 3
1;4841878349 10 3
3;7104717497 10 4
3;2761807254 10 5
2;3190452660 10 5
Nota: Parecera razonable que con particiones horizontales y verticales muy nas, esto es, que
tengan un gran nmero de puntos y que a su vez sean regulares, se podra aproximar tanto como
se quiera la integral de una funcin continua. Lastimosamente, debido a los errores de redondeo,
errores de truncameiento y de aproximacin que intervienen en el clculo de una integral doble,
esto no es del todo cierto, pus para particiones con un nmero elevado de puntos, todos estos
tipos de errores intervienen y deterioran los resultados. Por lo tanto, no es recomendable calcular
aproximaciones de integrales con particiones regulares que tengan un gran nmero de puntos. Por
este motivo que buscan otros mtodos de aproximacin que combinen con los mtodos estudiados.
Uno de estos mtodos recomendables es la integracin adaptativa que tiene muchas versiones. En
la bibliografa se citan algunos textos en los que puede encontrar estos tpicos.
2.9.
Ejercicios
1. Sea T : R3 ! R la aplicacin lineal denida por T (x; y; z) = ax + by + cz

a; b; c 2 R distintos entre s y no todos nulos.
(x,y,z)2 R3 ; donde
a) Determine ker (T ) para las distintas posibilidades de a; b; c e interprete geomtricamente el

resultado.
b) Determine [T ]B ; donde B es la base cannica de R3 :
c) Probar que todas las aplicaciones lineales de R3 en R son de la forma T (x; y; z) = ax + by + cz:
d) Generalizar a) y b) a Rn :
2. Sea f 2 (Rn ) no nulo.
a) Pruebe que 0 < dim(ker (f )) < n. b) Sea Bn = f!

e1 ; : : : ; !
en g la base cannica de Rn , halle [f ]Bn .
!
! !
n
c) Sea B = f!
v1 ; : : : ; v!
v2 = !
e1 + !
e2 ; : : : ; v!
n g la base de R denida como sigue: v1 = e1 ;
n =
!
!
e + : : : + e : Halle una base dual de B.
1

3. Para los datos S que en cada item se propone, hallar el polinomio de interpolacin de Lagrange
Ph (x) y calcular el valor interpolado Ph (b
x) de una funcin f en el punto x
b que se indica.
a) S = f(0;1; 5) ; (0;2; 8)g , x
b = 0;16. b) S = f(0:; 2) ; (0;015; 4;1)g , x
b = 0;0016.
c) S = f( 1;1; 0;25) ; ( 1;02; 2;8)g , x

b=
1;08. d) S = f(2;1; 5;5) ; (2;25; 3.8)g , x

b = 2;19.
4. Para los datos S que en cada item se propone, hallar el polinomio de interpolacin de Lagrange
Ph (x) y calcular el valor interpolado Ph (b
x) de una funcin f en el punto x
b que se indica.
a) S = f(1; 4) ; (1;2; 5) ; (1;5; 6;5)g ; x

b = 1;4. b) S = f( 1;1; 3;5) ; ( 0;8; 4.5) ; ( 0;5; 3;5)g ;
x
b = 0;94. c) S = f(0;1; 1.4) ; (0;22; 2.5) ; (0;25; 1;56)g ; x
b = 0;145.
d) S = f(1;8;
4;5)g ; x
b = 1;995.
4;2) ; (2;2; -3.5) ; (2;5;
5. Considerar la funcin f denida en cada item. Calcule f 0 (x0 ) para el punto x0 que se indica. Calcule
aproximaciones de f 0 (x0 ) mediante diferencias nitas centrales de primer orden para cada h que se
f (x0 + h) f (x0 h)
indica, esto es y00 =
. Estime el error jf 0 (x0 ) y00 j :
2h
a) f (x) = 2x2 5x + 1 x 2 R; x0 = 2; h = 0;0025; h = 0;000025; h = 0;003; h = 0;00003:
b) f (x) =
c) f (x) =
(x2
p
+ 1)3
x4
16
x 2 R; x0 = 0; h =
0;002; h =
jxj > 4; x0 = 5; h =
0;0002; h = 0;0032; h = 0;000032:
0;0001; h =
0;00001; h = 0;00011; h = 0;000011:
1
3
d) f (x) = sen x3 + 2
x 2 R; x0 =
2 ; h = 0;004; h = 0;0004; h = 0;00041;
3
h = 0;00001:
2
p
e) f (x) = cos2
x+1
x > 1; x0 =
1; h = 0;0011; h = 0;00011; h = 0;0002;
2
h = 0;00002: Sugerencia: aproxime con 9 cifras de precisin.
x2
f ) f (x) = ln 16
jxj < 4; x0 = 1; h =
0;004; h =
0;0004; h = 0;0005; h = 0;00002:
g) f (x) = 2 ln(x) + 3 ln2 (x) + 4 ln3 (x) x > 0; x0 = e; h =

h = 0;00001: Sugerencia: aproxime e con 9 cifras de precisin.
0;01; h =
0;0001; h = 0;001;
6. Considerar el polinomio P de segundo grado denido como p (x) = x2 + x +

x 2 R;
; ; 2 R con
6= 0; y, el polinomio de interpolacin de Lagrange de Ph denido como
a+b
Ph (x) = p (a) '0 (x)+p
'1 (x)+p (b) '2 (x) x 2 [a; b] ; donde '0 ; '1 ; '2 son los polinomios
2
de interpolacin de Lagrange de segundo grado denidos en [a; b] : Se prueba que P (x) = Ph (x)
8x 2 [a; b] : En cada item se da un polinomio p de segundo grado y se restringe al intervalo [a; b]
que se indica. Hallar Ph y probar que p (x) = Ph (x) 8x 2 [a; b] :
a) p (x) = x2
1 x 2 [ 1; 1] : b) p (x) = 2x2 + 5 x 2 [0; 2] : c) p (x) =
d) p (x) = 5x2 x 2 [0; 3] : e) p (x) =
3x2 + 4x x 2 [1; 10] :
x2 + x + 1 x 2 [ 1; 2] :
f ) p (x) = 5x2 + 7x
1 x 2 [2; 4] :
7. En cada item se dene una funcin u: Calcular u00 (x0 ) en el punto x0 que se indica. Aproximar
u00 (x0 ) mediante el uso de diferencias nitas centrales de segundo orden para cada h > 0 que se da.
a) u (x) =
x3 + x2
1 x 2 R; x0 = 1; h = 0;01; h = 0;001; h = 0;0001:
b) u (x) = sen4 (x) x 2 R; x0 =
; h = 0;002; h = 0;0002; h = 0;00002:

p
c) u (x) = x2 exp x2 + 3 x 2 R; x0 = 3; h = 0;0025; h = 0;0002; h = 0;00001:
p
p
d) u (x) = x3 x2 2 x 2 R; x0 = 2; h = 0;005; h = 0;0025; h = 0;00005:
p
p
e) u (x) = ln x + 1 + x2
x 2 R; x0 =
8; h = 0;03; h = 0;003; h = 0;00003:
f ) u (x) = cos
x2
x 2 R; x0 =
1
; h = 0;001; h = 0;0001; h = 0;00001:
2
2.9. EJERCICIOS
123
8. En cada item se dan los valores f (a + h) y f (a h) de una cierta funcin f en x = a y h 6= 0:

Calcular el valor aproximado de la derivada f 0 (a) :
a) f (1;005) = 2;8117482; f (0;9995) = 3;114231:
b) f (5;00012) =
1;252231; f (4;99988) = 0;00123112:
c) f ( 1;11231) = 587;22314; f ( 1;11211) = 495;231427:

d) f ( 11;32145) = 10;369725; f (11;32111) = 42;223583:
9. En cada literal se dan los valores f (a + h) ; f (a) ; f (a h) de una cierta funcin f y h 6= 0:
Calcular el valor aproximado de la derivada segunda f 00 (a) mediante diferencias nitas centrales.
a) f (0;0022) = 3;852224; f (0) = 1;8211253; f ( 0;0022) = 2;852536:
b) f (1;3561) = 8;923824; f (1;355) = 15;162234; f (1;3490) = 25;8542321:
c) f ( 10;4583) = 0;312112; f ( 10;4572) = 4;852011; f ( 10;4561) = 3;2581423:
d) f (20;34823) =
13;4585252; f (20;348) =
10. Sea f una funcin real continua en [a; b] ; h =

uniforme de [a; b] :
32;4525321; f (20;34777) =
b
a
3
52;85343211:
= fa + jh j j = 0; 1; 2; 3g una particin
a) Escriba los polinomios de interpolacin de Lagrange '0 ; '1 ; '2 ; '3 denidos en [a; b] :
b) Sea x 2 [a; b] : Escribir el polinomio interpolante Ph (x) de f en [a; b] :
c) Suponga f 2 C 4 ([a; b]) : Escriba el error de interpolacin de Lagrange.
d) Sea f la funcin denida como f (x) = x3

x 2 [0; 3] : Aplique el resultado obtenido en
b) y halle Ph (x) : Calcule f (1;5) y Ph (1;5) y verique que f (1;5) = Ph (1;5) : Demuestre que
f (x) = Ph (x) 8x 2 [0; 3] :
e) Sea f la funcin denida como f (x) = ex x 2 [ 1; 2] : Aplique el resultado de la parte b) y

halle Ph (x) : Calcule f ( 0;5) y Ph ( 0;5) as como f (0;5) y Ph (0;5) :
11. En cada literal se dene una funcin real w en dos variables. Calcular las derivadas parciales
@w
@w
@w
(a; b) ;
(a; b) en el punto (a; b) 2 R2 que se indica. Calcular valores aproximados de
(a; b)
@x
@y
@x
@w
y
(a; b) mediante el uso de diferencias nitas centrales para cada h 6= 0; k 6= 0 que se dan.
@y
a) w (x; y) = 2x2 xy y 2
h = 0;0001 y k = 0;0002:
(x; y) 2 R2 ; a = 1; b = 1; h = 0;02 y k = 0;01; h = 0;002 y k = 0;001;
1
(x; y) 2 R2 con y 6=
1 + xy
h = k = 0;0002; h = 0;00005; k = 0;0002:
b) w (x; y) = x3
10xy 2 +
1
; a =
x
1; b =
1; h = k = 0;01;
; h = 0;003 y k = 0;002; h = 0;0003 y

c) w (x; y) = x cos(y) + y cos(x) (x; y) 2 R2 ; a = ; b =
6
3
k = 0;0002; h = 0;00005 y k = 0;00004:
p
p
d) w (x; y) = ln 1 + x2 + y 2
(x; y) 2 R2 ; a = 2; b = 3; h = k = 0;02; h = k = 0;003; h =
k = 0;0004; h = k = 0;00005:
1
e) w (x; y) = 2
(x; y) 2 R2 con x 6= 0; y 6= 0; a = 1; b = 1; h = k = 0;003; h = k = 0;0004;
x + y2
h = k = 0;00002:
f ) w (x; y) = x ln (1 + y) + y ln (1 + x)
(x; y) 2 R2 tal que x >
1
1
1
h = k = 0;02; h = k = 0;001; h = k = 0;0001:
2
3
4
1; y >
1; a = b = 2;
12. Supngase que f posee derivadas de todos los rdenes en un entorno del punto x = a: Se desea
calcular valores aproximados yea000 de f 000 (a) : Escriba en forma explcita cada uno de los cocientes
que se indican y determine el error de aproximacin, donde h 6= 0 sucientemente pequeo.
a) yea000 =
42 f (a)
: b) yea000 =
3
h
1
f (a)
r 4f (a)
r4 f (a)
: c) yea000 =
: d) yea000 =
:
3
3
3
2h
3h
4h

4 f (a)
; donde i 2 R con i 6= 0 escogido en cada caso apropiadamente,
3
5h
i = 1; 2; 3; 4; 5. El polinomio de Taylor de grado 3 con error est denido como f (a + k) =
k2
k3
k4
f (a) + kf 0 (a) + f 00 (a) + f 000 (a) + f iv ( ) con entre a y a + k con k 6= 0:
2!
3!
4!
e) yea000 =
x4
4
v 000 (2) mediante los siguientes cocientes:
13. Sea v la funcin denida como v (x) =
1 3 1 2
x + x x 2 [0; 4] : Calcule valores aproximados de
3
2
3
4 v (2)
42 v (2)
v (2)
r rv (2)
r4 v (2)
4r2 v (2)
:
b)
:
c)
:
d)
.
e)
:
f
)
;
3
3
3
3
3
3
1h
2h
3h
4h
5h
6h
donde h 6= 0 y i 2 R con i 6= 0 escogido apropiadamente i = 1; : : : ; 6 .
p
14. Considerar la funcin real u denida com u (x; y) = x2 + y 2 (x; y) 2 R2 :
a)
a) Hallar las derivadas parciales
@u
@u
@2u
(x; y) ;
(x; y) ;
(x; y) ; el laplaciano 4u (x; y) =
@x
@y
@x@y
@2u
@2u
(x;
y)
+
(x; y) con (x; y) 2 R2 tal que x 6= 0; y 6= 0:
@x2
@y 2
@u
@u
@2u
b) Calcular aproximaciones de
(a; b) ;
(a; b) ;
y 4u (a; b) mediante diferencias nitas
@y
@x@y
p p @x
2; 2 as como en (4; 3) ; con h 6= 0; k =
6 0 pequeos que usted elige y
centrales en el punto
compare los resultados con los valores exactos.
15. En cada item se dene una funcin que posee derivadas parciales segundas en todo punto (a; b) 2 R2 :
e (a; b) del laplaciano 4u (a; b) en el punto (a; b) y h 6= 0; k 6= 0 que
Calcule valores aproximados 4u
se indican. Calcule el error de aproximacin, esto es, 4u (a; b) e u (a; b) :
a) f (x; y) = x3 y 4
x2 y 2 + y 3
(x; y) 2 R2 ; a =
1; b = 1; h = k = 0;0015 y h = k = 0;00025:
1
b) f (x; y) = sen ( x) sen ( y) (x; y) 2 R2 ; a = b = ; h = k = 0;001 y h = k = 0;00012:
2
c) f (x; y) = xexy + yex (x; y) 2 R2 ; a = 0; b = 1; h = k = 0; 002 y h = k = 0;00011:
1
d) f (x; y) =
(x; y) 2 R2 ; a = 10; b = 20; h = 0;001; k = 0;002; y, h = 0;00025 y
1 + x2 + y 2
k = 0;00012:
16. Sea v una funcin que posee derivadas parciales de todos los rdenes en un entorno de (a; b) 2 R2 :
@2v
(a; b) mediante cocientes de diferencias nitas que
Se desea calcular valores aproximados de
@x@y
se indican a continuacin, donde h 6= 0; k 6= 0 sucientemente pequeos, y, i 6= 0 escogidos
apropiadamente, i = 1; 2; 3; 4; 5.
2
rv (a; b)
4rv (a; b)
v (a; b)
4 v (a; b)
r2 v (a; b)
: b)
: c)
: d)
: e)
:
1 hk
2 hk
3 hk
4 hk
5 hk
Estime en cada caso el error de aproximacin y analice los resultados.
Rb
17. En cada item se dene una funcin real continua f en [a; b] : Calcular I (f ) = a f (x) dx: Calcular
valores aproximados de I (f ) con la regla del rectngulo Rn (f ) con particiones uniformes (n) con
n = 4 y luego con n = 8: Calcular jI (f ) Rn (f )j :
p
2x
a) f (x) = x2 x 2 [0; 4] : b) f (x) = 2
x 2 [ 1; 2] : c) f (x) = x x 2 [1; 9] :
x +1
d) f (x) = xex x 2 [ 2; 2] : e) f (x) = x ln(x) x 2 [1; e] : f ) f (x) = arctan(x) x 2 [0; 1] :
Rb
18. Con cada funcin f que se dene en cada item, calcular I (f ) = a f (x) dx y calcular valores
aproximados de dicha integral con la regla de los trapecios Tn (f ) con particiones uniformes (n)
con n = 5 y luego con n = 10: Calcular el error jI (f ) Tn (f )j :
p
1
a) f (x) = x2 1 x 2 [ 1; 3] : b) f (x) =
x 2 [0; 2] : c) f (x) = 2x + 1 x 2 [0; 4] :
x+1
2
x
d) f (x) = 2xe
x 2 [0; 2] : e) f (x) = x ln(x)+x2 x 2 [1; e] : f ) f (x) = x arctan(x) x 2 [0; 1] :
a)
2.9. EJERCICIOS
125
Rb
19. Con cada funcin f que se dene en cada item, calcular I (f ) = a f (x) dx: Aplicar la regla de
Simpson Sn (f ) para calcular aproximaciones de I (f ) con particiones uniformes (n) con n = 4; y
n = 8: Calcule el error jI (f ) Sn (f )j :
a) f (x) = x2 +1 x 2 [ 1; 1] : b) f (x) = x3 x 2 [ 1; 1] : c) f (x) = 3x3 +2x2 x+1 x 2 [0; 1] :
1
d) f (x) = (x + 1) 3
x 2 [0; 7] : e) f (x) = x sen(x) x 2 [0; ] : f ) f (x) = x cos2 (x) x 2 [0; ] :
20. Sea f 2 C 2 ([a; b]) ; n 2 Z+ ;
(n) = fx0 = a; x1 ; : : : ; xn = bg una particin de [a; b] ; hi = xi xi 1

b a
i = 1; : : : ; n: Se supone que (n) es regular, esto es, existe
1 talq ue hi
i = 1; : : : ; n:
n
n
Rb
P
xk 1 + hk
hk f
:
Se dene I (f ) = a f (x) dx y Rn (f ) =
2
k=1
a) Demuestre que Rn (f ) es una forma lineal sobre C ([a; b]) que se conoce como regla de los
rectngulos generalizada.
h
(b a)
b) Demuestre que existe 2 [a; b] tal que jI (f ) Rn (f )j
(b a) jf 0 ( )j
M h; con
2
2
0
M = max jf (x)j :
x2[a;b]
21. El rea del crculo C = (x; y) 2 R2 j x2 + y 2 4 es a (C) = 4 (crculo de centro (0; 0) y radio
p
R2p
r = 2): Se dene f (x) = 4 x2 x 2 [0; 2] ; calcule I (f ) = 4 0 4 x2 dx y verique que
a(C) = I(f ):
a) Aplique la regla del rectngulo generalizado para calcular aproximaciones de a (C) con particiones
(n) uniformes con n = 5 y n = 10: Calcule el error ja (C) Rn (f )j :
b) Aplique la regla de los trapecios generalizada Tn (f ) para calcular aproximaciones de a (C) con
particiones (n) uniformes con n = 5 y n = 10: Calcule ja (C) Tn (f )j :
c) Aplique la regla de Simpson generalizada Sn (f ) con particiones
n = 8: Calcule jSn (f ) I (f )j :
(n) uniformes con n = 4 y
Compare los resultados de a), b) y c).
R1
1
1
x
2
;
1
e
I
(f
)
=
1 f (x) dx: Calcule I (f ) :
4
x2
4
Aplique la regla del rectngulo Rn (f ); de los trapecios Tn (f ), de Simpson Sn (f ) generalizadas
para calcular aproximaciones de I (f ) con particiones (n) regulares que en cada item se indican.
Calcule el error con cada mtodo y cada particin.
22. Sea f la funcin real denida como f (x) =
a)
1 (5)
= fx0 = 0;25; x1 = 0;3; x2 = 0;4; x3 = 0;6; x4 = 0;8; x5 = 1g :
b)
2 (5)
c)
1 (10)
= fx0 = 0;25; x1 = 0;4; x2 = 0;55; x3 = 0;7; x4 = 0;85; x5 = 1g :
= fx0 = 0;25; x2 = 0;28; x3 = 0;32; x4 = 0;36; x5 = 0;4; x6 = 0;5; x7 = 0;6; x8 = 0;7;
x9 = 0;85; x10 = 1g :
d)
2 (10)
= fxj = 0;25 + 0;075j j j = 0; 1; : : : ; 10g :
e) Compare los resultados obtenidos con la regla del rectngulo generalizada en a) y b), luego en
c) y d); concluya. Proceda en forma similar con la regla de los trapecios generalizada en a) y b)
luego en c) y d). Concluya
f ) Compare los resultados obtenidos con la regla de Simpson generalizada en a) y b); luego en c)
y d). Compare estos con los anteriores y concluya.
23. Considere la funcin u denida como u (x) = exp( 10x2 ) x 2 [ 2; 2] :
a) Trace la grca de la funcin u.
b)
R 2 Aplique la regla de los trapecios generalizada para calcular valores aproximados de I (u) =
2 u (x) dx con cada una de las particiones 1 (6) ; 2 (8) ; 3 (10) siguientes:
1 (6)
= fx0 =
2 (8)
x0 =
2; x1 =
1; x2 =
0;5; x3 = 0; x4 = 0;5; x5 = 1; x6 = 2g ;
2; x1 = 1; x2 = 0;5; x3 = 0;25; x4 = 0;
x5 = 0;25; x6 = 0;5; x7 = 1; x8 = 10

2; x1 = 1; x2 = 0;6; x3 = 0;3; x4 = 0;1; x5 = 0;
:
x6 = 0;1; x7 = 0;3; x8 = 0;6; x9 = 1; x10 = 2
R2
c) Calcule valores aproximados de I (u) =
2 u (x) dx con particiones uniformes
6; 8; 10: Compare con los resultados obtenidos en la parte b) precedente.
3 (10)
x0 =
24. Sean f; g 2 C ([a; b]) : Supongamos que f (x)
(n) y n =
g (x) 8x 2 [a; b] ;
= (x; y) 2 R2 j f (x)
g (x) x 2 [a; b] :
Rb
El rea de la regin
est denida como a ( ) = a [g (x) f (x)] dx: En cada item se dan las
funciones continuas f; g en [a; b] : Represente grcamente la regin , calcule a ( ) y calcule
aproximaciones de a ( ) con la regla de Simpson generalizada con una particin uniforme (n) con
n = 5: Compare los resultados obtenidos.
a) f (x) = 0; g (x) = x x 2 [0; 4] : b) f (x) =
1; g (x) = x2 x 2 [0; 4] :
x2 + 1; g (x) = x3 + 1 x 2 [0; 3] : d) f (x) = x2 4; g (x) = x2 + x + 1 x 2 [0; 4] :

h
i
e) f (x) = x
; g (x) = cos(x) x 2
;
: f ) f (x) = x2 ; g (x) = ex x 2 [0; 2] :
2
2 2
c) f (x) =
25. En cada literal se dene una funcin f que es impar en el intervalo [ a; a] con a > 0 que se indica.
Demuestre que I (f ) = 0 y aplique la regla del rectngulo, trapecios y Simpson generalizadas para
calcular aproximaciones de I (f ) con particiones uniformes (n) con n = 5 y n = 6: Analice los
resultados.
h
i
p
a) f (x) = x3 x 2 [ 2; 2] : b) f (x) = sen(x) x 2
: c) f (x) = x 1 x2 x 2 [ 1; 1] :
;
2 2
2
3
d) f (x) = x cos ( x) x 2 [ 1; 1] ; e) f (x) = 2 sen ( x) cos2 ( x) x 2 [ 1; 1] :
26. Sean f 2 C ([a; b]) ; (n) una particin regular del intervalo [a; b] : Elabore un algoritmo para
Rb
aproximar I (f ) = a f (x) dx con la regla del rectngulo generalizada.
27. Sea
R2RRuna regin del tipo II; f 2 C ( ) : Elabore un algoritmo para calcular aproximaciones
de I (f ) =
f (x; y) dxdy con la regla de los trapecios generalizada.
28. a) Sea
R2 una regin de tipo I; f 2 C ( ) : Elabore un algoritmo para calcular aproximaciones
RR
de I (f ) =
f (x; y) dxdy con la regla de Simpson generalizada.
2 regin de tipo II; f 2 C ( ) : Elabore un algoritmo para calcular

b) Suponga ahora
RRR
aproximaciones de I (f ) =
f (x; y) dxdy con la regla de Simpson generalizada.
29. En cada item se dene una funcin continua f sobre = [a; b] [c; d] que se indica. Calcule I (f ) =
Rb Rd
a
c f (x; y) dy dx: Aplique la regla de los trapecios generalizada para calcular aproximaciones
de I (f ) con n = m = 5: Estime el error
a) f (x; y) = xy (x; y) 2 [0; 2] : b) f (x; y) = x3 y + xy 4 (x; y) 2 [0; 1] [0; 1] :
p
p
p
c) f (x; y) = 10 xy (x; y) 2 [0; 1] [0; 1] : d) f (x; y) = x + y (x; y) 2 [0; 4] [0; 4] :
y
4
p
e) f (x; y) =
(x; y) 2 [0; 4] [0; 2] : f ) f (x; y) =
(x; y) 2 [1; 4] [1; 4] :
1 + xy
1+ x
Rb Rd
30. Calcular I (f ) = a c f (x; y) dy dx para cada funcin f 2 C ( ) que se dene sobre
=
[a; b] [c; d] : Aplique la regla de Simpson generalizada para calcular aproximaciones de I (f ) con
m = n = 5: Estime el error.
(x; y) 2 [ 1; 1] [0; 1] : b) f (x; y) = xey + yex (x; y) 2 [0; 1] [0; 1] :
h
i
1
c) f (x; y) = sen (x + y) (x; y) 2 0;
: d) f (x; y) = (x + y) 3 (x; y) 2 [0; 4] :
2
p
p
x
p
e) f (x; y) = 2 x 3 y (x; y) 2 [0; 1] [1; 4] : f ) f (x; y) = p
(x; y) 2 [0; 4] [1; 4] :
y
a) f (x; y) = x2 + xy
2.9. EJERCICIOS
127
Rd Rb
31. En cada item se dene una funcin u sobre = [a; b] [c; d] : Calcule I (f ) = c
a u (x; y) dx dy:
Calcule aproximaciones de I (u) con m; n que se indican; y, estime el error jI (u) :Tmn (u)j :
a) u (x; y) = x2 + y 2 (x; y) 2 [0; 1]
p
b) u (x; y) = x + y (x; y) 2 [0; 2]
c) u (x; y) = yexy
d) u (x; y) = x4
(x; y) 2 [0; 1]
(x; y) 2
[0; 1] ; m = n = 5:
[1; 4] ; m = n = 6:
[ 1; 0] ; m = n = 5:
1
;2
2
[ 1; 1] ; m = n = 8:
De modo anlogo, calcule aproximaciones de I (u) usando la regla de Simpson generalizada Smn (u)
con m = n = 4; y, estime el error jI (u) Smn (u)j :
32. Sean V = C ([a; b]) el espacio vectorial real de funciones continuas en [a; b], n 2 Z+ , y
denido sobre C ([a; b]) que en cada item se dene. Pruebe que
es lineal.
a)
(f ) =
h
2
(f (a) + f (b)) + h
(f ) =
donde h =
h
3
f (xj ) (frmula de los trapecios generalizada), donde h =
j=1
y xj = a + jh
b)
nP1
j = 0; 1; : : : ; n.
(f (a) + f (b)) + 23 h
b a
2n ,
xj = a + jh
el funcional
nP1
j=1
f (x2j ) + 34 h
j = 0; 1; : : : ; 2n
n
P
f (x2j
1)
b a
n
(frmula de Simpson generalizada),
j=1
33. Aplique la regla de los trapecios generalizada para aproximar las siguientes integrales con una
discretizacin de 10 puntos igualmente espaciados:
R2
R 0;5
R2 x
R2
R1p
R1
a) 0 xdx: b) 0 x1=4 dx: c) 0 xe x dx: d) 0 sen(x2 )dx: e) 1 lnxx dx: f ) 1 ex dx:
Para los literales a), b) y c) halle el valor exacto de la integral y compare con el valor aproximado.
RR
34. En cada item se dene una funcin f sobre una regin : Calclular I (f ) =
f (x; y) dxdy:
Aplicar la regla de los trapecios generalizada Tmn (f ) para calcular una aproximacin de I (f )
con m = n = 4:
n
o
p
1 x2 ; 0 x 1 :
a) f (x; y) = x; y (x; y) 2 = (x; y) 2 R2 j 1 x y
b) f (x; y) = (x
y)2
c) f (x; y) = sen (x + y)
d) f (x; y) =
x
y
= (x; y) 2 R2 j x2
n
(x; y) 2 = (x; y) 2 R2 j
(x; y) 2
(x; y) 2
(x; y) 2 R2 j
1
x
`4
x2 ; x 2 [ 1; 1] :
o
; x 2 [0; 2]
2
1 + x; x 2 [1; 2] :
35. En cada item se dene una funcin w sobre una regin : Calcular I (w) =
RR
w (x; y) dxdy: Aplicar
la regla de Simpson generaliza Smn (w) para calcular una aproximacin de I (w) con m = n = 4:
1
a) w (x; y) = (x + y)2 (x; y) 2 = (x; y) 2 R2 j 1 + y x 1 + y 2 ; y 2 [1; 2] :
6
y
b) w (x; y) =
(x; y) 2 = (x; y) 2 R2 j y 1 x 1 y 2 ; y 2 [0; 1] :
x+4
4
c) w (x; y) =
(x; y) 2
= (x; y) 2 R2 j x2 + y 2 1; ; escoja apropiadamente
1 + x2 + y 2
regin del tipo I y proceda con el clculo. Asimismo, escoja otra regin de 2
del tipo
1
II y proceda con el clculo. Compare los resultados.
h
io
n
d) w (x; y) = cos2 (x y) (x; y) 2 = (x; y) 2 R2 j x
y x; y 2 0;
:
2
2
e) w (x; y) = x4 + y 4
(x; y) 2
= (x; y) 2 R2 j 1 x2 + y 2 4; : Escoja apropiadamente
del tipo I y calcule Smn (w) : De manera similar, escoja 2
del tipo II y calcule
1
Smn (w) : Compare los resultados.

R1
36. Considerar la integral impropia I =

a) Demuestre que I =
p
4
b) Muestre que
x2 e
x2 dx;
y sea I1 =
' 0;4431134628:
I2 =
x2 e
x2
dx =
1
2
R1
0
x2 e
x2 dx:
e t
dt:
t5=2
c) Aplique la frmula de los trapecios con n = 4 para aproximar I1 ; I2 consecuentemente I (tome

en cuenta la singularidad en I2 ). Compare el resultado con a).
d) Repita la parte b) con n = 10: Compare el resultado con a) y c).
R1 Rx
37. Considerar la integral doble I = 0 x3 (x2 + y)dy dx:
5
a) Muestre que I = :
28
Rx 2
b) Sean g(x) = x3 (x + y)dy; x 2 [0; 1]; h = 0;2 y xk = kh; k = 0; 1; : : : ; 5. Calcule g(xk ) y
aproxime g(xk ) usando la regla de los trapecios con m = 5:
R1
c) Aplique la regla de los trapecios para aproximar I = 0 g(x)dx y compare con a).
38. Sea I =
R 2 R x3
1
x2
(x2 + y 2 )dxdy:
a) Calcule I:
b) Aplique la regla de los trapecios para aproximar I con m = n = 5:

R1 R1
2
2
39. Sea I = 1 1 ex +y dxdy:
2
R1 2
a) Pruebe que I = 4 0 ex dx :
b) Utilice la frmula de los trapecios para aproximar el valor de I con n = 10; y luego con n = 20:
c) Utilice la serie de Taylor de e y aproxime I mediante una suma nita Sn de modo que
jI
Sn j < 10
donde n es el ms pequeo nmero entero positivo que satisface dicha condicin. De los resultados
de b) y c) qu algoritmo es ms costoso numricamente?.
40. Considerar la integral I =
a) Calcular I:
R2 R2
0
1 + xdx dy:
R2 yp
1 + xdx, y 2 [0; 2]. Aplique la regla de los trapecios para aproximar I con
b) Sean g(y) = 0
particiones de 6 puntos igualmente espaciados.
41. Considerar la integral I =
R4 R
0
y 4
2
p
4 y
(xy)3 dx dy:
a) Calcule I: b) Aproxime I con particiones de 5 puntos igualmente espaciados.
2.10.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
129
6. Richard H. Bartels, John C. Beatty, Brian A. Barsky, An Introduction to Splines for use in
Computer Graphics and Geometric Medeling, Editorial Morgan Kaufmann Publishers, Inc., San
Mateo, California, 1987.
7. Jrme Bastien, Jean-Nol Martin, Introduction lAnalyse Numrique, Editorial Dunod, Pars,
2003.
8. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
11. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
1981.
1977.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
16. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., Mxico, 1982.
New York, 1991.
Mxico, 1987.
Wilmington, 1994.
1986.
27. S. Nikolski, Frmulas de Cuadratura, Editorial Mir, Mosc, 1990.

28. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., Mxico, 1989.
35. Gilbert Strang, Algebra Lineal y sus Aplicaciones, Editorial Fondo Educativo Interamericano,
Mxico, 1982.
Captulo 3
Aproximacin de series de funciones.

Aplicaciones.
Resumen
Muchos problemas en matemticas conducen a soluciones expresadas mediante series convergentes de
funciones, particularmente interesan las series de potencias, que suponemos convergen uniformemente
en un cierto intervalo cerrado [a; b] de R. Las series de Fourier se tratarn en el captulo de mnimos
cuadrados. En muy pocos casos se conocen resultados exactos y en la generalidad de los mismos se
conocen resultados de convergencia puntual y uniforme. Tanto en el caso de conocer la funcin suma
como en el que se desconoce, interesa calcular valores aproximados de dichas sumas, las mismas que
deben ser aproximadas numricamente.
Este captulo se inicia con la aproximacin de series numricas. A continuacin se tratan las series de
potencias a las que se dan mayor atencin. Particular inters se da al clculo aproximado de algunas
funciones usuales representadas como series de potencias como son sen(x), cos(x), arcsen(x), ln(x),
exp(x). Se presentan algunas aplicaciones de las series de potencias como en el caso de la funcin error, las
integrales elpticas. Se pone mucho nfasis en la aplicacin de resultados de la consistencia y la estabilidad
numrica que nos permitan elaborar algoritmos simples de clculo.
3.1.
Resultados fundamentales de series numricas convergentes.
Esta seccin est destinada a introducir algunos conceptos bsicos sobre las series numricas reales as
como presentar algunos resultados importantes sobre los criterios de convergencia. Estos resultados sern
de gran utilidad en el clculo aproximado de series numricas y series de funciones, y particularmente en
las series de potencias y las series de Fourier. El lector que est familiarizado con las series numricas
puede pasar inmediatamente a los mtodos de clculo, aquel que no est familiarizado tendr la ocasin
de tratar este tema en forma resumida. Al nal del captulo se dan algunas observaciones, comentarios y
se sugiere una bibliografa especializada para estudios ms profundos.
3.1.1.
Series numricas convergentes.
Sea (an ) una sucesin numrica. A menos que se indique lo contrario, suponemos que las sucesiones
1
P
numricas (an ) estn denidas en todo n 2 N. La suma a0 + a1 + a2 + ::: + an +
; que se escribe
an
y que se lee suma desde n = 0 hasta innito de an , se llama serie numrica. En la serie
1
P
n=0
n=0
an , an se
llama trmino general. En el caso de que la sucesin numrica (an ) est denida para todo n 2 Z+ con
1
P
n n0 1; la suma an0 + an0 +1 + an0 +2 +
; se escribir
an :
n=n0
131
132
CAPTULO 3. APROXIMACIN DE SERIES DE FUNCIONES. APLICACIONES.
Sea n 2 N. Se dene Sn =
n
P
la suma parcial Sn =
n
P
1
P
ak y se denomina suma parcial de la serie
an : Tambin se escribir a
n=0
k=0
ak . La sucesin (Sn ) se llama sucesin de sumas parciales de la serie
1
P
an :
n=0
k=0
1
P
Denicin 1 i) Se dice que la serie
an es convergente si y solo si la sucesin de sumas parciales
n=0
(Sn ) es convergente, es decir que existe S 2 R tal que l m Sn = S. Escribimos

n!1
1
P
an = S y diremos
n=0
que S es la suma de la serie.

1
P
an es divergente si y solo si la sucesin de sumas parciales (Sn ) es divergente.
ii) Diremos que
n=0
Se verica inmediatamente que si
1
P
an converge, entonces l m an = 0. El recproco, en general, no es

n!1
n=0
cierto como se muestra ms adelante con el ejemplo de la serie armnica.

Ejemplos
1. Sea
1
P
n=1
1
n(n+1) :
n 2 Z+ y Sn =
Observemos primeramente que

n
P
k=1
S1 = 1
1
k(k+1)
esto es,
n!1
1
P
n=1
n!1
1
n(n+1)
1
n
1
n+1
8n 2 Z+ . En consecuencia; si
denota la suma parcial, se tiene
1
;
2
Resulta l m Sn = l m
1
n(n+1)
S2 =
1
1
1
n+1
1 1
+
2 2
2. Sea x 2 R, x 6= 0. Consideramos la serie

xk
1
n+1
; Sn = 1
1
P
n=1
1
n!1 n(n+1)
se dene la suma parcial Sn =
1
;
3
= 1, con lo cual la serie
= 1: Note que l m
n
P
1
=1
3
1
n(n+1)
n 2 Z+ :
es convergente y converge a 1,
= 0, o sea el trmino general de la serie es convergente.
1
P
n=0
xn . Esta serie se llama serie geomtrica. Para n 2 N
= 1 + x + ::: + xn . Multipliquemos a Sn por x. Tenemos
k=0
xSn =
n
X
xk+1 = x + x2 + ::: + xn+1 ;
k=0
luego
(x
Sn = x + x2 + ::: + xn+1
1) Sn = xSn
(1 + x + ::: + xn ) = xn+1
1:
de donde
xn+1 1
1
=
x 1
1 x
= n + 1 si x = 1:
Sn =
Sn
xn+1
1 x
si x 6= 1;
Puesto que l m xn+1 = 0 si y solo si jxj < 1, se sigue que

n!1
l m Sn = l m
n!1
y en consecuencia
pus la sucesin
1
P
xn =
n=0
(Sn ) es
1
1 x
n!1
si
1
1
jxj < 1;
xn+1
1 x
x 6= 0: Si jxj
divergente y l m Sn no existe.
n!1
1
1
1, la serie
1
P
n=0
xn es divergente,
3.1. RESULTADOS FUNDAMENTALES DE SERIES NUMRICAS CONVERGENTES.

1
P
3. La serie
1
n
n=1
133
es divergente. Esta serie se llama serie armnica. Para cada n 2 Z+ se dene la
suma parcial Sn =
n
P
k=1
1
k.
Observe las siguientes sumas parciales:
1
S2 = 1 + ;
2
1 1 1
1 1 1
2
S22 = 1 + + + > 1 + + + = 1 + ;
2 3 4
2 4 4
2
1
1 1 1 1 1 1
3
1 1
S23 = 1 + + + ::: + > 1 + + + + + + = 1 + ;
2 3
8
2 2 8 8 8 8
2
1
1 1 1 1
4
1 1
>1+ + + + >1+ ;
S24 = 1 + + + ::: +
2 3
16
2 2 2 2
2
..
.
1
n
1
S2n = 1 + + ::: + n > 1 + :
2
2
2
n!1
1
n!1 n
que l m
Denicin 2 Sea
n
2
= 1; que muestra que la serie armnica es divergente. Note

1
P
1
= 0, o sea el trmino general de la serie es convergente pero la serie
k diverge.
Luego, l m S2n
lm 1+
n!1
k=1
1
P
an una serie numrica.
n=0
i. Se dice que
1
P
an converge absolutamente si la serie
n=0
ii. Se dice que
1
P
1
P
n=0
an converge condicionalmente si
1
P
jan j converge.
1
P
an converge pero
n=0
n=0
n=0
1. De la denicin de convergencia absoluta se deduce que la serie

converge. En efecto, sean Sn =
n
P
k=0
Sen =
n
P
jak j : Como
ak y Sen =
1
P
jan j diverge.
jan j converge, entonces
n=0
1
P
an
n=0
k=1
n
X
k=0
jak j
n
X
k=0
jak j + jan+1 j = Sen+1 ;
1
P
la sucesin Sen es creciente. Adems, por hiptesis la serie
jak j es convergente, entonces l m Sen
existe y sea Se =
1
P
k=0
Sen
jak j. As,
Sup Sen : Puesto que
n2Z+
luego Sup jSn j

n2Z+
n!1
k=0
jSn j =
e o sea
S;
1
P
es creciente y acotada superiormente, y Se = l mn!1 Sn =
n
X
n
X
ak
k=0
ak
k=0
k=0
jak j = Sen
Se
8n 2 Z+ ,
1
e es decir que P ak converge.
S,
k=0
Ejemplos
1. La serie
1
P
n=1
( 1)n
n
converge, pero
1
P
n=1
1
n
diverge, entonces
Ms adelante, en las series de potencias se demuestra que
1
P
( 1)n
n
n=1
1
P
( 1)n
n
n=1
converge condicionalmente.
= ln 2:
134
2. La serie
1
P
k=0
( 1)k
k!
1
P
converge absolutamente. En efecto, la serie

1
P
2;71828182::: base de los logaritmos naturales. Luego

cada n 2 Z+ ; se tiene j
Pn
k=0
P
j . nk=0
( 1)k
k!
k=0
k=0
1
k! :
De la denicin de serie convergente, se sigue que si
Adems,
1
P
( 1)k
k!
P1
k=0
1
k!
converge al nmero e '
converge absolutamente pus para

( 1)k
k!
1:
=e
an es convergente y (Sn ) denota la sucesin de
n=0
sumas parciales de dicha serie, l m Sn = S si y solo si se verica la condicin

n!1
8" > 0; 9n0 2 Z+

Tomando en consideracin que Sn =
n
P
tal que 8n
n0 ) jSn
ak , n = 0; 1; ::: , y S =
1
X
Sn =
k=0
Luego,
1
P
ak , entonces
k=0
k=0
1
P
Sj < ":
ak
n
X
ak =
k=0
1
X
ak :
k=n+1
ak es convergente si y solo si se verica la siguiente condicin:
k=0
8" > 0; 9n0 2 Z+
tal que 8n
n0 )
1
X
ak < ":
k=n+1
Se denota con Sc al conjunto de todas las series convergentes. Sean
1
P
n=0
an ;
1
P
n=0
bn 2 Sc , y
2 R. Se
dene la adicin de series convergentes y el producto de escalares por series convergentes como sigue:
Adicin:
1
P
n=0
an +
1
P
bn =
n=0
Producto por escalares:
1
P
(an + bn ) ;
n=0
1
P
an =
n=0
1
P
an :
n=0
Se demuestra fcilmente las dos implicaciones siguientes:

1
X
an ;
n=0
1
X
n=0
2 R,
b n 2 Sc )
1
X
n=0
1
X
n=0
an 2 Sc )
(an + bn ) 2 Sc ;
1
X
n=0
an 2 Sc ;
es decir que el conjunto Sc con las operaciones de adicin y producto por escalares de series convergentes,
es un espacio vectorial denominado espacio de series convergentes.
3.1.2.
Criterios de convergencia.
Dada una serie numrica
1
P
an , se debe determinar si esta es o no convergente. Para el efecto, es preciso
n=0
familiarizarse con algumos resultados fundamentales que nos permitan decidir si la serie es convergente,
divergente o simplemente con un determinado criterio no es posible decidir la convergencia o divergencia
y que se requiere de un anlisis ms no para deducir la convergencia o divergencia de una serie dada.
En esta parte enunciamos sin demostracin algunos criterios de convergencia ms utilizados y se da un
ejemplo en el que se aplique el teorema. Al nal del captulo se cita una amplia bibliografa en la que
puede encontrarse las demostraciones de los resultados que damos a continuacin ( Calculus de Apostol,
Volumen 1, Clculo Avanzado de Fulks, Calculus de Spivak, y otros).

Teorema 1 (criterio de Leibniz)
Sea (an ) una sucesin numrica decreciente tal que l m an = 0: Entonces, la serie
n!1
135
1
P
( 1)n an
n=0
converge.
Ejemplo
1
P
La serie
n=0
( 1)n
n!3n
es convergente, pus la sucesin (an ) cuyo trmino general est denido como an =
1
n
n!1 n!3
= 0: Por el criterio de Leibniz,
es decreciente y se tiene l m an = l m
n!1
inmediatamente que
1
P
n=0
( 1)n
n!3n
1
3
converge absolutamente y e
1
P
n=0
1
P
n=0
( 1)n
n!3n :
( 1)n
n!3n
1
n!3n
converge. Se muestra
Teorema 2 (criterio de Cauchy)

1
1
P
P
Sea
an una serie numrica. Entonces,
an converge si y solo si 8" > 0; 9n0 2 Z+ tal que
n=0
n=0
8m; n 2 Z+ con m > n > n0 ) jan+1 + an+2 + ::: + am j < ":

Ejemplo
1
P
La serie
n=0
se tiene
1
k!
es convergente. En efecto, de la denicin del factorial de k; esto es k! = 1

1
1
=
k!
1
de donde para m; n 2
m+n
X
k=n+1
1
k!
2
Z+
:::
m+n
X
2n
1
1
1
2
1
3
1
<1
k
:::
m+n
m
X
X1
1
1
1
<
=
k
1
(k+n+1)
k!
2
2
k=n+1
2m ) <
(1
As, para " > 0; 9n0 2 Z+ tal que 8n

y por el criterio de Cauchy,
1
P
k=0
1
k!
para x =
se tiene e
1
3
1
P
k=0
k=0
2n
1
2
:::
k,
1
1
= k 1;
2
2
m 1
1 X 1
1
= n 2
n
k
2
2
2
k=0
! 0:
n0 )
1
2n
m+n
P
< ", y en consecuencia
k=n+1
converge.
1
P
k=0
( 1)k
k!3k
1 n !0
Nota: Ms adelante se tratar la serie de potencias ex =

1
3,
1
2
:::
con m < n, obtenemos
k=n+1
xk
k! ;
1
k!
< " si n > m > n0 ;
x 2 R. Para x = 1, se tiene e =
que se indic arriba.
1
P
k=0
1
k! ;
Teorema 3 (comparacin por paso al lmite)

1
1
P
P
Sean
an ;
bn dos series de trminos positivos.
n=0
n=0
an
n!1 bn
i) Si 0 < l m
ii) Si
1
P
n=0
iii) Si
1
P
n=0
< 1, entonces ambas series convergen o ambas series divergen.

an
n!1 bn
bn es convergente y l m
an
n!1 bn
an es divergente y l m
= 0, entonces
an es convergente.
n=0
= 0, entonces
1
P
bn es divergente.
n=0
Ejemplos
1. Estudiemos la convergencia de la serie
1
P
1
P
n=1
en
n!
: Primeramente
1
P
n=1
1
n!
= e. Apliquemos el criterio de
136

1
en
n!
comparacin por paso al lmite, ponemos an =
; bn =
1
n!
8n 2 Z+ , entonces
en
n!
1
n!
an
=
bn
= en
! 1;
n !1
luego, por la parte i) del teorema precedente, la convergencia de la serie

convergencia de la serie
1
P
en
n!
n=1
2. Las series
1
P
n=0
1
n
1
P
n=0
p1
n
. As, resulta
1
P
n=1
n=0
1
en
n!
es convergente.
divergen. Ponemos an = n1 ; bn =
1
n
p1
n
an
=
bn
n
1
=p
n
n
1
P
p1
n
1
n!
implica la
8n 2 Z+ , entonces,
! 0:
n !1
Por la parte iii) del teorema de conparacin por paso al lmite, la divergencia de la serie armnica
1
P
p1 :
implica la divergencia de la serie
n
n=1
Teorema 4 (criterio de la integral)

1
P
an una serie de nmeros positivos, donde (an ) es decreciente. Sea f una funcin de [1; 1[ en
Sea
n=1
Rn
R tal que f (n) = an ; n = 1; 2; :::. Para n 2 Z+ , se dene In = 1 f (x) dx: Entonces, la sucesin (In )
1
1
P
P
converge si y solo si
an converge, o (In ) diverge si y solo si
an diverge.
n=1
n=1
Ejemplo
1
P
Sea p 2 R y consideremos la serie
n=1
1
np .
Estudiemos la convergencia de esta serie. Para ello aplicamos el
criterio de la integral. Denimos la funcin f como sigue: f (x) =

In =
f (x) dx =
Para p = 1, se tiene
In =
dx
= ln(x) jn1 = ln (n)
x
1
xp ;
1: Entonces, para n = 1; 2; ::::;
dx
:
xp
ln 1 = ln (n) :
Resulta l mn!1 In = l mn!1 ln (n) = 1; y por el criterio de la integral, la serie

Supongamos p 6= 1. Entonces
In =
Como l m n
p+1
n!1
dx
1
=
x
xp
1 p
n
p+1
1
l m In =
1
1
lm n
p+1
n!1
Conclusin: por el criterio de la integral, la serie
1
P
n=1
1:
1
1
p+1
n=1
1
n
diverge.
1 :
= 0 , p > 1, se deduce
n!1
si y solo si p
1
P
1
np
1 =
1
p
, p > 1:
converge si y solo si p > 1. La serie
1
P
n=1
1
np
diverge

Teorema 5 (criterio del cociente)
1
P
Sea
an una serie de nmeros positivos y supongamos que l m
an+1
n!1 an
n=0
i) Si 0
L < 1, la serie
1
P
137
= L. Entonces
an converge.
n=0
ii) Si L = 1, el criterio no decide.

iii) Si L > 1, la serie
1
P
an diverge.
n=0
Ejemplos
1. Sea a > 1. Estudiemos la convergencia de la serie
n=0
( 1)n n
an
Para el efecto, ponemos jan j =
1
P
( 1)n n
an :
Apliquemos el criterio del cociente.
n 2 Z+ . Luego
( 1)n+1 (n + 1)
an+1
=
an
an+1
an
n+1
1
=
=
n
( 1) n
na
a
1+
1
n
n !1
1
;
a
y como a > 1; resulta

1
an+1
= < 1:
an
a
lm
n!1
Por el criterio del cociente
1
P
n=0
1
P
2. Consideremos la serie
n
n=2
2; entonces
an+1
n!1 an
Como l m
n
an
1
ln(n) :
converge. Mas an, la serie
1
P
n=0
( 1)n n
an
converge absolutamente.
Apliquemos el criterio del cociente. Sea an =

an+1
ln (n)
=
an
ln (n + 1)
1
ln(n)
n 2 Z+ con
! 1:
n !1
= 1, el criterio del cociente no decide. Sabemos que la serie geomtrica
divergente. Sea bn =
1
n
1
P
n=1
1
n
es
n 2 Z+ . Apliquemos el criterio de comparacin por paso al lmite. Tenemos

bn
=
an
1
n
1
ln(n)
ln (n)
n
n 2 Z+ :
Para calcular el lmite apliquemos la regla de LHpital a la funcin f (x) =
ln x
x .
Se tiene
1
ln x
= l m x = 0:
x!1 x
x!1 1
l m f (x) = l m
x!1
bn
n!1 an
As, l m
3. La serie
1
P
n=1
= 0 y la divergencia de la serie armnica implica la divergencia de la serie
n=2
n
n3
con
> 1 es divergente, pus si an =

n+1
an+1
=
an
(n + 1)3
luego l m
n!1
1
P
an+1
an
n3
n
n3
n 2 Z+ , entonces
1
n+1
n !1
> 1; y por el criterio del cociente, la serie diverge.
1
ln(n) :
138
Teorema 6 (criterio de la raz)

1
1
P
Sea
an una serie de nmeros no negativos y supongamos que l m ann = L. Entonces
n!1
n=0
i) Si 0
1
P
L < 1, la serie
an converge.
n=0
ii) Si L = 1, el criterio no decide.

iii) Si L > 1, la serie
1
P
an diverge.
n=0
Ejemplos
1. Sea x 2 ] 1; 1[ : La serie
1
P
xn es convergente y
n=0
utilizando el criterio de la raz. Sea an = jxj
n2
1
P
xn =
1
1 x:
Veriquemos la convergencia
n=0
Z+ , entonces
l m ann = l m (jxjn ) n = jxj < 1:

n!1
n!1
As, la serie
1
P
n=0
xn es convergente cuando jxj < 1:
1
P
1
1
n=1 n 3
. Sea an =
n 2 Z+ , por el criterio de la raz, tenemos
n3
l m ann = l m
n!1
n!1
= 1:
n 3n
Este criterio no decide la convergencia o divergencia de la serie.

1
Notemos que n 3n = exp
ln(n)
3n
y en consecuencia
l m n 3n = l m exp
n!1
n!1
ln(n)
3n
= exp
lm
n!1
1
ln (n)
3n
= e0 = 1:
Hemos utilizado el resultado siguiente: la funcin dada por f (x) = ex x 2 R es continua y (xn )
l m xn
una sucesin real convergente. Entonces l mn!1 f (xn ) = f (l mn!1 xn ) = en!1 :
Aplicando el criterio de la integral, resulta que la serie propuesta es divergente.
3.1.3.
Sean
1
P
Clculo aproximado de series numricas.

ak una serie absolutamente convergente de nmeros reales, S =
k=1
denicin de serie convergente, dado
> 0, existe N 2 N tal que jS
1
P
ak y Sn =
k=1
Sn j <
n
P
ak n
1. Por
k=1
; 8n
N: Desde el punto
1
P
de vista numrico es importante determinar el ms pequeo entero positivo N tal que
ak < , pus
n=N +1
reduce el nmero de tminos a utilizar en el clculo de la suma SN que aproxima a S con la precisin
jada . Por otro lado, resulta difcil determinar dicho entero N . Sin embargo, para las series numricas
absolutamente convergentes resulta til aplicar los criterios de convergencia (por ejemplo: de la integral,
del cociente, de la raz, de comparacin, entre otros), que permiten determinar tal entero N .
Para jar las ideas, sean
1
P
ak una serie convergente de nmeros positivos, (bk ) una sucesin real de
k=1
1
P
nmeros positivos tal que
k=1
bk = 1 y supongamos que se verca
ak
bk
! 0; lo que muestra que la
k !1
139
sucesin del numerador converge a cero mucho ms rpidamente que la del denominador. Entonces, dado
> 0, existe N 2 N tal que abkk <
8k N: De esta desigualdad se sigue que ak < bk 8k N , luego
1
X
k=N +1
Sea SN =
N
P
k=1
ak , entonces j
1
P
ak
1
X
bn <
k=N +1
SN j =j
k=1
1
X
ak <
1
P
k=N +1
bn = :
k=1
ak j< :
Segn este criterio si seleccionamos una sucesin positiva (bk ) tal que
1
P
ak
= 0, resulta
k!1 bk
bk = 1 y l m
k=1
ak
fcil hallar N 2 Z+ que satisfaga la desigualdad
<
8k N . Elegimos tal N como el ms pequeo
bk
aN
< . Note que N no es el ptimo, pus depende de la sucesin elegida
entero positivo que verique
bN
(bk ). En el caso general, hallar el ptimo N :
M infN 2 N j
1
X
k=N +1
ak < g
resulta una tarea difcil.

Para una clase de series numricas rpidamente convergentes se tendr N pequeo, para las series
numricas que convergen muy lentamente, el entero positivo N ser muy grande con lo que este
procedimiento no es muy adecuado para esta clase de series numricas, pus los errores de redondeo
y de truncamiento afectarn seriamente en el resultado.
Para series numricas rpidamente convergentes, se propone el siguiente algoritmo que permite determinar
ak
el ms pequeo entero N que verica la condicin
<
8k N .
bk
Algoritmo
Datos de entrada:
> 0; sucesiones (an ) ; (bn ):
Datos de salida: N:
1. Hacer k = 1
ak
2. Si
< . Continuar en 4).
bk
3. Si
ak
bk
, hacer k = k + 1. Continuar en 2).
4. Imprimir N .
5. Fin.
Determinado el nmero de trminos de SN , la etapa siguiente es la elaboracin de un algoritmo para
el clculo de SN de modo que se conserven las normas establecidas de condicionamiento y estabilidad
numrica.
Ejemplos
1. La serie
1
P
k=1
1
np
p > 1 es convergente, ms an, esta serie converge muy lentamente. Sea
apliquemos el criterio de la integral:

Z
dt
t1 p 1
=
j =
tp
1 p N
(p
1
1)N p
< ;
>0y
140

que implica N >
1
(p 1)
1
p 1
, donde [ ] denota la funcin mayor entero menor o igual que. As por
ejemplo, para p = 2 se tiene que N >
. Note que
1
X 1
1
<
<2
N +1
n2
3
2
n=1
1
:
N
N 1
1 1
P
P
que
aproxima
a
con una precisin . Para
2
2
n=1 n
n=1 n
= 10 8 se tendr N > 108 que es un nmero muy grande de trminos y los errores de redondeo y
de truncamiento inuirn en el clculo de SN , lo que muestra las deciencias del mtodo. Utilizando
2
1 1
P
las series de Fourier, se prueba que
=
:
2
6
n=1 n
Elegido N >
; se dene la suma SN =
2k
. Este es un ejemplo de una serie numrica rpidamente
k=0 k!(2k + 1)
2k
convergente. En efecto, apliquemos el criterio del cociente y pongamos ak =
, entonces
k!(2k + 1)
1
P
2(2k + 1)
2
ak+1
=
<
ak
(k + 1)(2k + 3)
k+1
La serie es convergente. Sea
= 10
10
y bk =
! 0:
k !1
1 1
P
1
,
entonces
= 2. Luego
k
2k
k=0 2
ak
4k
=
! 0 cuando k ! 1:
bk
k!(2k + 1)
ak
< 10 10
8k
N es N = 23: Por lo tanto
bk
1
1
23
P
P
P
2k
2k
2k
10 ; con lo que S =
aproxima
a
con una precisin
<
10
N
k!(2k+1)
k=0 k!(2k + 1)
k=24
k=0 k!(2k + 1)
de 10 10 . La suma SN se evala del modo siguiente:
El ms pequeo entero positivo N tal que
SN
1 2
+
3 2
= 2;3644538928
= 1+2
1 2
+
5 3
;
1
+
7
2
22
1
+
22 + 1 23
2
(2
23 + 1
resultado en el que estn incluidos los errores de redondeo y de truncamiento.
3.2.
Sucesiones y series de funciones. Convergencia puntual y uniforme.
Iniciamos esta seccin con la convergencia de sucesiones de funciones, tratamos bsicamente la

convergencia puntual y la convergencia uniforme e introducimos los resultados importantes (sin
demostracin) sobre la convergencia uniforme y la continuidad, integrabilidad y derivabilidad que sern
aplicados en el estudio de las series de funciones, particularmente en las series de potencias y las
series de Fourier. El lector que est familiarizado con las sucesiones y series de funciones puede pasar
inmediatamente a la aproximacin numrica de las series de funciones, aquel que no est familiarizado
tendr la ocasin de tratar este tema en forma resumida. Al nal del captulo se sugiere una bibliografa
especializada en estos tpicos.
3.2. SUCESIONES Y SERIES DE FUNCIONES. CONVERGENCIA PUNTUAL Y UNIFORME. 141
3.2.1.
Sucesiones de funciones
Sea A
R; A 6= ;: Se denota con F (A) el espacio vectorial de funciones reales denidas en A.
Denicin 3 Sean A
sucesin de funciones.
R; A 6= ;, I
N con I 6= ;. A toda funcin ' de I en F (A) se le llama
I ! F (A)
donde para cada n 2 I,
n ! ' (n) = fn ;
fn es una funcin real denida en A. A la sucesin ' la notaremos (fn ) y diremos sucesin de funciones
denida en el conjunto A: El conjunto I se llama conjunto de ndices, fn (x) con x 2 A se llama trmino
general de la sucesin (fn ) :
Notacin: si ' es una sucesin de funciones, se tiene
':
En el estudio de las sucesiones de funciones tienen especial inters las sucesiones convergentes y
particularmente la convergencia uniforme y sus propiedades.
Convergencia puntual.
Sea (fn ) una sucesin de funciones reales denidas en A: Para cada x 2 A; (fn (x)) es una sucesin
numrica real. Si existe l m fn (x) ; esto es, existe f (x) 2 R tal que l m fn (x) = f (x), diremos que
n!1
n!1
(fn (x)) converge a f (x). A este tipo de convergencia la llamaremos convergencia puntual.
Para los puntos x 2 A en los que l m fn (x) existe, se dene una funcin real f mediante la relacin
n!1
l m fn (x) = f (x) : Se tiene Dom (f )
n!1
A. Escribiremos fn (x) ! f (x) con x 2 A. En lo que sigue,

n!1
supondremos que Dom (f ) = A: Tenemos la siguiente denicin de convergencia puntual.
Denicin 4 Sea (fn ) una sucesin de funciones reales denidas en A; f 2 F (A): Se dice que
(fn ) converge puntualmente a f si y solo si se cumple la siguiente condicin:
8" > 0; 8x 2 A; 9n0 2 Z+ tal que 8n
n0 ) jfn (x)
f (x)j < ":
Si la sucesin de funciones (fn ) converge a la funcin f en el conjunto A; escribiremos l m fn = f o de

n!1
forma equivalente l m fn (x) = f (x) x 2 A:

n!1
Si para algn x 2 A,
l m fn (x) no existe, diremos que la sucesin (fn (x)) diverge y que la sucesin
n!1
(fn ) no es convergente en el conjunto A.
En el estudio de sucesiones de funciones, la primera tarea es el anlisis de la convergencia puntual. Ms

adelante veremos la convergencia uniforme y daremos ms atencin a este tipo de convergencia.
En la convergencia puntual, el elemento n0 2 Z+ depende de ", y de cada punto x 2 A. En este tipo de
convergencia no es posible hallar un n0 2 Z+ dependiente nicamente de " > 0.
Convergencia uniforme.
Denicin 5 Sea (fn ) una sucesin de funciones reales denidas en A; f 2 F (A): Se dice que
(fn ) converge uniformemente a f si y solo si se cumple la siguiente condicin:
8" > 0; 9n0 2 Z+ tal que 8x 2 A; 8n 2 Z+ ; n
n0 ) jfn (x)
f (x)j < ":
Escribiremos l m fn = f uniformemente o tambin fn ! f uniformemente.

n!1
n!1
Es preciso establecer la diferencia que existe entre la convergencia puntual y la convergencia uniforme. En
la convergencia uniforme, el elemento n0 de Z+ depende de ", en general del conjunto A y no de x 2 A,
142
el nmero n0 2 Z+ es global para todo x 2 A, mientras que en la convergencia puntual n0 2 Z+ depende

de " y de cada x 2 A; y, no es posible hallar un n0 2 Z+ global para todos los elementos del conjunto A.
La convergencia uniforme implica la convergencia puntual, pero el recproco, en general, no es cierto.
Teorema 7 Sea (fn ) una sucesin de funciones denidas en el conjunto A que converge puntualmente
a la funcin f denida en A. Para cada n 2 Z+ se dene
Mn = sup jfn (x)
f (x)j :
x2A
Entonces, (fn ) converge uniformemente a f si y solo si (Mn ) converge a 0:

Del criterio establecido en el teorema precedente, se sigue que (fn ) no converge uniformemente a f si y
solo si l m Mn 6= 0:
n!1
En el siguiente teorema se establece el criterio de Cauchy para la convergencia uniforme.

Teorema 8 Sean A R con A 6= ;; (fn ) una sucesin de funciones denidas en A. Enconces (fn )
converge uniformemente en A a alguna funcin f si y solo si para " > 0, existe n0 2 Z+ tal que 8x 2 A
jfm (x)
si m; n 2 Z+
fn (x)j < "
con m; n
n0 :
Teorema 9 Sean A
R, con A 6= ;; (fn ) y (gn ) sucesiones de funciones reales denidas en A;
f; g 2 F (A) y 2 R: Si l m fn = f y l m gn = g uniformemente, entonces
n!1
n!1
i) (fn + gn ) converge uniformemente a f + g:

ii) ( fn ) converge uniformement a f:
iii) (j fn j) converge uniformemente a j f j :
iv) Si existen M1 > 0; M2 > 0 tales que sup sup j fn (x) j
M1 ; sup sup j gn (x) j
n2Z+ x2A
M2 ; entonces
n2Z+ x2A
(fn gn ) converge uniformement a f g:

v) Si existe M > 0 tal que
a
1
f:
nf
n2Z+
nf j fn (x) j
x2A
M y f 6= 0 ; entonces ( f1n ) converge uniformemente
Convergencia uniforme y continuidad.

Sean A R; A 6= ;; (fn ) una sucesin de funciones reales denidas en A que converge a una funcin f
denida en A, esto es l mn!1 fn (x) = f (x) x 2 A: Adicionalmente, suponemos que cada funcin fn
es continua en todo punto x 2 A; la pregunta que surge es: la funcin lmite f hereda la continuidad
de la sucesin (fn )?
Sea x; x0 2 A: Si fuese f continua, se tendra l mx!x0 f (x) = f (x0 ) ; que en trminos del lmite de la
sucesin de funciones (fn ) la igualdad precedente se expresara como
l m l m fn (x) = l m l m fn (x) :
x!x0 n!1
n!1 x!x0
Lastimosamente esta igualdad no siempre se cumple. Para responder a la pregunta, examinemos la

sucesin de funciones (fn ) denida como fn (x) = exp( nx2 ) x 2 R; n = 1; 2; : : : :
Para x = 0; fn (0) = 1 consecuentemente
l m fn (0) = 1; y para x 6= 0;
n!1
n!1
nx2
= 0:
1; si x = 0;
: Esta funcin no es continua en x = 0:
0; si x 6= 0:
La funcin lmite f est denida como f (x) =

Cada funcin fn es continua en todo R: Resulta
l m l m fn (x) = l m l m e
n!1 x!0
l m fn (x) = l m e
n!1
n!1 x!0
nx2
= l m 1 = 1;
n!1

mientras que si x 6= 0;
nx2
l m l m fn (x) = l m l m e
x!0 n!1
x!0 n!1
= l m 0 = 0:
x!0
Claramente l m l m fn (x) 6= l m l m fn (x) : Este y otros ejemplos muestran que si la sucesin de

n!1 n!0
n!0 n!1
funciones continuas (fn ) converge puntualmente a una funcin f , en general, f no hereda la continuidad
de cada funcin fn : En el siguiente teorema se da una condicin para que la funcin lmite f sea continua.
Teorema 10 Sean A R con A 6= ; y (fn ) una sucesin de funciones continuas en todo punto x 2 A:
Si (fn ) converge uniformemente a una funcin lmite f denida en A, entonces f es continua en todo
punto x 2 A:
Este resultado se sintetiza en el siguiente esquema:
(
fn continua en A; n = 1; 2; : : : ;
fn ! f uniformemente,
n!1
Convergencia uniforme e integracin.
8
<
f continua en A;
: l m l m fn (x) = f (x0 ):
n!1 x !x0
Sea [a; b] un intervalo cerrado de R: Se considera una sucesin de funciones reales (fn ) denida en [a; b] que
converge a una funcin f denida en el mismo intervalo [a; b] : Supongamos que se tiene la convergencia
puntual, esto es
l m fn (x) = f (x) x 2 [a; b] :
n!1
Adicionalmente, supongamos que cada funcin fn es integrable en [a; b] ; es la funcin lmite f integrable
Rb
Rb
en [a; b]? se verica l m a fn (x) dx = a f (x) dx? En denitiva, se desea saber las condiciones que se
n!1
deben vericar para que se cumpla la igualdad siguiente:
Z b
Z b
lm
fn (x) dx =
l m fn (x) dx;
n!1 a
n!1
es decir que podamos intercambiar el smbolo de integral con el del lmite, o tambin que una sucesin
convergente se pueda integrar trmino a trmino.
La convergencia de (fn ) a f as como la integrabilidad de cada funcin fn no garantiza, en general, que
se verique la igualdad anterior, como se puede comprobar con el siguiente ejemplo.
(
n; si x 2 n1 ; n2 ;
n = 1; 2; : : : :Cada
Sea (fn ) la sucesin de funciones denida como fn (x) =
0; si x 2 [0; 2] 8 n1 ; n2
funcin fn es integrable en [0; 2] (fn es una funcin escalonada), y,
Z
Luego l m
n!1
tiene
R2
0
fn (x) dx =
1
n
fn (x) dx +
2
n
1
n
fn (x) dx = 1: Por otro lado, fn (x)

Z
fn (x) dx +
! 0
l m fn (x) dx =
n!1
Tenemos para este ejemplo se tiene l mn!1
R2
0
2
2
n
fn (x) dx =
2
n
ndx = 1:
1
n
x 2 [0; 2] : Se pone f (x) = 0
n!1
x 2 [0; 2] ; y se
f (x) dx = 0:
R2
fn (x) dx 6=
(l mn!1 fn (x)) dx:
Antes de enunciar el teorema relativo a la convergencia uniforme y la integracin revisamos las condiciones
que verican las funciones integrables en [a; b] :
Sea u una funcin acotada en [a; b] : Se dice que u es integrable (Riemann integrable) en [a; b] si y solo si
I (u) = Sup
' u
' (x) dx = Inf

u
(x) dx = I (u) ;
144
donde ' y
son funciones escalonadas en [a; b] tales que '
Los nmeros reales I (u) y I (u) se llaman integrales inferior y superior, respectivamente. Se verica,
adems que para toda funcin acotada u denida en [a; b] ;
Z b
Z b
(x) dx;
' (x) dx I (u) I (u)
a
donde ';
son funciones escalonadas denidas en [a; b] tales que '
Los siguientes enunciados son equivalentes:

i) u es integrable en [a; b] :
ii) Para todo " > 0; existen dos funciones escalonadas ; ' denidas en [a; b] tales que '
Rb
') dx < ":
a (
Teorema 11 Sea (fn ) una sucesin real de funciones integrables en [a; b] : Supongamos que (fn )
converge uniformemente a una funcin f denida en [a; b] : Entonces,
i) f es integrable en [a; b] :
ii) l m
Rb
n!1 a
fn (x) dx =
Rb
a
l m fn (x) dx:
n!1
El resultado del teorema se sintetiza en el siguiente esquema:

8
(
< f integrable en [a; b] ;
fn integrable en [a; b] ; n = 1; 2; : : : ;
Rb
Rb
)
:
fn ! f uniformemente,
l m a fn = a f:
n!1
n!1
En este esquema puede verse que la convergencia uniforme es una condicin suciente para que f sea
integrable en [a; b] :
Teorema 12 Sea (fn ) una sucesin de funciones continuas en [a; b] que converge uniformemente a f .
Entonces
Z b
Z b
lm
fn (x) dx =
f (x) dx:
n!1 a
Convergencia uniforme y derivacin.

Sea A
R; A abierto A 6= ;; (fn ) una sucesin de funciones reales denidas en A que converge
puntualmente a una funcin f denida en A, esto es l mn!1 fn (x) = f (x)
x 2 A: Supongamos
que cada funcin es derivable en todo punto x 2 A, la funcin lmite f es derivable en x 2 A? De ser
as, tendramos
dfn
df
(x) = l m
(x)
x 2 A;
n!1 dx
dx
o sea
d
dfn
l m fn (x) = l m
(x)
x 2 A;
n!1
n!1
dx
dx
es decir que la sucesin (fn ) puede derivarse trmino a trmino. Lamentablemente esta igualdad no
siempre se cumple como se ilustra en el ejemplo siguiente.
Sea (fn ) la sucesin de funciones reales denidas como fn (x) = p1n sen (nx) x 2 R; n = 1; 2; : : : :Cada
p
dfn
funcin fn es derivable y
(x) = n cos (nx) x 2 R; n = 1; 2; : : : : Para x = 2k
k 2 Z; se tiene
dx
1
fn (2k ) = p sen (2nk ) = 0,
n
p
p
dfn
(2k ) = n cos (2kn ) = n ! 1:
n!1
dx

p1
n
p1
jsen (nx)j
! 0 8x 2 R; se pone f (x) = 0 x 2 R y se tiene que fn ! f
n n!1
n!1
df
df
uniformemente. Adems
(x) = 0 y en particular
(2k ) = 0 8k 2 Z: Resulta, para todo k 2 Z;
dx
dx
Puesto que
0=
df
d
(2k ) =
dx
dx
l m fn (2k ) 6= l m
n!1
n!1
dfn
(2k ) = 1:
dx
Es este ejemplo se muestra que inclusive la convergencia uniforme de la sucesin (fn ) no basta, debemos
dfn
: En el siguiente teorema se proponen las condiciones bajo las
tener algo ms sobre la sucesin
dx
cuales se puede derivar trmino a trmino.
Teorema 13 Sean A
R; A 6= ; un conjunto abierto, (fn ) una sucesin real de funciones derivables

dfn
en cada punto x 2 A y tales que
(x) < 1; n = 1; 2; : : : : Supongamos que (fn (x0 )) converge
dx
para algn punto x0 2 A y que la sucesin (fn ) converge uniformemente a una funcin g. Entonces,
i) Existe una funcin real f denida en A tal que fn
ii) Para cada x 2 A;
df
(x) = g (x) :
dx
Este resultado se sintetiza en el siguiente esquema:

8
dfn
>
>
>
< j dx (x) j< 1 8x 2 A; n = 1; 2; : : : ;
x0 2 A; (fn (x0 )) convergente,
>
>
>
: dfn ! g uniformemente,
dx n!1
3.2.2.
! f uniformemente.
n!1
8
< fn
:
! f uniformemente;
n !1
df
(x) = g(x) 8x 2 A:
dx
Series de funciones.
Sea (fn ) una sucesin de funciones denidas en un subconjunto no vaco A de R. La suma

llama serie de funciones. Para n 2 N, se dene
Sn =
n
P
fk
,y,
Sn (x) =
k=1
n
P
k=1
fk (x)
1
P
fk se
k=1
x 2 A: La
funcin fn se llama trmino general de la serie y Sn se denomina suma parcial de la misma. Adems,
Sn es una funcin denida en el conjunto A, y (Sn ) es una sucesin de funciones denida sobre A. Para
cada x 2 A; (Sn (x)) es una sucesin numrica. Si l m Sn (x) existe, denotamos al mismo con S (x),
n!1
1
P
esto es, l m Sn (x) = S (x)
x 2 A; y decimos la serie numrica
fk (x) tiene como suma S (x).
n!1
1
P
Escribimos
k=1
fk
k=1
1
P
l m Sn (x) =
n!1
(x) = S (x) x 2 A. Se dene una funcin real S en todos los puntos x 2 A en los que
fk (x) existe mediante la relacin:
k=1
S (x) = l m Sn (x) =
n!1
y diremos que
1
P
1
X
k=1
fk (x) ;
x 2 A;
fk converge puntualmente a S. Se tiene Dom (S)
A:
k=1
Note que el estudio de la serie de funciones
1
P
fk se le ha conducido al estudio de la sucesin de
k=1
funciones (Sn ) : La primera tarea es analizar su convergencia puntual, a continuacin se debe estudiar
la convergencia uniforme as como sus consecuencias, esto es, la convergencia uniforme y continuidad,
convergencia uniforme e integracin, convergencia uniforme y derivabilidad de dicha serie de funciones.
146
La convergencia uniforme de la serie y la continuidad tiene que ver con la cuestin relativa al intercambio
entre el smbolo de sumatorio con el de lmite:
lm
x!a
1
X
fk (x) =
k=1
1
X
k=1
l m fk (x) =
x!a
1
X
fk (a)
k=1
a 2 A;
resultado que.no siempre es verdadero. La convergencia uniforme de la serie y la integracin est

relacionada con el intercambio entre el smbolo de sumatorio con el de integracin:
Zb
a
1
X
fk (x) dx =
k=1
1 Z
X
k=1 a
fk (x) dx a; b 2 A tales que a < b;
intercambio que no siempre es posible. La convergencia uniforme de la serie y la derivabilidad est

relacionada, tal como en los casos anteriores, con el intercambio del smbolo de derivacin con el de
sumatorio:
!
1
1
X
d X
dfk
fk (x) =
(x) x 2 A;
dx
dx
k=1
k=1
este resultado no siempre es verdadero. Cules son las condiciones suplementarias a la convergencia
uniforme que debemos imponer al trmino general fk de la serie de funciones para que cada una de las
cuestiones citadas siempre sea posible? Estas cuestiones las abordaremos en esta seccin.
A continuacin proponemos algunos resultados de convergencia puntual y uniforme de series de funciones.
Teorema 14 Sean A
i)
1
P
R; A 6= ;; y,
1
P
fn una serie de funciones denidas en A. Entonces
n=1
fn converge si y solo si se satisface la siguiente condicin:
n=1
8" > 0; 8x 2 A;
ii)
1
P
9p 2 Z+ tal que 8m 2 Z+ ;
jfp+1 (x) +
+ fp+m (x)j < ":
fn converge uniformemente si y solo si satisface la siguiente condicin:
n=1
8" > 0; 9 p 2 Z+ tal que 8x 2 A; 8m 2 Z+ ;
jfp+1 (x) +
+ fp+m (x)j < ":
En el siguiente teorema se propone la conocida prueba de Weierstrass de la convergencia uniforme de

series de funciones.
Teorema 15 Sea A
R con A 6= ; y (un ) una sucesin de funciones reales denidas en A.
Supongamos que existe Mn > 0 tal que jun (x)j
Mn 8x 2 A; n = 1; 2; : : :. Si la serie numrica
1
1
P
P
Mn converge, entonces la serie
un converge uniformemente en A:
n=1
n=1
Ejemplos
1
P
1
k x
x 2 R: Mostremos que esta serie es convergente.
2 sen
2
k=1 (k + 1)
Para ello apliquemos el criterio de Weierstrass. Tenemos
1
sen
(k + 1)2
k x
2
1
8x 2 R; k = 1; 2; : : :
(k + 1)2
la prueba de Weierstrass se sigue que las serie
1
P
1
2 sen
k=1 (k + 1)
1
P
1
2 es convergente, por
n=1 (n + 1)
k x
converge uniformemente en
2
Aplicando el criterio de la integral se prueba que la serie numrica

todo R, lo que dene una funcin S en todo R dada como
S (x) =
1
P
2. La serie geomtrica
k=0
1
1
jxj < 1:
1
X
1
2 sen
(k
+
1)
k=1
k x
2
x 2 R.
xk converge si y solo si jxj < 1, en cuyo caso escribimos
Sea 0 < a < 1: Para todo x 2 [ a; a]
xk
] 1; 1[ se tiene
1
P
ak k = 0; 1; : : : ;
por la prueba de Weierstrass resulta que la sucesin (Sn ) denida como Sn (x) =
k=0
1
P
1
P
xk =
k=0
ak =
1
1
xk converge
k=0
uniformemente a
S (x) =
1
X
xk =
k=0
La serie
esto es,
1
P
k=0
1
P
xk =
Teorema 16 Sea
1
P
n=1
1
P
n=1
ii) Si
1
P
1
P
n=1
n=1
x 2 [ a; a] :
xk x 2 ] 1; 1[ no converge uniformemente, nicamente se tiene convergencia puntual;
k=0
i) Si
1
1
1
1
jxj < 1:
fn una serie de funciones sobre un subconjunto A de R con A 6= ;:
jfn j converge, entonces
1
P
fn converge, y,
1
P
fn
n=1
n=1
jfn j converge uniformemente, entonces
jfn j :
1
P
1
P
n=1
jfn j :
fn converge uniformemente, y,
n=1
1
P
fn
n=1
Ejemplo
Consideremos la serie
1 ( 1)k x2k
P
k=0 (2k + 5)!
x 2 R. Probemos que converge uniformemente sobre cada intervalo
[ r; r] con r > 0: En efecto, para cada x 2 R, la serie

el criterio del cociente, para x 6= 0 se tiene
jxj2(k+1)
(2 (k + 1) + 5)!
(2k + 5)!
jxj2k
1 ( 1)k x2k
1
P
P
x2k
=
converge, pus por
k=0 (2k + 5)!
k=0 (2k + 5)!
x2
(2k + 6) (2k + 7)
! 0:
k!1
x2k
r2k
8x 2 [ r; r] ; k = 0; 1; : : :.El criterio del cociente
(2k + 5)!
(2k + 5)!
1
1
P
P
r2k
x2k
muestra que la serie
converge. Por la prueba de Weierstrass, la serie
converge.
k=0 (2k + 5)!
k=0 (2k + 5)!
Mostremos que la convergencia es uniforme. Sea " > 0: Por el criterio de Cauchy,
Sea r > 0. Entonces
9p 2 Z+ tal que 8m 2 Z+ )
p+m
X
k=p+1
r2k
< ";
(2k + 5)!
de donde
p+m
X
k=p+1
( 1)k x2k
(2k + 5)!
p+m
X
k=p+1
jxj2k
(2k + 5)!
p+m
X
k=p+1
r2k
<"
(2k + 5)!
8x 2 [ r; r]
148

1 ( 1)k x2k
P
k=0 (2k + 5)!
que prueba la convergencia uniforme de la serie
8x 2 [ r; r] :
Escribamos estos resultados en trminos de sucesiones. Denotamos con (un ) ; (vn ) las sucesiones denidas
por
n
n
X
X
x2k
( 1)k x2k
un (x) =
; vn (x) =
x 2 [ r; r] ; n = 1; 2; : : : .
(2k + 5)!
(2k + 5)!
k=0
Se tiene jun (x)j
k=0
vn (x)
x 2 [ r; r] ; n = 1; 2; : : :La convergencia de la serie
implica que l m vn (x) existe para todo x 2 [ r; r] y por el criterio de Cauchy,

n!1
9p 2 Z+ tal que 8m; n 2 Z+ con

Para m; n 2 Z+ tal que n > m
p ) jvm (x)
p; se tiene vn (x)
vm (x) =
x2R
vn (x)j < " 8x 2 [ r; r] :
x2k
<"
k=m+1 (2k + 5)!
n
P
8x 2 [ r; r] ; y de la
( 1)k x2k
< " si
k=m+1 (2k + 5)!
p; x 2 [ r; r] ; que son los resultados que hemos obtenido anteriormente.
desigualdad jun (x)

n>m
m; n
x2k
k=0 (2k + 5)!
1
P
um (x)j
vn (x)
vm (x) < " si n > m
p, se deduce
n
P
Tal como en el estudio de las sucesiones de funciones nos interesamos en los problemas de la convergencia
1
P
uniforme y la continuidad, derivacin e integracin, esto es, si
fn es una serie de funciones denidas en
n=1
A que converge uniformemente a una funcin suma S, se tiene S (x) =
1
P
n=1
fn (x) x 2 A: Los resultados
precedentes obtenidos en esta seccin y los de la seccin anterior son aplicados a la sucesin de sumas
n
P
fk n = 1; 2;
; y se obtienen los siguientes relativos a la continuidad,
parciales (Sn ) con Sn =
k=1
integrabilidad y derivabilidad. As, si fn es continua en x0 2 A; n = 1; 2; : : : ; se tiene

lm
x!x0
1
X
1
X
fn (x) =
n=1
n=1
l m fn (x) = S (x0 ) :
x!x0
Si fn es integrable en A = [a; b] ; n = 1; 2; : : : ; se tiene

Z
S (x) dx =
Si A es abierto, x0 2 A y
Z bX
1
fn (x) dx =
a n=1
1
P
1 Z
X
fn (x) dx:
n=1 a
1 df
P
n
n=1 dx
1
P
converge uniformemente a S =
fn ; y,
fn (x0 ) converge, (fn ) es derivable en todo punto de A, y,
n=1
converge uniformemente a una funcin g, entonces
1
P
fn
n=1
dS
(x) = g (x) x 2 A; es decir, se tiene
dx
d
dx
1
X
n=1
fn (x)
1
X
dfn
n=1
dx
n=1
(x) x 2 A:
Teorema 17 Sea A R con A 6= ;; (fn ) una sucesin de funciones continuas en todo punto x 2 A:
1
P
Si
fk converge uniformemente a una funcin S denida en A; entonces S es continua en A, y
k=1
lm
x!x0
1
X
k=1
fk (x) =
1
X
k=1
l m fk (x) = S (x0 ) :
x!x0
3.3. SERIES DE POTENCIAS.
149
Teorema 18 Sean (fn ) una sucesin de funciones integrables en [a; b] ; (Sn ) la sucesin de sumas
1
n
P
P
fk n = 1; 2; : : :. Si (Sn ) converge uniformemente en [a; b]
parciales de la serie
fn ; esto es, Sn =
aS=
1
P
n=1
k=1
fk ; entonces S es integrable, y se tiene
k=0
Z bX
1
fk (x) dx =
a k=0
1 Z
X
fk (x) dx:
k=0
Para la convergencia uniforme y la derivacin de series de funciones consideramos el siguiente ejemplo

1
P
cos(3n x)
debido a Weierstrass. La serie
x 2 R converge uniformemente en todo R: Adems cada
2n
k=0
funcin un (x) = 21n cos (3n x) n = 1; 2; : : : ; es derivable en todo R; por lo tanto continua en todo R. Se
dene la funcin f como sigue:
1
X
cos (3n x)
f (x) =
x 2 R:
2n
k=0
Resulta que f es continua en todo R. Por otro lado,

dun
(x) =
dx
3
2
dun
(x) =
dx
sen (3n x) n = 1; 2; : : : ; y,
3
2
No se cumple con la hiptesis de la prueba deWeierstrass. Si x = 2k

dun
(2k ) = sen (3n
dx
y,
1
P
df
(2k ) = 0: Para x 6= 2k ; la serie
dx
k=0
3.3.
2k ) = 0
3 n
sen (3n x)
2
jsen (3n x)j
3
2
! 1:
n!1
k 2 Z+ ; entonces
n = 1; 2; : : : ;
diverge, luego
df
(x) no existe.
dx
Series de potencias.
Las series de potencias son series de funciones cuyas sumas parciales Sn (x) x 2 R y n = 1; 2;
;
son polinomios de grado n, y estos constituyen las funciones con las que se pueden calcularse valores
numricos en forma relativamente simple. Iniciamos esta seccin con la convergencia puntual de las series
de potencias que se convierte en la determinacin del radio de convergencia. A continuacin se trata las
propiedades de las funciones representadas como series de potencias y relacionamos con la convergencia
uniforme y la continuidad, integrabilidad y derivabilidad. Concluimos esta seccin con la revisin de
algunos resultados de una parte importante de las series de potencias que lo constituyen las series de
Taylor.
3.3.1.
Series de potencias.
Las series de potencias son series de la forma
1
P
ak (x
x0 )k ; donde (ak ) es una sucesin numrica
k=0
real, x,x0 2 R con x0 jo. El cambio de variable t = x

estudiar las series de potencias
para x = 0.
1
P
k=0
ak
xk :
x0 , conduce a la serie
Adems, toda serie de potencias
1
P
1
P
ak tk , por lo que basta
k=0
ak xk converge por lo menos
k=0
Comenzamos con la convergencia puntual, la convergencia absoluta y la existencia del radio de

convergencia de las series de potencias.
150
Teorema 19 Sean
1
P
ak xk una serie de potencias, ;
k=0
i) Si
1
P
ak
k=0
k=0
ii) Si
1
P
1
P
converge, entonces
ak
diverge, entonces
1
P
k=0
k=0
Radio de convergencia
2 R con
6= 0;
6= 0:
ak xk converge absolutamente sobre ] j j ; j j[ :
ak xk diverge para todo x 2 R tal que jxj > j j :
A continuacin se dene el radio de convergencia R que es muy importante en el anlisis de la convergencia

de las series de potencias.
Denicin 6 Sea
1
P
ak xk una serie de potencias. Se dene el conjunto A como sigue:
k=0
A=
x2Rj
Se llama radio de convergencia de la serie
k=0
1
P
jak j jxjk converge :
ak xk a un nmero real R
k=0
como sigue:
i) Si A = f0g ;
ii) Si A = R;
1
X
0 o R = 1 que se dene
R = 0:
R = 1:
iii) Si A 6= f0g y A 6= R;
R = Sup jxj > 0: El intervalo ] R; R[ se llama intervalo de convergencia
de la serie de potencias
1
P
x2A
ak xk :
k=0
Teorema 20 Sean
1
P
k=0
ak xk una serie de potencias y R > 0 o R = 1:
i) Si R = 1; la serie de potencias converge absolutamente para todo x 2 R.

ii) Si R > 0; la serie de potencias converge absolutamente sobre ] R; R[ y diverge para x 2 R con
jxj > R:
En la gura siguiente se ilustra el intervalo de convergencia ] R; R[ cuando 0 < R < 1; de la serie de
1
P
potencias
ak xk x 2] R; R[:
k=0
Figura 29
Cabe mencionar que para x = R o x = R, eventualmente se puede tener convergencia absoluta,

convergencia condicional, o simplemente la serie puede ser divergente. Ms adelante se exhibir un caso
concreto de esta situacin.
Para la determinacin del radio de convergencia se aplican usualmente los clsicos criterios del cociente
151
1
P
y la raz Consideremos la serie de potencias
ak xk y supongamos que L = l m
k!1
k=0
apliquemos el criterio del cociente. Tenemos
ak+1
: Para x 6= 0;
ak
ak+1 xk+1
ak+1
= lm
jxj = L jxj :
k
k!1
k!1
ak
ak x
8
>
< i) si L = 0; R = 1;
1
El radio de convergencia R se elige como sigue:
ii) si L > 0; R = ;
>
L
:
iii) si L = 1; R = 0:
lm
Supongamos L = l m jak j k : Apliquemos el criterio de la raz:

k!1
lm
k!1
jak j jxj
1
k
= l m jxj jak j k = jxj L:

k!1
8
>
< i) si L = 0; R = 1;
1
ii) si L > 0; R = ;
>
L
:
iii) si L = 1; R = 0:
El radio de convergencia R se elige en forma similar al caso precedente:
Ejemplos
1. Consideremos la serie geomtrica
si jxj < 1: En tal caso
1
P
1
P
xk . Se demostr anteriormente que la serie converge si y solo
k=0
xk =
: Es claro que el radio de convergencia es R = 1: Los criterios

1 x
del cociente y de la raz conrman que el radio de convergencia es R = 1:
k=0
2. Ms adelante se prueba que arctan(x) =
1
P
k=0
( 1)k 2k+1
;
2k+1 x
cuyo intervalo de convergencia es ]
En este ejemplo, para x = 1, se obtiene el siguiente resultado:

muestra que la serie
1
P
k=0
1
P
k=0
( 1)k
2k+1
converge condiciolnalmente a
( 1)k
2k+1
= arctan(1) =
1; 1[:
4;
que
1 ( 1)k x2k
P
tiene como radio de convergencia R = 1: En efecto, por el
k!2k
k=0
criterio del cociente se tiene
3. La serie de potencias
1
k!1 (k + 1)!2k+1
L1 = l m
1
= 0;
k!1 2 (k + 1)
k!2k = l m
luego R = 1: He aqu algunas series numricas absolutamente convergentes: para x = 3 se tiene

1 ( 1)k 32k
1 ( 1)k
p
P
P
5 k
4;5 ; para x =
=
e
5
se
obtiene
la
serie
numrica
= e 2;5 ; para
k
k!
2
k!2
k=0 p
k=0
1 ( 1)k
1 ( 1)k x2k
P
P
2
x2
0;25 : Se tiene
x=
se tiene
=
e
=
exp(
) x 2 R.
k
2
2
k!2k
k=0 k!4
k=0
4. La serie de potencias
1 ( 1)k
P
xk+2 tiene como radio de convergencia R = 1, pus
2
k
k=0
L2 = l m
k!1
1
k2
1
k
= lm
k!1
1
2
= 1;
kk
1 ( 1)k
P
1
= 1: Observe que para x = 1 se tiene la serie
que converge
2
L2
k=0 k
1 1
P
absolutamente;y para x = 1 la serie
tambin converge absolutamente.
2
k=0 k
de donde R =
152
Propiedades de las series de potencias.

Ahora nos interesamos en los problemas de la convergencia uniforme, la continuidad, la derivabilidad
e integrabilidad de las funciones que se representan como series de potencias. Ms precisamente,
1
P
consideremos la serie de potencias
ak xk y supongamos que el radio de convergencia es R > 0 o
k=0
R = 1:
Consideramos en caso R > 0: La serie converge sobre el intervalo ] R; R[ ; por lo tanto dene una funcin
1
P
f de ] R; R[ en R dada por f (x) =
ak xk x 2 ] R; R[ : Analicemos la convergencia uniforme de
la serie de potencias
1
P
k=0
ak
xk
sobre ] R; R[. Se dene
n
P
Sn (x) =
ak xk
k=0
k=0
x 2 ] R; R[ ; n = 1; 2; : : : ;y
sea 0 <
< R: Apliquemos los resultados obtenidos anteriormente sobre la convergencia uniforme,
continuidad, integrabilidad y derivabilidad de sucesiones de funciones reales.
Primeramente, l m Sn (x) =
k!1
1
P
ak xk = f (x)
x 2 ] R; R[ ; y como R > 0, se tiene
k=0
y por la denicin del radio de convergencia se tiene R =
ak+1
> 0;
ak
ak+1
lm
=
k!1
ak
lm
k!1
1
; de modo que
ak+1
lm
k!1
ak
< 1: Cada funcin Sn ; n = 1; 2; : : : ; es continua, derivable e integrable sobre [ ; ] : Seguidamente,

R
aplicamos la prueba de Weierstrass de la convergencia uniforme. Para x 2 [ ; ] ; se tiene ak xk
1
P
jak j k converge, pus por el criterio de cociente se tiene
jak j k = Mk k = 1; 2; : : :.La serie
k=0
lm
k!1
k+1
ak+1
ak
lm
k!1
1
P
La prueba de Weierstrass muestra que la serie
ak+1
< 1:
=
ak
R
ak xk converge uniformemente sobre [
; ]. En
k=0
consecuencia
ak =
Sup jSn (x)
x2[
f (x)j =
; ]
x2[
es decir, (Sn ) converge uniformemente a f sobre [

en [ ; ] : Resulta, para x0 2 [ ; ] ;
x!x0
ak x dx =
1
X
x!x0
Para todo t 2 [
Z
f (x) dx =
lm
k!1
1
X
k=0
1
X
ak k+1
=
t
k+1
k=0
para todo t 2 [
; ] k=0
! 0,
k !1
ak x =
1
X
k=0
k=0
a lm x =
x!x0 k
1
X
ak xk0 :
k=0
; ];
ya que las series
ak xk
; ] : Adems, f es continua y por lo tanto integrable
1
X
f (x0 ) = l m f (x) = l m
1
X
Sup
k=0
1
X
ak
tk+1
x dx =
k+1
k
)k+1
k=0
1
X
( 1)k+1 ak
k+1
k+1
k=0
1 ( 1)k+1 a
ak k+1 P
k
t
y
k
+
1
k
+
1
k=0
k=0
; ] ; t 6= 0, se tiene
1
P
ak
k+1
ak+1 k+2
t
(k + 1) ak+1
k+2
lm
= jtj l m
ak k+1 = jtj k!1
k!1
(k
+ 2) ak
t
k+1
son convergentes. As, por el criterio del cociente,
k+1
k+2
lm
k!1
ak+1
ak+1
= jtj l m
k!1
ak
ak
1
< 1;
R
153
1
P
ak k+1
t
converge sobre [
k=0 k + 1
que muestra que la serie de potencias

Z
1
X
ak k+1
t
k+1
f (x) dx =
1
X
( 1)k+1 ak
k+1
k=0
; ] : En consecuencia
k+1
t2[
k=0
; ];
est bien denida.

Veamos la derivabilidad de f . Tenemos
n
X
dSn
d
(x) =
dx
dx
Veriquemos que la serie
que
1
P
1
P
kak xk
k=0
n
X
kak xk
x2[
k=1
converge uniformemente sobre [
; ]:
; ] : Primeramente veriquemos
k=1
kak xk
converge sobre [
; ] : En efecto, por el criterio del cociente, se tiene para x 2
k=1
ak xk
; ] ; x 6= 0;
lm
k!1
(k + 1) ak+1 xk
ak+1
ak+1
(k + 1)
lm
= jxj l m
= jxj l m
k
1
k!1
k!1
k!1
k
ak
ak
kak x
1
P
que prueba la convergencia de
kak xk
x2[
k=1
es uniforme. Tenemos
kak xk
1
P
y la serie numrica
potencias
1
P
k=1
kak xk
= k jak j jxjk
k jak j
k 1
k 1
k jak j
x2[
; ] ; k = 1; 2; : : :
converge. Por la prueba de Weierstrass se concluye que la serie de
converge uniformemente sobre [
; ] : Adicionalmente Sn (0) = 0
Por el teorema de la convergencia uniforme y la derivacin se deduce:

Ejemplo
x por
1
P
xk =
k=0
1
1
1
P
1
P
( 1)
xk
k=0
( 1)k xk =
k=0
1
P
df
kak xk
(x) =
dx
k=1
x . El radio de convergencia de la serie
x en la serie geomtrica, obtenemos
R = 1, o sea
1
1+x
< 1;
; ] : A continuacin vericamos que la convergencia
k=1
Si jxj < 1, se tiene
1
1+x
1
P
n = 1; 2; : : :.
x2[
; ]:
xk es R = 1: Si remplazamos
k=0
cuyo radio de convergencia es tambin
si jxj < 1: Con este ejemplo construimos algunas funciones que se dan
a continuacin.
1. Para 0 < a < 1, la serie

1
P
k=0
1
P
ak converge y
k=0
k=0
k
( 1) xk =
1
1+x
con jxj
1
P
ak =
1
; por la prueba de Weierstrass, la serie
1+a
a, converge uniformemente. Aplicando el teorema de convergencia
uniforme e integracin, deducimos el resultado siguiente:

ln (1 + x) =
dt
=
1+t
1
xX
0 k=0
1
X
( 1)k k+1
( 1) t dt =
x
k+1
k k
k=0
jxj < 1;
cuyo radio de convergencia es R = 1. Adems, para x = 1 se obtiene la serie numrica
1
P
k=0
misma que converge condicionalmente a ln(2).
( 1)k
k+1
la
154

1
P
2. Si en el resultado siguiente
1
P
potencias
( 1)k xk =
1
1+x
k=0
( 1)k x2k =
k=0
1
,
1+x2
y nuevamente, aplicamos el teorema de la convergencia uniforme y
la integracin sobre el intervalo [0; x]

arctan(x) =
se remplaza x por x2 , obtenemos la serie de
1; 1[ si x
dt
=
1 + t2
1
xX
0 k=0
0; y, [x; 0]
1; 1[ si x
0: Obtenemos
1
X
( 1)k 2k+1
( 1) t dt =
x
;
2k + 1
k 2k
k=0
resultado que es vlido para jxj < 1; y, para x = 1, se obtiene el siguiente resultado:
arctan(1) = 4 :
1
P
k=0
( 1)k
2k+1
3. Por otro lado, del teorema de la convergencia uniforme y la integracin aplicado a la serie
1
P
xk = 1 1 x en un intervalo [ a; a] ] 1; 1[, obtenemos
k=0
ln (1
x) =
dt
1
1
xX
0 k=0
1
X
xk+1
t dt =
si jxj < 1:
k+1
k
k=0
Por lo tanto,
1+x
1 x
ln
1+x
1 x
o sea ln
= ln (1 + x)
1
P
k=0
d
dx
1
P
1
xk =
1
x
k=0
1
1
(1
1
P
kxk
x2k+1
2k+1
para x 2]
1
luego,
k=1
x) =
1
1
1
X
X
( 1)k xk+1 X xk+1
x2k+1
+
=2
;
k+1
k+1
2k + 1
k=0
=2
4. Puesto que
ln (1
k=0
para jxj < 1:

1
(1
8x 2]
x)2
1; 1[; y por otro lado
1
1
P
d P
xk =
kxk
dx k=0
k=1
1.
Como
1; 1[; por el teorema de convergencia uniforme y derivacin, tenemos
d
2 = dx
x)
1
(1 x)2
k=0
1
1
d
=
dx
1
X
k=0
1
X
kxk
k=1
para jxj < 1;
jxj < 1:
5. Procediendo en forma similar a la del ejemplo precedente, la funcin denida como

1
P
( 1)k x2k es vlida para jxj < 1. Derivando miembro a miembro, se obtiene
1
1+x2
k=0
2x
d
2 = dx
2
(1 + x )
As,
1
P
( 1)k 2kx2k
k=1
1
1 + x2
2x
(1+x2 )2
d
=
dx
1
X
como Sn (x) =
n
P
k=0
1
P
k=0
ak xk
ak xk
2k
( 1) x
k=0
1
X
( 1)k 2kx2k
k=1
para jxj < 1:
Consideremos el caso R = 1. La serie de potencias

funcin g dada por g (x) =
1
P
k=0
ak xk converge en todo R y se dene una
x 2 R: Nuevamente la sucesin de funciones (Sn ) denida
x 2 R; n = 1; 2; : : : ; es continua, derivable e integrable sobre todo intervalo
[a; b] de R: Analicemos la convergencia uniforme de (Sn ) en [0; ] con
> 0: Como R = 1, se tiene

lm
k!1
1
P
k=0
155
ak+1
= 0 y en consecuencia,
ak
jak j
ak xk
jak j
k = 1; 2; : : : ; x 2 [0; ] ; y la serie numrica
converge, pus
ak+1
ak
lm
k!1
1
P
Por la prueba de Weierstrass, la serie
k=0
k+1
lm
k!1
ak+1
= 0:
ak
ak xk converge uniformemente sobre j0; j : Luego g es continua,
derivable e integrable, y se tienen los siguientes resultados:

g (x0 ) =
Z
g (x) dx =
dg
(x) =
dx
l m g (x) =
x!x0
Z tX
1
1
X
ak xk0
k=0
ak xk dx =
0 k=0
1
X
para x0 2 [0; ] ;
1
X
ak k+1
t
k+1
k=0
kak xk
k=1
para t 2 [0; ] ;
x 2 [0; ] :
La convergencia uniforme de (Sn ) sobre [a; b] se deduce inmediatamente de la convergencia uniforme

sobre [0; ] con = M ax fjaj ; jbjg :
Ejemplo
( 1)k
xk
2
k!(k
+
1)
k=0
Para el efecto, aplicamos el criterio del cociente:
1
P
Considrese la serie de potencias
lm
k!1
x 2 R: Determinemos el radio de convergencia R:
ak+1
1
k+1
= lm
k! (k + 1)2 = l m
= 0;
k!1 (k + 1)! (k + 2)2
k!1 (k + 2)2
ak
entonces R = 1; esto es, la serie converge uniformemente en todo R. Se dene

f (x) =
1
X
( 1)k
k
x 2 R:
2x
k!
(k
+
1)
k=0
Rt
df
(x) e 0 f (x) dx para x; t 2 R. Para todo > 0; se tiene
dx
!
1
1
1
X
X
( 1)k xk 1
( 1)k+1 xk
df
d X ( 1)k
k
(x) =
x
=
=
dx
dx
k! (k + 1)2
(k 1)! (k + 1)2
k! (k + 1)2
k=1
k=0
k=0
Calculemos
x2[
; ];
Z tX
1
1 Zt
1
X
X
( 1)k
( 1)k xk
( 1)k
k
k+1
f (x) dx =
dx
=
x
dx
=
2
2
2t
k!
(k
+
1)
(k
+
1)!
(k
+
1)
0 k=0 k! (k + 1)
k=0
k=0
t2[
( 1)k
2 k;
k=0 k! (k + 1) 2
1
1
P
P
1
1
k = 0; 1; : : :.La serie
converge a 1: Tenemos
= 1; y
k=1 k (k + 1)
k=1 k (k + 1)
Calculemos una aproximacin de f
1
2
con una precisin " = 10
3:
1
2
Tenemos f
1
k! (k + 1)2 2k
1
sea bk =
k = 1; 2; : : :Por el criterio de comparacin, se tiene
k (k + 1)
y sea ak =
ak
k (k + 1)
k
=
=
< 10
2
k
bk
(k + 1)!2k
k! (k + 1) 2
Entonces
; ]:
1
X
k=7
ak <
1
X
k=7
10
bk = 10
1
X
k=7
bk < 10
si k
1
X
bk = 10
k=1
6:
1
P
156
Luego, si f7
f7
1
2
1
2
7
X
1
720
= 1+
1
' 0;8886:
1
2
3.3.2.
f7
1
2
con una precisin "; se tiene
( 1)k
k! (k + 1)2 2k
k=0
= 1
As, f
1
2
denota una aproximacin de f
< " = 10
1
1
1
1
1
+
+
4 2 2 9 4 6 16 8 24 25 16 120 36
1
1
49 64 5040 64 128
1
1
1
+
+
9 4 24 25 16 720 49 64
1
1
1
1
+
+
+
4 2 6 16 8 120 36 32 5040 64 128
32
3:
Series de Taylor.
Las series de Taylor son series de potencias de la forma
1
P
ak (x
a)k , donde los coecientes ak estn
k=0
(k)
denidos como ak = f k!(a) k = 0; 1; : : : ; con f una funcin que posee derivadas de todos los rdenes en
x = a. Se dice que la serie de Taylor es generada por f en x = a: Nos interesamos primeramente en las
1
P
ak xk y determ namos los
funciones f que se representan como series de potencias, esto es, f (x) =
k=0
coecientes ak k = 1; 2;
; a continuacin nos interesa las funciones f que se representan como series
de potencias. Asumiremos que a = 0; si a 6= 0; el cambio de variable t = x a conduce al caso anterior.
Consideremos la serie de potencias
de ] R; R[ en R como f (x) =
1
P
1
P
ak xk cuyo radio de convergencia es R > 0. Se dene la funcin f
k=0
ak xk
k=0
x 2 ] R; R[ : Determinemos los coecientes ak k = 1; 2;
Se
tiene f (0) = a0 : Sea 0 < < R: Hemos visto que f 0 (x) existe y es continua en todo punto x 2 [ ; ],
1
1
P
P
y
f 0 (x) =
kak xk 1 luego f 0 (0) = a1 : La serie
kak xk 1 converge uniformemente en el
k=1
k=1
intervalo [ ; ]. A continuacin calculamos la derivada segunda de la funcin f; tenemos f 00 (x) =

1
1
P
P
k (k 1) ak xk 2 y de esta obtenemos f 00 (0) = 2!a2 : Nuevamente la serie
k (k 1) ak xk 2 converge
k=2
uniformemente en el intervalo [
; ] ; entonces
f 000 (x)
f (n) (x)
Continuando con este proceso, obtenemos
1
P
k=3
1
P
k=2
k (k
1) (k
k (k
1)
2) ak xk
:::
(k
y f 000 (0) = 3!a3 :
n + 1) ak xk
n,
k=n
f n (0) = n!an : Resulta
an =
f (n) (0)
n!
1
P
serie de potencias siguiente f (x) =
k=0
n = 0; 1; 2; : : :, y la funcin f queda representada como la

f (k) (0)
k!
xk
x 2 ] R; R[ ; que se conoce como serie de Taylor de
f en un entorno de x = 0: Es claro que f 2 C 1 (] R; R[) :

Cuando R = 1; la situacin es muy similar al caso que acabamos de analizar, esto es, si f (x) =
1
P
ak xk
x 2 R, entonces f 2 C 1 (R), y esta funcin f se representa como la serie de potencias
k=0
siguiente:
f (x) =
1
X
f (k) (0)
k=0
k!
xk
x 2 R:
Sea R > 0 y f 2 C 1 (] R; R[). Consideramos el problema siguiente: expresar f (siempre que sea posible)
1 (k)
P
f (0) k
como una serie de Taylor en el entorno de 0; es decir, f (x) =
x 2 ] R; R[ : Si
k! x
k=0
157
f (k) (0) = 0 8k 2 Z+ ; entonces f (x) = 0 8x 2 ] R; R[ y la funcin f no se representa como una serie

(
1
exp( 2 ); si x 6= 0;
Se demuestra
de Taylor. Esto se evidencia con el siguiente ejemplo: f (x) =
x
0; si x = 0:
que f (k) (0) = 0 existe para k = 1; 2; : : : ; luego la funcin f que se desea representar como una serie de
potencias es cero, pero la funcin f es nula solo en x = 0: Se concluye que f no se representa como una
serie de potencias.
Sea f 2 C 1 (] R; R[) ; el polinomio de Taylor de f en un entorno de x = 0 se expresa como
f (x) =
n
X
f (k) (0)
k!
k=0
xk + En (x) 8x 2]
R; R[;
donde En (x) denota el error de aproximacin de f (x) en x = 0; que se expresa como

1
En (x) =
n!
Zx
t)n f (n+1) (t)dt x 2]
(x
R; R[:
Mn
(n+1)!
Si f (n+1) es acotada en un entorno de 0, jEn (x)j
jxjn+1 ; donde Mn =
f (n+1) (t) con
Sup
t2[a r; a+r]
r > 0:
Teorema 21 Sean f 2 C 1 (] R; R[) ; 0 < r < R: Si existe una constante M > 0 tal que
j f (n+1) (x) j M n ; n = 1; 2; : : : ; x 2 [ r; r]; entonces la serie de Taylor generada por f converge
hacia f (x):
Ejemplos
1. La serie de Taylor
1 xk
P
k=0 k!
x 2 R es generada por ex en x = 0. Esta serie converge absolutamente
en todo punto x 2 R. El radio de convergencia es R = 1. Se tiene ex =

las siguientes series numricas, todas son absolutamente convergentes:
e
1
2
1
X
( 1)k
=
;
k!2k
e =
k=0
1
X
2k
k=0
k!
1 xk
P
k=0 k!
k
1
X
22
k=0
k!
8x 2 R. Observe
1 xk
P
d x
(e ) = ex 8x 2 R y como la serie de potencias ex =
converge uniformemente
dx
k=0 k!
sobre todo intervalo cerrado y acotado [a; b] de R, se sigue que
Puesto que
d x
d
(e ) =
dx
dx
1
X
xk
k=0
k!
1
X
kxk
k=1
Por otro lado, si se remplaza x por

1 ( 1)k xk
P
Taylor siguiente: e x =
k!
k=0
k!
1
1
X
X
xk 1
xk
=
= ex
(k 1)!
k!
k=1
x en el desarrollo de Taylor de ex ; se tiene la serie de

8x 2 R. De manera similar, si se remplaza x por
en el desarrollo de ex ; se tiene la serie siguiente: e

p
1 x2
P
k=0 k!
8x 2 [0; 1[;
2
x3
3
k=0
8x 2 R.
1 ( 1)k x3k
P
k!3k
k=0
x2
1 ( 1)k x2k
P
k!
k=0
x2
8x 2 R. Igualmente
8x 2 R.
La integral de e x no puede calcularse con funciones elementales, sin embargo, si utilizamos el

desarrollo de Taylor de dicha funcin, y los resultados de la convergencia uniforme y la integracin,
obtenemos la siguiente serie de potencias:
Zt
0
x2
Zt X
1
1 Zt
1
X
X
( 1)k x2k
( 1)k x2k
( 1)k t2k+1
dx =
dx =
dx =
k!
k!
k!(2k + 1)
0 k=0
k=0 0
k=0
8t 2 [0; 1[;
158

que es absolutamente convergente. En la siguiente seccin mostramos como obtener valores
aproximados de series de potencias, particularmente de la funcin error que se estudia en estadstica
y en ecuaciones diferenciales ordinarias y en derivadas parciales.
2. La serie de Taylor
1
P
k=0
( 1)k x2k+1
(2k+1)!
es generada por sen(x) en un entorno de x = 0: Esta serie es
absolutamente convergente para todo x 2 R y su radio de convergencia es R = 1. Tenemos

sen(x) =
1
X
( 1)k x2k+1
;
(2k + 1)!
x 2 R.
k=0
De manera similar, la serie de Taylor de cos(x) en un entorno de x = 0; es la siguiente:

cos(x) =
1
X
( 1)k x2k
(2k)!
k=0
x 2 R.
que converge absolutamente en todo R, y es uniformemente convergente en todo intervalo cerrado

y acotado.
0
Puesto que (sen(x)) = cos(x) 8x 2 R, aplicando el resultado de la convergencia uniforme y la

derivacin para sucesiones de funciones, y, tomando en consideracin la convergencia absoluta de
dichas series, se sigue que
!
1
1
1
X
X
d X ( 1)k x2k+1
( 1)k (2k + 1)x2k
( 1)k x2k
0
(sen(x)) =
=
=
= cos(x) 8x 2 R.
dx
(2k + 1)!
(2k + 1)!
(2k)!
k=0
k=0
k=0
Por otro lado, si se remplaza x por x2 en los desarrollos de Taylor de sen(x) y cos(x), se obtienen
las series de potencias siguientes:
sen(x2 ) =
1
X
( 1)k x4k+2
; y
(2k + 1)!
cos(x2 ) =
1
X
( 1)k x4k
(2k)!
k=0
k=0
x 2 R.
p
Igualmente, el desarrollo en serie de potencias de la funcin real dada por g(x) = x sen( x)
8x 2 [0; 1[; se obtiene del desarrollo de Taylor de sen(x) : Tenemos
2k+3
2k+1
1
1
X
X
( 1)k x 2
( 1)k x 2
g(x) = x sen( x) = x
=
(2k + 1)!
(2k + 1)!
k=0
k=0
8x 2 [0; 1[:
Esta serie de potencias converge absolutamente para todo x

0: Adems, esta serie converge
uniformemente sobre todo intervalo cerrado y acotado [a; b] de [0; 1[, particularmente sobre [0; t];
y, si se aplica el teorema de la convergencia uniforme y la integracin se obtiene la siguiente serie
de potencias absolutamente convergente sobre el intervalo [0; 1[:
Zt
0
3.4.
2k+3
Zt X
Z t
1
1
1
X
2k+3
5 X
( 1)k
( 1)k tk
( 1)k x 2
x sen( x)dx =
dx =
x 2 dx = 2t 2
:
(2k + 1)!
(2k + 1)! 0
(2k + 1)!(2k + 5)
0 k=0
k=0
k=0
Aproximacin numrica de series de potencias.
Sean n 2 N; ak 2 R con k = 0; 1; : : : ; n: Como ya se ha dicho anteriormente una funcin real P de

n
P
la forma P (x) =
ak xk
x 2 R se llama funcin polinomial o simplemete polinomio real P . En la
k=0
prctica interesan los polinomios de grado mayor o igual que 1. Del punto de vista numrico, son estas
funciones las ms simples de evaluarse.
Por otro lado algunas funciones como exp(x), con x 2 R, solo conocemos sus valores para algunos puntos
x 2 R. En muchas situaciones nos es difcil calcular valores de estas funciones fuera de esos datos conocidos
3.4. APROXIMACIN NUMRICA DE SERIES DE POTENCIAS.
159
x. La idea fundamental es aproximar exp(x) mediante polinomios elegidos de modo que el error es un
punto dado x 2 R; sea tan pequeo como se quiera. Estos polinomios son los denominados polinomios de
Taylor de exp(x): Estos polinomios fueron utilizados para la construccin de algoritmos que actualmente
se usan en las calculadoras de bosillo: Otros ejemplos similares a los de la funcin exponencial son,
por ejemplo la funcin seno, coseno, funcin error, distribucin normal, funciones elpticas, funciones de
Bessel, etc.
En general, si f es una funcin que posee derivadas hasta el orden n + 1 inclusive en x = a el polinomio
de Taylor de f en un entorno de a se escribe como
P (x) =
n
X
f (k) (a)
k!
k=0
y f (x) = P (x) + En (x);

por
(x
a)k ;
donde En (x) denota el error de aproximacin de f (x) mediante P (x); dado

1
En (x) =
n!
Zx
(x
t)n f (n+1) (t)dt:
Si
f (n+1)
es acotada en un entorno de x = a, se tiene

jEn (x)j
donde M =
Sup
M
jx
(n + 1)!
ajn+1
! 0
n !1
8x 2 [ r + a; r + a]:
f (n+1) (t) con r > 0: La serie de Taylor de la funcin f en un entorno del punto
t2[a r; a+r]
1
P
x = a se dene como
k=0
f (k) (a)
k! (x
a)k ; y se desea calcular valores de f (x).
En muy pocos casos se puede calcular f (x) exactamente, en la generalidad debemos recurrir a clculos
aproximados.
Sea
1
P
ak xk una serie de potencias que converge en el intervalo ]
R; R[; donde R > 0 designa el radio
k=0
de convergencia de la serie. Se dene la funcin f de ]
R; R[ en R como f (x) =
1
P
k=0
ak xk
x 2]
R; R[:
Sea 0 < r < R , suponemos que la serie de potencias converge uniformemente el intervalo [ r; r] y sea
x 2 [ r; r]; queremos calcular un valor aproximado de f (x) con una precisin " > 0:
Los clculos y los resultados que se obtienen en una calculadora de bolsillo o en computador personal, son
en general con 10 9 ; 10 12 ; 10 16 ; 10 25 cifras de precisin, por esta razn, las estimaciones y clculos
que realizaremos en lo sucesivo con series de potencias son con precisiones como las citadas.
Diremos que una serie de potencias es rpidamente convergente si para un nmero razonable de trminos
de la sucesin de sumas parciales se alcanza la exactitud y precisin establecida > 0 ( con nes prcticos
= 10 9 ; 10 10 ; etc.).
Consideramos como nmero razonable de trminos n < 100 para del orden 10 16 : Es claro que si
se aumenta considerablemente la precisin a alcanzar, se requerirn de un nmero de trminos mucho
mayor, si por ejemplo es del orden 10 40 ; el concepto de nmero razonable de trminos cambiar. Para
alcanzar precisiones muy altas del orden 10 1000 ; 10 2000 ; etc. se requieren de la elaboracin de algoritmos
y programas especiales de clculo que no lo abordaremos en este libro.
Diremos que la serie de potencias converge lentamente si el nmero de trminos de la serie que se requieren
para alcanzar la exactitud y precisin deseadas es grande. Lastimosamente, la acumulacin de los errores
debidos al truncamiento y redondeo inuenciarn seriamente y modicarn los resultados. Esto obliga
a enfrentar el problema con otro enfoque, es decir, buscar otras representaciones en series de potencias
que que converjan rpidamente o en su defecto, obtener la mayor informacin posible de las propiedades
de las funciones que puedan ser aplicadas para simplicar los clculos aproximados. En este captulo no
utilizaremos los polinomios de Chebyshev y los de Legendre para reducir el nmero de trminos a utilizar.
160
Con nes prcticos suponemos que es del orden 10 16 o mayor, particularmente 10 10 ; y para esta
precisin supondremos que la serie de potencias es rpidamente convergente en todo el intervalo [ r; r]:
Ilutremos en este caso, el procedimiento a seguir.
Primeramente, elegimos la serie numrica
1
P
1, esto es
1
P
bk tal que bk > 0
k=1
bk = 1: Denotamos con Sm (x) =
k=1
m
P
k=0
k = 1; 2;
; y que tiene como suma
ak xk , donde m 2 Z+ debe determinarse como el ms
pequeo entero positivo para el que se verica la condicin siguiente:

j f (x)
Sea ck =
j ak j rk
bk
k = 1; 2;
Sm (x) j=
1
X
ak xk < ":
k=m+1
; y suponemos que l m ck = 0; esto signica que la serie
converge ms rpidamente que la serie elegida
1
P
k !1
k=0
m 2 Z+ tal que
j f (x)
ak
bk
< " si k
Sm (x) j=
1
X
k !1
m: Luego j ak j rk < "bk

1
X
ak xk
k=m+1
k=m+1
j ak j rk
bk . De la hiptesis l m ck = 0; se sigue que existe
k=1
rk
1
P
j ak j rk
k
1
X
m; de donde
"bk
"
k=m+1
1
X
bk = "
si k
m;
k=1
que muestra que Sm (x) aproxima a f (x) con una precisin " > 0: Obviamente el entero m depende de
1
1
P
P
1
= 1;
la serie
bk = 1 con la que se compara. Algunas de las series usadas son por ejemplo
k=1
k=1 k(k + 1)
1 1
P
= 1: La primera converge lentamente, mientras que la segunda converge mucho ms rpidamente
k
k=1 2
que la primera.
Ejemplos
xk
: Determinemos el radio de convergencia.
k=0 (2k)! (3k + 1)
Aplicando el criterio del cociente resulta para x 6= 0;
1. Consideremos la serie de potencias
1
P
jxjk+1
(2k)! (3k + 1)
3k + 1
jxj ! 0;
=
k
k!1
(2 (k + 1))! (3k + 4)
(2k + 2) (2k + 1) (3k + 4)
jxj
es decir que la serie converge absolutamente en todo R: Denimos la funcin f como sigue:
f (x) =
1
X
k=0
1
xk
(2k)! (3k + 1)
x 2 R:
Queremos visualizar la grca de f en el intervalo [ 5; 10] : Lastimosamente nos es difcil calcular

cada f (x) x 2 [ 5; 10] y lo haremos en forma aproximada.
m
P
1
xk ;
Sea " = 10 3 : Determinemos m 2 Z+ el ms pequeo posible tal que Sm (x) =
(2k)!
(3k
+
1)
k=0
y,
1
1
X
X
1
10k
jf (x) Sm (x)j =
xk
< ":
(2k)! (3k + 1)
(2k)! (3k + 1)
k=m+1
k=m+1
Para determinar m aplicamos el criterio de comparacin con la serie

ak =
10k
1
; bk =
(2k)! (3k + 1)
k (k + 1)
1
P
1
= 1: Ponemos
k=1 k (k + 1)
k = 1; 2; : : : ; y determinamos k 2 Z+ tales que
ak
k (k + 1) 10k
=
< " = 10
bk
(2k)! (3k + 1)
3.4. APROXIMACIN NUMRICA DE SERIES DE POTENCIAS.

a5
' 5;167
b5
a6
' 4;615 10 3 ; para k = 7;
b6
7
P
xk
< 10 3 : Elegimos m = 7 y S7 (x) =
x 2 [ 5; 10] :
k=0 (2k)! (3k + 1)
Para k = 5 se tiene
a7
' 2;919
b7
Para
10
161
10
2;
para k = 6 se tiene
x < 0; S7 (x) se escribe como:
x4
x6
x
x3
x5
x7
x2
+
+
+
+
+
+
4! 7 8! 13 12! 19 2! 4 6! 10 10! 16 14! 22
x2 1
1
x 1
1
1
x2
x2
x2
x2
x2
= 1+
+
+
+
+
+
+
24 7 1680 13 225720
2 4 360 10 5040 16 528528
S7 (x) = 1 +
Ponemos y = x2 ; entonces S7 (x) se escribe como sigue:

S7 (x) = 1 +
1
y
+
7 1680
y
24
1
y
+
13 225720
x
2
1
y
+
4 360
1
y
+
10 5040
1
y
+
16 528528
Ponemos
y1 = 1 +
y2 =
x
2
y
24
1
+
4
1
1
y
y
;
+
+
7 1680 13 225720
1
1
y
y
y
+
+
360 10 5040 16 528528
luego S7 (x) = y1 + y2 :
Para 0
10; S7 (x) se expresa en forma explcita como
x2
x3
x4
x5
x6
x7
+
+
+
+
+
2! 4 4! 7 6! 10 8! 13 10! 16 12! 19 14! 22
x 1
x
1
x
1
x
1
x
1
x
x 1
+
+
+
+
+
+
= 1+
2 4 12 7 30 10 56 13 90 16 132 19 4004
x
S7 (x) = 1 +
( 5)
15
=
y xj = 5 + jh j = 0; 1; : : : ; m puntos igualmente espaciados
m
m
del intervalo [ 5; 10] : El algoritmo para el clculo aproximado de S7 (xj ) j = 0; 1; : : : ; m; con una
precisin " = 10 3 se presenta a continuacin.
Sea m 2 Z+ ; h =
10
Algoritmo
Datos de entrada: m 2 Z+ :
Datos de salida: xj ; S7 (xj ) j = 0; 1; : : : ; m:

1. Leer m:
15
2. h = :
m
3. Para j = 0; 1; : : : ; m
xj =
5 + jh
Si xj < 0
y = xj
y1 = 1 +
y2 =
x
2
xj
y
24
1
y
+
7 1680
1
y
+
4 360
1
y
+
13 225720
1
y
+
10 5040
1
y
+
16 528528
S7 (xj ) = y1 + y2:
Si xj > 0
S7 (xj ) = 1 +
xj
2
1 xj
+
4 12
1 xj
+
7 30
xj
1
+
10 56
xj
1
+
13 90
xj
1
+
16 132
xj
1
+
9 4004
162

Imprimir xj ; S7 (xj ) :
Fin de bucle j:
4. Fin.
Para x =
2; se tiene y = 4; y
4 1
1
4
4
' 1;0238;
+
+
24 7 1680 13 225720
1
1
2 1
4
4
4
'
+
+
+
2
4 360 10 5040 16 528528
y1 = 1 +
y2 =
luego S7 ( 2) = y1 + y2 ' 1;0238
0;2511;
0;2511 = 0;7727:
Para x = 3; se tiene
3 1
3
+
2 4 12
' 1;4325:
S7 (3) = 1 +
1
3
+
7 30
1
3
+
10 56
1
3
+
13 90
1
3
+
16 132
1
3
+
19 4004
En la gura siguiente se muestran 31 puntos de la grca de S7 (x)

x 2 [ 5; 10] aproximacin
de f (x) con una precisin " = 10 3 : El conjunto de puntos utilizado para trazar dicha grca es
calculado con el algoritmo que acabamos de describir.
Figura 30
2. Consideramos la serie de potencias:

1
X
( 1)k k+1
ln (1 + x) =
x
k+1
k=0
jxj < 1
Esta serie no es la adecuada para el clculo de ln (a) con a > 0; sin embargo no ser de utilidad
para explicar algunas dicultades que se presenta.
Supongamos que deseamos calcular el valor aproximado de ln (1;5) con una precisin " = 10
Tenemos x = 0;5: Luego
1
1 X ( 1)k
ln (1;5) = ln (1 + 0;5) =
:
2
(k + 1) 2k
k=0
Sabemos que
1
P
1
1
1
= 1: Ponemos ak =
; bk =
: Entonces
k
k (k + 1)
(k + 1) 2
k=1 k (k + 1)
ck =
luego existe m 2 Z+ tal que
ak
k (k + 1)
k
=
= k
k
bk
(k + 1) 2
2
ak
< " si k
bk
m:
! 0;
k!1
10 :
3.5. APROXIMACIN DE LAS FUNCIONES TRIGONOMTRICAS

ak
< " = 10
bk
S40 j < " = 10 10 :
Para m = 40 se tiene
jln (1;5)
10
si k
163
40: Se dene S40 =
40
( 1)k
1 P
y
2 k=0 (k + 1) 2k
1 ( 1)k (0;8)k+1
P
; y aplicando el mismo criterio de comparacin, se
k+1
k=0
ak
(0;8)k+1
1
tiene que
< " = 10 10 si k
125; donde ak =
y bk =
k = 1; 2; : : : : Se
bk
k+1
k (k + 1)
125
P ( 1)k (0;8)k+1
dene S125 =
y jln (1;8) S125 j < " = 10 10 :
k
+
1
k=0
Si x = 0;8; se tiene ln (1;8) =
Cuando x < 1 se aproxima a 1; observamos que el nmero de trminos crece enormemente, lo que
por una parte diculta la determinacin del nmero adecuado de trminos, por otra parte, se deben
calcular sumas con un nmero muy grande de trminos. Estos elementos dicultan la elaboracin
de un algoritmo de clculo de ln (1 + x) :
3.5.
Aproximacin de las funciones trigonomtricas
Cuando utilizamos un instrumento de clculo tal como una calculadora de bolsillo o un computador,
podemos obtener inmediatamente valores de las funciones trigonomtricas seno, coseno, tangente; pero de
esto, la pregunta que nos hacemos es cmo con estos instrumentos se calculan valores de estas funciones
trigonomtricas?, qu mtodo se utiliza para garantizar la precisin de clculo requerido? Esta seccin
est destinada a analizar el uso de la serie de Taylor de sen(x) que nos permitan calcular aproximaciones
de esta y de las funciones trigonomtricas coseno y tangente.
Aproximacin de sen(x)
La serie de Taylor de sen(x) x 2 R, viene dada por sen(x) =
1
P
k=0
( 1)k x2k+1
(2k+1)! :
Esta serie es absolutamente
convergente para todo x 2 R, adems, es rpidamente convergente. Por otro lado, el nmero de
x cos(x)
x 6= 0; y se prob en el captulo 1
condicionamiento de sen(x) est denido por c(x) =
sen(x)
h
i
que jc(x)j 1 si x 2]0; 2 ], con lo que la serie de Taylor ser utilizada para aproximar sen(x) x 2 0; ,
2
mediante una suma nita SN (x): Determinemos el nmero entero positivo N , el ms pequeo posible, tal
que si > 0; j sen x SN (x)j <
8x 2 0; 2 : Para el efecto, primeramente establecemos la siguiente
mayoracin:
2k+1
1
1
1
h
i
X
X
X
( 1)k x2k+1
x2k+1
2
x 2 0;
;
(2k + 1)!
(2k + 1)!
(2k + 1)!
2
k=0
k=0
k=0
y la convergencia de la ltima serie es absoluta. A continuacin aplicamos el criterio del cociente, ponemos
2k+1
1
P
2
1
ak =
k =; 1;
y consideramos una serie numrica convergente de suma 1, elegimos
= 1;
2k
(2k + 1)!
k=1
1
ak
ponemos bk = k k =; 1; y consideramos la sucesin
; esto es
bk
2
2k+1
2k 2
ak
=
bk
(2k + 1)!
!0:
k !1
ak
De la convergencia se sigue que si
= 10 10 , se verica que
< 10 10 8k
9: Para = 10 32 se
bk
ak
verica que
< 10 32 8k
20: Para jar las ideas, elegimos = 10 12 y el correspondiente N es
bk
N = 11: Luego
S11 (x) =
11
5
X
( 1)k x2k+1 X x4k+1
=
(2k + 1)!
(4k + 1)!
k=0
k=0
5
X
x4k+3
= P1 (x)
(4k + 3)!
k=0
P2 (x);
164
donde
5
X
x4k+1
x4
P1 (x) =
=x 1+
(4k + 1)!
5!
x4
1+
k=0
x4
1+
1+
x4
10
11
12
13
x4
1+
14 15 16 17
18 19 20 21
4
4
x
x4
x4
x4
x
1+
1+
1+
1+
= x 1+
120
3024
17160
57120
143640
5
X
x4k+3
x3
P2 (x) =
=
(4k + 3)!
3!
1+
k=0
1+
x3
x4
12 13 14 15
1+
x4
1+
840
1+
x4
7920
x4
4
1+
x4
16
17
1+
18
x4
32760
19
1+
x4
9 10
8
1+
x4
93024
11
x4
20
21 22
x4
1+
212520
23
:
Con esta informacin podemos construir un algoritmo para el clculo aproximado de sen(x) x 2 0; 2
con una precisin
= 10 12 . Requerimos adicionalmente aproximaciones de . Consideramos las
siguientes: con 12 cifras de precisin ' 3;14159265359 por exceso y por defecto ' 3;141592653589; y
con 32 cifras de precisin ' 3;14159265358979323846264338327950:
Algoritmo
Dato de entrada: x:
Datos de salida: x; sen(x):
1. y1 = x2 x;
2. y = y1 x
3. a1 = x 1 +
4. a2 =
y
120
y1
1+
6
5. S11 (x) = a1
1+
y
840
y
3024
1+
y
7920
1+
y
17160
1+
y
32760
1+
y
57120
1+
y
93024
1+
y
143640
1+
y
212520
:
:
a2 :
6. Imprimir x; S11 (x):

7. Fin
h
i
Para el clculo de un solo valor de sen(x) con x 2 0;
se requieren de 36 operaciones elementales y
2
h
i
de 5 asignaciones. En los ejercicios se propone elaborar un algoritmo de clculo de sen(x) x 2 0;
y
2
32
= 10
con el nmero de trminos N = 21.
Al algoritmo descrito precedentemente los denominaremos
como algoritmo de aproximacin o tambin
h
i
mtodo de aproximacin de sen(x) con x 2 0;
: Lo notaremos sen (x)
2
i
h
Para x 2 R8 0; , consideramos los tres casos siguientes: i) x 2] 2 ; ]; ii) x > ; iii) x < 0: Para
2
calcular sen(x) aplicaremos las propiedades de la funcin sen(x) de modo que el algoritmo que acabamos
de proponer se aplique con ligeras modicaciones.
a) Puesto que sen(
x) = sen(x)
8x 2 R; en particular para x 2] ; ] se sigue que

x 2]0; ], lo
2
2
que nos permite aproximar sen(x) mediante la suma S11 (
x) x 2] ; ], utilizando el algoritmo
2
arriba descrito.

b) Si x >
entonces y = x
165
x
n 2 [0; ], donde n = [ ] y [ ] denota la funcin mayor entero
. Luego
sen(y); si n impar,
sen(y); si n par.
sen(x) = sen(y + n ) = sen(y) cos(n ) + sen(n ) cos(y) =
As, para x > ; sen(x) se aproxima utilizando el algoritmo y la parte a) precedente con y = x n ;
y sen(x) = sen(y) si n es impar, sen(x) = sen(y) si n es par.
c) Si x < 0; como la funcin seno es impar, esto es, sen(x) = sen( x) 8x 2 R, basta cambiar x por
x y utilizar el algoritmo y los resultados de las partes a) y b) precedentes.
Se propone al lector la elaboracin completa del algoritmo que permite aproximar sen(x) x 2 R:
Al algoritmo descrito precedentemente as como los resultados obtenidos en a), b) y c) los denominaremos
como algoritmo o mtodo de aproximacin de sen(x) x 2 R:
Ejemplos
1. Tomando en consideracin pi = 3;1415926536 aproximacin de ; calcular una aproximacin de
con una precisin " = 10 4 : Para el efecto aplicamos el algoritmo. Ponemos x =
'
sen
10
10
pi
= 0;3141592654; y = x4 ' 0;009740909109: Luego,
10
y
y
y
y
y
a1 = x 1 +
1+
1+
1+
1+
120
3024
17160
57120
143640
= 0;3141847673;
y
y
y
y
y
x3
1+
1+
1+
1+
1+
a2 =
6
780
7920
32760
93024
212520
= 0;005167772705;
de donde S11
= a1
10
El valor de sen
10
a2 ' 0;3090169946:
obtenido en una calculadora de bolsillo es sen
10
' 0;3090169944:
2. Calculemos sen (10) : Para el efecto apliquemos los resultados arriba obtenidos. Ponemos xh = 10:
i
Se tiene x > entonces x = 3 + 10 3 : Ponemos a = 10 3 ' 0;57522220393 2 0;
:
2
Luego, sen (10) = sen (3 + a) = sen (3 ) cos (a) + sen (a) cos (3 ) = sen (a) : Calculemos una
aproximacin de sen (a) con una precisin " = 10 10 :
Sea y = a4 ' 0;1094818355 y a3 ' 0;1903296953: Entonces
y
y
y
y
y
1+
1+
1+
1+
120
3024
17160
57120
143640
= 0;5757468615;
a3
y
y
y
y
y
=
1+
1+
1+
1+
1+
6
840
7920
32760
93024
212520
= 0;03172575038;
a1 = a 1 +
a2
sen (a) = a1
As, sen (10) =
sen (a) '
a2 = 0;5440211111:
0;5440211111:
El valor sen (10) obtenido en una calculadora de bolsillo es sen (10) '
0;5440211109:
Aproximacin de cos(x)
Para aproximar cos(x) x 2 R; utilizamos la siguiente relacin: cos(x) = sen
el mtodo de aproximacin de sen(x) a condicin de cambiar x por
2
correspondiente.
8x 2 R y aplicamos
x: Se propone elaborar el algoritmo
166
Ejemplo
p
3
Es conocido que cos
=
' 0;8660254038: Apliquemos el algoritmo de clculo de sen (a) con
6
2
h
i
=
' 1;047197551: Entonces
a 2 0;
para calcular una aproximacin de cos
: Sea a =
2
6
2
6
3
y = a4 ' 1;20258137; a3 = 1;148380617: Luego
y
y
y
y
y
a1 = x 1 +
1+
1+
1+
1+
120
3024
17160
57120
143640
' 1;057696227;
a3
y
y
y
y
y
a2 =
1+
1+
1+
1+
1+
6
840
7920
32760
93024
212520
' 0;1916708232;
sen (a) ' a1
a2 = 1;057696227
0;1916708232 = 0;8660254038:
3
= sen (a) ' 0;8660254038 que es la aproximacin obtenida de
: En una
6
2
calculadora de bolsillo se obtiene el siguiente valor cos
= 0;8660254038:
6
En consecuencia cos
Aproximacin de tan(x)
De la denicin de la funcin tangente, se tiene
tan(x) =
sen(x)
cos(x)
x 2 R8f
+ k j k 2 Zg;
luego los valores de tan(x) x 2 R8f 2 + k j k 2 Zg pueden aproximarse utilizando esta relacin y los
mtodos de aproximacin de sen(x) y cos(x) arriba tratados:
Ejemplos
p
3
: Apliquemos el algoritmo de clculo de sen (x) para aproximar
6
3
sen
6 :
sen
y cos
y as aproximar tan
=
6
6
6
cos
6
Consideremos ' 3;141592653; x = 0;5235987755; x3 ' 0;1435475771; y = x4 ' 0;0751613356:
Aplicando el algoritmo de clculo para aproximar sen (x) ; tenemos
=
1. Es conocido que tan
y
y
y
y
y
1+
1+
1+
1+
120
3024
17160
57120
143640
' 0;5239267369;
y
y
y
y
y
x3
=
1+
1+
1+
1+
1+
6
840
7920
32760
93024
212520
' 0;02392673695:
a1 = x 1 +
a2
En consecuencia
sen
' a1
a2 = 0;5239267369
0;02392673695 = 0;5:
Con la misma precisin, calculamos una aproximacin de cos
: Ponemos x =
=
'
6
2
6
3
1;047197551;
' 1;148380617;
= 1;20258137: Aplicando nuevamente los desarrollos a1 ; a2
precedentes, se obtiene a1 = 1;057696227; a2 = 0;1916708232: Luego
x3
x4
cos
= sen
' a1
a2 = 0;8660254038:
Por lo tanto,
sen
tan
=
cos
6
6
'
0;5
' 0;577350269:
0;8660254038

Valor obtenido en una calculadora de bolsillo tan
2. Para 0 < " < 10
a cero.
2;
tan
167
= 0;5773502692:
" se puede hacer tan grande como se quiera conforme " se aproxima
h
h
sen (x)
para x 2 0;
; con el algoritmo de clculo de sen (x) ; es crtico
cos (x)
2
": Veamos esta situacin con el siguiente ejemplo: aproximar tan (89;9995 ) :
Si aproximamos tan (x) =

para x =
2
En radianes 89;9995 = 1;5707876 rad: Ponemos x = 1;5707876; entonces x3 ' 3;875719987;
y = x4 ' 6;087932897: Calculemos sen (89;9995 ) = sen (1;5707876) con el algoritmo arriba
desarrollado. Tenemos
y
y
y
y
y
1+
1+
1+
1+
120
3024
17160
57120
143640
' 1;650628503;
x3
y
y
y
y
y
=
1+
1+
1+
1+
1+
6
840
7920
32760
93024
212520
' 0;6506385023;
a1 = x 1 +
a2
luego
sen (1;5707876) ' a1
a2 = 1;000000000:
Calculemos cos (89;9995 ) = cos (1;5707876) : Para el efecto, ponemos x =

x3
16 ;
x4
21
1;5707876 '
0;000008727: Se obtiene
' 6;646529367 10
' 5;800426178 10
y aplicando el
algoritmo de clculo de sen (x) se obtiene: a1 ' 0;000008727; a2 ' 1;107754895 10 16 : Luego
cos (1;5707876) ' 0;000008727 y en consecuencia
tan (1;5707876) =
sen (1;5707876)
1;0
'
' 114586;9142:
cos (1;5707876)
0;000008727
El valor obtenido en una calculadora de bolsillo es tan (1;5707876) = 114589;7256: Esta pequea
diferencia se debe a que hemos operado con una precisin de 10 9 mientras que en la calculadora,
internamente se opera con una precisin de 10 12 : Con la versin de Fortran 77, se obtiene en doble
precisin el siguiente valor: tan (1;5707876) = 113924;073226171:
Aproximacin de arcsen(y):
Recordemos que la funcin f de
en [ 1; 1] denida como y = f (x) = sen(x)
2 2
es biyectiva y su funcin
inversa
g est denida como x = g (y) = arcsen (y)
h
i
(g f ) (x) = x x 2
;
: Adems, f y g son derivables, luego
2 2
i
h
;
1 = (g f )0 (x) = g 0 (y) f 0 (x) x 2
2 2
de donde g 0 (y) =
f 0 (x)
con y = f (x) : Se tiene

f 0 (x) = cos(x) =
luego
p
1
sen2 (x) =
(arcsen (y))0 = g 0 (y) = p
e integrando, resulta
arcsen (y) =
dt
1 t2
y2
y2;
y 2 ] 1; 1[ ;
y 2 ] 1; 1[ :
x2
2 2
y 2 [ 1; 1] : Se tiene
168
Por el binomio de Newton:
1
2
t2
1
2
= 1+
1
2
1
2
t2 +
t2
1
2
1
2
1
+
2!
2
t
1 3 4 1 3 5 6
= 1+ +
t +
t +
2
2! 22
3! 23
1
X
1 3
(2k 1) 2k
t
t 2 ] 1; 1[ :
= 1+
k
k!2
1
2
1
3!
2
t2
k=1
Luego, por el teorema de la convergencia uniforme y la integracin, se tiene

!
Z y
1
X
1 3
(2k 1) 2k
t
dt
arcsen (y) =
1+
k!2k
0
k=1
= y+
1
X
1
k=1
3
(2k
k!2k (2k + 1)
1)
y 2k+1
y 2 ] 1; 1[ :
1
P
1
; se obtiene m = 25 y en
mediante el criterio de comparacin con la serie
k=1 k (k + 1)
" p #
2
consecuencia jarcsen (y) S25 (y)j < " = 10 10 si y 2 0;
; donde
2
Para " = 10
10 ;
S25 (y) = y 1 +
25
X
1
k=1
#p
3
(2k
k
k!2 (2k + 1)
1)
y 2k
"
2
; 1 ; para aproximar arcsen (y) se requiere de un nmero mayor de trminos. Esto podemos
Si y 2
2
controlarlo del modo siguiente. Sea x = arcsen (y) ; entonces
r
y = sen (x) = cos
x = 1 sen2
x
2
2
de donde 1
Como y 2
sen2
#p
x = y 2 con lo que x =
"
2
; 1 se sigue que 1
2
Ponemos v = 1
y2
1
2
y2
y jarcsen (v)
1
2
2 0;
17
X
1
k=1
con v =
Ejemplo
y2
y2
y 1+
25 1
P
k=1
#p
v 1+
k=1
"
2
;1 :
2
10
1
2
con
3
(2k
k
k!2 (2k + 1)
3
(2k
k
k!2 (2k + 1)
17 1
P
y2
1
:
2
S17 (v)j < " = 10
S17 (v) = v 1 +
Se dene S" como sigue:
8
>
>
>
<
S" =
>
>
>
:
arcsen 1
1)
3
(2k
k
k!2 (2k + 1)
2k
"
p #
2
si y 2 0;
2
y 2k
1)
1)
v 2k
si v 2 0;
1
2
3.6. APROXIMACIN DE EXP(X)

Sabemos que arcsen
1
2
169
' 0;5235987756:
Apliquemos los resultados obtenidos precedentemente. Ponemos y = 0;5 y " = 10

!
25
X
1 3
(2k 1) 2k
S" = y 1 +
y
k!2k (2k + 1)
k=1
y2
1 3y 2
+
2 3
y
= 0;5235987755:
= y 1+
1 5y 2
+
5
6
1 7y 2
+
7
8
1
+
9
47y 2
48
10 :
Entonces
1
49y 2
+
49 50 51
Aproximacin de arc cos(x)

Se propone como ejercicio
Aproximacin de arctan(y)
Sea x = arctan(y). Entonces
y = tan(x) =
i
h
sen(x)
; x2
;
;
cos(x)
2 2
y
y por lo tanto x = arcsen p y 2
de donde sen(x) = p
2
1+y
1+y
y
aproxima utilizando el algoritmo de arcsen(z); con z = p
:
1 + y2
: Consecuentemente, arctan(y) se
Nota: Se recomienda al lector elaborar un programa computacional que permita aproximar las funciones
trigonomtricas utilizando los algoritmos descritos y comparar los resultados con los proporcionados con
los de las calculadoras de bolsillo.
3.6.
Aproximacin de exp(x)
Sea x 2 R, en el primer captulo se mostr que el nmero de condicionamiento de exp(x) es c(x) = x,

por lo tanto exp(x) est bien condicionado si jxj 1: Por otro lado, en un entorno de x = 0, exp(x) se
1 k
P
x
representa mediante el siguiente desarrollo en serie de potencias exp(x) =
x 2 R: Esta serie es
k!
k=0
absolutamente convergente para todo x 2 R (radio de convergencia r = +1):

Para x 2 [0; 1], denimos Sn (x) =
posible tal que j exp(x)
n
P
k=0
xk
k!
n = 1; 2; : : : : Sea
> 0: Determinemos n 2 N el ms pequeo
Sn (x)j < ; 8x 2 [0; 1]; es decir que

1
X
xk
k!
k=n+1
1
X
1
<
k!
P1
k=n+1
xk
< : Se tiene
k!
8x 2 [0; 1]:
k=n+1
1
Para determinar n 2 N aplicamos el criterio del cociente. Ponemos ak =
k = 0; 1;
k!
1 1
P
1
serie convergente
con 1 < p < 2: Ponemos bk = p k = 0; 1;
; luego
p
k
k=1 k
ak
kp 1
=
bk
(k 1)!
; y elegimos la
! 0:
k!1
Particularmente, para p = 2; el criterio para determinar n es el siguiente: n 2 N el ms pequeo posible

tal que (n n1)! < : Para = 10 10 se obtiene n = 16; para = 10 20 se obtiene n = 24; para = 10 32
se obtiene n = 32:
170
Para

> 0 dado, Sn (x) =
n xk
P
aproxima a ex con una precisin
k!
k=0
para todo x 2 [0; 1].
Con el propsito de obtener un algoritmo numricamente estable, escribimos Sn (x) en una forma anidada:
Sn (x) = 1 + x 1 +
x
2
1+
x
n
1+
x
n
cuyo algoritmo es el siguiente:

Algoritmo
Datos de entrada; n; x:
Datos de salida : x; exp(x):
1. b = 1:
2. k = 0; : : : ; n
b=1+
1
b x
n k
Fin de bucle k.
3. Imprimir exp(x) = b:
4. Fin.
Para cada x 2 [0; 1], la aproximacin de exp(x) dado en el algoritmo requiere de 4 n operaciones
elementales y n asignaciones.
1
1
, entonces para x 2 [ 1; 0[; exp(x) se aproxima mediante
y Sn ( x)
exp( x)
Sn ( x)
se calcula usando el algoritmo precedente.
Puesto que exp(x) =
Para x 2 R tal que jxj > 1; exp(x) est mal condicionado. Dado
> 0, si determinamos n tal
jxjn
que
< , resulta que tal n aumenta considerablemente segn jxj, lo que hace que Sn (x) sea
(n 1)!
numricamente costoso y por otro lado, el algoritmo es inestable numricamente. El remedio a este
problema consiste en hacer y = x [x], donde [ ] denota la funcin mayor entero menor o igual que x.
Resulta y 2]0; 1[, y exp(x) = exp(y) exp([x]): Aproximamos exp(y) mediante Sn (y) si y > 0 y Sn1(y) si
1
P
1
y < 0: Como el nmero e base de los logaritmos naturales est dado como la serie e =
k! ; se aplica el
k=0
algoritmo precedente con x = 1 y luego exp([x]) se evala como una potencia entera. Para = 10 10 ; se
k=16
P 1
tiene S16 (1) =
= 2;7182818284.
k=0 k!
8
< Sn (y) exp([x]); si x > 1;
1
As, exp(x) se aproxima como
Se recomienda al lector elaborar el
; si x < 1:
:
Sn ( y) exp( [x])
algoritmo completo para aproximar exp(x) as como su respectivo programa computacional.
Ejemplos
1. Aplique el algoritmo para calcular una aproximacin de exp (0;4) con una precisin " = 10
tiene 0 < x < 1 y en consecuencia
S16 (x) =
16
X
xk
k=0
k!
=1+x 1+
10 :
x
x
x
x
1+
1 + ::: +
1+
:::
2
3
15
16
en particular para x = 0;4; se obtiene

S16 (x) = 1 + 0;4 1 +
0;4
2
1+
0;4
3
1 + ::: +
0;4
15
1+
0;4
16
:::
= 1;491824698 : : :
Se
3.7. APROXIMACIN DE LN(X)
171
El valor de exp (0;4) obtenido en doble precisin es exp (0;4) ' 1;491824706533238 y en una
calculadora de bolsillo exp (0;4) ' 1;491824698:
2. Calculemos el valor aproximado de exp (22;4) : Tenemos x = 22;4 > 1; en consecuencia x =
(x [x]) + [x] = y + [x] con y = x [x] 2 [0; 1] : Resulta [22;4] = 22: Luego
exp (22;4) = exp (0;4) exp (22) :
En el ejemplo 1) previo se calcul el valor aproximado de exp (0;4) : Queda por calcular exp (22) :
Primeramente exp (1) = 2;7182818284: Luego
exp (22) = (2;7182818284)22 = 3584912833 = 3;584912833
109 ;
de donde
exp (22;4) = exp (0;4) exp (22) ' 1;491824698
= 5;348061504
3;584912833
109
109 :
El valor de exp (22;4) obtenido en una calculadora de bolsillo es exp (22;4) ' 5;348061523 109 ; y en
doble precisin exp (22;4) ' 5;34805948262739 109 : Note que exp (22) ' 3;584912846131592 109 :
Debido a que en la calculadora de bolsillo se representan los nmeros en punto jo, donde se produce
mayor error es en el clculo de exp (22) ' (2;7182818284)22 :
3. Calculemos el valor aproximado de exp ( 0;9) : Puesto que exp ( 0;9) =
1
; calculamos el
exp (0;9)
valor aproximado de exp (0;9) : Aplicando el algoritmo, tenemos

S16 (x) =
16
X
(0;9)k
k!
k=0
= 1 + 0;9 1 +
de donde
S16 (0;9) =
0;9
2
1+
0;9
15
1+
0;9
16
:::
= 2;459603112;
1
1
=
= 0;4065696598:
S16 (0;9)
2;459603112
El valor obtenido en una calculadora de bolsillo es exp ( 0;9) ' 0;4065696597:
3.7.
Aproximacin de ln(x)
Antes de abordar el problema de la aproximacin numrica de ln (a) con a > 0; recordemos algunas
propiedades de la funcin logaritmo.
1. Sean a; b 2 R+ ; ln (ab) = ln (a) + ln (b) :
2. Si a 2 R+ ; ln
1
a
ln (a) :
1
= n ln (a) :
an
a
a
Por otro lado, sea a > e y n 2 Z+ tal que 1
< e; donde a = en
; luego
n
e
en
h
ai
a
= ln en + ln n = n + ln (x) ;
ln (a) = ln en
n
e
e
a
con x = n 2 [1; e] :
e
3. Si n 2 Z+ ; a 2 R+ ; ln (an ) = n ln (a) y ln
Si a < 1 y n 2 Z tal que 1
ae
< e; entonces a = en
ln (a) = n + ln ae
con x = ae
Ejemplos
2 [1; e] :
(ae
n) ;
de donde
= n + ln (x) ;
172

20;11
20;11
con x =
' 1;001217945 2 [1; e] :
3
e
e3
1. a = 20;11 = e3
145;41
145;41
con x =
' 2;663277051 2 [1; e] :
4
e
e4
2. a = 145;41 = e4
3. a = 6;81
10
=e
e5
6;81
10
; donde x = e5
6;81
10
' 1;010693613 2 [1; e] :
1
De las dos ltimas relaciones, si a > 0 basta determinar n 2 Z+ tal que x = aen 2 [1; e] si a < ;
e
a
x = n 2 [1; e] si a > e: En cualquiera de los casos, queda calcular ln (x) : Para el efecto, utilizamos el
e
siguiente desarrollo en series de potencias:
1+x
1 x
ln
Sea a > 0: Ponemos a =
= 2x
1
X
x2k
si jxj < 1:
2k + 1
k=0
1+x
a 1
; entonces x =
y en consecuencia
1 x
a+1
ln (a) = 2
a 1X 1
a+1
2k + 1
k=0
2k
a 1
a+1
:
m
P
Con nes prcticos elegimos " = 10
10 :
2k
a 1
a+1
1
2k
+1
k=0
Para a = 1; obviamente ln (1) = 0: Para a 2 [1; e] ; sea m 2 Z+ y Sm (a) =
Determinemos m 2 Z+ el ms pequeo posible tal que
ln (a)
a 1
Sm (a) < " = 10
a+1
10
lo que conduce a determinar m 2 Z+ tal que

m
X
k=0
1
2k + 1
a 1
a+1
1
X
2k
Sm (a)
<
k=m+1
1
X
k=m+1
1
2k + 1
a 1
a+1
1
X
2k
1
1
< " = 10
2k + 1 4k
k=m+1
10
1
2k + 1
e 1
e+1
2k
1
P
1
1
1
ak
1
= 1: Ponemos ak =
; bk =
k = 1; 2; : : : ; Ck =
=
k
2k + 1 4
k (k + 1)
bk
k=1 k (k + 1)
k (k + 1)
ak
! 0; luego, existe m 2 Z+ tal que Ck =
< " si k
m: Para k = 15 obtenemos
bk
(2k + 1) 4k k !1
15 16
19 20
C15 =
' 7;21 10 9 ; para k = 19; C19 =
' 3;545 10 11 : Elegimos m = 19 y
15
31 4
39 419
denimos
19
2 (a 1) X 1
a 1 2
'19 (a) =
a 2 [1; e] :
a+1
2k + 1 a + 1
La serie
k=0
e+1
a 1
e 1
a 1
entonces 0 <
de donde 0 <
Note que si 1 < a
2
a+1
e+3
a+1
1
1
1
tal caso, ponemos ak =
; bk =
k = 1; 2; : : : ; luego
2k + 1 10k
k (k + 1)
Ck =
y existe m 2 Z+ tal que Ck =
ak
k (k + 1)
=
bk
(2k + 1) 10k
ak
< " = 10
bk
10
si k
m:
! 0;
k!1
e 1
e+1
< 0;1: En
3.7. APROXIMACIN DE LN(X)

Para m = 11; se tiene C11 =
173
11 12
' 5;74
23 1011
10
11 :
11
2 (a 1) X 1
'11 (a) =
a+1
2k + 1
k=0
As,
Sea b1 =
8
11
>
1
2 (a 1) P
>
>
< '11 (a) =
a + 1 k=0 2k + 1
19
>
2 (a 1) P
1
>
>
: '19 (a) =
a + 1 k=0 2k + 1
Denimos
a 1
a+1
a 1
a+1
a 1
a+1
2k
a 2 1;
2k
e+1
:
2
e+1
;
2
e+1
a2
;e :
2
a 2 1;
2k
a 1
y b = b21 : Entonces
a+1
'11 (a) = 2b1
11
X
k=0
b b2
1
bk = 2b1 1 + +
+
2k + 1
3
5
= 2b1 1 + b
1
+b
3
1
+
5
+b
b10 b11
+
21
23
1
b
+
21 23
En forma similar se escribe '19 (a) :

Un algoritmo para el clculo de ln (a) con a 2 [1; e] con una precisin " = 10
10
se propone a continuacin
Algoritmo
Datos de entrada: a 2 ]1; e[ :
Datos de salida: ln (a) :
1. Si 1
1+e
; asignar n = 11:
2
1+e
< a < e; asignar n = 19:
2
a 1
3. b1 =
:
a+1
2. 2i
4. b = b21 :
5. y =
1
:
2n + 1
6. Para j = 1; : : : ; n
k=n
y=
1
+b
2k + 1
Fin bucle j:
7. y = 2
b1
y:
8. Imprimir ln (a) = y:
9. Fin.
Ejemplos
1. Calculemos ln (2) : Para el efecto, aplicamos el algoritmo descrito. Ponemos a = 2; b1 =
1
b = b21 = : Entonces
9
ln (2) ' '19 (2) =
2
3
1+b
1
+b
3
1
+
5
+b
1
b
+
37 39
a 1
1
= ;
a+1
3
= 0;6931471806:
174

En una calculadora de bolsillo, ln (2) = 0;6931471806:
2. Calculemos ln (535;2) : Tenemos
535;2
535;2
' 1;326628165 2 [1; e] ; luego 535;2 = e6 6 ; de donde
6
e
e
ln (535;2) = 6 + ln
Sea a = 1;326628165 entonces b1 =
'11 (a) = 2b1 1 + b
535;2
= 6 + ln 1;326628165:
e6
a 1
= 0;1403869213; b = b21 = 0;01970848767; luego
a+1
1
+b
3
1
+
5
1
b
+
21 23
+b
= 0;2826405088:
En consecuencia
ln (535;2) = 6 + 0;2826405088 = 6;2826405088:
En una calculadora de bolsillo, ln (535;2) = 6;282640509:
3. Apliquemos el algoritmo y los resultados precedentes para calcular ln (0;01234) :
Sea n 2 Z+ tal que 0;01234 en 2 [1; e] : Para n = 5 se tiene x = 0;01234 e5 ' 1;831418383 2 [1; e] :
Luego
a = 0;01234 = e
e5 ' e
0;01234
1;831419383;
x 1
= 0;2936402433;
x+1
b = b21 = 0;08622459249: Aplicando el algoritmo obtenemos ln(x) = 0;6050907394; con lo que
y ln (0;01234) =
5 + ln(1;83141838): Tenemos x = 1;831418383; b1 =
ln (0;01234) =
5 + 0;605090739 =
En una calculadora de bolsillo ln (0;01234) =
3.8.
4;394909261:
4;394909261:
Integracin de funciones de clase C 1 (R)
Se denota con C 1 (R) al espacio vectorial de las funciones reales que poseen derivadas de todos los rdenes
1
X
1
ak xk
continuas en todo R. Supongamos que f 2 C (R) se representa mediante una serie de potencias
k=0
Z a
y se desea calcular I(f ) =
f (x)dx; con a > 0:
0
El polinomio de Taylor de f en un entorno de cero viene dado como P (x) =
m
X
f (k) (0)
k=0
f (x) = P (x) + Em (x); donde Em (x) es el error de aproximacin en x. Resulta que

I(f ) =
f (x)dx =
Z
m
X
f (k) (0)
k=0
m
X
f (k) (0) k+1
a
+
(k + 1)!
k=0
Adems f (x) =
1
X
f (k) (0)
k=0
k!
xk ,
entonces I(f ) =
k!
Z a
x dx +
Em (x)dx
Em (x)dx;
m = 1; 2; 3; : : : ; :
1
X
f (k) (0)
k+1 :
(k+1)! a
Sea
k=0
Im (f ) =
m
X
f (k) (0) k+1
a
(k + 1)!
k=0
m = 1; 2; : : : ; :
k!
xk : Entonces
3.8. INTEGRACIN DE FUNCIONES DE CLASE C 1 (R)
175
Cada Im (f ) es una aproximacin de I(f

> 0 la precisin con la que se
Z a) por truncamiento. Sea
aproxima Im (f ) y m 2 Z+ tal que
Em (x)dx < , entonces I(f ) puede ser aproximado por
0
Z a
m
X
f (k) (0) k+1
Im (f ) =
a
con una precisin > 0: La condicin
Em (x)dx < permite controlar
(k + 1)!
0
k=0
el error de truncamiento.
Ejemplos
Rx
2)
x 2 [0; 2 ];
pp
< 3: Construyamos un
1. Sea f la funcin real denida por: f (x) = 0 sen(t
tp dt
algoritmo para calcular los valores aproximados de f (x) y apliquemos a f
6 para p = 1: Para
1
P
2k+1
el efecto apliquemos el desarrollo de Taylor de sen( ); tenemos sen( ) =
( 1)k (2k+1)! ; y para
k=0
P
k t4k+2 : Entonces
(
1)
= t2 se tiene sen(t2 ) = 1
k=0
(2k+1)!
!
Z x
Z x
1
4k+2
X
sen(t2 )
t
dt
f (x) =
dt =
t p
( 1)k
tp
(2k + 1)!
0
0
k=0
!
Z x
1
k t4k+2
X
(
1)
=
t p+2 dt + t p
dt
(2k + 1)!
0
k=1
Z x
Z x
1
X
( 1)k t4k+2
dt:
t p+2 dt +
t p
=
(2k + 1)!
0
0
k=1
Calculemos el primer trmino de la ltima igualdad, tenemos

Z x
x
x
t p+3
=
t p+2 dt =
p+3 0
3
0
de donde
p+3
t4k+2
t 2 0; 2
(2k + 1)!
k=0
; podemos entonces intercambiar el smbolo de sumatoria con
p + 3 > 0 con lo cual p < 3: Por otra parte, la serie
converge uniformemente sobre 0;

el de integral, se tiene
x3 p X ( 1)k
f (x) =
+
3 p
(2k + 1)!
k+1
t4k+2
dt =
Observe que si k = 0, se debe tener 3

convergente para x > 0:
1
X
k=0
1
P
( 1)k
( 1)k
(2k + 1)!(4k + 3
p > 0 que implica p < 3: Si p
p)
x4k+3
3; la integral no es
La representacin de la funcin f en serie de potencias no puede ser usada para calcular f (x) en el
computador. Necesitamos aproximarle con una suma nita:
fm (x) =
m
X
k=0
( 1)k x4k+3 p
(2k + 1)!(4k + 3 p)
h
i
x 2 0;
:
2
Para = 10 se muestra que j f (x) fm (x)j < 8x 2 [0; 2 ] y m 7: Para m = 7; denimos

f7 (x) = x3 p (p1 (x) p2 (x)) x 2 [0; 2 ] ; donde p1 (x) y p2 (x) son los polinomios obtenidos de fm
con los ndices pares e impares, respectivamente. Luego
x8
;
3 p
11 p 6 7 8 9 19 p 10 11 12 13(27 p)
x8
1
x8
4
8
p2 (x) = x3! 7 1 p + 4 5x 6 7 151 p +
+
:
8 9 10 11 23 p 12 13 14 15(31 p)
p
Apliquemos este algoritmo para aproximar f
6 para p = 1: Primeramente, notemos que para
p = 1;
Z x
Z x
sen t2
1
f (x) =
dt =
t sen t2 dt = (1 cos x2 ):
1
t
2
0
0
p1 (x) =
x8
5!
x8
176

En consecuencia:
f
1
1
2
cos
' 0;0669873:
p
Apliquemos el algoritmo. Tomemos en consideracin que x = 6 ' 0;7236012; luego
r
r
p1
' 0;2500522;
p2
' 0;00571183;
6
6
entonces
f7
3.9.
p1
p2
' 0;0669873:
Funcin error
Denicin 7 La funcin error se nota err y se dene como sigue:

8
< [0; 1[ ! R
2 Rx
err :
x 7 ! err (x) = p 0 e
:
t2 dt:
Rx
2
0; no puede calcularse con funciones elementales por lo que se
Se sabe que la integral 0 e t dt x
debe recurrir a la aproximacin numrica de la misma.
p Por otro lado se demuestra (vase en el siguiente
R 1 t2
captulo la funcin gama de Euler) que 0 e dt =
con lo que
2
err (x)
! 1:
x!1
Adems, se prueba que la funcin real u denida como

x
p
2 at
u (x; t) = err
donde a > 0 constante, x
2
=p
x
p
2 at e
v2
dv;
0; t > 0; es solucin de la ecuacin en derivadas parciales del tipo parablico:
@u
@2u
(x; t) a 2 (x; t) = 0 x > 0; t > 0:
@t
@x
Esta ecuacin aparece en los problemas de transferencia de calor tales como los de conduccin inestable; en
mecnica de uidos en los problemas de capa lmite trmica, la ecuacin de Navier-Stokes para corrientes
laminares no estacionarias donde la presin es constante en todo el campo; en los problemas de difusin
de contaminantes en el aire as como en los problemas de ltracin de contaminantes en el suelo. Es por
esto que dedicamos esta seccin a la aproximacin numrica de la funcin error.
Sea " > 0: Con nes prcticos elegimos " = 10 10 : Determinemos r > 0 tal que
Z 1
Z x
2
2
2
t2
p
e dt p
e t dt < " si x > r;
0
es decir
2
p
t2
dt < " si x > r:
Apliquemos el criterio de comparacin para integrales impropias (este criterio es muy similar al de
R 1 dt
2
comparacin de series numricas). Sea f (t) = p exp t2
t
0: Puesto que 1 2 = 1; elegimos
t
1
f (t)
t 1: Tenemos,
g (t) = 2 t 1; y denimos h (t) =
t
g (t)
h (t) =
f (t)
2
= p t2 exp
g (t)
t2
! 0;
t!1
3.9. FUNCIN ERROR
177
f (t)
< " si t
g (t)
Z 1
Z
f (f ) dt < "
luego, existe r > 0 tal que
De la condicin h (t) =
2
p
g (t) dt
"
10
6;
g (t) dt = " si x
t2 < " = 10
10
determinemos r > 1: Para t = 4 se tiene
2
para t = 5; se tiene p
(5;5)2 exp ( 30;25) ' 2;49
2 R1
Elegimos r = 5;5: Tenemos p x e
r:
f (t)
2
= p t2 exp
g (t)
16 exp ( 16) ' 2;032
2
resulta p
r y de esta desigualdad se sigue que
10
t2 dt
12
2
1= p
2 Ra
de donde err (a) = p 0 e
t2 dt
t2 dt
2 R
p a1 e
=1
2
dt = p
t2
10 ;
para t = 5;5
r = 5;5: As, la aproximacin de la funcin
error se reduce al intervalo [0; 5;5] : Note que para t = 6 se tiene h (6) ' 9;42
h (8) ' 1;16 10 26 ; t = 10 se tiene h (10) ' 4;2 10 42 :
2 R1
Adicionalmente, para a > 1 calculemos p a e
10
10 :
< " = 10
< " si x
25 exp ( 25) ' 3;92
t2
dt +
t2
10
10 :
15 ;
t = 8 se tiene
Tenemos
dt ;
t2 dt:
Apliquemos el mtodo de integracin por partes

Z
t2
dt =
e
2t
t2
e
2t
e t
2t
e
2t
a
1
e t
4t3
a
1
a
t2
e
+
4t3
e t
dt
2t2
t2
2te
dt
4t3
1
Z
t2
e
4t3
+
t2
e t
2t
a
1
2te t
dt =
2t
1
Z 1
t2
+
a
1
3
4
a
2
3e t
8t5
3e t
dt
4t4
2te t
dt
2t5
1
Z
2
15 x e t
dt:
8 a t6
a
Continuando con este procedimiento n veces, obtenemos

Z
t2
dt =
e t
2t
1
a
( 1)
e t
+ 2 3
2 t
(2n
3 e
23 t5
t2
1) e
t2
( 1)n
"n (a) =
e t
t2k
= lm
a
5 e
4
2 t7
a
1
+ "n (a) ;
a
(2n + 1)
2n
Como para k = 1; 2; : : : ; n
2n t2n
con
2
t!1 t2k et
1
a2k ea2
e t
dt:
t2n
1
a2k ea2
t2
+
a
178
entonces
Z 1
2
e a
2
e t dt =
2a
a
1
1 3
+ 2 4
2a2
2 a
3 5
+
23 a6
Estimemos j"n (a)j : Tenemos

j"n (a)j =
=
(2n + 1)
2n
(2n + 1)
2n
e a
Denimos n (a) =
2a
e t
dt
t2n
2n+1
a2
( 1)n+1
2n + 1
1
1 3
+ 2 4
2
2a
2 a
3 5
+
3
2 a6
3 5
2n a2n
(2n + 1)
2n
1)
dt
t2n
a2
1 3
2n (2n
( 1)n+1
(2n
+"n (a)
(2n + 1)
:
1) a2n+1 ea2
1
3 5
2n a2n
(2n
1)
Puesto que:
err (a) = 1
= 1
2
p
t2
2
p [
dt = 1
2
p
n (a)
2
p "n (a)
n (a)
+ " (a)]
a > 1:
Determinemos un apropiado n 2 Z+ y a > 1 tal que j"n (a)j < " = 10
10 :
Lo hacemos por tanteo.
Para a = 3; tenemos
1 3 5 7
' 1;48 10 7 ;
23 5 37 e9
1 3 5 7 9 11
' 1;443 10
26 11 313 e9
1 3
19
' 3;6 10 10 :
10
21
2
19 3 e9
j"3 (3)j
j"6 (3)j
j"10 (3)j
Como vemos, para a = 3 no se logra la precisin deseada. Elegimos a = 3;5: Entonces

1
j"6 (3;5)j
5 7 9 11 13
' 7;77
11 (3;5)13 e12;25
26
10
11
Note qie si a = 4;
1
j"6 (4)j
5
26
10
Se prueba que j"6 (a)j < " = 10

'r siguiente:
para a
7
11
9 11
413 e16
13
' 3;22
10
13
3;5: Los resultados anteriores nos permiten denir la funcin
8 2 R
2
>
p 0x e t dt; si 0 x 3;5;
>
>
<
2
'r (x) =
1 p 6 (x) ; si 3;5 < x 6;
>
>
>
:
1; si x > 6:
Rx
2
Nos queda aproximar 0 e t dt x 2 [0; 3;5] : Para el efecto, utilizamos el desarrollo de Taylor de exp ( ) :
k
1 ( 1)k
1
P
P
Tenemos exp ( ) =
; haciendo = t2 se obtiene exp t2 =
t2k : Aplicando el teorema
k!
k!
k=0
k=0
de la convergencia uniforme y la integracin, se tiene
Z
t2
dt =
= t
1
xX
0 k=0
1
X
k=0
X ( 1)k
( 1)k 2k
t dt =
k!
k!
k=0
( 1)
t2k :
k! (2k + 1)
1
X
( 1)k t2k+1
t dt =
k! (2k + 1)
2k
k=0
3.9. FUNCIN ERROR

Sera m 2 Z+ y Sm (x) =
179
1 ( 1)k t2k
P
x 2 [0; 3;5] :
k=0 k! (2k + 1)
Para obtener un algoritmo de clculo de err (x)

x 2 [0; 3;5] ; con la precisin jada " = 10
determinemos m 2 Z+ el ms pequeo posible tal que
1
X
( 1)k x2k
k! (2k + 1)
Sm (x)
k=0
1
X
k=m+1
10 ;
x2k
< ":
k! (2k + 1)
Es claro que si x 2 [0; 1] se requiere menos trminos que si x 2 [3; 3;5] : Por esta razn consideramos los
intervalos [0; 1] ; ]1; 2] ; ]2; 3] ; ]3; 3;5] :
Apliquemos el criterio de comparacin. Para a 2 [0; 3;5] ; ponemos ak =
bk =
1
P
1
ak
1
que como es conocido
= 1: Denimos Ck =
k (k + 1)
bk
k=1 k (k + 1)
Ck =
luego existe m 2 Z+ tal que
1
X
ak
< " si k
bk
k=m+1
k (k + 1) 2k
a
k! (2k + 1)
a2k
y elegimos
k! (2k + 1)
k = 1; 2; : : : ; entonces
! 0;
k!1
m; y de esta relacin se obtiene
( 1)k
x2k
k! (2k + 1)
1
X
k=m+1
x2k
< " si x
k! (2k + 1)
El ms pequeo m 2 Z+ (no ptimo) se obtiene de la desigualdad
a:
k (k + 1) 2k
a < " = 10
k! (2k + 1)
10 :
Para a = 1; se obtiene m = 15; para a = 2 resulta m = 27; para a = 3 se tiene m = 43 y para a = 3;5 es
m = 55:
Con todos estos resultados, denimos la funcin ' como sigue:
8
15
( 1)k
2x P
>
>
p
x2k ; si x 2 [0; 1] ;
>
>
>
k! (2k + 1)
k=0
>
>
>
27
>
2x P
( 1)k
>
>
p
x2k ; si x 2 ]1; 2] ;
>
>
>
k!
(2k
+
1)
k=0
>
>
>
43
< 2x P
( 1)k
p
x2k ; si x 2 ]2; 3] ;
' (x) =
k!
(2k
+
1)
k=0
>
>
> 2x P
55
>
( 1)k
>
>
p
x2k ; si x 2 ]3; 3;5] ;
>
>
>
k=0 k! (2k + 1)
>
>
>
2x
>
>
1 p 6 (x) ; si x 2 ]3;5; 6] ;
>
>
>
:
1; si x > 6:
Esta funcin ' aproxima a la funcin error con una precisin " = 10
k'
errk1 = max j' (x)

x2[0;1[
10 ;
tenemos
err (x)j < ";
donde k k1 denota la norma de Chebyshev (vase en el apndice los espacios normados).

m 1
Sea m 2 Z+ impar. Se pone n =
: Para escribir un algoritmo simple de clculo asociamos los
2
trminos con signo positivo y aquellos con signo negativo. Tenemos
m
X
k=0
X
( 1)k
x4k
x2k =
k! (2k + 1)
(2k)! (4k + 1)
k=0
p
X
k=0
x2(2k+1)
(2k + 1)! (4k + 3)
180
y denimos
1;
1 (x)
2;
como sigue:
p
X
k=0
= 1+
+
2 (x) =
x4k
x4
x8
x12
=1+
+
+
+
(2k)! (4k + 1)
2! 5 4! 9 6! 13
x4
2
(2p
1
1
x4
x4
+
+
5 3 4 9 5 6
x4
1) (2p) (4p + 1)
1
+
9
(2p
x4
3) (2p
x4p
(2p)! (4p + 1)
1
2)
4p
x4k+2
y se escribe en forma similar a
k=0 (2k + 1)! (4k + 1)
p
P
1 (x) :
Finalmente,
3 (x)
= 1
2
p
= 1
e x
1
p
1+ 4
x
x
6 (x)
2
3
1
+ 4
4 x
105 10395
+
16
64x4
1
2x2
1+
1
x4
15
945
+
4
16x4
Ejemplo
En la tabla siguiente se dan algunos valores aproximados de err(x) para los valores x que se indican
calculados con la funcin ' (x) con una precisin " = 10 3
x
err(x)
3.10.
0;2
0;223
0;4
0;428
0;6
0;604
0;8
0;742
1;0
0;843
1;2
0;910
1;5
0;966
2;0
:
0;995
Aproximacin numrica de una integral elptica
En esta seccin consideramos la aproximacin numrica de una clase de integrales elpticas, ms

exactamente la aproximacin numrica de la integral elptica incompleta de segunda especie que es a
su vez conocida como forma de Legendre para la integral elptica de segunda especie. Esta integral se
dene como sigue:
Z p
2
E(k) =
1 k 2 sen2 (t)dt para 0 k 1;
0
y se presenta en el clculo de la longitud de un arco de la elipse, tambin aparece en la solucin de algunas

ecuaciones diferenciales ordinarias. El inters de la aproximacin numrica de esta clase de integrales es
la de proporcionar de una metodologa que puede ser implementada para la aproximacin numrica de
otros tipos de integrales elpticas, que como se ha dicho aparecen en algunas aplicaciones. Cabe sealar
que la integral elptica incompleta de segunda especie no puede calcularse mediante funciones elementales
cuando k 2]0; 1[.
p
La funcin real g denida sobre [0; ] [0; 1] como g(k; t) = 1 k 2 sen2 (t)
t 2 [0; ]; k 2 [0; 1];
2
2
R2
es continua, y la integral 0 g(k; t)dt es dependiente del parmetro k 2 [0; 1]. Por el teorema de la
continuidad de integrales dependientes de un parmetro, resulta que la funcin E denida sobre [0; 1]
R
como E(k) = 02 g(k; t)dt es continua sobre [0; 1]:
Nos interesamos en el clculo de E(k) cuando k 2]0; 1[: Para el efecto, representaremos E(k) como una
serie de potencias. Primeramente utilizaremos la serie binmica y el teorema de la convergencia uniforme
y la integracin. La serie de potencias ser utilizada para elaborar un algoritmo para aproximar E(k)
con una precisin = 10 6 de modo que se adapte a la estabilidad numrica, y, nalmente aplicaremos
el algoritmo para aproximar E(0;5).
3.10. APROXIMACIN NUMRICA DE UNA INTEGRAL ELPTICA

Para jxj < 1 y
2 Q8Z, la serie binmica est denida como la serie:

(1
y para
181
x) = 1
x+
1)
2!
x2
1)(
3!
2)
x3 +
= 21 , se tiene
1
(1
x) 2
= 1
= 1
1
x+
2
1
x
2
1
11
1
11
x2
2! 2
2
3! 2
2
1 1 2
1 1 3
x3 +
x
2! 22
3!
23
3
2
x3 +
Esta serie es absolutamente convergente para todo x 2] 1; 1[; por lo que se aplica el teorema de la
convergencia uniforme y la integracin: Haciendo x = k 2 sen2 (t), se deduce que
Z
E(k) =
1 2
1 1 3
1 1
2
3
k 2 sen2 (t)
k 2 sen2 (t) +
k sen2 (t)
2
2
2! 2
3!
23
Z
Z
Z
1 k4 2
11 3 6 2
1 2 2
2
4
sen (t)dt
sen (t)dt
k
sen6 (t)dt +
k
2
3
2
2!
2
3!
2
0
0
0
1
=
Sea I(j) =
I(j) =
k 2 sen2 (t)dt
sen2j (t)dt, j = 1; 2; : : :. Apliquemos el mtodo de integracin por partes. Tenemos
2j
sen (t)dt =
dt
sen(t) sen2j
cos(t) sen2j
= (2j
1)
(t)j02 + (2j
(sen2j
(t)) (1
1)
(t)dt
sen2j
1) [I(j
(t) cos2 (t)dt

"Z
sen2 (t))dt = (2j
= (2j
1)
sen2j
(t)dt
1)
sen2j (t)dt
I(j)] ;
y de este resultado obtenemos la siguiente frmula de recursividad

I(j) =
2j 1
I(j
2j
1) j = 1; 2; : : :
Utilizando esta frmula de recursividad, se obienen los siguientes resultados:

Z
2
1
1
3
1 3
I(0) =
dt = ; I(1) = I(0) =
; I(2) = I(1) = 2
;
2
2
2 2
4
2
1 22
0
5
1 3 5
1 3 5
(2j 1)
I(3) =
I(2) = 3
;
;
I(j) =
:
j
6
2
1 2 32
2
j!
2
Remplazando cada uno de estos resultados en la representacin de E(k); obtenemos la serie de potencias
E(k) =
=
=
1 2
k
2 2
1
2
k
1
2
22
"
k2
1
2
22
2
1
X
41
2
j=1
1 k4
2! 22
1 3
1 1 3
2
22
2
2! 2
3!
23
1 1 3 4
1 3 1 3 5 6
k
k
:::
2
2
2! 2
2
23 3! 23 3!
#
1 3 2 k4
1 3 5 2 k6
:::
2 4
3
2 3 6
5
3
2
2j
1 3 : : : (2j 1)
k
5:
2 4 : : : 2j
2j 1
k6
3
23
5
3! 2
182
En conclusin, la integral elptica incompleta de segunda especie se representa como la siguiente serie de
potencias:
2
3
1
2
2j
X
k
1 3 : : : (2j 1)
5 k 2]0; 1[:
E(k) = 41
2
2 4 : : : 2j
2j 1
j=1
Para " > 0; determinemos si es posible, el ms pequeo nmero de trminos n tal que j
E(k)
En (k) j< ": Para el efecto aplicamos el criterio de comparacin de series. Sean aj (k) =
1
P
1 3 : : : (2j 1) 2 k 2j
1
1
, bj =
: Se tiene que
= 1 y para 0 < k < 1,
2 4 : : : 2j
2j 1
j(j + 1)
j(j
+ 1)
j=1
aj (k)
j(j + 1)
=
bj
2j 1
luego, 8 > 0, 9n 2 N tal que
aj (k)
<
bj
1
X
(1
aj (k)
n
X
k 2j
! 0;
j !1
n > 1, de donde
1
X
aj (k) =
j=1
aj (k) < :
j=n+1
Sn (k)), con
n
X
Sn (k) =
3 : : : (2j 1)
2 4 : : : 2j
si j
j=1
Sea En (k) =
j=2
3 : : : (2j 1)
2 4 : : : 2j
1
2
3
4
k2
+
22
k2
+
22
1
2
3
4
(2n 3)k
2(n 1)
1
2
3
4
5
6
1
+
3
5k
6
1
+
5
k4
+
3
k4
1
2n
k 2j
2j 1
k6
+
5
2n 1
k
2n
7k
8
2
1
2n
3
2 4
1
+
+
7
! !!!
:::
(2n 1)
2n
k 2n
2n 1
La escritura de Sn(k) evita el clculo directo de los coecientes del sumatorio as como el clculo directo
de las potencias y con esto se reduce signicativamente el nmero de operaciones elementales a realizar.
Por otro lado facilita la elaboracin de un algoritmo numrico, como el que se propone a continuacin.
Algoritmo
Datos de entrada: k; n
Datos de salida: En (k):
1. Poner b =
1
2n
2. j = 1; : : : ; n
1
2
m=n+1
b=
1
+b
2m 3
2m 1
k
2m
Fin de bucle j.
k2
3. Sn (k) =
+
4
4. En (k) =
(1
3k 2
8
Sn (k)) :
b:
3.11. EJERCICIOS
183
5. Imprimir En (k):
6. Fin.
Apliquemos el procedimiento arriba descrito para aproximar E(0;5) con una precisin " = 10
1
efecto, ponemos k = , entonces
2
1
2
aj
bj
Por lo tanto, S10
1
2
S10
1
2
j(j + 1)
2j 1
3
2 4
1
< 10
22j
si j
Para el
10:
se expresa como sigue:
1
9
+
16 1024
1
+
3
11
24
1
+
11
5
12
2
13
28
1
+
5
7
16
1
+
7
1
+
13
15
32
1
+
15
Realizando estos clculos elementales, se obtiene S10

1
2
E10
3.11.
(2j 1)
2j
6:
1
16
1
2
1
16
9
20
1
+
9
2
17
36
1
+
17
19
40
1
19
!!!!!!!!
+ 0;003284541926 y el consecuencia
0;003284541926
= 1;46746221:
Ejercicios
1. Determinar el radio de convergencia de cada una de las series que se proponen en cada item.
1
1
X
X
1 xn
1 xn+1
1
1
P
P
P
P
xn
xn
n
2 xn :
n
:
b)
:
c)
:
d)
:
e)
n
f
)
a)
(n+1)(n+2) x :
n
2n
n
n
n
(n
1)
n=1
n=1
n=1
n=0
g)
n=1
1
X
n=0
1
n
(n!)3n x :
h)
1
P
n=0
n=0
xn
2n + 1
i)
1
P
xn
n=0
n!2n
j)
n=0
3n
n=0
1
1
X
X
( 1)n x2n
( 1)n+1 n
: n)
m)
(n+1)2n x : o)
(n
n=0 (2n!)(3n + 1)
1
P
nxn
1
P
1)n xn
1
P
(
:
n=0 (n + 1)(n + 2)(2n + 3)
k)
1
3n
1)(n 2)2n x :
p)
n=3
1
X
n=2
2. Determinar el radio de convergencia de las siguientes series de potencias:

1
1 x2k
P
P
x2k+1
a) senh (x) =
: b) cosh (x) =
:
k=0 (2k + 1)!
k=0 (2k)!
c) (1 + x) =
k=0
1; 2; : : : :
d)
1
1
1
P
1
P
xk ;
2 R (serie binmica),
xk : e) ln(1 + x) =
k=0
1 ( 1)k
P
xk+1 :
k=0 k + 1
x3 x5 x7
+
+
3
5
7
Utilice d) para obtener e) y f).
f ) arctan (x) = x
( 1)n 1 2n
x
2n 1
n
2n
3
(n 1) x :
1) : : : (
k!
k + 1)
k=
Sean m 2 Z+ y Sm (x) una suma nita con m trminos de cada serie. Escriba un algoritmo para
calcular Sm (x) de modo que se adapte a la estabilidad numrica, x 2 I, donde I es el ms grande
subconjunto de R en el que la serie converge absolutamente.
1
1
X
X
1 tk
P
( 1)2k+1 t2k+1
( 1)k t2k
, sen (t) =
, cos (t) =
, t 2 R. Aplique
(2k + 1)!
(2k)!
k=0 k!
k=0
k=0
el teorema de la convergencia uniforme y la integracin para expresar las siguientes integrales en
series de potencias, x > 0.
3. Se sabe que et =
184

Para cada funcin f que se dene a continuacin, calcular una aproximacin fe(x) de f (x) para el
punto x que se precisa de modo que f (x) fe(x) < 10 5 y el nmero de operaciones elementales
que se requiere en el clculo de fe(x) sea el ms pequeo posible (evite el clculo directo de los
factoriales y las potencias).
Rx
2
a) f (x) = 0 e t dt; x = 0;2:
Rx
p
sen t2 dt; x = 6 :
Z x t
p
Rx
e
1
c) f (x) = 0 cos t dt; x = : d) f (x) =
; x = 0;1:
9
t
0
Z xp
Z x
p
1 cos (t)
t sen( t)
dt;
x
=
0;1:
f
)
f
(x)
=
dt; x = 0;3:
e) f (x) =
3
t2
t2
0
0
Z x
p
p
3
2
g) f (x) =
t(e t
e t + e 5t )dt; x = 0;2:
b) f (x) =
4. Aproximar, en cada caso, la integral con una precisin de 10 8 :

1
R
R
R1 1
P
1
22n 1
2
a) 02 cos x 4 dx: b) 0 t 3 e t dt: c) 0 sen2 t1=2 dt; sen2 ( ) =
( 1)n+1
(2n)!
n=1
1
R
R =2
dx
dx
: e) 02
:
d) 0 q
(1 + x4 )1=4
1 12 sen2 (x)
5. Considerar la integral I(p) =
R1
0
p dx
donde p
1+px4
2n ;
2 R.
0:
a) Utilice el binomio de Newton con exponente fraccionario para representar I(p) como una serie
de potencias de p:
b) Determine para que valores de p
0 la serie de potencias es absolutamente convergente.
c) Para p 0;2, determine el nmero ms pequeo de trminos que se requieren para aproximar
I(p) con una precisin de 10 4 y aproxime I(0;4):
6. Utilice la serie
1
P
1
k=0
Rp
permita aproximar I(p) = 0
7. Sea
k;
j j < 1, para elaborar un algoritmo numricamente estable que
dx
1+x4
2 R+ . La funcin de Bessel de orden

f (x) = jxj
1+
1
X
n=1
1
2;
10 :
se dene mediante la serie

( 1)n x2n
22n n!(1 + )(2 + )
(n + )
a) Estudie la convergencia de la serie.

b) Elabore un algoritmo que permita aproximar f (x) con una precisin " > 0:
8. Sean a
0, p 2 Q. El binomio de Newton con exponente fraccionario se expresa mediante el
siguiente desarrollo en serie de potencias:
(1 + a)p = 1 + pa +
p (p 1) 2 p (p
a +
2!
1) (p
3!
2)
a3 +
Aplique este desarrollo para calcular un valor aproximado fe(x) de f (x) que se dene en cada caso,
de modo que f (x) fe(x) < 10 4 y el nmero de operaciones elementales para el clculo de fe(x)
sea el ms pequeo posible.
Z x
Z x
dt
dt
q
a) f (x) =
x = 0;1: b) f (x) =
x = 0;5:
1
0
0
1 14 t4 3
1 + 12 t4
Z x
Z x
3
2
1 4 4
c) f (x) =
1 4t
dt x = 0;2: d) f (x) =
1 + 15 t3 3 dt x = 0;3:
0
3.11. EJERCICIOS
e) f (x) =
x = 0;5:
g) f (x) =
185
1+
0;5t2
1
3
dt
1+
t3
1
3
dt
x 2 [0; 1]; x = 0;5:

0; x = 0;2:
h) f (x) =
1 + 12 t3
0;2t2
1
2
dt
2
3
dt
x 2 [0; 1];
x 2 [0; 1[; x = 0;3:
9. Sea " = 10
f ) f (x) =
5:
Aplique el algoritmo para la aproximacin de la integral elptica incompleta de

1
segunda especie en el punto k =
y k = 0;6:
3
10. Aplique el algoritmo de clculo de sen (x) en los siguientes casos y una preccisin " = 10
9:
20
2
: d) sen
: e) sen (125) :
4
3
3
Compare con los resultados obtenidos directamente de una calculadora de bolsillo
h
i
11. Para x 2 0;
se ha propuesto un algoritmo de clculo de sen (x) : Elabore un algoritmo de clculo
2
i
i
de sen (x) x 2 R que incluya los siguientes casos: x 2
; ; x > y x < 0:
2
a) sen ( 15;2) :
b) sen
c) sen
12. Aplique el algoritmo de clculo de exp (x) con una precisin de " = 10
a) exp (0;2) :
b) exp (2;5) :
c) exp (25;2) :
d) exp ( 0;3) :
9;
en los siguientes casos:
e) exp ( 5;2) :
Compare con los resultados obtenidos directamente de una calculadora de bolsillo.

13. Sean a > 1 y n 2 Z+ : Elabore un algoritmo de clculo de y = an y verique en los siguientes casos.
p
a) a = 3;14159265 y n = 4: b) a = 2;71828184 y n = 9: c) a = 2 ' 1;414213562 y n = 10:
i
h
14. Sea f la funcin real denida como f (x) = tan(x) x 2
;
: El clculo de f (k) (0) para
2 2
k = 0; 1; : : : ; 11 da lugar al siguiente desarrollo de Taylor.
2 2 16 5 272 7 7936 9 353792 11
x + x +
x +
x +
x +
3!
5!
7!
9!
11!
2
17 7
62 9
1382 11
1
x +
x +
x +
= x + x3 + x5 +
3
15
315
2835
155925
f (x) = x +
h
i
Para x 2 0;
elabore unalgoritmo de clculo de tan (x) usando el desarrollo precedente y calcule
10
los siguientes valores:
a) tan (0;1) :
b) tan
:
c) tan
18
10
bolsillo. Estime el error de aproximacin.
Calcule tan
6
de bolsillo.
y compare con los obtenidos en una calculadora de
con el polinomio de grado 11 y compare con el valor obtenido en una calculadora
15. La integral elptica incompleta de primera especie se dene como F (p) =
d
1 p2 sen2 ( )
p 2 [0; 1[: Esta integral no se calcula con funciones elementales, por lo que se le representa mediante
una serie de potencias.
0
a) Estudie la continuidad de la funcin F sobre el intervalo [0; 1[:

b) Represente F (p) p 2]0; 1[, mediante serie de potencias.
c) Sea " = 10 5 : Construya un algoritmo para la aproximacin de la integral elptica incompleta

de primera especie de modo que el nmero de operaciones elementales sea el ms pequeo posible
1
y k = 0;6:
y aplique dichoa algoritmo en los puntos k =
4
Rx
1
16. Se considera la funcin real h denida como h(p; x) = 0
0; x 2 [0; 1]:
1 dt; donde p
(1 + p4 t4 ) 3
Estudie la funcin h. Utilice la serie binmica para representar la funcin h como una serie de
potencias. Para " = 10 4 ; elabore un algoritmo para la aproximacin de h(p; x) de modo el nmero
186
de operaciones elemenetales sea el ms pequeo entero posible. Aplique el algoritmo para calcular
valores aproximados de h(0;5; 0;2); h(0;5; 0;5); y, h(1; 0;2); h(1; 1):
Rx
17. Considerar la integral I = 0 f (t)dt, x > 0, donde f es la funcin representada en serie de potencias
que en cada caso se dene. Calcule In aproximacin de I para el valor de x que se da de modo que
jI In j < 10 4 .
P
P1 ( 1)k t2k+1
tk
a) f (t) = 1
,
x
=
1.
b)
f
(t)
=
, x = 2:
k=0
k=0
k!(3k + 5)
(k + 1)k2k
P
P
( 1)k tk
t2k
c) f (t) = 1
, x = 3: d) f (t) = 1
, x = 2:
k=0
k=0
(2k)!
(2k + 1)(k + 1)5k
18. En el siguiente ejercicio
a) Utilice la serie de Taylor de sen (x) ; x 2 R, para aproximar la integral I =

mediante sumas nitas con 5; 7; 9; 11 trminos.
b) Aplique el mtodo de los trapecios para aproximar I con n = 5; 7; 9; 11:
R1
0
x1=2 sen(x)dx;
c) Aplique el mtodo de Euler explcito (vase el captulo 1) para aproximar u(1) solucin de la
u0 (t) = t1=2 sen(t); t 2]0; 1[;
ecucin diferencial
con n = 5; 7; 9; 11: Compare los resultados de
u(0) = 0;
a), b) precedentes con c).
R1
19. Proceda de manera anloga al ejercicio precedente para aproximar la integral I = 0 cos(x1=2 )dx:
R1
20. Considere la integral I(p) = 0 x p ex dx; p > 1:
a) Pruebe que I(p) < 1; 8p > 1:
b) Utilice la serie de Taylor de ex y elabore un algoritmo para aproximar I(p) con una precisin
= 10 6 :
c) Aplique el algoritmo para aproximar I(1;1); I(1;5): Cuntas operaciones elementales se
requieren?.
21. La solucin en serie de potencias de x de la ecuacin de Airy: y 00 = xy; x 2 R; viene dada por
"
#
1
X
x3n
y(x) = a0 1 +
(3n)(3n 1)(3n 3)(3n 4)
3 2
n=1
"
#
1
X
x3n+1
+a1 x +
;
(3n + 1)(3n)(3n 2)(3n 3)
4 3
n=1
donde a0 ; a1 son constantes reales.
a) Elaborar un algoritmo que permite aproximar y(x); x 2 [0; 1]:
b) Si a0 = a1 = 1, bosqueje la grca de la solucin y(x) en puntos igualmente espaciados (tmese

por ejemplo xk = kh; con h = 0;2; k = 0; 1; : : : ; 5).
22. La ecuacin diferencial de Bessel de orden es la ecuacin: x2 y 00 + xy 0 + (x2
de Bessel de orden cero de primera clase se representa por
J0 (x) =
1
X
( 1)m
(m!)2
m=0
x
2
2m
)y = 0: La funcin
La funcin de Bessel de orden cero de segunda clase se representa por

K0 (x) =
1
X
( 1)m
(m!)2
m=1
1+
1
+
2
1
m
x
2
2m
+ (ln(x)) J0 (x):
Se demuestra que estas dos funciones son soluciones de la ecuacin de Bessel.

a) Elaborar un algoritmo que permita aproximar J0 (x) y K0 (x); x 2]0; 2]:
b) Bosquejar las grcas de J0 (x) y K0 (x); x 2]0; 2] en puntos igualmente espaciados xk = 0;2k
k = 1; : : : ; 10:
187
23. Se prueba que la solucin de la ecuacin en derivadas parciales:

@2u
@x2
1 @u
= 0 sobre ]0; T [ ]0; L[;
c2 @t
u(0; t) = u(L; t) = 0; 8t 2 [0; T ];
u(x; 0) =
x; si 0 < x < L2 ;
x
L x; si L2
L;
donde c > 0; T > 0; L > 0; x es la variable espacial, t es la variable temporal y u es la temperatura;

viene dada por
1
X
2
kx
u(x; t) =
ak e k t sen(
) (x; t) 2 [0; T ] [0; L];
L
k=1
8
>
0; si k es par,
>
>
>
4L
<
ck
; si k = 1; 5; 9; : : :
2 k2
donde k =
; k = 1; 2 : : :, y ak est denido por ak =
>
L
>
>
4L
>
:
, si k = 3; 7; 11; : : :
2 k2
L
a) Sean m; n 2 N; h = m
; xi = ih; i = 0; 1; : : : ; m; I = Tn ; tj = Tj ; j = 0; 1; : : : ; n: Elabore un
algoritmo para aproximar la solucin de u(xi ; tj ); j = 0; 1; : : : ; n; i = 0; 1; : : : ; m:
b) Supngase que c = L = 1; T = 2; m = 10; n = 4. Trace las grcas de las soluciones aproximadas
a cada instante tj con 3; 4 y 5 trminos de la serie.
24. En cada uno de los items siguientes se da una funcin f denida sobre un intervalo [a; b] que se
Rb
indica y n 2 Z+ . Represente I (f ) = a f (x) dx como serie de potencias y aproxime dicha integral
con el nmero de trminos que se da, qu precisin logra?
p
2
a) f (x) = ex x 2 [0; 1], n = 5. b) f (x) = 1 + x4 x 2 [ 1; 1], n = 4.
ex
ln x
c) f (x) =
x 2 [1; 2], n = 5. d) f (x) =
x 2 [1; 4], n = 5.
x
x
3.12.
Editores, S. A., Mxico, 2002.
7. Alan W. Bush, Perturbation Methods for Engineers and Scientists, CRC Press, Boca Raton, 1992.
1981.
1977.
188

12. C. H. Edwards, Jr., David E. Penney, Ecuaciones Diferenciales Elementales y Problemas con
Condiciones en la Frontera, Tercera Edicin, Editorial Prentice-Hall Hispanoamericana, S. A.,
Mxico, 1993.
15. Wilfred Kaplan, Donald J. Lewis, Clculo y Algebra Lineal, Volumen I, Primera Reimpresin,
Editorial Limusa, Mxico, 1978.
16. E. J. Hinch, Perturbation Methods, Cambridge University Press, Cambridge, 1991.
18. R. Kent Nagle, Edward B. Sa, Arthur David Snider, Ecuaciones Diferenciales y Problemas con
Valores en la Frontera, Tercera Edicin, Editorial Pearson Educacin, Mxico, 2001.
Wilmington, 1994.
24. Bhimsen K. Shivamoggi, Perturbation Methods for Dierential Equations, Editorial Birkhauser,
Boston, 2003.
26. Ferdinand Verhulst, Methods and Applications of Singular Perturbations: Boundary Layers and
Multiple Timescale Dynamics, Editorial Springer, New York, 2005.
Captulo 4
Aproximacin de algunas funciones de

distribucin de probabilidad.
Resumen
La pregunta simple que nos hacemos cuando estudiamos estadstica y probabilidades es cmo se elaboran
las tablas de datos de algunas de las funciones de distribucin estadstica? Este captulo da respuesta a
esta interrogante. Se abordan las principales funciones de distribucin discretas: la binomial, de Poisson
y se establecen criterios basados en el condicionamiento y la estabilidad para elaborar algoritmos de
clculo de estas funciones y de otras discretas. Las principales funciones de distribucin continuas como
son: las del tipo gama, del tipo beta, la normal, i cuadrada, t de Student, distribucin F se aproximan
mediante el uso de las series de potencias, del anlisis asimpttico en unos casos, y en otros, cuando es
posible calcular directamente las integrales, como polinomios. En todos los casos, se aplican los criterios
de condicionamiento y de estabilidad numrica. Se debe precisar que en la mayora de textos de estadstica
citados en la bibliografa, es muy limitado el tratamiento de los problemas de aproximacin numrica de
las funciones de distribucin estadstica. En la mayor parte de libros de mtodos perturbacin se trata la
funcin error, y fue esta funcin la que motiv emprender la tarea de construir mtodos de aproximacin
de las funciones de distribucin estadstica mencionados as como de las funciones gama y beta de Euler.
Otras funciones de distribucin estadstica como la log normal pueden aproximarse fcilmente siguiendo
los citerios establecidos con las otras funciones.
4.1.
Introduccin
El propsito fundamental de este captulo es el de construir mtodos y elaborar algoritmos de clculo de

las principales funciones de distribucin en estadstica para que puedan incorporarse en los programas
de simulacin numrica. Las funciones que tratamos son:
1. Discretas: las distribuciones binomial y de Poisson.
2. Continuas: la funcin gama de Euler y la distribucin gama, la funcin beta y la distribucin beta,
la distribucin normal, i-cuadrada, t de Student, F de Snedekor.
Estas funciones de distribucin estadstica se presentan en muchos problemas tales como estimacin de
parmetros, intervalos de conanza, pruebas de hiptesis, control de calidad, anlisis de la varianza,
anlisis de regresin y correlacin lineal y multilineal, en la teora de colas tales como las lneas de espera,
en problemas de econometra, anlisis multivariante, en problemas de optimizacin, etc.
Por otro lado, en la mayora de textos de probabilidades y estadstica, vienen tabulados valores de las
funciones de distribucin estadstica arriba citados, que sin duda alguna, constituye de una gran ayuda,
no obstante tienen la desventaja de ser muy limitados y en la automatizacin de la informacin, por lo
189
190CAPTULO 4. APROXIMACIN DE ALGUNAS FUNCIONES DE DISTRIBUCIN DE PROBABILIDAD.

general, no se disponen a la mano. Por estas razones, es importante contar con algoritmos numricos para
elaborar programas computacionales para calcular valores de las mencionadas funciones de distribucin
para datos de entrada los ms amplios posibles y que superen largamente a los datos proporcionados en
las tablas.
Los temas del anlisis matemtico tales como los mtodos de integracin por partes y sustitucin, las
integrales impropias, sucesiones y series numricas, criterios de convergencia, las sucesiones y series
de funciones y la convergencia uniforme e integracin y particularmente las series de potencias as
como su aproximacin numrica tratados en el captulo anterior, son aplicados a los tipos de funciones
de distribucin estadstica arriba citadas. Adems se aplican los resultados de condicionamiento y la
estabilidad numrica tratados en el primer captulo, lo que permite elaborar algoritmos simples de clculo
con la precisin que se desee. Por cuestiones prcticas se ha seleccionado como precisin = 10 10 y la
exactitud de clculos del orden de 10 10 ; an cuando la metodologa establecida se adapta fcilmente
para > 0 arbitrario. La metodologa que se implementa puede adaptarse en forma inmediata a la
aproximacin de otras funciones de distribucin estadstica tanto discretas como continuas.
Al nal del captulo se provee de una amplia bibliografa.
4.2.
La distribucin de probabilidad binomial
Denicin 1 Una variable aleatoria X tiene una distribucin binomial o distribucin de Bernoulli
basada en n pruebas, con probabilidad de xito p, si su funcin de densidad est denida mediante
8
0; si k 2 Z f0; 1; : : : ; ng ;
<
n
f (k) =
pk q n k ; si k = 0; 1; : : : ; n;
:
k
donde p 2 [0; 1] ; q 2= 1
py
n
k
denota el coeciente binomial denido por
n
k
n!
:
k!(n k)!
De la denicin de los coecientes binomiales se deduce que

n
k+1
n k
k+1
n
k
consecuentemente
f (k + 1) =
con r = pq ;
n
k+1
pk+1 q n
(k+1)
n k
k+1
n
k
p k n
p q
q
n k
rf (k);
k+1
p 6= 1:
Esta ltima relacin nos permite elaborar un algoritmo para calcular F (k); con 0
Algoritmo
Datos de entrada: p; k; n:
Datos de salida: x; F (k):
1. q = 1 p:
p
2. r = :
q
3. S1 = q n :
4. S = S1 :
5. k = 0; 1; : : : ; x
n; k 2 Z:
4.2. LA DISTRIBUCIN DE PROBABILIDAD BINOMIAL

S1 =
191
n x
rS1
x+1
S = S + S1
Fin de bucle k.
6. F (x) = S:
7. Fin.
Este algoritmo presenta algunos inconvenientes por lo que debe tomarse en consideracin otras
alternativas en base a las propiedades de la funcin de distribucin se se vern a continuacin.
Sea r =
p
q
con p 6= 1: De la denicin de la funcin F se establece la siguiente escritura anidada:

k
X
F (k) =
n
j
j=0
j n j
p q
=q
n
X
n
j
j=0
= q n 1 + nr 1 +
1
2
r 1+
rj
2
3
r 1+
k
k
2
1
1+
k
k
:::
Por otro lado, para cada k = 0; 1; : : : ; n se tiene

1 = (p + q)n =
k
X
j=0
n
j
pj q n
k
X
j=0
n
j
pj q n
n
X
j=k+1
n
j
pj q n
que permite obtener una forma alternativa de clculo de F (k) :

n
X
F (k) = 1
j=k+1
pk+1 q n
= 1
n
j
k 1
j n j
p q
=1
nX
k 1
j=0
nX
k 1
j=0
n
j+k+1
n
j+k+1
pj+k+1 q n
j k 1
rj :
Cuando k es aproximadamente n2 se utiliza la primera forma anidada de clculo de F (k), y si n2 < k n

se utiliza su forma alternativa de clculo de F (k): Si n2 < k
n, la primera forma de clculo de F (k)
n
contiene ms trminos que la segunda lo que incrementa los costos numricos y si 0 k
2 ; la forma
n
alternativa contiene ms trminos que la primera. Adems, si n es grande, q est mal condicionado,
mientras que q n k 1 es mucho mejor que q n :
Para la primera forma de clculo de F (k) se propone el algoritmo que se da a continuacin. Se propone
como ejercicio escribir F (k) en forma anidada as como elaborar el respectivo algoritmo numrico.
Algoritmo
Datos de entrada: p; k; n:
Datos de salida: x; F (k):
1. q = 1 p:
p
2. r = :
q
3. S = 1:
4. j = 1; : : : ; k
i=k+1
S =1+
j
n
k
i
rS

Fin de bucle i.
Fin de bucle j.
5. S = q n S:
6. Fin.
n
n
, y
< k
n, se propone como ejercicio la
2
2
elaboracin completa del algoritmo de clculo de F (k) as como su respectivo programa computacional.
Los resultados comprelos con los provistos en tablas de textos de estadstica.
Tomando en consideracin las condiciones 0
4.3.
Distribucin de Poisson
Denicin 2 Una variable aleatoria X tiene una distribucin binomial o distribucin de Poisson de
media > 0 si su funcin de densidad est denida por
k
f (k) = e
k 2 Z+ :
k!
La funcin de distribucin est denida mediante

F ( ; m) =
m
X
m
X
f (k) = e
k!
k=0
k=0
donde
; m 2 Z+ ;
> 0 es jo.
Puesto que
lm
m!1
entonces 8" > 0; 9n 2 Z+ tal que

1
X
k=0
m
X
k!
k=0
m
X
k=0
k!
k=m+1
Por otro lado,

1=e
n
X
k=0
de donde
k!
1
X
k=0
1
X
k!
1
X
k=n+1
k!
F ( ; n) = 1
k!
=e ,
k!
=e
<"
n
X
k=0
1
X
k=n+1
8m
k
+e
k!
n:
1
X
k=n+1
k!
k!
Para elaborar un algoritmo de clculo de F ( ; n) con una precisin " > 0 para > 0 y 0
m
n,
determinemos una condicin sobre el parmetro ; n y ". Para el efecto, apliquemos el criterio de
comparacin de series numricas.
k
Sean ak =
k!
, bk =
P
1
. Entonces 1
k=1 bk = 1, y
k(k + 1)
ak
k+1
=
bk
(k 1)!
Luego, existe n tal que
k+1
(k 1)!
< " si k
! 0:
k!1
n: Para k sucientemente grande, se puede considerar la
desigualdad.
k
k!
< " si k
n;
4.3. DISTRIBUCIN DE POISSON
193
y tomando logaritmos en la misma, tenemos

k
X
k ln( )
k
X
ln(j) < ln(") ()
j=1
ln (j)
k ln ( ) >
ln (") :
j=1
La determinacin de n mediante esta ltima expresin resulta ser numricamente costosa. Con el
propsito de obtener una expresin prctica de clculo del ms pequeo entero positivo n que satisfaga
la desigualdad precedente, utilizamos la desigualdad:
k
X
ln (j)
ln (t) dt = k ln (k)
k + 1;
j=1
donde la integral se calcula utilizando el mtodo de integracin por partes. Entonces

k ln (k)
k+1
k ln ( ) >
ln (")

k ln
donde e = 2;71828182 : : : =
k
e
>
ln(");
1 1
P
es la base de los logaritmos naturales. Sea
k=0 k!
n = m n k 2 Z+ j k ln
k
e
>
ln " ;
donde > 0 y 0 < " < 1 son jos.

n
m n, el clculo de F ( ; m) se vuelve numricamente costoso. Para disminuir el costo numrico,
Si
2
utilizamos las siguiente relacin:
!
m
n
1
k
k
k
X
X
X
1=e
+
+
k!
k!
k!
k=0
y como e
1
P
k=n+1
n
X
k=m+1
k=m+1
k=n+1
k!
< ", despreciando este ltimo trmino, F ( ; m) se aproxima mediante
k!
m+1
=1
(m + 1)!
1+
m+2
1+
m+3
1+
1+
k
> 22;1 : Por ejemplo para
e
2 ]0; 1] es n = 14; para = 10 es n = 45 y para = 30 se tiene n = 102: Esta informacin nos permite
denir la funcin F~ ( ; m) para las distintas alternativas como a continuacin se indica:
8
k
m
P
<
e
, 0 m 14; m 2 N; 0 <
1:
F~ ( ; m) =
k=0 k!
:
1, si m > 14:
8
k
m
>
n
> e P
>
, si 0 m
;
>
>
2
<
k=0 k!
k
n
P
F~ ( ; m) =
n
>
1
e
, si
< m n; > 1:
>
>
2
>
k=m+1 k!
>
: 1, si m > n:
Con nes prcticos " = 10
10 ,
ln(") w 23;1, y n = m n k 2 Z+ jk ln
Se tiene que F~ ( ; m) es una aproximacin de F ( ; m) con una precisin ":

Para > 1 y m grande, los trminos m+1 y (m + 1)! son muy grandes lo que puede causar problemas
al momento de su clculo en el computador. Par evitar etas molestias, se calcula como sigue:
0
1
m+1
m+1
X
= exp @(m + 1) ln( )
ln(j)A ;
(m + 1)!
j=1
que mejora la estabilidad numrica. Adems, para evitar el clculo directo de los factoriales y de las
potencias escribimos en forma anidada como a continuacin se indica
m
X
k=0
n
X
k=m+1
k!
k!
=1+
1+
1+
1+
m+1
(m + 1)!
1+
m+2
1+
1+
m+3
1+
que mejoran la estabilidad numrica.

En las aplicaciones prcticas de la distribucin de Poisson tal como en la teora de colas, el valor de
est en el intervalo ]0; 30] :
10
En resumen F ( ; m) se aproxima numricamente con una precisin " = 10

continuacin
1, entonces
8
< :
e
1+
1+
F~ ( ; m) =
1
2
:
1, si m > 14:
por F~ ( ; m) denidos a
1. Si 0 <
1+
> 1, entonces
8
>
>
1+
1+
e
1+
>
>
1
2
>
>
>
m+1
>
<
1+
1
~
F ( ; m) =
(m + 1)!
m+2
>
>
>
n
>
>
si
< m n;
>
>
2
>
:
1, si m > n:
1+
, si 0
14;
2. Si
donde n = m n k 2
k
e
Z+ jk ln
+
1+
> 22;1 ;
1+
m+3
1+
m+1
(m + 1)!
"
1
n
si 0
1+
n
;
2
= exp (m + 1) ln( )
m+1
P
ln(j) :
j=1
Ejercicio
Se propone la elaboracin del algoritmo respectivo de clculo de F~ ( ; m) y su programa computacional.
Compare los resultados con los proporcionados en las tablas de textos de estadstica y probabilidades.
4.4.
Funcin gama de Euler.
Denicin 3 La funcin gama de Euler se dene como sigue:

:
R+ ! R +
R1
p 7 ! (p) = 0 tp
1 e t dt:
Las propiedades mas importantes de la funcin gama se enuncian en el siguiente teorema.
4.4. FUNCIN GAMA DE EULER.
195
Teorema 1
i. La integral
ii.
R1
0
(1) = 1 y
tp
1 e t dt
1
2
converge para todo p 2 R+ y diverge para todo p
0:
iii. Para todo p 2 R+ ;
(p + 1) = p (p). En particular, si p = n 2 Z+ ;
iv. Para todo n 2 N;
n+
1
2
(2n
1)(2n
3)
1p
:::
2n
v. Sea p 2 R+ N. Entonces (p) = (p 1)(p 2)

el mayor entero menor menor o igual que p.
(p
(n + 1) = n!:
n) (p
n); donde n = [p] y [p] denota
vi. La funcin gama es continua sobre R+ . Adems,

( )
! +1
!0+
(p)
! +1:
p!+1
Demostracin.
i) Sea p 2 R+ : Entonces
(p) =
Ponemos I1 =
Si p
R1
0
tp
1 e t dt;
1, la funcin t ! tp
R1
I2 =
1 e t de
p 1
e dt +
tp
e t dt:
tp
1 e t dt:
[0; 1] en R es continua, con lo cual I1 existe.
Sea 0 < p < 1: Puesto que

Z
p 1
dt = l m
r!0 r
tp
se sigue que para 0 < r < 1;

0<
1
dt = l m tp
r!0 p
tp
Luego.
I1 =
p 1
e dt = l m
r!0 r
En consecuencia, I1 existe para todo p 2
=
r
1
l m (1
p r!0
tp
1
rp ) = ;
p
e t dt < 1:
p 1
e dt
lme
r!0
R+ :
Mostremos la existencia de I2 . Puesto que
lm
tp
1
dt = :
p
R1 dx
= 1; resulta
2
1 x
1e t
1
t2
t!1
= l m tp+1 e
t!1
= 0;
que es una consecuencia de la aplicacin de la regla de LHpital. Por el criterio del cociente para integrales
impropias, se deduce que I2 existe.
Por lo tanto, (p) =
R1
tp
1 e t dt
est bien denida para todo p > 0:
Si p = 0, de la desigualdad e
R1 1
1
0 t dt = ln t 0 = +1:
Si p < 0, la integral I1 =
R1
0
tp
1t 1
1 e t dt
1e t
1
0
= +1;
8t 2]0; 1[; se sigue que I1 = +1, pus
diverge. Pus
Z
dt
= ln t
t

por el criterio del cociente: para integrales impropias, se tiene
1
t
lm
t!0 tp 1 e
p +t
= l mt
t!0
= 0;
y de este resultado se obtiene la conclusin.

ii) Para p = 1; se tiene
(1) =
e t dt = 1:
Sea p = 21 . Mostremos primeramente que

Z
I =
t2
R1
t2
1e
dt
dt =
x2
dt
: En efecto, sea I =
Z
1
1
(t2 +x2 )
R1
1e
t2 dt.
dtdx:
Sea r > 0 y B(0; r) el disco cerrado de centro 0 y radio r. Utilizando coordenadas polares:
; donde 0
ZZ
2 ; 0
(t2 +x2 )
dtdx =
d d =
luego
I2 = l m
r!1
ZZ
(t2 +x2 )
1
e
2
d =2
dtdx = l m
r!1
(1
= (1
0
)= ;
B(0;r)
con lo que I =
Pasemos a probar que
t = cos ;
x = sen ;
r, se tiene,
B(o;r)
Entonces
1
2
. Por denicin de la funcin gama, se tiene

1
2
1
2
e t dt:
Efectuando la sustitucin t = x2 en la integral indenida precedente, resulta

1
2
=2
x2
dx =
x2
dx =
iii) Sea p 2 R+ . De la denicin de la funcin gama, se tiene

(p + 1) =
tp e t dt:
Utilizando el mtodo de integracin por partes: u = tp ; dv = e t dt, se sigue que

(p + 1) =
t e
t 1
0
+p
tp
e t dt;
y mediante la aplicacin de la regal de LHpital para evaluar l m tp e

t!1
(p + 1) = p (p):
Si p = n 2 Z+ , por induccin se prueba que (n + 1) = n!:
= 0, se obtiene
);
4.4. FUNCIN GAMA DE EULER.
197
iv) Sea n 2 N: Entonces, por la propiedad iii), se deduce que

n+
1
2
1
2
1
2
1
2
1
2
+1
3
2
+1
3
2
3
2
1
2
3
2
..
.
=
Por la propiedad ii),
1
2
1
2
1
2
1
2
, entonces
n+
1
2
(2n
1)(2n
1p
3)
2n
v) Sea p 2 R+ 8N. Denotemos con n el mayor entero menor o igual que p, entonces p
la propiedad iii) se deduce
(p) =
((p
1) + 1) = (p
1) (p
1) = (p
n) (p
n):
1)(p
2) (p
n 2]0; 1[. Utilizando

2)
..
.
= (p
1)(p
2)
(p
vi) La demostracin de la continuidad de la funcin requiere de argumentos que estn fuera del alcance
de estas notas. (vase el Anlisis Matemtico de Apostol, el Clculo Avanzado de Fulks).
Para
> 0, por la propiedad iii) se tiene

(1 + ) =
y por la continuidad de
!0+
4.4.1.
! +1, se sigue que (n)
n!1
Denicin de
se sigue que
lm
Como n!
(1 + )
( ) =) ( ) =
(1 + )
( )= lm
!0+
= +1:
! +1:
n!1
(p) para p < 0 y no entero
Puesto que (p + 1) = p (p), entonces

(p) =
Si
(p + 1)
; p > 0:
p
1 < p < 0, entonces 0 < p + 1 < 1, por lo tanto
(p) =
Denido (p) para p 2]
(p + 1)
est bien denido, en cuyo caso denimos
p
(p + 1)
; 1 < p < 0:
p
1; 0[, podemos denir (p) para p 2]

(p) =
(p + 2)
;
p(p + 1)
2; 1[ del modo siguiente:

pues si
2<p<
1 entonces
1 < p + 1 < 0 y 0 < p + 2 < 1 con lo cual (p + 1) =

(p + 1)
(p + 2)
=
:
p
p(p + 1)
(p) =
Continuando con este proceso, si n 2 Z+ y
(p) =
(p + 2)
y
p+1
n<p<
n + 1; se dene (p) como sigue:
(p + n)
p(n + 1) : : : (p + n
1)
(p + n)
n
Q
(n + j
1)
j=1
Note que 0 < p + n < 1 y (p + n) est bien denido

Ejemplos
1.
2.
(3) =
5
2
R1
0
t2 e t dt = 2:
3
+1
2
5
2
Observe que
3
2
R1
3
2
=
=
3
2
1
2
3
2
+1 =
1
2
1
2
3p
:
4
t 2 e t dt:
3. Para calcular ( 2;5) procedemos como a continuacin se indica

p
(0;5)
= 2 ;
0;5
( 0;5)
4p
=
;
1;5
3
( 1;5)
8p
:
=
2;5
15
( 0;5) =
( 1;5) =
( 2;5) =
Por otro lado,
( 2;5) =
4.5.
8p
:
15
(0;5)
=
( 2;5)( 1;5)( 0;5)
Aproximacin numrica de (p):
Sea 0 0: Entonces

Z 1
(p) =
tp
e t dt =
tp
e t dt +
tp
e t dt:
Ponemos
f (a) =
g(a) =
tp
Z0 1
tp
e t dt;
e t dt:
Sea > 0. Con nes prcticos = 10 10 con lo que (p) ser aproximado con 10 cifras decimales de
"
precisin. Para el efecto, aproximemos f (a) y g(a) con una precisin que precisaremos ms adelante.
2
Aproximemos primeramente g(a): Integrando por partes k + 1 veces, obtenemos
g(a) =
ap
(p
+ (p
1)(p
2)
1)ap
(p
+ (p
p (k+1)
k)a
1)(p
e
2)ap
+ (p
1)
(p
+
(k + 1))
tp
(k+2)
e t dt:
4.5. APROXIMACIN NUMRICA DE (P ):
199
Sean
k (a)
a p 1
= e
1+
(a) = (p
1)(p
1
a
2) : : : (p
(p
(k + 1))
1)(p
Z
tp
2)
ak
(p
k)
(k+2)
e t dt:
Entonces g(a) =
k (a)
+ (a). Determinemos a y k tales que j (a)j < , luego

2
jg(a)
k (a)j
= j (a)j < :
2
Puesto que
j (a)j = j(p
0
1)(p
(k + 1))j
p)A
(j
j=1
p)ak+1
(k + 1
e dt
k!
ak
! 0, la sucesin
k!1
k+1
Y
j=1
(j
p)A e
tp
(k+2)
dt
(k + 1)!
k!
= a k+1 :
(k + 1)ea ak+1
e a
j (a)j
ak
k!
p (k+2)
Cuando p ! 0, se tiene
Como
k+1
Y
= @
2) : : : (p
no converge a 0; ms an dicha sucesin es divergente, pero si k 2 N
es jo,
k!
! 0:
ea ak+1 a!1
Notemos que
1
k!
=
k
a
a
k
k
< 1 si
a
a
1;
en cuyo caso, de la igualdad

k!
1 k!
;
aea ak
ea ak+1
obtenemos las dos relaciones siguientes:
1
< 10
aea
1
' 5;12
12e12
k = 12; luego j (a)j < : As
2
Para a = 12; tenemos
10
jg(a)
Escribamos
k (a)
k (a)
10
k!
' 10
ak
12!
' 5;37
1212
1 (a)j
<
10
si a
5;
con lo que
k!
< si a
2
ea ak+1
12.
de modo que sea numricamente estable

= e
a p 1
= e
a p 1
(1
(1
1+
1
1
a
+
+
+
(1
(p
p)(2 p)
a2
p)
+
a
p)(3 p)(4
a4
p)(2 p) : : : (k p)
:
ak
p)(2
1)(p
2) : : : (p k)
ak
(1 p)(2 p)(3 p)
+
a3
(1 p)(2 p) : : : (k 1
ak 1
p)
12 y

Sean
es
1 (a),
2 (a)
las sumas de los trminos positivos y de los negativos, respectivamente de
1 (a)
= 1+
= 1+
(1
p)(2 p) (1 p)(2 p)(3 p)(4 p)

(1 p)(2 p) : : : (k
+
+
+
a2
a4
ak
(3 p)(4 p)
p)(2 p)
1+
a2
a2
(k 3 p)(k 2 p)
(k 1 p)(k p)
+
1+
:::
;
2
a
a2
(1
1+
2 (a)
p
a
k (a),
(1
1+
p)(3
p)
a3
1+
p)(2
(2
(k
(1
p)(2
p)(3 p)
(4 p)(5 p)
1+
2
a
a2
3 p)(k 4 p)
(k 2
1+
a2
p) : : : (k
ak 1
p)(k
a2
p)
esto
p)
p)
Para k = 12, el nmero de trminos de k (a) dentro del corchete es 13 y el nmero de trminos positivos
es 7 y de los negativos es 6, es decir que 1 (a) tiene 7 trminos y 2 (a) tiene 6 trminos. La escritura
anidada de 1 (a) y 2 (a) asegura la estabilidad numrica y adems es fcil de programar. Luego
k (a)
Aproximemos f (a): Puesto que e

Z
f (a) =
p 1
a p 1
( 1 (a)
2 (a)) :
1 ( 1)k tk
P
, se sigue que
k!
k=0
e dt =
=e
p 1
1
X
( 1)k tk
k!
k=0
1
X
( 1)k k+p
a :
=
k!(k + p)
dt =
Z
1
X
( 1)k a p+k
t
k!
0
dt
k=0
k=0
m ( 1)k ak+p
P
tales que
k=0 k!(k + p)
jf (a) fm (a)j < 2 : Para el efecto, aplicamos el criterio de comparacin para series reales. Ponemos
1
P
ak+p
1
, bk =
. Entonces
ak =
bk = 1, y
k!(k + p)
k(k + 1)
k=1
La ltima serie converge absolutamente (demuestre). Sean m 2 N y fm (a) =
ak
k(k + 1)ak+p
(k + 1)ak+1
=
<
< :
bk
k!(k + p)
k!
2
Para a = 12, se prueba que para todo k
55 se tiene
con lo cual m = 56 y
(k + 1)ak+1
ak
< es decir que
< si k
k!
2
bk
2
56
X
( 1)k ak+p
fm (a) =
:
k!(k + p)
k=0
Para elaborar un algoritmo numricamente estable, escribamos fm (a) de la manera siguiente:

fm (a) = ap
m
X
( 1)k ak
1
= ap
+a
k!(k + p)
p
k=0
a5
+
5!
a
6(6 + p)
1
5+p
a
2!(2 + p)
+
am 1
(m 1)!
1
1+p
a3
3!
a
m(m + p)
a
4(4 + p)
m
1
1+p
1
3+p
:
56,
4.5. APROXIMACIN NUMRICA DE (P ):

Ponemos ck =
a
2k(2k + p)
201
1
m
; k = 1; 2; : : : ; . Entonces
2k 1 + p
2
1
a3
a5
am 1
+ c1 a + c2 + c3 +
+ c m2
p
3!
5!
(m 1)!
2
2
1
a
a
c2 +
= ap
+ a c1 +
c3 +
+
p
2 3
4 5
a2
a2
c m2 1 +
cm
(m 4)(m 3)
(m 2)(m 1) 2
fm (a) = ap
Por lo tanto (p) se aproxima mediante

a (p)
donde fm (a);
1 (a); 2 (a)
a (p)
denido por
= fm (a) + e
a p 1
denidos precedentemente y
El algoritmo para calcular
a (p),
( 1 (a) +
= 10
10
0 < p < 1, con una precisin
2 (a));
para el cual m = 56; a = 12:

= 10
10
es el siguiente:
Algoritmo
Dato de entrada: p:
Dato de salida: p;
a (p):
1. Leer p y vericar que p 2]0; 1[:

2. Hacer m = 56; a = 12:
3. Calcular fm (a):
4. Para k = 12; calcular
5. Calcular
a (p)
1 (a)
= fm (a) + e
2 (a):
a ap 1 (
1 (a)
2 (a)):
6. Fin.
Nota: para el clculo de fm (a) se debe elaborar un algoritmo tipo esquema de Hrner. De manera
similar 1 (a) y 2 (a) requieren de la elaboracin de los respectivos algoritmos para su clculo. Se propone
como ejercicio la elaboracin de algoritmos para el clculo de fm (a), 1 (a) y 2 (a) utilizando su escritura
anidada de modo que se eviten los clculos directos de los factoriales y de las potencias. En la siguiente
seccin necesitaremos nuevamente la escritura anidada de fm (a); 1 (a) y 2 (a) para aproximar la funcin
de distribucin gama.
De las propiedades de la funcin gama, de la denicin de (p) para p 2 R
Z , as como de la
aproximacin de (p) mediante a (p); 0 < p < 1, se presenta el siguiente algoritmo de clculo de (p):
Algoritmo
Dato de entrada: p:
Dato de salida: p; (p):
1. Si p 2 Z+ ;
(p) = (p
1)!:
p
n
Q
1
2. Si p = n + ; (p) = n
(2j
2
2 j=1
3. Si 0 1; n = [p]; (p) = (p
n)
n
Q
(p
j):
j=1
([ ] denota la funcin mayor entero menor o igual que, p 2 R+
N, p
n 2]0; 1[, (p
n) '
a (p
n)):

5. Si p < 0; p 2
= Z , (p) =
(p + n)
n
Q
(p + j
;
1)
j=1
(donde n = j[p]
1j, p + n 2]0; 1[, (p + n) '
a (p
+ n)):
Nota: para la elaboracin de un programa computacional, el siguiente indicador indi es de utilidad:

indi = 1; si p es un entero positivo.
1
indi = 2; si p es un real positivo de la forma n + ; n 2 N:
2
indi = 3; si p es un real tal que p 2]0; 1[:
indi = 4; si p es un real tal que p > 1; p 2
= N:
indi = 5; si p es un real negativo tal que p 2
=Z :
4.6.
Distribucin de probabilidad de tipo gama
Denicin 4 Una variable aleatori X tiene una distribucin del tipo gama si su funcin de densidad
est denida por
8
0; si t 0;
>
<
t
f (t) =
p
1
>
: t p e ; si t 2 ]0; 1[ ;
(p)
donde p; 2 R+ y denota la funcin gama.
La funcin de distribucin de probabilidad del tipo gama est denida por
F (x) =
1
p
(p)
tp
dt; x
0:
Cuando p = 1, la distribucin gama coincide con la distribucin exponencial:

x
F (x) = 1
0:
n
Para p = , n 2 Z+ y = 2, la distribucin gama coincide con la distribucin 2 con n grados de
2
libertad. Esta distribucin se estudiar ms adelante.
1
Cuando p = n 2 Z+ y =
con > 0, la distribucin gama se conoce con el nombre de distribucin
n
de Erlang de parmetros (n; ). Cuando p = m + 1, m 2 N y
= 1, la distribucin gama se llama
distribucin exponencial potencial.
Utilizando el cambio de variable v =
F (x) =
1
p
(p)
, se tiene
p 1
(v )
dv =
1
(p)
lo que nos conduce a estudiar la funcin Fp denida por

Z x
1
Fp (x) =
tp 1 e t dt, x
(p) 0
vp
dv;
0;
que se conoce con el nombre de distribucin gama.

Aproximacin de Fp (x);
x; p 2]0; 1[.
Para escribir un algoritmo de aproximacin de Fp (x), consideramos los tres casos siguientes:
4.6. DISTRIBUCIN DE PROBABILIDAD DE TIPO GAMA
203
1. p 2 Z+ ;
2. 0 1, p 2
= Z+ :
Caso 1. Si p es un entero positivo, entonces (p) = (p 1)! y de la denicin de la funcin Fp (x), se
sigue que
Z x
1
Fp (x) =
tp 1 e x dx x 0:
(p 1)! 0
Para p = 1 se tiene que F1 (x) = 1
Si p > 1, integrando por partes p
Fp (x) =
1
(p
(p
= 1
1)!
1)(p
e
xp
x,
0:
1 veces, se tiene
1) xp
(p
2) : : :
2e
1+x+
x2
+
2!
+ (p
1)(p
(p
1) (p
2) : : :
(p
xp 2
xp 1
+
(p 2)! (p 1)!
2) xp
1)(p
=1
2)
p 1 k
X
x
k=0
k!
As,
Fp (x) = 1
p 1 k
X
x
k=0
xk
e
x!1 k!
Note que, por la regla de LHpital, l m
lm e
k!
0:
= 0; luego
x
x!1
p 1 k
X
x
k=0
k!
= 0;
Para " = 10 10 , determinemos una condicin sobre x y p tal que Fp (x) sea calculado con una precisin
". Esta condicin es xp 1 e x 10 10 , de donde x (p 1) ln(x) 10 ln(10):
Para p = 1, denimos
1 e x ; si x 10 ln(10);
1; si x > 10 ln(10):
F (1; x) =
Para p > 1, denimos
8
>
< 1 exp
F (p; x) =
>
: 1; si x
xk
, si x
k=0 k!
1) ln(x) > 10 ln(10):
pP1
x + ln
(p
(p
1) ln(x)
10 ln(10);
pP1 xk
xk
se redondee por 0. Adems
k=0 k!
k=0 k!
tiene que escribirse de forma anidada para evitar el clculo directo de las potencias y de los factoriales..
En esta ltima escritura de F (p; x) se evita que el trmino e
pP1
Caso 2.- Supongamos ahora que 0 < p < 1:

Recordemos que si 0 < p < 1, (p) se aproxima mediante
donde m = 56 y a = 12, fm (a),
a (p)
= fm (a) + e
1 (a)
2 (a)
a p 1
( 1 (a)
2 (a));
estn denidos en la seccin precedente.
La escritura anidada de fm (a), 1 (a) y 2 (a) sern utilizados para aproximar Fp (x) del modo siguiente:
si 0 x 12; entonces Fp (x) se aproxima mediante
Fm (x) =
fm (x)
:
a (p)

Si x > 12, entonces Fp (x) se aproxima mediante
fm (x) + (a)
a (p)
Fm (x) =
donde (t) = e t tp
1(
1 (t)
2 (t)),
(x)
t 2 [12; 1[:
Por otro lado, como (p) converge para todo p > 0; en particular para 0 0,
existe R > 0 tal que para todo x R, se tiene
Z
tp
e t dt
10
tp
e t dt =
R1
se deduce que
tp
1 e t dt
tp
e t dt < ":
Para " = 10
< 10
10
si R w 24: En consecuencia,
8
fm (x)
>
>
, si 0 x 12;
>
>
>
< a (p)
fm (x) + (12)
(x)
Fm (x) =
, si 12 < x
>
>
>
a (p)
>
>
: 1, si x > 24:
24;
Para completar el algoritmo debe tomarse en cuenta lo siguiente: para cada x 2 [0; 12], fm (x) debe
calcularse con m = 56 que se obtuvo cuando x = 12, pero para 0 < x < 12 se requerirn menos trminos
para lograr la misma precisin. En la tabla siguiente se ilustran algunos subintervalos de [0; 12] con sus
respectivos valores de m:
x
m
1
16
2
21
3
25
4
29
5
33
6
37
7
40
8
43
9
47
10
50
11
53
12
:
56
Para simplicar la seleccin de m para x 2 [0; 12], la siguiente relacin puede ser til:
j = 1; : : : ; 12; x = j; m = 16 + 4(j
Si x = j entonces m = 16 + 4 (j
1):
1) para j = 1; 2; : : : ; 12:
Caso 3.- Consideremos ahora el caso p > 1, p 2

= Z+ :
Sea q = p n con n = [p] el mayor entero menor o igual que p, entonces q 2]0; 1[. Utilizando el mtodo
de integracin por partes n 1 veces, tenemos
Fp (x) =
Adems, (p) = (q)
1
(p)
(p
1)(p
(p
j):
n
Q
tq
e t dt @
n
Y
j=1
2)xp
(p
j)A
(p
xp
1)(p
2)
j) =
1
(q)
(p
1)xp
(p
(n
1)xp
j=1
Sean
Fq (x) =
1
(p)
q 1
e dt
n
Y
j=1
(p
tq
e t dt;
):
4.6. DISTRIBUCIN DE PROBABILIDAD DE TIPO GAMA

1
(p)
xp
p n
Q(x) =
+x
n
Y1
j=1
xq
(p
+ (p 1)xp
1
+ (p
205
2)xp
1)(p
1+
j)A
x
x2
+
+
q
q + 1 (q + 1)(q + 2)
xn 2
xn 1
+
+
(q + n 2) (q + 1) (q + n 1) (q + 1)
xq x
x
x
x
1+
1+
1+
+
e
q
q+1
q+2
q+n
e
1+
x
q+n
entonces
Fp (x) = Fq (x) + Q(x), x
El algoritmo para evaluar Fq (x) con q 2]0; 1[, x
el algoritmo para evaluar Q(x):
0:
0, est descrito en la parte 2) precedente. Describimos
Algoritmo
Datos de entrada: n; q; x:
Datos de salida: Q(x):
1. b = 1:
2
k = 1;
;n 1
6
J
=
n
k
2. 6
4
bx
b=1+
q+j
Fin de bucle k.
3. Q(x) =
xq e
q
4. Fin.
En resumen, para p > 0 y x
siguiente.
0, Fp (x) se calcula (aproxima) con una precisin " = 10
Si p 2 Z+ ;
Si p = 1, F (1; x) =
1 e x , si x 10 ln(10);
1, si x > 10 ln(10);
8
>
< 1 exp
Si p > 1, F (p; x) =
>
: 1; si x
xk
, si x (p
k=0 k!
1) ln(x) > 10 ln(10):
x + ln
(p
pP1
8
fm (x)
>
>
, si 0 x 12;
>
>
>
< a (p)
fm (x) + (12)
(x)
Si 0 
>
>
a (p)
>
>
: 1; si x > 24:
Si p > 1, p 2
= Z+ , Fp (x) = Fq (x) + Q(x):
1) ln(x)
24;
10 ln(10);
10
del modo
4.7.
Funcin beta. Aproximacin de la funcin beta B(p; q),

q > 0:
p > 0,
Denicin 5 Sean p; q 2 R+ : La funcin beta denotada B(p; q) se dene por

B(p; q) =
tp
t)q
(1
dt:
Algunas propiedades fundamentales de la funcin beta se proponen en el teorema siguiente.

Teorema 2
i) La funcin beta B(p; q) est bien denida si p > 0; q > 0 y diverge en cualquier otro caso.
Adems, la funcin beta es continua sobre R+ R+ :
ii) Para todo p; q 2 R+ ; B(p; q) = B(q; p):
iii) Para todo p; q 2 R+ ;
B(p; q) = 2
sin2p
( ) cos2q
( )d ;
(p) (q)
:
(p + q)
B(p; q) =
iv) Para todo r > 0;
B
B
r+1 1
;
2
2
1 r+1
;
2
2
En particular, si r = n 2 Z+ ; se tiene
2
sinn ( )d = 2
v) Para todo p 2 ]0; 1[ ;
= 2
senr ( )d ;
cosr ( )d :
= 2
8
1
>
>
<
3 : : : (n 1)
; si n es par,
2 4 ::: n
2
cosn ( )d =
2 4 : : : (n 1)
>
>
:
; si n es impar.
1 3 ::: n
B(p; 1
p) = (p) (1
p) =
sen( p)
Demostracin.
i) Sean p; q 2 R+ . Si p 1, q
B(p; q) est bien denida.
1, la funcin t 7! tp
t)q
1 (1
de [0; 1] en R es continua, por lo tanto
Supongamos que 0 < p < 1, 0 < q < 1. La funcin t ! tp 1 (1 t)q 1 de ]0; 1[ en R es discontinua en 0 y
1.
R 1=2
R1
Sean I1 = 0 tp 1 (1 t)q 1 dt, I2 = 1=2 tp 1 (1 t)q 1 dt, entonces B(p; q) = I1 + I2 . Mostremos la
existencia de I1 y I2 . Se tiene que
Z 1
Z 1
2
2
1
p 1
q 1
I1 =
t (1 t) dt
tp 1 dt = p ;
2 p
0
0
Z 1
Z 1
1
I2 =
tp 1 (1 t)q 1 dt
(1 t)q 1 dt = q ;
1
1
2 q
2
4.7. FUNCIN BETA. APROXIMACIN DE LA FUNCIN BETA B(P; Q), P > 0, Q > 0:
que prueba que I1 e I2 existen.
En consecuencia B(p; q) est bien denida si p > 0, q > 0.
Para probar que B(p; q) diverge en cualquier otro caso, admitamos que p
I1 =
1
2
t)q
(1
dt
1
2
ii) Sean p; q 2 R+ y x = 1
q 1
1
2
dt =
2q 1
1
2
0yq
0. Entonces
dt
1
1=2
= q 1 ln j0 = +1:
t
2
t, t 2]0; 1[. Entonces

B(p; q) =
x)p
(1
1 q 1
dx = B(q; p):
iii) Sean p; q 2 R+ y t = sen2 ( ),

Z
B(p; q) =
tp
2]0; 2 [. Entonces
t)q
(1
dt =
= 2
(sen2 ( ))p
(1
sen2 ( ))q
x2p
2 sen( ) cos( )d
sen2p
( ) cos2q
p 1
( )d :
Sea t = x2 ; x 2]0; 1[: Entonces

(p) =
e dt = 2
(q) = 2
x2
dx;
x2q
x2
dx:
Luego
(p) (q) = 4
2p 1
x2
dx
2q 1 y 2
e dy
=4
(p) (q) = 4
x = % cos ';
%
y = % sen ';
Utilizando coordenadas polares:

Z
= 4
%2p
cos2p
1 2q 1
cos2p
(') sen2q
= 2
v p+q
dv
(x2 +y 2 )
(') sen2q
! Z
(') %
%2(p+q)
%d%d'
1
%2
cos2p
(') sen2q
(')d'
d%
(p + q)B(p; q):
r+1 1
;
2
2
=2
r+1
2 ,
2( r+1
1
2 )
sen
q = 21 , se tiene
( ) cos
2( 21 ) 1
( )d = 2
B
Z
Adems
de donde
iv) Sea r > 0. Por la propiedad iii), haciendo p =

B
1 2q 1
x2p
(')d'
1Z 1
0; ' 2]0; 2 [, se deduce que
r+1 1
;
2
2
sen ( )d =
=
r+1
2
r+1
2
r+2
2
1
2
r+2
2
1
2
p
2
;
r+1
2
r+2
2
senr ( )d ;
dxdy:
207

Si r = n 2 Z+ , utilizando las propiedades de la funcin gama se obtiene la conclusin.
R =2
R =2
Mediante la sustitucin =
', ' 2 [0; =2] se obtiene 0 senr ( )d = 0 cosr ( )d .
2
R =2
p
1
Note que B( 12 ; 12 ) = 2 12 y B 12 ; 12 = 2 0 d = . Luego
:
2 =
v) Sea p 2]0; 1[. Entonces, para todo n 2 Z+ , se tiene
Z
B(p; n + 1) =
tp
(1
t)n dt =
(p) (n + 1)
:
(n + p + 1)
dx
1
= p
n
n
x
n
Por otro lado, si t =
entonces
B(p; n + 1) =
x
n
Luego
xp
p 1
x
n
x
n
dx =
xp
xp
dx =
=
con lo cual l m
n!1
El lmite
R1
0
xp
xp
lm
n!1
1 e x dx
= lm
Rn
n!1 0
xp
x n
dx
n
=e
x n
dx = l m
n!1
n
p
n n!
;
(n + p + 1)
np (p) (n + 1)
= (p) l m
n!1
n!1
(n + p + 1)
= 1:
x n
n
lm
np n!
(n+p+1)
dx;
np (p) (n + 1)
:
(n + p + 1)
n!1
x
n
Utilizando el binomio de Newton, no es difcil demostrar que l m 1

(p) =
xp
x 2 R, entonces
1
1) : : : p (p), se sigue que
np n!
n!1 (n + p)(n + p
1)
1= lm
de donde
np n!
n!1 (n + p)(n + p
(p) = l m
p (p)
1) : : : p
que es la denicin de Gauss de la funcin gama.

Por otra parte,
(1
p) = l m
n!1
(n + 1
n1 p n!
p)(n p) : : : (1
p)
luego
(p) (p
1) =
n(n!)2
p2 )((n 1)2
lm
(n + 1 p)(n2
n
= lm
lm
n!1 n + 1
p n!1 p(1
=
=
n!1
p(1
lm
n!1
n
Q
j=1
p2
22
p2 ) 1
p2
j2
p2 )
(1
p2 )p
(1
p2
n2
1
p2
22
p2 ) 1
lm
n!1
dx
es consecuencia del teorema de convergencia de
Tannery para integrales de Riemann (vase el Anlisis de Apostol, pgina 365).

Como (n + p + 1) = (n + p)(n + p
x
n
p2
n2
209
La funcin f denida por f (x) = sen( x) x 2 R se anula en x = k 2 Z, es decir que el conjunto de

todas las races de la ecuacin f (x) = 0 es Z. La funcin real g denida por
g(x) = x
1
Y
x
j
j=1
x
j
1+
=x
1
Y
x2
i2
j=1
x 2 R;
es tal que g(x) = 0 si y solo si x = j 2 Z; esto es, las funciones f y g tienen el mismo conjunto de ceros.
Con estos argumentos se demuestra que
1
Y
sen( x) = x
x2
j2
j=1
que es la representacin factorial de Weierstrass de sen( x): Por lo tanto

(p) (p
1) = l m
n!1
n
Q
p2
j2
j=1
sen( p)
Aproximacin de la funcin beta B(p; q), p > 0, q > 0

Sean p; q 2 R+ :
1. Si p; q 2 Z+ , de las propiedades establecidas para las funciones gama y beta, se tiene
(p 1)!(q 1)!
(p) (q)
=
:
(p + q)
(p + q 1)!
B(p; q) =
2. Si p; q son tales que p + q = 1, de la propiedad v) de la funcin beta, obtenemos

B(p; 1
p) = (p) (1
p) =
sen( p)
3. Si 0 < p < 1, 0 < q < 1, y p + q 6= 1, entonces

B(p; q) =
tp
t)q
(1
dt =
Sea x = 1
t2
1
2; 1
1
2
tp
t)q
(1
dt +
tp
(1
t)q
dt:
1
2
, resulta que
Z
p 1
(1
q 1
t)
dt =
1
2
consecuentemente
B(p; q) =
1
2
xq
(1
x)p
dx;
1
2
p 1
(1
q 1
t)
dt +
1
2
tq
(1
t)p
dt:
Sea g(t) = (1 t) 1 , donde 0 < < 1, t 2]

de Taylor en un entorno de cero. Tenemos
1; 1[. Representemos la funcin g mediante una serie
g(0) = 1;
g 0 (0) = 1
00
g (0) = (1
)(2
)
..
.
k
Y
(k)
g (0) =
(j
), 8k 2 Z+ :
j=1

Entonces
1
X
g (k) (0)
g(t) = 1 +
t =1+
k!
k=1
1
X
(1
)(2
)
k!
k=1
(k
tk :
Esta serie es absolutamente convergente para todo t 2] 1; 1[ y converge uniformemente sobre todo
conjunto [ a; a], 0 < a < 1 (demuestre!). Sean
Z 1=2
A1 (p; q) =
tp 1 (1 t)q 1 dt;
0
A2 (p; q) =
1=2
tq
t)p
(1
dt;
es decir que B(p; q) = A1 (p; q) + A2 (p; q):

Para
= q, obtenemos
Z 1=2
A1 (p; q) =
tp
t)q
(1
dt =
1=2
=
=
p 1
dt +
1
X
(1
q)(2
k=1
1=2
+
0
1
+
p2p
1
2p
1=2
tp
1
X
(1
1+
tp
p
1
X
(1
k=1
1
X
(1
k=1
q)(2
q) : : : (k
k!
q)
1=2
tp+k
p)
tk
dt
dt
1=2
0
q)
q)
De manera similar obtenemos

1
A2 (p; q) = q
2
q)
q) tp+k
p+k
q) : : : (k
k!
q)(2 q) : : : (k
k!(k + p)2k
k=1
q) : : : (k
k!
k=1
q)(2 q) : : : (k
k!(k + p)2p+k
1 X (1
+
p
q)(2
1 X (1
+
q
k=1
p)(2 p) : : : (k
k!(k + q)2k
Para construir un algoritmo bien condicionado y numricamente estable, aproximemos A1 (p; q) y

A2 (p; q) mediante sumas nitas con m + 1 trminos 1 (p; q) y 2 (p; q) respectivamente tales que si
" > 0;
jA1 (p; q)
1 (p; q)j
<
jA2 (p; q)
2 (p; q)j
<
Sea
1
1 (p; q) = p
2
1 X (1
+
p
k=1
10 :Apliquemos
Con nes prcticos " = 10

1
P
1
Como
k(k+1) = 1, entonces si
"
;
2
"
:
2
q)(2 q) (k
k!(k + p)2k
q)
el criterio del cociente.
k=1
ak =
(1
q)(2 q) (k
k!(k + p)2k
(1
q)(2
q)
bk =
1
;
k(k + 1)
se sigue que
ak
bk
=
=
q) (k q)k(k + 1)
k!k(k + 1)
<
k!(k + p)2k
k!k2k
1
k+1
< 10
k
2
2
10
si k
41:
211
Si escogemos m = 41, tenemos

41
1 X (1
+
p
1
1 (p; q) = p
2
q)(2 q) (k
k!(k + p)2k
k=1
q)
que en forma anidada se escribe

1 (p; q)
1
1 1 1 q
+
+
p
2
p
2
1+p
1
40 q
+
40 2
40 + p 40
2
2
1
3
+
2+p 3
q
2
1
+
3+p
q
2
41 q
2 (41 + p)
Cambiando p por q, se obtiene una escritura anidada de
2 (p; q):
Se propone como ejercicio elaborar un algoritmo que permita calcular
1 (p; q)
2 (p; q):
Finalmente B(p; q) se aproxima mediante 1 (p; q) + 2 (p; q) con una precisin " = 10 10 :
(p) (q)
Nota: Puesto que B(p; q) =
. Si para aproximar B(p; q) se utiliza el algoritmo para
(p + q)
aproximar (p); (q) y (p+q), resulta que este es numricamente ms costoso que la aproximacin
mediante 1 (p; q) + 2 (p; q). Adems este ltimo es muy simple de programar.
4. Supongamos que al menos uno de los dos parmetros p; q es mayor o igual que 1, adems p; q 2
= Z+ .
Sean m = [p], n = [q] donde [ ] denota la funcin mayor entero menor o igual que y r = m + n,
entonces p m, q n 2]0; 1[:
Luego
((p
(p) (q)
=
(p + q)
m
n
Q
Q
(p j)
(q
B(p; q) =
j=1
m+n
Q
1)
(p n) (p m)) ((q 1) (q
(p + q 1) (p + q r) (p + q
k)
(p
k=1
(p + q
i)
n) (q
r)
n) (q m)
;
(p + q r)
i=1
donde
p + q = (p
p+q
r = (p
n) + n + (q
n) + (q
m) + m = (p
n) + (q
m) + r;
m);
consecuentemente
B(p
m; q
(p m) (q n)
=
(p + q n m)
n) =
B(p; q) =
m
Q
(p
n
Q
j)
j=1
m+n
Q
(q
m) (q n)
;
(p + q r)
k)
k=1
(p + q
(p
B(p
m; q
n);
i)
i=1
con B(p
m, q
n) que se aproxima mediante
1 (p
m; q
En resumen,
1. Si p; q 2 Z+ ,
B(p; q) =
(p 1)!(q 1)!
:
(p + q 1)!
n) +
2 (p
m; q
n) :
n))

2. Si p; q 2 R+ tales que p + q = 1;
B(p; 1
p) =
sen( p)
3. Si 0 < p < 1, 0 < q < 1, tales que p + q 6= 1; entonces

B(p; q) '
4. Si p
1oq
1 y p; q 2
= Z+ , entonces
!
m
n
Q
Q
(p j)
(q
j=1
B(p; q) '
1 (p; q)
(p + q
2 (p; q):
k)
k=1
m+n
Q
( 1 (p
m; q
n) +
2 (p
m; q
n));
i)
i=1
y m = [p], n = [q]:
4.8.
Distribucin beta.
Denicin 6 Se dice que una variable aleatoria X tiene una distribucin de probabilidad beta con
parmetros p y q si y solo si la funcin de densidad de X est denida mediante:
8 p 1
< t (1 p)q 1
; t 2 [0; 1] ;
f (t) =
B(p; q)
:
0; si t 2 R8 [0; 1] ;
donde p; q 2 R+ y B(p; q) denota la funcin beta en p y q:
La funcin de distribucin beta est denida por
Z x
1
F (p; q; x) =
tp 1 (1 p)q
B(p; q) 0
dt; x 2 [0; 1] :
Proposicin 3 Para todo x 2 [0; 1] ; se tiene

F (p; q; x) = 1
Demostracin. Puesto que
1
B(p; q)
1=
se sigue que para todo x 2 [0; 1],
1 =
1
B(p; q)
p 1
1
B(p; q)
tp
(1
x):
t)q
dt;
q 1
(1
= F (p; q; x) +
F (q; p; 1
t)
Z
dt +
tp
(1
t)q
dt
tp
(1
t)q
dt:
Utilizando el cambio de variable u = 1

F (p; q; x) = 1
= 1
t, se deduce que
Z 0
1
(1 u)p 1 uq 1 ( du)
B(p; q) 1 x
Z 1 x
1
uq 1 (1 u)p 1 du = 1
B(q; p) 0
F (q; p; 1
x):
4.8. DISTRIBUCIN BETA.
213
Proposicin 4 Sea p; q 2 ]0; 1[ jos, f (x) =

P1 ; P2 tales que
Rx
0
tp
t)q
1 (1
1 dt;
jf (x)
P1 j < "
si x 2 0;
jf (x)
P2 j < "
si x 2
x 2 [0; 1] ; " > 0: Existen dos funciones

1
;
2
1
;1 :
2
Demostracin. En la seccin precedente se mostr que la serie de Taylor de la funcin g(t) = (1

t 2 [0; x[ y 0 < < 1 est dada por
g(t) = 1 +
1
X
(1
)(2
)
k!
k=1
(k
tk ;
la cual es uniformemente convergente sobre 0; 21 . Entonces, para x 2 0; 12 se tiene

f (x) =
p 1
q 1
(1
t)
dt =
p 1
1+
xp
1
X
(1
k=1
1
X
(1
q)
q)
k!
k=1
q) (k q) p+k
t :
k! (k + p)
(k
Ahora bien, para todo x 2 0; 12 se tiene

1
X
(1
q) (k q) p+k
x
k!(k + p)
k=1
La serie
1
P
k=1
1
k2k
es convergente. Sean ak =
1
,
k2k
bk =
1
1
X
k! 1
1 X 1
= p
:
k!k 2p+k
2
k2k
k=1
1
k(k+1)
k+1
ak
=
bk
2k
Luego, existe m 2 Z+ tal que
ak
bk
< " si k
k=1
entonces
1
P
k=1
1
k(k+1)
= 1, y
! 0;
k!1
m, con lo cual
1
1
1 X
< ":
p
2
k 2k
k=m+1
Denimos
xp X (1 q) (k q) k+p
P1 (x) =
+
x
p
k!(k + p)
k=1
entonces
jf (x)
P1 (x)j =
1
X
(1
k=m+1
q) (k q) k+p
x
k! (k + p)
si x 2 0;
1
1 X
1
< ":
2p
k 2k
Aplicando la proposicin precedente, denimos

P2 (x) = 1
P1 (x), si x 2
1
;1 ,
2
entonces
jf (x)
P2 (x)j < ",
8x 2
1
,
2
1
;1 :
2
k=m+1
dt
t)
1,

1. Sean p; q 2 ]0; 1[ :
En el caso en que p; q 2 ]0; 1[, la proposicin precedente es utilizada para construir un algoritmo
numricamente estable. Denimos
!
m
xp
1 X (1 q) (k q) k
1
P1 (p; q; x) =
+
x
x 2 0;
;
B(p; q) p
k! (k + p)
2
k=1
donde m es tal que jf (x)
P1 (x)j < " si x 2 0; 12 , y P1 (x) denida en la proposicin precedente

P2 (p; q; x) = 1
P1 (q; p; 1
1
;1 :
2
x), x 2
Sea x 2 0; 12 . A medida que x se aproxima a 12 , P1 (x) requiere de un nmero mayor de trminos para
alcanzar la precisin requerida. Sea " = 10 10 y dividamos al intervalo 0; 12 en cinco subintervalos
de igual longitud [xj 1 ; xj ], donde xj = 0;1j, j = 1; 2; 3; 4; 5: Entonces
mj = 12 + 7(j
es tal que
1
P
k=mj +1
xkj
k
< ", j = 1;
1), j = 1;
; 5:
5:
Como es habitual, P1 (p; q; x) se escribe en forma anidada.

Se propone como ejercicio la elaboracin de un algoritmo para calcular P1 (p; q; x) y P2 (p; q; x). El
algoritmo para el clculo de B(p; q) est descrito en la seccin precedente.
2. Sean p; q 2 ]1; 1] :
Sean k = [q] 1 y r = q (k + 1) 2 [0; 1[, donde [ ] denota la funcin mayor entero menor o igual
que. Integrando por partes k veces, tenemos
Z
Z x
q 1 x p
tp
(1 t)q 1 jx0 +
t (1 t)q 2 dt
tp 1 (1 t)q 1 dt =
p
p
0
0
Z
(q
1)
xp+1
q 2 x p+1
xp
q 1
q 2
(1 x)
+
(1 x)
+
t (1 t)q 3 dt
=
p
p
p+1
p+1 0
xp
(q 1) p+1
(q 1)(q 2) p+2
=
(1 x)q 1 +
x (1 x)q 2 +
x (1 x)q 3
p
p(p + 1)
p(p + 1)(p + 2)
(q 1)(q 2) (q (k 1)) p+k 1
+
+
x
(1 x)q k
p(p + 1)(p + 2) (p + k 1)
Z
(q 1)(q 2) (q k) x p+k 1
+
t
(1 t)q (k+1) dt:
p(p + 1) (p + k 1) 0
Identicamos dos casos: q = k + 1 2 Z+ , p > 1; y, q > 1; q 2
= Z+ , p > 1:
Consideremos el primer caso: q = k + 1 2 Z+ , p > 1. Entonces

Z x
q 1 p+1
(q 1)(q 2) p+2
xp
tp+1 (1 t)q 1 dt =
(1 x)q 1 +
x (1 x)q 2 +
x (1
p
p(p + 1)
p(p + 1)(p + 2)
0
(q 1)(q 2) (q (k 1)) p+k 1
+
+
x
(1 x)q k
p(p + 1) (p + k 1)
(q 1)(q 2) (q k) xp+k
+
:
p(p + 1)) (p + k 1) p + k
Por otro lado,

B(p; q) =
(p) (k + 1)
k! (p)
=
(p + k + 1)
(p + k)(p + k 1)
p (p)
k!
(p + k)(p + k
1)
x)q
4.8. DISTRIBUCIN BETA.
215
Luego
1
B(p; q)
F (p; q; x) =
tp
t)q
(1
dt
p + k p+k 1
(p + k)(p + k 1) p+k 2
x
(1 x) +
x
(1 x)2 +
1!
2!
(p + 1)(p + 2) (p + k) p
x (1 x)k
k!
(p + k)
p+k 1
p+k 2
= xp+k 1 +
y 1+
y 1+
y 1+
+
1
2
3
p+1
p+2
y
1+
y
;
k 1
k
= xp+k +
donde y =
1 x
x ,
x > 0:
Note que este ltimo desarrollo es vlido cualesquiera que sea p > 0 y q = k + 1 un entero mayor
que 1.
Para q = 2, p > 1, se tiene
F (p; 2; x) = xp+1 (1 + (p + 1)y):
Para q = 3, p > 1;
F (p; 3; x) = xp+2 (1 + (p + 2) y(1 +
donde y =
p+1
y));
2
, 0 < x 1:
x
En el caso en que q > 0 y p = k + 1 un entero mayor que 1 se utiliza la relacin
F (p; q; x) = 1
y F (q; p; 1
por 1 x:
F (q; p; 1
x)
x) se calcula mediante el algoritmo arriba descrito a condicin de cambiar p por q y x
Consideremos ahora el segundo caso: q > 1, q 2

= Z+ :
Denimos
xp
p
P3 (p; q; x) =
+
xp
(1
p
q 1 x
(q 1)(q 2) x2
(1 x)q 1 +
(1
p+11 x
(p + 1)(p + 2) (1 x)2
xk 1
(q 1)(q 2) (q k + 1)
+
(1 x)q 1
(p + 1)(p + 2) (p + k 1) (1 x)k 1
(1
x)q
x)q
(q 1)(q 2)
(p + 1)(p + 2)
x
1 x,
q 1 x
(q 1)(q 2)
+
p + 1 1 x (p + 1)(p + 2)
!
k 1
(q k + 1)
x
(p + k 1) 1 x
1+
xp
q 2
q 1
(1 x)q 1 1 +
y 1+
y 1+
p
p+1
p+2
q k+2
q k+1
y
1+
y
;
p+k 2
p+k 1
donde y =
x < 1, y:
(q 1)(q
P4 (p; q; x) =
p(p + 1)
entonces
F (p; q; x) =
2) (q k)
(p + k 1)
tp+k
(1
t)q
1
(P3 (p; q; x) + P4 (p; q; x)) :
B(p; q)
(k+1)
dt;
x)q

Rx
Para x 2 0; 12 , la integral 0 tp+k 1 (1
i) y si x 2 12 ; 1 se utiliza la relacin
F (p; q; x) = 1
F (p; q; 1
y a continuacin P4 (q; p; 1
t)q
(k+1) dt
se calcula utilizando el algoritmo descrito en
1
(P3 (q; p; 1
B(p; q)
x) = 1
x) + P4 (q; p; 1
x)) ;
x) se calcula en la parte precedente.
3. Finalmente, si p = 1 tenemos
F (1; q; x) = 1
x)q , x 2 [0; 1] :
(1
Si q = 1;
F (p; 1; x) = xp , x 2 [0; 1]:
Se propone como ejercicio la elaboracin de un algoritmo completo que permite calcular (aproximar)
valores de la distribucin beta para p > 0; q > 0 y x 2 [0; 1]:
4.9.
Distribucin normal.
Denicin 7 Una variable aleatoria X tiene una distribucin de probabilidad normal de media
y varianza > 0 si su funcin densidad est dada por
f (t) = p
1
2
La funcin de distribucin est denida por

Z x
1
N ( ; ; x) =
f (t)dt = p
2
1
Utilizando el cambio de variable z =
)2
(t
exp
t 2 R.
2R
)2
(t
exp
dt x 2 R.
, se tiene
N( ; ;
1
)= p
2
t2
2
dt:
En lo que sigue consideraremos la funcin ' denida por

Z x
t2
1
'(x) = p
e 2 dt
2
1
x 2 R:
que corresponde a N (0; 1; x):

p
R1
R1
p
t2
2
Se prob que 1 e t dt =
y utilizando el cambio de variable t = 2x se prueba que 1 e 2 dt =
p
t2
2 . Por otro lado, si f (t) = e 2 t 2 R, se tiene que f ( t) = f (t) 8t 2 R, es decir que f es una
funcin par. En consecuencia
Z x
t2
1
'(x) = 0;5 + p
e 2 dt:
2 0
Utilizando la serie de potencias de e :
e =
1
X
k=0
k!
2 R,
que converge absolutamente para todo 2 R y es uniformemente convergente sobre todo intervalo cerrado
2
y acotado de R y haciendo = t2 , tenemos
e
t2
2
1
X
( 1)k t2k
,
k! 2k
k=0
4.9. DISTRIBUCIN NORMAL.
217
luego
1
'(x) = 0;5 + p
2
1
= 0;5 + p
2
1
X
( 1)k 2k
t
k! 2k
k=0
1
X
k=0
1)k
k! 2k (2k + 1)
Zx
1
1 X ( 1)k
dt = 0;5 + p
t2k dt
k
k!
2
2 k=0
0
x2k+1 :
La ltima serie de potencias es absolutamente convergente para todo x 2 R:

Para aproximar '(x) mediante una suma nita, se debe tomar en cuenta que el nmero de trminos
depende de x. Ms adelante volveremos a tratar esta serie.
Sea " > 0. Con el propsito de elaborar un algoritmo numricamente estable y econmico, determinemos
r > 1 tal que
Z 1
Z x
t2
t2
1
1
2
p
e
e 2 dt < " si x r;
dt p
2 0
2 0
es decir que
Z 1
t2
1
p
e 2 dt < " si x r:
2 x
R1
Apliquemos el criterio de comparacin para integrales impropias. Como 1 dt
= 1 y haciendo g(t) = t12 ,
t2
se tiene
t2
f (t)
=p
! 0;
t2
g(t)
2 e 2 t!1
luego, existe r > 1 tal que
t2
p
Para " = 10
10 ,
< " si t
t2
esta ltima desigualdad se verica para r = 8, es decir que

f (t)
< 10
g(t)
en consecuencia
Para todo a; x 2 ] 8; 8[, tenemos

1
'(x) = 0;5 + p
2
Adems, para todo x 2 ] 8; 8[,
Z 8
Z x
t2
1
1= p
e
e 2 dt +
2
x
1
p1
2
R1
1
p
2
Denimos
y como
r:
2 e2
t2
2
dt < 10
10 ,
10
t2
2
si t
8;
dt < 10
10
8
8;
< 0, si x
'(x), si
8 < x < 8;
'r (x) =
:
1, si x 8:
Z
t2
2
dt +
dt +
t2
2
dt
t2
2
t2
2
dt
1
= '(a) + p
2
1
' '(x) + p
2
despreciando este ltimo trmino, resulta que
1
1 = 'r (x) + p
2
de donde
'r (x) = 1
1
p
2
t2
2
dt;
t2
2
dt
si x 2 ] 8; 8[ .
t2
2
dt:
t2
2
1
dt + p
2
t2
2
dt;

Para calcular
Tenemos
Z
Rx
t2
2
t2
2 dt
10 ,
dt con una precisin " = 10
dt =
t2 x
2
t3
Continuando con este procedimiento k veces, obtenemos

Z x
t2
e 2 dt = 1 (t)jxa +
t2
te 2
dt
t3
a
t2
2
dtA = e
t4
t2
2
t2 x
2
dt =
t2
t2
2
@ e
t2 x
2
t2 x
2
t2
2
te
utilicemos el mtodo de integracin por partes.
1
1
+ 3
t
t
+3
t2
2
dt:
t4
2 (x);
donde
1 (t)
t2
2
1+
1
t2
3
t4
2 (x)
k+1
= ( 1)
3
t6
+ ( 1)k+1
j 2 (x)j
a2
2
[1
(2k + 1)
2k + 1
<
(2k+2)
con lo cual
p1
2
10 .
< 10
Z 8
1
p
e
2 x
R8
x
t2
2
1 (x)
1 (x)
a2
2
1
a2k+1
1
x2k+1
a2
10
10 .
1
=p
2
8
1 (t)jx
dt se aproxima mediante
p1
2
1 (x)
1
= p ( 1 (8)
2
2 (x)
'r (x) ' 1
Escribamos
dt
En consecuencia
t2
2 dt
se aproxima mediante 1 +
t2
e 2 dt
:
t2k+2
(2k + 1) e 2
< " = 10
2k + 1
a2k+1
Para a = 4;7 y k = 10 se tiene j 2 (x)j < 10

1 (8)
(2k + 1)]
1)
Por otro lado,
(2k
Entonces, para x > a > 0, tenemos la siguiente estimacin:
5
t2k
(2k + 1)
p1
2
1 (x)
1
p
2
1 (x)
2 (x)) ;
10 ,
t2
2 dt
para x 2 [4;7, 8[.
en forma anidada de modo que se adapte a la estabilidad numrica. Tenemos

e
t2
2
x
1+
1
x2
1+
1
3
x4
cuyo algoritmo es el siguiente:

Algoritmo
Datos de entrada: x 2 [4;7, 8[ :
1+
x4
1+
7
x4
1+
x4
1+
11
x4
11
13
x4
1+
1+
13
15
x4
11
17
x4
1+
17
19
x4
4.9. DISTRIBUCIN NORMAL.
219
Datos de salida: x 2 [4;7, 8[ :

1. y = x4 :
2. b1 = 1:
3. b2 = 1:
2
j = 1; : : : ; 4
6
k=6 j
6
4. 6
b1 = 1 + (4k
4
b2 = 1 + (4k
1)(4k 3)
b1
y
3)(4k 5)
b2
y
Fin de bucle j.
6.
1 (x) =
7. Imprimir
x2
2
b2
x2
3b1
y
1 =
x2
2
1+
b2
x2
3b1
y
1 (x):
8. Fin:
Por lo tanto '(x) se aproxima mediante la funcin (x) denida a continuacin:
8
0; si x
8;
>
>
>
>
1
>
p
(x), si x 2 ] 8; 4;7[ ;
>
>
2 1
>
>
m
>
>
1 P ( 1)k x2k+1
>
>
, si x 2 [ 4;7; 0] ;
< 0;5 p2
k! 2k (2k+1)
k=0
(x) =
m
P
>
( 1)k x2k+1
>
> 0;5 + p12
, si x 2 ]0; 4;7] ;
>
k! 2k (2k+1)
>
>
k=0
>
>
>
>
1 + p12 1 (x), si x 2 ]4;7; 8[ ;
>
>
>
:
1; si x 8:
Queda por determinar m tal que para todo x 2 [ 4;7, 4;7] se verique
1
X
( 1)k x2k+1
k! 2k (2k + 1)
k=0
m
X
( 1)k x2k+1
< = 10
k! 2k (2k + 1)
10
k=0
En la siguiente tabla se muestran los valores de mj para xj = 1; 2; 3; 4; 4;7:

xj
mj
Sean m1 =
mj
2
1
11
2
23
3
31
4
43
4;7
55
Smj
mJ
X
( 1)k x2k+1
k! 2k (2k + 1)
k=0
m1
X
k=0
x
(2k)! (4k + 1)
= S1 (x)
x2
2
2k
m1
X
k=0
x
(2k + 1)!(4k + 3)
x2
2
2k+1
S2 (x) x 2 [ 4;7; 4;7] :
La escritura anidada de S1 (x) y S2 (x) garantizan la estabilidad numrica.

Se propone como ejercicio elaborar un algoritmo completo para calcular (x) (valores aproximados de
'(x)). As mismo, elabore un programa computacional y los resultados numricos compare con los datos
provistos en las tablas de la distribucin normal proporcionados en los libros de probabilidad y estadstica.
4.10.
Distribucin i- cuadrada
Denicin 8 Una variable aleatoria X que tiene una funcin de distribucin de probabilidad denida
por
n
t
1
1
f (t) = n
t > 0; n = 1; 2; 3; : : : ;
t2 e 2
n
22
2
se dice que tiene una distribucin i-cuadrada con n grados de libertad.
La funcin de distribucin -cuadrada est denida mediante
F (n; x) =
1
n
n
2
22
x n
2
t
2
dt
0; n = 1; 2; : : : :
La distribucin i-cuadrada es un caso particular de la distribucin tipo gama (vase la distribucin tipo
gama) cuando p = n1 y = 12 . Esta funcin es muy importante en estadstica y probabilidades.
Utilizando el cambio de variable t = 2u, obtenemos
1
F (n; x) =
Dados n 2 Z+ y x
n
2
x
2
u2
du:
0, para calcular o aproximar F (n; x) consideramos cuatro casos.

2
1. Si n = 1, utilizando el cambio de variable t = u2 , tenemos

Z x
p Z
2
1
1
t
2
t e dt = 2
F (1; x) =
1
0
La integral
Rx
t2
2
t2
2
dt:
dt no puede calcularse mediante funciones elementales, lo que nos conduce a
aproximarla numricamente. En la seccin relativa a la distribucin normal se di una tcnica de

aproximacin de dicha integral que la escribimos inmediatamente a continaucin.
8
0, si x 0;
>
> q
>
m
1
>
>
2 P ( 1)k xk+ 2
>
<
, si x 2 ]0; 22] ,
k
k! 2 2k 1
k=0
F~ (1; x) =
q
>
>
>
1 + 2 1 (x), si x 2 ]22; 64[ ;
>
>
>
:
1, si x 64;
donde
1
e 2
p
x
1
x
1+
1+
1
3
x2
5
x2
1+
1+
7
x2
5
x2
1+
11
1+
13
1+
x2
11
x2
1+
13
15
x2
15
17
x2
1+
17
19
x2
Adems,
1
m1
m
X
X
p
( 1)k xk+ 2
x2k
=
x
k! 2k 2k + 1
(2k)! 22k (4k + 3)
k=0
k=0
m1
X
k=0
x2k
(2k + 1)!22k+1 (4k + 3)
y cada sumatorio se escribe en forma anidada, donde m1 = m+1

2 con m impar y para x 2 [xj
j = 1; : : : ; 5, m y xj estn dados en la siguiente tabla (x0 = 0):
xj
m
2
11
4
21
9
31
16
43
22
:
55
1 ; xj ],
4.10. DISTRIBUCIN I- CUADRADA
221
2. Si n = 2, entonces
1
(1)
F (2; x) =
Sean n > 2. Integrando por partes k veces

e
F (n; x) =
x
2
n
2
n
2
n
2
n
2
x
2
n
2
x
2
n
2
e t dt = 1
x
2
,x
0:
x
2
t2
e t dt, obtenemos
x
2
n
2
x
2
n
2
(k+1)
n
2
n
2
n
2
(k + 1)
n
2
x
2
n
2
t2
n
2
x
2
n
2
(k+2)
e t dt:
3. Si n = 2k + 4, x = 0; 1; 2; : : :. Entonces
n
2
x
2
n
2
(k+2)
2k + 4
2
=
Z
e dt =
x
2
= (k + 1)!,
e t dt = 1
x
2
y reemplazando en la desarrollo precedente de F (n; k), tenemos

F (2k + 4; x) = 1
= 1
x
2
x
2
x
1
(k + 1)! 2
1+
k+1
X
1 x
j! 2
k+1
x
k+1
(k + 1)! 2
k(k + 1) x
(k + 1)! 2
k 1
j=0
As, si n = 2k + 4, k = 0; 1; 2; : : : ;
F (2k + 4; x) = 1
k+1
X
1 x
j! 2
x
2
0:
j=0
Por otro lado,

1 =
1
n
2
n
2
1 t
e dt =
1
(k + 2)
= F (2k + 4; x) +
= 1
x
2
k+1
X
1 x
j! 2
j=0
de donde
k+1
1
n
2
Z 1
x
2
e t dt +
n
2
x
2
tk+1 e t dt
x
2
1
(k + 1)!
e dt = (k + 1)! e
tk+1 e t dt;
x
2
x
2
x
2
As por ejemplo
n
2
k+1
X
1 x
j! 2
0:
j=0
t3 e t dt = 2 e
3
X
1
4e 1
=
:
j!
3
j=0
4. Supongamos que n = 2k + 3, k = 0; 1; 2; : : :. Entonces

n
=
2
k+
3
2
(2k + 1)(2k 1)
2k+1
1p
e t dt
x
2

n
2
n
2
n
2
(k + 1
n
2
x
2
(k+2)
t2
e t dt =
x
2
1
2
k+
1
2
1
2
3
2
p
k+
p Z
1
t
t 2 e dt = 2
1
=p ;
t2
2
dt:
n
2
Esta ltima integral se aproxima como en la parte 1).

En consecuencia,
F (2k + 3; x) =
r Z
2
t2
2
x
2
dt
n
2
x n2
2
r Z
2
3
p
n
2
t2
2
dt
n
2
1
2
1
2
x k 32
+
n
2
2
r Z px
r
t2
2
x x
e 2 dt
=
e 2
2
0
k+
1
2
k+
1
2
x
2
n
2
Zx
2
e
t2
2
dt
2k
1
k 2
x
e
2
p
1)
(2k
n
2
k+
1
2
x
2
n
2
1
2
3
2
x
22
p
+
2 1
1 3
x
2
23
3
x
2
1
2
+
!
p
5
x
2
2k+1
p
(2k + 1)
x
2
+
k
Ponemos
x
22
x
+
1 32 1 3 5 2
x
2k
+
1 3
(2k 1) 2
x
x
x
= 1+
1+
1+
1+
3
5
7
2
(x) = 1 +
Resulta que
p Z
2
F (2k + 3; x) =
F (1; x) =
r Z
2
t2
2
dt
x
1) 2
(2k
k 1
t2
2
x
2k
1+
dt
0;
En resumen,
2k
2x
x
2
x
2k + 1
(x); x
0:
F (2; x) = 1
F (2k + 4; x) = 1
F (2k + 3; x) =
x
2
x
2
r Z
2
donde la integral
R px
0
t2
2
x
k+1
X
j=0
0;
1 x
j! 2
t2
2
dt
x
2x
dt se aproxima como en 1).
0; k = 0; 1; 2; : : : ;
x
2
(x); x
k 1
1
2
n
2
2
p +
k 1
1
2
x
2
n
2
n
2
(k+1)
3
2
k+
n
2
1
2
n
2
1
2
k+
n
2
x
2
1
2
x
2
x
2
k+ 12
k+
x
2
1
n
2
x
2
n
2
n
+
2
x
2
n
2
x
2
0; k = 0; 1; 2; : : : ;
4.11. DISTRIBUCIN T DE STUDENT
4.11.
223
Distribucin t de Student
Denicin 9 Una variable aleatoria T se dice que tiene una distribucin de probabilidad t de Student
con n grados de libertad si su funcin densidad est denida por
n+1
2
f (x) = p
n
n
2
1
n+1
2
t2
1+
0:
La funcin de distribucin t de Student est denida mediante:

n+1
Z
2
F (n; k) = p
n
n
2
n+1
2
t2
1+
n
dt;
x 2 R.
dt
1 1
= + arctan(x),
2
1+t
2
x 2 R,
Cuando n = 1, tenemos
1
F (1; x) =
x
1
que es conocida con el nombre de distribucin de Cauchy.

Sean n 2 Z+ y h(n; t) = 1 +
t2
n
n+1
2
, t 2 R. Entonces h( t) = h(t) 8t 2 R; luego
y si x < 0;
Rx
h(n; t)dt =
Rx
n
2
h(n; t)dt, x 2 R,
h(n; t)dt; se sigue que
F (n; x) =
Por otro lado,

1 = 0;5 + p
8
>
>
>
>
>
>
0;5
>
>
<
>
>
>
>
>
>
0;5 +
>
>
:
n+1
2
n
2
F (n; x) = 1
10 ).
n+1
R x
2
si x < 0;
n
0 h(n; t)dt;
n
2!
n+1
Rx
2
n
0 h(n; t)dt, si x > 0:
n
2
x
h(n; t)dt +
h(n; t)dt
de donde
Sea " > 0 (" = 10
n+1
2
F (n; x) = 0;5 + p
n+1
2
n
2
8x 2 R,
h(n; t)dt 8x 2 R.
Ponemos
G(n; x) =
h(n; t)dt x 2 R, n = 2; 3; : : : :
En lo que sigue, nos ocuparemos de aproximar G(n; x) con una precisin ". Para n 2 Z+ jo, n > 1,
p
n+1
y
n n2 se calculan con una precisin ":
2
Para obtener una relacin que ligue x con n de modo que
Z 1
h(n; t)dt < 10
x
10

aplicamosRel criterio de comparacin para integrales impropias. Para el efecto, sea g(t) =
1
Entonces 1 g(t)dt = 1; y
n+1
2
t2
n
! 0;
si t
x, n > 1:
Por ejemplo para n = 11, esta ltima relacin se verica si t

n = 140 obtenemos t 8:
Dado n 2 Z+ con n > 1, notamos con
x
^n = M in t > 0 j t
el trmino
R1
x
^n
40. Para n = 40 se tiene t
n+1
2
t2
1+
n
10
< 10
12; para
h(n; t)dt ser despreciado, pus por el criterio del cociente se tiene
Z
10
h(n; t)dt < 10
x
^n
x
^n
consecuentemente F (n; x) se aproxima por 1 si x
dt
t2
10
10
dt
= 10
t2
10
x
^n .
La aproximacin de G(n; x) se limitar al intervalo ]0; x

^n [.
Sea u = arctan( ptn ) entonces tan(u) =
pt y
n
para t = x, notaremos yn (x) = arctan( pxn ). Entonces
x
sen(yn (x))
tan(yn (x)) = p =
;
cos(yn (x))
n
de donde
p
sen (yn (x)) =
x
,
n + x2
1=2
n
n + x2
cos(yn (x)) =
Adems
Z
G(n; x) =
h(n; t)dt =
yn (x)
yn (x)
n sec2 (u)du
(1 +
cos(t) cosn
tan2 (u))
(t)dt
n+1
2
yn (x)
cosn
(u)du
2:
Integrando por partes, tenemos

G(n:x) =
n sen(yn (x)) cosn
(yn (x)) + (n
2)
yn (x)
cosn
(t)(1
n sen(yn (x)) cosn
(yn (x)) + (n
2)
yn (x)
cosn
(t)dt
donde
G(n; k) =
(sen(yn (x)) cosn

n 1
2 (y
1.
n > 1;
t!1
10 ,
< 10
n+1
2
t2
h(n; t)
= t2 1 +
g(t)
n
luego existe x > 1 tal que t2 1 +
1
,
t2
n (x))
n
+
n
2
1
yn (x)
cosn
cos2 (t))dt
(n
!
2)G(n; k)
3:
Esta frmula recursiva ser utilizada para obtener una expresin general de F (n; x) n
3:
(t)dt
225
Para n = 2 tenemos
p Z
G(2; x) = 2
y2 (x)
cos(u)du =
2 sen(y2 (x)) =
F (2; x) = 0;5 + p
3
2
(1)
2p
2p
x
;
2 + x2
x
x
1
= 0;5 + p
x
2
2 2 + x2
2+x
0:
Puesto que
Z
yn (x)
cos
n 3
sen(yn (x)) cosn

(t)dt =
n 3
4 (y
n (x))
n
+
n
4
3
yn (x)
cosn
(t)dt;
entonces
G(n; x) =
cosn
2 (y
n 2
n (x))
+
n 1
(n 1)(n
p
Z
n(n 2)(n 4) yn (x)
cosn 5 (t)dt:
+
(n 1)(n 3)
0
n sen(yn (x))
3)
cosn
(yn (x)) +
Continuando con este procedimiento k veces, tenemos

G(n; x) =
n sen(yn (x))
+ (n (n1)(n2)(n3)(n4)
cosn
2 (y
n
5)
cosn
1
6
n(n 2)(n 4)
+
(n 1)(n 3)
n (x))
n 2
(n 1)(n 3)
(yn (x)) +
(n 2k)
(n 2k + 1)
cosn
(yn (x))+
(n 2)(n 4)
(n 1)(n 3)
yZ
n (x)
cosn
(n 2k+2)
(n 2k+1)
2k 1
cosn
2k
(yn (x))
(t)dt:
Consideramos dos casos: n par y n impar.

1. Supongamos que n es impar; esto es, n = 2k + 1, k = 1; 2; 3; : : :. Entonces n
Z
2k
1 = 0;
yn (x)
dt = yn (x);
n(n 2)(n 4)
(n 1)(n 3)
G(n; x) =
p
n
p
n
2
n+1
2
(n 2k)
=
(n 2k + 1)
yn (x) +
n sen(yn (x))
n(2k 1)(2k
2k(2k 2)
cosn
2 (y
(n 2)(n 4)
cosn 6 (yn (x)) +
(n 1)(n 3)(n 5)
(n 2)(n 4)
(n 2k + 2)
cosn
(n 1)(n 3)
(n 2k + 1)
3)
n (x))
1
2
p
n
=p
n 2
(n 1)(n
3)
n
2
n+1
2
cosn
(yn (x))+
+
2k
(yn (x))
Para n = 2k + 1, se tiene la siguiente expresin para el clculo de F (2k + 1; x) k = 1; 2; : : : :

F (2k + 1; x) = 0;5 +
x
arctan( p ) + p
n
n+1
2
n
2
sen(yn (x))
cosn
2 (y
n (x))
n 2
(n 2)(n 4)
cosn 4 (yn (x)) +
cosn 6 (yn (x)) +
+
(n 1)(n 3)
(n 3)(n 5)
(n 2)(n 4)
3
(n 2)(n 4)
1
cos3 (yn (x)) +
cos(yn (x)) :
(n 1)(n 3)
4
(n 1)(n 3)
2

Reemplazando sen(yn (x)) =
2k+1 2j
2
p x
,
n+x2
y tomando en cuenta que
n 2j
2
j + 12 , j = 1; 2; : : : ; k, se tiene
=k
F (2k + 1; x) = 0;5 +
(n
(n
n
.
n+x2
n+1
2
n
2
x
arctan( p ) + p
n
n 2
+
(n 1)(n
Sea z =
1=2
n
n+x2
cos(yn (x)) =
2)(n
1)(n
3)
n
n + x2
4)
3)
3
2
3
2
(n
(n
2)(n
1)(n
1
2
n
n + x2
+
n
n + x2
(n 2)(n 4)
+
(n 1)(n 3)(n 5)
n
n + x2
3
4
1
n+1
x
p
n + x2
4)
3)
5
2
+
!
1=2
n
n + x2
1
2
Entonces
F (2k + 1; x) = 0;5 +
n+1
2
n
2
x
arctan( p ) + p
n
nx
n + x2
zk 1
2k 1
+
zk
2k
2k(2k 2)
(2k 1)(2k 3) k 3
(2k 1)(2k
z
+
+
2k(2k 2)(2k u)
2k(2k 2)
(2k 1)(2k 3)
1
+
2k(2k 2)
2
p
1
x
n x
2
2
= 0;5 + arctan( p ) +
1+ z+
2
n+x
3
3
n
2 4
2(k 2) k 2
2 4
z
+
1 3 5
(2k 3)
1 3 5
+
Por ejemplo, para x
0 se tiene: z =
n
,
n+x2
3)
3
4
4 2
2 4 6 3
z +
z +
5
1 3 5 7
2(k 1) k 1
z
:
(2k 1)
p
3 x
x
F (3; x) = 0;5 + arctan( p ) +
;
3 + x2
3
p
5 x
1
x
2
F (5; x) = 0;5 + arctan( p ) +
1+ z ;
2
5+x
3
5
p
x
2
4
1
7 x
1+ z 1+ z
;
F (7; x) = 0;5 + arctan( p ) +
2
7+x
3
5
7
p
1
x
9 x
2
4
6
F (9; x) = 0;5 + arctan( p ) +
1+ z 1+ z 1+ z
2
9
+
x
3
5
7
9
as sucesivamente.
1
2. Supongamos que n = 2k + 2, k = 0; 1; 2; : : :. Entonces n 2k 1 = 1;

Z yn (x)
Z yn (x)
n 2k 1
cos
(t)dt =
cos(t)dt = sen(yn (x));
0
y como
n(n 2)(n 4)
(n 1)(n 3)
p
(n 2k)
2k(2k 2)
= n
(n 2k + 1)
(2k + 1)(2k 1)
2
3
n
2
n+1
2
se obtiene
G(n; x) =
n
2
n+1
2
sen(yn (x)) +
n sen(yn (x))
(n 2)(n 4)
cosn 6 (yn (x)) +
(n 1)(n 3)(n 5)
(n 2)(n 4)
(n 2k + 2)
cosn
(n 1)(n 3)
(n 2k + 1)
cosn
2 (y
n (x))
+
2k
(yn (x)) :
(n
n 2
1)(n
3)
cosn
(yn (x))
227
Resulta que
F (2k + 2; x) = 0;5 + p
= 0;5 +
n+1
2
n
2
G(n; x)
n+1
2
n
2
1
sen(yn (x)) + p
2
cosn
(n
(n
2)(n
1)(n
n (x))
x
F (2k + 2; x) = 0;5 + p
2 n + x2
+
(2k
(2k
(2k
k 1
n
n + x2
4
3
2k(2k 2)
(2k + 1)(2k 1)(2k
n
n + x2
3)(2k 5)
(k 2)! 2k
3
1
1)(2k 3)
k! 2k
3)
n
n + x2
k 2
1 n
3
1+
+
2 n + x2 23
5)(2k 7)
(k 2)! 2k
3)
n
n + x2
1
2k + 1
n 2
(n 1)(n
(n 2)(n 4)
cosn 6 (yn (x)) +
(n 1)(n 3)(n 5)
4)
(n 2k + 2)
cosn 2k (yn (x)) ;
3)
(n 2k + 1)
2k
(2k + 1)(2k 1)
2k(2k 2)
(2k + 1)(2k 1)
n
,
n+x2
2 (y
(yn (x)) +
k + 32
x
x
p
F (2k + 2; x) = 0;5 + p
+p
2
(k + 1) n + x2
2 n+x
Haciendo z =
cosn
sen(yn (x))
n
n + x2
1
n
n + x2
k
n
n + x2
!
k
n
:
n + x2
5
+
3
3
24
n
n + x2
k 2
tenemos
1
x
z
3
5 3 3
p
z +
+
1 + + 3 z2 +
2
2 n+x
2 2
3 24
(2k 5)(2k 7)
3 1 k 2 (2k 3)(2k 5)
z
+
k
2
(k 2)! 2
(k 1)! 2k
(2k 1)(2k 3)
1 k
+
z
k
k! 2
F (2k + 2; x) = 0;5 +
Por ejemplo,
F (4; x) = 0;5 +
x
1
p
2 4 + x2
1+
1 4
2 4 + x2
F (6; x) = 0;5 +
1
x
p
2 6 + x2
1+
1 6
3
+ 3
2
26+x
2
1
x
p
2 6 + x2
1
x
F (8; x) = 0;5 + p
2 8 + x2
= 0;5 +
En resumen
F (1; x) =
1
2
arctan(x), x 2 R,
1 6
2 6 + x2
1 8
1+
2 8 + x2
1+
x
1
p
2 4 + x2
!
2
6
6 + x2
= 0;5 +
3 6
4 6 + x2
3 8
1+
4 8 + x2
1+
2
4 + x2
1+
1+
5 8
2 8 + x2
zk

F (2; x) = 0;5 +
1p x
2 2+x2 ,
0:
n
0, z = n+x
2;
p
2
x
n x
2 4 2
2 4 6 3
1
p
1+ z+
)+
z +
z +
F (2k + 1; x) = 0;5 + arctan(
n + x2
3
3 5
1 3 5 7
n
2 4
2(k 2) k 2 2 4
2(k 1) k 1
z
+
z
1 3 5
(2k 3)
1 3
(2k 1)
Para n = 2k + 1, k = 1; 2; 3; : : : y x
Para n = 2k + 2, k = 1; 2; 3; : : : ; x
0, z =
n
,
n+x2
1
x
5 3
1
3
p
1 + z + 3 z2 +
z3 +
+
2
2 n+x
2
2
3 2 23
(2k 3)(2k 5)
3 1 k 1 (2k 1)(2k 3)
z
+
(k 1)! 2k 1
k! 2k
F (2k + 2; x) = 0;5 +
Adems x 2 ] x
^n ; x
^n [, donde n 2 Z+ y
(
x
^n = m n t > 0jt
F (n; x) se aproxima por 0 si x
n+1
2
t2
1+
n
10
< 10
x
^n y se aproxima por 1 si x
zk
x
^n .
Por otro lado, para x 2 ] x

^n ; xn [, F (n; x) se escribe en forma anidada.
Se recomienda al lector elaborar un algoritmo para el clculo de F (n; x) as como su respectivo

programa computacional. Los resultados del programa deben compararse con las tablas de la
distribucin t de Student proporcionados en los libros de probabilidad y estadstica.
4.12.
Distribucin F (de Snedekor)
Denicin 10 Sean Y; Z variables aleatorias independientes que tienen distribuciones

con m y n grados de libertad, respectivamente. La variable aleatoria
y
m
X= z
n
tiene una distribucin F denida por
m
2
F (m; n; x) = m n
Para m = 1, se tiene
n+1
Z x
2
t
m
n
0
2
2
n
2
n2
F (1; n; x) = p
n+1
2
n
2
1
2
1
2
m+n
2 dt
(n + mt)
(n + t)
n+1
2
dt
0:
Efectuando el cambio de variable t = u2 , se obtiene

2
F (1; n; x) = p
n+1
2
n n2
u2
1+
n
que tiene la forma de la distribucin t de Student. La funcin

Z px
n+1
p
u2
2
G(n; x) = p
(1
+
)
n
n
n
0
2
n+1
2
n+1
2
du;
du
0;
0:
-cuadrada
4.12. DISTRIBUCIN F (DE SNEDEKOR)
229
se aproxima utilizando el algoritmo de aproximacin de la distribucin t de Student. Luego

p
F (1; n; x) = 2 G(n; x) x 0, n = 1; 2;
:
Si m = 2, tenemos
2
F (2; n; x) =
n
n+2
2
n
2
n+2
2
2
1+ t
n
dt = 1
Sean m; n 2 Z+ con m > 2. Entonces

m
2
mt
n ,
Utilizando el cambio de variables u =

F (m; n; x) =
m
2
0, n = 1; 2;
m+n
2
mt
1+
n
m+n
2
m
2
m+n
2
n
2
dt:
tenemos
m
2
m
n
m+n
2
m
2
m
F (m; n; x) =
n
n
2
2x
1+
n
n
2
m
2
Para m; n 2 Z+ tal que m > 2, denimos

I(m; n; ) =
n
2
mx
n
mx
n
t2
m
2
nu
m
m+n
2
(1 + t)
(1 + u)
m+n
2
dt
0:
n
du
m
t2
m+n
2
(1 + t)
dt
0;
y mediante el mtodo de integracin por partes, obtenemos

m
2
I(m; n; ) =
(1 + )
m 2+n
2
m 2+n
2
m
1
2
m 2+n
2
I(m
2; n; x):
Esta frmula recursiva la aplicaremos sucesivamente para obtener una expresin que nos permita describir
un algoritmo de clculo de F (m; n; ). As,
I(m
I(m
m 2
2
2; n; ) =
(1 + )
m 4+n
2
m 4+n
2
m 4
2
4; n; ) =
(1 + )
m 2
1
2
m 4+n
2
m 4
1
2
m 6+n
2
m 6+n
2
m 6+n
2
I(m
4; n; );
I(m
6; n; ):
Entonces
m
2
I(m; n; ) =
m 2+n
2
(1 + )
m
2
m 2+n
2
m 2+n
2
m
1 m2 2 1
2
m 2+n
m 4+n
m 6+n
2
2
2
m 2
m 4
m
1
1
1
2
2
2
m 4+n
m 6+n
m 2+n
2
2
2
m 2
2
m 4+n
2
m 4
2
(1 + )
I(m
m 6+n
2
(1 + )
m 4+n
2
6; n; ):
Continuando con este procedimiento k veces, obtenemos

I(m; n; ) =
m
2
(1 + )
m 2+n
2
m
1
2
m 2+n
m
2
m
1 m2 2
2
m 2+n
m
2
m
1 m2 2
2
m 2+n
m
2
m 2+n
2
m 2
2
4+n
2
1
4+n
2
1
4+n
2
m
2
m 2+n
2
1
m 6+n
2
1
m 4+n
2
m 4
2
m 2
2
(1 + )
m 2k+4
2
m 2k+n
2
m 2k+2
2
m 2k+n
2
1
1
(1 + )
m 4+n
2
m 6+n
2
m 2k+2
2
I(m
(1 + )
2k; n; ):
m 2k+n
2

1. Si
m 2k
2
1 = 0, entonces m = 2k + 2, k = 1; 2; 3; : : : ;
I(m
2k; n; ) = I(2; n; ) =
(1 + t)
m 2k+n
2
dt =
n+2
+1
2
(1 + t)
n+2
2
n+2
2
(1 + t)
dt
+1
1
n
2
n
2
(1 + )
Adems
m+2
2
m
2
n
2
n
2
n
2
+k+1
k!
n
2
n
2
+k
n
2
n
2
+k
n
2
+k 1
k!
n
2
+k 1
n
k!
2
n
2
y para j = 1; 2; : : : ; k;
m
2
=
m
2
m 2+n
2
)(
n
2
m 2j+2+n
2
k(k
+k 1
n
2
+k
m 2j+4
2
m 4+n
2
m 2+n
2
m 2
2
1)
n
2
(k
+k
1
m 2j+n
2
j + 2)
j+2
n
2
+k
j+1
k!
(k
j + 3)!
1 m2 2
m 4+n
2
)(
1)
n
2
n
2
+k
m 2j+4
1
2
m 2j+2+n
m 2j+n
2
2
+k
)(
n
2
1
=
=
+k
( n2 +k)( n2 +k
n
2
j+2
k(k 1)
1)
+k
j+1
(k j+2)
j+2)( n
+k j+1)
2
( n2 +k
k!
(k j+3)!( n
+k)( n
+k 1)
2
2
( n2 +k
j+2)( n
+k j+1)
2
Por lo tanto, si m = 2k + 2, k = 0; 1; 2; : : :, tomando en cuenta el desarrollo de I(m; n; ) y el

clculo de los coecientes, obtenemos
m+n
2
F (m; n; ) =
m
2
= 1
I(m; n; ) =
n
2
n
2
(1 + )
n
2
+k
n
2
+k 1
k!
I(m; n; )
n(n + 2) 2 n(n + 2)(n + 4) 3

y +
y +
2!
3!
(n + 2(k 1)) k
y ;
1 + ny +
n(n + 2)
k!
mx
yy=
:
n
2(1 + )
En conclusin, si m = 2k + 2, k = 0; 1; 2; : : :, n = 1; 2; 3; : : :,
donde
n
2
F (2k + 2; n; ) = 1
(1 + )
n
2
mx
n ,
n+2(k 2)
y
k 1
n+2
2 y
1+
1 + ny 1 +
n+2
2 y
1+
1 + ny 1 +
0, y =
2(1+ ) ,
n+2(k 1)
y
k
Ejemplos
1. Si m = 10, n = 5, x = 4;74, se tiene
F (m; n; ) = 1
(1 + )
n
2
n+4
3 y
= 9;48, y = 0;4522900763; F (10, 5, 9;48) = 0;950104214:

2. Si n = 32 y x = 2;14, obtenemos
F (10, 32, 0;66875) = 0;9497430676:
1+
n+6
4 y
entonces
:
4.12. DISTRIBUCIN F (DE SNEDEKOR)
231
2. Si m = 2k + 1, k = 1; 2; : : :, entonces
I(m
2k; n; x) =
m 2k
2
m 2k+n
2
(1 + t)
dt =
1
2
n+1
2
(1 + t)
Zn
2
dt = p
n
n+1
2
t2
1+
n
dt:
En la seccin precedente se describi un procedimiento de clculo de la funcin de distribucin t de

Student:
n+1
Z x
n+1
2
t2
2
T (n; x) = p
1+
dt x 2 R, n = 1; 2; : : : .
n
n
n 2
1
Rx
n+1
2
t2
n
Dicho procedimiento se centr en calcular 0 1 +

dt x
0. Esos resultados sern
utilizados para calcular valores de F (2k + 1; n; x) con k = 0; 1; 2; : : :, n = 1; 2; : : :, x
0. Para
el efecto, denimos
n+1
2
F1 (n; ) = 2 p
n
2
Si n = 2k + 1, k = 0; 1; 2; : : :,
0
n
n+
0, z =
arctan( p ) +
n
n+ 2
2 4
2(k 2) k
z
1 3 5
(2k 3)
F1 (n; ) =
p
2 n
n+1
2
t2
1+
n
0, n = 1; 2; : : : .
, entonces
1+
dt
2
1
2
3
4
z+
z2 +
1 3 5
1 3
2(k 1) k 1
z
:
(2k 1)
6
5
z3 +
Si n = 2k + 2, k = 0; 1; 2; : : :,
p
F1 (n; ) =
n+
1 3
(k
1
1+ z+
2
2
(2k
1)! 2k 1
3)
3
1
zk
22
+
z2 +
3
2
5
1
23
(2k
z3 +
1)
k! 22
zk :
Volvamos al clculo de F (2k + 1; n; x). Comencemos con el anlisis del trmino que contiene
I(m 2k; n; x). Tenemos
m+n1
2
m
n
2
2
2
p
n+1
2
n n2
m
2
Zmx
1 m2 2 1
m 2+n
m 4+n
2
2
t2
1+
n
m 2k+2
2
m 2k+n
2
n+1
2
dt = F1 (n;
2
p
n
Zmx
t2
1+
n
n+1
2
dt
mx):
Luego
m+n
2
F (2k + 1; n; ) =
m
2
p
I(m; n; ) = G(m; n; ) + F1 (n; mx);
n
2
donde
G(m; n; ) =
m
2
m+n
2
m
2
n
2
m
1 m2 2
2
m 2+n
m 4+n
2
2
m
m 2
1
1
2
2
m 2+n
m 4+n
2
2
(1 + )
m 2+n
2
m
2
m 2+n
2
1
m 6+n
2
m 2
2
m 2+n
2
m 4
2
(1 + )
m 2k+4
2
m 2k+n
2
(1 + )
m 4+n
2
m 4+n
2
m 6+n
2
m 2k+2
2
(1 + )
m 2k+n
2

Teniendo presente que m = 2k + 1, k = 1; 2; : : :, G(m; n; ) se escribe en la forma siguiente:
1
2
G(m; n; ) =
(1 + )
m+n
2
n+1
2
m
n
2
2
k+2
)
1
k 2 (1 +
2
n+2k 1
n+2k 3
2
2
1
3
k 2 k 2
n+2k 1
n+2k 3
2
2
Sea y =
1+
k 1 (1
+ )
k+1
n+2k 1
2
1
k 2 k 32 (1 + ) k+3
n+2k 1
n+2k 3
n+2k 5
2
2
2
3
2
n+1
2
, la expresin anterior se escribe como

p
G(m; n; ) =
y(1 + )
m+n
2
n
2
m
2
1
2
n+2k 3
n+2k 1
2
2
1
k 2 k 23
n+2k 1
n+2k 3
2
2
yk
1
n
2
yk
n+2k 1
2
n+2k 1
2
!
3
2
:
n+1
2
1
k 32
2
n+2k 3
n+2k 5
2
2
yk
Para obtener una forma prctica de clculo de G(m; n; ) debemos expresaar de modo conveniente
todos los coecientes. Para el efecto, obervemos que
m+n
2
m
2
1
n
2
n+2k 1
2
m+n
2
k
n
2
m
2
m+2k 1
2
m+n
2
k
n
2
m
2
n+2k 1
2
m
n
2
2
n+2k 1
2
1
2
m+2k 3
2
1
k
2
n+2k 3
2
n+1
2
3
3
2
2
n+2k 3
2
k 21
n+2k 3
2
2k 1
n
2
2
3
2
n 2k 5
2
n+2k 5
2
k 32
n+2k 5
2
n
2k 3
2
2
n+1
2
n
2
n+1
2
3
3
2
2
n+2k 7
2
k 25
n+1
2
n
2
n+1
2
3
3
2
2
n+1
2
n
2
..
.
m+n
2
m
2
k
n
2
1
2
n+2k 1
2
3
2
n+2k 3
2
3
2
n+1
2
n+1
2
n
2
3
2
n+1
2
n
2
2
=p
Por lo tanto,
G(m; n; ) =
n+1
2
n
2
2
p
n + 2k 7
2k 5
y 1+
1+
n
2
1+
n+1
y
1+
n+3
y (1 +
5
n + 2k 5
n + 2k 3
y 1+
y
2k 3
2k 1
que es una expresin muy fcil de programar.

Debemos notar que si n = 2j, j = 1; 2; : : :, entonces
n+1
1p
j 21 j 23
j
2
2
=
=
n
(j 1)!
j
2
1
2
j
j
3
2
1p
;
2
y si n = 2j + 1, j = 0; 1; 2; : : :, entonces
n+1
2
n
2
=
=
(j + 1)
=
(j + 21 )
j
j
j 1
1
j 2
j 32
j!
1
2
1p
2
3
2
j
1
1
2
1
p :
4.13. EJERCICIOS
233
Ejemplo
Si m = 9, n = 15, x = 2;59. Se tiene k = 4, j = 7,
p
1
2 15
F1 (n; ) =
arctan( p ) +
2
15 +
15
8z
10z
12z
1+
1+
1+
9
11
13
1+
2z
3
1+
4z
5
1+
6z
7
p
donde
= mx, z = n+n 2 . Entonces
= 4;828043082, z = 0;3915426782, x =
y = 1+ = 0;608457322, F1 (n; ) = 0;9997786188:
G(m; n; ) =
=
2 p
p
y
(8)
15
2
(1 + )
15
2
1+
16y
3
1+
18y
5
1+
mx
n
20y
7
0;04961972164:
F (9; 15; 2;59) = G(m; n; ) + F1 (n; ) = 0;9501588972:
4.13.
Ejercicios
1. Aplique la funcin gama de Euler para calcular las integrales siguientes

R1 e t
R 1 e t2
R1
R 1 1=2 t4
R1
3
a) 0 1=4 dt: b) 0 t e dt: c) 0
dt: d) 0 t2 e t dt: e) 0 t e
1=3
t
t
R 1 m ax1=n
R 1 3 t1=3
dx, donde a 2 R+ , m; n 2 Z+ :
dt: g) 0 x e
f) 0 t e
R1
n
h) 0 x1=m e ax dx, donde a 2 R+ ; m; n 2 Z + :
2. Sea p 2 R+ . Demuestre que (p) =
R1
0
ln
p 1
1
x
dt:
3. Utilice el resultado del ejercicio 2) para calcular las siguientes integrales.

R1
R1
R1
R1
dx
dx
: b) 0
: c) 0 (ln(x))2 dx: d) 0 (ln(x))6 dx:
a) 0
1=3
1=4
1
1
ln( )
ln( )
x
x
R1
R1
dx
e) 0 (ln(x))2k dx, donde k 2 Z+ : f ) 0
, donde m 2 Z+ :
1=m
1
ln( )
x
R1
4. Sean ; p 2 R+ . Demuestre que (p) = p 0 tp 1 e t dt:
5. Calcular las integrales siguientes
R1
R1
R1
a) 0 x1=2 (ln(x))3 dx: b) 0 x1=3 (ln(x))4 dx: c) 0 x2 (ln(x))1=5 dx:
R1
d) 0 xp (ln(x))m dx; donde p 2 R+ ; m 2 Z+ :
6. Sea p 2 R+ . Demostrar que
d (p)
=
dp
tp
e t (ln(t))dt:
1
7. Calcular los trminos de la sucesin ( ( n + )), donde n 2 Z+ :
2
8. Sea g : [1; 2] ! R la funcin denida por
g(p) = 2[(2
)p( 3 + p) + 4;5
]:
t dt:
= 1;554,

a) La funcin g es una interpolante de (p) con p 2 [1; 2]. Calcule g(1); g(1;5), g(2) y compare con
1
(1),
y (2):
2
b) Utilizando la funcin g bosqueje la grca de (p), p 2 [1; 2]:
c) Tomando en cuenta que
(p) ! 1,
p!0
(p)
! 1; y de la informacin proporcionada en a) y
p!1
b), bosqueje la grca de (p), p 2 R+ :
d) Bosqueje la grca de (p) para p 2 R 8 Z :

9. Aplique las propiedades de la funcin beta para calcular las integrales siguientes.
a)
R2
sen2 ( ) cos3 ( )d .
b)
e)
sen5 ( ) cos4 ( ) d .
f)
sen( ) cos5 ( )d .
d)
sen9 ( ) cos( ) d .
g)
sen4 ( ) cos( ) d .
2
sen10 ( ) d .
h)
x
para demostrar que
1+x
10. Sean p; q 2 R+ . Utilizar la transformacin t =

B(p; q) =
cos9 ( ) d :
xp 1
dx:
(1 + x)p+q
11. Sean p; q 2 R+ :
a) Demostrar que el rea de la regin S limitada por la curva de ecuacin x p + y q = 1, x

y 0 y los ejes coordenados viene dada por:
pq
a(S) =
2(p + q)
p
2
q
2
p+q
2
0;
pq
p q
B
,
:
2(p + q)
2 2
b) Calcule a(S) para p; q en los casos siguientes: p = q = 1; p = q = 2, p = q = 3 (arco de asteroide).

12. Calcule las integrales siguientes en trminos de la funcin beta y luego en trminos de la funcin
gama.
Ra
R1
R1
R1
a) 0 x7 (1 x)8 dx. b) 0 x1=2 (1 x)4 dx. c) 0 x3 (1 x)1=2 dx. d) 0 x2 (a x)5 dx, a > 0.
1
Ra
Ra
e) 0 xm (a x)n dx, a > 0, m; n 2 Z+ . f ) 0 xm (an xn ) 2 dx, donde a > 0, m; n 2 Z+ .
g)
R2
0
x1=2 dx
:
(4 x2 )1=5
13. Calcular las integrales siguientes en trminos de la funcin gama.

1
R1p
R1
R1
a) 0 1 x6 dx. b) 0 (1 x4 )1=5 dx. c) 0 (1 x8 ) 3 dx.
R1
R1
d) 0 (1 x2k )1=n dx, k; n 2 Z+ , n 2. e) 0 (1 xm ) 1=n dx, m; n 2 Z+ , n > 1:
14. En muchos casos se requieren valores de la distribucin normal con una precisin " = 10 3 .
Establezca las modicaciones necesarias para generar un algoritmo que permita calcular valores
de dicha funcin de distribucin con " = 10 3 :
15. Se requieren calcular valores de la distribucin gama con una precisin " = 10 3 . Establezca las
modicaciones necesarias para generar un algoritmo que permita calcular valores de dicha funcin
de distribucin con " = 10 3 : Calcule algunos de ellos y verique sus resultados con los dados en
los textos de Estadstica y Probabilidades.
16. Se desea calcular valores de la distribucin -cuadrada con una precisin " = 10 3 . Establezca las
modicaciones necesarias para generar un algoritmo que permita calcular valores de dicha funcin
de distribucin con " = 10 3 : Calcule algunos de ellos y verique sus resultados con los dados en
los textos de Estadstica y Probabilidades.
235
17. Establezca las modicaciones necesarias para generar un algoritmo que permita calcular valores
de la funcin de distribucin t de Student con " = 10 3 : Calcule algunos de ellos y verique sus
resultados con los dados en los textos de Estadstica y Probabilidades.
18. Establezca las modicaciones necesarias para generar un algoritmo que permita calcular valores de
la funcin de distribucin F de Snedekor con " = 10 3 : Calcule algunos de ellos y verique sus
resultados con los dados en los textos de Estadstica y Probabilidades.
4.14.
6. Alan W. Bush, Perturbation Methods for Engineers and Scientists, CRC Press, Boca Raton, 1992.
1977.
10. John E. Freund, Ronald E. Walpole, Estadstica Matemtica con Aplicaciones, Cuarta Edicin,
Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1990.
14. E. J. Hinch, Perturbation Methods, Cambridge University Press, Cambridge, 1991.
15. William W. Hines, Douglas C. Montgomery, Probabilidad y Estadstica para Ingeniera y
Administracin, Compaa Editorial Continental, Mxico, 1986.
16. Erwin Kreyszig, Introduccin a la Estadstica Matemtica, Editorial Limusa, Mxico, 1981.
17. L. Lebart, A. Morineau, J.-P. Fnelon, Tratamiento Estadstico de Datos, Editorial Marcombo
Boixareu Editores, Barcelona, 1985.
18. Thomas M. Little, F. Jackson Hills, Mtodos Estadsticos para la Investigacin en la Agricultura,
Editorial Trillas, Mxico, 2002.

20. William Mendenhall, Dennis D. Wackerly, Richard L. Scheaer, Estadstica Matemtica con
Aplicaciones, Segunda Edicin, Grupo Editorial Iberoamrica, Mxico, 1994.
21. Paul L. Meyer, Probabilidad y Aplicaciones Estadsticas, Editorial Fondo Educativo Interamericano,
Mxico, 1973.
25. J. W. Schmidt, R. E, Taylor, Anlisis y Simulacin de Sistemas Industriales, Editorial Trillas,
Mxico, 1979.
26. Stephen P. Shao, Estadstica para Economistas y Admistradores de Empresas, Editorial Herrero
Hermanos, Mxico, 1967.
27. Bhimsen K. Shivamoggi, Perturbation Methods for Dierential Equations, Editorial Birkhauser,
Boston, 2003.
28. Fausto I. Toranzos, Estadstica, Editorial Kapelusz, Buenos Aires, 1962.
Captulo 5
Resolucin Numrica de Ecuaciones no

Lineales
Resumen
En este captulo se tratan problemas primeramente de existencia de soluciones de ecuaciones no lineales
en una sola variable. El punto de partida lo constituye el teorema de Bolzano con el que se genera el
algoritmo de separacin de las races y el mtodo de biseccin. A continuacin se trata el teorema de
Banach del punto jo que asegura la existencia del punto jo de aplicaciones contractivas denidas en
intervalos cerrados y acotados de R, lo que conduce a su vez a construir aplicaciones contractivas en
intervalos cerrados y acotados donde estn localizada (aislada) una sola raz de la ecuacin f (x) = 0:
De este modo se generan algunos mtodos iterativos que permiten calcular en forma aproximada la o
las races de dicha ecuacin. Entre los mtodos ms importantes citamos el de punto jo, punto jo
modicado, Newton Raphson, Newton modicado, secantes, regula-falsi. Por otro lado, interesa conocer
la rapidez con la que se aproxima la solucin y comparar los diferentes mtodos. Con esta informacin
se plantean mtodos de aceleracin de la convergencia, bsicamente se desarrollan dos: el mtodo 2 de
Aitken y el mtodo de Steensen. Se consideran mtodos para determinar las races de multiplicidad. Se
concluye con el estudio de las ecuaciones algebraicas, es decir ecuaciones con funciones polinomiales o lo
que es lo mismo el clculo de las races de polinomios. Damos prioridad a los polinomios con coecientes
reales y nos centramos en el clculo de las races reales; para el efecto, la primera tarea es localizar las
races para en una segunda etapa proceder al clculo de las mismas.
5.1.
Introduccin
En la actualidad se pone mucha atencin el problema de la contaminacin ambiental, particularmente

del agua, pus en el futuro se debe proteger mucho ms a este recurso. A continuacin describimos
brevemente un modelo matemtico de control de la calidad del agua propuesto por Streeter y Phelps
(1925) ampliamente utilizado (vase G. Kiely, volumen II, R. Banks)
Los microorganismos que requieren de oxgeno para su crecimiento se llama aerbicos y aquellos que
no lo requieren se llaman anaerbicos. En el caso de los microorganismos aerbicos, el oxgeno debe
estar disponible en forma de oxgeno libre disuelto. Los microorganismos que pueden crecer en presencia
de oxgeno se llaman aerbicos obligados. Cuando un nutriente entra en una corriente de agua, los
microorganismos aerbicos consumen el oxgeno disuelto al efectuar la descomposicin del nutriente, de
este modo, el nutriente ejerce una demanda sobre la disponibilidad de oxgeno disuelto.
Los nutrientes disueltos causan contaminacin cuando entran en una corriente de agua en cantidades
sucientes para destruir la capacidad de autopuricacin de esta; esto es, si los nutrientes disueltos entran
al agua con una tasa tal que el oxgeno disuelto se gaste ms rpidamente de lo que puede reponer, el
agua se desoxigena. En estas condiciones, ningn aerbico obligado (desde los microorganismos hasta los
237
238
CAPTULO 5. RESOLUCIN NUMRICA DE ECUACIONES NO LINEALES
peces) podr sobrevivir y los contaminantes orgnicos se acumularn en el agua dando lugar a los procesos
anaerbicos que producirn sustancias malolientes de los contaminantes y el agua quedar contaminada.
Uno de los parmetros de calidad del agua y aguas residuales es la demanda bioqumica de oxgeno (DBO)
que se dene (Gerard Kiely, Vol.II, pgina 413) como la cantidad de oxgeno que necesitan los organismos
vivientes (aerbicos) en la fase de estabilizacin de la materia orgnica de las aguas y aguas residuales.
La DBO es una medida de su poder para causar contaminacin y se produce cuando la demanda de
oxgeno (DO) sobrepasa a la cantidad de oxgeno disponible.
La prueba de DBO estima el oxgeno gastado en la descomposicin biolgica de una muestra residual y es
un simulacin de laboratorio del proceso microbiano de autopuricacin. Es importante el conocimiento
preciso de la concentracin de oxgeno disuelto en el agua para la prueba de DBO que es til como
indicador del estado de contaminacin de una corriente de agua. La prueba DBO consiste en el proceso
de laboratorio siguiente.
En una muestra de los residuos se diluye una mezcla con una poblacin mixta adecuada de
microorganismos. Se mide la concentracin de oxgeno disuelto DO al instante t = 0. Esta mezcla se
incuba a una temperatura ja (T = 20o C) y luego de cierto tiempo (t = 5 das, t = 15 das, t = 21
das) se mide nuevamente la concentracin de oxgeno disuelto DO (t). El cambio DO (0) DO (t) mide
la cantidad de oxgeno no utiizado en ese tiempo por los microorganismos al procesar nutrientes de la
muestra de agua residual. Los ms usuales son DBO5 para t = 5 das, DBO15 para t = 15 das, DBO21
para t = 21 das. La primera prueba de este gnero fue propuesta en 1913.
El modelo ms sencillo se establece en los trminos siguientes: la taza de descomposicin de materia
orgnica es proporcional a la cantidad de materia orgnica disponible, esto es,
dL
=
dt
k1 L;
donde L es la demanda bioqumica de oxgeno remanente en

desoxigenacin de DBO en das 1 .
mg
l ,
k1 > 0 es el coeciente de velocidad de
Al instante t = 0, la DBO inical del euente en el punto de vertido a un curso de agua se le nota L0 . Se
tiene
dL
=
k1 L t 2 ]0; T ] ;
dt
L (0) = L0 ;
cuya solucin es L (t) = L0 e
k1 t
0:
El modelo de Streeter y Phelps establece que

dDO
= k1 L1
dt
k2 DO = k1 L0 e
k1 t
k2 DO;
con DO el dcit de oxgeno disuelto, k2 > 0 es la velocidad de reaireacin atmosfrica medida en da
1:
La solucin de la ecuacin diferencial precedente es

DO (t) =
k1 L0
e
k2 k1
k1 t
k2 t
k2 t
+ d0 e
donde d0 es el dcit de oxgeno disuelto en t = 0. La funcin DO (t)

oxgeno disuelto saturado en cualquier instante.
Supngase d0 = 0;7
mg
L ;
k1 = 0;25 da
9;2 = 0;7e
1,
0 representa el dcit de
mg
L0 = 25 mg
L , t = 4 das y DO (4) = 9;2 L , se tiene
4k2
0;25 25
e
k2 0;25
4 0;25
4k2
y de esta, se obtiene la siguiente ecuacin:

9;2 = 0;7e
0;
4k2
6;25
e
k2 0;25
4k2
5.1. INTRODUCCIN
239
para la que no existe una frmula que permita calcular k2 , consecuentemente se debe recurrir a mtodos
numricos iterativos para calcular una solucin aproximada, siempre que esta exista.
Esta clase de problemas son muy comunes en aplicaciones de la matemtica.
Posicin del problema
Sean I
R con I 6= ; un conjunto cerrado y f una funcin real de I en R. Consideramos el problema
siguiente
hallar x
b 2 I; si existe, tal que f (b
x) = 0:
Ms precisamente, asignada la funcin f denida en I y en consecuencia la ecuacin f (x) = 0, se trata

de estudiar si dicha ecuacin tiene o no solucin en I, esto es, estudiar si existe al menos un x
b 2 I tal que
f (b
x) = 0; y en el caso en que exista solucin, interesa como calcular x
b o como aproximar x
b; mediante
una sucesin (xn ) I tal que
xn ! x
b y f (xn ) ! f (b
x) = 0:
n!1
n!1
Denicin 1 Asignada la ecuacin f (x) = 0; un elemento x

b 2 I tal que f (b
x) = 0 se denomina cero
de f o raz de la ecuacin f (x) = 0.
Para un nmero limitado de funciones reales pueden darse mtodos directos de resolucin de la ecuacin
f (x) = 0. As por ejemplo.
1. Sean a; b 2 R con a 6= 0 y f la funcin real denida por f (x) = ax + b
f (x) = 0 , ax + b = 0 , x =
x
b=
b
a
es la raz de f (x) = 0 o cero de f ya que f
2. Sean a; b; c 2 R con a 6= 0 y f (x) = ax2 + bx + c
b
a
x 2 R. Entonces
b
;
a
= 0.
x 2 R. La ecuacin
f (x) = 0 , ax2 + bx + c = 0;
tiene solucin en R si y solo si d = b2 4ac 0; en cuyo caso las races de la ecuacin vienen dadas
como:
p
p
b
b2 4ac
b + b2 4ac
x1 =
, x2 =
:
2a
2a
Si d = b2
otra.
4ac < 0, la ecuacin ax2 + bx + c = 0 tiene dos races complejas, una conjugada de la
3. Sea f la funcin real denida por f (x) =

f (x) = 0 , sen x =
1
2
+ sen x. Entonces,
n
o
1
,x2
+ 2k j k 2 Z [
2
6
5
+ 2k j k 2 Z :
6
4. Las siguientes son ecuaciones que igualmente se resuelven fcilmente en el conjunto R: 2x =

log3 (x) = 243:
1
64 ,
Para las ecuaciones como las que a continuacin se indican, no es posible determinar un mtodo directo
que permita calcular las races exactas, nicamente es posible resolverlas de manera aproximada y es ste
el objetivo de este captulo.
1. x
cos(x) = 0
2. arctan(x) =
x 2 R.
1
1+x2
x 2 R.
240
3. x4 + 5x3
4. 4
x2
x2 + 1 = 0
e
x 2 R.
3x
= 0 x 2 R.
R1
2
5. Sean n 2 Z+ , c = n1 0 e t dt. Ponemos x0 = 0 y denimos
gj (x) = c
xj
e
1
t2
dt
x 2 [xj
1 ; 1] ;
j = 1; : : : ; n. gj (x) = 0, j = 1; : : : ; n:
Nota: Sea P un polinomio de grado 3, esto es P (x) = a + bx + cx2 + dx3

x 2 R con a; b; c; d 2 R.
Mediante transformaciones adecuadas, la ecuacin P (x) = 0 puede resolverse directamente mediante las
denominadas frmulas de Cardano. De manera similar, si P (x) = a + bx + cx2 + dx3 + ex4 x 2 R es un
polinomio de grado 4 con coecientes en R, mediante el mtodo de Euler pueden calcularse directamente
las races (reales o complejas) de la ecuacin P (x) = 0 (vase H. Hall y Knight, Kurosh, Kostrikin).
Para polinomios de grado n
5 no existen mtodos directos de clculo de las races de la ecuacin
P (x) = 0 con la excepcin de casos muy particulares como por ejemplo los que se citan a continuacin:
P (x) = x5
32, P (x) = x x2 + 1
x2
1 , P (x) = (x
1)5 .
Las races reales de polinomios de grado 3 o 4 con coecientes reales sern aproximadas mediante
sucesiones.
5.2.
Separacin de las races.
En lo sucesivo supondremos que f es una funcin real denida en un subconjunto I de R y en consecuencia

tendremos asignada la ecuacin f (x) = 0 en el conjunto I.
La primera tarea para el estudio de la ecuacin f (x) = 0 es la existencia de soluciones. Para el efecto
consideramos dos procedimientos: el mtodo grco y el algoritmo de bsqueda del cambio de signo.
Denicin 2 Una raz x
b 2 I de la ecuacin f (x) = 0 se dice separada en un intervalo [a; b]
este intervalo contiene nicamente a la raz x
b:
I si
i. Mtodo grco
a) Si la funcin f puede ser gracada sin dicultad, la separacin de las races se obtiene observando
los intervalos en los cuales la grca de f corta al eje x.
Por lo general este procedimiento es limitado ya que la construccin de la grca conduce al estudio
de la funcin f , estudio que puede resultar mas complicado que resolver la ecuacin. En efecto, si
f es derivable en I, para determinar los subconjuntos de I en los que f es creciente, decreciente, se
deben resolver las inecuaciones f 0 (x) > 0, f 0 (x) < 0 y la ecuacin f 0 (x) = 0 que pueden ser ms
complejas que la ecuacin f (x) = 0. Si f 00 existe en I, se deben determinar los subconjuntos de I en
los que f es cncava, convexa y determinar los puntos de inexin de f , lo que conduce a calcular
f 00 y resolver las inecuaciones f 00 (x) > 0, f 00 (x) < 0 y la ecuacin f 00 (x) = 0 que pueden resultar
ms difciles que la ecuacin f (x) = 0: Ms adelante se exhiben ejemplos con estas caractersticas.
Por otro lado, las imprecisiones en el trazado de la grca pueden conducir a falsas interpretaciones.
b) Si la ecuacin f (x) = 0 puede escribirse como g (x) h (x) = 0, donde g; h son funciones denidas en el
conjunto I cuyas grcas pueden trazarse fcilmente, entonces la ecuacin f (x) = 0 se transforma
en determinar los puntos x 2 I tales que g (x) = h (x). Las races de f se separan observando
los intervalos en los cuales sus correspondientes grcas se cortan. Este procedimiento es tambin
limitado.
5.2. SEPARACIN DE LAS RACES.
241
Ejemplos
1. Considerar la ecuacin: x 2 R tal que x cos(x) = 0. Se tiene cos(x) = x. Ponemos g (x) = cos(x),
h (x) = x x 2 R. En la gura siguiente se muestran las grcas de estas dos funciones.
h Sei observa
que dichas grcas se cortan en un punto. La ecuacin propuesta tiene una raz x
b 2 0;
:
2
Figura 31
2. La ecuacin
x2 + 1
tan(x) = 0 puede escribirse en la forma tan(x) =
Sean g (x) = x2 + 1, h (x) = tan(x)

cuya abscisa x
b 2 [0; 1] :
x2
2; 2
x2 + 1.
. Las grcas de g y h se cortan en un punto
Figura 32
En el dibujo se observa que otra raz est localizada en el intervalo 2 ; , es justa esta aseveracin?
De ser as, existen otras races para x > 2 ? De acuerdo al grco no podemos dar respuesta
inmediata. Requerimos de un anlisis ms no para determinar, si existe o no, otras races de dicha
ecuacin.
3. Considerar la ecuacin en R siguiente: x3
Entonces f 0 (x) = 3x2 12: Luego,
12x
f 0 (x) > 0 , 3 (x + 12) (x

0
f (x)
0 , x 2 [ 2; 2] :
1 = 0. Ponemos f (x) = x3
2) > 0 , x 2 ] 1; 2[ [ ]2; 1[ ;
12x
x 2 R.
242
Figura 33
En x =
tiene
2 se tiene un mximo local y en x = 2 se tiene un mnimo local. Adems, f 00 (x) = 6x. Se

f 00 (x) > 0 , x > 0;
f 00 (x) < 0 , x < 0
En x = 0 se tiene un punto de inexin.

La grca de f siguiente muestra que tiene tres ceros x
b1 ; x
b2 ; x
b3 localizados en los intervalos [ 4; 3],
[ 1; 0], [3; 4] : Observe que la grca presenta imprecisiones.
Figura 34
ii. Algoritmo de bsqueda del cambio de signo

Teorema 1 (de Bolzano)
Sea f una funcin de [a; b] en R continua en [a; b]. Si f (a) f (b) < 0, existe x
b 2 [a; b] tal que f (b
x) = 0:
El teorema de Bolzano arma que si la funcin continua f es tal que f (a) y f (b) tiene signos opuestos,
la ecuacin f (x) = 0 tiene al menos una raz x
b 2 [a; b]. Adems, este teorema garantiza la existencia de
al menos una raz de la ecuacin f (x) = 0.
En la prctica se tienen funciones continuas en las que f (a) f (b) > 0 y sin embargo la ecuacin f (x) = 0
tiene solucin en [a; b] como lo prueba el siguiente ejemplo: f (x) = x2 1 x 2 [ 2; 2] : Se tiene
f ( 2) = f (2) = 3
5.2. SEPARACIN DE LAS RACES.
243
En las grcas que se muestran a continuacin se presentan los dos casos.
Figura 35
Figura 36
El algoritmo de bsqueda del cambio de signo se basa en el teorema de Bolzano y tiene dos propsitos:
determinar la existencia de soluciones de la ecuacin f (x) = 0 y separar las mismas. Describimos a
continuacin dicho algoritmo.
Sean n 2 Z+ y h =
b a
n ;
h se denomina paso.
1. Calculamos f (a) :
Si f (a) = 0 entonces a es una raz de f y continuar en el punto 2).
2. Calculamos f (a + h) :
Si f (a) 6= 0 y f (a) f (a + h) = 0 entonces a + h es una raz de f . Continuar en el punto 3).
Si f (a) f (a + h) < 0 entonces existe x

b 2 ]a; a + h[ tal que f (b
x) = 0, es decir que f tiene un cero
en el intervalo ]a; a + h[. Continuar en 3).
Si f (a) f (a + h) > 0 entonces f no tiene ceros en el intervalo [a; a + h] o el paso h es demasiado

grande. Continuar en 3).
3. Calculamos f (a + 2h). Entonces,
Si f (a + 2h) = 0 ) a + 2h es una raz de f (x) = 0:
Si f (a + h) f (a + 2h) < 0 ) 9b
x 2 ]a + h; a + 2h[ tal que f (b
x) = 0:
Si f (a + h) f (a + 2h) > 0, no tiene races reales en [a + h; a + 2h], o h es demasiado grande.
Este procedimiento continua hasta llegar al extremo b del intervalo [a; b].
Una vez localizada una raz en un cierto subintervalo [xj 1 ; xj ] con xj = a + jh, j =; : : : ; n, conviene
asegurarse que no hay otras races. Para ello, se elige un entero n1 > n y se repite el procedimiento
244
anterior con el nuevo paso h1 =

sido localizada ninguna raz.
b a
n1 .
Igualmente se repite el procedimiento en el caso en que no haya
En la gura siguiente se ilustra esta situacin: f (x3 ) f (x4 ) < 0 con lo que existe al menos una raz
x
b1 2 [x3 ; x4 ] : Situacin similar se presenta en los otros intervalos.
Figura 37
Observe en la grca que para el paso h seleccionado se han separado las tres races, cosa que no sucede
para la grca de la funcin f siguiente.
Figura 38
Al seleccionar un paso h1 =
h
2
se detectan races x
b1 ; x
b2 2 [x1 ; x2 ].
Debemos notar que si f tiene una raz de multiplicidad par, el cambio de signo no es detectado ya que si
x
b es una raz de multiplicidad par y x
b 2 ]xj ; xj+1 [ se tiene f (xj ) f (xj+1 ) > 0. Este tipo de problemas
sern abordados en la seccin 5.
De lo dicho precedentemente, se desprende el siguiente algoritmo de bsqueda del cambio de signo.
Algoritmo
Datos de entrada: a; b extremos del intervalo [a; b], funcin f .
Datos de salida: xi; xd extremos del intervalos [xi; xd], mensajes.
1. Leer n y hacer h =
b a
n :
2. xi = a:
3. xi > b, n del procedimiento. Continuar en 8).
4. f (xi) = 0; Mensaje: xi es raz de f (x) = 0.
xd = xi + h:
5.3. MTODO DE BISECCIN
245
5. xd > b; Mensaje: f no tiene races reales en [a; b] o f tiene races de multiplicidad par o h es
demasiado grande.
6. f (xd) = 0; Mensaje: xd es raz de f .
xi = xd + h. Continuar en 3).
7. f (xi)
f (xd) < 0; Mensaje: f tiene una raz en [xi; xd]:
xi = xd. Continuar en 5).

8. Fin.
Ejemplo
Sea f la funcin denida por f (x) = x3
1 x 2 R. Hallar el cambio de f en el intervalo [ 2; 2] :
Sea n = 10. Entonces h = b na = 0;4, xk = 2+kh k = 0; 1 : : : ; 10: Escribimos f (x) = 1+x 1 + x2 .

En la tabla siguiente se muestran los resultados de la aplicacin del algoritmo de bsqueda del cambio
de signo.
k
xi
xd
yi = f (xi) yd = f (xd) Signo(yi yd)
0
2
1;6
7
3;496
+
1
1;6
1;2
3;496
1;528
+
2
1;2
0;8
1;528
0;712
+
3
0;8
0;4
0;712
0;664
+
4
0;4
0
0;664
1;0
+
5
0
0;4
1;0
1;336
+
6
0;4
0;8
1;336
1;288
+
7
0;8
1;2
1;288
0;472
+
8
1;2
1;6
0;472
1;492
9
1;6
2
1;492
5
+
El algoritmo de la bsqueda del cambio de signo muestra que f tiene una raz real localizada en el
intervalo [1;2; 1;6]. El estudio de la funcin f muestra que la ecuacin f (x) = 0 tiene una nica raz
localizada en el intervalo antes precisado.
5.3.
Mtodo de biseccin
Sea f una funcin real, continua en [a; b] y consideramos la ecuacin f (x) = 0. Supongamos que el
algoritmo de bsqueda del cambio de signo muestra que existe una raz x
b 2 [ ; ]. Ms an, suponemos
que dicha raz ha sido separada en dicho intervalo.
Entre los mtodos ms usados para el clculo aproximado de x
b es el conocido mtodo de biseccin. Su
aplicacin radica en dos hechos importantes: el algoritmo es siempre convergente y porque es fcilmente
programable. No obstante, el mtodo tiene la desventaja de requerir un nmero bastante grande de
iteraciones para aproximar x
b con una precisin " jada.
Describimos el mtodo de biseccin.

Sea c1 =
+
2
el punto medio del intervalo [ ; ]. Ponemos x0 = ; y0 = .
Si f (c1 ) = 0 entonces c1 es una raz de f (x) = 0.

Si f (c1 ) 6= 0, consideramos los intervalos [ 1 ; c1 ] ; [c1 ; ] y controlamos si f ( ) f (c1 ) < 0 o f (c1 ) f ( ) < 0:
En la gura siguiente se muestra la grca de una funcin f que tiene una raz localizada en el intervalo
246
[ ; ]:
Figura 39
Supongamos que se verica f (c1 ) f ( ) < 0 (vase las grcas de la funcin f y la posicin de x
b2[ ; ]
raz de la ecuacin f (x) = 0), lo que signica que la raz x
b pertence al intervalo [ ; c1 ]. A este intervalo
lo notamos [x1 ; y1 ], donde x1 = ; y1 = c1 :
1
Sea c2 = x1 +y
el punto medio del intervalo [x1 ; y1 ] : Si f (c2 ) = 0 entonces c2 es una raz de la ecuacin
2
f (x) = 0: Si f (c2 ) 6= 0, nuevamente consideramos los intervalos [x1 ; c2 ] y [c2 ; y1 ] y controlamos el signo
de f (x1 ) f (c2 ). Con referencia de la posicin x
b 2 [ ; ], se tiene f (x1 ) f (c2 ) > 0 lo que signica que
x
b 2 [c2 ; y1 ]. Notamos a este intervalo [x2 ; y2 ] con x2 = c2 ; y2 = y1 .
2
Sea c3 = x2 +y
el punto medio del intervalo [x2 ; y2 ] : Calculamos f (c3 ) = 0. En el caso contrario,
2
controlamos el signo de f (x2 ) f (x3 ). Observamos en la grca que f (x2 ) f (c3 ) < 0 que implica
x
b 2 [x2 ; c3 ]. Ponemos x3 = x2 ; y3 = c3 :
En la grca que se muestra a continuacin se visualizan los puntos del intervalo [ ; ] que se obtienen
mediante este procedimiento:
Figura 40
Este proceso repetimos n veces. As, obtenemos el intervalo [xn ; yn ], donde f (xn ) f (yn ) < 0. Como cada
subintervalo [xn ; yn ] de [ ; ] n = 0; 1; : : : se divide en dos subintervalos de igual longitud, la longitud
del intervalo [xn ; yn ] es
yn
xn =
2n
Por otro lado los extremos izquierdos de los intervalos [xn ; yn ] con n = 1; 2; : : :, forman una sucesin
montona creciente, o sea xn xn+1 y como
xn < ; la sucesin (xn ) es acotada. Consecuentemente
(xn ) es creciente y acotada, por lo tanto convergente. Sea x = l m xn:
n !1
Los extemos derechos de los intervalos [xn ; yn ] forman una sucesin yn decreciente: yn+1
yn n =
1; 2; : : : ; y < yn
; con lo cual (yn ) es acotada. As (yn ) es decreciente y acotada que implica (yn )
convergente. Sea y = l m yn : Como l m
n !1
2n
n!1
0= lm
n!1
2n
= 0; se sigue que
= l m (yn
n!1
xn ) :
Luego
0 = l m (yn
n!1
de donde x = y:
xn ) = l m yn
n!1
l m xn = y
n!1
x;
247
Por hiptesis f es continua en [ ; ] ; entonces las sucesiones (f (xn )) y (f (yn )) son convergentes. Entonces
f (x) = f
l m xn = l m f (xn ) = f (y) :
n!1
n!1
Adems,
xn < x
b < yn
x =
n = 1; 2; : : : ;
x
b
l m xn
n!1
l m yn = y;
n!1
y como x = y; entonces x
b = x = y y f (x) = f (b
x) = 0: As,
xn
yn
! x
b y f (xn )
n!1
! x
b y f (yn )
n!1
! f (b
x) = 0;
n!1
! f (b
x) = 0;
n!1
que prueba que el mtodo de biseccin es convergente.
Teorema 2 Sea f una funcin real, continua en [a; b]. Supongamos que f (a) f (b) < 0: Entonces, el
mtodo de biseccin genera una sucesin (cn ) que converge a x
b raz de la ecuacin f (x) = 0 y tal que
b
x
bj
jcn
2n
Demostracin. Para cada n 2 Z+ ; tenemos yn

n = 1; 2;
; se sigue que
0
1
(yn
2
x
bj
jcn
Luego
0
l m jcn
n!1
n = 1; 2;
xn =
xn )
x
bj
a
2n
b a
2n+1
lm
n!1
yx
b 2 [xn ; yn ] : Puesto que cn =
n = 1; 2;
a
2n
xn + yn
2
= 0;
de donde l m cn = x
b; consecuentemente 0 = f (b
x) = l mn!1 f (cn ) : Sea " > 0: Del teorema precedente
n!1
se tiene
b a
jcn x
bj
n = 1; 2; : : : ;
2n
b a
b a
= 0; existe N0 2 Z+ tal que 8n N0 =)
< ": En particular, para n = N0 se
y como l m
n!1 2n
2n
b a
tiene N0 < ": Luego
2
b a
jcN0 x
bj
< ":
2N 0
Para elaborar el algoritmo del mtodo de biseccin, queda determinar el nmero mximo de iteraciones
Nmax : Para " = 10 t con t 2 Z+ (por ejemplo 10 4 ; 10 6 ; 10 8 , ), se tiene b2N0a < 10 t : Como la funcin
logaritmo natural es creciente, tomando logaritmos en ambos lados de esta desigualdad, resulta
ln
b a
2N0
< ln 10
() ln (b
a)
No ln (2) < ln 10
() N0 >
ln (b
a) 10t
:
ln 2
El nmero mximo de iteraciones Nmax elegimos como como sigue:

"
#
ln (b a) 10t
Nmax =
+ 1;
ln 2
donde [ ] denota la funcin mayor entero menor o igual que. As, jCNmax
x
bj < 10 t :
Debe considerarse el hecho siguiente: puede vericarse que jcn x

bj < " pero jf (cn )j > " para n < Nmax .
En este caso el proceso debe continuar hasta lograr, en lo posible, jf (cn )j
" para n
Nmax . Esto
corresponde al denominado control vertical de la raz.
248
Separada la raz x
b de la ecuacin f (x) = 0 mediante el algoritmo de bsqueda del cambio de signo; esto
es, dado [a; b] intervalo en el que est localizada la nica raz x
b de f (x) = 0 y dado " = 10 t la precisin
con la que x
b ser aproximada, el mtodo de biseccin se resume en el siguiente algoritmo.
Algoritmo
Datos de Entrada: a; b extremos del intervalo [a; b] ; funcin f , " = 10 t :

Datos de Salida: x
b, n, Nmax :
1. Calcular Nmax =
"
ln (b
a) 10t
ln 2
+ 1:
2. Poner yi = f (a) :
3. Para n = 1; : : : ; Nmax :
4. c =
a+b
:
2
5. y = f (c) :
6. Si y = 0; continuar en 10):
7. Si
a
2
< " y jyj < "; continuar en 10).
8. Si yi y > 0; entonces a = c; yI = y:
9. Si yi y < 0; entonces b = c:
10. Imprimir x
b = c raz de f (x) = 0; iteracin n; Nmax :
11. Fin.
Nota: Si x
b ha sido separada utilizando el mtodo de bsqueda del cambio de signo, x
b 2 [xi; xd] [a; b] :
Previo al punto 1). del algoritmo de biseccin de x = xd: Una vez calculado x
b, no nalizar el programa,
se designa xi = x y continua la ejecucin del programa en la parte correspondiente a la bsqueda del
cambio de signo en el resto del intervalo [a; b] : Note adems que
Nmax =
"
ln (xd
xi) 10t
ln 2
+ 1:
Ejemplos
1. Consideremos la ecuacin: x 2 R tal que ex

precisin " = 10 2 :
x2 = 0: Aproximemos la raz de la misma con una
Ponemos g (x) = ex ; h (x) = x2

x 2 R: En la gura siguiente se muestran las grcas de las
funciones g y h. Adems, tales grcas se cortan en el punto de abscisa x
b 2 [ 1; 0] que muestra que
249
la ecuacin dada tiene una solucin separada en el intervalo [ 1; 0].
Figura 41
Para " = 10
y xi =
1; xd = 0; se tiene
"
ln (xd xi)
Nmax =
ln(2)
102
+1=
ln(102 )
+ 1 = 6:
ln(2)
En la tabla siguiente se recogen los datos de la aplicacin del algoritmo del mtodo de biseccin,
donde f es la funcin real denida como f (x) = ex x2 x 2 R:
n
1
2
3
4
5
6
a
1:
1:
0;75
0;75
0;75
0;71875
b
0:
0;5
0;5
0;625
0;6875
0;6575
c
0;5
0;75
0;625
0;6875
0;71875
0;703125
f (a) = yi
0;632
0;632
0;901
0;901
0;901
0;029
La raz aproximada de x
b con una precisin " = 10
n = 6, se tiene jf (c6 )j < ".
2. Aproximemos las races de la ecuacin 2 ln (x + 4)
f (c) = y
0;357
0;901
0;145
0;302
0;0292
6;51 10 4
y Nmax = 6 es c =
signo(yi y)
+
+
0;703125. Note que para
x2 = 0 con una precisin " = 10
3:
Sean f (x) = 2 ln (x + 4) x2 ; g (x) = 2 ln (x + 4) y h (x) = x2 . El ,mtodo grco muestra que la

ecuacin f (x) = 0 tiene dos races separadas en los intervalos [ 2; 1] y [1; 2]. Sean x
b1 2 [ 2; 1] ;
x
b2 2 [1; 2] las races de la ecuacin f (x) = 0:
En la gura siguiente se muestran las grcas de las funciones g y h as como los puntos de corte
de las mismas cuyas abscisas son las races de la ecuacin f (x) = 0:
Figura 42
250

Aproximemos x
b1 2 [ 2; 1] utilizando el mtodo de biseccin con una precisin " = 10
xi = 2; xd = 1;
ln ((xd xi) ")
Nmax =
+ 1 = 9:
ln(2)
3.
Se tiene
En la tabla se muestran los resultados de la aplicacin del algoritmo del mtodo de biseccin.
n
1
2
3
4
5
6
7
8
9
Raz x
b1 '
5.4.
Sean E
a
2:
1;5
1;5
1;5
1;4375
1;40625
1;390625
1;390625
1;38671875
b
1:
1:
1;25
1;375
1;375
1;375
1;375
1;3828125
1;3828125
c = a+b
2
1;5
1;25
1;375
1;4375
1;40625
1;390625
1;3828125
1;38671875
1;384765625
yi = f (a)
2;614
0;417
0;417
0;417
0;184
0;0713
0;0156
0;0156
0;001776
y = f (c)
0;417
0;461
0;0395
0;184
0;071
0;0156
0;0123
0;001776
0;00513
sign(yi y)
+
+
+
+
+
1;385; f ( 1;385) = 0;0043. Note que jf (c9 )j > ":
Desarrollo de mtodos iterativos

R con E 6= ; y f una funcin real denida en E. Consideramos el problema (P) siguiente:
hallar x
b 2 E, si existe, tal que f (b
x) = 0:
Suponemos que el problema (P) tiene al menos una solucin x

b 2 E y que no existe un mtodo directo de
clculo de x
b por lo que debemos recurrir a los mtodos aproximados. Estos mtodos, en la generalidad,
son iterativos y tienen la forma siguiente.
Se comienza con x0 2 E. Las aproximaciones sucesivas xn , n = 1; 2; : : : de x

b se logra mediante una funcin
e en E
e tal que xn+1 = (xn ) n = 0; 1; 2; : : : , donde E
e
e 6= ;. De este modo se
iterativa de E
E, E
e Algunas cuestiones surgen de esta construccin: es (xn ) convergente
construye una sucesin (xn ) E.
a la raz x
b de f (x) = 0? qu condiciones ha de veriacar la funcin de iteracin para que (xn ) sea
e cmo construir una funcin de iteracin de
convergente a la raz x
b? cmo seleccionar el conjunto E?
modo que la sucesin (xn ) converja a x
b raz de f (x) = 0?
En la mayora de casos la funcin de iteracin
aparece por la propia formulacin del problema.
Esta seccin est destinada a la construccin de funciones de iteracin ligadas a mtodos numricos
de resolucin de ecuaciones no lineales muy conocidos en la literatura. Para ello introduciremos las
denominadas funciones o aplicaciones contractivas y un teorema muy importante en anlisis, a saber, el
teorema de Banach del punto jo.
Denicin 3 Sean E
R, E 6= ; y T de E en E una funcin. Se dice que T es una aplicacin
contractiva en E si y solo si satisface la siguiente propiedad:
9k;
k < 1 tal que jT (x)
T (y)j
k jx
yj
8x; y 2 E.
La constante k de la denicin precedente es independiente de x e y.

Como consecuencia inmediata de la denicin se tiene que toda aplicacin contractiva es uniformemente
continua. El recproco, en general, no es cierto.
Sea T una aplicacin contractiva y " > 0. De la denicin se sigue que existe k, 0
8x; y 2 E,
jT (x) T (y)j k jx yj < ":
k < 1 tal que
5.4. DESARROLLO DE MTODOS ITERATIVOS

Elegimos
251
"
(k 6= 0). Entonces
k
jx
Observe que
yj <
) jT (x)
T (y)j < ":
> 0 es independiente de x e y. Adems, si k = 0 se deduce que T es constante en E.
Por otro lado, si T es contractiva se tiene

jT (x)
T (y)j
k jx
yj
8x; y 2 E.
ya que 0 k < 1, esto es, jT (x) T (y)j k jx yj 8x; y 2 E, pero puede suceder esto ltimo sin ser
contractiva se ver en un ejemplo propuesto ms adelante.
Ejemplos
1. Sea E = [1; 0] y T : E ! E la funcin denida por T (x) = 41 x2 : Entonces T es contractiva. En
efecto, sean x; y 2 E; entonces
jT (x)
Como x; y 2 [1; 0], 0
T (y)j =
x+y
1 2
x
4
1 2
1
y = j(x + y) (x
4
4
y)j jx + yj jx
yj .
2, luego
jT (x)
T (y)j =
1
jx + yj jx
4
yj
1
jx
2
yj :
La constante k = 12 , T es constractiva.
2. Sean E = R, a 2 R y T la funcin real denida por T (x) = ax x 2 R. Entonces, para todo
x; y 2 R se tiene
jT (x) T (y)j = jax ayj = jaj jx yj :
La funcin T ser contractiva si y solo si jaj < 1:
3. Sean E = [0; 1[ y G la funcin de E en E denida por G (x) =
contractiva. Efectivamente, para todo x; y 2 [0; 1[ se tiene
jG (x)
Como x
G (y)j =
p
1 + x2 ; y
1 + x2
p
p
1 + y2 = p
x2
1+
1 + y 2 , se sigue que p
jG (x)
G (y)j
Si y = 0, se tiene
jG (x)
G (0)j =
jx
x2
y2
p
1+
y2
=p
x+y
p
1 + x2 + 1 + y 2
yj
x
p
jx
1 + 1 + x2
1 + x2 : La funcin G no es
x+y
p
jx
1 + x2 + 1 + y 2
yj :
1: Luego,
8x; y 2 [0; 1[ :
0j
8x; y 2 [0; 1[ :
x
p
! 1; luego 0 < k (x) < 1
. Resulta k (x)
! 0; k (x)
x!+1
1 + 1 + x2
x!0+
8x 2 [0; 1[, con lo cual jG (x) G (y)j = k (x) jx 0j : De la ltima igualdad, observamos que
no es posible encontrar una constante k con 0 < k < 1 independiente de x. Este ejemplo pone
de maniesto que se verica la desigualdad jG (x) G (y)j
jx yj 8x; y 2 [0; 1[, sin ser G
contractiva.
Ponemos k (x) =
Denicin 4 Sean E R; E 6= ; y T de E en E una funcin. Un punto x

b 2 E se dice un punto jo
de T si verica la condicin T (b
x) = x
b:
Ejemplos
252
1. Sean E = [1; 2] y T de E en E la aplicacin denida por T (x) =

p
x = 2 es un punto jo de T . Pus
T
2 =
1
2
2
2+ p
2
1
2
x+
2
x
x 2 [1; 2] : El punto
2:
Note que para todo x 2 [1; 2], T (x) 2 [1; 2] :

2. Sea f : [0; 1] ! [0; 1] una funcin continua en [0; 1]. Existe x
b 2 [0; 1] tal que f (b
x) = x
b: Efectivamente,
sea g la funcin real denida por g (x) = x f (x) x 2 [0; 1]. Resulta que g es continua.
i. Si x = 0, g (0) =
f (0) :
Si f (0) = 0, resulta que x

b = 0 es un punto jo de f .
Supongamos f (0) 6= 0. Como f (0) 2 [0; 1], se tiene g (0) =

ii. Si x = 1, g (1) = 1
f (0) < 0:
f (1) :
Si f (1) = 1, es x
b = 1 un punto jo de f .
Supongamos f (1) 6= 1. Puesto que f (1) 2 [0; 1] se tiene g (1) > 0. Luego, g (0) g (1) < 0 y por
el teorema de Bolzano, existe x
b 2 [0; 1] tal que 0 = g (b
x) = x
b f (b
x) ; de donde f (b
x) = x
b, esto
es, x
b es un punto jo de f .
El resultado de este ejemplo tiene la siguiente interpretacin geomtrica. Consideremos las grcas
de las funciones f y de la identidad I en [0; 1]. Un punto jo de f es la abscisa del punto de
interseccin de la grca de f y de la funcin identidad I en el intervalo[0; 1]. En los grcos
siguientes se muestran tres situaciones.
Figura 43
Figura 44
253
Figura 45
Teorema 3 (De Banach del punto jo)

Sean E R con R 6= ; y E cerrado, T de E en E una aplicacin contractiva en E. Entonces, existe
un nico x
b 2 E tal que T (b
x) = x
b.
Demostracin. La demostracin de este teorema la dividimos en dos partes. La primera que corresponde
a la existencia del punto jo x
b de T y la segunda a la unicidad.
i) Existencia. Por hiptesis T es contractiva, entonces existe k, 0
jT (x)
T (y)j
Sea x0 2 E. Denimos la sucesin (xn )
k jx
yj
k < 1 tal que
8x; y 2 E.
(1)
E como sigue
x1 = T (x0 )
x2 = T (x1 )
..
.
xn+1 = T (xn ) ;
n = 0; 1; : : :
Mostremos que la sucesin (xn ) es una sucesin de Cauchy en E.

Sean m; n 2 Z+ con m > n y sea p 2 Z+ tal que = n + p. Entonces, por la desigualdad triangular, se
tiene
jxn xm j = jxn xn+p j jxn xn+1 j + jxn+1 xn 2 j +
+ jxn+p 1 xn+p j :
(2)
Por la denicin de (xn ) y por (1) se tiene
jxn
xn+1 j = jT (xn
2
k jxn
..
.
k n jx0
1)
T (xn )j
xn
1j
k jxn
xn j = k jT (xn
2)
T (xn
1 )j
x1 j :
Luego,
jxn
xn+1 j
k n jx0
x1 j
8n 2 Z+ :
(3)
Aplicando (3) en (2), resulta

jxn
xm j
k n jx0
x1 j + k n+1 jx0
k n jx0
Sea Sp (k) = 1 + k +
(1
x1 j +
+ k n+p jx0
x1 j 1 + k +
x1 j = k n jx0
+ k p + k p+1 +
x1 j (1 + k +
+ kp )
(4)
+ k p . Entonces
k) Sp (k) = Sp (k)
kSp (k) = 1 + k +
kp
k + k2 +
+ k p+1 = 1
k p+1 :
254
de donde
Sp (k) =
Como 0
k p+1
1
=
1 k
1 k
k p+1
:
1 k
k < 1, l m k p+1 = 0. Luego

p!1
p!1
p!1
con lo cual
k p+1
1 k
l m Sp (k) = l m
1
X
k p = l m Sp (k) =
p!1
p=0
p 1
lm
p!1
1
1
1
1
(5)
Remplazando (5) en (4), se obtiene

jxn
k n jx0
xm j
x1 j
1
X
kp =
p=0
kn
1
Puesto que l m k n = 0 se sigue que 8" > 0, 9n0 2 Z+ tal que 8n

n!1
kn <
De (6) y (7) resulta
jxn
kn
xm j
1
jx0
jx0
jx0
x1 j :
(6)
n0
k
"
x1 j
x1 j < "
(7)
si m; n
n0 ;
es decir que (xn ) es una sucesin de Cauchy en E y por hiptesis E es cerrado, entonces la sucesin (xn )
tiene lmite en E; esto es, existe x
b 2 E tal que l m xn = x
b:
n!1
Puesto que T es contractiva, T es uniformemente continua y por lo tanto continua. Luego

l m T (xn ) = T
n!1
l m xn = T (b
x) :
n!1
Adems, xn+1 = T (xn ) y l mn!1 xn+1 = x

b, resulta que
T (b
x) = l m T (xn ) = l m xn+1 = x
b:
n!1
n!1
As, T (b
x) = x
b o sea x
b 2 E es un punto jo de T .
ii) Unicidad Probemos que x

b 2 E tal que T (b
x) = x
b es nico. Para el efecto, supongamos que existe
y 2 E tal que T (y) = y. Mostremos que y = x
b:
Como T es contractiva, se tiene
jb
x
yj = jT (b
x)
T (y)j
k jb
x
yj ;
de donde jb
x yj (1 k) 0; y siendo 0 k < 1, entonces 1 k > 0 y en consecuencia jb
x
el valor absoluto es no negativo, la nica posibilidad es jb
x yj = 0 , y = x
b:
yj
0. Como
Observaciones
1. El teorema de Banach del punto jo asegura la existencia de un nico punto jo x

b 2 E e la plicacin
contractiva T denida en el conjunto cerrado E de R.
2. Note que la mtrica usual d de R est denida por d (x; y) =j x y j 8x; y 2 R, adms (R; d) es
un espacio mtrico completo, esto es, toda sucesin de Cauchy en R es convergente en R. Como
E R, E 6= ;, el par (E; d) es un espacio mtrico y siendo E cerrado, se prueba que toda sucesin
de Cauchy en E es convergente en E, con lo cual (E; d) es un espacio mtrico completo.
255
El conjunto E = ]0; 1] R no es cerrado. La sucesin (xn ) E con xn = n1 n = 1; 2; : : :, es una

sucesin de Cauchy en E que no es convergente en E, pues l m xn = 0 2
= E. Luego (E; d) es un
n!1
espacio mtrico que no es completo.
En los textos de Anlisis, el teorema de Banach del punto jo se enuncia como sigue: Sea (E; d)
un espacio mtrico completo y T de E en E una aplicacin contractiva. Entonces, existe un nico
x
b 2 E tal que T (b
x) = x
b:
El enunciado y la prueba del teorema de Banach del punto jo que hemos dado est particularizado
a subconjuntos cerrados E de R (E 6= ;) provistos de la mtrica usual de R.
La demostracin del teorema de Banach del punto jo para espacios mtricos completos muy
generales (E; d) es muy similar a la aqu propuesta con la salvedad que los valores absolutos
jx yj = d (x; y) x; y 2 R se remplazan simplemente por d (x; y) con d la mtrica en el conjunto
E.
3. En la demostracin del teorema de Banach del punto jo se muestra una manera de calcular el
punto jol x
b 2 E. Pues se parte de un punto arbitrario x0 2 E y se construye la sucesin (xn ) E
tal que xn+1 = T (xn ) n = 0; 1; : : :. Entonces x
b = l m xn es el punto jo de T . De este hecho se
n!1
desprende que podemos aproximar el funto jo x

b con una precisin " > 0:
4. La construccin de la sucesin (xn ) tiene la siguiente interpretacin geomtrica. Sea E R, E 6= ;

y E cerrado, T de E en E una aplicacin contractiva en E e I la aplicacin identidad en E. Por
el teorema de Banach del punto jo, las grcas de las funciones T e I se cortan en el punto
(b
x; T (b
x)) = (b
x; I (b
x)). La abscisa x
b 2 E es el punto jo de T .
En las dos guras que se muestran a continuacin se exhiben los puntos xn de la sucesin (xn )
con xn+1 = T (xn ), n = 0; 1; : : :. Se parte de x0 2 E. Se calcula x1 = T (x0 ) ; se proyecta T (x0 )
sobre la recta y = x, como x1 = I (x1 ) se obtiene en el eje X el punto x1 . Nuevamente se calcula
x2 = T (x1 ) y se proyecta T (x1 ) sobre la recta y = x, se obtiene en el eje x el punto x2 = I (x2 ). El
proceso continua.
En la grca que se muestra a continuacin se tiene una sucesin creciente que converge a x
b
Figura 46
En la grca siguiente se muestran puntos de una sucesin que oscila entorno al punto jo x
b:
256
Figura 47
En la grca siguiente se muestra una funcin T que no es contractiva en E y una sucesin (xn ) que, en
general, no es convergente.
Figura 48
Ejemplos
1. Sean E = [1; 2] y T de E en E la aplicacin denida por T (x) = 21 x + x2

x 2 [1; 2] : Entonces,
p
p
b = 2 mediante xn ;
T es contractiva en E. Adems x
b = 2 es el punto jo de T . Aproximamos x
n = 0; 1; : : :, con xn+1 = T (xn ) :
Sea x0 = 2 2 E. Entonces
1
2
1
T (x1 ) = x2 =
2
1
T (x2 ) = x3 =
2
1
T (x3 ) = x4 =
2
..
.
2
x0
2
x1 +
x1
2
x2 +
x2
2
x3 +
x3
T (x0 ) = x1 =
x0 +
257
1
2
1
=
2
=
2+
2
2
1;5 +
= 1;5;
2
1;5
= 1;4166667;
= 1;414215686;
= 1;414213562;
Observamos que 1;414213 : : : es una aproximacin de
2.
2. Sea E = [0; 1]. La aplicacin T de [0; 1] en [0; 1] denida por T (x) = cos(x) es contractiva en [0; 1].
Por tanto, existe x
b 2 [0; 1] tal que x
b = T (b
x) = cos(b
x); de donde x
b cos(b
x) = 0: El punto x
b 2 [0; 1]
solucin de la ecuacin x cos(x) = 0:
1
3. Sea E = [0; 1[ y T (x) = (x + 1) 3
x 2 [0; 1[. Resulta que T es contractiva en [0; 1[. Luego,

1
b3
existe x
b 2 [0; 1[ tal que x
b = T (b
x) = (b
x + 1) 3 ; de donde x
de la ecuacin x3 x 1 = 0.
x
b
1 = 0: El punto jo x
b es solucin
Sea f (x) = x3 x 1 x 2 [0; 1[. La grca de f muestra que la ecuacin f (x) = 0 tiene una sola
raz x
b 2 [0; 1[.Ms an dicha raz est separada en [1; 2] : Determinemos el valor aproximado de x
b:
En la tabla siguiente se muestran algunos valores de la sucesin (xn ) con x0 = 1 y xn+1 = T (xn ),
n = 0; 1; : : :
x
T (x)
1
1;2599
1;2599
1;3123
Con n = 7 iteraciones se tiene jxn

raz x
b de f (x) = 0, f (x7 ) ' 0:
5.4.1.
1;3123
1;3224
x
bj < 5
1;3224
1;3243
10
4.
1;3243
1;3246
1;3246
1;3247
1;3247
:
1;3247
Luego x7 ' 1;3242 es una aproximacin de la
Mtodo de punto jo
Sean I R, con I 6= ; y f una funcin real denida en I. Consideramos la ecuacin f (x) = 0. Supongamos
que este problema tiene almenos una solucin x
b 2 I, y que esta ha sido separada en el intervalo [a; b] I.
Si f (x) = x T (x) x 2 [a; b]. Entonces f (x) = 0 , T (x) = x: Adems, si T es contractiva en [a; b],
existe x
b 2 [a; b] tal que T (b
x) = x
b o bien f (b
x) = x
b T (b
x) = 0, es decir que x
b es la raz de la ecuacin
f (x) = 0: La dicultad radica en la seleccin de la funcin T y del intervalo [a; b] en el que est localizada
la raz x
b de f (x) = 0 de modo que la imagen directa T ([a; b]) = [a; b] y T contractiva en [a; b].
Supuesto que la funcin T de [a; b] en [a; b] es contractiva. El mtodo de iteracin de punto jo se basa en
la construccin de la sucesin (xn ) siguiente: elegimos x0 2 [a; b] y denimos xn+1 = T (xn ) n = 0; 1; : : : :
El algoritmo del mtodo de punto jo es el siguiente:
Algoritmo
Datos de entrada: Nmax nmero mximo de iteraciones, " > 0 la precisin, T funcin de [a; b] en [a; b] :
Datos de salida: iteracin n, valor aproximado xn de x
b.
1. Leer x0 2 [a; b] y poner x = x0 :
2. Para n = 0; : : : ; Nmax ;
3. Calcular y = T (x) :
258
4. Si jx
yj < ". Continuar en 6).
5. x = y:
6. Si n < Nmax , imprimir raz aproximada y de x
b en n iteraciones con una precisin " > 0. Continuar
en 8).
7. Imprimir raz aproximada y de x
b en Nmax iteraciones con precisin " > 0.
8. Fin.
Ejemplos
1. Encontrar todos los valores de x 2 R tales que sin(x) = x2
1:
x2
Denimos f (x) =
1 sin(x) y sean '1 (x) = sin(x); '2 (x) = x2 1 x 2 R: En la gura
siguiente se muestran las grcas de las funciones '1 y '2 que se cortan en dos puntos: El mtodo
grco muestra que f tiene dos races localizadas en los intervalos [ 1; 0] y [1; 2] :
Figura 49
p
2
2 = 1 + sin(x): Luego x =
De la igualdad
sin(x)
=
x
1
se
sigue
que
x
1 + sin(x): Denimos
p
T (x) = 1 + sin(x) x 2 [1; 2] : La aplicacin T es contractiva (vase el teorema que se enuncia
a continuacin), y para x0 2 [1; 2] dado; se dene xn+1 = T (xn ) n = 0; 1; : : : :En las dos tablas
siguientes se muestran los resultados de la aplicacin del algoritmo de punto jo para dos puntos
iniciales distintos en [1; 2] :
a).
n
0
1
2
3
4
5
xn
1
1.3570
1.4061
1.4094
1.4096
1.4096
b).
n
0
1
2
3
4
xn
' 1;5708
1.4142
1.4199
1.4096
1.4096
Raz aproximada x
e2 = 1;4096 de x
b2 :
p
Pongamos T1 (x) =
1 + sin(x) x 2 [ 1; 0] : La aplicacin T es contractiva en [ 1; 0]. Para
x0 = 0;5, en 20 iteraciones se tiene x
e1 = 0;6367:
2. Encontrar el menor valor x 2 R+ para el cual tan2 (x) = 2x + 1:
Sean f (x) = 2x + 1 tan2 (x) y '1 (x) = tan2 (x); '2 (x) = 2x + 1 para x 2 R+ . El mtodo grco
muestra que la menor raz positiva de la ecuacin f (x) = 0 est localizada en el intervalo 4 ; 2 :
Notemos adems que '1 (1) ' 2;43; '2 (1) = 3 y '1 (1;2) ' 6;62; '2 (1;2) = 3;4; luego x
b 2 [1; 1;2] :
Elegir una funcin que sea contractiva resulta difcil.
259
Teorema 4 Sea T de [a; b] en [a; b] una funcin derivable en [a; b] : Si jT 0 (x)j k < 1 8x 2 [a; b] ;
entonces T es contractiva en [a; b]. Consecuentemente, existe x
b 2 [a; b] tal que T (b
x) = x
b:
Demostracin. Sean x1 ; x2 2 [a; b] con x1 < x2 : Entonces

jT (x1 )
T (x2 )j = T 0 (x) (x1
donde x [a; b] : As, existe k; 0
x2 ) = T 0 (x) jx1
x2 j
k jx1
x2 j ;
k < 1 tal que
jT (x1 )
T (x2 )j
k jx1
x2 j
8x1 ; x2 2 [a; b] ;
que prueba que T es contractiva. Por el teorema de Banach del punto jo, existe 8b
x 2 [a; b] tal que
T (b
x) = x
b:
Ejemplo
Sea T (x) =
1 + sin(x) x 2 [ 1; 0] : Entonces
T 0 (x) =
Se deduce que
0<
Luego k = p
2 1
cos ( 1)
2
1
sin (1)
cos(x)
2
cos(x)
x 2 [ 1; 0] :
1 + sin(x)
T (x)
< 1:
cos(x)
1
sin (1)
p
2 1
1
sin (1)
Nota: El mtodo de punto jo es muy limitado en las aplicaciones por la dicultad de seleccionar una
aplicacin contractiva, sin embargo ofrece una metodologa para construir aplicaciones contractivas como
se ver s adelante.
5.4.2.
Mtodo de punto jo modicado
Denicin 5 Sean E R con E 6= 0 y f una funcin real denida en E. Se dice que f es Lipschisiana
o que satisface la condicin de Lipschitz si y solo si 9k > 0 tal que jf (x) f (y)j k jx yj 8x; y 2 E:
La constante k se llama constante de Lipschitz.
Ejemplos
1. Sea f la funcin real denida por f (x) = jxj : Se tiene que f es lipschisiana. En efecto,para x; y 2 R,
jf (x)
f (y)j = jjxj
jyjj
jx
yj :
La constante de Lipschitz es k = 1:
p
2. La funcin f de [0; 1[ en [0; 1[ denida por f (x) = 1 + x2 es lipschisiana. Esta funcin se trat
anteriormente, se prob que f no es contractiva y que
jf (x)
f (y)j
jx
yj
8x; y 2 [0; 1[ ;
que prueba que f es lipschisiana.

Teorema 5 Sean c; r 2 R con r > 0 y g uan funcin real denida en [c
con constante 0 k < 1 tal que jg (c) cj (1 k) r; entonces
i) Para todo x 2 [c
r; c + r] ; g (x) 2 [c
ii) g tiene un nico punto jo x

b 2 [c
r; c + r] :
r; c + r] :
r; c + r] : Si g es lipschisiana
260
Demostracin. Por hiptesis g es lipschisiana con constante 0

jg (x)
Adems, jg (c)
jg (x)
cj
(1
g (y)j
k jx
yj
k < 1. Entonces
8x; y 2 [c
k) r y por la desigualdad triangular, se tiene para x 2 [c
cj = jg (x)
g (c) + g (c)
kr + (1
cj
jg (x)
k) r = r:
g (c)j + jg (c)
As, jg (x) cj
r 8x 2 [c r; c + r] que implica g (x) 2 [c
directa g ([c r; c + r]) = [c r; c + r] :
Sea ge : [c
r; c + r] ! [c
cj
k jx
r; c + r] ;
cj + (1
k) r
r; c + r] : En otros trminos, la imagen
r; c + r] la funcin denida por

ge (x) = g (x)
Entonces ge es contractiva en [c
je
g (x)
r; c + r] :
8x 2 [c
r; c + r] :
r; c + r]. Pues existe k; 0
ge (y)j = jg (x)
g (y)j
k jx
k < 1 tal que

yj
8x; y 2 [c
r; c + r] :
Por otro lado, [c r; c + r] es un conjunto cerrado. Por el teorema de Banach del punto jo, existe un
nico x
b 2 [c r; c + r] tal que ge (b
x) = x
b = g (b
x) ; es decir que x
b es el nico punto jo de g:
Sean I
R con I 6= ; y f una funcin real denida en I. Consideramos el problema (P) siguiente:

hallar x
b 2 I, si existe, tal que f (b
x) = 0:
(P)
Supongamos que el problema (P) tiene solucin, esto es, existe al menos un x
b 2 I tal que f (b
x) = 0 y que
dicha raz ha sido separada; o sea existe [a; b] I en el que x
b es la sola raz de la ecuacin f (x) = 0:
Como se ha dicho anteriormente, el problema radica en construir una funcin T que sea contractiva en
[a; b] tal que el punto jo x
b de T es la raz x
b de f (x) = 0 y recprocamente. El siguiente teorema muestra
como construir tal funcin T utilizando f:
Teorema 6 Sea f una funcin real continua en [a; b] tal que f (a) f (b) < 0 y sea x
b 2 [a; b] el nico
nmero real tal que f (b
x) = 0: Adems, suponemos que
0 <
nf
x;y2[a;b]
x6=y
sup
x;y2[a;b]
x6=y
f (x)
x
f (x)
x
f (y)
;
y
f (y)
;
y
< :
Entonces, existe una funcin T denida en [a; b] tal que T es lipschisiana con constante 0
T (b
x) = x
b:
k<1y
Demostracin. Por hiptesis f es continua en [a; b] y f (a) f (b) < 0: Por el teorema de Bolzano, existe
x
x) = 0: Adicionalmente x
b 2 [a; b] es nico.
Sea m 2 R. Denimos la funcin T en [a; b] como sigue: T (x) = x
T (b
x) = x
b
mf (x) x 2 [a; b] : Se tiene
mf (b
x) = 0;
esto es, x
b es un punto jo de T , pues f (b
x) = 0:
Determinemos una constante m para la cual T sea lipschisiana en [a; b] de constante 0
k < 1.
Sean x; y 2 [a; b] con x < y: Entonces

jT (x)
T (y)j = jx
=
(x
mf (x)
y) 1
(y mf (y))j = jx y
f (x) f (y)
= jx
m
x y
m (f (x)
yj 1
f (y))j
f (x) f (y)
m
:
x y

Buscamos una constante m
b tal que
m
f (x)
x
Primeramente, la hiptesis 0 <
el signo para todo x; y 2 [a; b] con

8
1
f (x)
>
<
; si
x
Denimos m
b =
1
f
(x)
>
:
; si
x
x 6= y:
f (x)
x
f (y)
y
i. Si m
b > 0 entonces m
b =
de donde 0
m
b
f (x)
x
f (y)
y
k < 1 8x; y 2 [a; b] con x 6= y:

f (x) f (y)
x y
nf
x;y2[a;b]
x6=y
261
implica que los cocientes
f (x)
x
f (y)
< 0 8x; y 2 [a; b] con x 6= y;
y
f (y)
> 0 8x; y 2 [a; b] con x =
6 y:
y
: Se tiene, 8x; y 2 [a; b] con x 6= y;

1
f (x)
=) m
b
m
b
x
f (y)
y
1;
f (y)
8x; y 2 [a; b] con x 6= y:
y
Adems, 8x; y 2 [a; b] con x 6= y;

f (x)
x
f (x)
f (y)
=
y
x
m
b
con lo cual
1
1
ii. Si m
b < 0 entonces m
b =
f (x)
x
f (y)
=) m
b
y
f (y)
y
f (x)
x
f (y)
;
y
= k < 1:
: Para todo x; y 2 [a; b] con x 6= y; se tiene
f (x)
x
f (y)
y
de donde
0
como
m
b =1
m
b
f (x)
x
f (y)
=
y
m
b
f (x)
x
1
f (x)
=) m
b
m
b
x
f (x)
x
f (y)
y
f (y)
y
1;
f (y)
:
y
8x; y 2 [a; b] con x 6= y;
se sigue que
m
b
consecuentemente
De i) y ii) se concluye que

1
con lo cual
m
b
f (x)
x
f (x)
x
f (y)
y
f (x)
x
f (y)
y
m
b
m
b
f (y)
y
jT (x)
que prueba que T (x) = x
T (y)j
8x; y 2 [a; b] con x 6= y;

1+m
b =1
= k < 1:
= k < 1 8x; y 2 [a; b] con x 6= y;

k jx
yj
8x; y 2 [a; b] ;
mf
b (x) x 2 [a; b] es lipschisiana con constante 0
Interpretacin Geomtrica
k < 1:
f (y)
conservan
y
262
Sea f una funcin real continua en [a; b] tal que f (a) f (b) < 0 y sea x
b 2 [a; b] la nica raz de la ecuacin
f (x) = 0: Sea an
=
sup
x;y2[a;b]
x6=y
8
>
<
f (x)
x
f (y)
;
y
f (x) f (y)
< 0 8x; y 2 [a; b] con x 6= y;
x y
m
b =
>
: 1 ; si f (x) f (y) > 0 8x; y 2 [a; b] con x 6= y:
x y
T (x) = x mf
b (x) x 2 [a; b] :
; si
Por el teorema precedente, T es lipschisiana de constante 0
k < 1 y T (b
x) = x
b; f (b
x) = 0:
Sea x0 2 [a; b] y xn+1 = T (xn ) n = 0; 1; : : : : La interpretacin geomtrica del mtodo iterativo

x0 2 [a; b]
xn+1 = T (xn ) n = 0; 1; : : :
es la siguiente: se trata de aproximar la raz x
b de la ecuacin f (x) = 0 mediante la sucesin de puntos
de interseccin de las rectas de ecuacin
y=
xn
+ f (xn ) n = 0; 1; : : :
m
b
con el eje X. As la recta L1 que pasa por (x0 ; f (x0 )) y tiene pendiente
y
Entonces, y = 0 () x = x0
f (x0 ) =
1
(x
m
b
mf
b (x0 ) : Ponemos x1 = x0
La recta L2 que pasa por (x1 ; f (x1 )) y que tiene pendiente

y
con lo cual y = 0 () x = x1
f (x1 ) =
1
(x
m
b
mf
b (x1 ) : Ponemos x2 = x1
x0 ) :
1
con x0 2 [a; b] viene dada por
m
b
mf
b (x0 ) :
1
es
m
b
x1 ) ;
mf
b (x1 ) :
Continuando con este proceso obtenemos una sucesin (xn ) que converge a la raz x
b de f (x) = 0:
En el grco que se muestra continuacin se ilustra este procedimiento.
Figura 50
263
Algoritmo
x0 2 [a; b] aproximacin inicial,
se llama mtodo iterativo de punto jo
xn+1 = T (xn ) n = 0; 1;
:
modicado. El problema principal de este mtodo es calcular la constante m.
b
El proceso iterativo
Supongamos que la funcin continua f cambia de signo en el intervalo [a; b], esto es, f (a) f (b) < 0 y que
la longitud b a del intervalo [a; b] sea sucientemente pequea para que la aplicacin T (x) = x mf (x)
sea contractiva en [a; b] con m 2 R. En estas condiciones elegimos m como sigue
b
f (b)
m=
con lo cual
b
f (b)
T (x) = x
a
f (a)
a
f (x)
f (a)
x 2 [a; b] .
El mtodo iterativo de punto jo modicado queda en la forma

(
xn+1 = xn f (b)b fa (a) f (xn ) n = 0; 1; 2;
Estimemos el nmero mximo de iteraciones que se requieren para aproximar x

b con una precisin " = 10 t
con t 2 Z+ (por ejemplo " = 10 2 ; 10 5 ; 10 6 : : :). En la demostracin del teorema de Banach del punto
jo se dedujo la desigualdad
jxn
kn
xm j
jx0
m; n 2 Z+ ; 0 < k < 1:
x1 j
Dejando jo n y considerando que x

b = l m xm , se tiene por la continuidad de la funcin valor absoluto
m!1
l m jxn
m!1
jxn
xm j
x
bj
Puesto que x0; x1 2 [a; b] ; jx0
kn
lm
m!1
kn
x1 j
jx0
jx0
n!1
x
bj
b
1
desigualdad, obtenemos
jx0
x1 j ,
b
1
a n;
k
k
a n
b
k =
k
1
a
l m k n = 0;
k n!1
b a n
n0 )
k < ":
1 k
entonces para " = 10 t , 9n0 2 Z+ tal que 8n

b
1
m!1
kn
a, se sigue que
y como
Para n = n0 podemos asumir que
lm
x1 j :
jxn
lm
x1 j , xn
a n0
k
k
". Tomando logaritmos en ambos miembros de esta ltima
n0 ln (k)
ln
" (1 k)
b a
y como 0 < k < 1, ln (k) < 0. Luego

ln
n0
"(1 k)
b a
ln (k)
El nmero mximo de iteraciones Nmax elegimos como sigue:

" ("(1 k)) #
ln b a
Nmax =
+ 1;
ln (k)
264
con [ ] la funcin mayor entero menor o igual que.

x
bj < " = 10
As, jxn
n = 1; 2; : : : ; Nmax :
Por el teorema 5, la constante k = 1
resulta difcil de estimar.
Algoritmo
Datos de entrada: a; b extremos de [a; b], funcin f , " = 10 t , Nmax :
Datos de salida: Valor aproximado x
e de x
b, n nmero de iteraciones.
2. Calcular m =
b a
f (b) f (a) :
3. Para n = 0; : : : ; Nmax :
4. Calcular y = x
5. Si jx
mf (x) :
yj < ". Continuar en 7).
6. x = y:
7. Si n < Nmax , imprimir raz aproximada x
e = y en n iteraciones. Continuar en 9).
8. Imprimir raz aproximada x
e = y en Nmax iteraciones.
9. Fin.
Ejemplos
1. Calcular el valor aproximado de
Sea f (x) =
x4
p
4
2 con 6 cifras decimales de precisin.
2 con x > 0. Entonces

f (x) = 0 , x4
p
4
2=0)x=
p
4
2:
La funcin f tiene a 2 como raz localizada en el intervalo [1; 1;5]. Adems, f (1) =
f (1;5) = 5;0625 y f (1) f (1;5) < 0. Tenemos a = 1; b = 1;5. Luego
m=
b
f (b)
a
1;5
=
f (a)
f (1;5)
1;
1
= 0;1231:
f (1)
El esquema numrico es el siguiente:

x0 2 [1; 1;5] aproximaci inicial,
xn+1 = xn 0;1231f (xn ) n = 0; 1;
Tomando x0 = 1, en la tabla de la izquierda se muestran los resultados de la aplicacin del esquema

numrico. En la tabla de la derecha se muestra la aplicacin del mismo esquema numrico pero con
otra aproximacin inicial x0 = 1;3:
n
0
1
2
3
4
..
.
10
11
12
xn
1;0
1;1231
1;173446
1;186241
1;188688
..
.
n
0
1
2
3
4
5
6
7
xn
1;3
1;194614
1;190106
1;189367 .
1;189233
1;189212
1;18907
1;189207
1;189207102
1;189207113
1;189207115;
p
El valor aproximado de 4 2 con una precisin de 6 cifras decimales es 1;189207. Valor obtenido en
una calculadora de bolsillo x
e = 1;18927115 : : :
265
2. Encontrar todas las races reales de la ecuacin x3 + 2;1x2 + 32;17x

x3
2;1x2
Solucin: pongamos f (x) =

+
Hrner. Se tiene
f (x) =
+ 32;17x
23;205 = 0:
23;205 y escribamos f utilizando el esquema de
23;205 + x ( 32;17 + x (2;1 + x)) :
Busquemos las races en el intervalo [ 10; 10] (en la seccin 6 se precisar como determinar los
intervalos en los que estn localizadas las races reales de polinomios). Sea n = 50, entonces
h = 20
50 = 0;4: Aplicamos el algoritmo de bsqueda de cambio de signo. Tenemos
x
10
9;6
..
.
f (x)
491;5
405;6
..
.
7;2
6;8
6;4
6;0
..
.
55;9
21;8
6;555
29;4
..
.
x
1;2
0;8
0;4
0
..
.
f (x)
16;7
3;4
10;1
23;205
..
.
x
4;4
4;8
5;2
5;6
..
.
f (x)
38;9
18;6
6;9
38;1
..
.
10
865;1
La ecuacin f (x) = 0 tiene 3 races localizadas (separadas) en los intervalos [6;8; 6;4], [ 0;8; 0;4],
[4;8; 5;2].
Observacin: La constante m
b est denida por (vase teorema 5)
(
1
, si f (x)x yf (y) < 0 8x; y 2 [a; b] con x 6= y;
m
b =
1
, si f (x)x fy (y) > 0 8x; y 2 [a; b] con x 6= y:
con
= Sup
x;y2[a;b]
x6=y
f (x) f (y)
x y
es equivalente a la siguiente seleccin
sign
m
b =
f (x0 ) f (y 0 )
x0 y 0
Sup
x;y2[a;b]
x6=y
f (x) f (y)
x y
donde x0 ; y 0 2 [a; b] con x0 6= y 0 los puntos en los que
f (x) f (y)
x y
x 6= y, alcanza el valor extremo.
Si la funcin f es derivable en cada subintervalo en el que est separada cada raz de f (x) = 0, se
sigue que
f (x1 ) f (x2 ) = f 0 (x) (x1 x2 ) con x entre x1 y x2 ;
de donde
f (x1 )
x1
f (x2 )
= f 0 (x) , x1 6= x2 :
x2
Resulta que si f 0 (x) 6= 0 8x 2 [a; b] ;

m
b =
sign (f 0 (x))
;
Sup jf 0 (x)j
x2[a;b]
con x 2 [a; b] en el que jf 0 (x)j alcanza el valor extremo. Entonces, la aplicacin contractiva T est
denida por
T (x) = x mf
b (x) x 2 [a; b] :
Calculemos las races de f (x) = 0 utilizando m

b el estimado con f 0 (x). Tenemos
f 0 (x) = 3x2 + 4;2x
32;17 =
32;17 + x (4;2 + 3x) :
266

i. Clculo de x
b1 2 [6;3; 6;4] :
Se tiene f 0 ( 6;8) = 79;99, f 0 ( 6;4) = 63;83. Luego
f 0 (x) = 79;99;
Sup
x2[ 6;8; 6;4]
con lo cual m
c1 =
1
79;99
' 0;013, T (x) = x
0;013f (x) x 2 [6;3; 6;4] :
x0 2 [ 6;8; 6;4] punto inicial,

En la tabla siguiente se muestran los
xn+1 = T (xn ) n = 0; 1;
:
resultados de la aplicacin del esquema numrico precedente:
Esquema numrico:
xn
6;8
6;517
6;502
6;500 : : :
6;50003
6;500000
n
0
1
2
3
4
5
La solucin en el intervalo [6;3; 6;4] es: x

b1 =
ii. Clculo de x
b2 2 [ 0;8; 0;4] :
Se tiene f 0 ( 0;8) = 33;61; f 0 ( 0;4) =
6;5:
33;37,
Sup
x2[ 0;8; 0;4]
jf 0 (x)j, m
c2 =
1
33;61
'
0;03 y
T (x) = x + 0;03f (x) x 2 [ 0;8; 0;4] : En la tabla siguiente se muestran los resultados de la
aplicacin del algoritmo de punto jo modicado:
xn
0;8
0;699
0;700008
0;699999 : : :
0;7
n
0
1
2
3
4
La solucin en el intervalo [ 0;8; 0;4] es x

b2 =
0;7:
iii. Clculo de x
b3 2 [4;8; 5;2] : Estimemos la constante m
b 3 . Obtenemos f 0 (4;8) = 57;11; f 0 (50;2) =
70;79; luego
m
c3 =
Sup
x2[4;8;5;2]
m
c3 ' 0;0141;
T (x) = x
jf 0 (x)j
0;0141f (x)
1
;
7079
x 2 [4;8; 5;2] :
x0 = 4;8;
xn+1 = T (xn ) n = 1; 2;
En la tabla que se muestra a continuacin se resumen los resultados obtenidos en la ejecucin

del algoritmo precedente.
xn
n
0
4;8
1
5;063
2
5;098
3 5;0998
4 5;0999
5 5;09999
6 5;09999
7
5;1
267
La solucin es x
b3 = 5;1:
Calculemos ahora las races x

b1 ; x
b2 ; x
b3 pero esta vez utilizamos m
b dado por
m
b =
b
f (b)
a
:
f (a)
0;4
i. m
c1 = f ( 6;4)0;4f ( 6;8) = 6;555+21;8
= 0;0141: Note la diferencia entre este valor m
b 1 y el calculado
con la derivada (m
b 1 0;013). Se tiene T (x) = x 0;0141f (x). En la tabla siguiente se muestran
los trminos de la sucesin (xn ); con xn+1 = T (xn ) n = 0; 1;
; con x0 dado:
n
0
1
2
3
4
5
6
Raz x
b1 =
6;5:
ii. Para el clculo de x

b2 , obtenemos
m
c2 =
xn
6;8
6;493
6;4996
6;4999
6;49999
6;499999
6;5
0;4
=
f ( 0;4) f ( 0;8)
0;0296, T (x) = x + 0;0296f (x)
x 2 [ 0;8; 0;4] :
Procediendo como en el caso precedente, tenemos los siguientes resultados:

n
0
1
2
3
xn
0;8
0;7000 : : :
0;7000019
0;7
Raz x
b2 = 0;7:
iii. Clculo de x
b3 : Se tiene m
c3 = f (5;2)0;4f (4;8) = 0;0157 T (x) = x 0;0157f (x)
Como en los casos precedentes, se obtienen los siguientes resultados:
n
0
1
2
3
4
5
6
x 2 [4;8; 5;2] :
xn
4;8
5;093
5;1004
5;09997
5;100001
5;099999 : : :
5;1
x
b3 = 5;1:
3. Encontrar el menor x
b 2 R+ tal que tan2 (b
x) = 2b
x + 1:
Solucin: sean f (x) = 2x + 1 tan2 (x), '1 (x) = tan2 (x), '2 (x) = 2x + 1. El mtodo grco
muestra que la menor raz positiva de f (x) = 0 est localizada en el intervalo 4 ; 2 (vase grco
adjunto).
268
Figura 51
Ms an, '1 (1;2) ' 6;62, '2 (1;2) ' 3;4. Luego x
b 2 [1; 1;2] ;
f (1) ' 0;57; f (1;2) ' 3;22;

b a
m
b =
' 0;0528;
f (b) f (a)
y la funcin contractiva est dada por
T (x) = x + 0;0528f (x)
x 2 [1; 1;2] :
Con x0 = 1, la sucesin (xn ) con xn+1 = T (xn ) n = 0; 1; : : : converge a x

b. Con n = 30 iteraciones
3
x
b ' 1;05486 con una precisin " = 10 :
5.4.3.
Sea I
Mtodo de Newton-Raphson
R, I 6= ; y f una funcin real denida en I. Consideramos el problema (P) siguiente:

hallar x
b 2 I; si existe, talque f (b
x) = 0:
(P)
Suponemos nuevamente que el problema (P) tiene solucin; es decir, existe al menos un x
b 2 I tal que
f (b
x) = 0 y que x
b ha sido separada, o sea, existe [a; b] I en el que x
b es la nica raz de f (x) = 0 all
localizada.
El mtodo iterativo de punto jo presenta los siguientes inconvenientes:
i) A partir de f , elegir una funcin contractiva T:
ii) Supuesto que se ha seleccionado una aplicacin contractiva T y dado x0 2 [a; b], la sucesin (xn )
denida por xn+1 = T (xn ), n = 0; 1; : : : converge muy lentamente.
En el mtodo de punto jo modicado, la construccin de la aplicacin contractiva T es relativamente
sencilla si la longitud del intervalo [a; b] en el que est localizada la raz es muy pequea. En tal caso, si
f (a) f (b) < 0;
b a
f (x) x 2 [a; b]
T (x) = x
f (b) f (a)
es contractiva. La constante m =
b a
f (b) f (a)
no es la ptima.
La sucesin (xn ) puede converger lentamente para x0 2 [a; b] dado y xn+1 = T (xn ) n = 0; 1; : : : :
Note que no se requiere que f sea derivable. Para acelerar la convergencia se utilizar este mtodo en el
denominado mtodo se Steensen que ser abordado en una seccin posterior de este captulo.
269
En el caso en que la funcin f sea derivable en [a; b], uno de los mtodos ms utilizados para aproximar
la solucin x
b de la ecuacin f (x) = 0 el mtodo de Newton del que nos ocuparemos en esta seccin.
En la demostracin del teorema 5 se propuso la bsqueda de una constante m tal que
1
f (x)
x
Se ha supuesto que los cocientes
f (y)
y
f (x)
x
m
b dada por
k < 1 8x; y 2 [a; b] con x 6= y:
f (y)
x; y 2 [a; b] con x 6= y conservan el signo de la constante
y
m
b =
jf 0 (x)j
sign (f 0 (x))
;
Sup jf 0 (x)j
x2[a;b]
alcanza el valor extremo (vase ejemplo 2 de la seccin 4.2). Si en vez de

con x 2 [a; b] en el que
buscar una constante global m
b en [a; b], se busca m que dependa de cada punto x 2 [a; b], esto es, para
cada par de puntos x1 ; x2 2 [a; b] con x1 < x2 ;
f (x1 )
f (x2 ) = f 0 (x) (x1 x2 ) con x 2 [x1 ; x2 ] ;

f (x1 ) f (x2 )
f 0 (x) =
;
x1 x2
se busca m que dependa de x 2 [a; b] y que satisfaga la condicin

1
m (x)
f (x1 )
x1
f (x2 )
x2
k < 1 x 2 [a; b] ;
se tiene igualmente una aplicacin contractiva. Si se pone m =

T (x) = x
1
f 0 (x)
f (x)
1
f 0 (x)
; con f 0 (x) 6= 0; entonces
x 2 [a; b]
es contractiva en [a; b] :
La funcin T es la funcin de iteracin del mtodo de Newton siguiente:
8
< x0 2 [a; b] dado;
f (xn )
n = 0; 1; : : :
: xn+1 = T (xn ) = xn
f 0 (xn )
Interpretacin geomtrica
Sea x0 2 [a; b]. La ecuacin de la recta tangente a la grca de f en el punto (x0 ; f (x0 )) es
L (x) = f 0 (x0 ) (x
x0 ) + f (x0 ) :
La recta L corta al eje X en el punto (x1 ; 0), esto es

L (x) = 0 () f 0 (x0 ) (x
x0 ) + f (x0 ) = 0 () x = x0
Pongamos x1 = x: Notemos que x1 es un valor aproximado de x

b.
f (x0 )
:
f 0 (x0 )
La ecuacin de la recta tangente a la grica de f que pasa por el punto (x1 ; f (x1 )) es
L1 (x) = f 0 (x1 ) (x
x1 ) + f (x1 ) ;
que corta al eje X en (x2 ; 0), en cuyop caso L1 (x) = 0, de donde

x = x1
f (x1 )
:
f 0 (x1 )
270
Sea x2 = x. Entonces x2 es un valor aproximado de x

b.
Continuando con este procedimiento n veces, tenemos
f (xn )
n = 0; 1; : : : ;
f 0 (xn )
xn+1 = xn
donde xn+1 es un valor aproximado de la raz x

b de f (x) = 0.
De esta construccin podemos denir la funcin de iteracin del mtodo de Newton siguiente
T (x) = x
f (x)
x 2 [a; b] ; f 0 (x) 6= 0:
f 0 (x)
En la gura que se muestra a continuacin se exhibe el procedimiento que acabamos de describir.
Figura 52
Otra forma de obtener la funcin de iteracin del mtodo de Newton es la siguiente. El desarrollo de
Taylor en un entorno de x
b raz de la ecuacin f (x) = 0; est dado por 0 = f (x) + f 0 (x) (x x
b) de donde
Ponemos
x
b=x
T (x) = x
f (x)
f 0 (x)
f (x)
f 0 (x)
f 0 (x) 6= 0, x 2 [a; b] :
f 0 (x) 6= 0, x 2 [a; b] ;
y se tiene la funcin de iteracin del mtodo de Newton.

Observacin
Supongamos que f tenga dos races x
b1 ; x
b2 en el intervalo [a; b] y que f posea derivada segunda continua
en ]a; b[ :
Sea [b
x1 r; x
b1 + r] un entorno cerrado de x
b1 y x0 2 [b
x1 r; x
b1 + r] tal que f 00 (x0 ) = 0, es decir (x0 ; f (x0 ))
es un punto de inexin de f . Entonces, el mtodo de Newton, en general, no converge a x
b1 sino a x
b2 o
271
bien diverge. Vase la gura siguiente:
Figura 53
Supongamos que f 00 (b
x) = 0, es decir que (b
x; f (b
x)) = (b
x; 0) es un punto de inexin de f y que x
b es la
sola raz localizada en [a; b] :
Sea x0 2 [a; b]. La sucesin (xn ) con xn+1 = xn
f (xn )
f 00 (xn )
n = 0; 1; : : : puede ser divergente.
Figura 54
Estos dos problemas ponen de maniesto que el mtodo de Newton-Raphson, en general, no converge a
x
b:
Establezcamos las condiciones que la funcin f y el punto inicial x0 han de vericar para que el mtodo
de Newton-Raphson sea convergente.
Teorema 7 Supongamos que f 2 C 2 ([a; b]) tal que f 0 (x) 6= 0, f 00 (x) 6= 0 8x 2 [a; b] : Si x0 2 [a; b]
es una aproximacin inicial de x
b tal que f (x0 ) f 00 (x0 ) > 0, entonces la sucesin (xn ) generada por la
funcin de iteracin T converge a x
b:
El punto x0 se denomina extremo de Fourier.
Demostracin. Notemos que x

b 2 [a; b] es la nica raz de f (x) = 0 all localizada. Se tiene f (a) f (b) < 0:
Sin prdida de generalidad podemos suponer que f (a) < 0 y f (b) > 0; y que f 0 (x) > 0; f 00 (x) > 0
272
8x 2 [a; b]; esto es, f es estrictamente creciente y convexa.
Figura 55
Sea x0 2 [a; b] y supongamos que f (x0 ) f 00 (x0 ) > 0. Como f 00 (x0 ) > 0, se sigue que f (x0 ) > 0 y par
todo nZ+ , xn > x
b y f (xn ) > 0. Probemos por induccin.
i) x0 > x
b: Puesto que f (b
x) = 0 y f es estrictamente creciente, se tiene
f (x0 )
con lo cual x0 > x

b:
f (b
x) = f (x0 ) > 0;
0. Probemos que xn+1 > x

b y f (xn+1 ) > 0: Como f 2 C 2 ([a; b]).
ii) Supongamos que xn > x

b para n
Por el desarrollo de Taylor, se tiene
0 = f (b
x) = f (xn ) + f 0 (xn ) (b
x
Puesto que f 00 (xn ) > 0, entonces

debemos tener
1 00
x
2! f (xn ) (b
xn ) +
1 00
f (xn ) (b
x
2!
xn )2 :
xn )2 > 0: Para que la igualdad precedente tenga lugar;
f (xn ) + f 0 (xn ) (b
x
xn ) < 0:
Adems, por hiptesis f 0 (xn ) > 0. Luego
y multiplicando por
f (xn )
+x
b
f 0 (xn )
1, obtenemos
xn < 0;
f (xn )
+ xn
f 0 (xn )
x
b > 0:
Entonces
xn+1 = T (xn ) = xn
xn+1
de donde xn+1
x
b = xn
f (xn )
f 0 (xn )
f (xn )
;
f 0 (xn )
x
b > 0;
x
b > 0 que implica xn+1 > x
b: Por ser f creciente, f (xn+1 )
f (b
x) = f (xn+1 ) > 0:
Mostremos que (xn ) converge a x

b: Para ello probemos que (xn ) es una sucesin decreciente y acotada.
f (x)
Como T (x) = x f 0 (x) x 2 [a; b], f 0 (x) > 0, resulta que T es derivable en [a; b] pus f 2 C 2 ([a; b]). Por
el teorema del valor medio, tenemos
T (xn )
T (b
x) = T 0 (tn ) (xn
x
b) con x
b < tn < xn :
Como xn > x
b, xn+1 > x
b y por denicin de (xn ), se tiene
T (xn )
T (b
x) = xn+1
x
b > 0;
273
luego
T 0 (xn ) (xn
Adems, f (xn ) > 0, f 0 (xn ) > 0,
f (xn )
f 0 (xn )
x
b) > 0 ) T 0 (xn ) > 0 ya que xn > x
b:
> 0, y
f (xn )
f (xn )
) 0
= xn
0
f (xn )
f (xn )
T (xn ) = xn
T (xn ) > 0;
de donde
xn
xn+1 > 0 ) xn > xn+1 ;
pues xn+1 = T (xn ) :

As, (xn ) 2 c [a; b] y (xn ) decreciente. Luego (xn ) es convergente.
Para completar la prueba, mostremos que l m xn = x
b.
n!1
Como xn+1 < xn se sigue que xn+1
x
b < xn
0<
Pero
xn+1
x
b. Luego
xn+1 x
b
< 1:
xn x
b
x
b = T (xn ) T (b
x) = T 0 (tn ) (xn
xn+1 x
b
<1
0 < T 0 (xn ) =
xn x
b
x
b = T (xn )
x
b) ;
que prueba que T es contractiva.

Observaciones
1. De la condicin f (x0 ) f 00 (x0 ) > 0 resulta que f (x0 ) > 0 y f 00 (x0 ) > 0 o f (x0 ) < 0 y f 00 (x0 ) < 0:
i. Si f (x0 ) y f 00 (x0 ) > 0, f es convexa. Por hiptesis del teorema 6, f 0 (x) 6= 0 8x 2 [a; b], f 0
mantiene el mismo signo en [a; b] dando como resultado que f es estarictamente decreciente en
[a; b] o f es estrictamente creciente en [a; b]. En las dos guras que se muestran a continuacin
se presentan estas dos situaciones
Figura 56
274
Figura 57
ii. Si f (x0 ) < 0 y f 00 (x0 ) < 0. Resulta que f es cncava, estrictamente creciente o estrictamente
decreciente.
Figura 58
Figura 59
2. Si f (x0 ) f 00 (x0 ) < 0 entonces f (x0 ) > 0 y f 00 (x0 ) < 0 o f (x0 ) < 0 y f 00 (x0 ) > 0:
Supongamos f (x0 ) > 0 y f 00 (x0 ) < 0. Entonces f es convexa. Puede suceder que x1 = T (x0 ) 2
=
275
[a; b] :
Figura 60
Figura 61
Teorema 8 Supongamos que f 2 C 2 ([a; b]) y x

b 2 [a; b] la nica raz de la ecuacin f (x) = 0 all
localizada. Si f 0 (b
x) 6= 0, existe r > 0 tal que la sucesin (xn ) generada por el mtodo de Newton
converge a x
b para todo x0 2 [b
x r; x
b + r] aproximacin inicial de x
b:
f (x)
f 0 (x)
Demostracin. Mostremos que la funcin de iteracin T (x) = x

[b
x r; x
b + r] para algn r > 0 y constante 0 < k < 1.
x 2 [a; b] es lipschisiana en
Por hiptesis f 2 C 2 ([a; b]) entonces f 0 es continua en [a; b] : Adems f 0 (b

x) 6= 0. Existe
0
f (x) 6= 0 para x 2 [b
x
;x
b + ] [a; b]. Denimos
T (x) = x
f (x)
f 0 (x)
x 2 [b
x
;x
b+ ]:
Como f y f 0 son continuas en [a; b], entonces T es continua en [b

x
T 0 (x) = 1
Resulta T 2 C 1 ([b
x
> 0 tal que
f (x) f 00 (x)
[f 0 (x)]2 f (x) f 00 (x)
=
(f 0 (x))2
(f 0 (x))2
;x
b + ]. Por otra parte,
8x 2 [b
x
;x
b + ]) : Puesto que f (b
x) = 0 entonces T 0 (x) =
;x
b+ ]:
f (b
x) f 00 (b
x)
= 0. Luego
2
(f 0 (b
x))
l m T 0 (x) = T 0 (x) = 0:
x!b
x
Sea " > 0, existe r > 0 tal que 8x 2 [b

x
para 0 < " < 1, existe r > 0 tal que r <
;x
b + ] con jx
y
T 0 (x) < " < 1 8x 2 [b

x
y por el teorema del valor medio
T (x)
T (b
x) = T 0 (t) (x
x
bj < r ) jT 0 (x)
r; x
b + r] ;
x
b) con t entre x y x
b:
T 0 (b
x)j < ": En particular
276
Entonces
jT (x)
T (b
x)j = jT (x)
Luego
x
bj < r , x
b
jT (x)
x
bj = T 0 (t) jx
x
bj < " jx
x
bj
r < T (x) < x

b + r 8x 2 [b
x
"r < r:
r; x
b + r] :
jT 0 (x)j
Resulta que la imagen directa T ([b

x r; x
b + r]) = [b
x r; x
b + r] y
" < 1 8x 2 [b
x
muesta que T es contractiva. Por el teorema de Banach del punto jo, para todo x0 2 [b
x
sucesin (xn ) con xn+1 = T (xn ) n = 0; 1; : : : converge a x
b:
Ejemplos
1. Sean a > 0, n 2 Z+ . Calculemos
p
n
a:
Sea f de [0; 1[ en R la funcin denida por f (x) = xn

i) Si 0 < a < 1 entonces f (0) = a < 0, f (1) = 1
x
b 2 [0; 1] tal que f (b
x) = 0, esto es,
Adems, f 0 (x) = nxn
1,
r; x
b + r] que
r; x
b + r], la
f (b
x) = 0 , x
bn
1) xn
f 00 (x) = n (n
2.
a x 2 [0; 1[ :
a > 0. Por el teorema de Bolzano, existe
a=0)x
b=
p
n
a:
Se tiene
f 0 (x) > 0, f 00 (x) > 0 8x 2 ]0; 1[ :

La funcin de iteracin del mtodo de Newton est denida por
T (x) = x
f (x)
=x
f 0 (x)
xn a
nxn xn + a
1h
=
=
(1
nxn 1
nxn 1
n
n) x +
a i
xn
x 2 [0; 1] :
Sea x0 = 1, x0 es el extremo de Fourier, pues f (x0 ) f 00 (x0 ) > 0: La sucesin (xm ) generada por la
1
funcin de iteracin T es convergente a a n :
ii) Si a = 1. Se tiene x
b = 1:
iii) Si a > 1, entonces f (1) = 1 a < 0, f (a) = an a > 0. Por el teorema de Bolzano, existe
x
b 2 [1; a] tal que f (b
x) = 0. La funcin de iteracin est denida por
1h
a i
T (x) =
(n 1) x + n 1
x 2 [1; a] :
n
x
Para valores de a > 1 sucientemente grandes, resulta difcil elegir x0 2 [1; a] de modo que la
sucesin (xm ) generada por la funcin de iteracin T converja rpidamente.
Sean a > 1 y j 2 Z+ el mas pequeo entero tal que 10 nj a < 1: Ponemos b = 10 nj a y denimos
1
1
1
g (t) = tn b. Por i). existe b
t 2 [0; 1] tal que g b
t = 0 , b
t = b n = 10 nj a n = 10 j a n
1
de donde a n = 10j b
t. En estas condiciones, con t0 = 1, la sucesin (tm ) denida por tm+1 =
1
b
1
1) tm + n 1
t:
m = 0; 1; : : : converge a b
t y en consecuencia a n = 10j l m tm = 10j b
n (n
m!1
tm
Nota: Un hecho importante del anlisis matemtico es probar que todo nmero real es lmite de
una sucesin de nmeros racionales. Para a 2 Q+ que no sea potencia n-sima de c 2 Q+ , la funcin
de iteracin
h
a i
T (x) = n1 (n 1) x + n 1 x > 0 proporciona una forma de construir sucesiones de nmeros
x
1
racionales que convergen a a n 2
= Q+ . As por ejemplo
i. Para a = 2; n = 2; x0 = 2 y xm+1 =
1
2
ii. Para a = 2; n = 5; x0 = 3 y xm+1 =

iii. Para a = 5; n = 3; x0 = 3 y xm+1 =
xm +
1
5
1
3
2
xm
. La sucesin (xm ) converge a
p
2
, (xm ) converge a 5 2 2
= Q+ :
4
xm
p
5
2xm + 2 , (xm ) converge a 3 5 2
= Q+ :
xm
4xm +
22
= Q+ :

2. Encontrar las races de la ecuacin e
Ponemos f (x) = e
x
4
(2
x)
x
4
(2
277
x)
1 = 0:
1. Entonces
f (x) = 0 , e
x
4
(2
x)
1=0,e
x
4
1
2
x 6= 0:
El mtodo grco muestra que la ecuacin f (x) = 0 tiene nica raz localizada en el intervalo [0; 1] ;
como se puede observar en la gura siguiente.
Figura 62
Puesto que
f (x) = e
f 0 (x) =
x
4
(2 x) 1;
1 x
e 4 (6 x) ;
4
x
1
e 4 (10 x) :
16
00
Sea x0 = 0. Entonces f (0) f (0) > 0 con lo cual x0 es el extremo de Fourier. La funcin de
iteracin del mtodo de Newton est dada por
f 00 (x) =
T (x) = x
4 2 x e
f (x)
=
x
+
f 0 (x)
6 x
x
4
x 2 [0; 1] :
Luego, el esquema numrico es xn+1 = T (xn ) n = 0; 1; : : : : En la tabla siguiente se muestran los

resultados de la aplicacin del mtodo de Newton:
n
0
1
2
3
4
5
xn
0
0;666667
0;780646
0;783594
0;783596
0;783596
Sea x0 = 1. Se tiene f (1) f 00 (1) < 0; x0 no es el extremo de Fourier, sin embargo el mtodo converge.
A continuacin se muestran los resultados de la aplicacin del mtodo de Newton:
n
0
1
2
3
4
xn
1
0;772779
0;783570
0;783596
0;783596
278

Si equivocadamente se elige el punto x0 = 8 2
= [0; 1], se tiene T (x0 ) = 34;778; T (x1 ) = 869;153,
T (x2 ) = 1;079 1032 , T (x3 ) overow. As (xn ) diverge.
3. Hallar las races de la ecuacin ex (x 2;4055) + 3 = 0. Como en los ejemplos anteriores denimos
la funcin real f como sigue: f (x) = ex (x 2;4055) + 3. Entonces f 0 (x) = ex (x 1;4055) ;
f 00 (x) = ex (x 0;4055) : El estudio de la funcin f muestra que la ecuacin f (x) = 0 tiene dos
races ubicadas en los intervalos [0; 1] y [1; 3] como se puede observar en la gura que se muestra a
continuacin.
Figura 63
Adems,f es convexa si x > 0;4055, cncava si x < 0;4055:
La funcin de iteracin del mtodo de Newton est denida por
f (x)
ex (x 2;4055) + 3
=
x
f 0 (x)
ex (x 1;4055)
2;4055 + x ( 2;4055 + x) 3e x
x 6= 1;4055:
x 1;4055
(x) = x
=
Calculemos los valores aproximados de las races x

b1 ; x
b2 de la ecuacin f (x) = 0. Para ello vamos
a elegir un punto x0 que sea, en unos casos, el extremo de Fourier, y en otros que no lo sea.
i. Sea x0 = 0. Entonces f (0) f 00 (0) < 0. El punto x0 no es el extremo de Fourier, sin embargo el
mtodo converge. A continuacin se muestran los resultados del mtodo de Newton:
n
0
1
2
3
4
5
xn
0
0;422981
0;405428
0;405430
0;405430
0;405430:
Valor aproximado de x
b1 : 0;405430 (precisin " = 10
ii. Sea x0 = 1;3. Se tiene f (1;3) f 00 (1;3) < 0

resultados son los siguientes.
n
0
1
2
3
4
6 ).
con lo cual x0 no es el extremo de Fourier. Los

xn
1;3
1;428954
1;636376
2;437981
2;152753:
b2 con una precisin " = 10
: 2;152753:

Si en i) se elige x0 =
sino a x
b2 :
279
2 para aproximar x
b1 , la sucesin (xn ) no converge a x
b1
1;5 o x0 =
iii. Sea x0 = 1;4. Se tiene f (x0 ) f 00 (x0 ) < 0. Con este punto inicial la sucesin (xn ) es divergente.
n
0
1
2
3
Situacin anloga si se toma x0 =
xn
1;4
46;911
1;4659 1019
Overf low:
1;3:
iv. Para x0 = 2;4, f (x0 ) f 00 (x0 ) > 0, o sea x0 es el extremo de Fourier. Se tiene
n
0
1
2
3
4
5
Para " = 10
5.4.4.
xn
2;4
2;131871
2;018683
1;999645
1;999148
1;999148:
el valor aproximado de x
b3 es 1;999148:
Mtodo de Newton modicado
El mtodo de Newton-Raphson requiere que en cada paso se evale f 0 (x) que en muchos casos puede
resultar laborioso.
Sea x0 un punto inicial para el que f 0 (x) 6= 0 y sea
(x) = x
1
f 0 (x0 )
: La funcin de iteracin
denida por
f (x) se denomina mtodo de Newton modicado.
Hemos supuesto que una funcin f tiene un cero x

b separado en [a; b] y que f 0 existe en [a; b] : La sucesin
(xn ) generada por el mtodo de Newton modicado esta denida por
xn+1 = (xn ) = xn
f (xn ) n = 0; 1; : : :
Si x0 es el extremo de Fourier, la sucesin (xn ) generada por xn+1 =
sola raz x
b de f (x) = 0:
(xn )
n = 0; 1; : : :, converge a la
Ejemplo
Hallar las races reales de la ecuacin x3 sin(x)

f (x) = x3 sin(x) 1 = 0 x 2 [0; ]. Entonces
f (x) = 0 , x3 sin x
1 = 0 en el intervalo [0; ] : Para el efecto, sea
1 = 0 , sin x =
1
x 6= 0
x3
El mtodo grco muestra dos races de f (x) = 0 ubicadas en los intervalos 1;
y [3; ] :
280
Figura 64
Note que f (1) =
1;158; f
= 1;8757; f (3) = 1;81; f ( ) =
1: Adems,
f 0 (x) = x2 (3 sin x + x cos x) ;

f 00 (x) = x
Sea x0 =
x2 sin x + 6x cos x
' 1;5708. Entonces f (x0 ) f 00 (x0 ) > 0, x0 es el extremo de Fourier. Ponemos

=
La funcin de iteracin
tiene
1
' 0;1351:
7;4022
f 0 (x0 )
del mtodo de Newton modicado est dada por

x0 = 2 ;
(xn ) n = 0; 1;
xn+1 =
Para el clculo de la segunda raz elegimos x0 = . Entonces f 0 ( ) =

1
0;1351f (x) : Se
En 18 iteraciones se logra x
b1 = 1;278283055:
=
(x) = x
3;
resulta
' 0;03225;
3
)
(x) = x + 0;03225f (x) :
f0 (
Par n = 10 se tiene x
b2 = 3;072589665:
5.4.5.
Mtodo de las secantes
Sea f 2 C ([a; b]) tal que f (a) f (b) < 0. Por el teorema de Bolzano, existe x
x) = 0.
Supongamos que x
b es la nica raz all localizada. Para evitar el problema de la evaluacin de la derivada
en el mtodo de Newton, podemos obtener una variable de ste. Por denicin
f 0 (xn
1)
Con esta aproximacin de la derivada f 0 (xn

xn = xn
lm
x!xn
1 ),
f (xn 1 )
xn 1
f (xn
xn 2
el mtodo de Newton se expresa en la siguiente forma:

1
2)
f (xn 1 ) f (xn
xn 1 xn 2
2)
f (xn
1)

o bien
xn = xn
xn 1
f (xn 1 )
281
xn 2
f (xn
2)
f (xn
1)
n = 2; 3; : : :
(*)
La aproximacin de la raz x
b de la ecuacin f (x) = 0 utilizando la frmula (*) se llama mtodo de las
secantes.
Interpretacin geomtrica
Sean x0 ; x1 2 [a; b] tales que f (x0 ) f (x1 ) < 0. La ecuacin de la recta que pasa por los puntos (x0 ; f (x0 )),
(x1 ; f (x1 )) viene dada por
L1 (x)
f (x1 ) =
f (x1 )
x1
Luego,
L1 (x) = 0 , x = x1
f (x0 )
(x
x0
x1
f (x1 )
x1 ) :
x0
f (x1 ) :
f (x0 )
Sea x2 = x. La ecuacin de la recta que pasa por (x1 ; f (x1 )), (x2 ; f (x2 )) est denida por
L1 (x)
f (x2 ) =
f (x2 )
x2
f (x1 )
(x
x1
L2 (x) = 0 , x = x2
x2 ) ;
x2
f (x2 )
x1
f (x2 ) :
f (x1 )
Sea x3 = x. Continuando con este procedimiento, obtenemos

xn+1 = xn
xn xn 1
f (xn )
f (xn ) f (xn 1 )
n = 1; 2;
En la grca siguiente se muestra el procedimiento previamente descrito.
Figura 65
Ejemplo
Hallar la raz positiva de la ecuacin esin(x)
Sea f (x) = esin(x)
2
.
1+x2
2
1+x2
= 0:
Entonces
f 0 (c) = esin(x) cos(x) +
4x
(1 + x2 )2
282
Este es un ejemplo de una funcin f cuyo estudio de f conduce a resolver las inecuaciones f 0 (x) > 0;
f 0 (x) < 0 y a la ecuacin f 0 (x) = 0 ms complicadas que la ecuacin f (x) = 0: Puesto que
2
2
= 0 , esin(x) =
:
1 + x2
1 + x2
f (x) = 0 , esin(x)
Sean '1 (x) = esin(x) , '2 (x) =
de '1 y '2 :
2
:
1+x2
En la gura que se muestra a continuacin se exhiben las grcas
Figura 66
La bsqueda del cambio de signo con un paso h = 0;2 en el intervalo [0; 1[ muestra que f (x) = 0 tiene
una sola raz en [0; 1[ ubicada en el intervalo [0;4; 0;6] :
x
f (x)
0
1
0;2
0;7
0;4
0;25
0;6
0;29
Ponemos x0 = 0;4; x1 = 0;6, y0 = f (0;4) = 0;24802; y1 = f (0;6) = 0;28823: En la tabla siguiente se

muestran los resultados de la aplicacin del mtodo de las secantes:
n
0
1
2
3
4
5
xn
0;4
0;6
0;49250
0;49435
0;49438
0;49438:
5
: 0;49438:
Algoritmo
Datos de entrada: aproximaciones iniciales x0 ; x1 2 [a; b], " = 10 t , Nmax nmero mximo de iteraciones,
funcin f .
Datos de salida: x
b, n nmero de iteraciones.
1. y0 = f (x0 ) :
2. y1 = f (x1 ) :
3. n = 2; : : : ; Nmax :
4. x = x1
5. Si jx
x1
y1
x0
y0 :
y0
x1 j < ", continuar en 7).
283
6. x0 = x1 :
y0 = y 1 :
x1 = x:
y1 = f (x) :
7. Si n < Nmax , imprimir x; n. Continuar en 9).
8. Si n = Nmax , imprmir x; f (x) :
9. Fin.
5.4.6.
Mtodo regula-falsi
Sean I

hallar x
b 2 I, si existe tal que f (b
x) = 0:
Supongamos que (P) tiene solucin y que mediante la aplicacin del algoritmo de bsqueda del cambio
de signo se ha separado una nica raz x
b 2 [a; b] I: El mtodo de las secantes no puede ser escrito en
la forma
xn+1 = ' (xn ) , n = 0; 1; : : : ;
donde ' es una funcin de iteracin sobre [a; b] :
El mtodo regula-falsi es una combinacin del mtodo de las secantes y un anlogo al mtodo de biseccin.
Se le conoce tambin como mtodo de las cuerdas o de la falsa posicin. Sean an ; xn 2 [a; b] tales que
f (xn ) f (an ) < 0 n = 0; 1; : : :, donde an ; xn son determinados en cada paso de modo que solo en uno de
los intervalos [xn ; an ] o [an ; xn ] est localizada la nica raz x
b de f (x) = 0:
Para denir an+1 ; xn+1 consideramos la ecuacin de la recta que pasa por los puntos (xn ; f (xn )) y
(an; f (an )) :
f (xn ) f (an )
L (x) = f (xn ) +
(x xn ) :
xn an
Luego
xn an
f (xn ) :
L (x) = 0 () x = xn
f (xn ) f (an )
Sea un = x: Puesto que f (xn ) f (an ) < 0 entonces f (xn ) f (an ) 6= 0 con lo cual
xn an
un =
f (xn ) ;
f (xn ) f (an )
esta bien denido. Se tiene an < un < xn o xn < un < an . En las guras que se muestran a continuacin
se presentan estos dos casos.
Figura 67
284
Figura 68
Supongamos que se tenga an < un < xn : se tienen las tres situaciones siguientes.
i) Si f (un ) = 0 entonces x
b = un es la raz buscada y el procedimiento concluye.
ii) Si f (un ) f (xn ) < 0 entonces an+1 = un ; xn+1 = xn :
iii) Si f (un ) f (xn ) > 0 entonces an+1 = an ; xn+1 = un :

El procedimiento que acabamos de describir tampoco puede expresarse en la forma:
xn+1 = ' (xn ) n = 0; 1; : : : ;
donde ' es una funcin de iteracin denida en [a; b]. Sin embargo, si x0 2 [a; b] es el extremo de Fourier,
esto es, supuesto que f 00 (x0 ) existe, f (x0 ) f 00 (x0 ) > 0; se dene
' (x) = x
x
f (x)
x0
f (x)
f (x0 )
x 2 [a; b] con f (x) f (x0 ) < 0;
con lo cual ' es una funcin de iteracin denida en un subconjunto E de [a; b] en el que puede hacerse
' una aplicacin contractiva, resultando que la sucesin (xn ) generada por
x0 2 [a; b] extremo de Fourier,
xn+1 = ' (xn ) n = 1; 2; : : : ;
con x1 2 [a; b] tal que f (x1 ) f (x0 ) < 0, converge a x
b raz de f (x) = 0:
Note que si x0 es el extremo de Fourier, se tiene f (x0 ) f 00 (x0 ) > 0: En el primer caso se tiene que f es
convexa y en el segundo f es cncava.
Supongamos que x0 < x1 (f (x0 ) f (x1 ) < 0) : Si f es convexa se tiene f (u1 ) < 0; luego x
b 2 [x0 ; u1 ] y
a2 = x0 ; x2 = u1 :
Si f es cncava, se tiene f (u1 ) > 0; luego x
b 2 [x0 ; u1 ] y a2 = x0 ; x2 = u1 :
En la gura de la izquierda se muestra el primer caso (f es convexa) y en la de la derecha se muestra el
285
caso en que f es cncava.
Figura 69
Figura 70
Algoritmo
Datos de Entrada: a; b extremos del intervalo [a; b] ; precisin " > 0; funcin f , nmero mximo de
iteraciones Nmax :
Datos de Salida: n nmero de iteraciones, x
e aproximacin de x
b; f (e
x) :
1. x0 = a:
2.. x1 = b:
3. Para n = 2; : : : ; Nmax :
4. u = x1
5. ju
x1
f (x1 )
x0
f (x1 ) == f (x0 ) f (x1 ) < 0:
f (x0 )
x1 j < " continuar en 9).
6. f (u) = 0 continuar en 9).

7. f (x0 ) f (u) < 0 entonces x1 = u: Continuar en 4).
8. f (x0 ) f (u) > 0 entonces x0 = u; x1 = b: Continuar en 4).
286
9. Si n < Nmax ; x
e = u: Continuar en 11).
10. b
x = u en n iteraciones. Continuar en 11).
11. Fin.
Ejemplos
1. Hallar las races reales de la ecuacin x3
3x2 + 2x
6 = 0:
Sea f (x) = x3 3x2 + 2x 6 = 0: Con un paso h = 0;5; el algoritmo de bsqueda de cambio de

signo, muestra que la ecuacin f (x) = 0 tiene una sola raz localizada en el intervalo [2;5; 3;5] :
Sean x0 = 2; 5; x1 = 3; 5: Entonces f (2;5) = 4;125; f (3;5) = 7;125: Los resultados de la aplicacin
del algoritmo precedente se muestran en la tabla siguiente:
n
2
3
4
5
6
7
8
9
xn
2;86667
3;09889
2;99272
2;99962
3;00607
2;99999
2;99999
3;0:
2. Encontrar las dos mas pequeas races positivas de la ecuacin x2 jsin(x)j
4 = 0:
Ponemos f (x) = x2 jsin(x)j 4 = 0 x 2 [0; 1[ : Para h = 0;2, el algoritmo de bsqueda de cambio

de signo muestra la existencia de una raz localizada en el intervalo [3;2; 3;6] y otra en [6;2; 6;4].
En la tabla de la izquierda se muestran los resultados de la aproximacin de x
b1 2 [3;2; 3;6] y a la
derecha, de x
b2 2 [6;2; 6;4] :
x0 = 3;4; x1 = 3;5
n
2
3
4
5
6
7
8
5.5.
xn
3;47522
3;52215
3;47846
3;47851
3;47856
3;47851
3;47851
x0 = 6;2; x1 = 6;4
xn
n
2 6;30204
3 6;35202
4 6;37650
5 6;38849
6 6;38155
7 6;38156
8 6;38157
9 6;38156
Convergencia. Convergencia acelerada
En esta seccin estudiamos el orden de convergencia de los mtodos que hemos tratado previamente,
es decir que determinaremos la rapidez con la que la sucesin (xn ) generada por el mtodo numrico
utilizado converge a la raz x
b de la ecuacin f (x) = 0.
Sea I
R, I 6= ;, f una funcin real denida en I. Suponemos que existe una nica raz x
b 2 [a; b]
de f (x) = 0:
5.5. CONVERGENCIA. CONVERGENCIA ACELERADA
287
Denicin 6 Sea (xn ) una sucesin que converge a x

b raz de la ecuacin f (x) = 0:
i. Ponemos %n = xn
x
b n = 0; 1; : : : ; %n se llama error de la n-sima iteracin.
%n+1
b de orden
p = c; entonces (xn ) se dice convergente a x
n!1 j%n j
p, con un error asimpttico constante c:
ii. Si existen p > 0; c > 0 tales que l m
iii. Un mtodo numrico se dice convergente de orden p si la sucesin (xn ) generada por tal mtodo
converge a la raz x
b es de orden p:
Para p = 1; (xn ) se dice convergente a x

b de orden 1 o que el mtodo converge linealmente. Para p = 2;
(xn ) se dice convergente a x
b de orden 2 o que el mtodo converge cuadrticamente.
Supongamos que la sucesin (xn ) es generada por una funcin de iteracin ' 2 C p+1 ([a; b]) para p 2 Z+ ,
esto es, (xn ) est generada por el siguiente esquema numrico:
xn+1 = ' (xn ) n = 0; 1; : : : :
Para determinar el orden de convergencia podemos utilizar el polinomio de Taylor con resto entorno a la
raz x
b 2 [a; b] :
Sea xn 2 [a; b] n = 0; 1; : : : Supongamos que '(k) (b
x) = 0 para k = 1; 2; : : : ; p
Entonces
p
X
'(k) (b
x)
' (xn ) =
(xn x
b)k + Ep (xn ; x
b) ;
k!
1 pero '(p) (b
x) 6= 0:
k=0
con Ep (xn ; x
b) ! 0:
n!1
Puesto que ' (b

x) = x
b; ' (xn ) = xn+1
n = 0; 1; : : : ; y '(k) (b
x) = 0 para k = 1; : : : ; p
xn+1 = ' (b
x) +
de donde
'(p) (b
x)
(xn
p!
1; se tiene
x
b)p + Ep (xn ; x
b) ;
xn+1 x
b
'(p) (b
x)
1
=
+
Ep (xn ; x
b) :
p
(xn x
b)
p!
(xn x
b)p
De la formula integral del error Ep (xn ; x

b) y de la forma de Lagrange del resto, se tiene
Z xn
1
1
Ep (xn ; x
b) =
(xn t)p '(p+1) (t) dt =
'(p+1) (cn ) (xn x
b)p+1 ;
p! xb
(p + 1)!
para cn en el intervalo cerrado que une xn con x
b; l m cn = x
b: Resulta que
n!1
%n+1
'(p) (b
x)
xn x
b (p+1)
=
+
'
(cn ) :
p
p!
(p + 1)!
%n
Tomando en cuenta que l m xn = x

b y de la continuidad de '(p+1) ; se sigue que
n!1
%n+1
'(p) (b
x)
1
=
+
l m (xn
p
n!1 %n
p!
(p + 1)! n!1
lm
x
b) '(p+1)
l m cn =
n!1
'(p) (b
x)
:
p!
As, si ' 2 C p+1 ([a; b]) ; la sucesin (xn ) generada por ' convergente a x
b es de orden p:
Si ' 2 C p ([a; b]) y si se supone que Ep (x; x

b) = 0 jx
x
bjp+1 ; esto es, Ep (x; x
b) ! 0; se tiene
%n+1
'(p) (b
x)
=
+ 0 (jxn
p
p!
%n
x!b
x
x
bj) ;
288
con lo cual
%n+1
'(p) (b
x)
:
p =
n!1 %n
p!
lm
Nota: Existen muchas sucesiones (xn ) que son generadas por esquemas numricos que no se expresan
mediante funciones de iteracin ': Un ejemplo de esta clase de sucesiones son las que provienen del
mtodo de las secantes.
A continuacin estudiamos el orden de convergencia de los mtodos numricos que hemos tratado.
1. Mtodo del punto jo
En este mtodo y en los que siguen, suponemos que x
b 2 [a; b] es la nica raz de la ecuacin
f (x) = 0:
Supngase que ' 2 C 1 ([a; b]) y (xn ) la sucesin denida por
k < 1 tal que j'0 (x)j
Supongamos adems que existe k; 0
x
b = ' (xn )
%n+1 = xn+1
con cn entre xn y x
b. Luego

xn+1 = ' (xn ) n = 0; 1; : : : :
k 8x 2 [a; b] : Entonces
' (b
x) = '0 (cn ) (xn
x
b) = '0 (cn ) %n ;
%n+1
= '0 (cn ) :
%n
Como ' (xn ) ! ' (b

x) = x
b, se tiene l m '0 (cn ) = '0 (b
x). Resulta
n!1
lm
n!1
%n+1
= l m '0 (cn ) = '0 (b
x) :
n!1
%n
Si '0 (b
x) 6= 0, el mtodo de punto jo converge linealmente.
Si '0 (b
x) = 0, se puede tener un orden de convergencia ms elevado. As, si ' 2 C 2 ([a; b]) tal que
'00 (b
x) 6= 0, entonces
' (x) = ' (b
x) + '0 (b
x) (x
con cx entre x y x
b.
x
b) +
1 00
' (cx ) (x
2!
Para x = xn , se tiene ' (xn ) = xn+1 , ' (b

x) = x
b, '0 (b
x) = 0, luego
xn+1 = x
b + '0 (b
x) (xn
%n+1
%n
1 00
' (cn ) ;
2!
con lo cual
x
b) +
x
b)2
1 00
' (cn ) (xn
2!
x 2 [a; b] ;
x
b)2 ;
%n+1
1
= '00 (b
x) :
n!1 %n
2!
lm
En este caso el mtodo numrico converge cuadrticamente.

2. Mtodo de punto jo modicado
En este mtodo la funcin de iteracin ' est denida por ' (x) = x mf
b (x)
f 2 C ([a; b]) ; donde m
b est denido por
(
1
, si f (x)x fy (y) < 0 8x; y 2 [a; b] ; x 6= y;
m
b =
1
, si f (x)x yf (y) 8x; y 2 [a; b] ; x 6= y;
=
Sup
x;y2[a;b]
x6=y
f (x)
x
f (y)
:
y
x 2 [a; b] con
289
' es contractiva, y el esquema numrico est dado por

xn+1 = ' (xn ) n = 0; 1; : : :
Se tiene
xn+1
x
b = ' (xn )
m
b [f (xn )
%n+1 = %n
mf
b (xn )
' (b
x) = xn
f (b
x)]
(b
x
n = 1; 2; : : :
Supongamos xn 6= x
b n = 0; 1; : : :, entonces
%n+1
%n
%n+1
%n
donde 0 <
Inf
x;y2[a;b]
x6=y
= 1
=
f (x) f (y)
x y
mf
b (b
x)) = xn
f (xn ) f (b
x)
f (xn )
=1 m
b
%n
xn
f (xn ) f (b
x)
1
< 1;
m
b
xn x
b
m
b
x
b
m
b (f (xn )
f (b
x)) ;
f (b
x)
x
b
: En consecuencia,
lm
n!1
%n+1
=1
%n
con lo cual el mtodo de punto jo modicado es de orden 1, o sea la sucesin (xn ) converge a x
b
linealmente.
3. Mtodo de Newton-Raphson
Supongamos que f 2 C 3 ([a; b]). La funcin de iteracin del mtodo de Newton-Raphson est dada
por
f (x)
; f 0 (x) 6= 0 x 2 [a; b] :
' (x) = x
f 0 (x)
Entonces
(f 0 (x))2 f (x) f 00 (x)
f (x) f 00 (x)
'0 (x) = 1
=
x 2 [a; b] :
[f 0 (x)]2
[f 0 (x)]2
Para x = x
b, se tiene f (b
x) = 0 y
'0 (b
x) =
f (b
x) f 00 (b
x)
= 0:
2
[f 0 (b
x)]
Calculemos la derivada segunda de ' (esta existe ya que f 2 C 3 ), obtenemos

'00 (x) =
Para x = x
b, resulta
'00 (b
x) =
Luego,
f (x) f 0 (x) f 000 (x) + [f 0 (x)]2 f 00 (x)

[f 0 (x)]4
f (b
x) f 0 (b
x) f 000 (b
x) + [f 0 (b
x)]2 f 00 (b
x)
4
0
[f (b
x)]
%n+1
f 00 (b
x)
=
;
0
n!1 %n
[f (b
x)]2
lm
2f (x) [f 00 (x)]2
2f (b
x) [f 00 (b
x)]2
f 0 (b
x) 6= 0;
x 2 [a; b] :
f 00 (b
x)
6= 0:
0
[f (b
x)]2
f 00 (b
x) 6= 0:
El mtodo de Newton es de segundo orden.

Si f 2 C 2 ([a; b]) y f 00 (b
x) 6= 0, se prueba que
%n+1 = xn+1
con cn entre xn y x
b. Resulta
x
b=
1 f 00 (cn )
(xn
2 f 0 (xn )
%n+1
1 f 00 (cn )
=
;
%2n
2 f 0 (xn )
x
b)2 =
1 f 00 (cn ) 2
% ;
2 f 0 (cn ) n
n = 1; 2; : : :
290
4. Mtodo de la secantes
Sean f 2 C 2 ([a; b]) ; x0 ; x1 2 [a; b] tales que f (x0 ) f (x1 ) < 0. En el mtodo de las secantes se
construye una sucesin (xn ) denida por
xn
f (xn )
xn+1 = xn
xn 1
f (xn
1)
f (xn )
Supongamos que para todo n; xn 6= x

b. Entonces
xn+1
Denimos
x
b = xn
xn
f (xn )
x
b
xn 1
f (xn
f (xn )
xn
L (x) = f (xn ) +
Se tiene, L (xn ) = f (xn ) y L (xn
1)
1)
f (xn ) = (xn
= f (xn
f (xn
xn 1
1)
n = 2; 3; : : :
xn
f (xn )
xn x
b f (xn )
x
b) 1
(x
xn 1
f (xn
1)
(1)
xn ) x 2 [a; b] :
1 ),
es decir que L es un interpolante de f . Luego,

h i
f (x) = L (x) + " (x) x 2 e
a; eb ;
con e
a = m nfxn 1 ; xn g, eb = maxfxn 1 ; xn g y " (x) el error de interpolacin en x (error de
interpolacin polinomial de Lagrange). Para x = x
b, se tiene
Se prueba que " (x) =
1
2
(x
xn
f (x) = f (xn ) +
y para x = x
b, se tiene
0 = f (b
x) = f (xn ) +
de donde
Adems,
0 = f (b
x) = L (b
x) + " (b
x) :
h i
xn ) f 00 ( ) x 2 e
a; eb
1 ) (x
f (xn )
xn
f (xn )
xn
xn x
b f (xn )
1.
1)
(x
f (xn ) f (xn 1 )
(b
x
xn xn 1
xn 1
f (xn
f (xn )
con tn entre xn y xn
f (xn
xn 1
1=
1)
f (xn
1)
xn ) +
xn ) +
h i
2 e
a; eb . As,
1
(x
2
1
(b
x
2
1
xn
2 f (xn )
xn
xn
xn 1
f (xn
= f 0 (tn ) (xn
xn
1) f
x
1 ) (b
1)
x
b=
consecuentemente
1
(xn
2
%n+1 =
x
b) (xn
1
% %
2 n n
x
b)
1) ;
f 00 ( )
;
f 0 (tn )
f 00 ( )
:
f 0 (tn )
Por hiptesis f 2 C 2 ([a; b]), entonces

0<
f 00 ( )
1 f 00 ( xb)
1
=
lm
2 n!1 f 0 (tn )
2 f 0 (b
x)
c;
se sigue que
%n+1
c j%n j %n
Sea En = c j%n j. Multplicando por c en la desigualdad precedente, resulta

En+1
En En
n = 2; 3; : : :
( );
xn ) f 00 ( ) ;
f 00 ( ) :
Luego
xn+1
00
(2)
291
Supongamos que
E0
E1
con 0 <
E1 E0
E2 E1
E3 E2
E5
E4 E3
..
.
Ek
ak
E2
E3
E4
< 1. Luego
;
3
donde (ak ) es la sucesin de Fibonacci denida por

a0 = a1 = 1;
ak+1 = ak + ak
1:
(3)
La ecuacin (3) es una ecuacin en diferencias homognea de segundo orden,

ak+1
cuya ecuacin caracterstica es
ak
c1
p1
5
2
c1
+ c2
k 1
1
k = 1; 2; : : :
+ c2
k 1
2
2;
2
1
c1
+ c2
c2
p k
1+ 5
2
ak
Ek
y como j
1j
2 ; : : : :Como
2
p
5
p
2 5
p
p1
5
k
2
1
p
5
k
1
k
2
5
que es conocida como la frmula de Binet. Consecuentemente
(4)
c + c2 = p1;
+ c2 1+2 5 = 1;
p
1+ 5
c1 = p ;
2 5
ak = c1
=0
1 = 0 y cuya solucin es
p
p
5
1+ 5
1
;
:
=
2 =
2
2
Las soluciones de (4) son: c1 + c2 ;

c1 1 + c2 2 = a2 , se tiene
(
de donde
ak
< 1, se sigue que

1
p
5
de donde
Ek
k
1
k = 2; 3; : : :
1
p
5
k
2
k = 2; 3; : : :
Si
lm
n!1
%n+1
jxn+1 x
bj
= c;
p =c, lm
n!1
jxn x
bj
j%n jp
se sigue que para " > 0, e

c=c+" y
%n+1
En+1
con lo cual p =
p
1+ 5
2
' 1;618:
e
c j%n jp = e
c j%n j %n
e
cEnp = e
cEn En
El mtodo de las secantes es de orden p ' 1;618:
;
1
p
5
k
2
k
1
c1 + c2 = a1 y
292

El mtodo de las secantes es uno de los mtodos de interpolacin para calcular las races de
ecuaciones. En cada paso del mtodo de las secantes requiera la evaluacin adicional de la funcin
f . Dos pasos del mtodo de las secantes es algo ms costoso que un paso del mtodo de Newton.
Adems, dos pasos del mtodo de las secantes conducen a un mtodo de orden p ' 1;618 : : : que
hace que converja localmente mas rpidamente que el mtodo de Newton.
La ventaja de este mtodo radica en que no requiere del clculo de la derivada de la funcin f , pero
requiere, como se ha dicho, de una evaluacin adecional de la funcin f en cada paso.
5. Mtodo regula-falsi
Este mtodo es tambin uno de los mtodos de interpolacin para calcular las races de la ecuacin
f (x) = 0. En el siguiente teorema se considera una variante de este mtodo.
Teorema 9 Sean f 2 C 2 ([a; b]) y x
b 2 [a; b] la nica raz de la ecuacin f (x) = 0. Supongamos que
x1 < y tales que f (x1 ) ; f (y) > 0 y f 00 (x) 0 8x 2 [a; b]. Entonces
i. La sucesin (xn ) generada por la funcin de iteracin ' denida por
y
f (y)
' (x) = x
x
f (x)
f (x)
x 2 [x1 ; y[
converge a x
b:
ii. (xn ) converge linealmente.
Demostracin.
i. La ecuacin de la recta L que pasa por (x1 ; f (x1 )) ; (y; f (y)) esta dada por
L (x) = f (x1 ) +
f (y)
y
f (x1 )
(x
x1
x1 )
x 2 [x1 ; y] :
Se tiene L (x1 ) = f (x1 ) ; L (y) = f (y) con lo cual L es una interpolante de f , ms exactamente, tal como
en el caso del mtodo de las secantes, L es un caso particular de polinomio de interpolacin de Lagrange
(L es un polinomio de grado 1). De la frmula de interpolacin con error f (x) = L (x)+" (x) x 2 [x1 ; y] ;
con " (x) el error de interpolacin en el punto x, denimos
F (x) = f (x)
L (x) + k (x
x1 ) (x
y)
x 2 [x1 ; y] ;
donde k es una constante a determinarse por la condicin f (x) = 0 para x 2 [x1 ; y] :

Puesto queL (x1 ) = f (x1 ) ; L (y) = f (y), se sigue que F (x1 ) = F (y) = F (x) = 0, entonces F tiene
tres races en [x1 ; y]. Adems F es derivable, y
F 0 (x) = f 0 (x)
Por el teorema de Rolle, existen
1; 2
L0 (x) + k (2x
x1
2 [x1 ; y] tales que
y)
<
x 2 [x1 ; y] :
y
F 0 ( 1 ) = F 0 ( 2 ) = 0:
Por otro lado,
F 00 (x) = f 00 (x)
y como L00 (x) = 0, se tiene
L00 (x) + 2k
F 00 (x) = f 00 (x) + 2k
Nuevamente, por el teorema de Rolle, existe
2 [ 1;
2]
x 2 [x1 ; y]
x 2 [x1 ; y] :
tal que
F 00 ( ) = 0;
entonces
0 = F 00 ( ) = f 00 ( ) + 2k ) k =
f 00 ( )
:
2
293
Consecuentemente
F (x) = f (x)
1
(x
2
L (x)
y) f 00 ( )
x1 ) (x
x 2 [x1 ; y]
y para x = x 2 [x1 ; y] se tiene

0 = F (x) = f (x)
f (x)
Por hiptesis f 00 ( )
0;
x1
L (x)
1
(x
2
L (x) =
y)x
x1
1
(x
2
1
(x
2
x1 ) (x
0; x
y) f 00 ( ) :
0, entonces
y) f 00 ( )
x1 ) (x
y) f 00 ( ) ;
x) (x
0;
y de esta desigualdad se deduce que

f (x)
L (x)
0 , f (x)
L (x) :
En particular, si L (u1 ) = 0 (La recta L corta al eje X, vase la gura) entonces

u1 = x1
y
f (y)
x1
f (x1 )
f (x1 )
y por la desigualdad previa

f (u1 )
L (u1 ) = 0 ) f (u1 )
0:
Figura 71
Si f (u1 ) = 0, u1 es la raz x
b de la ecuacin f (x) = 0 y el proceso concluye. Supongamos f (u1 ) < 0.
Como por hiptesis f (y) > 0, f (u1 ) f (y) < 0, consecuentemente x
b 2 [u1 ; y]. Ponemos x2 = u1 :
El proceso anterior se repite con el intervalo [x2 ; y]. De este modo se construye una sucesin (xn ) creciente
y acotada por y. Luego (xn ) es convegente a b
c, eso es,
b
c = l m xn = Sup xn :
n!1
n2Z+
Por hiptesis f es continua en [a; b] y por construccin de (xn ), xn

n = 1; 2; : : :. Entonces
f (b
c) = f l m xn = l m f (xn ) 0:
n!1
n!1
b
c; n = 1; 2; : : :, f (xn ) < 0;
Si f (b
c) < 0 y como f (y) > 0; f (b
c) f (y) < 0 luego x
b 2 [b
c; y] con b
c<x
b. Existe u 2 ]b
c; y[ tal que f (u) 0
con lo que u es un trmino de la sucesin (xn ) y en consecuencia u b
c lo que constituye una contradiccin
con u 2 ]b
c; y[. As, f (b
c) = 0 o sea b
c=x
b la raz de f (x) = 0.
294
Observe que
xn+1 = ' (xn ) = xn
y
f (y)
xn
f (xn )
f (xn )
n = 1; 2; : : :
ii. Puesto que f 2 C 2 ([a; b]), entonces ' 2 C 2 ([a; b]). Tenemos
'0 (x) = 1
[f (y)
f (x)] [(y
x) f 0 (x) f (x)] + (y
[f (y) f (x)]2
x) f (x) f 0 (x)
Como f (b
x) = 0, se tiene
'0 (b
x) = 1
= 1
x
b) f 0 (b
x) f (b
x)] + (y
[f (y) f (b
x)]2
f (y) (y x
b) f 0 (b
x)
y x
b 0
=1
f (b
x) = 1
2
f (y)
[f (y)]
[f (y)
f (b
x)] [(y
Por el teorema del valor medio, existe

f (y)
x
b) f (b
x) f 0 (b
x)
y
f (y)
2 [b
x; y] tal que
f (b
x) = f 0 ( ) (y
luego
x
b) )
'0 (b
x) = 1
f (y)
y
f 0 (b
x)
:
0
f ( )
x
b
f 0 (b
x) :
f (b
x)
f (b
x)
= f0 ( ) ;
x
b
Puesto que f 00 (x) > 0, f 0 es creciente y f 0 > 0. Entonces f 0 (b

x) < f 0 ( ) de donde
o sea ' es contractiva en [x1 ; y]. Por lo tanto
f 0 (b
x)
f 0( )
< 1 y 0 < ' (b

x) < 1,
%n+1
xn+1 x
b
= lm
= '0 (b
x) :
n!1 xn
n!1 %n
x
b
lm
El mtodo regula-falsi converge linealmente.
Anlisis del error para mtodos iterativos

Hemos denido el orden de un mtodo iterativo con el nmero real p > 0 tal que
lm
n!1
%n+1
jxn+1 x
bj
= c > 0;
p = lm
n!1
j%n j
jxn x
bjp
o sea la sucesin (xn ) generada por el mtodo iterativo converge a x

b de orden p, con una constante de
error asimpttico c > 0.
Mtodo
Iteracin de punto jo modicado
Newton - Raphson para races simples
Newton modicado
Secantes
Regula - falsi
Orden
1
2
:
1
1;618
1
Sean I
R, I 6= ; y f una funicn real denida en I. Suponemos que existe una nica raz x
b de
f (x) = 0 localizada en un intervalo [a; b] I: Supongamos que para el clculo aproximado de x
b se utilizan
dos mtodos iterativos cuyas sucesiones generadas por dichos mtodos son (xn ) y (tn ) respectivamente.
Pongamos %n = xn x
b; En = tn x
b n = 1; 2; : : : los errores cometidos en cada iteracin por cada
algoritmo. Para simplicar, supongamos que el primer mtodo es de primer orden y el segundo mtodo
es de segundo orden. Entonces
lm
n!1
con 0 < c1 < 1:
%n+1
jEn+1 j
= c1 ; l m
= c2 > 0;
2
n!1 En
%n
295
Para n sucientemente grande,

%n+1
' c1 =) %n+1 ' c1 j%n j ;
%n
jEn+1 j
' c2 =) jEn+1 j ' c2 jEn j2 :
En2
Para el primer mtodo, se tiene
j%n j ' c1 %n
' c21 %n
' : : : ' cn1 j%0 j ;
(1)
y para el segundo, obtenemos

jEn j ' c2 jEn
2
1j
' c2 c2 En2
= c72 jEn
8
2j
' : : : ' c22
2
2
= c32 jEn
n
4
2j
' c32 c2 jEn
2
2j
(2)
jE0 j2 :
Con la nalidad de comparar la rapidez de convergencia de estos mtodos, supongamos que 0 < < 1 con
= jx0 x
bj ; = j%0 j ; = jE0 j y sea " = 5 10 m con m 2 Z+ la precisin con la que es aproximada x
b
para los dos mtodos. Determinemos el nmero mnimo de iteraciones para el cual la raz x
b es aproximada
con la precisin ":
Para el primer mtodo, tenemos:
j%n j ' cn1 j%0 j = cn1
10
de donde
cn1
n ln c1
n
10
) cn1
ln 5 m ln 10 ln
ln 5 + m ln 10 + ln
ln c1
Sea
N0 =
"
ln
10
ln
+ m ln 10
:
ln c1
#
+ m ln 10
+ 1:
ln c1
(3)
Para el segundo mtodo, de (2) se sigue que

jEn j ' c22
jE0 j2 = c22
1 2n
10
de donde
(c2 )2
2 ln (c2 )
10
ln (5c2 )
(4)
m ln 10:
Al menor nmero entero positivo n que verica (4) designmosle con N1 ; es decir que N1 es tal que
2N1 ln (c2 )
Exhibamos mediante un ejemplo que N1 < N0 :
Ejemplo
Considerar la ecuacin
x + ln2 (x) = 0:
ln (5c2 )
m ln 10:
296
Sea f (x) = x + ln2 (x)

x > 0; y " = 5 10 8 : La ecuacin f (x) = 0 tiene una raz localizada
en el intervalo [0;4; 0;5] : Aproximemos x
b con los mtodos regula falsi y Newton-Raphson. Se tiene los
siguientes resultados:
Mtodo regula-falsi
n
xn
0
0;4
1
0;6
2
0;5129111
3 0;49794886
..
..
.
.
11
12
Tenemos
Mtodo de Newton-Raphson
n
0
1
2
3
4
0;4948664
0;4948664
= j%0 j = jE0 j = j0;4
tn
0;4
0;4787588
0;4943978
0;4948660
0;4948664
0;4948664j ' 0;1:
Para el mtodo regula falsi,

c1 =
jx3
jx2
Entonces
N0 =
"
ln
x
bj
j0;4979486
=
x
bj
j0;5129111
2
+ m ln 10
+1=4
ln c1
ln
0;1
5
0;4948664j
' 0;17:
0;4948664j
+ 8 ln 10
ln 0;17
5 + 1 = [12;60341292] + 1 = 13:
Esto signica que a partir de N0 = 13 se logra la precisin deseada. Si en el mtodo regula - falsi se
considera un nmero mximo de iteraciones Nmax tal que Nmax < N0 ; no se lograr la precisin deseada.
Debemos tener Nmax N0 para lograr la precisin requerida.
Para el mtodo de Newton - Raphson, tenemos
' (x) = x
con lo cual
c2 = l m
n!1
Entonces
2n ln (c2 )
n
2 ln (1;4723
0;1)
1;915759289
[ 2 + 3 ln x
b] ln x
b
2;
x
b( x
b + 2 ln x
b)
f (x)
1
) '00 (b
x) =
0
f (x)
2
n ln 2
n
jxn+1 x
bj
1 00
x) ' 1;4723:
2 = 2 ' (b
jxn x
bj
ln (5c2 )
ln (5
m ln 10;
1;4723)
8 ln 10;
16;42441703;
16;42441703
= ln 8;573319792;
ln
1;915759289
ln (8;573319792)
' 3;099:
ln 2
Se tiene N1 = 4: La precisin deseada se logra a partir de N1 = 4, o lo que es lo mismo jxn

para n 4:
Si Nmax denota el nmero mximo de iteraciones. Para Nmax
N1 :
x
bj
5 10
El mtodo de Newton modicado es un algoritmo de primer orden. Para N0 = 13 se logra la precisin

deseada. Sea x0 = 0;4: La funcin de iteracin ' del mtodo de Newton modicado et denida por
' (x) = x
1
f 0 (x0 )
f (x)
x 2 [0;4; 0;5] :

Como f (x) =
x + ln2 (x) ) f 0 (x) =
1+
f 0 (0;4) =
2
x
297
ln(x); entonces
1+
2
ln(0;4) =
0;4
5;58145366;
' (x) = x + 0;1792f (x) = x + 0;1792
x + ln2 (x) :
En la tabla siguiente se muestran los resultados de la aplicacin de este mtodo.
Se tiene f (x13 ) = 0;000000047
10
n
0
1
2
3
4
5
6
..
.
xn
0;4
0;478774296
0;49018866
0;493437619
0;494424147
0;497289704
0;494823648
..
.
11
12
13
0;494866289
0;4948663754
0;4948664023
= ":
Convergencia acelerada
Sean I
R, I 6= ; y f una funcin real denida en I. Suponemos que existe una raz x
b de f (x) = 0
separada en el intervalo [a; b] I y sea (xn ) una sucesin convergente a x
b: Los mtodos de aceleracin
de la convergencia transforman la sucesin (xn ) en sucesiones (tn ) que convergen mas rapidamente que
[xn ] : En general , los mtodos de aceleracin de la convergencia utilizan mtodos de orden 1 en los que
intervienen nicamente la funcin f y no su derivada. Los ms conocidos son 2 de Aitken y el mtodo
de Steensen.
Mtodo
de Aitken
Sea (xn ) una sucesin que converge a x

b raz de la ecuacin f (x) = 0: Suponemos que (xn ) converge
linealmente. Entonces existe 0 < c < 1 tal que
lm
n!1
xn+1 x
b
= c;
xn x
b
y sea En = xn x
b para n = 1; 2; : : : : Se tiene xn+1
determinados utilizando las ecuaciones
xn+1 x
b = c (xn x
b) ;
xn+2 x
b = c (xn+1 x
b) ;
cuyas soluciones son

c =
(xn+1 xn )2
xn+2 2xn+1 + xn
tn = xn
El mtodo de
que (xn ) :
x
b) : Entonces c y x
b pueden ser
xn+2 xn+1
;
xn+1 xn
x
b = xn
Denimos
x
b = c (xn
con
xn+2
(xn+1 xn )2
.
xn+2 2xn+1 + xn
2xn+1 + xn 6= 0:
(1)
de Aitken se basa en la suposicin de que la sucesin (tn ) converge ms rpidamente
298

8n 2 Z+ : Supongamos que existen
Teorema 10 Sea (xn ) una sucesin convergente a x

b y xn 6= x
b
una constante k; 0 < k < 1 y una sucesin [ n ] tales que
xn+1
lm
n!1
x
b = (k +
= 0:
Entonces (tn ) dada por (1) et bien denida y l m
n!1
xn+2
tn
xn
x
b: Entonces En+1 = (k +
Demostracin. Sea En = xn
2xn+1 + xn = xn+2
= (k +
x
b) ;
n ) (xn
x
b
2 (xn+1
n+1 ) En+1
x
b
= 0:
x
b
n ) En :
x
b)
Luego
xn
2 (k +
n ) En
x
b = En+2
2En+1 + En
+ En
= (k + n + 1) (k + n ) En 2 (k + n ) En + En
h
i
= En (k 1)2 + ( n + n+1 ) k + n ( n+1 2) ;
adems
xn+1
Puesto que xn+2
x
b
xn = xn+1
2xn+1 + xn 6= 0; En = xn
(
x
b) = En+1
(xn
n+1 ) k
En = En [k
1+
n] :
x
b 6= 0; 0 < k < 1 y por hiptesis l m
+
n ( n+1
n!1
= 0; Entonces
2) ! 0;
n!1
de donde para n sucientemente grande

(xn+1 xn )2
En2 (k
=
xn+2 2xn+1 + xn
En (k
con
=(
n+1 ) k
+ (
1+
2
n)
1)2 +
= En
(k 1) +
(k 1)2 +
2
n
n
! 0;
n!1
2) ! 0:
n+1
n!1
Por lo tanto
l m tn = l m
n!1
n!1
xn
(xn+1 xn )2
xn+2 2xn+1 + xn
= l m xn
n!1
La sucesin (tn ) es convergente a x

b. As, (tn ) est bien denida.
(xn+1 xn )2
=x
b:
n!1 xn+2
2xn+1 + xn
lm
Por otro lado
tn
x
b = xn
x
b
= En
(xn+1 xn )2
= En
xn+2 2xn+1 + xn
!
(k 1 + n )2
;
(k 1)2 + n
En2 (k
En (k
1+
2
n)
1)2 +
de donde
tn
xn
tn
n!1 xn
lm
Sea " > 0. Puesto que l m
n!1
tn
xn
x
b
x
b
x
b
x
b
tn x
b
=1
En
= 1
(k
n!1 (k
lm
(k
(k
1 + n )2
;
1)2 + n
1 + n )2
=1
1)2 + n
x
b
= 0; existe n0 2 Z+ tal que 8n
x
b
(k
(k
1)2
= 0:
1)2
n0 ) jtn
x
bj < jxn
La ltima desigualdad muestra que la sucesin (tn ) converge mas rapidamente que [xn ] :
x
bj ":
299
Ejemplo
Hallar x 2 R tal que ex
0;5x + 1 = 0: Pongamos f (x) = ex

f (x) = 0 () ex =
0;5x + 1: Entonces
0;5x
1:
El mtodo grco muestra que la ecuacin f (x) = 0 tiene una nica raz x
b localizada o separada en el
intervalo [ 2;5; 2;0] : Aproximemos la raz x
b con el mtodo de punto jo modicado y luego aceleramos
la convergencia con el mtodo de 2 de Aitken.
La funcin de iteracin del mtodo de punto jo modicado est denida por
' (x) = x
donde m =
b a
f (b) f (a)
2+2;5
f ( 2) f ( 2;5)
' (x) = x
mf (x)
x 2 [ 2;5; 2;0] ;
= 1;6488;
1;6488 (1 + 0;5x + ex )
x 2 [ 2;5; 2;0] :
La tabla que se muestran a continuacin se exhiben los resultado de la aplicacin del mtodo de punto
jo modicado.
n
xn
0
2;0
1
2;223140815
2;217696668
2
3
2;217715177
4
2;217715105
2;217715106
5
6
2;21771506
A continuacin se muestran los trminos de (tn ) con el mtodo de
x1 )2
=
x3 2x2 x1
(x3 x2 )2
=
x4 2x3 x2
(x4 x3 )2
=
x5 2x4 x3
(x2
t1 = x1
t2 = x2
t3 = x3
b:
de Aitken.
2;217715144;
2;217715105;
2;217715106:
2;217715106:
Mtodo de Steensen
En el mtodo de 2 de Aitken, para inicializar el proceso se requieren de x1 ; x2 ; x3 : Con esta informacin
se calcula t1 : A continuacin se calcula x4 y con los precedentes x2 ; x3 se calcula t2 ; luego se calcula x5
y con este se obtiene t3 , as sucesivamente.
El mtodo de Steensen toma ventaja de la construccin de la sucesin (tn ) cuando la sucesin (xn ) est
generada por una funcin de iteracin ': El mtodo de Steensen es recomendado para mtodos de orden
1.
Pongamos yn = ' (xn ) ; zn = ' (yn ) : Se tiene
tn = xn
(xn+1 xn )2
= xn
xn+2 2xn+1 + xn
(yn
zn
xn )2
= xn
2yn + xn
(' (xn ) xn )2
n = 0; 1; : : : (1)
' (' (xn )) 2' (xn ) + xn
La sucesin (tn ) construida mediante el esquema (1) se conoce como mtodo de Steensen.
El esquema nurico dado por (1) conduce a una nueva funcin de iteracin
(x) = x
denida
(' (x) x)2

x' (' (x)) '2 (x)
=
x 2 [a; b] ;
' (' (x)) 2' (x) + x
' (' (x)) 2' (x) + x
300
donde x
b 2 [a; b] es la raz de la ecuacin f (x) = 0:
El esquema numrico (1) se escribe entonces
x0 2 [a; b] aproxiamacin inicial,

xn+1 = (xn ) n = 0; 1; : : : :
Las funciones de iteracin ' y
el siguiente teorema.
, por lo general, tienen el mismo punto jo, ms precisamente, tenemos
Teorema 11 Sea x
b 2 [a; b]. Entonces
'0 (b
x) 6= 1 ) (b
x) = x
b:
(b
x) = x
b ) ' (b
x) = x
b: Recprocamente, si ' (b
x) = x
b y
Demostracin. Por la dencin de la funcin de iteracin

(x) = x
; se tiene
(' (x) x)2

x 2 [a; b] ;
' (' (x)) 2' (x) + x
de donde
[ (x)
x] [' (' (x))
(b
x) = x
b se tiene
Entonces, si
[ (b
x)
2' (x) + x] = (' (x)
x
b] [' (' (b
x))
0 = (' (b
x)
x)2 x 2 [a; b] :
2' (b
x) + x
b] = (' (b
x)
x
b)2 ) ' (b
x) = x
b:
x
b)2
Recprocamente, supongamos que ' (b

x) = x
b y '0 (b
x) 6= 1: Entonces
(' (x) x)2

(' (x) x)2
=x
b lm
' (' (x)) 2' (x) + x
2' (x) + x
x!b
x
x!b
x
x!b
x ' (' (x))
2 (' (x) x) ('0 (x) 1)
2 (' (b
x) x
b) ('0 (b
x) 1)
= x
b lm 0
=x
b
2'0 (x) + 1
'0 (' (b
x)) '0 (b
x) 2'0 (b
x) + 1
x!b
x ' (' (x)) '0 (x)
= x
b:
(b
x) =
lm
(x) = l m x
ya que ' (b
x) = x
b:
Note que
'0 (' (b
x)) '0 (b
x)
2'0 (b
x) + 1 = '0 (b
x) '0 (b
x)
y por hiptesis '0 (b

x) 6= 1; ('0 (b
x)
2'0 (b
x) + 1 = '0 (b
x)
1)2 6= 0:
Algoritmo
Datos de Entrada: a; b extremos del intervalo [a; b] : precisin " > 0; Nmax nmero mximo de iteraciones,
funcin f:
Datos de Salida: x
b raz, y = f (b
x) ; n nmero de iteraciones.
2. Para n = 1; : : : ; Nmax
3. y1 = ' (x) :
4. y2 = ' (y1 ) :
5. t = x
(y1
y2
x0 )2
:
2y1 + x
6. Si jt
xj < ": Continuar en 8).
7. Si jt
xj > "; x = t: Continuar en 3).
5.6. RACES DE MULTIPLICIDAD
301
8. Si n < Nmax ; imprimir x

b = t; y = f (t) : Continuar en 10).
9. Si n > Nmax ; imprimir x
b = t; y = f (t) :
10. Fin.
Ejemplo
Sea f (x) = sin(x) cosh
x
p
1+ x
1: Hallar los ceros de f para x 2 [0; 10] :
La aplicacin del agoritmo de bsqueda del cambio de signo en [0; 10] con un paso h = 0;4 muestra que
f tiene cuatro ceros localizados en los intervalos [0;8; 1;2] ; [2; 2;4] ; [6;4; 6;8] ; [9;2; 9;6] :
Calculemos las dos primeras races con el mtodo regula-falsi (mtodo de orden 1). En la tabla de la
izquierda se muestran los resultados de la aplicacin de este mtodo para la aproximacin de x
b1 2 [0;8; 1;2]
raz de f (x) = 0 y en la de la derecha para x
b2 2 [2; 2;4] :
n
1
2
3
4
5
6
7
8
xn
0;8
1;0838480
1;0698168
1;0564792
1;0681479
1;0681382
1;0681286
1;0681382
8
<
Apliquemos el mtodo de Steensen:
:
n
1
2
3
4
5
xn
2;4
2;39602478
2;397285172
2;397287862
2;397287868
(' (x) x)2

;
' (' (x)) 2' (x) + x
(tn ) n = 1; 2; : : : :
(x) = x
tn+1 =
Clculo de x
b1 2 [0;8; 1;2] : Se tienen los siguientes resultados de la plicacin del mtodo de Steensen:
t1 = 0;8;
t2 = t1
(' (t1 ) t1 )2
= 0;8
' (' (t1 )) 2' (t1 ) + t1
t3 =
(t2 ) = 1;068137133;
t4 =
(t3 ) = 1;068138455;
t5 =
(t4 ) = 1;068138463:
(' (0;8) 0;8)2

= 1;0678892;
' (' (0;8)) 2' (0;8) + 0;8
Clculo de x
b2 2 [2; 2;4] :
t1 = 2;
y = 2;4;
t2 =
(t1 ) = 2;397289196;
t3 =
(t2 ) = 2;397287868:
Nota: Para mtodo de orden 1, el mtodo de Steensen es de orden 2.
5.6.
Sean I
Races de multiplicidad
hallar x
b 2 I; si existe, solucin de f (x) = 0:
(P)
302
Denicin 7 Se dice que x

b 2 I es una raz de multiplicidad m 2 de la ecuacin f (x) = 0 si existe
una funcin g denida en I tal que f (x) = (x x
b)m g (x) x 2 I; con g (b
x) 6= 0:
Ejemplos
1. Sea f la funcin denida por f (x) = x (x 2)2 x 2 R. Entonces x

b = 2 es una raz de multiplicidad
2. Note que g (x) = x y g (2) = 2: Adems x
b = 0 es una raz real simple de f (x) = 0:
2. Sea f la funcin real dada por f (x) = x2 + 5 (x + 1)3 x 2 R. Entonces x
b=
real de multiplicidad 3. Se tiene g (x) = x2 + 5 con g ( 1) = 6:
1 es la nica raz
La aplicacin del algoritmo de bsqueda de cambio de signo, en general, no da resultados positivos si la

ecuacin f (x) = 0 tiene races de multiplicidad m 2: En el ejemplo 1), la aplicacin de este algoritmo
no separa la raz x
b = 2; mientras que en el ejemplo 2), si lo separa pero no detecta que sea de multiplicidad
3.
En el ejemplo 1). La raz x
b = 2 es de multiplicidad m = 2 (par). y en el ejemplo 2) la raz x
b=
multiplicidad m = 3 (impar).
Supongamos que x
b es una raz de multiplicidad m
funcin g denida en I tal que
f (x) = (x
Si f 2 C 2 ([a; b]) ; donde x

b 2 [a; b]
f 0 (x) = m (x
x
b)m
I ym
g (x) + (x
Se tiene f 0 (b
x) = 0: Ponemos
1 es de
2 de la ecuacin f (x) = 0: Entonces, existe una
x
b)m g (x)
x 2 I; g (b
x) 6= 0:
2; entonces
x
b)m g 0 (x) = (x
v (x) = mg (x) + (x
Resulta v (b
x) = mg (b
x) 6= 0:
x
b)m
x
b) g 0 (x)
mg (x) + (x
x
b) g 0 (x)
x 2 [a; b] :
x 2 [a; b] :
Puesto que f 2 C 2 ([a; b]) ; entonces las funciones g y v son continuas en [a; b] y como g (b
x) 6= 0; v (b
x) 6= 0;
existe r > 0 tal que g (x) 6= 0; v (x) 6= 0 8x 2 [b
x r; x
b + r] [a; b] :
Denimos
f (x)
(x x
b)m g (x)
=
f 0 (x)
(x x
b)m 1 (mg (x) + (x x
b) g 0 (x))
g (x)
= (x x
b)
x 2 [b
x r; x
b + r] n fb
xg;
v (x)
u (x) =
con
g(x)
v(x)
6= 0 8x 2 [b
x
r; x
b + r] :
Como l m u (x) = 0; la funcin u tiene una discontinuidad evitable. Denimos

x!b
x
u
e (x) =
0;
si x = x
b;
u (x) si x 2 [b
x
r; x
b + r] n fb
xg:
Entonces, u
e (b
x) = 0 = f (b
x) ; es decir que u
e (x) = 0 tiene la misma raz que f (x) en el entorno
[b
x r; x
b + r] : La raz x
b es una raz simple de u
e (b
x) = 0:
El mtodo deNewton-Raphson es efectivo para races simples. Podemos aplicar este mtodo a la funcin
u:
La funcin de iteracin ' est dada por
' (x) = x
u (x)
u0 (x)
x 2 [b
x
r; x
b + r] n fb
xg:

Como u (x) =
303
f (x)
; se sigue que
f 0 (x)
u0 (x) =
con lo cual
' (x) = x
u (x)
=x
u0 (x)
(f 0 (x))2 + f (x) f 00 (x)

;
(f 0 (x))2
f (x) f 0 (x)
x 2 [b
x
[f 0 (x)]2 f (x) f 00 (x)
r; x
b + r] n fb
xg:
El esquema numrico para la aproximacin de la raz x

b es el siguiente:
x0 2 [b
x r; x
b + r] n fb
xg aproximacin inicial,
xn+1 = ' (xn ) n = 0; 1; : : :
Por otro lado, supongamos que 8x 2 [a; b], g (x) > 0 y f 0 (x) 6= 0 8x 2 [a; b] n fb
xg: Denimos
1
x 2 [a; b] :
w (x) = (f (x)) m
Como f (x) = (x
i. Si m es par, (x
x
b)m g (x) x 2 [a; b] con g (b
x) 6= 0; se tiene
x
b)m
0 8x 2 [a; b] y siendo g (x) > 0; resulta que f (x)

1
x
b)m g (x)] m = jx
w (x) = (f (x)) m = [(x
ii. Si m es impar,
x
b) (g (x)) m
w (x) = (x
x
bj (g (x)) m
0 8x 2 [a; b] : Luego
x 2 [a; b] :
x 2 [a; b] :
De i) y ii) se sigue que w (b

x) = 0; esto es, la funcin w tiene x
b como cero simple en [a; b] : Apliquemos
el mtodo de Newton. La funcin de iteracin est denida por
(x) = x
u (x)
=x
u0 (x)
(f (x)) m
1
m
[f (x)]
1
m
f 0 (x)
El mtodo de Newton para ceros de multiplicidad m

(x) = x
f (x)
f 0 (x)
=x
f (x)
f 0 (x)
x 2 [a; b] n fb
xg:
2 con m dado, se expresa como
x 2 [a; b] ; x 6= x
b:
x0 2 [a; b] n fb
xg aproximacin inicial,
xn+1 = (xn ) n = 0; 1; : : : :
Nota: Se pueden implementar fcilmente los otros mtodos que han sido estudiados anteriormente.
Ejemplos
1. Hallar las races reales positivas de la ecuacin: x4
8;6x3
35;51x2 + 464;4x
998;46 = 0:
La bsqueda del cambio de signo en el intervalo [0; 1[ muestra que la funcin f asociada a la
ecuacin dada tiene una raz en el intervalo [7; 8] y posiblemente una raz de multiplicidad en un
entorno de x = 4 (se presume por la observacin de los valores de f (x) en un entorno de x = 4).
Por otro lado, el estudio de la funcin f muestra que la ecuacin f (x) = 0 tiene una raz en el
intervalo ] 1; 0] : Ponemos
f (x) = x4 8;6x3 35;51x2 + 464;4x
f (x)
u (x) =
f 0 (x) 6= 0:
f 0 (x)
998;46;
304

Entonces
f (4)
3;44
=
< 0;
0
f (4)
23;52
f (5)
14;23
=
> 0:
0
f (5)
35;7
u (4) =
u (5) =
La funcin u tiene una raz en el intervalo [4; 5], esta raz de la ecuacin f (x) = 0: De este modo
conrmamos que f (x) = 0 tiene una raz de multiplicidad 2.
Nota: La bsqueda del cambio de signo se aplic a la funcin u en el intervalo [0; 7] :
Para la aproximacin de la raz x
b 2 [4; 5] se utilizan las dos funciones de iteracin ' y
f (x) f 0 (x)
se tiene
[f 0 (x)]2 f (x) f 00 (x)
i. Con la funcin de iteracin ' (x) = x
n
0
1
2
3
xn
4
4;3081
4;3081
4;3000
La raz x
b = 4;3 de f (x) = 0 es de multiplicidad m = 2:
ii. Como m = 2; con la funcin de iteracin
(x) = x
f (x)
;
f 0 (x)
se tiene
n
0
1
2
3
4
xn
4
4;29082
4;29998
4;29998
4;3000
iii. Con x0 = 7; la raz simple localizada en el intervalo [7; 8] ; se aproxima con el mtodo de Newton.
Con 5 iteraciones se tiene x
b1 = 7;34847:
2. Hallar las races de la ecuacin: x2

x 2 R.
2xe
+e
2x
= 0: Sea f (x) = x2
2xe
+e
2x
= (x
ex )2
Entonces,
f (x) = 0 () (x
ex )2 = 0 () x
ex = 0 () x = e
La ecuacin f (x) = 0 tiene una raz en el intervalo [0; 1] : Calculemos f 0 (x) : Se tiene f 0 (x) =
2 (x ex ) (1 + e x ) : Denimos
f (x)
f 0 (x) 6= 0:
u (x) = 0
f (x)
Con la ayuda de la funcin u; separamos la raz de la ecuacin f (x) = 0: Tenemos u (0) < 0;
u (1) > 0; luego existe x
b 2 ]0; 1[ tal que f (b
x) = 0: Para la aproximacin de x
b utilizamos el mtodo
de Newton.
i. Sea
' (x) = x
u (x)
=x
u0 (x)
f (x) f 0 (x)
:
[f 0 (x)]2 f (x) f 00 (x)
305
En la tabla siguiente se muestran los resultados de la aplicacin del esquema numrico:

x0 2 [0; 1]
xn+1 = ' (xn ) n = 0; 1; : : :
n
xn
0
0
1 0;666667
2 0;568769
3 0;567144
4 0;567144
x
b ' 0;567144 con una precisin " = 10
6:
ii. Sea
(x) = x
f (x)
:
f 0 (x)
Los resultados de la aplicacin del esquema numrico

x0 2 [0; 1]
xn+1 = (xn )
n = 0; 1; : : :
se muestran a continuacin.
n
0
1
2
3
4
xn
0;0
0;5
0;566311
0;567143
0;567143
: 0;567143:
Teorema 12
i) Si f 2 C 1 ([a; b]) y si la ecuacin f (x) = 0 tiene un cero simple x

b 2 [a; b], entonces f 0 (b
x) 6= 0:
ii) Si f 2 C m ([a; b]) para m

entonces f (m) (b
x) 6= 0:
2 y si la ecuacin f (x) = 0 tiene un cero de multiplicidad m,
Demostracin.
i) Si la ecuacin f (x) = 0 tiene una raz simple en x = x
b, entones f (b
x) = 0 y existe una funcin g tal
que
f (x) = (x x
b) g (x) con g (b
x) 6= 0:
Por hiptesis f 2 C 1 ([a; b]), entonces g 2 C 1 ([a; b]) y
f 0 (x) = (x
de donde
x
b) g 0 (x) + g (x) ;
f 0 (x) = g (b
x) 6= 0:
ii) Sean m 2 y f 2 C m ([a; b]). Si la ecuacin f (x) = 0 tiene una raz de multiplicidad m, existe una
funcin g 2 C m ([a; b]) tal que
f (x) = (x
Resulta que
f m (x) =
m
X
k=0
x
b)m g (x) con g (b
x) 6= 0:
(k)
(m
(x) [(x
k )g
x
b)m ](m
k)
306
de donde (m
k )=
m!
k!(m k)! ,
Observe que si m
x
b)m ](m
[(x
2, g (x) =
k)
denota la derivada de (x
f (m) (b
x) = m!g (b
x) 6= 0:
f (x)
(x x
b)m
x
b)m de orden m
k. Entonces
x 6= x
b, y
l m g (x) = g (b
x) :
x!b
x
Ejemplo
1 2
2x
Considere la funcin f denida por f (x) = ex

raz de multiplicidad 3 en x = 0. Sea
g (x) =
1 2
2x
x3
ex
1: Entonces, la ecuacin f (x) = 0 tiene una
x 6= 0.
Aplicando la regla de LHpital, obtenemos

l m g (x) = l m
x!0
ex
x!0
1 2
2x
x3
= lm
ex
x!0
ex 1
ex
1
= lm
= :
x!0 6x
x!0 6
6
x
3x2
= lm
Adems,
f (x) = (x
0)3
ex
1 2
2x
x3
= x3 g (x) :
Se tiene
f 000 (x) =
3
X
3
k
g (k) (x) x3 (3
k) = 6g (x) + 18xg 0 (x) + 9x2 g 00 (x) + x3 g 000 (x) ;
k=0
1
f (0) = 6g (0) = 3!g (0) = 3! = 1:
6
000
Nota: El mtodo de Newton para ceros de multiplicidad m

lm
n!1
5.7.
xn+1 x
b
=c
xn x
b
2 es de orden 1; o sea
con 0 < c < 1:
Races reales de polinomios
Sean n 2 N, ak 2 R k = 0; 1; : : : ; n con an 6= 0. Una funcin real P de forma

P (x) = a0 + a1 x +
+ an x =
n
X
k=0
ak xk
x 2 R,
se llama polinomio de grado n con coecientes reales ak : El polinomio nulo P0 denido por P0 (x) =
0 8x 2 R no se le asigna grado alguno.
En lo sucesivo consideraremos polinomios reales de grado n
1 con coecientes en R y diremos
simplemente P polinomio de grado n sobrentendindose que n 1 y sus coecientes son reales.
Denicin 8 Sea P un polinomio de grado n. La ecuacin
P (x) = 0 , a0 + a1 x +
se llama ecuacin algebraica.
+ an xn = 0;
5.7. RACES REALES DE POLINOMIOS
307
Teorema 13 (teorema fundamental del lgebra)

Sea P un polinomio de grado n. Entones, la ecuacin P (x) = 0 tiene exactamente n races reales o
complejas incluidas las de multiplicidad.
Demostracin. La demostracin de este teorema est fuera del alcance de estas notas, se encuentra en,
por ejemplo, Churchill, pginas 145-146.
Ejemplos
1. Sean x1 ; : : : ; xn 2 R con xi 6= xj ; i; j = 1; : : : ; n. El polinomio P (x) =
exactamente n races reales.
Qn
j=1 (x
xj ) tiene
2. El polinomio P (x) = (x + 5) (x 2)3 x2 + 1 tiene ocho races: x

b1 = 5 es una raz real simple,
x
b2 = 2 es una raz real de multiplicidad 2 y x
b3 = i; x
c4 = i son races complejas de multiplicidad
2.
Sea P un polinomio de grado n. Si la ecuacin P (x) = 0 tiene una raz compleja z1 , existe z2 2 C tal
que z2 = z1 raz de la ecuacin P (x) = 0, donde z1 denota el nmero complejo conjugado de z1 :
En el estudio de una ecuacin algebraica dada P (x) = 0 interesa los siguientes aspectos:
i. Determinar los intervalos en los que se encuentran localizadas loa races reales positivas y las races
reales negativas.
ii. El nmero de races reales simples y de multiplicidad y como calcularlas.
iii. Los discos en los cuales se localizan las races complejas.
iv. El nmero de races complejas simples y de multiplicidad y como calcularlas.
En esta seccin daremos especial atencin a los aspectos i) y ii) Los aspectos iii) y iv) no sern abordados.
Supongamos que P (x) =
n
P
ak xk y an > 0. Sea x > 0. Entonces
k=0
P (x) = xn
Si n es par, resulta que P (x)
a1
a0
+
+
xn xn 1
+ an :
! 1 Si n es impar, se tiene P (x)
jxj!+1
x! 1
1; P (x)
! 1: Por lo
x!+1
tanto, si n es impar, la ecuacin P (x) = 0 tiene al menos una raz real. En la siguiente tabla se muestra
el nmero de races reales y complejas segn el grado del polinomio P .
grad (P )
1
2
3
4
5
6
7
..
.
Nmero de races reales

1
0; 2
1; 3
0; 2; 4
1; 3; 5
0; 2; 4; 6
1; 3; 5; 7
Nmero de races complejas

0
2; 0
2; 0
4; 2; 0
4; 2; 0
6; 4; 2; 0
6; 4; 2; 0
Supongamos que P (x) = xn + an 1 xn 1 +

+ a0 , grad (P ) 2 y P (x) = 0 tiene 1 ; : : : ; n 2 races
reales. Entonces n 1 y n son races complejas con n 1 = n : Pongamos n = a + ib. Entonces
x
n 1
(x
n)
= x2
n 1
x+
n 1 n;
308
resulta que
n 1
= 2Re (
n 1
= j
nj
n)
= 2a;
2
= a + b2 ;
con lo cual
x
(x
n 1
n)
= x2 + 2ax + a2 + b2 ;
y en consecuencia
P (x) = x2
2ax + a2 + b2
n
Y2
j=1
Si grad (P ) 4 y P tiene cuatro races complejas simples, el razonamiento anterior muestra que P puede
escribirse en la forma
P (x) = x2
2ax + a2 + b2
con z1 = a + ib; z2 = e
a1 + ieb1 ; grad (Q) = n
5.7.1.
2e
a1 x + e
a21 + eb21 Q (x) ;
x2
4 y P (z1 ) = P (z2 ) = 0:
Fronteras superior e inferior de las races de la ecuacin P (x) = 0
Sea P un polinomio de grado n. Como P est denido en todo R, necesitamos, en trminos de los
coecientes de P , seleccionar los intervalos en los que se debe aplicar el algoritmo de bsqueda del
cambio de signo. A continuacin se establecen criterios para seleccionar tales intervalos.
Teorema 14 Sea P (x) =
n
P
k=0
y0<k
jan j(jxj 1)
Max jan j
ak xk un polinomio de grado n. Entonces, para todo x 2 C tal que jxj > 1
se tiene
k=0;:::;n 1
jan x j > k
Demostracin. Sea A =
n
X1
k=0
Max
k=0;:::;n 1
ak x
n
X1
ak xk :
k=0
jak j. Entonces, para jxj =

6 1, se tiene
n
X1
k=0
jak j jxj
n
X1
k=0
jxjk = A
jxjn
jxj
1
jxjn
<A
:
1
jxj 1
Luego
n
X1
ak xk <
k=0
A
jxjn
jxj 1
para jxj =
6 1:
Sea x 2 C tal que jxj > 1. Si k 2 R es tal que

jan j (jxj
A
0<k
entonces
0<
con lo cual
k
jan j
jan j n
jxj
k
1)
jxj 1
A
,
A
jxj 1
jan j
k
n
X1
A
jxjn >
ak xk
jxj 1
jan xjn > k
k=0
n
X1
k=0
ak xk
si jxj > 1:
n
P
309
ak xk un polinomio de grado n y A =
k=0
Max
k=0;:::;n 1
jak j :
Si x
bi ;
i = 1; : : : ; n, son las races (reales o complejas) de la ecuacin P (x) = 0, entonces
jb
xi j < 1 + jaAn j i = 1; : : : ; n:
Demostracin. Por el teorema anterior, si k = 1 entonces
n
X1
jan x j >
ak xk
jan j(jxj 1)
A
1 para jxj > 1, y en consecuencia
si jxj > 1:
k=0
Luego
n
X1
jan xn j
ak xk
n
X1
jan xn j
k=0
k=0
jak j jxjk
an xk
k=0
jxj
1
> jan j jxjn
= jan j jxj
A
jxj 1
A
= jxjn jan j
:
jxj 1
n
Sea x 2 C tal que jxj > 1 y jxjn jan j

jP (x)j
Ms an jan j jxjA 1
jb
xi j < R i = 1; : : : ; n:
jan x j
0 ) jxj
A
jxj 1
n
X1
k=0
1+
A
jxj 1
0 ) jan j
ak xk > jxjn jan j
A
jan j :
n
X1
jxjk
jxjn
A
jxj 1
0: Resulta que
A
jxj 1
As, jP (x)j > 0 si jxj
Denotamos con B (0; R) el disco cerrado de centro 0 y radio R = 1 +
1+
jxj > 1:
A
jan j
= R: Consecuentemente,
A
jan j :
Para jxj > R se tiene jP (x)j > 0 con lo que en el exterior de B (0; R) no se encuentra localizada ninguna
raz de P (x) = 0. Todas las races de la ecuacin P (x) = 0 estn localizadas en B (0; R), esto es,
x
bi 2 B (0; R) i = 1; : : : ; n:
Ejemplos
1. Consideremos el polinomio P (x) = 8x8
x6 + 16x4 + x3
5x2 + 3x + 1:
Sea A = Max jak j = Maxf1; 3; 5; 1; 16; 1g = 16. Entonces

k=0;n 1
R=1+
A
16
=1+
= 3:
an
8
Todas las races de la ecuacin P (x) = 0 se localizan en el disco cerrado B (0; 3):
2. Todas las races de la ecuacin 2x5
B (0; R) con
x4
R=1+
3x3 + x
Max jan j
k=0;4
jan j
3 = 0 estn localizadas en el disco cerrado
=1+
3
5
= :
2
2
310
n
P
k=0
ak xk un polinomio de grado n con a0 6= 0 y x

bi i = 1; : : : ; n las races
de la ecuacin P (x) = 0. Entonces

x
bi >
ja0 j
= r;
ja0 j + Max jak j
k=1;:::;n
n
P
Demostracin. Puesto que P (x) =

Q (y) = a0 yn + a1 y n
Max jak j
k=1;:::;n
ja0 j
1
4
=
1
4
se tiene y n P
jxj <
Consecuentemente, jb
xi j > r =
ak xk
para x 6= 0: Sea y =
1
Q (y) ) Q (y) = y n P
yn
1
4
1
x
x 6= 0 y
> 0; entonces
Max jak j
1
>1+
jxj
de donde
n
P
k=0
+ an : Resulta
P
Para jyj > 1 +
ak xk = xn
k=0
i = 1; : : : ; n:
k=1;:::;n
ja0 j
ja0 j Max jak j

k=1;:::;n
ja0 j
ja0 j+ Max jak j :
ja0 j
) P (x) > 0;
) P (x) > 0:
k=1;:::;n
Conclusin: si x
bi ; i = 1; : : : ; n son las races reales o complejas de la ecuacin algebraica P (x) = 0,
entonces x
bi 2 B (0; R) B (0; r), con
Max
R=1+
k=0;:::;n 1
jak j
jan j
y r=
ja0 j
;
ja0 j + Max jak j
k=1;:::;n
a0 6= 0;
R es la frontera superior y r es la frontera inferior en las que estn localizadas todas las races:
r < jb
xi j < R
i = 1; : : : ; n:
En particular, las races reales se encuentran localizadas en los intervalos [ R; r] y [r; R] :

Las races positivas de P (x) = 0 pertenecen a [r; R] y las negativas a [ R; r] :
En el siguiente teorema se establece una mejor estimacin de la frontera superior de las races reales.
Teorema 17 (de Lagrange)
n
P
Sea P (x) =
ak xk un polinomio de grado n. Supongamos que an > 0 y k < n el mayor de los ndices
k=0
para los que ak < 0: Entonces,

la frontera superior de las races positivas de la ecuacin P (x) = 0 es
q
el nmero real R = 1 + k aBn , donde B = Max fjak j j ak < 0g :
Demostracin. Sea x > 1 y Q (x) el polinomio que se obtiene de P al sustituir todos los coecientes
no negativos an 1 ; : : : ak+1 por cero y cada uno de los coecientes restantes ak ; : : : ; a0 se sustituyen por
B, donde B = Maxfjak j j ak < 0g:
Como P (x) = a0 + a1 x +
Q (x) = an xn
=
+ an xn , entonces
Bxk
xk+1
an xn
x 1
Bxk
k 1
(x
B = an xn
1)
B >
xk+1
x 1
xk+1 1
xk+1
> an xn B
x 1
x 1
h
i
an (x 1)k B
x 6= 1:
B

1)k
Para x > 1 tal que an (x

Luego, x
bi < 1 +
1
k
B
an
311
0)x
1
k
B
an
1+
con x
bi > 0:
Si todos los coecientes de P son positivos, para x

tiene races reales positivas.
se tiene P (x) > Q (x)
0:
0, P (x) > 0, es decir que la ecuacin P (x) = 0 no
Ejemplos
1. Sea P (x) = 8x8
x6 + 16x4 + x3
5x2 + 3x + 1:
Observamos que el mayor de los ndices k < 8 para los que ak < 0 es k = 6. Adems, los ndices
para los que ak < 0 son 6 y 2. Entonces b = Maxfjak j j ak < 0g = Maxf1; 5g = 5: Resulta que
Q (x) = 8x8
R = 1+
5 x6 + x5 +
B
a8
+1 ;
1
6
1
6
=1+
5
8
x3
10x2
2. Considerar el polinomio P (x) = 3x6 + 2x5 + 8x4
' 1;925:
60:
Los coecientes negativos son a3 = 1, a2 = 10, a0 = 60; el mayor de lo ndices de estos

coecientes es k = 3: Adems B = Maxfjak j j ak < 0g = Maxf1; 10; 60g = 60: Luego
Q (x) = 3x6
60 x3 + x2 + 1
B
a6
R = 1+
Si R0 = 1 +
Max jak j
k=0;:::;5
ja6 j
=1+
60
3
1
3
1 3
=1+
' 3;72:
60
= 21: Claramente R < R0 :
Observacin
Sean 0 < r < R las fronteras inferior y superior respectivamente de las races positivas de la ecuacin
P (x) = 0. El algoritmo de bsqueda del cambio de signo se aplica en el intervalo [r; R] y para las
negativas, el algoritmo se lo aplica en el intervalo [ R; r] :
Ejemplo
Hallemos todas las races de la ecuacin 3x4
Sea P (x) = 3x4
5;4x3 + 3;11x2
9x
5;4x3 + 3;11x2
9x
3;15 = 0:
3;15: Determinemos un conjunto en el que estn localizadas todas

1
k
las races reales y complejas. Como R = 1 + aBn , donde an > 0; k el mayor de los ndices para los que
ak < 0, B = Maxfjak j j ak < 0g: Se tiene a4 = 3; k = 3 pues a3 = 5;4; a1 = 9; a0 = 3;15; B = 9.
Luego
1
9 3
R=1+
' 2;44225:
3
1
Todas las races reales o complejas estn localizadas en le disco cerrado B (0; 2;5) (2;5 > 1+3 3 ' 2;44225).
La aplicacin del algoritmo de bsqueda del cambio de signo con un paso h = 0;5 muestra que P (x) = 0
tiene dos races reales localizadas en los intervalos [ 0;5; 0] y [2;0; 2;5].
Note que r =
ja0 j
ja0 j+ Max jak j
k=1;:::;n
3;15
3;15+9
' 0;25926: En el intervalo [ r; r] no existen races de P (x) = 0:
Adems, si u (x) = PP0(x)

(x) , la aplicacin del algritmo de bsqueda del cambio de signo muestra que u no
tiene races reales mltiples. Consecuentemente, la ecuacin propuesta tiene dos races reales y dos races
complejas una conjugada de la otra.
312
i. Clculo de x
bi 2 [ 0;5; 0;25] con una precisin " = 10
' (x) = x
P (x)
P 0 (x)
4:
Apliquemos el mtodo de Newton:
x 2 [ 0;5; 0;25] :
Escribamos P (x) y P 0 (x) usando el esquema de Hrner:

P (x) =
3;15 + x ( 9 + x (3;11 + x ( 5;4 + 3x))) ;
P (x) = 12x3
16;2x2 + 6;22x

10
9=
9 + x (6;22 + x ( 16;2 + 12x)) :
x0 2 [ 0;5; 0;25] aproximacin inicial,

con jxn+1
xn+1 = ' (xn ) n = 0; 1; : : : ;
xn j <
4:
Sea x0 =
0;5; entonces
x1 =
x2 =
x3 =
x4 =
x5 =
Se tiene jx5
8;63
P ( 0;5)
= 0;5
= 0;01133;
0
P ( 0;5)
17;66
P ( 0;01133)
3;04767
0;01133
= 0;01133
=
0
P ( 0;01133)
9;07254
P (x2 )
0;61996
x2
= 0;34725
= 0;30172;
P 0 (x2 )
13;61574
0;02172
P (x3 )
= 0;30172
= 0;300002;
x3
0
P (x3 )
12;68007
0;3
x4 j < 10
0;5
4:
La raz negativa de P (x) = 0 es x

b1 =
0;34725;
0;3:
Mediante un procedimiento anlogo, con una aproximacin inicial x0 = 2 y cuatro iteraciones se

calcula la raz x
b2 = 2;1
Se tiene P (x) = (x + 0;3) (x 2;1) Q (x) con Q (x) = ax2 +bx+c: Se verica fcilmente
que Q (x)
=
p
p
15
15
2
2
3x +5. As P (x) = (x + 0;3) (x 2;1) 3x + 5 : Las races complejas son x
b3 = 3 i; x
b4 =
3 i:
5.8.
Ejercicios
1. Para las ecuaciones que en cada item se propone, separar las races utilizando el mtodo grco y
el algoritmo de bsqueda del cambio de signo. Aplique el mtodo de biseccin para aproximar la o
las races, si existen, con una precisin " = 10 2 :
a) x2 + 2x
e) ex + 2
3 = 0: b) x3 x 1 = 0: c) x 3 x = 0: d) ex x2 4x + 2 = 0:
1
=0
x > 0: f ) ejxj+1 sin(x) = 0: g) cos(x) + x2 + 2 = 0:
x
2. Aplicar
los mtodos de punto jo modicado, Newton modicado y regula. falsi para aproximar
p
3
2 con una precisin " = 10 3 . Para los tres mtodos elija
p el mismo punto inicial x0 : Compare el
nmero de iteraciones que se requieren para aproximar 3 2 con la precisin ":
3. Sea a 2 Q tal que 0 < a < 1 y a no es potencia cuarta de ningn nmero racional.
a) Construya las funciones de iteracin de los mtodos: punto jo modicado, Newton - Raphson,
p
Newton modicado y regula - falsi para aproximar 4 a:
b) Para cada funcin de iteracin ' del inciso a., sea x0 = 1 y xn+1 = ' (xn ) n = 0; 1; : : : : Es
p
(xn ) convergente a 4 a?
4. En cada inciso, determine un intervalo [a; b] en el cual la funcin de iteracin

dada tenga un
punto jo. Estime el nmero Nmax de iteraciones necesarias para obtener una precisin del punto
jo de 10 4 :
5.8. EJERCICIOS
a)
(x) =
e)
(x) =
313
3 x2
3 e :
x
2
b)
+ x1 : f )
(x) = 5
x:
(x) =
c)
(x) = x3 + 1
1
3
1
3
ex + x2 : d)
(x) =
5
x2
+ 2:
Escriba la ecuacin para la cual la raz es punto jo de
5. Sean a; b 2 R, n 2 Z+ ; n 2: Demostrar que la ecuacin xn + ax + b = 0 tiene a lo ms dos races

rales si n es par y tres races reales si n es impar.
Si n es par, qu condiciones han de vericar a y b para que la ecuacin xn + ax + b = 0 tenga dos
races reales?
Si n es impar, qu condiciones han de vericar a y b para que la ecuacin xn + ax + b = 0 tenga
tres races reales?
6. Sean a; b 2 R, n 2 Z+ con n
3: Estudiar la ecuacin xn + ax2 + b = 0:
7. Encontrar todas las races de la ecuacin e0;2x

y de las secantes. La precisin " = 10 3 :
5x 2 = 0: Aplique los mtodos de Newton-Raphson
8. Hallar la mas pequea raz positiva de la ecuacin 2 ex cos(x) = 0 con una precisin " = 10 7 ;
aplicando los mtodos de Steensen, donde ' es la funcin de iteracin del mtodo de Newton
modicado; y, el algoritmo que se describe a continuacin:
y = xn
xn+1 = y
f (xn )
f 0 (xn )
f (y)
n = 0; 1; 2; : : :
f 0 (xn )
9. Hallar la ms grande raz negativa de la ecuacin e x sin(x) 1 = 0: Aplique los mtodos de las
secantes y de Steensen donde la funcin de iteracin ' viene dada por el mtodo de regula-falsi.
(precisin " = 10 6 ). Escriba en cada caso el algoritmo correspondiente.
10. Escriba un algoritmo que permita aproximar la raz x
b 2 [a; b] de f (x) = 0 de tal manera que cada
aproximacin de x
b se obtenga intercambiando el mtodo de biseccin y de Newton modicado, as
sucesivamente.
11. Encontrar todas las races reales de la ecuacin x3 0;6x2 18;63x + 34;992 = 0: Existe alguna
raz de multiplicidad? Aplique el mtodod de Newton - Raphson para determinar la raz simple si
esta existe y/o un mtodo para determinar races de multiplicidad.
p
12. Dar un mtodo localmente convergente para determinar el punto jo x
b = 5 2 de (x) = x5 + x 2:
13. Sea " = 10 5 . Para la ecuacin que se da en cada inciso aplicar el mtodo que se propone para
aproximar la o las races de la misma con la precisin ": Escriba el respectivo algoritmo. Nota: si la
ecuacin tiene una innidad de races, calcule todas aquellas que estn localizadas en el intervalo
[ 3; 6] :
a) x
b) ex + 2
c)
ex
x2
= 0; mtodo de punto jo.

x
+ 2 cos(x)
+ 3x
6 = 0; mtodo de punto jo modicado.
2 = 0; mtodo de Newton - Raphson.
d) x2 + 10 cos(x) = 0; mtodo de Newton modicado.

ex = 0; mtodo de las secantes.
e) 4 cos(x)
f ) ln x2 + 1
g) x3
h)
3;23x2
ex sin(x)
e0;4x cos ( x) = 0, mtodo de regula - falsi.

5;54x + 9;84 = 0, mtodo de punto jo modicado.
+ 0;5x = 0; mtodo de las secantes.
14. Calcular las cuatro primeras races positivas de la ecuacin tan (x)
2x = 0:
314
15. Calcular todas las races reales de las ecuaciones que se dan a continuacin. Analice el caso de
posibles races de multiplicidad.
a) x4
7;223x3 + 13;447x2
c) x4
2;2x3
10;223 = 0: b) 5x3 + 4;5x2
0;672x
5;03x2 + 6;864x + 9;7344 = 0: d) 4x3
22;8x3
34;8x + 25;2 = 0:
34;2x
64;8 = 0:
16. Aplique el mtodo de Steensen para calcular las races de las ecuaciones:
a) e0;5x
2x2
1)2
3 = 0: b) (x
log 2x2 + 3 = 0:
17. Sea I R con I 6= ; y f una funcin real denida en I: Supongamos que existe x
b 2 [a; b]
que f (b
x) = 0 y que f 2 C 2 ([a; b]) : Se dene la sucesin (xn ) como sigue:
I tal
8
>
< x0 2 [a; b] ;f (x )
y = xn f 0 (xnn ) ; f 0 (xn ) 6= 0
>
f (y)
: x
n+1 = y
f 0 (xn ) n = 0; 1; : : :
a) D una interpretacin geomtrica de este esquema numrico.
b) Si (xn ) es convergente, pruebe que (xn ) converge a x

b al menos cbicamente.
c) Escriba el algoritmo correspondiente y aplique a las dos ecuaciones que se proponen a

continuacin.
i) 2ex
5 = 0:
ii) cos(x)
x2 + 1 = 0
x2[
; ]:
18. Sean I R con I 6= ;; f de I en R una funcin denida en I y x

b 2 I la nica raz de la ecuacin
f (x) = 0: Se dene la funcin de iteracin ' de I en R como ' (x) = x f (x) x 2 I: Sea x0 2 I
y (xn ) la sucesin que se dene a continuacin:
yn = ' (xn )
zn = ' (yn )
xn+1 = xn
(yn
zn
xn )2
n = 0; 1; : : :
2yn + xn
a) Muestre que
xn+1 = xn
[f (xn )]2
n = 0; 1; : : :
f (xn ) f (xn f (xn ))
Este esquema numrico se conoce como mtodo casi Newton.

b) D una interpretacin geomtrica del esquema numrico.
c) Probar que [xn ] converge a x
b cuadrticamente.
d) Sea a 2 R. La ecuacin x2 + 1 (x a) = 0 () x3 ax2 + x a = 0 tiene a x

b = a como la
nica raz real de la ecuacin f (x) = 0; donde f (x) = x3 ax2 + x a: Sea a = 1;3521 y x0 = 1:
Muestre que la sucesin (xn ) generada por el esquema numrico dado en a) converge a x
b = 1;3521:
q
p
p
p
a + a + a + : : :: Sea ' de R+ en R la funcin denida por ' (x) = a + x,
x0 = 0;
a: Se dene (xn ) como sigue:
xn+1 = ' (xn ) n = 0; 1; : : :
19. Sea a > 0 y x

b=
x>
a) Pruebe que l m xn = x
b y que x
b=
n!1
b) Sea " = 10
2; a
p
1+ 1+4a
:
2
= 2: Aproxime x
b con una precisin ":
20. Sea a > 0: Se desea calcular x

b = a1 sin usar la divisin. Para el efecto se dene la funcin f (x) =
para x > 0: Utilice el mtodo de Newton para construir una sucesin (xn ) convergente a x
b:
1
x
5.8. EJERCICIOS
315
21. Considerar el mtodo de Newton de dos pasos siguiente

8
x0 2 [a; b] ;
>
>
>
>
f (xn )
<
yn = xn
f 0 (xn )
>
>
f (yn )
>
>
n = 0; 1; : : :
: xn+1 = yn
f 0 (xn )
a) Encuentre una funcin de iteracin
b) Si (xn ) converge a x
b muestre que
lm
n!1
(yn
c) Pruebe que la convergencia es cbica:
sobre [a; b] tal que xn+1 =
xn x
b
x
b) (xn
x
b)
jxn+1 x
bj
1
=
3
n!1 jx
2
x
bj
n
lm
(xn ) n = 0; 1;
f 00 (b
x)
:
0
f (b
x)
f 00 (b
x)
0
f (b
x)
22. En cada inciso se dene una funcin f . considere la ecuacin f (x) = 0: Aplique los mtodos de
aproximacin de races de multiplicidad para calcular la raz de f (x) = 0:
a) f (x) = x2
2xe
+e
2x :
b) f (x) = sin2 [ (3x + 2)] sin [ (3x + 2)]

p
p
c) f (x) = x3 3 2x2 + 6x 2 2:
1
23. Sean " = 10 6 ; p = 0;8 y ' (x) = 0;5 + p
2
1 x2
Zx
t2
2 dt;
6; 4
0; la funcin de distribucin normal.
Construya un mtodo que permita aproximar x

b > 0 tal que ' (b
x) = 0;8 con una precisin ":
[Sugerencia: aplique la serie de Taylor de e y adecuadas sumas nitas de una serie de potencias].
@f
24. Sea f una funcin real dependiente de un parmetro c. Escribiremos t = f (x; c) : Suponga que
@c
es continua.
Se dispone de un conjunto de datos experimentales S = (xi ; yi ) 2 R2 j i = 1; : : : ; n y se asume

que cada yi = f (xi ; c) + ri (c) ; donde ri (c) denota el error en la observacin yi ; i = 1; : : : ; n: En el
mtodo de mnimos cuadrados se considera el problema siguiente:
mn
c2R
Se dene E (c) =
n
P
i=1
ri2 (c) =
n
P
(yi
n
X
ri2 (c) :
i=1
f (xi ; c))2 :
i=1
a) Elaborar un algoritmo para aproximar b

c 2 R tal que E (b
c) = m nc2R E (c) :
b) Se considera la siguiente informacin experimental:
S = f(1; 1;35) ; (1;5; 0;498) ; (2; 0;183) ; (2;2; 0;123)g

Aplique el mtodo de mnimos cuadrados para calcular la constante b
c > 0 tal que f (t) = 10e
c) Se considera el siguiente conjunto de datos
b
ct :
S = f(0;26; 5) ; (0;785; 5) ; (0;5; 8;7) ; (1;05; 8;7)g

c tal que f (t) = 10 sin (ct) :
316
5.9.
5. Robert B. Banks, Growth and Diusion Phenomena, Mathematical Frameworks and Applications,
Editorial Springer-Verlag, Berln, 1994.
7. G. Birkho, S. Maclane, Algebra Moderna, Cuarta Edicin, Editorial Vicens-Vives, Barcelona.
1974.
11. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial McGraw-Hill, Mxico,
1981.
12. Ruel V. Churchill, James Ward Brown, Variable Compleja y Aplicaciones, Cuarta Edicin, Editorial
McGraw-Hill, Madrid, 1986.
1977.
17. A. Kurosh, Cours DAlgbre Suprieure, Editions Mir, Moscou, 1973.
19. H. Hall, S.R. Knight, Algebra Superior, Unin Tipogrca Editorial Hispano-Americana, Mxico,
1977.
New York, 1991.
22. Gerard Kiely , Ingeniera Ambiental, Volumen II, Editorial McGraw-Hill, Madrid, 1999.
Wilmington, 1994.
317

25. A. I. Kostrikin, Introduccin al Algebra, Editorial Mir, Mosc, 1978.
26. Peter Linz, Theoretical Numerical Analysis, Editorial Dover Publications, Inc., New York, 2001.
1986.
31. J. M. Ortega, W. C. Rheinbolodt, Iterative Solution of Nonlinear Equatios in Several Variables,
Editorial Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 2000.
36. M. Sibony, J. Cl. Mardon, Analyse Numrique I, Systmes Linaires et non Linaires, Editorial
Hermann, Pars, 1984.
318
Captulo 6
Resolucin numrica de sistemas de

ecuaciones lineales
Resumen
El objetivo de este captulo es presentar algunos mtodos numricos muy conocidos y prcticos para
encontrar soluciones de sistemas de ecuaciones lineales. Primeramente se presentan algunos ejemplos
donde surgen los sistemas de ecuaciones lineales. A continuacin se examinan tres tipos de problemas con
sistemas de ecuaciones lineales: sistemas de ecuaciones que poseen solucin nica, sistemas de ecuaciones
que poseen innitas soluciones, sistemas de ecuaciones que no tienen solucin. Para el estudio de la
existencia de soluciones de sistemas de ecuaciones lineales y el mtodo numrico a elegir es importante
el reconocimiento del tipo de matriz de dicho sistema, por lo que tratamos algunos tipos de matrices.
Pasamos luego a la resolucin numrica de los sistemas de ecuaciones lineales. Consideramos los sistemas
ms simples a resolver como son los triangulares superiores y los inferiores. A continuacin tratamos el
mtodo de eliminacin gaussiana y la implementacin del pivoting parcial y total. Se consideran mtodos
para el clculo del determinante de una matriz y el clculo de la matriz inversa. Se trata el mtodo
de factorizacin LU de Crout. Cuando las matrices son simtricas, denida positivas se implementa
el mtodo de factorizacin LT L de Choleski. Se dan aplicaciones a las matrices tridiagonales y a los
sistemas de ecuaciones que tienen una innidad de soluciones. Se concluye este captulo con un anlisis
del condicionamiento de una matriz.
Las soluciones en mnimos cuadrados de sistemas de ecuaciones, que en general, no tienen solucin sern
tratados en el captulo de mnimos cuadrados.
Para la aproximacin de soluciones de grandes sistemas de ecuaciones lineales que poseen solucin nica
cuya matriz del sistema tiene estructura de matriz en banda, se utilizan mtodos iterativos. Algunos de
estos mtodos se tratan en el captulo de mtodos iterativos.
Al nal del captulo se precisa una amplia bibliografa sobre todos estos temas.
6.1.
Problemas que conducen a la resolucin de sistemas de ecuaciones

lineales.
La resolucin numrica de sistemas de ecuaciones lineales surgen en modelos matemticos de la mayor

parte de las ciencias tales como la fsica, la qumica, la biologa, la economa, la psicologa, la medicina,
las diferentes ramas de la ingeniera, en los problemas ambientales, en estadstica, en optimizacin y
muy particularmente en investigacin de operaciones y en el clculo cientco. Es por esto que se deben
disponer de algoritmos numricos y de programas computacionales listos a ser implementados en una
variedad de situaciones.
A continuacin presentamos algunos problemas clsicos que conducen a la resolucin de sistemas de
ecuaciones lineales.
319
320
CAPTULO 6. RESOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES LINEALES
6.1.1.
Problemas de mnimos cuadrados discreto.
Supongamos que se dispone de un conjunto de n pares de datos experimentales

S = f(xi ; yi ) 2 R2 j i = 1; :::; ng:
Se desea encontrar un polinomio P de grado 3:
P (x) = a + bx + cx2 + dx3
x 2 R;
(1)
de modo que P se ajuste de la mejor manera al conjunto de datos S.

El polinomio P queda perfectamente bien denido si se conocen todos sus coecientes a, b, c, d.
Estos coecientes son calculados mediante el denominado mtodo de mnimos cuadrados discreto que
describimos a continuacin.
Denotemos con ri el residuo en cada medicin, esto es,
yi = P (xi ) + ri = a + bxi + cx2i + dx3i + ri ;
En forma matricial, el conjunto de ecuaciones precedente, se
2
3
3
2
1 x1 x21 x31 2
y1
6 .
.. 7
7 6 ..
6
6
. 7
7=6
76
6
5 6 ..
4
.. 7 4
4 .
. 5
yn
2
1 xn xn x3n
i = 1; :::; n:
escribe como
2
3
3
r1
a
6 .. 7
6
7
b 7
7 + 6 . 7:
. 7
c 5 6
4 .. 5
d
rn
(3)
El residuo en cada medicin depende de los coecientes a, b, c, d del polinomio P . Denimos los vectores
! ! !!
X , Y , r ( x ) como sigue:
2
2
3
3
2 3
y1
r1 (!
x)
a
6 .. 7
6
7
..
7
6 . 7
6
7
! 6
!
b
.
!
!
7
7;
7
X =6
Y =6
r (x)=6
6 .. 7 ;
6
7
4 c 5;
..
4
5
4 . 5
.
d
!
rn ( x )
yn
2
3
1 x1 x21 x31
6 ..
.. 7
6 .
. 7
7
y la matriz A siguiente: A = 6
6 ..
.. 7 : El sistema de ecuaciones (3) se transforma en el
4 .
. 5
1 xn x2n x3n
siguiente
!
!
Y = AX + !
r (!
x );
de donde
!
r (!
x) =!
y
A!
x:
(4)
El problema de hallar el mejor polinomio que se ajusta al conjunto de datos S se expresa como sigue:
b 2 R4 ; si existe, talque k!
hallar x
bT = (b
a; bb; b
c; d)
r (b
x)k2 = !
Min k!
r (b
x)k2 ;
(5)
x 2R4
o de modo equivalente
k!
y
Ab
xk2 = !
Min k!
y
x
2R4
Ab
xk2 :
(6)
Este problema se conoce como mtodo de mnimos cuadrados y se demostrar que conduce a resolver el
sistema de ecuaciones
AT A!
x = AT !
y;
(7)
donde AT denota la matriz transpuesta de A.
Otros problemas semejantes al descrito se presentan en la aproximacin en mnimos cuadrados continuos,
en regresin lineal y multilineal, ajuste de datos, entre otros.
La formulacin algebraica del mtodo de mnimos cuadrados fue publicada por vez primera por Legendre
en 1805.
6.1. PROBLEMAS QUE CONDUCEN A LA RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES.321
6.1.2.
Aproximacin de un problema de valores de frontera.
Sea L > 0. Se denota con C 2 ([0; L]) el conjunto de funciones que poseen derivadas segundas continuas
en [0; L]. Consideramos el problema siguiente: dadas dos funciones f , q continuas en [0; L], hallar una
funcin u 2 C 2 ([0; L]) solucin de
u00 (x) + q(x)u(x) = f (x) x 2 ]0; L[ ;
u(0) = u(L) = 0:
(8)
Supondremos que la funcin q satisface la condicin

q(x)
8x 2 [0; L[ :
Se demuestra que este problema tiene solucin nica. Desafortunadamente su solucin exacta puede
determinarse en muy pocos casos, lo que conduce a calcularla de manera aproximada. Para el efecto,
aplicamos el mtodo de diferencias nitas que describimos brevemente a continuacin.
Este problema se encuentra en muchas aplicaciones en ingeniera, por ejemplo, en la exin de una viga
ja en los extremos y sujeta a una carga f (x), x 2 [0; L[, en problemas de transferencia de calor y de
masa, en problemas de contaminacin ambiental.
Sea n 2 Z+ . Dividimos el intervalo [0; L[ en n subintervalos de longitud h = Ln . Ponemos xk = kh,
k = 0; 1; :::; n. El conjunto de puntos fx0 = 0; x1 ; :::; xn = Lg se llaman nodos de discretizacin.
Sea uk una aproximacin de u(xk ) que escribimos uk ' u(xk ), k = 0; 1; :::; n. Entonces, para x = 0, se
tiene 0 = u(0) = u0 , y para x = L, 0 = u(L) = un . El polinomio de Taylor con error permite escribir los
desarrollos siguientes:
h2 00
u (xk ) + o(h3 );
2!
h2
hu0 (xk ) + u00 (xk ) + o(h3 ):
2!
u(xk+1 ) = u(xk + h) = u(xk ) + hu0 (xk ) +

u(xk
1)
= u(xk
h) = u(xk )
Sumando miembro a miembro obtenemos

u(xk+1 ) + u(xk
de donde
1)
= 2u(xk ) + h2 u00 (xk ) + o(h3 );
2u(xk ) + u(xk 1 )
+ o(h);
h2
y en consecuencia, la derivada segunda u00 (xk ) se aproxima mediante el cociente
u00 (xk ) =
u(xk+1 )
uk+1
2uk + uk
h2
k = 1; :::; n
que se denomina diferencia nita central de segundo orden (vase el captulo 2).
La ecuacin diferencial en cada punto xk , k = 1; :::; n
1 se escribe
u00 (xk ) + q(xk )u(xk ) = f (xk )

u0 = un = 0;
k = 1; :::; n
1;
(9)
y al remplazar la derivada segunda por la diferencia nita central de segundo orden, la ecuacin diferencial
precedente se aproxima como
uk+1 2uk +uk
h2
o lo que es lo mismo
8
>
>
>
>
>
>
<
>
>
>
>
>
>
:
+ q(xk )uk = f (xk )

u0 = un = 0:
u2 2u1
h2
uk+1 2uk +uk
h2
2un
1 +un 1
h2
k = 1; :::; n
+q(x1 )u1
=
..
.
f (x1 );
+q(x2 )u2
=
..
.
f (x2 );
+q(xn
1 )un 1
= f (xn
1 );
1;
(10)
322
pus para k = 1 se ha considerado u0 = 0 y para k = n 1 se tiene un = 0, que en forma matricial se

escribe
2
32
3 2
3
2 + h2 q(x1 )
1
0
0
f (x1 )
u1
6
76
1
2 + h2 q(x2 )
1
0
6 f (x2 ) 7
6
7 6 u2 7
6
7
6
76 . 7
.
.
1 6
..
..
..
7
7
..
..
.
76 . 7 = 6
.
.
.
.
7:
.
76 . 7 6
6
7
h2 6
6
7
..
.
..
4
5 4 un 2 5 4 f (xn 2 ) 5
.
1
f (xn 1 )
un 1
0
1
2 + h2 q(xn 1 )
Denimos la matriz A como

2
6
6
6
A=6
6
6
4
2 + h2 q(x1 )
1
2
1
2 + h q(x2 )
..
..
.
.
..
.
0
y los vectores !
u T = (u1 ; :::; un
1 ),
0
1
..
.
..
..
!T
b = (h2 f (x1 ); :::; h2 f (xn
0
0
..
.
1
2+
1 ))
h2 q(xn 1 )
2 Rn
1:
7
7
7
7;
7
7
5
La matriz A es tridiagonal, simtrica, denida positiva. El sistema de ecuaciones (10) se escribe entonces
!
A!
u = b:
(11)
A continuacin se indican otros problemas que se discretizan mediante el mtodo de diferencias nitas,
elementos nitos, volmenes nitos.
1. Resolucin numrica de ecuaciones en derivadas parciales como la ecuacin de Laplace que modela
los ujos saturados incompresibles, la ecuacin de conduccin del calor y la ecuacin de propagacin
de ondas.
2. Resolucin numrica de ecuaciones integrales como las que provienen de la representacin de
soluciones de ecuaciones en derivadas parciales mediante funciones o ncleos de Green.
6.1.3.
Trazado de una curva suave a partir de observaciones experimentales.
Supngase que se dispone de un conjunto de n pares de datos experimentales de R2 siguiente:

S = (xi ; yi ) 2 R2 j i = 1; :::; n ;
tales que a = x1 < x2 < :::: < xn = b.
El trazado de una curva suave que pase por todos los puntos de S, es un problema de interpolacin que
consiste en hallar una funcin f de [a; b] en R que posee una cierta regularidad tal que
f (xi ) = yi ;
i = 1; :::; n;
de modo que dado x 2 [a; b] podamos calcular f (x) :

La construccin de la funcin f permite trazar una curva suave que pasa por todos ellos. Una estrategia
es hallar un polinomio f cuya grca para por todos los puntos del conjunto S. Este problema se conoce
como interpolacin polinomial. Lastimosamente, cuando el nmero de puntos es grande se presentan
oscilaciones lo que provoca muchas imprecisiones en los clculos. Otra estrategia es utiliza tipos especiales
de funciones denominada splines. Las grcas de estas funciones no necesariamente pasan por todos los
puntos, es decir que, en general, no se interpolan.
Esta clase de problemas se presentam fundamentalmente en computacin grca, diseo geomtrico
asistido por computadora, en la robtica, etc.
6.1. PROBLEMAS QUE CONDUCEN A LA RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES.323

Un spline cbico ajusta una curva suave (de clase C 2 ([a; b])) al conjunto de puntos S.
Para jar las ideas, se consideran los splines cbicos con condiciones de frontera naturales que a
continuacin se denen. Denotamos con P3 al espacio vectorial de polinomios de grado
3: Dado el
conjunto S, se busca una funcin f de al menos clase C 2 ([a; b]) que cumpla con las siguientes condiciones:
i) f
[xi
1; xi
2 P3 que se le denota Si , i = 1; :::; n
ii) Si (xi ) = Yi
1:
i = 1; :::; n:
iii) Si+1 (xi+1 ) = Si (xi+1 ) ;

0
i = 1; :::; n
1:
0
iv) Si+1
(xi+1 ) = Si (xi+1 ) ;
i = 1; :::; n
1:
00 (x
00
v) Si+1
i+1 ) = Si (xi+1 )
i = 1; :::; n
1:
vi) S 00 (a) = S 00 (b) = 0:

Para la construccin de la funcin f consecuentemente de Si que es un polinomio de grado
subintervalo [xi 1 ; xi ] ; i = 1; :::; n ponemos hi = xi+1 xi , i = 1; :::; n 1, y
Si (x) = ai + bi (x
xi ) + ci (x
xi )2 + di (x
xi )3
i = 1; :::; n
3 en cada
1:
Notemos que las condiciones iii), ii), v) establecen la continuidad de la funcin f , f 0 y f 00 en todo [a; b] :
De ii) se deduce
yi = Si (xi ) = ai ;
i = 1; :::; n
1:
(1)
Se dene
an = f (xn ) = yn :
Por iii), se tiene
Si+1 (xi+1 ) = ai+1 ;
Si (xi+1 ) = ai + bi hi + ci h2i + di h3i ;
de donde
ai+1 = ai + bi hi + ci h2i + di h3i ;
i = 1; :::; n
1:
(2)
0
Las derivadas Si0 (x) y Si+1
(x) estn denidas como sigue:
Si0 (x) = bi + 2ci (x
xi ) + 3di (x
0
Si+1
(x) = bi+1 + 2ci+1 (x
xi )2 ;
xi+1 )2 ;
xi+1 ) + 3di+1 (x
y por la condicin iv) tenemos

0
Si+1
(xi+1 ) = bi+1 ;
Si0 (xi+1 ) = bi + 2ci hi + 3di h2i
i = 1; :::; n
1;
0
con lo cual Si+1
(xi+1 ) = Si0 (xi+1 ) implica
bi+1 = bi + 2ci hi + 3di h2i
i = 1; :::; n
1:
Se dene bn = f 0 (xn ) :
00 (x) estn denidas como sigue:
Las derivadas Si00 (x) y Si+1
Si00 (x) = 2ci + 6di (x

00
Si+1
(x)
xi ) ;
= 2ci+1 + 6di+1 (x
xi+1 ) :
Entonces,
00
Si+1
(xi+1 ) = 2ci+1 ;
Si00 (xi+1 ) = 2ci + 6di hi ;
(3)
324
y de la condicin v) obtenemos
2ci+1 = 2ci + 6di hi ;
o bien
ci+1 = ci + 3di hi i = 1; :::; n
de donde
di =
ci+1 ci
3hi
1:
i = 1; :::; n
(4)
1:
(5)
Remplazando di en (2), obtenemos

ai+1 = ai + bi hi + ci h2i +
ci+1 ci 3
1
hi = ai + bi hi + ci h2i + (2ci + ci+1 ) h2i ;
3hi
3
ai+1 = ai + bi hi +
1
(2ci + ci+1 ) h2i i = 1; :::; n
3
1:
(6)
Remplazando di en (3)
bi+1 = bi + 2ci di + 3
ci+1 ci 2
hi = bi + 2ci hi + (ci+1
3hi
bi+1 = bi + hi (ci+1 + ci )
i = 1; :::; n
ci ) hi :
1:
(7)
Por otro lado, de (6)

bi =
ai+1 ai
hi
ci+1 + 2ci
hi i = 1; :::; n
3
1:
(8)
i = 2; :::; n;
(9)
y disminuyendo en 1 el ndice de la igualdad precedente, se obtiene

bi
ai
ai
hi
ci + 2ci
3
hi
y en (7)
bi = bi
+ hi
1 (ci
+ ci
1) ;
i = 2; :::; n:
(10)
Remplazando (8) y (9) en (10), se deduce
de donde
ai+1 ai
hi
ci+1 + 2ci
ai ai
hi =
3
hi 1
ai+1 ai
hi
ai
ai
hi
ci+1 + 2ci
hi
3
ci + 2ci
3
ci + 2ci
3
hi
+ hi
1 (ci
hi
+ (ci + ci
+ ci
1) ;
1 ) hi 1 :
Puesto que
3
(ai+1
hi
ai ) =
(ai ai 1 ) = ci+1 + 2ci (ci + 2ci

hi 1
= ci 1 hi 1 + 2 (hi 1 + hi ) ci + ci+1 hi :
1 ) hi
+ 3 (ci + ci
1 ) hi 1
De (1) se tiene
3
(yi+1
hi
yi )
3
hi
(yi
yi
1)
= ci
1 hi 1
+ 2 (hi
+ hi ) ci + ci+1 hi
i = 2; :::; n
1;
que a su vez puede escribirse como

2
3
ci 1
3
(hi 1 ; 2 (hi 1 + hi ) ; hi ) 4 ci 5 =
(yi+1
hi
ci+1
yi )
Por otro lado, se tiene
1
cn = f 00 (xn ) = 0;
2
3
hi
(yi
1
yi
1)
i = 2; :::; n
1:
6.2. PROBLEMAS CON SISTEMAS DE ECUACIONES LINEALES.
325
y
0 = f 00 (x1 ) = S100 (x1 ) = 2c1 ;
de donde c1 = 0:
Se denen !
c T = (c1 ; :::; cn ) 2 Rn con c1 = cn = 0; la matriz A siguiente:
2
1
0
0
0
6 h1 2 (h1 + h2 )
h
0
2
6
6 0
h
2
(h
+
h 3 ) h3
0
2
2
6
6 ..
..
.
.
..
..
.
A=6
6 .
6 ..
.
.
6 .
.
hn 2
6
4 0
hn 2 2 (hn 2 + hn
0
0
0
!
y el vector b T 2 Rn :
6
! 6
b =6
6
4
3
hn
(yn
(y3
yn
3
h1
y2 )
1)
3
hn
(y2
2
(yn
y1 )
1
1)
hn
1
7
7
7
7
7
7;
7
7
7
7
5
0
3
h2
0
0
0
..
.
..
.
yn
7
7
7:
7
2) 5
En consecuencia, se obtiene el siguiente sistema de ecuaciones lineales

!
A!
c = b:
Una vez calculado !
c , de (5) se obtiene d1 ; :::; dn
y de (8) se obtiene b1 ; :::; bn
1:
Problemas de optimizacin.
Mencionamos brevemente otros problemas que requieren de la resolucin numrica de sistemas de
ecuaciones lineales en la resolucin de problemas de optimizacin como en: programacin lineal,
programacin cuadrtica, programacin dinmica, control optimal, optimizacin de funciones convexas
con o sin restricciones, problemas de grafos y redes, y de manera ms general en el anlisis combinatorio.
6.2.
Problemas con sistemas de ecuaciones lineales.
Un sistema de ecuaciones lineales es un conjunto de ecuaciones de la forma

8
>
< a11 x1 + ::: + a1n xn = b1
..
.
>
:
a1 x1 + ::: + amn xn = bm;
donde x1 ; :::; xn son las incgnitas cuyos valores queremos determinar, y aij
son constantes reales conocidas. Pongamos
2
3
2
3
2
a11
a1n
b1
! 6 . 7
6
7
6
A = 4 ...
b = 4 .. 5 ; !
x =4
5;
am1
amn
bm
entonces A es una matriz de m n, esto es, A 2 Mm
!
(12) se expresa en forma matricial como A!
x = b:
n [R];
(12)
i = 1; :::; n, bi , i = 1; :::; m
3
x1
.. 7 ;
. 5
xn
!
b 2 Rm y !
x 2Rn . El sistema de ecuaciones
En lo sucesivo consideraremos el problema (P) siguiente: hallar, si existe, !

x 2 Rn solucin del sistema
de ecuaciones lineales
!
A!
x = b:
326
Consideremos tres clases de problemas.

Problema I
Suponemos que m < n, es decir que tenemos ms incgnitas que ecuaciones. Esta clase de sistemas de
ecuaciones poseen innitas soluciones o ninguna solucin.
Cuando el sistema de ecuaciones lineales tiene innitas soluciones, se dice que el sistema es
sobredeterminado. Si el rango de la matriz A es m, esto es, R(A) = m, el sistema de ecuaciones posee
innitas soluciones y en tal caso consideramos el problema siguiente denominado solucin del sistema
de ecuaciones lineales en norma mnima:
kb
xk2 = !
Minn k!
x k2 ;
(13)
x 2R
!
A!
x= b
!
esto es, entre todas las soluciones !
x 2 Rn del sistema de ecuaciones A!
x = b , seleccionamos una que
posea norma mnima que lo notamos con x
b.
Ejemplos
1. La ecuacin x + y + z + w = 1 posee innitas soluciones. Esta ecuacin se escribe en forma matricial

como
2
3
x
6 y 7
7
(1; 1; 1; 1) 6
4 z 5 = 1:
w
Note que la matriz A = (1; 1; 1; 1) es un vector la y su rango es R(A) = 1, b = 1. La solucin en
norma mnima es x
b = ( 14 ; 41 ; 14 ; 41 ).
3x 2y + 5z = 2
2. El sistema de ecuaciones lineales
con (x; y; z) 2 R3 , tiene innitas soluciones.
8x + y 3z = 3
!
La matriz A, los vectores b y !
x son
2 3
x
!
2
3
2 5
!
4
;
x = y 5:
;
b =
A=
3
8 1
3
z
El rango de la matriz A es 2.
x 2y + 3z = 1
con (x; y; z) 2 R3 ; no tiene solucin. Pus
4x + 8y 12z = 0
4 a la primera ecuacin, obtenemos el sistema de ecuaciones siguiente:
3. El sistema de ecuaciones lineales

si multiplicamos por
4x + 8y
4x + 8y
12z = 4
que es un sistema contradictorio.
12z = 0;
Problema II
Supongamos que m > n. En este caso, el sistema de ecuaciones lineales tiene ms ecuaciones que
incgnitas. Esta clase de ecuaciones tienen, por lo general, solucin nica o ninguna solucin.
!
Denotemos con Aj la j-sima columna de la matriz A. Si el vector b pertenece el espacio generado por
las columnas de A:
8
9
n
<
=
X
!
b 2
A
j
2
R;
j
=
1;
:::;
n
;
j j
i
:
;
j=1
entonces, el sistema de ecuaciones lineales posee una nica solucin !

x T = (x1 ; :::; xn ) 2 Rn .
6.2. PROBLEMAS CON SISTEMAS DE ECUACIONES LINEALES.

!
Si b 2
=
n
P
j Aj
j=1
2 R;
327
j = 1; :::; n , el sistema de ecuaciones lineales no tiene solucin. En este
caso, consideraremos el problema siguiente: hallar x

b 2 Rn tal que
kAb
x
! 2
bk =!
Min kA!
x
x
! 2
bk :
2Rn
(14)
Este problema se conoce como solucin en mnimos cuadrados.

!
Note que no se pretende resolver el sistema de ecuaciones A!
x = b , de hecho este sistema no tiene
solucin. En realidad planteamos un problema de mnimos cuadrados anlogo al presentado en la seccin
!
precedente. En efecto, como el sistema de ecuaciones A!
x = b no tiene solucin, denimos el residuo
!
r (!
x ) 2 Rm como
!
!
r (!
x ) = A(!
x)
b; !
x 2 Rn :
El problema de mnimos cuadrados consiste en determinar en vector x
b 2 Rn que minimice k!
r (!
x )k2
!
cuando x recorre todo Rn , o sea
k!
r (b
x)k2 = Min k!
r (!
x )k2 :
!
x 2Rn
Este problema se abordar con ms detalle en el captulo de mnimos cuadrados.

Ejemplo
Considrese los datos de la tabla siguiente:
x
0
1
2
3
4
y
1
1.5
2
2.5
3
z
5
10.9
17.1
23
30
Con estos datos se desea encontrar una
funcin real f de la forma

z = f (x; y) = a + bx + cy
Se establece el sistema de ecuaciones lineales
8
a
>
>
>
>
< a +
a +
>
>
a +
>
>
:
a +
siguiente:
+
c
=
5
b + 1;5 = 10;9
2b + 2c = 17;1
3b + 2;5c = 23
4b + 3c = 30:
Este sistema de ecuaciones no tiene solucin. Poniendo

3
2
2
1 0 1
6 1 1 1;5 7
6
7 ! 6
6
6
7
A = 6 1 2 2 7; b = 6
6
4
4 1 3 2;5 5
1 4 3
el residuo es
con lo cual
Problema III
x; y 2 R:
5
10;5
17;1
23
30
2 3
7
a
7 !
7; x = 4 b 5;
7
5
c
!
r (!
x) =!
r (a; b; c) = A!
x
k!
r (b
a; bb; b
c)k2 =
Min
(a;b;c)2R3
!
b;
k!
r (a; b; c)k2 :
Cosideramos sistemas de ecuaciones lineales que tienen igual nmero de ecuaciones que incgnitas,
esto es, m = n. Encontramos tres clases de sistemas: aquellos que tienen solucin nica denominados
sistemas de ecuaciones lineales consistente. Aquellos sistemas que tienen innitas soluciones denominados
sobredeterminados y aquellos que no tienen solucin llamados inconsistentes.
328
Denotamos con TA la aplicacin lineal asociada a la matriz A, esto es:

TA :
Rn !
Rn
!
x ! TA (!
x ) = A!
x:
El ncleo de TA se dene como el conjunto

ker(TA ) = f!
x 2 Rn j TA (!
x ) = 0g = f!
x 2 R n j A!
x = 0g:
El rango de TA
R(TA ) = fTA (!
x)j!
x 2 Rn g = fA!
x j!
x 2 Rn g:
El resultado fundamental del lgebra lineal que caracteriza a las aplicaciones lineales en espacios de
dimensin nita es la relacin que se establece entre las dimensiones del ncleo y del rango que estn
ligadas por la siguiente frmula:
dim ker(TA ) + dim R(TA ) = n:
!
Entonces, el sistema de ecuaciones A!
x = b tiene solucin nica si y solo si una de las propiedades
siguientes se verica:
i) ker(TA ) = f0g:
ii) R(TA ) = Rn :
iii) A es una matriz invertible.
iv) det(A) 6= 0:
La propiedad i) signica que TA es inyectiva. La propiedad ii) muestra que TA es sobreyectiva. La
propiedad iii) signica que TA es biyectiva y TA 1 = TA 1 . Adems, en el caso en que una de estas
propiedades se verique, las columnas de la matriz A son linealmente independientes. De manera similar,
las las de la matriz A son linealmente independientes.
!
A la solucin nica del sistema de ecuaciones A!
x = b lo notamos con !
x =A
la matriz inversa de A.
1!
b,
donde A
denota
Si el sistema de ecuaciones no tiene solucin, abordaremos el problema de mnimos cuadrados siguiente:

hallar x
b 2 Rn tal que k Ab
x
bb k2 = Min k Ab
x
!
x 2Rn
bb k2 :
Si el sistema de ecuaciones lineales tiene innitas soluciones, trataremos el problema de norma mnima
siguiente:
hallar x
b 2 Rn tal que k x
b k2 = !
Minn k x
b k2 :
x 2R
Ab
x=b
b
En este captulo nos ocuparemos de la resolucin numrica de estos tres problemas. Particularmente, para
los sistemas cuadrados de ecuaciones lineales utilizaremos los mtodos directos. Los mtodos iterativos y
las soluciones en mnimos cuadrados se tratarn ms adelante en captulos separados.
Observacin: Si A es una matriz de n n invertible, cuando notamos a la solucin del sistema de ecuaciones
!
!
A!
x = b con !
x = A 1 b , donde A 1 denota la matriz inversa de A, lo nico que queremos indicar es
que nuestro sistema de ecuaciones tiene solucin nica. Esto no quiere decir que debemos calcular la la
matriz inversa A 1 para hallar su solucin !
x . Del punto de vista numrico esto no se hace, es por ello
que se buscan mtodos para resolver el sistema de ecuaciones que evitan el clculo de la matriz inversa
A 1:
6.3. ALGUNOS TIPOS DE MATRICES IMPORTANTES.
6.3.
329
Algunos tipos de matrices importantes.
En esta seccin tratamos principalmente los siguientes tipos de matrices: simtricas denidas positivas,
montonas, estrictamente diagonalmente dominantes, normales, y ortogonales.
Las relaciones de orden
y < en el espacio de matrices Mn
A = (aij ) ; B = (bij ) dos matrices de Mn n [R] : Escribiremos
A
B , aij
n [R]
se denen a continuacin. Sean
bij i; j = 1; :::; n;
A 0 , aij > 0 i; j = 1; :::; n:

En forma similar se denen las relaciones de orden
(y1 ; :::; nyn ) son dos elementos de Rn , escribiremos
; y < en Rn , esto, es, si !

x T = (x1 ; :::; xn ) ; !
yT =
!
!
x
y , xi yi i = 1; :::; n;
!
!
x < y , xi < yi i = 1; :::; n;
!
x
0 , xi 0 i = 1; :::; n;
!
x > 0 , x > 0 i = 1; :::; n:
i
El producto escalar en Rn de dos vectores columna !

x T = (x1 ; :::; xn ) ; !
y T = (y1 ; :::; yn ) s denota h!
x;!
y i;
!
!
!
!
T
o tambin x y o x y y se dene como
h!
x;!
yi=!
x T!
y =!
x !
y =
n
X
xi yi :
i=1
La norma asociada al producto escalar h ; i se nota k k y se dene como

k!
xk= !
x T!
x
1
2
n
X
!1
2
x2i
i=1
8!
x 2 Rn ;
con !
x T = (x1 ; :::; xn ) :
6.3.1.
Matrices simtricas denidas positivas.
Sea A = (aij ) 2 Mn
de A.
n [R]
una matriz simtrica, esto es, A = AT , donde AT denota la matriz transpuesta
Denicin 1 Consideramos la forma cuadrtica q de Rn en R denida por q (!

x) = !
x T A!
x
!
n
8x 2R :
i) Se dice que la forma cuadrtica q es denida positiva si q (!
x)>0
ii) Se dice que la forma cuadrtica q es semi-denida positiva si q (!
x)
iii) Se dice que q es denida negativa si
8!
x 2 Rn ;
0 8!
x 2 Rn :
q es denida positiva.
iv) Se dice que q es semi-denida negativa si
!
x 6= 0:
q es semi-denida positiva.
330
Denicin 2
i) Diremos que A es denida positiva si la forma cuadrtica q es denida positiva.
ii) Diremos que A es semi-denida positiva si la forma cuadrtica q es semi-denida positiva.
iii) Diremos que A es denida negativa (semi-denida negativa) si la forma cuadrtica q es denida
negativa (resp. semi-denida negativa).
Ejemplos
1. Sean
1 ; :::;
2 R y A = (aij ) 2 Mn
n [R]
aii =
aij
la matriz denida como

i;
= 0;
i = 1; :::; n;
i:j = 1; :::; n; i 6= j:
La matriz A se llama matriz diagonal y se le denota como A = diag ( 1 ; :::;

simtrica. Adems, A es denida positiva si y solo si i > 0; i = 1; :::; n:
n) :
Se tiene que A es
2. Sea A = (aij ) 2 Mn n [R] una matrtiz no singular. Las matrices B = AT A y C = AAT son
T
T
simtricas, denidas positivas. En efecto, B es simtrica. Pus, B T = AT A
= AT AT
y
T
como AT
= A, se sigue que B T = AT A = B: Adems, como A no es singular, se tiene
!
!
A x = 0 , x = 0: Luego, para !
x 2 Rn con !
x 6= 0;
T
2
!
x T B!
x =!
x T AT !
x = (A!
x ) A!
x = kA!
x k > 0;
que prueba que B es denida positiva.

As, B es simtrica, denida positiva. En forma similar se muestra que C es simtrica, denida
positiva.
Consecuencias
Sea A = (aij ) 2 Mn
n [R] :
1. Si A es simtrica, denida positiva, A es no singular.

2. Si A es simtrica, denida positiva, entonces la funcin h ; i de Rn en R denida por
hA!
x;!
xi=!
x T A!
x 8!
x 2 Rn ;
es un producto escalar en Rn y la norma asociada a este producto se nota
k!
x kA = !
x T A!
x
1
2
8!
x 2 Rn :

Teorema 1 Sea A = (aij ) 2 Mn
n [R].
331
Las siguiente proposiciones son equivalentes.
i) A es simtrica, denida positiva.

ii) Para toda matriz B 2 Mn
n [R]
no singular, B T AB es simtrica denida positiva.
iii) Todos los valores propios de A son positivos.

1
iv) A
es simtrica, denida positiva.
v) aii > 0
i = 1; :::; n:
vi) det (A) > 0 y det (Ak ) > 0; k = 1; :::; n, donde Ak es la matriz de k
k primeras las y columnas de A:
vii) Se dene A0 = I; Am+1 = Am A y A
positiva, para todo m 2 Z.
= A
1 m
k obtenida de A con las
para m 2 N. Se tiene Am simtrica, denida
viii) Existe una matriz triangular inferior L no singular tal que A = LLT :
Demostracin. Son resultados conocidos del lgebra lineal. Las demostraciones y ms detalles sobre
este tema puede encontrar en los textos de Algebra Lineal citados en la bibliografa.
6.3.2.
Matrices montonas y diagonalmente dominantes.
Denicin 3 Sea A = (aij ) 2 Mn

!
x
0:
Ejemplo
2
2
Sea A = 4 1
0
Se dice que A es montona si para !

x 2 Rn ; A!
x
n [R].
3
0
1 5y!
x T = (x1 ; x2 ; x3 ) 2 R3 : Entonces,
2
2
32
3 2
3
2
1 0
x1
2x1 x2
1 5 4 x2 5 = 4 x1 + 2x2 x3 5
A!
x =4 1 2
0
1 2
x3
x2 + 2x3
1
2
1
es decir
8
x2
< 2x1
x1 +2x2
x3
:
x2 +2x3
0 =)
0
0
0
Multiplicando por 2 a la primera desigualdad y sumando con la segunda, obtenemos 3x1 x3 0 ( ):

De manera similar, multiplicando por 2 a la tercera desugaldad y sumando con la segunda, obtenemos
x1 + 3x3 0 ( ): Multiplicando por 3 a (**) y sumando (*) deducimos 8x3 0 ) x3 0: De (*),
se tiene
3x1 x3 0 ) x1 0:
Como
x1 + 2x2
Luego, A!
x
x3
0)!
x
0 ) 2x2
x1 + x3
0 ) x2
0:
0, es decir A es montona.
Teorema 2 Sea A 2 Mn
n [R].
Entonces, A es montona si y solo si A
Demostracin. Supongamos que A

supongamos A!
x
0. Entonces,
0:
0. Mostremos que A es montona. En efecto, sea !

x 2 Rn y
(A!
x)
de donde
A
A !
x
0 = 0;
0,!
x
0:
332
As,
A!
x
0)!
x
0:
Recprocamente, supongamos que A es montona, probemos que A es invertible y que A

Sea !
x 2 Rn tal que A!
x = 0. Por ser A montona, se tiene !
x
0:
0:
Por otro lado, A ( !

x) = 0 ) !
x
0o!
x
0: Consecuentemente, A!
x =0)!
x = 0, es decir que
ker (TA ) = f0g, donde TA es la aplicacin lineal de Rn en Rn denida por TA (!
x ) = A!
x , que prueba que
A es invertible.
Ponemos A 1 = [B1 ; :::; Bn ] con Bj la j-sima columna de A 1 y sea !
e T1 ; :::; !
e Tn
n
R : Puesto que
AA 1 !
ej =!
e j 0 ) A 1!
e j 0 j = 1; :::; n;
pero A 1 !
e =B
0. Luego A 1 0:
j
la base cannica de
n [R] :
i) Se dice que A es estrictamente diagonalmente dominante si y solo si jaii j >

1; :::; n:
ii) Se dice que A es diagonalmente dominante si y solo si jaii j
Pn
j=1 jaij j ;
j6=i
Pn
j=1 jaij j ;
j6=i
i=
i = 1; :::; n:
Ejemplos
1. La siguiente es una matriz

2
6
6
6
2. La matriz A = 6
6
6
4
2
1
..
.
..
.
0
1
2
..
.
4
6 2
estrictamente diagonalmente dominante: A = 6
4 3
0
3
0
0
1
0 7
7
.. 7
..
..
.
.
. 7
7es diagonalmente dominante.
7
..
..
.
.
1 5
1 2
1
5
2
1
1
1
7
4
3
0
1 7
7:
1 5
6
3. Sean k > 0; k = 1; :::; m; hi > 0; i = 1; :::; n + 1; A = (aij ) ; B = (bij ) las matrices que se
denen a continuacin:
8
8
1
; i = 1; :::; n;
aii = h1i + hi+1
>
>
bii = h3i + hi+1
>
>
3 ; i = 1; :::; n;
>
>
<
<
1
h
i
aii 1 = hi ; i = 2; :::; n;
bi;i 1 = 6 ; i = 2; :::; n;
1
>
>
a
=
;
i
=
1;
:::;
n
1;
bii+1 = hi+1
; i = 1; :::; n 1;
ii+1
>
>
hi+1
>
>
:
: b = 0 6 si ji jj > 1:
aij = 0 si ji jj > 1;
ij
Las matrices A y B son tridiagonales con A diagonalmente dominante y B estrictamente

diagonalmente dominante. Las matrices B + 2k A k = 1; :::; m; son estrictamente diagonalmente
dominantes. Esta clase de matrices surgen en la discretizacin de ecuaciones en derivadas parciales
del tipo parablico siguiente:
@u @ 2 u
= f:
@t
@x2
n [R] :
i) Si A es estrictamente diagonalmente dominante, A es no singular.

ii) Si A es estrictamente diagonalmente dominante y simtrica con aii > 0 i = 1; :::; n; A es denida
positiva.
333
Demostracin. i) Supongamos que A es singular, entonces ker (TA ) = f0g donde TA es la aplicacin
!
lineal denida por TA (!
x ) = A!
x ; 8!
x 2 Rn : Sea !
x T = (x1 ; :::; xn ) 2 ker (TA ) con !
x 6= 0 y
k 2 f1; :::; ng tal que jxk j = Max jxi j. Se tiene xk 6= 0 y como !
x 2 ker (TA ) ; TA (!
x ) = A!
x = 0 y en
i=1;:::;n
consecuencia la k-sima ecuacin se escribe

ak1 x1 + ::: + akk
1 xk
+ akk xk + akk+1 xk+1 + ::: + akn xn = 0;
de donde
n
X
akk xk =
akj xj;
j=1
j6=k
y de esta igualdad, tomando el valor absoluto, se tiene

jakk j jxk j = jakk xk j =j
n
X
j=1
j6=k
ak xj j
j=1
j6=k
jakj j jxj j ;

jakk j
Puesto que jxj j
jxk j
j = 1; :::; n;
jxj j
jxk j
n
X
j=1
j6=k
jakj j
jxj j
:
jxk j
Pn
1. Luego jakk j
es estrictamente diagonalmente dominante, esto es, jakk j >
n
P
j=1
j6=k
j=1
j6=k
jakj j ; que contradice la hiptesis A
jakj j
k = 1; :::; n:
ii) Se propone como ejercicio.

Teorema 4 Sea A = (aij ) 2 Mn n [R]. Supngase que aii > 0 i = 1; :::; n; aij
0 para
i; j = 1; :::; n; i 6= j; y, A es estrictamente diagonalmente dominante, entonces A es montona.
Demostracin. Sea D la matriz diagonal denida por D = diag (a11 ; :::; ann ) : Puesto que aii > 0; i =
1; :::; n; D es invertible y
1
1
D 1 = diag
; :::;
:
a11
ann
Se dene B = I
1A
= (bij ). Entonces
bii = 0 i = 1; :::; n;
aij
0 i; j = 1; :::; n; i 6= j:
bij =
aii
Como A es estrictamente diagonalmente dominante, A es invertible. De la igualdad B = I D

sigue que A = D (I B) o bien D 1 A = I B que muesta que I B es invertible. Adems,
A
= (I
B)
Por otro lado, A es estrictamente diagonalmente dominante, entonces

aii >
n
X
j=1
j6=i
jaij j =
de donde
1>
X
j=1
j6=i
n
X
aij i = 1; :::; n;
j=1
j6=i
X
aij
=
bij;
aii
j=1
j6=i
1A
se
334
que muestra que la matriz I
B es estrictamente diagonalmente dominante.
Sea m 2 Z+ , no es difcil probar que

l m (I
Se dene Sm =
m
P
B)
m!1
B m+1 = 0:
B k . Entonces
k=0
Sm
BSm = I
Sm = (I
Luego
1
X
B)
bk = l m Sm = (I
= (I
B)
l m (I
m!1
B m+1
B) Sm = I
B m+1 = (I
B)
m!1
k=0
As,
B m+1 () (I
1
X
B)
B)
Bk D
(I
B)
B m+1 = (I
B m+1 :
B)
0:
k=0
6.3.3.
Matsrices normales y ortogonales.
Denicin 5 Sea Q = (qij ) 2 Mn
n [R] :
i) Se dice que Q es una matriz normal si QQT = QT Q:

ii) Se dice que Q es una matriz ortogonal si QQT = QT Q = I:
Ejemplos
1. Toda matriz simtrica A es una matriz normal. En efecto, como A = AT se sigue que
A2 = AA = AAT = AT A:
2. Sea A 2 Mn
n [R]
y Q = AT A. Entonces Q es una matriz normal. Pus

QT = AT A
= AT AT
= AT A = Q;
que muestra que Q es una matriz simtrica. En consecuencia, Q es una matriz normal. Note que
Q 2 Mn n [R] : De manera similar, la matriz Q = AAT es simtrica luego Q es una matriz normal.
Note que Q 2 Mm m [R] :
3. Sea
2 R y Q( ) =
cos( )
sen( )
sen( )
cos( )
: Entonces
Q ( )T =
cos( ) sen( )
sen( ) cos( )
Como sen2 ( ) + cos2 ( ) = 1, resulta

Q ( ) = Q ( )T =
=
cos( )
sen( )
sen( )
cos( )
cos( ) sen( )
sen( ) cos( )
cos2 ( ) + sen2 ( )
sen2 (
)+
cos2 (
1 0
0 1
As, Q ( ) Q ( )T = I: De manera similar se obtiene Q ( )T Q ( ) = I. Por lo tanto Q ( ) es una

matriz ortogonal.
La matriz Q ( ) se llama matriz de rotacin.
335
4. Toda matriz de permutacin P es una matriz ortogonal. pues P T = P
o bien P P T = P T P = I:
5. Toda matriz ortogonal es una

pero el recproco, en general, no es cierto. Para ello
2 matriz normal,
3
1 1
1
considrese la matriz A = 4 2 2 0 5 y Q = AT A: Resulta que Q es una matriz simtrica, por
3 3 1
lo tanto Q es una matriz normal. Adems
2
32
3 2
3
1 2 3
1 1
1
14 14 2
Q = AT A = 4 1 2 3 5 4 2 2 0 5 = 4 14 14 2 5 ;
1 0 1
3 3 1
2 2 2
2
32
3 2
3
14 14 2
14 14 2
396 396 60
QQT = 4 14 14 2 5 4 14 14 2 5 = 4 396 396 396 5 6= I:
2 2 2
2 2 2
60 396 12
6. Matriz de Householder. Sea !
u 2 Rn tal que k!
u k = 1. La matriz
2!
u!
uT
H=I
es ortogonal. Esta matriz H se conoce como matriz de Householder, quien la propuso en 1958.
Mostremos que H es ortogonal. En efecto,
HH T
2!
u!
uT
2!
u!
uT
I
I
Puesto que I !
u!
uT =!
u!
u T;
T
2!
u!
u T = I 2!
u!
uT
2!
u!
u T = I 2I !
u!
uT
2 !
u!
uT
2 !
u!
uT I +4 !
u!
uT
IT
!
u!
uT :
!
u!
ut I =!
u!
u T, y
2
1 = k!
uk =!
u T!
u;
entonces
HH T = I
4!
u!
u T I + 4!
u !
u T!
u !
uT =I
4!
u!
u T + 4!
u!
u T = I:
Adems, la matriz H es simtrica. Pus,

HT = I
2!
u!
uT
=I
2!
u!
u T = H:
En consecuencia,
H 2 = H T H = HH T = I:
La matriz de Householder H es vital para el desarrollo del mtodo de factorizacin QR de
Householder que se utiliza en la resolucin de sistemas de ecuaciones lineales (vase el captulo
de mnimos cuadrado, mtodo de Householder) y el clculo de valores y vectores propios (vase
el captulo de valores y vectores propios). En la descomposicin de Householder, Q es una matriz
ortogonal que se construye con la matrices H y R es una matriz triangular superior. Ms adelante
se ver esta factorizacin.
Observacin.
De la denicin de matriz ortogonal se desprende inmediatamente que si Q es tal matriz, Q es invertible
y que Q 1 = QT : Como consecuencia de este ltimo resultado, se deduce que la matriz de Householder
es invertible, y,
H 1 = H T = H:
Teorema 5 Sea Q 2 Mn
n [R].
Entonces Q es normal si y solo si

QT !
x = kQ!
xk
8!
x 2 Rn :
336
Demostracin. Supongamos que Q es normal. Entonces QQT = QT Q: Luego, para todo !

x 2 Rn ;
QT !
x
= QT !
x
QT !
x =!
x T QT
T
2
QT !
x =!
x T QQT !
x =!
x QT Q!
x = (Q!
x ) Q!
x = kQ!
xk :
Tomando en cuenta que la norma es no negativa, se sigue que

xk
QT !
x = kQ!
Recprocamente, supongamos que QT !
x = kQ!
xk
QT !
x
As, !
x T QQT
8!
x 2 Rn :
8!
x 2 Rn . Se tiene
T
2
T
kQ!
x k , QT !
x
QT !
x = (Q!
x ) Q!
x ,!
x T QQT !
x =!
x T QT Q!
x
!
!
T
T
T
, x QQ
Q Q x = 0:
QT Q !
x =0
8!
x 2 Rn , de donde
QQT
QT Q = 0 , QQT = QT Q:
Teorema 6 Sean Q1 ; Q2 dos matrices ortogonales. Entonces Q1 Q2 es una matriz ortogonal.

Demostracin. Si Q1 ; Q2 son matrices ortogonales, se tiene
Q1 QT1
= QT1 Q1 = I;
Q2 QT2
= QT2 Q2 = I:
Luego,
(Q1 Q2 )T Q1 Q2 = QT2 QT1 Q1 Q2 = QT2 QT1 Q1 Q2 = QT2 IQ2 = QT2 Q2 = I:
De manera similar se prueba que Q1 Q2 (Q1 Q2 )T = I: Por lo tanto Q1 Q2 es una matriz ortogonal.
Nota: Si Q1 ; Q2 son matrices normales, en general, Q1 Q2 no es una matriz normal. Exhibimos dos
ejemplos, uno en el que el resultado es verdadero y otro en el que el resultado es falso.
3
1
1. Consideremos Q1 ; Q2 las matrices Q1 =

Q1 QT1
Q1 QT1
3
1
1
3
3 1
1 3
1
3
3
1
3 1
1 3
2
1
10 0
0 10
1
3
1
2
Q2 =
: Entonces
= 10I;
= 10I:
Luego, QT1 Q1 = Q1 QT1 , es decir, Q1 es una matriz normal. De modo similar, tenemos
Q2 QT2 =
1
2
2
1
1 2
2 1
5 0
0 5
= 5I = QT2 Q2 ;
que muestra que Q2 es normal.

Ahora,
3
1
Q1 Q2 =
1
3
1
2
2
1
1
7
7
1
y
1 7
7 1
(Q1 Q2 )T Q1 Q2 =
(Q1 Q2 ) (Q1 Q2 )T
1
7
Resulta que Q1 Q2 es una matriz normal.
7
1
1
7
7
1
50 0
0 50
= 50I;
1 7
7 1
50 0
0 50
= 50I:

1 1
1 1
2. Sean Q1 =
1 1
1 1
QT1 Q1 =
1
1
Q2 QT2
0 0
0 1
1 1
1 1
Sea A = Q1 Q2 =
0 0
. Entonces
0 1
Q2 =
Q1 QT1
337
0 0
0 1
1
1
1
1
1
1
2 0
0 2
= 2I;
1 1
1 1
2 0
0 2
= 2I;
0 0
0 1
0 0
0 1
= QT2 Q2 :
0 1
. Luego
0 1
0 1
0 1
0 0
1 1
1 1
1 1
AT A =
0 0
1 1
0 1
0 1
0 0
0 2
AAT
Claramente AAT 6= AT A. El producto de dos matrices normales, no es en general, una matriz

normal como acabamos de comprobar.
n [R].
Las tres proposiciones siguientes son equivalentes:
i) QT Q = I;
T
ii) (Q!
x ) Q!
y =!
x T!
y
iii) kQ!
x k = k!
xk
8!
x;!
y 2 Rn ;
8!
x 2 Rn :
Demostracin. i) ) ii.) Supongamos que QT Q = I sean !

x;!
y 2 Rn . Entonces
T
(Q!
x ) Q!
y =!
x T QT Q!
y =!
x T I!
y =!
x T!
y:
T
ii) ) iii.) Sean !
x;!
y 2 Rn . Si (Q!
x ) Q!
y =!
x T!
y , en particular para !
x =!
y , se tiene
2
T
2
kQ!
x k = (Q!
x ) Q!
x =!
x T!
x = k!
xk ;
de donde
kQ!
x k = k!
xk
iii) ) i.) Si kQ!

x k = k!
xk
2
kQ!
xk
8!
x 2 Rn , se sigue que:
8!
x 2 Rn :
2
T
k!
x k , (Q!
x ) Q!
x =!
x T!
x ,!
x T QT Q!
x =!
x T I!
x
!
!
!
T
T
n
, x Q Q I x = 0 8x 2R ;
de donde QT Q = I:
siguientes:
n [R].
Entonces, Q es ortogonal si y solo si se satisfacen las dos condiciones
i) Q es invertible.
ii) kQ!
x k = k!
xk
8!
x 2 Rn :
Demostracin. Supongamos que Q es ortogonal. Entonces QT Q = QQT = I; de donde QT = Q

es, Q es una matriz invertible.
1,
esto
338
Sea !
x 2 Rn . Entonces
2
T
2
kQ!
x k = (Q!
x ) Q!
x =!
x T QT Q!
x =!
x T I!
x =!
x T!
x = k!
xk ;
con lo cual
kQ!
x k = k!
xk
8!
x 2 Rn :
As, si Q es ortogonal, se tiene i) ) ii):

Recprocamente, supongamos que se satisfacen i) y ii). Mostremos que Q es ortogonal. Por i) se tiene que
Q es invertible y por ii)
kQ!
x k = k!
xk
8!
x 2 Rn :
Por el teorema precedente se deduce que QT Q = I que implica QT = Q
QQT = QQ
1.
Luego
= I = QT Q;
es decir que Q es una matriz ortogonal.
6.4.
Mtodos directos de resolucin de sistemas de ecuaciones lineales.
!
En lo sucesivo consideraremos sistemas de ecuaciones lineales A!
x = b ; donde A = (aij ) 2 Mn n [R] con
!
A 6= 0 y b 2 Rn . Como ya se indic en el captulo 1, llamamos mtodo directo de resolucin del sistema
de ecuaciones lineales, un mtodo que conduce a la solucin del problema al cabo de un nmero nito de
pasos, o bien en un nmero nito de operaciones aritmticas elementales (suma, resta, multiplicacin ,
divisin y raz cuadrada) que es funcin de la dimensin n del sistema.
En cada mtodo directo, se debe estimar: el nmero de operaciones elementales necesarias en la ejecucin
del algoritmo, y, la exactitud y precisin del mtodo.
i) El nmero de operaciones elementales necesarias en la ejecucin del algoritmo es una funcin que
depende de la dimensin n de la matriz cuadrada A; a esta funcin se le denota N oper: Z+ ! R
que a cada n 2 Z+ asocia N oper (n) que expresa el nmero total de operaciones elementales.
ii) La exactitud y precisin del mtodo dependen sobre todo del condicionamiento de la matriz y de la
estabilidad del mtodo, es decir que pequeos errores en los datos de entrada provocan pequeos
errores en los datos de salida, o lo que es lo mismo, es insensible a la propagacin de errores de
redondeo. En el apndice se muestra el nmero de condicionamineto.
Para cada mtodo estudiado se debe elaborar un algoritmo numrico, en lo posible, el ms ptimo.
En este captulo se tratarn los mtodos clsicos de resolucin de sistemas de ecuaciones lineales siguientes:
1.- Mtodo de eliminacin gaussiana simple, con pivoting parcial y con pivoting total.
2.- Mtodo de facturacin LU.
3.- Mtodo de Choleski.
El mtodo de Householder ser estudiado en el captulo de mnimos cuadrados, sin embargo, en este
captulo introducimos algunos resultados acerca de las matrices ortogonales.
Por otro lado, utilizando el mtodo de eliminacin gaussiana se propone un algoritmo de clculo de
la matriz inversa de A y otro para el clculo del determinante de A. Adicionalmente, par matrices
!
!
A = (aij ) 2 Mm n [R] no nulas, b 2 Rm , se consideran sistemas de ecuaciones A!
x = b ; y se buscan
soluciones en mnimos cuadrados si el sistema de ecuaciones no tiene solucin; y, en norma mnima si el
sistema de ecuaciones posee innitas soluciones.
6.4. MTODOS DIRECTOS DE RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES. 339

La idea general de los mtodos directos de resolucin de sistemas de ecuaciones lineales es la factorizacin
de la matriz A 2 Mn n [R] en la forma LR, donde L es una matriz elegida apropiadamente, R una matriz
triangular superior. Adems, L y R son matrices invertibles. Entonces
!
!
A!
x = b , LR!
x = b:
!
Sea !
y = R!
x , entonces L!
y = b . As,
(
!
!
L!
y = b;
!
Ax = b ,
(15)
R!
x =!
y;
!
que muestra que si la matriz A se factora en la forma LR, la resolucin del sistema de ecuaciones A!
x = b
es equivalente a los siguientes:
!
L!
y = b
(16)
y a continuacin
R!
x =!
y
(17)
Adems, como L, R son invertibles, se tiene
y
Luego
!
x =R
1!
y =R
1!
!
y =L
1!
!
x =R
1!
= R
y:
!
b = (LR)
1!
b =A
1!
b;
es decir que la solucin !

x del par de sistemas de ecuaciones (16) y (17) es la solucin del sistema de
!
!
ecuaciones A x = b y recprocamente. Por otro lado, los sistemas de ecuaciones 16) y 17) son muy
sencillos de resolver. Ms an, comenzaremos nuestro estudio de solucin de sistemas de ecuaciones
lineales de los tipos (16) y (17) denominados triangulares inferiores y superiores, respectivamente. A
continuacin se describen los mtodos de factorizacin de matrices A en la forma LR.
6.4.1.
Sistemas de ecuaciones lineales triangulares superiores e inferiores.
Denicin 6 Sean A = (aij ) 2 Mn
n [R],
!T
b = (b1 ; : : : ; bn ) 2 Rn .
i) Se dice que A es una matriz triangular superior si y solo si los coecientes de A satisfacen la
siguiente condicin:
aij = 0 para i > j, i = 2; :::n, j = 1; :::n:
(18)
!
ii) Si A es una matriz triangular superior, se dice que el sistema de ecuaciones lineales A!
x = b
es triangular superior.
iii) Se dice que A es una matriz triangular inferior si y solo si los coeecientes de A satisfacen la
condicin siguiente:
aij = 0 para j > i, i = 1; :::; n, j = 2; :::n:
(19)
!
iv) Si A es una matriz triangular inferior, el sistema de ecuaciones lineales A!
x = b se llama
sistema triangular inferior.
Ejemplos
2
3
6 0
1. La matriz A siguiente es triangular superior. A = 6
4 0
0
5
2
0
0
0
1
3
0
3
1
0 7
7:
2 5
4
340
8
2x+ 3y+ 5z
w = 1
>
>
<
y
z+ w = 2
2. El siguiente es un sistema de ecuaciones triangular superior:
3z
w =
1
>
>
:
5w = 20:
3
2
2 3 5
1
6 0 1
1 1 7
7 que es triangular
Note que la matriz A del sistema de ecuaciones es A = 6
4 0 0 3
1 5
0 0 0
5
superior.
8
4x
= 2
>
>
<
3x
2y
=
1
3. El siguiente es un sistema de ecuaciones lineales triangular inferior:
x
+2y
+3z
=
0
>
>
:
x
2y
2z
w =
2
2
3
4
0
0
0
6 3
7
2
0
0
7 que es triangular
Observe que la matriz A del sistema de ecuaciones es A = 6
4 1
2
3
0 5
1
2
2
1
inferior.
Resolucin numrica.
!
Sean A = (aij ) 2 Mn n [R] una matriz triangular superior, b 2 Rn . Consideramos el sistema de
ecuaciones lineales triangular superior:
!
A!
x = b;
o en forma explcita
8
>
< a11 x1 +
+ a1n xn
=
..
.
>
:
b1
ann xn = bn :
!
Los valores xi , i = 1; :::; n, de la solucin x = (x1 ; :::xn ), siempre que esta exista, se obtienen mediante
el procedimiento de vuelta atrs, siguiente:
xn =
xn 1 =
..
.
xj
bn
an
1
ajj
bj
1
a11
1;n 1
n
P
b1
n
P
ann 6= 0;
an 1;n 1 6= 0;
ajk xk
k=j+1
..
.
x1
bn
ann
an 1n xn
a1k xk ;
ajj 6= 0;
a11 6= 0:
k=2
Del clculo de x1 ; :::; xn ; se deduce que el sistema de ecuaciones lineales triangular superior tiene solucin
nica si y solo si aii 6= 0, i = 1; :::; n.
Para la resolucin de este sistema de ecuaciones se requieren ejecutar los nmeros siguientes de operaciones
elementales:
Productos : 0 + 1 + ::: + n
Adiciones : 0 + 1 + ::: + n
n (n 1)
;
2
n (n 1)
1=
;
2
1=
Divisiones : n:
!
El nmero total de operaciones para el clculo de !
x solucin de A!
x = b es
N oper (n) = n +
n (n 1) n (n 1)
+
= n2 :
2
2

Ejemplo
Resolver el sistema de ecuaciones

vuelta atrs, tenemos
u =
z =
y =
x =
8
>
>
<
3x +2y
0;5y
>
>
:
z +u =
+z
u =
4z +u =
2u =
1
3
0
1:
Aplicando el procedimiento de
1
= 0;5;
2
0 1 0;5
= 0;125;
4
3 0;125 ( 1) 0;5
= 6;75;
0;5
1 2 6;75 ( 1) 0;125 0;5
= 4;625:
3
La solucin es !
x T = (4;625; 6;75; 0;125; 0;5) :
Algoritmo
El procedimiento de vuelta atrs descrito precedentemente permite elaborar el siguiente algoritmo:
!
Datos de entrada: n 2 Z+ , A = (aij ) 2 Mn n [R], b T = (b1 ; :::; bn ) 2 Rn :
Datos de salida: !
x T = (x1 ; :::; xn ) 2 Rn , Mensaje: Matriz A singular.
1. Si ann 6= 0, xn =
bnn
ann :
Caso contrario, imprimir mensaje. Continuar en 4).

2. Para j = n
1; :::; 1
Si ajj 6= 0:;
S = 0:
k = j + 1, n
S = S + ajk xk
xj =
(bj S)
aj
Fin de bucle k.
Caso contrario, imprimir mensaje. Continuar en 4)
Fin de bucle j.
3. Imprimir !
x T = (x1 ; :::; xn ) : Continuar en 5).
4. Mensaje: matriz singular.
5. Fin.
Tratamos continuacin los sistemas de ecuaciones lineales triangulares inferiores.
!
Sean A = (aij ) 2 Mn n [R] una matriz triangular inferior, b T = (b1 ; :::; bn ) 2 Rn . Consideremos el
!
sistema de ecuaciones triangular inferior A!
x = b ; o escrito en forma explcita
8
= b1 ;
>
< a11 x1
..
.
>
:
an1 x1 +::: + ann xn = bn ;
342
cuya solucin !
x T = (x1 ; :::; xn ), siempre que esta exista, puede calcularse con el procedimiento siguiente:
8
1
, a11 6= 0;
x1 = ab11
>
>
>
<
!
jP1
>
1
>
>
bj
ajk xk , ajj 6= 0; j = 2; :::; n:
: xj = ajj
k=1
Algoritmo
Datos de entrada: n 2 Z+ , A = (aij ) 2 Mn
n [R],
!T
b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: !
x T = (x1 ; :::; xn ) 2 Rn , Mensaje: Matriz A singular.
1. Si a11 6= 0, x1 =
b1
a11

2. Para j = 2; :::; n
Si ajj 6= 0:;
S = 0:
k = 1; :::; j
S = S + ajk xk
xj =
(bj S)
ajj
Fin de bucle k.
Fin de bucle j.
4. Imprimir !
5. Mensaje: matriz singular.
6. Fin.
El nmero de operaciones elementales, para hallar la solucin de un sistema de ecuaciones triangular
inferior es:
N oper (n) = n2 :
Debe notarse que si A es una matriz triangular superior o inferior singular, el sistema de ecuaciones
!
A!
x = b puede tener innitas soluciones o ninguna solucin. Se propone como ejercicio el estudio de
estas dos situaciones y la implementacin correspondiente en los algoritmos descritos precedentemente.
Nota: Si A = (aij ) 2 Mn n [R] es una matriz triangular superior, los elementos de la diagonal principal
!
de A; ajj , j = 1; :::; n, se llaman pivotes de la matriz triangular, y si b 2 Rn , ajj se llaman pivotes del
!
sistema de ecuaciones A!
x = b.
Consecuencias
El clculo del determinante de una matriz A 2 Mn
teorema.
n [R]
n [R]
triangular superior se establece en el siguiente
una matriz triangular superior. Entonces, det (A) =
Demostracin. Procedemos por induccin.

Si n = 1, A = (a11 ) y en consecuencia det (A) = a11 .
Qn
j=1 aij :

La hiptesis inductiva establece que si A = (aij ) 2 M(n
Probemos que es cierto para n
1) (n 1) [R],
entonces det (A) =
nQ1
ajj :
j=1
1. Sea A = (aij ) 2 Mn
n [R]
una matriz triangular superior.
Desarrollamos el determinante de A por elementos de la primera columna. Se tiene

det (A) = a11 A11 + ::: + an1 An1 ;
donde Ai1 , i = 1; :::; n, es el cofactor de ai1 , i = 1; :::; n: Puesto que A es triagular superior,
a21 = ::: = an1 = 0, y
a11 A11 = a11 ( 1)2 det (An 1 ) = a11 det (An 1 ) ;
donde det (An
1)
es el determinante de la matriz obtenida de A al eliminar la primera la y la primera

n
Q
columna. Por la hiptesis inductiva, det (An 1 ) =
ajj . Luego
j=2
det (An
1 ) = a11
n
Y
ajj =
j=2
n
Y
ajj :
j=1
Un resultado similar se obtiene cuando A = (aij ) 2 Mn

n
Q
det (A) =
ajj :
n [R]
es una triangular inferior. Se tiene
j=1
En el siguiente teorema se establece un mtodo para el clculo de la matriz inversa de una matriz
triangular superior invertible.
Teorema 10 Sea A = (aij ) 2 Mn n [R] una matriz triangular superior invertible. Entonces, la j-sima
columna de A 1 es solucin del sistema de ecuaciones lineales A!
x =!
ej ; donde f!
e1 ; :::; !
en g es la base
cannica de Rn , y !
ej T = (0; :::; 1; :::; 0). Adems, A 1 es triangular superior.
Demostracin.
Sea A
h
i = (aij ) 2 Mn n [R] una matriz triangular superior invertible. Pongamos
( 1)
( 1)
( 1)
1
A = A1 ; :::; An
, donde Aj
denota la j-sima columna de A 1 .
Sea !
x la solucin del sistema de ecuaciones lineales
A!
x =!
ej ,
Multiplicando por A
1,
se tiene
1
A
y tomando en cuenta que AA
=A
j = 1; :::; n:
A!
x =A
1!
ej ;
1A
= I, se sigue que
i
( 1)
(
!
x = A1 ; :::; A(n 1) !
ej = Aj
h
1)
Mostremos que A 1 es triangular superior.

!
!
Sean b 2 Rn y !
x la solucin del sistema de ecuaciones lineales A!
x = b : Entonces
8
bn
>
xn =
>
>
>
ann
>
<
..
.
!
>
>
n
P
>
1
>
>
b1
a1j xj
: x1 =
a11
j=2
!
En particular, si b = !
ej
!
j = 1; :::; n, se tiene: para j = 1, b T (1; 0; :::; 0), x2 = 0; :::; xn = 0, x1 =
2 1 3
( 1)
A1
a11
6
7
= 4 ... 5 :
0
b1
a11
344
Continuando con este procedimiento, para j = n se tiene

8
1
>
;
xn =
>
>
>
ann
>
<
..
.
!
>
>
n
P
>
1
>
>
0
a1j xj ;
: x1 = a
11
j=2
( 1)
con lo cual An
3
x1
7
6
= 4 ... 5 de donde A
xn
2
es triangular superior.
6
6
6
=6
6
6
4
1
a11
0
..
.
0
1 a12
a11 a22
1
a22
..
.
0
..
1
a11
3
a1j xj 7
a=2
7
..
7
7 que muestra que
.
7
7
..
5
.
n
P
1
ann
Un resultado similar se establece para matrices triangulares inferiores invertibles, esto es, si A = (aij ) 2
Mn n [R] es triangular inferior invertible, A 1 es triangular inferior y cada columna de A 1 es solucin
del sistema de ecuaciones A!
x =!
ej , j = 1; :::; n.
Si se toma en consideracin que cada columna de A 1 es solucin de sistema de ecuaciones triangular
superior A!
x =!
ej , el nmero de operaciones elementales para calcular !
x es n2 . Luego, para calcular
A 1 se requieren de n3 operaciones elementales, esto es,
N oper (n) = n3 :
El procedimiento descrito en el teorema precedente para el clculo de A 1 es prctico pero no ptimo.
Si se observa la matriz A 1 , es claro que se puede elaborar un algoritmo ptimo y reducir el nmero de
operaciones elementales. Un algoritmo de clculo de A 1 , no ptimo, basado el el teorema precedente, es
el siguiente:
Algoritmo
Datos de entrada: n 2 Z+ ; A = (aij ) 2 Mn
n [R] :
Datos de salida: Mensaje 1: A no es triangular superior. Mensaje 2: A no es invertible, B = A

(bij ) :
1. Para i = 2; :::; n;
Para j = 1; :::; n
Si i > j y jaij j > 0, imprimir mensaje 1, continuar en 5)
.
Fin de bucle j.
Fin de bucle i.
2. Para i = 1; :::; n
Si jaii j
0, imprimir mensaje 2, continuar en 5).
Fin de bucle i.
3. Para j = 1; :::; n
Resolver el sistema de ecuaciones A!
x =!
ej :
Para i = 1; :::; n;
bij = xi
Fin de bucle i.
6.5. OPERACIONES ELEMENTALES CON MATRICES.
345
Fin de bucle j.
4. Imprimir A
= B:
5. Fin
Ejercicios
1. Mejorar el algoritmo precedente en en punto 3.
2. Elaborar un algoritmo, el mejor posible, para calcular A
6.5.
1.
Estimar N oper (n) :
Operaciones elementales con matrices.
La matriz identidad I = (epq ) 2 Mn

Sea A = (aij ) 2 Mn
n [R]
n [R]
est denida como epq =
1, si p = q, p; q = 1; :::; n;
0, si p =
6 q:
una matriz no nula.
i) Intercambio de dos las de A

Sea Fi;j = (fpq ) 2 Mn
n [R]
la matriz obtenida de I al intercambiar la la i con la la j, i < j, esto es,
1, si p = q, p; q = 1; :::; n, p 6= i; j o p = j, q = i; o p = i; q = j:
0, en otro caso.
fpq =
La matriz Ai;j que se obtiene de A al intercambiar la la i con la la j de la matriz A esta denida como
Ai;:j = Fi;j A:
Ejemplo
2
2
6 1
Sean A = 6
4 0
1
A2;3
3
3
1
2
5
4
0
3
3
2
8
1 0
7
6
2 7
0 0
y F2;3 = 6
4 0 1
1 5
4
0 0
2
1
6 0
= F2;3 A = 6
4 0
0
0
0
1
0
0
1
0
0
0
1
0
0
32
2
0
7
6
0 76 1
0 54 0
1
1
3
0
0 7
7 : Entonces
0 5
1
3
3
1
2
5
4
0
3
3 2
2
8
6
7
2 7 6 0
=
1 5 4 1
1
4
3
1
3
2
5
0
4
3
3
8
1 7
7:
2 5
4
Observe que la tercera la de A ha remplazado a la segunda la de A y esta ha ocupado la tercera la.

Note que la matriz Fi;j es no singular y det (Fi;j ) = 1:
ii) Intercambio de dos columnas de A:
Sea Ci;j = (Cpq ) 2 Mn
cpq =
n [R]
la matriz denida como
1, si p = q, p; q = 1; :::; n, o p = i, q = j; o p = j; q = i:
0, en otro caso.
La matriz Bij que se obtiene de A al intercambiar la columna i con la j de la matriz A est denida
como:
Bi;j = ACi;j , i < j:
Ejemplo
346

2
2
6 3
Sean A = 6
4 5
3
4
6
10
6
B1;4 = AC1;4
6
8
9
12
15 20
9
12
2
2
6 3
=6
4 5
3
7
7 y C14
5
4
6
10
6
6
9
15
9
0
6 0
=6
4 0
1
0
1
0
0
32
0
0
1
0
0
8
6 0
12 7
76
20 5 4 0
1
12
3
1
0 7
7. Entonces
0 5
0
3 2
8
0 0 1
6 12
1 0 0 7
7=6
0 1 0 5 4 20
12
0 0 0
4
6
10
0
6
9
15
9
3
2
3 7
7:
5 5
3
Observe que la matriz B1;4 se obtiene al intercambiar la primera con la cuarta columna de A. La matriz
Ci;j es no singular y det (Ci;j ) = 1:
iii) Producto de una constante
Sean 1
n;
por una la o columna de A:
2 R. Se dene Cp = (cij ) 2 Mn n [R] la matriz denida como

8
;
si i = j = p;
<
1; si i = j; i; j = 1; :::; n; i 6= p; j 6= p;
cij =
:
0; en otro caso.
El producto de la constante por la la p de A se dene como Ap = Cp A; o sea

2
32
3 2
1
0
0
a11
a1n
a11
6 .. . .
.. 7 6 ..
.. 7 6 ..
6
6 .
6
.
. 7
. 7
6
76 .
7 6 .
7
6
6
7
0 7 6 ap1
apn 7 = 6
Ap = 6 0
6 ap1
6 ..
7
6
7
.
.
.
.
.
. . .. 5 4 ..
.. 5 6
4 .
4 ..
0
0
1
an1
ann
an1
El producto de la constante
Cp es invertible.
por la columna p de A se dene como Bp = ACp : Para
3
a1n
.. 7
. 7
7
apn 7
7:
.. 7
. 5
ann
6= 0, la matriz
Ejemplo
2
3
2
1 6 3
Sean A = 4 5 7 7 5, C = 4
8 9 10
2
1
A2 = 4 0
0
3
1 0 0
0 20 0 5. Entonces
0 0 1
32
3 2
3
0 0
1 6 3
1
2
3
20 0 5 4 5 7 7 5 = 4 100 120 140 5 :
0 1
8 9 10
8
9
10
Note que la segunda la de A2 se obtiene al multiplicar la constante = 20 con la segunda la de A.

2
32
3 2
3
1 6 3
1 0 0
1 40 3
B2 = 4 5 7 7 5 4 0 20 0 5 = 4 5 120 7 5 :
8 9 10
0 0 1
8 180 10
Observe que la segunda columna de B2 se obtiene al multiplicar la constante
de la seguna columna de A.
iv) Producto de
Sean 1
n;
por la la i y suma del resultado con la la j de A:

2 R. Se denen Ki;j = (kpq ) 2 Mn n [R] como sigue
8
< 1; si p = q; p; q = 1; :::; n;
a; si p = i; q = j;
kpq =
:
0,
en otro caso,
ei;j = Ki;j A:
A
= 20 con los elementos
6.6. MTODO DE ELIMINACIN GAUSSIANA.
347
ei;j se obtiene al multiplicar la la i de A por

La matriz A
y el resultado se suma con la la j de A.
Ejemplo
2
6 5
Sean A = 6
4 3
1
e1;3
A
8
10
6
1
2
1 0 0
6 0 1 0
= K1;3 A = 6
4
0 1
0 0 0
32
2
0
6 5
0 7
76
0 54 3
1
1
8
10
6
1
0
1
0
0
1
15
9
0
0
0
1
0
3
0
0 7
7 : Entonces
0 5
1
3 2
2
8
2
6
5
10
20 7
7=6
12 5 4 2 + 3 8 + 6
0
1
3
1
2
15
20 7
7:
+ 9 2 + 12 5
0
1
e1;3 es el resultado de multiplicar la primera la de A por

la de A
Note que la tercera

con la tercera la.
2
1 0
6 0 1
Sea K2;4 = 6
4 0 0
0
e2;4
A
3
2
2
1
6 0
20 7
7, K1;3 = 6
4
12 5
1
0
1
15
9
0
0
0
1
0
3
0
0 7
7. Entonces
0 5
1
32
1 0 0 0
2
6 0 1 0 0 76 5
76
= K2;4 A = 6
4 0 0 1 0 54 3
0
0 1
1
8
10
6
1
1
15
9
0
3 2
2
6
20 7
7=6
5
4
12
1
5
2
5
3
+ 1 10
8
1
10
15
6
9
+ 1 15
e2;4 es el resultado de multiplicar la segunda la de A por

Observe que la cuarta la de A
sumar con la cuarta la de A.
6.6.
y luego sumar
3
2
7
20
7:
5
12
20 + 1
y este resultado
Mtodo de eliminacin gaussiana.
Sean A = (aij ) Mn
n [R]
!
no nula, b T = (b1 ; :::; bn ) 2 Rn . Consideramos el sistema de ecuaciones lineales
!
A!
x = b:
(1)
e = (e
La matriz ampliada A
aij ) se dene como
e 2 Mn
Claramente A
escribe
aij , si i = 1; ::; n j = 1; :::; n;

(2)
bi , si i = 1; :::; n; j = n + 1:
h
!i
e
e
n [R]. Esta matriz A se le representa como A = A j b , que en forma explcita se
e
aij =
a11
6
e = 4 ..
A
.
an1
e0 = A:
e
y ponemos A
a1n
..
.
ann
3
b1
.. 7 ;
. 5
bn
(3)
En la resolucin de los sistemas de ecuaciones lineales solo los elementos de la matriz A y los componentes
!
del vector b intervienen. La idea general del mtodo del eliminacin gaussiana es la siguiente: partiendo
e0 , construir en n 1 etapas una matriz A
en 1 de la forma
de la matriz ampliada A
2
(n 1)
a11
6
..
4
.
(n 1)
..
a1n
..
.
(n 1)
ann
(n 1)
b1
..
.
(n 1)
bn
3
7
5
348
que es equivalente al sistema de ecuaciones lineales triangular superior

8 (n
>
< a11
1)
(n 1)
x1 + ::: +a1n
>
:
(n 1)
xn = b1
..
.
(n 1)
ann xn
(4)
(n 1)
bn
que como se ha dicho, es muy sencillo de resolverlo.

Comenzamos con el mtodo de eliminacin gaussiana sin pivoting que se explica a continuacin. Debemos
enfatizar en esta parte que no estamos muy interesados en la precisin de la solucin y lo que queremos
es describir los elementos que intervienen en el algoritmo de la eliminacin gaussiana.
6.6.1.
Eliminacin gaussiana sin pivoting.
Con el propsito de presentar las ideas fundamentales del mtodo de eliminacin gaussiana, consideramos
primeramente en ejemplo.
2
3
2
3
1 5
1 0
3
h
i
6 2 2 0 0 7 ! 6 2 7
e= Aj!
7; b = 6
7 : Formamos la matriz ampliada A
Sean A = 6
b
, esto es,
4 2 1
4 1 5
1 4 5
3 6 2 7
7
2
1
6 2
e=6
A
4 2
3
e en n
Para transformar la matriz A
5
2
1
6
1
0
1
2
3
3
2 7
7:
1 5
7
0
0
4
7
1 etapas (en este caso 3 etapas) en una matriz de la forma

2
(3)
(3)
a11
6 ..
4 .
..
(3)
a14
..
.
b1
..
.
(3)
b4
a44
(3)
3
7
5
utilizamos las operaciones elementales con matrices, y particularmente, la de multiplicar a una la por
una constante y el resultado sumar a otra la.
Etapa 1
Si a11 6= 0, se dene ki1 =
ai1
, i = 2; 3; 4,
a11
2
1 0
6 k21 1
K1 = 6
4 k31 0
k41 0
y K1 es la matriz siguiente:
0
0
1
0
3 2
0
1
6 2
0 7
7=6
0 5 4 2
1
3
0
1
0
0
0
0
1
0
3
0
0 7
7:
0 5
1
Resulta que K1 es una matriz triangular inferior invertible. Ponemos

h
i h
!i
e = K1 A
e0 = K1 A j !
A
b = K1 A j K1 b :
Entonces
1
6 2
e1 = 6
A
4 2
3
0
1
0
0
0
0
1
0
32
0
1
7
6
0 76 2
0 54 2
1
3
5
2
1
6
1
0
1
2
0
0
4
7
3 2
3
1
7
6
2 7 6 0
=
1 5 4 0
7
0
5
8
11
9
1
2
3
5
0
0
4
7
3
3
8 7
7:
7 5
16

h
e1 lo notamos
Esta matriz A
!
!
A1 = K 1 A y b = K 1 b :
349
h
i
! i
(1)
e = A1 j !
A1 j b 1 o tambin aij , esto es, A
b1 =
(1)
aij
; donde
e1 = K1 A
e se hagan ceros los
Note que la construccin de la matriz K1 conduce a que en la matriz A
elementos de la primera columna bajo el primer elemento de la diagonal de A.
Etapa 2
(1)
ai2
(1)

2
1 0
6 0 1
Se dene K1 = 6
4 0 k34
0 k42
(1)
a22
3 2
1
0
7
6
0 7 6 0
=
0 5 4 0
1
0
0
0
1
0
Se dene
(1)
, i = 3; 4. En nuestro caso particular a22 =

0
1
0
0
1
0
11
8
9
8
8.
3
0
0 7
7 : La matriz K2 es triangular inferior invertible.
0 5
1
h
i h
! i
e2 = K2 A
e1 = K2 A1 j !
A
b 1 = K 2 A1 j K 2 b 1 :
Entonces
2
1
6 0
e2 = 6
A
4 0
0
0
1
11
8
9
8
0
0
1
0
32
1
0
6 0
0 7
76
0 54 0
0
1
5
8
11
9
1
2
3
5
3 2
3
1
6 0
8 7
7=6
7 5 4 0
16
0
0
0
4
7
5
8
0
0
1 0
2 0
1
4 4
11
7
4
h
i
!
!
(2)
e2 = A2 j !
Ponemos A
b 2 = aij ; donde A2 = K2 A1 ; b 1 = K1 b 1 :
3
3
8 7
7:
4 5
7
e2 = K2 A
e1 conserve los
Observe que la construccin de la matriz K2 hace que la matriz aumentada A
ceros de la primera columna bajo el elemento de la diagonal y se hagan ceros los elementos de la segunda
columna bajo el elemento de la diagonal de la matriz A1 :
Etapa 3
(2)
ai3
(2)

2
1
6 0
Sea K3 = 6
4 0
0
Luego
0 0
1 0
0 1
0 k43
(2)
a33
(2)
, i = 4. En nuestro caso a33 =
3 2
0
1
6 0
0 7
7=6
0 5 4 0
1
0
0 0
1 0
0 1
0 11
1
4.
3
0
0 7
7 : La matriz K3 es triangular inferior invertible. Ponemos
0 5
1
h
i h
! i
e3 = K2 A
e2 = K3 A2 j !
A
b 2 = K 3 A2 j K 3 b 2 :
1 0 0
6 0 1 0
e3 = 6
A
4 0 0 1
0 0 11
h
i
e3 = A3 j !
Ponemos A
b 3 ; es
32
0
1
6 0
0 7
76
0 54 0
0
1
5
8
0
0
1 0
2 0
1
4 4
11
7
4
3 2
3
1
6 0
8 7
7=6
4 5 4 0
7
0
5
8
0
0
1
2
1
4
0
0
4
51
3
3
8 7
7:
4 5
51
!
!
decir que A3 = K3 A2 y b 3 = K3 b 2 que se indican a continuacin:
2
1
6 0
A3 = 6
4 0
0
5
8
0
0
1
2
1
4
3
0
0 7
7;
4 5
51
3
3
6 8 7
!
7
b3=6
4 4 5:
51
350
La matriz A3 es triangular superior que lo notamos R. Entonces

R = A3 = K3 A2 = K3 K2 A1 = K3 K2 K1 A;
!
!
!
!
b 3 = K3 b 2 = K3 K2 b 1 = K3 K2 K1 b :
Puesto que K1 ; K2; K3 son matrices triangulares inferiores invertibles, el producto K3 K2 K1 es una
matriz triangular invertible. Ponemos E = K3 K2 K1 . Entonces E 1 es una matriz triangular inferior, y
!
!
!
!
R = EA; b 3 = E b de donde A = E 1 R;
b = E 1 b 3 : Consecuentemente,
!
!
!
A!
x = b , E 1 R!
x = E 1 b 3 () R!
x = b 3;
!
!
x 2 R4 de A!
x = b es la solucin de R!
x = b 3 y recprocamente. Adems, es
!
sistema de ecuaciones R!
x = b 3 es triangular superior que en forma explcita se escribe:
8
5x3
=
3
>
> x1 +5x2
<
8x2 +2x3
= 8
1
x
+4x
4
>
4 =
>
4 3
:
51x4 = 51;
cuya solucin es !
x T = (2; 1; 0; 1) :
Conclusin: Si en cada etapa del proceso de eliminacin gaussiana, no existe intercambio de las o
(1)
(2)
(3)
columnas, y los elementos pivotes a11 ; a22 ; a33 ; a44 son no nulos, la matriz A se factora en la forma LR,
donde L = E 1 es triangular inferior, R triangular superior. Adems, el sistema de ecuaciones lineales
!
!
A!
x = b es equivalente al triangular superior R!
x = b 3:
Generalicemos las ideas expuestas en el ejemplo.
Etapa 1
(0)
Supongamos que a11 6= 0. Ponemos a11 = a11 . Se denen

ai1
;
a11
ki1 =
i = 2; :::; n;
y sea K1 la matriz siguiente:

2
6
6
K1 = 6
4
1
..
.
0
1
..
.
an1
a11
a21
a11
..
e1 = K1 A:
e Entonces
Denimos A
esto es
0
0
..
.
7 6
7 6
7=6
5 4
1
k21
..
.
0
1
..
.
..
kn1 0
0
0
..
.
1
7
7
7:
5
h
i h
!i h
! i
e1 = K1 A
e = K1 A j !
A
b = K 1 A j K 1 b = A1 j b 1 ;
2
6
e1 = 6
A
6
4
6
6
= 6
4
1
k21
..
.
0
1
..
.
kn1 0
..
0
0
..
.
1
32
76
76
76
54
a11
a21
..
.
a1n
a2n
..
.
b1
b2
..
.
an1
ann
bn
3
7
7
7
5
a11
0
..
.
a12
k21 a12 + a22
..
.
a1n
k21 a1n + a2n
..
.
b1
k21 b1 + b2
..
.
kn1 a12 + an1
kn1 a1n + ann
kn1 b1 + bn
7
7
7:
5
e1 = K1 A
e al obtener en esta ltima ceros bajo el
Note el efecto de la construccin de la matriz K1 en A
elemento de la diagonal en la primera columna.
351
Etapa 2
e2 = a(1) y supongamos que a(1) 6= 0. Se dene
Ponemos A
22
ij
(1)
ai2
ki2 =
6
6
6
y sea K2 = 6
6
4
1 0
0 1
0 k32
..
..
.
.
0 kn2
0
0
1
..
.
..
0
0
0
..
.
i = 3; :::; n;
(1)
a22
7
7
7
e1 : Entonces
e12 = K2 A
7 : Denimos A
7
5
h
i h
! i h
! i
e2 = K2 A
e1 = K2 A1 j !
A
b 1 = K 2 A1 j K 2 b 1 = A2 j b 2 ;
e2
A
6
6
6
= 6
6
4
2
6
6
6
= 6
6
6
4
1 0
0 1
0 k32
..
..
.
.
0 kn2
(1)
0
0
1
..
.
a12
(1)
a22
0
..
.
0
(1)
a11
0
0
..
.
..
3 2 (1)
a11
6
76 0
76
76 0
76
76 .
5 4 ..
1
0
(1)
(1)
a13
(1)
a23
(1)
(1)
k32 a23 + a33
..
.
(1)
kn2 a23
(1)
a12 a13
(1)
(1)
a22 a23
(1)
(1)
a21 a33
..
..
.
.
(1)
(1)
an2 an3
0
0
0
..
.
(1)
..
(1)
an3
(1)
(1)
bn
(1)
a1n
(1)
a2n
(1)
(1)
k32 a2n + a3n
..
.
(1)
b1
(1)
b2
(1)
b3
..
.
ann
(1)
..
(1)
a1n
(1)
a2n
(1)
a3n
..
.
3
7
7
7
7
7
7
5
b1
(1)
b2
(1)
(1)
k32 b2 + b3
..
.
(1)
(1)
kn2 a2n + ann
(1)
kn2 b2 + bn
7
7
7
7:
7
7
5
e2 = a(2) :
Ponemos A
ij
Etapa j-sima
(j 1)
Supongamos ajj
6= 0
j = 1; :::; n
1. Se dene
2
1
6 ..
6 .
6
6 0
6
Kj = 6 .
6 ..
6
6 ..
4 .
0
(j 1)
kij =
ej = Kj A
ej
yA
1:
aij
i = j + 1; :::; n;
(j 1)
ajj
Entonces
ej = Kj A
ej
A
h
= K j Aj
ej tiene la forma siguiente:

donde A
2 (j) (j)
a11 a12
6 .
6 ..
6
6
6 0
e
Aj = 6
6 ..
6 .
6
6 ..
4 .
0
!
j bj
h
= K j Aj
(j)
0
..
.
kj+1;j
..
.
1
..
.
kn;j
!
j Kj b j
(j)
a1j
..
.
(j)
0
..
.
a1n
..
.
(j)
ajj
ajj+1
0
..
.
aj+1;j+1
an;j+1
(j)
(j)
(j)
h
! i
= Aj j b j ;
(j)
b1
..
.
(j)
ajn
bj
(j)
bj+1
..
.
aj+1;n
..
.
(j)
an;n
3
0
.. 7
. 7
7
0 7
7
7;
0 7
7
.. 7
. 5
1
(j)
(1)
bn
7
7
7
7
7
7:
7
7
7
7
5
352
Etapa n-1
Para j = n
(n 1)
1;n 1
1, si an
en
A
donde
6= 0, se dene kn;n
1 An 2
= Kn
en
A
La matriz An
6
6
=6
6
4
= Kn
(n 2)
1
;
(n 2)
an 1;n 1
ann
1 An 2
j Kn
(n 1)
!
bn
Kn
(n 1)
a11
..
.
..
.
0
a1n
..
.
..
.
(n
ann
1)
6
6
6
=6
6
6
4
= An
(n 1)
b1
..
.
..
.
(n 1)
bn
es triangular superior, lo notaremos con R.
(n 1)
Suponemos ann
0
..
.
..
.
1
kn;n
!
j bn
0
..
.
..
.
0
1
7
7
7
7;
7
7
5
7
7
7:
7
5
6= 0. Se tiene
!
bn
R = An
1
= Kn
= K n 1 An 2 =
= Kn
!
= K n 1 Kn 2
1 bn 2 =
1 Kn 2
!
K1 b :
K1 A;
Las matrices K1 ; :::; Kn 1 son triangulares invertibles. Luego, el producto Kn

inferior invertible que lo notamos E. Entonces, E 1 es triangular inferior, y
R = EA;
de donde A = E
1
..
.
..
.
0
0
1 R,
!
b =E
1!
b
n 1:
!
bn
Notando L = E
1 Kn 2
K1 es triangular
!
=Eb;
1,
(j 1)
se tiene A = LR;
!
!
b =Lbn
1:
(0)
As, si todos los elementos pivotes ajj

6= 0; j = 1; :::; n 1 con a11 = a11 , la matriz A se factora
en la forma LR, con L una matriz triangular inferior invertible, R matriz triangular superior invertible.
Luego,
!
!
!
A!
x = b , LR!
x = L b n 1 , R!
x = b n 1;
!
!
x de A!
x = b es solucin de R!
x = b n 1 y recprocamente.
!
El sistema de ecuaciones R!
x = b es triangular superior que en forma explcita se escribe:
8 (n 1)
(n 1)
(n 1)
+ a1n xn = b1
>
< a11 x1 +
..
.
>
:
(n 1)
(n 1)
ann xn
= bn
;
cuya solucin se calcula mediante el algoritmo de resolucin de sistemas de ecuaciones triangulares
superiores.
Algoritmo de la eliminacin gaussiana sin pivoting
El procedimiento descrito precedentemente para transformar la matriz A en una triangular superior R y
!
!
el vector b en b n 1 se recoge en el siguiente algoritmo denominado algoritmo de eliminacin gaussiana
!
sin pivoting para la resolucin del sistema de ecuaciones A!
x = b:
Algoritmo
Datos de Entrada: n 2 Z+ ;
A = (aij ) 2 Mn
n [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
Datos de Salida: Mensaje 1: Error: matriz nula. Mensaje 2: Pivote nulo. Solucin !
x T = (x1 ; :::; xn ) 2
n
R :
353
1. S = 0:
2. Para i = 1; :::; n
Para j = 1; :::; n
Si jaij j
Vericacin de no nulidad de la matriz A:
0;
S =S+j
Fin de bucle j.
Fin de bucle i.
3. Si S = n2 , imprimir mensaje 1: Error: matriz nula. Continuar en 9).
4. Para i = 1; :::; n
Matriz ampliada.
ai;n+1 = bi :
Fin de bucle i.
5. Para j = 1; :::; n
Si ajj 6= 0 entonces
Transformacin en un sistema triangular superior.
Para i = j + 1; :::; n
aij
kij =
ajj
Para r = j + 1; :::; n + 1
air = kij ajr + air
Fin de bucle r.
Fin de bucle i
Caso contrario, continuar en 8).
Fin de bucle j.
!
6. Resolver el sistema triangular superior R!
x = bn
1:
7. Escribir !
x . Continuar en 9).
8. Escribir mensaje 2: Pivote nulo.
9. Fin.
Nmero de operaciones elementales.
En la primera etapa se ejecutan las siguientes operaciones elementales:
divisiones : n
1;
adiciones : n
(n
1) ;
productos : n
(n
1) :
2)
(n
En la segunda etapa se realizan las siguientes operaciones elementales:

divisiones : n
2;
adiciones : (n
2)
(n;2) ;
productos : (n
2) :
En la j-sima etapa, se tiene

divisiones : n
j;
adiciones : (n
j) (n
j + 1) ;
productos : (n
En la ltima etapa se ejecutan las siguientes operaciones elementales:

divisiones : 1;
adiciones : 2;
productos : 2:
j) (n
j + 1) :
354
Total de operaciones elementales:

divisiones :
1 + 2 + ::: + n
adiciones :
2 + ::: + n (n
1=
1) =
(n
1)
2
n
X1
(n
j) (n
j + 1) ;
(n
j) (n
j + 1) :
j=1
productos :
2 + ::: + n (n
1) =
n
X1
j=1
Se tiene
n
X1
(n
j) (n
j + 1) =
j=1
n
X1
n2 + n
(2n + 1) j + j 2
j=1
n2 + n (n
=
=
n (n
1)
(2n + 1)
n (n 1) 1
+ (n
2
6
1) n (2n
1)
1) (n + 1)
:
3
La resolucin del sistema de ecuaciones triangular superior involucra n2 operaciones elementales.

Consecuentemente, el nmero total de operaciones elementales que se requieren para resolver el sistema
de ecuaciones lineales con el mtodo de eliminacin gaussiana se denota con N oper (n) dado por:
N oper (n) =
n (n 1)
n (n
+2
2
1) (n + 1)
n
+ n2 =
4n2 + 9n
3
6
7 :
As, para n = 3, N oper (3) = 28, N oper (4) = 62, N oper (5) = 115:
6.6.2.
Eliminacin gaussiana con pivoting.

(j 1)
En el mtodo de eliminacin gaussiana sin pivoting descrito precedentemente, si el elemento ajj

nulo, el proceso se detiene
j = 1; :::; n
1, con
(0)
a11
es
= a11 . Una mejora al algoritmo es buscar en los
(j 1)
elementos de la columna aij , i = j + 1; :::; n, aquel elemento no nulo y efectuar el intercambio de la

la i-sima con la la j-sima, i > j.
En la prctica se muestra que este intercambio no basta pus no mejora la precisin de la solucin. Para
mejorar la precisin de la solucin es preciso introducir la estrategia del pivoting parcial y total.
Pivoting parcial
!
Sean A = (aij ) 2 Mn n [R] con A 6= 0; con b T = (b1 ; :::; bn ) 2h Rn ; yi consideramos el sistema de
!
e= Aj!
e0 = A.
e
ecuaciones lineales A!
x = b : Construimos la matriz ampliada A
b y ponemos A
Etapa 1
Sea r el entero positivo tal que 1
n y jar1 j = Max jai1 j :

i=1;:::;n
Si ar1 = 0 entonces ai1 = 0; i = 1; :::; n, con loque la matriz A es singular. El proceso de eliminacin
gaussiana concluye.
e0 . Este proceso se realiza
Si jar1 j > 0, intercambiamos las las i = 1 con la la i = r de la matriz A
mediante la operacin elemental entre matrices que notamos
e0 = (bij ) ;
B0 = F1;r A
355
donde F1r es la matriz obtenida de la matriz identidad al intercambiar la la2 i = 1

1
6 k21
6
i1
continuacin denimos ki1 = bb11
i = 2; :::; n; la matriz K1 siguiente:K1 = 6 .
4 ..
kn1
e1 = K1 B0 = a(1) :
A
ij
Etapa 2
Sea r el entero positivo tal que 2
(1)
(1)
con la la i3= r. A
0
0
1
0 7
7
..
.. 7 ; y
.
. 5
0
1
(1)
n y ar2 = Max ai2 :

i=2;:::;n
(1)
Si ar2 = 0 entonces ai2 = 0 i = 2; :::; n, con lo que la matriz A es singular. El proceso de eliminacin
gaussiana concluye.
(1)
e1 . Para el efecto, denimos
Si ar2 > 0, intercambiamos las las 1 = 2 con la la i = r de la matriz A
e1 = b(1) ;
B1 = F2;r A
ij
donde F2;1 es la matriz obtenida de la matriz identidad2 al intercambiar la la

3 2 con la la r, y a
1 0 0
0
6 0 1 0
0 7
6
7
(1)
bi2
6 0 k32 1
0 7
continuacin denimos ki2 = (1) i = 3; :::; n;
K2 = 6
7 ; y sea
b22
6 ..
..
.. . .
.. 7
4 .
. . 5
.
.
0 kn2 0
1
e2 = K2 B1 = a(2) :
A
ij
Este proceso continua hasta la etapa j = n
1:
Etapa n-1
Sea r es entero positivo tal que n
(n 2)
1
Si ar;n
kn;n
(n 2)
1
n y ar;n
= Max
i=n 1;n
(n 2)
1
ai;n
= 0, la matriz A es singular. El procesos de eliminacin gaussiana concluye.
(n 2)
1
Si ar;n
> 0, intercambiamos la la i = n 1 con

2
1
0
0
6 .. . .
.
..
6 .
.
0
6
(n 2)
bn;n 1
6 ..
.
.
.
.
.
.
0
bn 1;n 1 ; Kn 1 = 6
6 .
6
..
..
..
4 0 .
.
1
.
0
kn;n 1 1
en
A
Resulta
en
A
= Kn
Cada matriz Ki i = 1; :::; n

Ponemos E = Kn
1 Bn 2
= Kn
= Kn
1 Bn 2
2 Fn 1;n An 2
en
A
(n 1)
= Kn
= Fn
1;n An 2
2 Fn 1;n
e
K1 F1;r A:
1; r 2 fi; :::; ng ; son invertibles.
Entonces
1
7
7
7
7
7 ; y sea
7
7
5
= aij
1 y cada Fi;r ; i = 1; :::; n
1 Fn 1;n :::K1 F1;r .
r, denimos Bn
3
h
i h
!i
e=E Aj!
= EA
b = EA j E b
(n 1)
bij
356
en
yA
Luego,
h
= An
As, A = E
i
1 ; donde An
!
j bn
es una matriz triangular superior que se le nota R:

(
1 R:
Note que E
An
!
bn
1
1
= EA
!
=Eb:
es una matriz triangular inferior.
(n 1)
Si an;n 6= 0, la matriz R = An 1 es invertible y en consecuencia A es invertible. Adicionalmente, A se

factora en la forma LR, donde L = E 1 , y,
!
A!
x = b , An
El sistema de ecuaciones lineales An
sido descrito anteriormente.
!
!
x = bn
!
!
x = bn
1:
es triangular superior, cuyo mtodo de resolucin ha
Para la elaboracin del algoritmo de eliminacin gaussiana con pivoting parcial debemos tener en cuenta,
ej 1 ; j = 1; :::; n 1:
en cada etapa, el proceso de intercambio de la la i con la la r de la matria A
Antes de proponer el algoritmo, exhibimos un ejemplo que muestre el proceso descrito en el mtodo de
eliminacin gaussiana con pivoting parcial.
Ejemplo
2
1
6 2
Sean A = 6
4 2
3
!
!
Ax = b .
5
2
1
6
1
0
1
2
3
0
0 7
7;
4 5
7
3
3
6 2 7
!
7
b = 6
4 1 5 ; y consideremos el sistema de ecuaciones lineales
7
2
La solucin de este ejemplo fue determinada

2
1
6 2
e est dada por A
e=6
matriz ampliada A
4 2
3
con el
5
1
2 0
1
1
6 2
Etapa 1
Seleccin del
2
3
6 2
B1 = 6
4 2
1
mtodo de3 eliminacin gaussiana sin pivoting. La

3
0
2 7
0
7:
1 5
4
7
7
pivoting: 3 = ja41 j = Max jai;1 j ; r = 4: Intercambio de las las 1

3 i=1;2;3;4
2
6 2 7
7
1
6 2
2 0 0
2 7
7 : Se denen las matrices siguientes: K1 = 6 23
4
1
1 4
1 5
3
1
5
1 0
3
3
2
6
e1 = K1 B1 = 6
A
4
1
2
3
2
3
1
3
0
1
0
0
0
0
1
0
32
0
3
6 2
0 7
76
0 54 2
1
1
6
2
1
5
2
0
1
1
7
0
4
0
3 2
7
3
6 0
2 7
7=6
1 5 4 0
3
0
6
2
5
3
2
1
3
4
3
5
3
e Se tiene
con la 4 de A.
3
0 0 0
1 0 0 7
7;
0 1 0 5
0 0 1
7
14
3
26
3
7
3
8
3
11
3
16
3
7
7:
5
Etapa 2
Seleccin del pivoting: 5 =
2
3 6
2
7
7
26
1
11
6 0 5
3
3
3
6
4
14
8
4 0
2
3
3
3
5
7
16
0 3
3
3
3
(1)
(1)
e1 . Se tiene
r = 5: Intercambio de las las 2 con 3 de A
2
3
1 0 0 0
7
6 0 1 0 0 7
7 : Se denen K2 = 6
7
5
4 0 2 1 0 5;
5
3
0
5 0 1
a32 = Max ai;2 ;

i=3;4
3
1
6 0
e2 = K2 B2 = 6
A
4 0
0
0
1
2
5
0
0
1
0
3
5
32
0
3
6 0
0 7
76
0 54 0
1
0
6
5
2
3
357
1
3
26
3
14
3
7
3
11
3
8
3
16
3
4
3
5
3
3
7 6 0
7=6
5 4 0
0
6
5
0
0
1
3
26
3
6
5
113
15
11
3
6
5
113
15
6
5
28
15
7
7:
5
Etapa 3
Seleccin del pivoting.
2
3 6
6 0 5
Tenemos B3 = 6
4 0 0
0 0
2
3
1 0
0
0
6 0 1
0
0 7
6
7; y
4 0 0
1
0 5
9
0 0
14 1
2
1 0
6 0 1
e3 = K3 B3 = 6
A
4 0 0
0 0
28
5
(2)
= a43
2
1
3
28
15
6
5
26
3
113
15
6
5
0
0
1
9
14
(2)
e2 .
= Max ai3 ; r = 4: Intercambiamos las las 3 y 4 de A
i=4 3
7
11
7
3
e
7
113 5 : Se denen las matrices K3 y A3 como sigue: K3 =
15
6
5
32
3 6
0
7
6
0 76 0 5
0 54 0 0
1
0 0
1
3
28
15
6
5
26
3
113
15
6
5
11
3
113
15
6
5
e3 se establece el sistema de ecuaciones

De la matriz ampliada A
8
3x1 +6x2 +2x3
+7x4
>
>
<
5x2
+ 31 x3 + 26
3 x4
28
113
x
>
>
15 3
15 x4
:
51x4
3
7 6 0
7=6
5 4 0
0
6
5
0
0
1
3
28
15
26
3
113
15
11
3
113
15
51
51
7
7:
5
lineales triangular superior siguiente:

=
=
=
=
7
11
3
113
15
51:
cuya solucin es !
x T = (2; 1; 0; 1) :
Algoritmo de eliminacin gaussiana con pivoting parcial

Algoritmo
Datos de entrada: n 2 Z+ ; A = (aij ) Mn
n [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: Mensaje 1: Error: matriz nula. Mensaje 2: Matriz singular. Solucin !
xT =
(x1 ; :::; xn ) Rn :
1. S = 0:
2. Para i = 1; :::; n
Vericacin de no nulidad de la matriz A.
Para j = 1; :::; n
Si jaij j
0;
S =S+j
Fin de bucle j.
Fin de bucle i.
3. Si S = n2 . Continuar en 8).
4. Para i = 1; :::; n
ai;n+1 = bi
Matriz ampliada.
358

Fin de bucle i.
5. Para j = 1; :::; n
r=j
Para i = j + 1; :::; n
Seleccin del pivoting parcial en la etapa j, y de la
la r.
Si jaij j > jaij j ;
r=i
Fin de bucle i.
Para p = j; :::; n + 1
Intercambio de la la j con la la r.
t = ajp
ajp = arp
arp = t
Fin de bucle p.
Si jajj j
0; Continuar en 9).
Si jajj j > 0, entonces

Para i = j + 1; :::; n
kij =
Transformacin del sistema en un triangular superior
aij
ajj
Para p = j + 1; :::; n + 1
aip = kij ajp + air
Fin de bucle p
Fin de bucle i.
Fin de bucle j.
!
6. Resolver el sistema triangular superior R!
x = bn
1:
7. Escribir !
x T = (x1 ; :::; xn ). Continuar en 10).
8. imprimir mensaje 1. Continuar en 10).
9. Imprimir mensaje 2.
10. Fin.
Pivoting total.
Sean A = (aij ) 2 Mn
lineales
n [R]
!
con A 6= 0 y b T = (b1 ; :::; bn ) Rn : Consideramos el sistema de ecuaciones
!
A!
x = b:
Etapa 1
Sean r; s 2 Z+ tales que 1
n; 1
n; jars j = Max jaij j :

i=1;:::;n
j=1;:::;n
359
Si ars = 0, la matriz A es nula y el proceso concluye. Supongamos que ars 6= 0. Intercambiamos las las
1 con r y luego las columnas 1 con s. Este proceso se realiza mediante la operacin entre matrices que
notamos
B0 = F1;r AC1;s = (bij ) ;
donde F1;r es la matriz obtenida de la matriz identidad al intercambiar la la 1 con la la r, y C1;s es la
matriz que se obtiene de la matriz identidad al intercambiar la columna 1 con la columna s.
Ntese que el intercambio de columnas provoca un intercambio de las incgnitas x1 con xs .
A continuacin se procede como en el caso del pivoting parcial.
Se denen ki1 =
bi1
b11
6
6
i = 2; :::; n (b11 es el elemento ars ), K1 = 6
4
(1)
A1 = K1 B0 = aij
!
!
b 1 = K1 F1;r b :
1
k21
..
.
0
1
..
.
0
0
..
.
kn1 0
7
7
7; y
5
e
Debe observarse que no se est utilizando la matriz ampliada A:
Etapa 2
Sean r; s 2 Z+ tales que 2
n; 2
(1)
n;
(1)
ars = Max aij :

i=2;:::;n
j=2;:::;n
(1)
Si ars = 0, la matriz A es singular. Concluir el proceso.

(1)
Si ars 6= 0, intercambiamos la la 2 con la la r, y la columna 2 con la columna s de A1 , o sea

(1)
B1 = F2;1 A1 C2;s = bij
donde F2;r es la matriz obtenida de la matriz identidad al intercambiar la la 2 con la la r; y, C2;s es

la matriz obtenida tambin de la identidad al intercambiar la columna 2 con la s. Note que este ltimo
intercambio provoca el intercambio de las incgnitas x2 con xs .
!
!
Se denen A2 = K2 B1 , y, b 2 = K2 F2r b 1 ;donde
2
3
1 0 0
0
6 0 1 0
0 7
(1)
6
7
bij
6 0 k32 1
0 7
K2 = 6
con
k
=
i = 3; :::; n:
7
i2
(1)
6 ..
..
.. . .
.. 7
b
22
4 .
. . 5
.
.
0 kn2 0
1
Continuando con este proceso hasta la etapa n
Bn
con Fn
1;n ;
Cn
Se denen An
= Fn
1, se obtiene
1;n An 2 Cn 1;n
(n 2)
= bij
matrices con similares signicados que en las etapas 1 y 2.

!
!
= Kn 1 Bn 2 ; y , b n 1 = Kn 1 Fn 1;n b n 2 ; donde
1;n
Kn
1
6 ..
6 .
6
=6 0
6
4
0
..
0
..
.
1
bn;n
1
(n 2)
bn 1;n 1
3
0
.. 7
. 7
7
0 7;
7
5
1
360

(n 2)
1;n 1
siempre que bn
La matriz An
6= 0.
es triangular superior. Se tiene

An
= Kn
..
.
1 Bn 1
= Kn
1 Fn 1;n An 2 Cn 1;n
= Kn
1 Fn 1;n
K2 B1 C2;s
= Kn
1 Fn 1;n
K1 F1;r AC1;s
Cn
1;n
Cn
1;n :
Ponemos
E = Kn
1 Fn 1;n
C = C1;s
Cn
K1 F1;r ;
1;n ;
entonces
An
= EAC:
Las matrices E y C son invertibles. Resulta que

AC = E
Poniendo L = E
1;
R = An
1,
An
1:
se tiene la siguiente factorizacin AC = LR:
Por otro lado,

!
bn
= Kn
1 Fn 1;n
!
bn
= Kn
1 Fn 1;n
!
!
K1 F1;r b = E b :
Adems,
!
A!
x = b () E
RC
1!
x =E
1!
bn 1
() RC
!
x = bn
1!
() !
x = CR
1!
bn
1:
!
!
Sea !
y = R 1 b n 1 , entonces R!
y = b n 1 . En el mtodo de eliminacin gaussiana con pivoting total,
!
se resuelve primeramente el sistema de ecuaciones lineales triangular superior R!
y = b n 1 y luego
!
x = C!
y , pus se deben recuperar las variable originales.
Ejemplo
Consideremos nuevamente el ejemplo propuesto en el mtodo de eliminacin gaussiana con pivoting
parcial.
2
3
2
3
1 5
1 0
3
6 2 2 0 0 7 ! 6 2 7
7; b = 6
7
Sean A = 6
4 2 1
4 1 5
1 4 5
3 6 2 7
7
Etapa 1
Seleccin del pivoting total. Observemos que 7 = ja44 j =

Intercambiamos la la 1 con la 4 y luego
2
7 6
6 0 2
B0 = 6
4 4 1
0 5
la columna 1 con la 4
3
2
2
3
6
0
2 7
7 ; C1;4 = 6
4
1
2 5
1 1
Max jaij j. Tenemos r = 4; s = 4.
i=1;:::;4
j=1;:::;4
en la matriz A. Resulta
3
0 0 0 1
0 1 0 0 7
7:
0 0 1 0 5
1 0 0 0
!
!
!
Denotamos con d al vector que se obtiene de b al intercambiar la la 1 con la 4, esto es, d T =
(7; 2; 1; 3) :

2
1
6 0
Se denen K1 = 6
4 4
7
0
0
1
0
0
0
0
1
0
3
0
0 7
7; y
0 5
1
32
0
7 6
7
6
0 76 0 2
0 54 4 1
1
0 5
2
1 0 0
!
! 6
0 1 0
b 1 = K1 d = 6
4 4 0 1
7
0 0 0
2
1
6 0
A1 = K1 B0 = 6
4 4
7
0
0
1
0
0
0
0
1
0
361
2
0
1
1
0
0
0
1
3 2
3
7
6
2
7
6
2 7 6 0
2
0
=
15
17
2 5 4 0
7
7
0
5
1
1
3
3 2
32
7
7
76 2 7 6 2 7
7
7 6
76
54 1 5 = 4 5 5:
3
3
3
2
26
7
7
7;
5
Etapa 2
Seleccionamos el pivoting. Tenemos
(1)
(1)
S = a4;2 = Max aij ; r = 4; s = 2:

i=2;3;4
j=2;3;4
Intercambiamos la la 2 con la 4 de A1 . Como s = 2 y j = 2, no se requiere de intercambio de columnas,

en este caso se tiene la matriz identidad.
!
Igualmente, intercambiamos la la 2 con la 4 de b 1 . Tenemos
2
3
2
3
7
6
2
3
7
6 0
6 3 7
5
1
1 7
7; !
6
7
B1 = 6
d
=
1
17
15
26
4 0
5
4 5 5 ; C2;2 = I:
7
7
7
0
2
0
2
2
3
2
1 0 0 0
6 0 1 0 0 7
7
Sean K2 = 6
4 0 17 1 0 5 ;
35
2
0
5 0 1
2
32
3 2
3
1 0 0 0
7
6
2
3
7 6
2
3
6 0 1 0 0 76 0
6
5
1
1 7
1
1 7
76
7 6 0 5
7
A = K2 B1 = 6
15
26 5 = 4
113 5 ;
17
92
4 0 17 1 0 5 4 0
0
0
35
7
7
7
35
35
2
2
8
0
0
2
0
2
0 0
5 0 1
5
5
2
1
6 0
!
!
b 2 = K2 d 1 = 6
4 0
0
0
1
17
35
2
5
0
0
1
0
32
7
0
6 3
0 7
76
0 54 5
1
2
7 6
7=6
5 4
3
7
3 7
7
226 5 :
35
16
5
Etapa 3
Seleccionamos el pivoting. Tenemos
113
(2)
(2)
= a3;4 = Max aij ; r = 3; s = 4:
i=3;4
35
j=3;4
Intercambiamos la columna
2
7
6 0
B2 = 6
4 0
0
3 con la 4.
6
5
0
0
3
1
113
35
8
5
3
2
!
1 7
7 !
d 2 = b 2;
92 5 ;
35
2
5
C3;4
1
6 0
=6
4 0
0
0
1
0
0
0
0
0
1
3
0
0 7
7:
1 5
0
362

2
1
6 0
Denimos K3 = 6
4 0
0
0
1
0
0
0
0
1
56
113
1
6 0
A3 = K3 B2 = 6
4 0
0
3
0
0 7
7;
0 5
1
0
1
0
0
0
0
1
56
113
32
7 6
0
6 0 5
0 7
76
0 54 0 0
1
0 0
2
1
6 0
!
!
b 3 = K3 d 2 = 6
4 0
0
0
1
0
0
0
0
1
56
113
3
1
113
35
8
5
32
0
6
0 7
76
5
0 4
1
3 2
2
7 6
6 0 5
1 7
7 6
92 5 = 4
0 0
35
2
0 0
5
3 2
7
6
3 7
7 6
226 5 = 4
35
16
5
8
7y1 +6y2
>
>
<
5y2
El sistema de ecuaciones triangular superior es:
>
>
:
3
1
113
35
3
2
1 7
7
92 5 ;
35
102
113
3
7
3 7
7
226 5 :
35
0
+3y3
+y3
113
35 y3
solucin es !
y T = (1; 1; 2; 0).
+2y4
y4
92
35 y4
102
113 y4
=
=
=
=
7
3
226
35
cuya
0;
Como C = C1;4 IC3;4 , se sigue que

!
x = C!
y = C1;4 IC3;4 !
y
32
2
1
0 0 0 1
6 0 1 0 0 76 0
76
= 6
4 0 0 1 0 54 0
0
1 0 0 0
0
1
0
0
0
0
1
0
32
1 0
0
6 0 1
0 7
76
0 54 0 0
0 0
1
0
0
0
1
32
1
0
6 1
0 7
76
1 54 2
0
0
3
2
7 6 1 7
7
7=6
5 4 0 5:
1
3
Se dene el vector V = (S1 ; S2 ; :::; Sn 1 ), donde Sj 2 f1; :::; ng ; j = 1; :::; n 1. El componente S1

signica que, en la primera etapa, se intercambian la columna 1 con la S1 ; el componente S2 signica
que, en la segunda etapa, se intercambian las columnas 2 con la S2 , as sucesivamente. Si en la etapa j,
Sj = j no hay intercambio.
En el ejemplo tenemos V = (4; 2; 4). Se han realizado los siguientes intercambios:
primera etapa :
la columna 1 con la 4:
segunda etapa :
permanece invariante: j = 2; S2 = 2.
tercera etapa :
la columna 3 con la 4.
Para recuperar las variables

originales
hacemos referencia a los componentes de V y de la solucin Y .
2
3
1
6 1 7
7
Ponemos !
y3 = !
y = 6
4 2 5. Como el tercer componente de V es 4, se realiz el intercambio de la
0
2
3
1
6 1 7
7
columna 3 con la 4, en !
y realizamos este intercambio, tenemos !
y2=6
4 0 5. El segundo componente
2
de V es 2, no hay intercambio, ponemos !
y1 = !
y 2 . El primer componente de V es 4, se
2 realiz
3 el
2
6 1 7
7
intercambio de la columna 1 con la 4, en !
y 1 se realiza este intercambio, tenemos !
x = 6
4 0 5. la
1
solucin.
Ejercicio
363
Elaborar un algoritmo para la resolucin numrica de un sistema de ecuaciones lineales mediante el

mtodo de eliminacin gaussiana con pivoting total.
Observacin
Sean A = (aij ) 2 Mn
lineales:
n [R]
!
con A 6= 0; b T = (b1 ; :::; Bn ) 2 Rn : Se considera el sistema de ecuaciones
!
A!
x = b:
Supongamos que en la k-sima etapa de la

2 (k)
(k)
a11
a1k
6 .
..
6 ..
.
6
6
(k)
A=6 0
akk
6
..
6 ..
.
4 .
(k)
0
an;k
eliminacin gaussiana con pivoting total (parcial), se tiene

2 (k) 3
(k)
(k) 3
a1k+1
a1;n
b
6 1. 7
..
.. 7
6 .. 7
.
. 7
7
6
7
!
6 (k) 7
(k)
(k) 7
;
b
=
akk+1
ak;n 7
6 bk 7 :
k
7
6 . 7
..
.. 7
6 . 7
.
. 5
4 . 5
(k)
(k)
(k)
bn
ank+1
ann
Para realizar la nueva etapa, debemos seleccionar el pivoting:

(k)
a(k)
rs = Max aij ; con
i=k;:::;n
j=k;:::;n
(k)
n; k
n:
(k)
Si ars = 0, entonces aij = 0, i = k; :::; n; j = k; :::; n, con lo cual la matriz A es singular; y, el sistema
de ecuaciones tiene innitas soluciones o ninguna solucin.
!
(k)
(k)
i) El sistema de ecuaciones A!
x = b no tiene solucin si en la k-sima etapa ars = 0 = Max aij y
i=k;:::;n
j=k;:::;n
(k)
si algn bi
6= 0 para algn i = k:; ; ; n.
!
(k)
ii) El sistema de ecuaciones A!
x = b tiene innitas soluciones si en la k-sima etapa ars = 0 =
(k)
(k)
Max aij y bi = 0 par todo i = k; :::; n.
i=k;:::;n
j=k;:::;n
En este anlisis no se ha considerado los errores de redondeo.

Se deja como ejercicio la elaboracin de un algoritmo para la resolucin numrica de un sistema de
ecuaciones lineales mediante el mtodo de eliminacin gaussiana con pivoting parcial o total, y que en
el caso de ser la matriz A singular, permita identicar si el sistema tiene innitas soluciones o ninguna
solucin.
6.6.3.
Clculo de la matriz inversa A
y del determinante de la matriz A.
Clculo de la matriz inversa.

Sea A = (aij ) 2 Mn n [R] con A 6= 0. El mtodo de eliminacin gaussiana con pivoting parcial o total
puede ser utilizado para calcular la matriz inversa A 1 de A, siempre que A 1 exista.
Sean !
e T1 ; :::; !
e Tn la base cannica de Rn y Bj la j-sima columna de A 1 . La matriz identidad se nota
I. Puesto que AA 1 = A 1 A = I; entonces AA 1 !
e j = I!
ej = !
e j ; y A 1!
e j = Bj ;
j = 1; :::; n;
se sigue que ABj = !
e j ; j = 1; :::; n; es decir que Bj es la solucin del sistema de ecuaciones lineales
A!
x =!
e j ; j = 1; :::; n:
Ejemplo
2
3
1 2 3
Sea A = 4 1 3 2 5. Hallemos A 1 : Para el efecto, apliquemos el mtodo de eliminacin gaussiana al
1 0 1
sistema de ecuaciones A!
x =!
e j ; j = 1; 2; 3; con !
e T1 = (1; 0; 0) ; !
e T2 = (0; 1; 0) ; !
e T3 = (0; 0; 1) :
364
Clculo de la primera columna de A 1 : se

2
1
4 1
1
considera
32
2 3
3 2 54
0 1
el sistema
3 2
x1
x2 5 = 4
x3
de ecuaciones
3
1
0 5
0
que es equivalente, va eliminacin gaussiana, al siguiente

2
32
3 2
3
1 2 3
x1
1
4 0 1
1 5 4 x2 5 = 4 1 5 ;
0 0 6
x3
3
cuya solucin es B1T =
1
2;
1 1
2; 2
Clculo de la segunda columna de A

2
: se considera el sistema de ecuaciones

32
3 2 3
1 2 3
x1
0
4 1 3 2 5 4 x2 5 = 4 1 5 ;
1 0 1
x3
0
que mediante el mtodo de eliminacin

2
1
4 0
0
1 2
3; 3;
1
3
gaussiana, se obtiene
32
3 2
3
2 3
x1
0
1
1 5 4 x2 5 = 4 1 5 ;
0 6
x3
2
Clculo de la tercera columna de A
1.
Esta es solucin del sistema de ecuaciones lineales

32
2
3 2 3
x1
1 2 3
0
4 1 3 2 5 4 x2 5 = 4 0 5 ;
1 0 1
1
x3
y procediendo en forma similar a los precedentes, obtenemos

2
32
3 2 3
1 2 3
x1
0
4 0 1
1 5 4 x2 5 = 4 0 5 ;
0 0 6
x3
1
5 1 1
6; 6; 6
Luego
A
= [B1 ; B2 ; B3 ] = 4
1
2
1
2
1
2
2
3
1
3
1
3
1
6
1
6
5
6
5:
Observe que la parte comn de los sistemas triangulares superiores que se obtienen para el clculo de las
respectivas columnas B1 ; B2 ; B3 :
Clculo de det (A) :
Sea A = (aij ) 2 Mn n [R] con A 6= 0. El mtodo de eliminacin gaussiana con pivoting parcial o total
permite calcular el determinante de la matriz A. Si aplicamos el mtodo de eliminacin gaussiana con
Bj = Fj;Sj Aj 1 ; j = 1; :::; n;
pivoting parcial a la matariz A, obtenemos
donde A0 = A y Fj ; Sj es
Aj = Kj Bj ;
la matriz obtenida de la identidad al intercambiar la la j con la sj 2 fj; :::; ng. Si sj = j, no existe
intercambio de las, en tal caso Fj;sj = I matriz identidad.
Denotamos con m el nmero de intercambios de las, es decir, m es el nmero de matrices Fj;sj 6= I:
6.7. MTODO DE CHOLESKI.
365
2
1
6 ..
6 .
6
6 0
6
Por otro lado, Kj es la matriz denida como Kj = 6 .
6 ..
6
6 ..
4 .
0
(j)
bjj
6= 0;
0
..
.
0
..
.
kj+1;j
..
.
1
..
.
kn;j
3
0
.. 7
. 7
7
0 7
7
7 con Ki;j =
0 7
7
.. 7
. 5
1
i = j + 1; :::; n:
(n 1)
Se tiene que An
1;
1; det Fj;Sj =
j = 1; :::; n
= aij
es triangular superior. Luego det (An

1; si Fj;Sj = I;
1; si Fj;Sj 6= I:
An
= Kn
Fn
1;Sn
1)
Como
:::
K1 F1;S1 A;
:::
det (K1 )
Qn
(n 1)
;
i=1 aii
(j)
bij
(j)
bjj
det (Kj ) =
se sigue que
det (An
1)
= det (Kn
1)
det Fn
= det Fn
1;Sn
:::
1;Sn
det (F1;S1 ) det (A)
det (F1;S1 ) det (A)
= ( 1) det (A) ;
de donde
det (A) = ( 1)m det (An
m
1 ) = ( 1)
n
Y
(n 1)
aii
i=1
Si utilizamos el mtodo de eliminacin gaussiana con pivoting total, se tiene

An
= Kn
1 Fn 1;n :::K1 F1;r AC1;S1 :::Cn 1;n ;
(n 1)
donde An 1 = aij
es una matriz triangular superior, Ki y Fj;sj son matrices del tipo descrito en el
pivoting parcial y Cj;Sj = I, es decir que no existe intercambio de columnas.
Denotamos con m1 el nmero de intercambio de las, esto es, el nmero de matrices Fj;Sj 6= I; y m2 el
nmero de intercambios de columnas, es decir que m2 es el nmero de matrices Cj;Sj 6= I. Entonces
det (A) = ( 1)m1 +m2
n
Y
(n 1)
ajj
j=1
6.7.
Mtodo de Choleski.
Sea A = (aij ) 2 Mn
problema siguiente:
n [R]
!
una matriz simtrica, denida positiva, b T = (b1 ; :::; bn ) 2 Rn . Se considera el
!
hallar !
x 2 Rn solucin de A!
x = b:
Por ser la matriz A simtrica, denida positiva, A es no singular y en consecuencia (1) admite una nica
solucin x
b 2 Rn . Por otra parte, existe una matriz L = (lij ) 2 Mn n [R] triangular inferior tal que
A = LLT :
(
!
L!
y = b;
El sistema de ecuaciones (1) es equivalente a los siguientes:
LT !
x =!
y:
!
Primeramente se resuelve el sistema L!
y = b . Calculado el vector !
y , se resuelve a continuacin el
sistema de ecuaciones LT !
x =!
y , que permite calcular !
x 2 Rn solucin de (1) :
366
Describamos el algoritmo de factorizacin de la matriz A en la forma LLT . Como A = LLT = (aij ), se

sigue de la denicin de producto de dos matrices que
aij =
n
X
t
lik lkj
; i:j = 1; :::; n;
k=1
t
donde LT = lij
t = l , i; j = 1; :::; n:
y lij
ji
La igualdad (4) as como la denicin de la matriz triangular inferior L = (lij ) sern utilizados
sucesivamente par construir cada columna de la matriz L.
Primera columna: j = 1: Se tiene
ai1 =
n
X
n
X
t
lik lk1
=
k=1
lik l1k = li1 l11 ;
i = 1; :::; n;
k=1
ya que l1k = 0 para k = 2; :::; n. As,

ai1 = li1 l11 ;
2 ) l
Para i = 1; se tiene a11 = l11
11 =
positiva).
Para i = 2; :::; n; se tieneli1 =
i = 1; :::; n:
p
a11 (l11 =
a11 no es posible porque A es simtrica, denida
ai1
l11
Segunda columna: j = 2: Tenemos

ai2 =
n
X
t
lik lk2
n
X
lik l2k = li1 l21 + li2 l22 ;
i = 2; :::; n;
k=1
k=1
pus l2k = 0 para k = 3; :::; n:

Los elementos li1 ; i = 1; :::; n son calculados en la etapa precedente. Debemos calcular li2 ; i = 2; :::; n:
p
2 + l2 ) l
2 y para i = 3; :::; n; se obtiene l = ai2 li1 l21 :
Para i = 2, se tiene a22 = l21
=
a22 l21
22
i2
22
l22
j-sima columna: 1 < j
n:
Supongamos conocidas las j
1 columnas de L. La j-sima columna de L se determina como sigue:

aij =
n
X
t
lik lkj
=
k=1
j
X
lik ljk ;
i = j; :::; n:
k=1
Note que lij+1 = 0; :::; lin = 0:

Para i = j,
ajj =
j
X
ljk ljk =
k=1
de donde
ljj
y para i = j + 1; :::; n, se tiene
j 1
X
k=1
v
u
u
= tajj
aij =
2
2
ljk
+ ljj
j 1
X
j 1
X
2
ljk
(9)
k=1
lik ljk + lij ljj
k=1
con lo cual
lij =
aij
Pj
1
k=1 lik ljk
ljj
(10)

Note que ajj >
jP1
k=1
367
p
2 , luego l > 0. Adems l

ljk
jj
jj
ajj para j = 1; :::; n:
Hacemos notar que en la prctica, dada una matriz simtrica A, el algoritmo de Choleski permite
identicar si A es denida positiva o no por lo que en cada etapa del algoritmo de Choleski se verica si
ajj
j 1
X
2
ljk
> 0;
k=1
y en consecuencia ljj > 0, j = 1; :::; n:

En el procedimiento de factorizacin de A en la forma LLT descrito, no se consideran los errores de
redondeo.
Por otro lado, en el algoritmo se asume que la matriz A es simtrica. En realidad, la primera tarea es
vericar que la matriz A sea simtrica.
Con todos estos elementos se establece el siguiente algoritmo de factorizacin de Choleski.
Algoritmo de factorizacion LLT
Algoritmo
Datos de entrada: n 2 Z+ ;
A = (aij ) 2 Mn
n [R] ;
Datos de salida: Mensaje 1: La matriz no es simtrica. Mensaje 2: La matriz A no es denida positiva.

Matriz L = (lij )
1. Vericar que la matriz A es simtrica.
2. Si a11 > 0, entonces
p
l11 = a11 ;
caso contrario, continuar en 6).
3. Para i = 2; :::; n
ai1
li1 =
l11
Fin de bucle i
4. Para j = 2; :::; n
S=0
Para k = 1; :::; j
S = S + ljk
Si ajj
ljj
1
ljk
S > 0 entonces
p
= ajj S;
Caso contrario, continuar en 6).

Fin de bucle k.
Para i = j + 1; :::; n
S=0
Para k = 1; :::; j
S = S + lik
1
ljk
368

lij =
(aij S)
ljj
Fin de bucle k
Fin de bucle i.
Fin de bucle j.
5. Escribir L = (lij ). Continuar en 7).
6. Escribir mensaje 2: La matriz no es denida positiva.
7. Fin.
Observacin: Para j = n, se tiene
ain =
n
X1
t
t
lik lkn
+ lin lkn
=
k=1
ann =
lik lkk + lin lnn ;
k=1
y para i = n;
n
X1
n
X1
2
lkk
2
lnn
k=1
) lnn
Para j = n, el bucle i = n + 1; :::; n no se realiza.
v
u
u
= tann
n
X1
2 :
lnk
k=1
Ejercicio
Elaborar un algoritmo para vericar si una matriz A = (aij ) 2 Mn
imprimir mensaje La matriz A no es simtrica. Concluir.
n [R]
es no simtrica. Si A 6= AT ,
!
Para la resolucin numrica de un sistema de ecuaciones lineales A!
x = b mediante el mtodo de
Choleski, se propone el siguiente algoritmo en el que se supone se realiza la factorizacin LLT descrito
en el algoritmo precedente.
Algoritmo del mtodo de Choleski
Algoritmo
A = (aij ) 2 Mn
n [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: Mensaje: A no es simtrica, denida positiva. Solucin !

x T = (x1 ; :::; xn ) :
1. Aplicar el algoritmo de la factorizacin LLT .
Si A no es simtrica, denida positiva, continuar en 5).
!
2. Resolver el sistema de ecuaciones L!
y = b:
3. Resolver el sistema de ecuaciones LT !
x =!
y:
4. Escribir la solucin !
5. Escribir mensaje: A no es simtrica, denida positiva.
6. Fin.
Ejemplo
2
1
6
!
1
Hallar la solucin del sistema de ecuaciones A!
x = b , donde A = 6
4 2
3
1
2
4
1
3
2
2 3
3
7
6
4 1 7 ! 6 2
; b =4
9 2 5
3
2 14
11
7
7:
5
369
Apliquemos el mtodo de Choleski. Observamos primeramente que la matriz A es simtrica, esto es

A = AT : Pasemos al algoritmo de factorizacin de Choleski.
Etapa 1 (j = 1) : Tenemos los siguientes resultados
p
p
l11 = a11 = 1 = 1;
Para i = 2; 3; 4 : li1 =
ai1
;
l11
a21
1
= = 1;
l11
1
2
a31
= = 2;
l11
1
3
a41
= = 3:
l11
1
l21 =
l31 =
l41 =
Etapa 2 (j = 2)
q
l22 a22
2
=
l21
1 = 1;
Para i = 3; 4 : li;2 =
l32 =
l42 =
a32
l31 l21
a42
l22
l41 l21
l22
ai2
li1 l21
l22
4 2
=
1
1 3
=
1
1
1
= 2;
=
2:
( 2)
Etapa 3 (j = 3)
l33 =
q
a33
Para i = 4 :
l43 =
Etapa 4 (j = 4)
l44
a43
q
= a44
2
l31
li3 =
2 =
l32
ai3
l41 l31
l33
2
l41
4 = 1;
li1 l31 li2 l32

;
l33
2 3 2
l42 l32
=
2
l42
1
6
1
En consecuencia L y LT son las matrices L = 6
4 2
3
T
inmediatamente que A = LL :
2 =
l43
0
1
2
2
p
0
0
1
0
14
3
0
0 7
7;
0 5
1
!
Pasamos a la resolucin de los sistemas de ecuaciones L!
y = b y
8
y1
>
>
<
!
y1 +y2
El sistema de ecuaciones L!
y = b es el siguiente:
2y
+2y2
>
>
: 1
3y1
2y2
!
y T = (3; 1; 1; 0) :
8
x1 +x2
>
>
<
x2
El sistema de ecuaciones LT !
x =!
y es el siguiente:
>
>
:
es !
x T = (4; 1; 1; 0) :
= 0:
0 = 1:
2
2
2
1
0
3
3
2 7
7 : Se verica
0 5
1
=3
=2
=3
= 11;
cuya solucin es
1
6
0
LT = 6
4 0
0
1
1
0
0
LT !
x =!
y:
+y3
+y4
+2x3 +3x4
+2x3
2x4
x3
x4
=
=
=
=
3
1
cuya solucin
1
0;
370
Nmero de operaciones elementales.

Asumimos que la raz cuadrada de un nmero real no negativo es una operacin elemental. Con esta
suposicin, determinemos el nmero de operaciones elementales (adiciones, productos, divisiones, races
cuadradas) necesarias para la construccin de la matriz triangular inferior L = (lij ). Tenemos
j = 1;
raz cuadrada:
1;
divisiones:
n 1;
productos:
0;
adiciones:
0;
j = 2;
j=n
raz cuadrada :
1;
divisiones :
productos :
1+n
2=n
1;
adiciones :
1+n
2=n
1;
2;
1;
raz cuadrada :
1;
divisiones :
1;
productos :
2+n
2 = 2 (n
2) ;
adiciones :
2+n
2 = 2 (n
2) ;
j = n;
raz cuadrada :
1;
productos :
1;
adiciones :
1:
Luego, en todas las etapas se realizan las siguientes operaciones elementales:
races cuadradas :
divisiones :
1+n
2 + ::: + 1 =
n
X1
(n
j) =
j=1
productos :
adiciones :
0+n
0+n
1 + ::: + 2 (n
1 + ::: + 2 (n
2) + m
2) + n
1=
1=
n (n 1)
;
2
n
X
(n
j + 1) (j
1) =
n n2
6
(n
j + 1) (j
1) =
n n2
6
j=1
n
X
j=1
Total de operaciones elementales requeridas para la factorizacin de la matriz A:

n n2
6
n n2
6
n (n 1)
n
=
2n2 + 3n + 1 :
2
6
!
Para la resolucin de los sistemas de ecuaciones lineales L!
y = b y LT !
x = !
y se requieren de 2n2
operaciones elementales. Entonces
N =n+
N oper (n) = 2n2 +
n
n
2n2 + 3n + 1 =
2n2 + 15n + 1 :
6
6
As, para n = 4; N oper (4) = 62; para n = 5; N oper (5) = 105: Para n 5, el nmero de operacione
elementales requerido para resolver un sistema de ecuaciones lineales con el mtodo de Choleski es inferior
al utilizado en el mtodo de eliminacin gaussiana N oper (n) = n6 4n2 + 9n 7 :
6.8. MTODO DE CROUT.
371
Clculo del determinante

Si A = (aij ) 2 Mn n [R] es una matriz simtrica, denida positiva, existe una matriz L = (lij ) triangular
inferior tal que A = LLT : Entonces, el determinante de L denotado det (L) se calcula como el producto
de los elementos de la diagonal, esto es,
det (L) =
n
Y
lii :
i=1
Por otro lado,

det (A) = det LLT = det (L) det LT = [det (L)]2
de modo que
n
Y
det (A) =
i=1
lii
!2
n
Y
2
lii
:
i=1
El nmero de operaciones elementales que se requieren para la factorizacin de la matriz A es:

N=
n
2n2 + 3n + 1 ;
6
el nmero de operaciones elementales para el clculo de
n
Q
i=1
2 es n2 productos. Luego, el nmero de

lii
operaciones elementales requeridas para el clculo de det (A) es

N oper (n) =
6.8.
n
n
2n2 + 3n + 1 + n2 =
2n2 + 9n + 1 :
6
6
Mtodo de Crout.
!
Sean A = (aij ) 2 Mn n [R] no nula, b T = (b1 ; :::; bn ) 2 Rn : Consideramos el problema siguiente: hallar
!
x 2 Rn , si existe, solucin de
!
A!
x = b:
(1)
En el mtodo de factorizacin de Crout se buscan, si existen, dos matrices L = (lij ) ; U = (uij ) se
Mn n [R] tales que
lij
= 0 si j > i;
uij
= 0 si i > j; i = 2; :::; n; j = 1; :::; n;
uii = 1;
i = 1; :::; n; j = 2; :::; n;
i = 1; :::; n
y
A = LU:
(2)
En denitiva, la matriz L es triangular inferior, la matriz U es triangular superior y cuyos elementos

de la diagonal son todos 1. De la factorizacin de A, es sistema de ecuaciones (1) es equivalente a los
siguientes:
(
!
!
!
L!
y = b;
!
!
A x = b , LU x = b ,
U!
x =!
y:
!
!
El primero L!
y = b es un sistema triangular inferior, y el segundo U !
x = b es un sistema triangular
superior. Por lo tanto, queda describir un algoritmo para determinar las matrices L y U:
De la denicin de producto de matrices, se tiene
aij =
n
X
k=1
lik ukj
i = 1; :::; n; j = 1; :::; n:
(3)
372
Etapa 1 (j = 1) : De la denicin de las matrices L y U , se tiene

ai1 =
n
X
lik uk1 = li1 u11 = li1 i = 1; :::; n:
k=1
As,
li1 = ai1 ;
Para i = 1;
a1j =
n
X
i = 1; :::; n:
(4)
l1k ukj = l11 u1j ;
k=1
de donde
u1j =
a1j
;
l11
l11 6= 0;
j = 2; :::; n:
(5)
Etapa 2 (j = 2)
ai2 =
n
X
lik uk2 = li1 u12 + li2 u22 = li1 u12 + li2 ;
k=1
de donde
li2 = ai2
li1 u12 i = 2; :::; n:
Para i = 2;
a2j
n
X
l2k ukj = l21 u1j + l22 u2j
k=1
u2j
a2j + l1 u1j
l22
si l22 6= 0; j = 3; :::; n:
Note que en la primera etapa se construye la primera columna de L y luego la primera la de U . En la

segunda etapa se construye la segunda columna de L y a continuacin la segunda la de U . Continuando
con este procedimiento, para 1 j n jo,
aij = ssnk=1 lik ukj = li1 u1j + li2 u2j + ::: + lij uii =
j 1
X
lik ukj + lij
k=1
de donde
lij = aij
j 1
X
lik ukj i = j; :::; n:
(6)
k=1
Para 1
1 jo, se tiene
aij
= ssk = 1n lik ukj = li1 u1j + li2 u2j + ::: + lii uij ;
aij
uij
jP1
k=1
ljj
lik ukj
;
ljj 6= 0;
j = i + 1; :::; n:
Antes de proceder a la descripcin del algoritmo de factorizacin de A mediante el mtodo de Crout,

consideremos un ejemplo.
Ejemplo
!
!
!
Hallar la solucin del 2
sistema de ecuaciones lineales
A
x
=
b
,
con
A
la
matriz
y
b el vector que se dan
3
2
3
0
2
2 0 2 0
6 1
7
6 0 7
0
1
2
0
6
7
7
!6
7
1 4
2 7
a continuacin. A = 6
b 6
6 1 2
7;
6 0 7 : Apliquemos el mtodo de Crout.Para
4 2
5
4
3 0 1 1
2 5
0
1 1 0
1
1
ello, comencemos con el pricedimiento de factorizacin LU descrito precedentemene.
373
Etapa 1 (j = 1) : En esta etapa se determinan los elementos de la primera columna de A :

l1i = ai1
i = j; :::; n
l11 = a11 = 2;
l21 = a21 = 1;
l31 = a31 =
1;
l41 = a41 = 2;
l51 = a51 = 0:
Inmediatamente, se pasa a la construccin de los elementos de la primera la de U :
a1k
l11 6= 0; u1k =
; k = j + 1; :::; n
l11
Resulta,
a12
l11
a13
l11
a14
l11
a15
l11
u12 =
u13 =
u14 =
u15 =
Etapa 2 (j = 2) : Se tiene li2 = ai2
L. Resulta,
li1 u12 ;
2
= 1;
2
0
= = 0;
2
2
= = 1;
2
0
= = 0:
2
=
i = j; :::; n, con lo que se construye la segunda columna de
l22 = a22
l21 u12 = 0
( 1) = 1;
l32 = a32
l31 u12 = 2
( 1)
l42 = a42
l41 u12 =
( 1) =
1;
l52 = a52
l51 u12 =
( 1) =
1:
( 1) = 1;
Se pasa inmediantemente a la obtencin de los elementos de la segunda la de U . Para k = j + 1; :::; n o

sea k = 3; 4; 5;
ajk lj1 u1k
ujk =
:
ljj
Luego,
u23 =
u24 =
u25 =
a23
a24
a25
21
u13
l22
l21 u14
2
=
l22
0
l21 u15
=
l22
1 0
= 1;
1
1 1
= 1;
1
1 0
= 0:
1
Etapa 3 (j = 3) : Se construye la tercera columna de L. Se tiene

li3 = ai3
li1 u13
li2 u23 ;
i = j; :::; n;
es decir que
l33 = a33
l31 u13
l32 u23 = 1
( 1)
( 1) = 2;
l43 = a43
l41 u13
l42 u23 = 0
( 1) ( 1) =
l53 = a53
l51 u13
l52 u23 = 1
( 1) ( 1) = 0:
Construimos la tercera la dae U . Tenemos ljj 6= 0, y

ujk =
ajk
lj1 u1k
ljj
lj2 u2k
k = j + 1; :::; n;
1;
374
con lo cual
a34
u34 =
l31 u14
l33
l31 u15
l33
a35
u35 =
l32 u24
l32 u25
( 1)
2
( 1) 0
2
1
1
= 2;
0
1:
Etapa 4 (j = 4) : Se construye la cuarta columna de L.

li4 = ai4
li1 u14
li2 u24
li3 u34 ;
i = j; :::; n;
l44 = a44
l41 u14
l42 u24
l43 u34 = 1
( 1)
( 1)
2 = 2;
l54 = a54
l51 u14
l52 u24
l53 u34 = 0
( 1)
2 = 1:
( 1)
( 1)
Inmediatamente se construye la cuarta la de U:

a4k
u4k =
u45 =
jP1
l4r urk
r=1
l44
a45 l41 u15
k = j + 1; :::; n;
l42 u25
l44
l43 u35
( 1)
0
2
= 0:
Etapa 5 (j = 5) : Note que n = 5, o sea j = n: En esta etapa se construye nicamente el elemento lnn :
Se tiene
j 1
X
li5 = ai5
lir ur5 i = j; :::; n;
r=1
como j = n = 5;
i = 5. Entonces
l55 = a55
=
Obtenemos
6
6
L=6
6
4
2
1
1
2
0
1
0
1
1
1
1
l51 u15
0
0
0
2
1
0
0
0
0
0
2
1
l52 u25
( 1)
0
0
0
0
1
7
7
7;
7
5
l53 u35
0
l54 u45
( 1)
6
6
U =6
6
4
1
0
0
0
0
1
1
1
0
0
0
0=
0
1
1
0
0
1
1
2
1
0
1:
0
0
1
0
1
7
7
7:
7
5
!
!
El sistema de ecuaciones A!
x = b es equivalente a los dos siguientes: L!
y = b y U!
x =!
y:
!
Comencemos con la resolucin del sistema triangular inferior L!
y = b . Tenemos
8
2y1
=0
>
>
>
>
y
+y
=0
< 1
2
y1 +y2 +2y3
=0
>
>
2y
y
y
2y
=
2
>
1
2
3
4
>
:
y2
+y4
y5 = 1;
cuya solucin es !
y T = (0; 0; 0; 1; 2) :
Concluimos con la resolucin numrica del sisteam de ecuaciones triangular superior U !

x =!
y siguiente:
8
x1
x2
+x4
= 0
>
>
>
>
x
x
+x
= 0
<
2
3
4
x3 +2x4
x5 = 0
>
>
x
=
1
>
4
>
:
x5 =
2:
375
La solucin es !
x T = (2; 1; 0; 1; 2) :
Algoritmo de factorizacin LU
Algoritmo
n [R] :
Datos de salida: L; U:
1. Para i = 1; :::; n
li1 = ai1 :
Fin de bucle i.
2. Si l11 6= 0;
Para k = 2; :::; n
u1k =
a1k
l11
Fin de bucle k.
Caso contrario, continuar en 5):
3. Para j = 2; :::; n
Para i = j; :::; n
S=0
Para k = 1; :::; j
S = S + lik
lij = aij
1
ukj
Fin de bucle k.
Si ljj 6= 0;
Para k = j + 1; :::; n
S=0
Para i = 1; :::; j
S = S + lki
ujk =
uij
ajk S
ljj
Fin de bucle i.
Fin de bucle k.
Caso contrario, continuar en 5)
Fin de bucle j.
4. Imprimir L:U . Continuar en 6).
5. Imprimir mensaje: Matriz singular o no se factora en la forma LU
6. Fin.
376
Una vez que se ha procedido a la factoracin de la matriz A en la forma LU; se pasa inmediatamente a
la resolucin del sistema de ecuaciones lineales que se recoje en el algoritmo de Crout.
Algoritmo de Crout
Algoritmo
n [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: Mensaje : Matriz singular. Solucin !

x T = (x1 ; :::; xn ) :
1. Aplicar el algoritmo de factorizacin LU:
Si A es singular, continuar en 5).
!
2. Resolver el sistema de ecuaciones L!
y = b:
3. Resolver el sistema de ecuaciones U !
x =!
y:
4. Escribir la solucin !
5. Escribir mensaje: A es singular o no se factora en la forma LU .
6. Fin.
Observaciones
1. Si A = (aij ) 2 Mn
n [R]
se factora en la forma LU , esta es nica.
En efecto, supongamos que A admite otra factorizacin L1 U1 , donde L1 es triangular inferior, U

triangular superior
Si A es no singular entonces L; L1 ; U; U1 son no singulares, y
LU = L1 U1 , L1 1 L = U1 U
Como U y U1 son triangulares superiores, U1 U 1 es triangular superior que posee unos en la

diagonal. Por otro lado L; L1 son triangulares inferiores, L1 1 L es triangular inferior. Para que se
tenga la igualdad L1 1 L = U1 U 1 debe ser U1 U 1 = I, de donde U1 = U , y L1 1 L = I implica
L = L1 . As, la factorizacin es nica.
2. La matriz A =
0 1
1 0
no se factora en la forma LU: La matriz A es claramente no singular.
Supongamos que A = LU con L =
A = LU =
l11 0
l21 l22
l11 0
l21 l22
; U=
1 u12
0 1
1 u12
0 1
: Entonces
l11
l11 u12
l21 l21 u12 + l22
0 1
1 0
Luego,
l11 = 0; 1 = l11 u12 = 0
u12 = 0 que es absurdo.
3. Si una matriz singular A se factora en la forma LU , esta no es nica. Por ejemplo

A =
1 0
1 0
B =
0 1
0 1
0
0
0
3
0
0 1
8 2 R,
8 2 R,
6= 0:
6= 0;
6.9. SISTEMAS DE ECUACIONES LINEALES CON MATRICES TRIDIAGONALES.
6.9.
377
Sistemas de ecuaciones lineales con matrices tridiagonales.
n [R]
tal que A 6= 0. Se dice que A es tridiagonal si
aij = 0 para
ji
jj > 1;
i; j = 1; :::; n:
Como hemos visto, essta clase de matrices se presentaron en la discretizacin de problemas de valores
de frontera 1d, en la construccin de splines de interpolacin. Adems, aparecen en la discretizacin
mediante diferencias nitas y elementos nitos de muchos problemas del tipo
8 @u
@
@u
@u
< @t
@x p @x + v @x + qu = f;
+ Condicin inicial,
:
+ Condiciones de frontera,
donde f; p; q; v son funciones dadas que cumplen cierta regularidad en [0; L]
[0; T ] ; con L > 0; T > 0:
!
Sean A = (aij ) 2 Mn n [R] con A 6= 0 y A tridiagonal, b T = (b1 ; :::; bn ) 2 Rn . Se considera el sistema de
!
x = b:
De la denicin de matriz tridiagonal, la matriz A tiene la forma
2
a11 a12 0
0
6 a21 a22 a23
0
6
6 ..
..
.
.
.
..
..
..
.
A=6
6 .
6 ..
.
.
..
..
4 .
an 1;n
0
ann 1
ann
3
7
7
7
7
7
7
5
!
y el sistema de ecuaciones lineales A!
x = b ; en forma explcita se escribe:
8
a11 x1 +a12 x2
= b1
>
>
>
>
a
x
+a
x
+a
x
= b2
>
22 2
23 3
>
< 21 1
..
.
>
>
..
>
>
.
>
>
:
ann 1 xn 1 +ann xn = bn :
Esta clase de problemas involucra el almacenamiento adecuado de los datos y una simplicacin del
!
algoritmo de resolucin del sistema de ecuaciones A!
x = b:
Comenzamos con el almacenamiento de los datos.
Para almacenar los elementos aij ; i; j = 1; :::; n de A se requieren n2 espacios de memoria, que para
n grande, n2 puede ser muy signicativo. Por ejemplo para n = 1000, n2 = 1;000;000. Es claro que en
la actualidad una cifra como esta es muy modesta frente a la capacidad de almacenamiento de datos
que poseen los modernos equipos de computacin. Sin embargo, por grande que sea esta capacidad de
almacenamiento, es preciso tratar de optimizar el espacio de memoria utilizado. Con este propsito, para
almacenar los datos de una matriz tridiagonal, nicamente se requieren de aquellos elementos aij para
los que ji jj 1; i; j = 1; :::; n, y no todos los n2 elementos de la matriz A:
Se dene la matriz B = (bik ) 2 Mn
3 [R]
del modo siguiente:
b11 = bn3 = 0;
bi1 = aii
1;
bi2 = aii ;
bi3 = aii+1 ;
i = 2; :::; n;
i = 1; :::; n;
i = 1; :::; n
1;
378
es decir que la matriz B es de la forma

2
0
a21
a32
a11
a22
a33
..
.
6
6
6
6
B=6
6
6
4 an 1;n 2 an 1;n
ann 1
ann
a12
a23
a34
1
an
1;n
7
7
7
7
7:
7
7
5
Observamos que los elementos de la diagonal principal de A est localizados en la segunda columna de
B. Los elementos de la diagonal superior adyacente a la principal de A estn localizados en la tercera
columna de B, los elementos de la diagonal inferior adyacente a la principal de A estn localizados en la
primera columna de B.
Note que la matriz B requiere de 3n espacios de memoria. Por ejemplo para n = 1000, solo se requieren
de 3000 espacios de memoria. Adicionalmente, el tiempo de mquina y la precisin de la solucin, son
dos situaciones importantes a considerar. En cuanto se reere a la precisin de la solucin, posponemos
el anlisis correspondiente.
!
En lo que se reere al tiempo de mquina utilizado en la resolucin del sistema de ecuaciones A!
x = b , se
buscan algoritmos cuyos tiempos de mquina, sean en lo posible, los ms pequeos. Se logra este objetivo
utilizando la hiptesis A es una matriz tridiagonal y elaborando algoritmos que eviten realizar clculos
innecesarios con elementos aij = 0 para ji jj > 1, i; j = 1; :::; n. El arreglo de elementos de A en la
matriz B conduce al propsito antes precisado.
Para esta clase de matrices tridiagonales y con hiptesis suplementarias sobre la matriz A, proponemos
tres algoritmos de resolucin numrica de los sistemas de ecuaciones lineales.
Eliminacin gaussiana sin pivoting.
Supongamos que A = (aij ) 2 Mn n [R] es una matriz tridiagonal y estrictamente diagonalmente
!
!
dominante; b T = (b1 ; :::; bn ) 2 Rn . Consideramos el sistema de ecuaciones lineales A!
x = b:
Con la hiptesis A es estrictamente diagonalmente dominante, debemos mostrar que las matrices
(1)
(n 1)
A1 = aij ; :::; An 1 = aij
correspondientes a cada etapa de la eliminacin gaussiana, son
estrictamente diagonalmente dominantes.
Etapa 1. Como A es estrictamente diagonalmente dominante, se tiene ja11 j > ja12 j ;
a21
Resulta ja11 j > 0. Sean k21 =
,y
a11
(1)
a22 = k21 a12 + a22 =
1. Como ja11 j > ja12 j se sigue que
a21
a12 + a22 =
a11
a21
a12
+ a22 :
a11
a12
< 1. Luego a21 aa12
< ja21 j : Entonces
11
a11
ja22 j > ja21 j + ja23 j > a21
a12
+ ja22 j
a11
de donde
ja22 j
Utilizando la desigualdad jjxj
(1)
jyjj
a22 = a22
jx
a21
a21
a12
> ja23 j :
a11
yj ; 8x; y 2 R. Se tiene
a12
a11
ja22 j
a21
a12
> ja23 j :
a11
ja22 j > ja21 j + ja23 j :
379
As,
(1)
(1)
a22 > a23 = ja23 j :

Como las otras las de la matriz A quedan inalteradas, se tiene
jaii j > jaii
1j
+ jaii+1 j ;
(1)
i = 3; :::; n:
(1)
(1)
(1)
Se pone aij = aij para i = 1; 3; :::; n; j = 1; :::; n; a23 = a23 ; a2j = 0; j = 1; 4; :::; n; y A1 = aij
Consecuentemente, A1 =
(1)
aij
es estrictamente diagonalmente dominante.

(1)
Etapa 2. Como
(1)
a22
a32
6= 0. Se dene k32 =
(1)
;y
a22
(1)
(1) a23
(1)
a22
(1)
(2)
(1)
(1)
a33 = k32 a23 + a33 =
(1)
Puesto que a22

(2)
(1)
> a23
a32
(1)
a32
(1)
+ a33 :
y razonando en forma similar a la realizada en la etapa 1, se muestra que
(2)
(2)
a33 > a34 : Denotamos con A2 = aij
, donde
(2)
= aij
(1)
(2)
= 0; a34 = a34 ; a3j = 0; j = 4; :::; n:
aij
i = 1; :::; n; i 6= 3; j = 1; :::; n;
(2)
a32
(1)
(2)
Continuando con este proceso llegamos a la etapa n

Etapa n
(1)
a + a33 =
(1) 23
a22
1 siguiente.
1: Se tiene
(n 2)
1;n 1
(n 2)
1;n
an
> an
Se dene
kn:n
= jan
1;n j
0:
(n 2)
1
;
(n 2)
an 1;n 1
ann
y
a(n
nn
Mostremos que
(n 1)
ann
6= 0: Como
1)
= kn;n
(n 2)
an 1;n 1
>
(n 2)
1 an 1;n
(n 2)
an 1;n
(n 2)
(n 2) an 1;n
an;n 1 (n 2)
an 1;n 1
+ a(n
nn
se sigue
(n 2)
1
< ann
2)
(n 2)
1;n
(n 2)
an 1;n 1
an
< a(n
nn
2)
<1y
Luego,
1)
a(n
nn
(n 2)
1
(n 2)
an 1;n
(n 2)
an 1;n 1
an;n
2)
a(n
n;n
2)
a(n
nn
(n 2)
(n 2) an 1;n
ann 1 (n 2)
an 1;n 1
> 0:
!
En trminos de los elementos de la matriz B y el vector b , el procedimiento de eliminacin gaussiana
!
para la resolucin del sistema de ecuaciones A!
x = b se escribe en los siguientes trminos.
Etapa 1. Se pone c =
b21
. Luego b22 = cb13 + b22 ; b2 = cb1 + b2 :
b12
Etapa 2. Se pone
c=
b31
;
b22
b32 = cb23 + b32 ;
b3 = cb2 + b3 :
380
Continuando con este procedimiento, en la etapa n

Etapa n
1, se tiene
1.
c=
bn1
bn
bn2 = cbn
1;3
+ bn2;
bn = cbn
+ bn :
1;2
La resolucin del sistema de ecuaciones se describe en el siguiente procedimiento:

xn =
y para i = n
bn
;
bn2
1; :::; 1;
xi =
(bi
bi3 xi+1 )
:
bi;2
!
Se establece el siguiente algoritmo de resolucin del sistema de ecuaciones lineales A!
x = b . Se asume
que la matriz A es tridiagonal con lo que los elementos de A son almacenados en la matriz B.
Algoritmo
B = (bij ) 2 Mn
3 [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: Mensaje: A no es estrictamente diagonalmente dominante, solucin !

x T = (x1 ; :::; xn ) :
1. Para i = 1; :::; n;
Si jbi2 j
jbi1 j + jbi3 j, continuar en 6).
Fin de bucle i.
2. Para j = 1; :::; n
c=
bj+1;1
bj2
bj+1;2 = c
bj+1 = c
Proceso de eliminacin gaussiana

bj3 + bj+1;2
bj + bj+1
Fin de bucle j.
3. xn =
bn
bn2
4. Para j = n
xj =
Resolucin del sistema triangular superior

1; :::; 1
(bj
bj;3 xj+1 )
bj2
Fin de bucle j.
5. Imprimir !
6. Imprimir mensaje: A no es estrictamente diagonalmente dominante.
7. Fin.
Nota: Se puede probar que el nmero total de operaciones elementales en la resolucin del sistema de
!
ecuaciones A!
x = b es N oper(c) (n) = 8n 7:
Ejemplos

2
6
6
1. Sean A = 6
6
4
5
2
0
0
0
1
4
1
0
0
0
1
3
2
0
0
0
1
5
3
0
0
0
2
4
7
7
7;
7
5
6
! 6
b =6
6
4
11
8
0
1
5
381
7
7
7 : Consideramos el sistema de ecuaciones lineales
7
5
!
A!
x = b que en forma explcita se escribe
8
5x1
x2
>
>
>
>
< 2x1 +4x2 +x3
x2
+3x3 +x4
>
>
2x3 +5x4 +2x5
>
>
:
3x4 +4x5
=
=
=
=
=
11
8
0
1
5:
Apliquemos el algoritmo precedente. Primeramente, la matriz A es tridiagonal, consecuentemente

los elementos de A son dispuestos en la siguiente matriz:
2
3
0 5
1
6 2 4 1 7
6
7
7
B=6
6 1 3 1 7:
4 2 5 2 5
3 4 0
1. Observamos que la matriz A es estrictamente diagonalmente dominante, lo que equivale a

observar que en cada la de B se satisface la condicin
jbj2 j > jbj1 j + jbj3 j ;
j = 1; 2; 3; 4; 5:
2. Pasemos al proceso de eliminacin gaussiana descrito en el punto 2) del algoritmo precedente.

Para j = 1; 2; 3; 4. Se tiene
j = 1,
b21
2
2
c =
=
= ;
b12
5
5
2
18
b22 = c b13 + b22 =
( 1) + 4 = ;
5
5
2
18
b 2 = c b1 + b 2 =
11 + ( 8) =
;
5
5
j = 2;
1
5
b31
= 18 =
;
c =
b22
18
5
49
5
b3;2 = c b23 + b32 =
1+3= ;
18
18
5
18
b3 = c b2 + b3 =
+ 0 = 1;
18
5
j = 3;
b41
2
36
c =
= 49 =
;
b32
49
18
36
109
b42 = c b33 + b42 =
1+5=
;
49
49
36
13
b4 = c b3 + b4 =
1+1= ;
49
49
j = 4;
b51
3
147
c =
= 209 =
;
b42
209
49
147
542
b52 = c b43 + b52 =
2+4=
;
209
209
147 13
53116
b5 = c b4 + b5 =
+ ( 5) =
:
209 49
10241
382

3. Pasamos a la resolucin del sistema de ecuaciones triangular superior:
x5 =
x4 =
x3 =
x2 =
x1 =
b5
=
b52
b4
b3
53116
10241
542
209
b43 x5
2;
13
49
b42
b33 x4
1
=
b32
b2
b23 x3
b22
b1
b13 x2
b12
=
=
( 2)
209
49
49
18
18
1
5
18
5
11
= 1;
= 0;
0
( 1)
5
1;
( 1)
= 2:
La solucin del sistema de ecuaciones lineales es !

x T = (2; 1; 0; 1; 2) :
2
3
2
3
5
2
1 0
0
0
6 2 6
6 9 7
2
1 0 7
6
7
6
7
!
6
7
7
2 7
2
1 7; b = 6
2. Sean A = 6 1
6 14 7 : Consideramos el sistema de ecuaciones
4 0
4 3 5
1
2 6
2 5
0
0
1
2 4
0
!
!
lineales A x = b Apliquemos el algoritmo precedente.
Etapa 1
2
A1
!
b1
6
6
6
6
= K 1 A0 = 6
6
6
4
2
1
2
5
1
5
0
0
1
6 2
6
! 6
6 5
= K1 b = 6 1
6 5
6
4 0
0
0 0 0 0
5
2
7
1 0 0 0 7
6
76 2 6
76
1
2
0 1 0 0 7
76
4
0
1
7
0 0 1 0 5
0
0
0 0 0 1
3
0 0 0 0 2
3 2
0
7
1 0 0 0 7
6
9 7
76
7 6
76
6
7
6
14
=
7 6
0 1 0 0 7
76
4
5
4
3
7
0 0 1 0 5
0
0 0 0 1
1
2
7
2
1
0
9
14
3
0
0
1
2
6
2
0
0
1
2
4
2
34
5
12
5
1
0
1
8
5
36
5
2
1
2
34
5
0
1
8
5
132
17
38
17
1
6
0
7 6
7 6
6
7=6
7 6 0
5 6
4 0
0
1
2
6
2
7
0 7
7
7
;
1 7
7
7
2 5
4
7
7
7:
7
5
Etapa 2
2
A2
!
b2
1
6 0
6
6
6
= K 2 A1 = 6 0
6
6 0
4
0
2
1
6 0
6
6
!
6
= K2 b 1 = 6 0
6
6 0
4
0
0
1
6
17
5
34
0
32
0 0 0
5
6
0 0 0 7
76 0
76
6
1 0 0 7
76 0
76
6
0 1 0 7
54 0
0
0 0 1
3
0
0 0 0 2
0
1
0 0 0 7
76
7
6
6 9
1 0 0 7
14
76
17
76
4 3
5
7
0 1 0 5
34
0
0
0 0 1
2
34
5
12
5
1
0
3
1
8
5
36
5
2
1
2
6
7 6
7 6
7=6
7 6
5 6
6
4
0
9
292
17
57
34
0
0
1
2
6
2
3
7
7
7
7
7:
7
7
5
7 6
6
0 7
7 6
7 6
=6
1 7
7 6
7 6
2 5 6
4
4
5
0
0
1
28
17
209
34
2
7
0 7
7
7
1 7
7;
7
7
2 5
4
383
Etapa 3
2
A3
!
b3
1 0
6 0 1
6
6 0 0
6
= K 3 A2 = 6
6 0 0
6
4
0 0
0
0
1
19
66
17
132
1 0
6 0 1
6
6 0 0
!
6
= K3 b 2 = 6
6 0 0
6
4
0 0
0
0
1
19
66
17
132
0 0
0 0
0 0
1 0
0 1
0 0
0 0
0 0
1 0
0 1
Etapa 4
A4
1
0
8
1
0
5
28
132
0
17
17
38 209
0 1
17 34
0 0
1
2
32
3 2 0 3
0
9 7
76 9 7 6
7
76
7 6
292 7
7 6 292 7 6
6
7
76
7
7:
17
7 6 17 7 = 6
437 7
7 6 57 7 6
6
7
76
7
7
5 4 34 5 6
66
4 73 5
0
33
1 0 0
6 0 1 0
6
6
= K 4 A3 = 6 0 0 1
6 0 0 0
4
0 0 0
2
5
6
6 0
6
6
6
= 6 0
6
6 0
6
4
0
!
b4
32
76
76
76
76
76
76
76
56
4
2
34
5
0
0
1
8
5
132
17
0
0
1
28
17
437
66
0
1 0 0
6 0 1 0
6
!
6
= K4 b 3 = 6 0 0 1
6 0 0 0
4
0 0 0
2
34
5
0
0
0
0
1
146
437
7
7
7
7
1 7
7;
113 7
7
7
66 5
8217
1748
2
3
0
0 6
6
0
0 7
76
6
0
0 7
76
6
1
0 7
56
6
146
1 4
437
0
6
6 0
76
76
76 0
76
76
56 0
6
1 4
0
3
0
0
0
0
2
34
5
0
7 6
6
0 7
7 6
7 6
6
1 7
7=6
7 6
7 6
2 5 6
4
4
1
8
5
132
17
0
0
9
292
17
437
66
73
33
7 6
7 6
7 6
7 6
7=6
7 6
7 6
7 4
5
2
34
5
0
1
8
5
132
17
0
1
28
17
437
66
73
33
0
9
292
17
437
66
0
0
1
28
17
437
66
73
33
7
7
7
7
1 7
7;
113 7
7
7
66 5
545
132
7
7
7
7
1 7
7
113 7
7
7
66 5
545
132
0
7
7
7
7
7:
7
7
5
La solucin del sistema de ecuaciones triangular superior es !

x = (0; 1; 2; 1; 0)T : Adicionalmente
para la resolucin del sistema de ecuaciones lineales se realizaron 47 operaciones elementales para
transformar el sistema en uno triangular superior y 19 operaciones para resolver este ltimo sistema.
La resolucin de este sistema de ecuaciones requiere de 66 operaciones elementales.
Mtodo de Choleski
!
Sea A = (aij ) 2 Mn n [R] tridiagonal, simtrica, denida positiva, b T = (b1 ; :::; bn ) 2 Rn . Consideramos
!
el sistema de ecuaciones lineales A!
x = b:
La hiptesis A es una matriz simtrica, denida positiva implica la existencia de una matriz triangular
inferior L = (lij ) 2 Mn n [R] tal que A = LLT . En inmediato vericar que
lij = 0
si ji
jj > 1; i; j = 1; :::; n;
384
esto es, L es una matriz de la forma

2
6
6
6
L=6
6
4
l11
l21
0
..
.
0
l22
l32
0
0
0
0
0
..
.
l33
..
lnn
.
1
lnn
7
7
7
7:
7
5
Como se ha dicho, los coecientes de la matriz A se disponen en la matriz B = (bjk ) 2 Mn
3 [R] :
De la estructura de la matriz L; se sigue que los coecientes de inters lij son nicamente lii ; i = 1; :::; n,
li;i 1 ; i = 2; :::; n; lo que conduce a denir una matriz C = (cij ) 2 Mn 2 [R] siguiente:
c11 = 0;
ci1 = lii
1;
i = 2; :::; n;
ci2 = lii ;
i = 1; :::; n;
2
3
0
l11
6 l21
l22 7
6
7
6 l31
l33 7
es decir que C es la matriz de la forma siguiente: C = 6
7:
6 ..
.. 7
4 .
. 5
lnn 1 lnn
Con la hiptesis A es una matriz tridiagonal, realizamos las simplicaciones en el algoritmo de Choleski.
Tenemos el procedimiento siguiente.
p
1. l11 = a11 :
2. l21 =
a12
:
l11
3. Para j = 2; :::; n 1
q
2
ljj = ajj ljj
1
lj+1;j =
ajj+1
ljj
Fin de bucle j
q
2
4. lnn = ann lnn
1:
En trminos de los elementos de las matrices B y C, el procedimiento precedente se escribe de la manera

que a continuacin se indica.
p
1. c12 = b12
2. c21 =
b13
c12
3. Para j = 2; :::; n 1
q
cj2 = bj2 c2j1
cj+1;1 =
bj3
cj2
Fin de bucle j.
p
4. cn2 = bn2 c2n1 :
!
Por otro lado, la resolucin del sistema de ecuaciones triangular inferior L!
y = b se describe en el
siguiente procedimiento:

b1
L11
1. y1 =
385
b1
c12 :
2. Para j = 2; :::; n
yi =
bj
Ljj 1 yj
Ljj
bj
cj1 yj
cj2
Fin de bucle j.
La resolucin del sistema de ecuaciones triangular superior LT !
x = !
y se expresa en el siguiente
procedimiento.
1. xn =
yn
Lnn
yn
cn2 :
2. Para j = n
xj =
1; :::; 1
yj
Ljj 1 xj
Ljj
yj
cj1 xj
cj2
Fin de bucle j.
Ejemplo
Apliquemos el algoritmo precedente
2
4
6 2
6
6 0
A=6
6 0
6
4 0
0
!
al sistema de ecuaciones lineales A!
x = b , donde
3
2
3
2
0
0
0 0
2
6 1 7
5
2 0
0 0 7
7
6
7
7
! 6
2 2
1
0 0 7
4 7
6
7:
;
b =6
7
0
1 10
6 0 7
7
6 16 7
5
4
0
0
6 5 1
1 5
0
Primeramente, los elementos de la matriz A se disponen

2
0
4
6 2
5
6
6 2 2
B=6
6 1 10
6
4 6 5
1
5
en la matriz B siguiente:
3
2
2 7
7
1 7
7:
6 7
7
1 5
0
En el mtodo de Choleski (sin considerar los errores de redondeo) y para matrices tridiagonales, si se
tiene AT = A, y
ajj > L2jj 1 j = 1; 2; :::; n;
la matriz A es simtrica, denida positiva.
!
Apliquemos el pricedimiento de resolucin del sistema de ecuaciones A!
x = b arriba descrito. Tenemos:
p
p
1. L11 b12 = 4 = 2;
2. c21 = L21 =
b13
=
c12
2
2
3. Para j = 2; 3; 4; 5
p
j = 2; c22 = b22
c31 =
b23
c22 =
j = 3; c32 =
c41 =
b33
c32
2
2
b32
1
1
= 1;
c221 =
1 = 2;
1 = 1;
1;
c231 =
= 1;
386
j = 4; c42 =
c51 =
b43
c42
c61 =
4. c62 =
b62
b53
c52
6
3
j = 5; c52 =
c241 =
b42
1
1
c261 =
10
1 = 1;
2;
c251 =
b52
4 = 1;
= 1;
p
1 = 2:
Los elementos de la matriz L = (lij ) se disponen en la matriz C siguiente:

2
0
l2
l32
l43
l54
l65
6
6
6
C=6
6
6
4
l11
l22
l33
l44
l55
l66
7 6
7 6
7 6
7=6
7 6
7 6
5 4
0
1
1
1
2
1
2
2
1
3
1
2
7
7
7
7:
7
7
5
!
El sistema de ecuaciones L!
y = b en trminos de la matriz C tiene la forma siguiente:
c12 y1
c21 y1
c31 y2
c41 y3
c51 y4
c61 y5
+c22 y2
+c32 y3
+c42 y4
+c52 y5
c62 y6
=
=
=
=
=
=
cuya solucin es !
y T = (1; 0; 4; 4; 1; 0) :
8
b1
2y1
>
>
>
>
b2
y1
+2y2
>
>
<
b3
y2 +y3
,
b4
+3y4
> y3
>
>
>
>
2y4 +y5
b5
>
:
y5
+2y6
b6
=
=
=
=
=
=
2
1
4
16
7
1
El sistema de ecuaciones LT !
x =!
y expresado en trminos de la matriz C tiene la forma siguiente:
8
c12 x1
>
>
>
>
c22 x2
>
>
<
c32 x3
> c42 x4
>
>
>
>
c x
>
: 52 5
+c21 x2
+c31 x3
+c41 x4
+c51 x5
+c61 x6
c62 x6
cuya solucin es !
x T = (0; 1; 2; 2; 1; 0) :
=
=
=
=
=
=
8
y1
2x1
>
>
>
>
y2
2x2
>
>
<
y3
x3
,
y4
> 3x4
>
>
>
>
y5
x
>
: 5
y6
x2
x3
+x4
2x5
+x6
2x6
=
=
=
=
=
=
1
0
4
4
1
0
Observacin
Se propone como ejercicio la elaboracin de un algoritmo completo para la resolucin del sistema de
!
ecuaciones A!
x = b , donde A = (aij ) 2 Mn n [R] es tridiagonal, simtrica, denida positiva.
!
El nmero total de operaciones elementales en la resolucin del sistema de ecuaciones A!
x = b , mediante
el algoritmo arriba descrito es
N oper(c) (n) = 10n 7; n 2 Z+ ;
es decir que N oper > N oper = 8n 7. El mtodo de eliminacin gaussiana es mucho mejor que el mtodo
de Choleski, visto respecto del nmero de operaciones.
Mtodo de Crout para matrices tridiagonales
!
Sean A = (aij ) 2 Mn n [R] una matriz tridiagonal no nula, b T = (b1 ; :::; bn ) 2 Rn . Consideramos el
!
sistema de ecuaciones lineales A!
x = b:
387
En el mtodo de Crout se busca (si existen) una factorizacin de la matriz A en la forma LU , es decir,
A = LU , donde
2
3
2
3
1 u12 0
0
l11 0
0
0
6 0 1 u23
7
0
6 l21 l22 0
0 7
6
7
6
7
6
7
.
.
.
6 0 l32 l33
7
.
.
.
0
6
7:
.
.
L=6
7; U = 6 .
7
6 ..
..
.. . .
.. 7
6 ..
7
..
4 .
.
.
.
. 5
4 .
. un 1;n 5
0
0
0
lnn
0
1
Como se ha dicho anteriormente, los elementos de inters de la matriz A se guardan en la matriz B. De
e= e
e = (e
acuerdo a la estructura que presentan las matrices L y U , se denen las matrices L
lik ; U
uik )
de Mn 2 [R] siguientes
e
l11 = 0
e
li1 = lii 1 ; i = 2; :::; n;
e
li2 = lii ; i = 1; :::; n;
u
ei1 = 1;
i = 1; :::; n;
u
ei2 = uii+1 ;
u
en2 = 0;
e U
e tienen la forma
o sea, las matrices L;
2
6
e=6
L
6
4
0
l21
..
.
lnn
l11
l22
..
.
1
lnn
i = 1; :::; n
1
1
..
.
1;
u12
u23
..
.
6
7
6
7
e =6
7; U
6
6
5
4 1 un 1;n
1
0
7
7
7
7:
7
5
El algoritmo de factorizacin LU para matrices tridiagonales se reduce al siguiente:

1. l11 = a11
a12
:
2. u12 =
l11
3. Para i = 2; :::; n
li;i
= aii
lii = aii
li;i
1 ui 1;i
uii+1 =
aii+1
:
lii
Fin de bucle i.
4.ln;n
= ann
5. lnn = ann
1:
lnn
1 un 1;n :
e U
e se expresa en los siguientes trminos.
Este algoritmo en trminos de las matrices B; L;
1. e
l12 = b12 :
2. u
e12 =
b13
:
e
l12
3. Para i = 2; :::; n
e
li1 = bi1
388

e
li2 = bi2
u
ei2 =
bi3
:
e
li2
e
li1 u
ei
1;2
Fin de bucle i.
4. e
ln1 = bn1 :
5. e
ln2 = bn2
e
ln1 u
en
1;2 :
!
e es:
El sistema de ecuaciones triangular inferior L!
y = b expresado en trminos de la matriz L
8
e
>
l12 y1
= b1
>
>
>
>
e
e
>
l
y
e
l
y
=
b2
22 2
< 21 1
e
l31 ye2
+l32 y3 = b3
>
..
>
>
>
.
>
>
: l y
+l y = b ;
n1 n 1
n2 n
cuya solucin es
1. y1 =
b1
:
e
l12
2. Para i = 2; :::; n
yi =
(bi
li1 yi
li2
1)
Fin de bucle i.
e es
El sistema de ecuaciones triangular superior U !
x =!
y expresado en trminos de la matriz U
8
x1 +u12 x2 = y1
>
>
>
< x2 +u22 x2 = y2
..
>
.
>
>
:
xn
= yn :
cuya solucin es:
1. xn = yn :
2. Para i = n
xi = yi
1; :::; 1
ui2 xi+1 :
Fin de bucle i.
!
El nmero de operaciones elementales para la resolucin del sistema de ecuaciones A!
x = b mediante el
mtodo de Crout, con A matriz tridiagonal, es
N oper (n) = 8n
7; n 2 Z+ :
Se observa que el nmero de operaciones elementales para la resolucin del sistema de ecuaciones lineales
!
A!
x = b , con A una matriz tridiagonal, estrictamente diagonalmente dominante, mediante los mtodos
de eliminacin gaussiana y Crout, coinciden.
Ejemplo
!
Considerar el sistema de ecuaciones A!
x = b,
2
1 2 0
6 2 0 6
6
A=6
6 0 4 13
4 0 0
3
0 0 0
con
0
0
3
11
1
0
0
0
2
2
7
7
7;
7
5
6
! 6
b =6
6
4
3
4
2
42
18
7
7
7:
7
5

La matriz B est denida como
6
6
B=6
6
4
0
2
4
3
1
1
0
13
11
2
2
6
3
2
0
389
7
7
7:
7
5
eyU
e usando el algoritmo arriba presentado.
Comenzamos con la contruccin (si existen) de las matrices L
1. e
l12 = b12 = 1:
2. u
e12 =
b13
=
e
l12
1
1
= 1;
3. Para i = 2; 3; 4
i = 2; e
l21 = b21 = 2;
e
l22 = b22 e
l21 u
e12 = 0
b23
= 62 = 3;
u
e22 =
e
l22
( 2)
i = 3; e
l31 = b31 = 4
e
l32 = b32 e
l31 u
e22 = 13
b33
u
e32 =
= 31 = 3;
e
l32
i = 4; e
l41 = b41 = 3;
e
l42 = b42 e
l41 u
e32 = 11
b43
2
=
u42 =
2 = 1;
e
l42
4. e
l51 = b51 = 1
5. e
l52 = b52
As,
b51
u
e42 =
1 = 2;
3 = 1;
( 3)
1=
2
6
6
e
L=6
6
4
3=
2;
3:
0
2
4
3
1
1
2
1
2
3
6
7
7
6
e =6
7; U
6
7
4
5
1
1
1
1
1
1
3
3
1
0
7
7
7:
7
5
!
La solucin del sistema de ecuaciones A!
x = b , es por lo tanto, !
x T = ( 2; 1; 0; 2; 10) :
Observacin
Los mtodos de eliminaci gaussiana, Choleski y Crout descritos para la resolucin del sistema de
!
x = b , con A 2 Mn n [R] matriz tridiagonal ms hiptesis suplementarias sobre
A, pueden aplicarse, en general, a matrices A = (aij ) en banda, con longitud de banda lb = 1; 2; :::, de
modo que lb < n y lb no muy grande lb < n2 , donde
aij = 0
si ji
jj > lb; i; j = 1; :::; n:
Cuando n es grande y lb < n es grande, se debe pensar en guardar los datos aij con ji jj lb; i; j =
1; :::; n, en arreglos (matrices) o archivos adecuados y con estos arreglos o archivos elaborar algoritmos
!
adecuados de resolucin del sistema de ecuaciones A!
x = b:
Si n es muy grande, lb < n es pequeo con respecto de n, en este caso es recomendable los mtodos
iterativos que sern presentados ms adelante.
390
6.10.
Resolucin de un sistema de ecuaciones lineales en norma

mnima.
!
Sean A = (aij ) 2 Mm n [R] tal que R (A) = m < n, y b T = (b1 ; :::; bn ) 2 Rn . El sistema de ecuaciones
!
lineales A!
x = b posee una innidad de soluciones. Denotamos con S el conjunto de todas estas
soluciones, esto es,
n
!o
S= !
x 2 R jA!
x = b :
Consideramos el problema (P) siguiente: hallar x

b 2 S, si existe, tal que
kb
xk2 = !
Min kb
xk2 ;
x 2S
2
k!
xk
o lo que es lo mismo kb
xk2
8!
x 2 S; que a su vez puede escribirse como
2
kb
xk2 = !
Minn k!
xk :
x 2R
!
A!
x= b
Este es un problema de extremos condicionados en el que se busca minimizar la funcin g denida por
g (!
x) =!
x T!
x; !
x 2 Rn ;
!
sujeta a la restriccin A!
x = b : El mtodo de los multiplicadores de Lagrange proporciona una condicin
!
!
necesaria de extremo. Sea T = ( 1 ; :::; m ) 2 Rm con
6= 0 y denimos la ncin de Rn en R como
!
!
!
x
x;
= g (!
x ) + T A!
!
!
x
b =!
x T!
x + T A!
!
b ; !
x 2 Rn :
!
!
Las componentes de
: 1 ; :::; m se llaman multiplicadores de Lagrange y
se llama vector
multiplicador de Lagrange. Las condiciones necesarias de extremo establecen que
r!
x
!
!
x;
= 0;
r!
!
!
x;
= 0;
!
!
donde r!
,
x ; r! denotan los operadores gradiente con respecto de x y con respecto de
respectivamente.
!
Para el efecto, determinemos la derivada direccional de con respecto de !
x y de
segn las direcciones
!
!
!
!
!
!
n
m
y 2R y
2 R que se escriben D!
x;
y D!
x;
, esto es,
y
D!
y
!
!
x;
D!
!
!
x;
= lm
t!0
= lm
!
!
x + t!
y;
!
!
x;
t
!
!
!
x; +t
!
!
x;
t!0
Comencemos con el clculo de la derivada direccional D!

y
direccin !
y 2 Rn :
Sean t 6= 0, !
y 2 Rn con !
y =
6 0. Entonces,
!
!
x + t!
y;
!
!
x;
!
!
x;
!
en !
x 2 Rn ,
2 Rm segn la
!
T
= (!
x + t!
y ) (!
x + t!
y ) + T A (!
x + t!
y)
!
!
!
x T!
x + T A!
x
b
!
= t!
x T!
y + t!
y T!
x + t2 !
y T!
y + t T A!
y:
2
Puesto que !
y T!
x =!
x T!
y,y!
y T!
y = k!
y k , resulta
!
!
x + t!
y;
!
b
!
!
!
2
2
!
x;
= 2t!
x T!
y + t 2 k!
y k + t T A!
y = t 2!
x T!
y + T A!
y + t k!
yk :
6.10. RESOLUCIN DE UN SISTEMA DE ECUACIONES LINEALES EN NORMA MNIMA.
391
Luego,
D!
y
!
!
x;
!
!
x + t!
y;
= lm
!
!
x;
!
2
= l m 2!
x T!
y + T A!
y + t k!
yk
t!0
t
!T !
!T
!
!
T!
T
= 2x y +
Ay = 2x +
A !
y:
t!0
!
!
!
x;
existe en toda direccin !
y y es continua en !
x ; , entonces
Como la derivada direccional D!

y
!
!
x;
= r!
x
D!
y
es decir
!
!
x;
r!
x
de donde
!
!
x;
!
y;
!
!
y = 2!
x T + TA !
y;
!
!
!
x;
= 2!
x + AT :
r!
x
!
!
!
Calculemos la derivada direccional D!
x;
en !
x 2 Rn ,
2 Rm segn la direccin ! 2 Rm . Para
el efecto, sean !
x 2 Rn , ! 2 Rm con ! 6= 0, y t 6= 0. Entonces
!
!
x ; + t!
!
!
x;
!
= !
+ t!
x T!
x +
!
x
b :
= t!T A!
!
b
A!
x
!
!
x T!
x + T A!
x
Luego,
D!
!
!
x;
!
!
x ; + t!
= lm
!
!
x;
x
= l m !T A!
t
!
b = A!
x
!
b
!:
!
!
x;
= A!
x
!
b
!:
t!0
x
= !T A!
t!0
Por lo tanto,
D!
De la existencia de D!
!
!
!
x;
en ! 2 Rm y la continuidad en , se sigue que
D!
!
!
x;
= r!
de donde
r!
!
!
x;
!
!
x;
= A!
x
!;
!
b:
Consecuentemente, las condiciones necesarias de extremo

8
!
!
!
< r!
x;
= 2!
x + AT b = 0;
x
!
!
!
: r!
x;
= A!
x
b = 0:
Note que r!
!
!
!
x;
= 0 es equivalente a introducir la restriccin A!
x = b:
!
De la ecuacin 2!
x + AT = 0, obtenemos !
x =
0 = A!
x
!
b =A
1 T!
2A
1 T!
A
2
de donde
AAT
con lo cual
!
b =
!
2b:
!
1
AAT
2
!
b
!
b
!
b
392
Como R (A) = m y AAT 2 Mm m [R], se tiene que el rango de AAT es tambin m, esto es, R AAT = m,
con lo cual AAT es invertible. Luego
!
1!
= 2 AAT
b
y
!
x =
1 Th
A
2 AAT
2
1 T!
A
=
2
As,
x
b = AT AAT
Veriquemos que x
b 2 S y que kb
xk2
2
k!
xk
Ab
x = A AT AAT
donde I 2 Mm
m [R]
1!
1!
1!
= AT AAT
b:
2
b es solucin de !
Min k!
xk :
x 2S
8!
x 2 S: Se tiene
1!
= AAT AAT
1!
! !
b =I b = b;
!
es la identidad. As, A!
x = b que muestra x
b 2 S.
!
Sea !
x 2 S. Entonces A!
x = b . Se propone como ejercicio mostrar que kb
xk2
2
k!
xk
8!
x 2 S:
Algoritmo.
1!
Para el clculo de x
b = AT AAT
b se utiliza el algoritmo siguiente que evita la inversin directa de
la matriz AAT :
!
1!
Sea !
z = AAT
b entonces AAT !
z = b . Luego !
x = AT !
z:
1. Calcular B = AAT :
!
2. Aplicar el mtodo de eliminacin gaussiana para resolver el sistema de ecuaciones lineales B !
z = b:
3. Calcular x
b = AT !
z:
Ejemplos
1. Sean a1 ; :::; an 2 R con ai 6= 0;
i = 1; :::; n; b 6= 0: Consideramos la ecuacin

a1 x1 + ::: + an xn = b:
Esta ecuacin admite una innidad de soluciones. Resolvemos el problema en norma mnima.
!
Ponemos A = (a1 ; :::; an ) ; b = b; !
x T (x1 ; :::; xn ) 2 Rn : Entonces
!
A!
x = b , a1 x1 + ::: + an xn = b:
Se tiene
3
a1
n
6 .. 7 X 2
T
B = AA = (a1 ; :::; an ) 4 . 5 =
ai :
i=1
an
La solucin de la ecuacin Bz = b es z =
n
P
i=1
: Luego
a2i
2
a1
6
6
6 .. 7 b
x
b=A z=4 . 5 n
=6
P 2 6
4
ai
an
T
i=1
a1 b
n
P
a2i
i=1
..
.
an b n 2
P
=1 ai
i
Por ejemplo la solucin de la ecuacin x + 2y + z = 1 esb

xT =
7
7
7:
7
5
1 1 1
6; 3; 6
6.11. CONDICIONAMIENTO.
393
3x + y + z = 1
Tenemos A =
x + y + 2z = 0:
2. Consideramos el sistema de ecuaciones lineales

2
3
3
1
!
1
b =
. Luego AT = 4 1 2 5 ;
0
1 1
3 1 1
1 1 2
B = AAT =
!
La solucin del sistema de ecuaciones B !
z = b :
11 0
0 6
es !
zT =
1 1
11 ; 6
3
Entonces x
b = AT !
z =4 1
1
6.11.
3
1
2 5
2
z1
z2
2
1
11
1
6
=4
7
66
17
66
28
66
3
1
1 5=
2
3
4 1
1
1
0
11 0
0 6
3 1 1
1 1 2
5:
Condicionamiento.
!
Sean A 2 Mn n [R] una matriz invertible, b 2 Rn . Consideramos el problema (P) siguiente: hallar
!
!
x 2 Rn solucin del sistema de ecuaciones lineales A!
x = b:
!
En general, los coecientes de la matriz A y los componentes del vector b son redondeados antes de
ingresar al computador. Esto hace que no tratemos el problema (P) sino el sistema de ecuaciones lineales
ex = eb; de donde A
e es la matriz obtenida de A por redondeo de sus
e
siguiente, llamado problema (P):
Ae
!
coecientes, eb es obtenido de b por redondeo de sus componentes.
e es el de eliminacin gaussiana. Usando este mtodo, hallamos
Un mtodo aproximado para resolver (P)
un vector x
e que, en general, es diferente de !
x . La pregunta que nos ponemos es: cmo inuencian estas
perturbaciones en la solucin del problema?.Consideramos dos casos:
!
Los coecientes de la matriz A son nmeros de mquina y perturbamos el vector b :
!
Los componentes de vector b son nmeros de mquina y perturbamos los coecientes de la matriz A.
!
!
Supongamos que !
x + !
x es la solucin del sistema de ecuaciones lineales A (!
x + !
x) = b + b :
Las normas de matrices que utilizaremos a continuacin son submultiplicativas, vase en el apndice
normas en Rn y normas de matrices. La norma k k en Rn que utilizaremos, es la norma eucldea y la
norma de matrices submultiplicativa es cualesquiera.
!
!
!
Puesto que A!
x = b , se tiene entonces A !
x =
b , o bien !
x = A 1 b : Resulta que
!
b :
k !
xk
A 1
!
!
Como A!
x = b , entonces b = kA!
xk
!
k xk
la relacin !
se mayora por
kxk
k !
xk
k!
xk
kjAjk k!
x k : Por lo tanto el error relativo de !
x denido por
k!
xk
!
b
A
kjAjk
!
b
! :
b
El condicionamiento de la matriz A se nota con cond (A) y se dene como sigue: cond (A) =
A 1 kjAjk : El condicionamiento de una matriz es muy importante en la resolucin de los sistemas de
394
ecuaciones lineales as como en el clculo de los valores y vectores propios. La calidad de las soluciones
numricas de los sistemas de ecuaciones lineales est ligado al condicionamiento de la matriz.
1. Puesto que I = AA 1 , entonces 1
kjAjk A 1 = cond (A) : El condicionamiento de A mide la
sensibilidad del error relativo de la solucin del sistema de ecuaciones a cambios o perturbaciones en el
!
vector b . Se dice que el sistema de ecuaciones lineales est mal condicionado si la matriz A est mal
condicionada, es decir que el nmero cond (A) es muy grande.
e la matriz perturbada de A. Consideramos los sistemas de
2. Sea A 2 Mn n [R] una matriz invertible, A
!
!
ex = b : Tenemos entonces que
ecuaciones A!
x = b; y, Ae
0 = A!
x
ex = A
Ae
con lo cual
e (!
A
x
e !
e (!
A
x +A
x
e
x
e) = A
x
e) ;
A !
x:
!
e A. Por la igualdad precedente, se tiene A
e !
x =!
x x
e; A = A
x =
!
k xk
, probemos primeramente el teorema siguiente:
el error relativo !
kxk
Notamos
Teorema 11 Sea B 2 Mn
n [R]
tal que kjBjk < 1. Entonces (I + B)

(I + B)
A!
x : Para estimar
existe, y
1
:
kjBjk
Demostracin. Sea TB : Rn ! Rn la aplicacin lineal denida por TB = (!

x ) = (I + B) !
x : Probemos
!
!
!
n
que el ncleo de la transformacin T; esto es ker(TB ) = f x 2 R j TB ( x ) = 0 g se reduce al vector
!
nulo, es decir ker (TB ) = f 0 g y de esta igualdad se deduce que TB es inyectiva: Utilizando la desigualdad
jk!
xk
y poniendo !
y =
k!
y kj
k!
x
!
y k ; 8!
x; !
y 2 Rn ,
B!
x , para !
x =
6 0 se tiene
kTB (!
x )k = k(I + B) !
x k = k!
x + B!
xk
!
!
!
k x k kjBjk k x k = k x k (1
k!
xk
kB !
xk
kjBjk) > 0;
pues kjBjk < 1 y k!

x k > 0: Luego ker (TB ) = f0g, es decir que TB es invertible o sea TB 1 existe y como
la matriz asociada a TB 1 relativa a la base cannica de Rn es (I + B) 1 . Se tiene entonces la existencia
de (I + B) 1 :
Probemos que
(I + B)
1
1 kjBjk :
Sea C = (I + B)
. Entonces
1 = kjIjk = kj(I + B) Cjk = kjC + BCjk

kjCjk
kjBjk kjCjk = kjCjk (1
kjCjk
kjBjk) ;
kjBCjk
1
1 kjBjk :
de donde kjCjk
Teorema 12 Sea A 2 Mn n [R] no singular, B = A (I + F ), donde F 2 Mn n [R] tal que kjF jk < 1
!
!
!
y b 2 Rn : Sean !
x; !
x 2 Rn las soluciones respectivamente de A!
x = b , y, B (!
x + !
x ) = b . Se
tiene entonces las siguientes estimaciones:
i)
ii)
k !
xk
!
kxk
k !
xk
!
kxk
kjF jk
:
1 kjF jk
cond (A)
1
cond (A)
kjB Ajk
kjAjk
si cond (A) =
kjB Ajk
kjAjk
< 1:
6.11. CONDICIONAMIENTO.
395
Demostracin. Por denicin de !

x y
!
B !
x = b
!
B!
x = b
B) !
x:
= (A
!
x , tenemos
1!
BA
b = I
!
b = I
BA
BA
1!
AA
b = (A
B) A
1!
Resulta que B es una perturbacin de A:

i. Por el teorema precedente, la matriz I + F es no singular y por hiptesis A es igualmente no singular,
!
se tiene entonces que B = A (I + F ) es no singular. Adems
x = B 1 (A B) !
x : Entonces
!
k xk
B 1 (A B) : Pero
k!
xk
B
(A
=
1
B
As
k !
xk
k!
xk
(I + F )
F;
B) = (I + F )
(A
B)
(A
B) = (I + F )
(I + F )
(I + F )
B = (I + F )
(I
(I + F ))
kjF jk
:
1 kjF jk
kjF jk
kjF jk
:
kjF jk
1B
ii. Puesto que F = A

k !
xk
!
kxk
I=A
1 (B
A) ; entonces kjF jk
A 1 kjB Ajk
1 kjA 1 jk kjB Ajk
1
kjAjk
kjB Ajk
=
kjB Ajk
1
kjAjk
kjA jk kjAjk kjAjk
1
kjF jk
1 kjF jk
A
Observe que si B es una perturbacin de A tal que kjB
Ajk =
kjB
Ajk : Resulta que
cond (A)
cond (A)
1
kjA 1 jk
kjB Ajk
kjAjk
kjB Ajk
:
kjAjk
, entonces cond (A) =
kjAjk
:
kjB Ajk
!
Consideremos nuevamente el problema (P): A!
x = b:
!
!
Se perturban los datos A y b respectivamente por A y
b , lo que da un resultado perturbado
!
!
!
!
!
!
x de x . Se tiene entonces (A + A) ( x + x ) = b +
b : Por el teorema precedente, si
kjB Ajk
1 cond (A) kjAjk > 0; y como B es una perturbacin de A, esto es, B
A = A, entonces
1
1
kj Ajk > 0 de donde kj Ajk < kjA 1 jk : Se prueba entonces que
1
A
k !
xk
k!
xk
cond (A)
1
Ajk
cond (A) kjkjAjk
0
@
1
!
b
kj Ajk A
:
! + kjAjk
b
Ejemplo
"x + 1000y = 1
donde " > 0; " 6= 1: Apliquemos el mtodo de
x + 1000y = 2;
"x + 1000y = 1
eliminacin gaussiana sin pivoting. Tenemos
de donde
1
1 " 1000y = 2 1" = 2 " 1 ;
Considerar el sistema de ecuaciones
y =
x =
2
(1
1
" 1
" 1 ) 1000
1
1000y
=
"
1000
2 " 1
(1 " 1 )1000
"
" 1
" (1
2+"
" 1)
1
"
1
1
"
396
As, para " > 0 y " 6= 1, la solucin del sistema de ecuaciones es
1
1 ";
x=
y=
1
1)
2 "
(1 "
3:
10
Para " = 10
4,
calculamos la solucin (e
x; ye) con tres cifras de precisin:
2
y =
"
(1
1 ) 103
103 y
x =
"
"
'
(1
103
104
9998
=
' 0;999 10 3 ;
4
3
10 ) 10
9999 103
0;999 10 3
1 0;999
10 3
=
=
= 10:
10 4
10 4
10 4
Apliquemos ahora el pivoting parcial. Tenemos

x + 1000y = 2
()
"x + 1000y = 1;
de donde y =
Para " = 10
1 2"
;
(1 ")103
4,
con lo que x = 2
x + 1000y = 2;
1000 (1 ") y = 1 2";
1000y = 2
103
1 2"
(1 ")103
1 2"
1 " :
=2
tenemos
1 2"
1 2 10 4
0;9998
=
=
' 10
3
3
4
10 (1 ")
10 (1 10 )
999;9
x = 2 103 y = 2 103 10 3 ' 2:
y =
Luego x ' 2;
y ' 10
3:
La solucin exacta es
1
1
=
=
= 1;000111 ' 1;001;
"
1 10 4
0;9999
2" 1
0;0002 1
0;9998
=
=
' 0;9999
(" 1) 103
(0;0001 1) 103
999;9
1
x =
y =
En resumen, la solucin del sistema de ecuaciones lineales con " = 10

Sin pivoting :
x ' 10;
Con pivoting :
x ' 2;
Exacta :
y ' 0;999
y ' 10
x = 1;0001;
10
10
se indica a continuacin
3
y ' 0;9999
10
Vemos que la solucin con pivoting parcial es ms prxima de la solucin exacta. Este fenmeno se debe
" 1000
al condicionamiento de la matriz A del sistema, esto es, si A =
; tenemos kAk1 = 10001;
1 1000
#
"
A
1
" 1
10 3
" 1
1
" 1
" 10 3
" 1
;y
1
1 ":
El condicionamiento de la matriz A est denido como
cond (A) = kAk1 A

luego cond (A)
! 10001;
" !0
cond (A)
" !1
1
1
10001
1 "
1:
El nmero de condicionamiento depende de la norma de matriz elegida. Este nmero de condicionamiento

es bastante grande lo que nos dice que la matriz A est mal condicionada. En esta clase de problemas es
preciso resolver es sistema de ecuaciones lineales sea con el empleo del pivoting parcial o bien el pivoting
total que mejora la precisin de la solucin. Es importante tambin trabajar con ms precisin: doble
precisin y doble precisin extendida.
6.12. EJERCICIOS
6.12.
397
Ejercicios
1. Halle la solucin de cada sistema de ecuaciones triangular superior.

8
8
8
x + 2y 3z 2w = 2
>
>
<
< 10x + 3y 5z = 4
< 3x 2y + z = 0
y+z
= 3
8y + 15z = 1
2y + 5z = 1
c)
b)
a)
z
+
8w
=0
>
:
:
>
5z = 3:
4z = 8:
:
4w = 3:
8
8
>
>
> x1 + x2 + x3 + x4 = 0
> x1 + 2x2 + 2x3 x4 = 0
>
>
>
>
>
>
2x
+
x
x
=
1
2x2 + 5x3 x4 = 1
2
3
4
<
<
1
12
2
d)
e)
x3 + x4 = 1
x3 + x4 = 1
>
>
>
>
3
7
5
>
>
>
>
1
3
>
>
:
:
x4 = 1:
x4 = 1:
5
5
2. Halle
8
>
<
a)
>
:
la solucin de cada sistema de ecuaciones triangular inferior.

8
8
1
=0
x
= 3
< 2;3x
< 3x
5
1;5x 2y
5x + 4y
= 10
c)
b)
x + 3y
=0
:
:
0;5x + 3;2y
2x
3y
4z
=
2:
2x + y 6z = 0:
8
8
10x
= 20;2
>
>
= 72
< 8x
<
2x y
= 30;5
3x + 9y
= 93
d)
e)
4x + 7y + 2z
= 90;3
:
>
>
5x + 2y z = 15:
:
5x 2;3y z + 4;5w = 185:
8
2
>
8
>
x
= 1
>
0;25x
= 1
>
>
3
>
>
<
<
1
1;5x 0;4y
=0
1;5x
y
=0
f)
f)
4
8;2x
0;8y
+
2;2z
=0
>
>
>
>
>
:
3;2x + 4;8y + z
=0
>
>
2;5x
+
3;5y
3;2z
4;8w
= 1:
: x + 1;5y + 3z 4;5w = 1:
= 4;8
= 1;5
0;8z = 2;3
3. Con cada matriz triangular superior invertible A que se propone, aplique el mtodo de eliminacin
gaussiana para calcular A 1
3
2
2
3
2
3
1 2
3
2
3
2 1
10 3
5
6 0
1 1
0 7
7:
5 5 : b) A = 4 0 8 15 5 : c) A = 6
a) A = 4 0 2
4 0
0
1
8 5
0 0
4
0 0 5
0
0
0
4
2
3
2
3
1 1 1 1
1 1
0
1
6 0
7
6
7
1
2
1
1
6
7
6 0
7
1
2
6
7
6
7
2
d) A = 6 0 0 1 1 7 : e) A = 6
7:
5
6
7
6
7
3
0
0
3
4
4
5
1 5
3
0 0 0
0
0
0
5
5
4. Aplique el mtodo de eliminacin gaussiana para calcular A 1 con cada matriz
invertible que en cada item se da.
2 1
3
2
3
2
2
0
0
2;3
0
0 0
6 5
7
4
5
4
5
4
0
1;5
2
a) A = 4 1 3 0 5 : b) A =
: c) A =
2
3
4
0;5
3;2
2 1
6
2
3
2
3
10
0
0
0
10
0
0
0
6 2
6
1
0
0 7
5
0
0 7
7 : e) A = 6 2
7:
d) A = 6
4 4
5
4
7
2
0
4
0
2 0 5
5
2;3
1 4;5
0
2;3 0
1
triangular inferior
3
0
0 5:
0;8
5. Con cada matriz A que se da calcule det (A) : Para el efecto, aplique el mtodo de eliminacin
gaussiana y transforme la matriz A en una triangular superior.
398

2
1 0
4
a) A = 2 1
3 2
2
2
6 0
d) A = 6
4 3
1
2
0 5:
1
1
1
1
7
0
1
2
1
0 1 1
4
b) A = 1 3 0 5 :
2 1 5
3
1
2 7
7:
4 5
4
1
6 3
e) A = 6
4 4
2
3
0
0 1 1
6 1
3 1 0 7
7:
c) A = 6
4 1 1 0
1 5
2
2 2 0
3
2
1
1
6 0
7
6
3
1 7
2 5
: f) A = 6
4 3
2
0 5
3
4 1
4 1
2
2
2
4
0
2
6. En cada item se propone un conjunto S: Calcule x
b 2 S tal que kb
xk2 = !
m n k!
xk :
0
0
7
2
3
0
0 7
7
1 5
1
x 2S
a) S = (x; y) 2 R2 j 2x + 3y = 0 :
c) S = (x; y; z) 2 R3 j x + 2y
z=4 :
e) S = (x; y; z; w) 2 R4 j 2x + 3y
f ) S = (x; y; z; w) 2
R4
jx
b) S =
(x; y) 2 R2 j 4x
1
y=
4
1 :
d) S = (x; y; z) 2 R3 j 2x + 3y
2z + w =
z=5 :
2 :
2y + z + 2w = 10 :
!
7. En cada item se da un sistema de ecuaciones lineales A!
x = b : Aplicar el mtodo de Crout
para factorar A en (la forma A = LU: Verique el resultado. Resuelva el sistema de ecuaciones
!
L!
y = b
lineales equivalente
: Verique que !
x es solucin del sistema de ecuaciones propuesto.
!
!
Ux = y
Contabilice el nmero de operaciones elementales que realiza.
8
8
2z = 8
< x
< 2x + 2y 2z = 10
!
!
2x + y
z = 15
3x + 4y 7z = 2
a)
x T = (4; 5; 2) : b)
x T = (3; 7; 5) :
:
:
3x y 10z = 27;
4x + 4y + 4z = 60;
8
< 3x 3y + 6z = 18
!
x + y + 8z = 2
c)
x T = (1; 5; 1) :
:
x
4z = 3;
8
x + 2y + 3z + 4w = 34
>
>
<
x + 4y + 7z + 10w = 62
!
d)
x T = (10; 6; 4; 0) :
x + 4y + 10z + 16w = 74
>
>
:
x + 4y + 10z + 20w = 74;
8
4x +
+ 20w = 48
>
>
<
y
z + 3w
=5
!
d)
x T = ( 3; 2; 2; 3) :
-2y
+
5z
12w
=
22
>
>
:
3x + 3y 2z + 21w = 44;
8
2x1 + 2x2 + 8x3
6x4
= 10
>
>
>
>
x1 + 2x2
+ 5x4 = 1
<
!
3x2 + 16x3 + 28x4 = 16
f)
x T = ( 1; 0; 1; 0; 1) :
>
>
5x2 + 26x3 + 44x4 = 26
>
>
:
2x1 2x2 + 32x3 + 45x4 + 2x5 = 33;
8
2x1 + 4x2
6x3 + 8x4 + 16x5 = 26
>
>
>
>
2x
+
5x
8x3 + 8x4 + 15x5 = 24
<
1
2
!
2x1 + 2x2
x3 + 8x4 + 20x5 = 33
g)
x T = (2; 1; 1; 1; 1) :
>
>
2x1 + 7x2 10x3 + 11x4 + 20x5 = 32
>
>
:
2x1 + 5x2 + 5x3 + 10x4 + 24x5 = 48;
8. En cada literal se da una matriz A: Pruebe que A no se factora en la forma LU; con L una matriz
triangular inferior, U matriz triangular superior tal que uii = 1; i = 1; : : : ; n:
2
3
2
3
0 1 2
1
2
1
0 2
4
5 5:
a) A =
: b) A = 4 0 0 3 5 : c) A = 4 3
3 0
2 3 0
2
1 7
6.12. EJERCICIOS
2
d) A = 4
2
1
4
399
1
1
3
1
1 5:
1
1
6 3
e) A = 6
4 4
2
2
2
4
0
1
3
2
4
3
1
1 7
7
0 5
1
!
9. Aplicar el mtodo de Choleski para factorar la matriz A del sistema
A!
x = b en
( de ecuaciones
!
LT !
y = b
T
la forma A = L L: Resuelva el sistema de ecuaciones equivalente
: Compare con el
L!
x =!
y
vector !
x que se propone. Contabilice el nmero de operaciones elementales que realiza.
8
8
< 4x + 6y + 8z = 8
< x + 2y + 3z = 10
!
!
6x + 10y + 12z = 10
2x + 5y + 5z = 19
x T = (5; 2; 5)
x T = (2; 1; 2) : b)
a)
:
:
8x + 12y + 80z = 336;
3x + 5y + 11z = 33;
8
x + y + z + w=5
>
>
<
x + 5y + 5z + 5w = 9
!
c)
x T = (4; 1; 1; 1) :
x
+
5y
+
14z
+
14w
=
9
>
>
:
x + 5y + 14z + 30w = 25;
8
16x1 +
+12x4 = 100
>
>
<
x2
2x3 + 3x4 = 15
!
d)
x T = ( 10; 0; 0; 5) :
2x
+
13x
3x
=
15
>
2
3
4
>
:
12x1 + 3x2 3x3 + 20x4 = 20;
8
4x1 + 2x2
4x5 = 52
>
>
>
>
2x
+
2x
+
3x
+
5x
+
5x
<
1
2
3
4
5 = 52
!
3x2 + 25x3 + 39x4 + 53x5 = 135
e)
x T = (12; 7; 3; 1; 0) :
>
>
5x2 + 39x3 + 65x4 + 85x5 = 217
>
>
:
4x1 + 5x2 + 53x3 + 85x4 + 122x5 = 231;
8
4x1 + 4x2 + 2x3 + 4x4 + 4x5 + 2x6 = 0
>
>
>
>
4x1 + 5x2
+ 7x4 + 5x5 + 3x6 = 3
>
>
<
x1
+ 14x3 4x4
x6 = 5
!
f)
x T = (1; 1; 0; 1; 1; 0) :
4x
+
7x
4x
+
22x
+
11x
+
5x6 = 14
>
1
2
3
4
5
>
>
>
>
2x1 + 5x2
+ 11x4 + 13x5 + 5x6 = 1
>
:
2x1 + 3x2
x3 + 5x4 + 5x5 + 28x6 = 1;
10. En cada item se da una matriz A: Determine AT A: Aplique el mtodo de eliminacin gaussiana para
determinar los rangos R (A) y R AT A de las matrices A y AT A: Compruebe que R (A) = R AT A
es el que se indica.
3
2
3
2
1
1
5
4 0
1
3 5 ; R (A) = 2:
3 5 ; R (A) = 3: b) A = 4 1 3
a) A = 4 1 2
0
1
2
0
1 2
2
3
2
3
1 2 3 1
1 2 1
4
5
4
c) A = 2 1 1 1 ; R (A) = 3: d) A = 1 0 3 5 ; R (A) = 2:
1
1 1 0
1 1 2
2
3
2
3
2 1
2
1 2
1
1 5 ; R (A) = 3:
e) A = 4 3 2 2 5 ; R (A) = 3: f ) A = 4 2 5
5 4 3
3
2
1
2
3
2
3
1
2
1
1
2
1
1
6 3
2
3
1 7
7 ; R (A) = 3:
4
1
1 1 5 ; R (A) = 2: h) A = 6
g) A =
4 4
4 2
0 5
4
3
1
2
0
4 1
3
2
3
2
2 1 0 1
6 0
0
6 0
6
1 1 2 7
0 7
7 ; R (A) = 3:
7 ; R (A) = 4: j) A = 6 2 5
i) A = 6
4 3 1 2 4 5
4 3
3 7 5
1
7 1 4
4 1
2
400
!
11. En cada item se propone un sistema de ecuaciones lineales A!
x = b : Estudie a la matriz A del
sistema para determinar si es estrictamente diagonalmente dominante, simtrica, denida positiva,
montona, etc. Aplique el mtodo de eliminacin gaussiana, el de factorizacin de Crout LU y
siempre que sea posible el de Choleski LT L y halle la solucin del sistema. Contabilice el nmero
de operaciones elementales que realiza con cada mtodo.
3 2 3
32
2
2
x1
2
1 0
0
7 6 x2 7 6 3 7 !T
6 1 2
1
0
7 = 6 7 ; x = (5; 8; 8; 5) :
76
a) 6
4 0
1 2
1 5 4 x3 5 4 3 5
2
x4
0
0
1 2
2
32
3 2
3
4 1 0
0
x1
11
6 1 4
6
7 6
7
1 0 7
7 6 x2 7 = 6 6 7 ; !
b) 6
x T = (2; 3; 4; 2) :
4 0 1 4
5
4
5
4
1
x3
17 5
0 0 1
4
x4
12
3
3
2
32
2
16
x1
5 1 1
0 0
7
6 14 7
6
6 1 5 1
1 0 7
7 !T
6
7 6 x2 7
6
7 ; x = (2; 3; 3; 2; 1)
7
7
6
6
22
1 1 7 6 x3 7 == 6
c) 6 1 1 6
7
6
5
4
5
4
4 0 0
10 5
x4
1 6 1
8
x5
0 0 0
1 6
32
3
2
3 2
x1
3
1 0
0
0
11
6
7
6 1 3
7 6
1 0
0 7
7 6 x2 7 6 4 7 !T
6
7
6
6
7
6
1 3
1 0 7 6 x3 7 = 6 1 7
d) 6 0
7 ; x = (5; 4; 3; 4; 5) :
4 0
0
1 3
1 5 4 x4 5 4 4 5
0
0
0
1 3
11
x5
32
2
3
3 2
x1
5 2 1 0 0
12
6 2 5 1 0 0 7 6 x2 7 6 9 7
76
6
7 !T
7 6
76
7
7 6
e) 6
6 1 1 5 2 1 7 6 x3 7 = 6 1 7 ; x = ( 2; 1; 0; 1; 2) :
4 0 0 2 5 1 5 4 x4 5 4 7 5
0 0 0 1 5
x5
11
32
3 2
3
2
1
4
1
0
0
0
x1
29
2
1
6 1 5
6
7 6
7
1
0
0 7
2
6 1
7 6 x2 7 6 21 7
1
6
7
6
7
6
1 6
1
0 7 6 x3 7 6 13 7
T
2
2
7; !
=6
f) 6
1 76
1
6 0
7
7 x = (10; 8; 6; 6; 8; 10) :
1
7
1
x
19
6
6
7
2
2 76 4 7
1
4 0
0
1 8
1 5 4 x5 5 4 45 5
2
1
0
0
0
1 9
x6
79
2
12. Sea A = (aij ) 2 Mn n [R] que satisface las dos condiciones siguientes: aij = 0 si ji jj > 2 para
!
i; j = 1; : : : ; n y que aii > jai i 2 j + jai i 1 j + jai i+1 j + jai i+2 j ; i = 1; : : : ; n; b 2 Rn :
!
a) Demuestre que el sistema de ecuaciones A!
x = b tiene una nica solucin.
e de n
b) Dena una matriz A
5 de modo que contenga la informacin relevante de la matriz A:
e para elaborar un algoritmo para

c) Aplique el mtodo de eliminacin gaussiana y la denicin de A
!
hallar la solucin del sistema de ecuaciones A!
x = b:
e para escribir un algoritmo para hallar la solucin
d) Aplique el mtodo de factorizacin LU y A
!
!
e yU
e apropiadas de modo que se reduzca
del sistema de ecuaciones A x = b : Dena matrices L
signicativamente el nmero de elementos a almacenar.
e) Suponga adicionalmente que A es simtrica, es A denida positiva? En caso de ser, aplique la

e para elaborar un algoritmo que permita calcular
factorizacin de Choleski LT L y la denicin de A
!
!
la solucin del sistema de ecuaciones A x = b :
401
f ) Considere el sistema de ecuaciones lineales siguiente:

2
6
6
6
6
4
4
1
1
0
0
1
5
1
1
0
1
1
5
1
1
0
1
1
4
1
0
0
1
1
3
32
76
76
76
76
54
x1
x2
x3
x4
x5
7 6
7 6
7=6
7 6
5 4
5
10
25
4
4
3
7
7
7
7
5
e y aplique sus algoritmos para hallar la solucin

Verique las hiptesis de la matriz A: Denida A
!
T
de dicho sistema y compare con x = (2; 5; 8; 5; 3) :
13. Considere el sistema de ecuaciones lineales siguiente:

32
2
4
2
2 0
0
6 2 10 2
6
3 0 7
76
6
6 2 2 18 3
6
4 7
76
6
5
4 0
4
3 3 18 3
0
0
4 3 18
x1
x2
x3
x4
x5
7 6
7 6
7=6
7 6
5 4
6
21
96
66
7
7
7
7:
7
5
a) Demuestre que la matriz A de este sistema es simtrica, denida positiva y estrictamente

diagonalmente dominante.
b) Aplique los mtodos de eliminacin gaussiana, factorizacin LU de Crout y de Choleski para
hallar la solucin de tal sistema. Contabilice con cada mtodo el nmero de operaciones elementales.
Compare la solucin con !
x T = (0; 2; 5; 3; 1) :
2
14. Considere el conjunto S que se dene. Halle x
b 2 S tal que kb
xk2 = !
m n k!
xk :
x 2S
a) S =
!
x = (x; y; z) 2 R3 j
x+y z =1
2x y + z = 2:
b) S =
!
x = (x; y; z) 2 R3 j
2x
x
y+z =0
2z = 1:
x
z=2
:
2y + 3z = 1:
n
!o
d) S = !
x T = (x; y; z; w) 2 R4 j A!
x = b ; donde A =
c) S =
!
x = (x; y; z) 2 R3 j
n
!o
e) S = !
x T = (x; y; z; w) 2 R4 j A!
x = b ; con A =
6.13.
2 1 0
1 0 1
1 1
2 0
1 1
1 2
1
1
;
!
b =
!
b =
0
1
1
1
1. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
4. Jrme Bastien, Jean-Nol Martin, Introduction LAnalyse Numrique, Editorial Dunod, Pars,
2003.
5. Abraham Berman, Robert J. Plemmons, Nonnegative Matrices in the Mathematical Sciences,
Editorial Society for Industrial and Applied Mathematics (SIAM), Philadelphia,1994.
6. Rajendra Bhatia, Matrix Analysis, Editorial Springer-Verlag, New York, 1997.
402
10. P. G. Ciarlet, Introduction LAnalyse Numrique Matricielle et lOptimisation, Editorial Masson,
Pars, 1990.
1977.
13. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
14. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconstrained Optimization
and Nonlinear Equations, Editorial Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, 1996.
15. V. N. Faddeva, Mtodos de Clculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
19. Noel Gastinel, Anlisis Numrico Lineal, Editorial Revert, S. A., Barcelona, 1975.
20. M. K. Gavurin, Conferencias sobre los Mtodos de Clculo, Editorial Mir, Mosc, 1973.
New York, 1991.
24. I. N. Herstein, J. Winter, Algebra Lineal y Teora de Matrices, Grupo Editorial Iberoamericana,
Mxico, 1989.
Mxico, 1987.
27. Franz E. Hohn, Algebra de Matrices, Editorial Trillas, Mxico, 1979.
28. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambridge, 1999.
403
Wilmington, 1994.
31. Roland E. Larson, Bruce H. Edwards, Introduccin al Algebra Lineal, Editorial Limusa, Noriega
Editores, Mxico, 1995.
32. P. Lascaux, R. Thodor, Analyse Numrique Matricielle Applique lArt de lIngnieur, Tome 1,
Editorial Masson, Pars, 1986.
33. P. Lascaux, R. Thodor, Analyse Numrique Matricielle Applique lArt de lIngnieur, Tome 2,
34. Charles L. Lawson, Richard J. Hanson, Solving Least Squares Problems, Editorial Society for
Industrial and Applied Mathematics (SIAM), Philadelphia, 1995.
1986.
S. A., Mxico, 1989.
43. Fazlollah Reza, Los Espacios Lineales en la Ingeniera, Editorial Revert, S. A., Barcelona, 1977.
47. M. Sibony, J. Cl. Mardon, Analyse Numrique I, Systmes Linaires et non Linaires, Editorial
48. Helmuth Spth, One Dimensional Spline Interpolation algorithms, Editorial A. K. Peters, Wellesley,
Massachusetts, 1995.
49. G. W. Stewart, Matrix Algotithms, Volume I: Basic Decomposition, Editorial Society for Industrial
and Applied Mathematics (SIAM), Philadelphia, 1998.
Mxico, 1982.
52. V. Vovodine, Principes Numriques DAlgbre Linaire, Editions Mir, Mosc, 1976.
404

54. David S. Watkins, Fundamentals of Matrix Computations, Editorial John Wiley & Sons, New York,
1991
Captulo 7
Mtodos iterativos
Resumen
En este captulo se introducen dos amplios temas de sistemas de ecuaciones lineales y no lineales. Se
comienza con los sistemas de ecuaciones no lineales. Nos limitados a la aplicacin del mtodo de Newton.
Este a su vez requiere del conocimiento de la diferencial de Frchet y sus propiedades, de las aplicaciones
contractivas y por supuesto del teorema de Banach del punto jo. A continuacin volvemos a tratar los
sistemas de ecuaciones lineales, pero esta vez con la mira de los mtodos iterativos ms conocidos como
son el mtodo de Jacobi, de Gauss-Seidel y SOR.
7.1.
Diferencial de Frchet. Propiedades
En esta seccin deniremos la diferencial de Frchet, sus propiedades ms importantes y daremos algunas
aplicaciones.
Denicin 1 Sean V; W dos espacios normados con normas k kV ; k kW ; un abierto no vaco de
V; F una funcin de en W:
i. Se dice que F es diferenciable en a 2 si y solo si existe Ta 2 L (V; W ) tal que
F (a + h)
F (a) = Ta (h) + R (a; h) ;
kR (a; h)kW
= 0:
h!0
khkV
con l m
En tal caso se dice que Ta es la diferencial de F en a que se le denota Df (a) :

ii. Se dice que F es diferenciable en si F es diferenciable en cada punto de :
La aplicacin Ta 2 L (V; W ) se le denomina aplicacin diferencial de F en a, o diferencial de Frchet de F
en a: Note que si ; 2 R; h1 ; h2 2 V se tiene Ta ( h1 + h2 ) = Ta (h1 )+ Ta (h2 ) ; es decir la linealidad
de Ta : Por otro lado, Ta es continua, esto es, existe Ma > 0 tal que kTa (x)kW
Ma kxkV
8x 2 V;
donde
Ma = kTa kL(V;W ) = Sup kTa (x)kW = kDf (a)kL(V;W ) :
kxkV
Si los espacios vectoriales V; W son de dimensiones nitas m y n respectivamente, V = fv1 ; : : : ; vm g ;

W = fw1 ; : : : ; wn g son las bases cannicas de V y W; la matriz asociada a la aplicacin lineal Ta relativa
a las bases V y W se le nota [Ta ] W : Esta matriz, por abuso de lenguaje, se le nota DF (a) de modo
V
que Ta (x) = DF (a) x 8x 2 V:
n
m
n
Particularmente, si V n= Rm ; W =
o R ; las bases cannicas de R y R las designamos con m =
!
!
f!
e 1; : : : ; !
e m g ; n = f 1 ; : : : ; f n y las normas son la eucldea en cada espacio, el espacio L(Rm ; Rn )
es isomorfo al espacio de matrices Mn m [R]; es decir que cada elemento de L(Rm ; Rn ) se identica con
una matriz apropiada de Mn m [R]:
405
406
CAPTULO 7. MTODOS ITERATIVOS
Ejemplos
1. Sea un intervalo abierto de R; F una funcin de en Rn : Supongamos F = (f1 ; : : : ; fn ) donde las
funciones fi i = 1; : : : ; n son funciones reales denidas en y derivables en a 2 : Se supone que
R est provisto de la norma j j y Rn de la norma eucldea k k : La existencia de fi0 (a) i = 1; : : : ; n
implica
fi (a + h) fi (a) = fi0 (a) h + Ri (a; h)
con Ri (a; h)
! 0
h!0
(f10 (a) h; : : : ; fn0 (a) h)
i = 1; : : : ; n, lo que conduce a denir Ta 2 L (R; Rn ) como Ta (h) =

8h 2 R: Claramente Ta es lineal continua. Adems,
F (a + h)
F (a) = Ta (h) + R (a; h)
kR (a; h)k
= 0: Resulta que la representacin
h!0
jhj
matricial de Ta es DF (a) = (f10 (a) ; : : : ; fn0 (a)) : Note que
donde R (a; h) = (R1 (a; h) ; : : : ; Rn (a; h)) ; y l m
F (a + h)
F (a) = Ta (h) + R (a; h) () fi (a + h)
fi (a) = fi0 (a) h + Ri (a; h) i = 1; : : : ; n:
2. Sean un abierto de Rn ; F una funcin de en R; esto es, F un campo escalar denido en

@F !
!
a 2 R: Recordemos que
( a ) est denido como sigue
@xi
@F !
F (!
a + h!
e i)
(a)= lm
h!0
@xi
h
F (!
a)
: Sea
siempre que el lmite exista. Adems, el gradiente de F en a se dene como

@F !
@F !
( a );:::;
(a) :
@x1
@xn
D
!
!E
!
!
Se dene Ta 2 L (Rn ; R) como sigue: T!
h
=
rF
(
a
)
;
h
8 h 2 Rn ; donde h ; i denota el
a
producto escalar en Rn : La linealidad y la continuidad de T!
a se verican inmediatamente. Se tiene
rF (!
a)=
T!
a
!
h
!
krF (!
a )k h
!
8 h 2 Rn :
!
n
La representacin matricial de T!
a respecto de la base cannica de R es rF ( a ) : Resulta
D
!
!E
!
!
!
!
F a + h
F ( a ) = rF ( a ) ; h + R !
a; h
!
con R !
a; h
! 0: Luego, la diferencial de Frchet est denida como
!
h !0
T!
a
D
!
!E !
h = rF (!
a ); h
8 h 2 Rn :
3. Sean un abierto de Rm ; F una funcin de en Rn ; es decir, F es un campo vectorial. Ponemos

F T = (f1 ; : : : ; fn ) al vector transpuesto de F donde fi i = 1; : : : ; n es un campo escalar que
suponemos diferenciable en !
a 2 ; esto es,
D
!
!E
!
fi !
a + h
fi (!
a ) = rfi (!
a ) ; h + Ri !
a; h
!
Ri !
a; h
con !
lm
!
h !0
h
m
T!
a 2
L (Rm ; Rn )
= 0: Se dene T!
a
!
h
2 D
6
6
= 6
4
!E
rf1 (!
a ); h
..
.
D
!E
!
rf ( a ) ; h
n
3
7
7
7
5
!
8 h 2 Rn : Entonces
m
pus es lineal continua. La matriz de T!
a asociada a las bases cannicas de R y
7.1. DIFERENCIAL DE FRCHET. PROPIEDADES
407
Rn es la matriz jacobiana
2
@f1 !
@f1 !
(a)
(a)
6 @x1
@xm
6
..
DF (!
a)=6
.
6
4 @fn
@fn !
!
(a)
(a)
@x1
@xm
Resulta
!
F !
a; h
donde !
lm
como
h !0
2 D
6
6
F (!
a)=6
4
!
R !
a; h
!
h
!E
rf1 (!
a ); h
..
.
D
!E
!
rf ( a ) ; h
n
7 6
7 6
7+6
5 4
7
7
7 2 Mn
7
5
!
R1 !
a; h
..
.
!
!
R
a; h
n
m [R] :
7
!
!
7
a) h +R !
a; h
7 = DF (!
5
= 0; que muestra que la diferencial de Frchet es el operador T!

a denido
!
!
h = DF (!
a) h
Ta
!
8 h 2 Rn :
=8
R2 provisto de la norma eucldea k k ; f la funcin real denida en R2 como sigue:
< x2 y 2
; si (x; y) 6= (0; 0)
f (x; y) =
x2 + y 2
:
0; si (x; y) = (0; 0) :
!
Probemos que f no es diferenciable en 0 = (0; 0) : Para el efecto, supongamos lo contrario, es decir
que existe una aplicacin lineal T!
2 L R2 ; R tal que
0
4. Sea
! !
f 0 + h
!
!
! !
f 0 = T!
h +R 0; h
0
! !
0; h
!
h
R
con !l m!
h!0
= 0:
!
! !
Ponemos h = (a; b) 2 R2 con h =
6 0 : De la denicin de f , resulta
f
! !
0 + h
!
a2 b2
!
! !
= T!
0 = 2
h +R 0; h :
2
0
a +b
La representacin matricial de T!
respecto de la base cannica de R2 lo notamos A = ( ; ) ; es
0
decir que
!
a
T!
h =( ; )
= a + b;
0
b
luego
a2 b2
a2 + b2
! !
R 0; h
lm
!
! !
h!0
h
=
=
a+ b+R
lm
! !
h!0
Pero
lm
(a;b)!(0;0)
R
lm
! !
h!0
! !
0; h
!
h
1
2
a + b2
a2 b2
a2 + b2
a2 b2
a2 + b2
lm p
! !
h!0
a2 b2
! !
! !
0 ; h =) R 0 ; h = 2
a + b2
a
b
+ p
a2 + b2
a2 + b2
a
+ b2
a2
= 0; mientras que
b
+ b2
a2
lm
(a;b)!(0;0)
no existe, en contradiccin con lo supuesto.
a2
:
b2
3
(a2 + b2 ) 2
no existe, luego
408
Propiedades de la diferencial.
Sean V; W espacios normados con normas k kV y k kW ;
un abierto de V y F una funcin de
en W:
Teorema 1 Si F es diferenciable en a 2 ; entonces F es continua en a:

Demostracin. Debemos mostrar que l m inf F (x) = F (a) : Por hiptesis F es Frchet diferenciable en
x!a
kR (a; h)kW
=0
h!0
khkV
=) kR (a; h)kW < " khkV luego
a 2 ; entonces existe Ta 2 L (V; W ) tal que F (a + h) F (a) = Ta (h)+R (a; h) con l m

y de la existencia del lmite, para " > 0; existe
kF (a + h)
F (a)k
> 0 tal que khkV <
kTa (h)k + kR (a; h)kW
kTa kL(V;W ) khkV + kR (a; h)kW
kTa kL(V;W ) + " khkV
si khkV < :
Como kTa kL(V;W ) + " khk ! 0; se sigue que l m (F (a + h)

h!0
h!0
F (a)) = 0 de donde F (x) ! F (a) :

x!a
Teorema 2 Sean F; G funciones diferenciables en a 2 : Entonces

i) F + G es diferenciable en a y D (F + G) (a) = DF (a) + DG (a) :
ii)
F es diferenciable en a y D ( F ) (a) = DF (a)
8 2 R:
Demostracin. Se propone como ejercicio.

En el siguiente teorema se propone la conocida regla de la cadena.
Teorema 3 Sean U; V; W espacios normados con normas k kU ; k kV ; k kW ; un abierto de U; F
una funcin de
en V diferenciable en a 2 ; G una funcin de V en W diferenciable en F (a) :
Entonces G F es diferenciable en a y D (G F ) (a) = DG (F (a)) DF (a) :
Demostracin. Por la diferenciabilidad de F en a 2 ; existe Sa 2 L (V; W ) tal que F (a + h)
kRF (a; h)kV
Sa (h) + RF (a; h) con l m
= 0; de donde kRF (a; h)kV
! 0:
h!0
khkU
khkV !0
F (a) =
Sea y = F (a) : Por la diferenciabilidad de G en y; existe Ty 2 L (V; W ) tal que

G (y + k)
con l m
k!0
G (y) = Ty (k) + RG (y; k)
kRG (a; h)kW

= 0 o bien kRG (y; k)kW
kkkV
! 0:
kkkV !0
Por lo tanto, de la denicin de composicin de funciones, se tiene

(G F ) (a + h)
(G F ) (a) = G (F (a + h))
G (F (a))
y como F (a + h) = F (a) + Sa (h) + RF (a; h) ; se tiene G (F (a + h)) = G (F (a) + Sa (h) + RF (a; h)) :
Ponemos k = Sa h + RF (a; h) : Entonces
kkkV = kSa (h) + RF (a; h)kV
kSa kL(U;V ) khkV + kRF (a; h)kV
! 0:
khk V
Resulta
G (F (a + h)) = G (y + k) = G (y) + Ty (k) + RG (y; k)
= G (F (a)) + Ty (Sa (h) + RF (a; h)) + RG (y; k) :
Por la linealidad de Ty ; se tiene
Ty (Sa (h) + RF (a + h)) = Ty (Sa (h)) + Ty (RF (a; h))
7.1. DIFERENCIAL DE FRCHET. PROPIEDADES
409
y de esta igualdad, se obtiene

(G F ) (a + h) = F (F (a)) + Ty (Sa (h)) + Ty (RF (a; h)) + RG (y; k)
de donde
(G F ) (a + h)
Es claro que Ty
(G F ) (a) = (Ty
Ta ) (h) + Ty (RF (a; h)) + RG (y; k) :
Ta 2 L (U; W ) : Probemos que l m inf

h!0
kTy (RF (a; h)) + RG (y; k)kW

= 0:
khkv
Por la desigualdad triangular, se tiene

kTy (RF (a; h))kW + kRG (y; k)kW
kTy kL(V;W ) kRF (a; h)kV + kRG (y; k)kW
y como
kRG (y; k)kW =
Note que
kRG (y; k)kW

kkkV
kRG (y; k)kW

kkkV
kkkV
kRG (y; k)kW

kkkV
kSa kL(U;V ) khkV + kRF (a; h)kV
! 0:
khkV !0
! 0; consecuentemente
k!0
kTy kL(V;W ) kRF (a; h)kV + kRG (y; k)kW
! 0
khkV !0
y de la existencia de este lmite resulta que G F es diferenciable en a: Adems la diferencial de Frchet

de G F en a esta denido como DG (F (a)) DF (a) :
Una aplicacin de la regla de la cadena se la da para probar la frmula de los incrementos nitos de
Lagrange que se propone a continuacin.
Denicin 2 Sea
V: Se dice que
es convexo si 8 2 [0; 1]; 8x; y 2 ; se tiene x+(1
Teorema 4 Sean V; W espacios normados provistos de las normas k kV y k

convexo de V; y F una funcin diferenciable en todo punto a 2 : Entonces
Z 1
F (x) F (a) =
D(F (a + (x a))d (x a) 8x 2 :
kW ;
)y 2 :
un abierto
Demostracin. Sean a 2
G0 ( ) = x a:
y G( ) = a + (x
a)
8 2 [0; 1]: Se tiene G(0) = a; G(1) = x
Sea H la funcin de [0; 1] en W denida como H( ) = (F
G)( ) = F (G( )) 8 2 [0; 1]: Resulta
Teorema 5 Demostracin. H(0) = F (a); H(1) = F (x), y por hiptesis F es Frchet diferenciable en
todo punto a 2 ; por la regla de la cadena, se tiene
H 0 ( ) = DF (G( ))G0 ( ) = DF (G( ))(x
de donde
F (x)
F (a) =
H 0 ( )d =
a)
DF (a + (x
a))d (x
a):
410
7.2.
Aplicaciones contractivas y lipschisianas.
Sean V un espacio vectorial de dimensin nita provisto de la norma k k; E un subconjunto cerrado

de V . El conjunto E con la mtrica denida como d(x; y) =k x y k 8x; y 2 E; es un espacio mtrico
completo, esto es, toda sucesin de Cauchy en E es convergente en el espacio normado V . Como E V ,
E 6= ;, el par (E; d) es un espacio mtrico y siendo E cerrado, se prueba que toda sucesin de Cauchy
en E es convergente en E, con lo cual (E; d) es un espacio mtrico completo.
El conjunto E = ]0; 1] R no es cerrado. La sucesin (xn ) E con xn = n1 n = 1; 2; : : :, es una sucesin
de Cauchy en E que no es convergente en E, pues l m xn = 0 2
= E. Luego (E; d) es un espacio mtrico
n!1
que no es completo.
En esta seccin tratamos una clase de funciones denomimadas contractivas y lipschisianas denidas de
E en E:
Denicin 3 Sean E
V , E 6= ; y T de E en E una funcin. Se dice que T es una aplicacin
contractiva en E si y solo si satisface la siguiente propiedad:
9k; 0
k < 1 tal que k T (x)
T (y) k
kkx
yk
8x; y 2 E.
Denicin 4 Sean E
V , E 6= ; y T de E en V una funcin. Se dice que T es una aplicacin
lischisiana en E si y solo si satisface la siguiente propiedad:
9k > 0 tal que k T (x)
T (y) k
kkx
yk
8x; y 2 E.

Como consecuencia inmediata de la denicin se tiene que toda aplicacin contractiva es uniformemente
continua. El recproco, en general, no es cierto.
Sea T una aplicacin contractiva y " > 0. De la denicin se sigue que existe k, 0
8x; y 2 E,
k T (x)
T (y) k
kkx
k < 1 tal que
y k< ":
"
Elegimos = (k 6= 0). Entonces k x y k< )k T (x) T (y) k< ": Observe que
k
de x e y. Adems, si k = 0 se deduce que T es constante en E.
> 0 es independiente
Por otro lado, si T es contractiva se tiene k T (x) T (y) k k x y k 8x; y 2 E.ya que 0 k < 1, pero
puede suceder esto ltimo sin ser contractiva se ver en un ejemplo propuesto ms adelante.
Teorema 6 Sea T de E en E una funcin Frchet diferenciable y lipschisiana: Entonces k DT (x) k=
sup k Tx (h) k k < 1 8x 2 E:
khk 1
Si el conjunto E es convexo y k DT (x) k
k < 1 8x 2 E: Entonces T es lipschisiana.
Demostracin. Por hiptesis T es Frchet diferenciable en a 2 E, en consecuencia existe DT (a) 2 L(V )

tal que T (a + h) T (a) DT (a)(h)=R(a; h) con k R(a; h) k " k h k ! 0 con " > 0 arbitrario. Por
otro lado, T es lipschisiana, luego existe k 2 [0; 1[ tal que
k T (x)
T (y) k
kkx
yk
8x; y 2 E:
7.2. APLICACIONES CONTRACTIVAS Y LIPSCHISIANAS.
411
Entonces
k
DT (a) kL(V ) = sup k T (a + h)
T (a)
khk 1
sup (k T (a + h)
khk 1
R(a; h) k
T (a) k + k R(a; h) k)
sup (k k h k +" k h k) = k + "
khk 1
De la arbitrariedad de " > 0 se sigue que k DT (a) kL(V ) = sup k Tx (h) k

khk 1
k < 1 a 2 E:
Por la frmula de los incrementos nitos de Lagrange, se tiene

F (x)
F (y) =
D(F (y + (x
y))d (x
y) 8x; y 2 ;
luego
k
Z 1
D(F (y + (x y))d (x
F (x) F (y) kV k
0
Z 1
D(F (y + (x y))d kL(V ) k x y kV
k
0
Z 1
k D(F (y + (x y)) kL(V ) d k x y kV
0
Z 1
kd k x y kV = k k x y kV
8x; y 2 V;
y) kV
que muestra que F es lipschisiana. Note que se requiere de la convexidad de
Denicin 5 Sean E V , E 6= ; y T de E en E una funcin. Un punto x

b 2 E se dice un punto jo
de T si verica la condicin T (b
x) = x
b:
Teorema de Banach del punto jo.
El teorema de Banach del punto jo es uno de los resultados importantes del anlisis no lineal, que se
aplica en la resolucin de sistemas ecuaciones lineales, ecuaciones en derivadas parciales del tipo no lineal,
etc. En esta seccin extendemos los resultados obtenidos en el captulo 5.
Teorema 7 (De Banach del punto jo)
Sean E V con E 6= ; y E cerrado, T de E en E una aplicacin contractiva en E. Entonces, existe
un nico x
b 2 E tal que T (b
x) = x
b.
Demostracin. La demostracin de este teorema la dividimos en dos partes. La primera que corresponde
a la existencia del punto jo x
b de T y la segunda a la unicidad.
Existencia. Por hiptesis T es contractiva, entonces existe k, 0
k T (x)
Sea x0 2 E. Denimos la sucesin (xn )
x1 = T (x0 ) ;
T (y) k
kkx
k < 1 tal que
y k 8x; y 2 E:
E como sigue
x2 = T (x1 ) ;
; xn+1 = T (xn )
n = 0; 1; : : :
Mostremos que la sucesin (xn ) es una sucesin de Cauchy en E. Sean m; n 2 Z+ con m > n y sea p 2 Z+
tal que = n + p. Entonces, por la desigualdad triangular, se tiene
k xn
xm k=k xn
xn+p k k xn
xn+1 k + k xn+1
xn
k+
+ k xn+p
xn+p k :
412
Por la denicin de (xn ) se tiene

k
xn
xn+1 k=k T (xn
= k k T (xn
..
.
2)
k n k x0
Luego, k xn
obtiene
xn+1 k
k
xn
k n k x0
k k xn
x1 k +k n+1 k x0
k k xn
xn
xn k
1
1
+ k n+p k x0
x1 k +
= k k x0
..
.
x1 k (1 + k +
+k )
k n k x0
x1 k 1 + k +
+ k p + k p+1 +
x1 k
+ k p . Entonces
k) Sp (k) = Sp (k)
kSp (k) = 1 + k +
Sp (k) =
kp
+ k p+1 = 1
k + k2 +
k p+1
1
=
1 k
1 k
k p+1 :
k p+1
:
1 k
k < 1, l m k p+1 = 0. Luego

p!1
p!1
P1
p=0 k
Por lo tanto k xn
p!1
= l mp!1 Sp (k) =
xm k
k n k x0
que 8" > 0, 9n0 2 Z+ tal que 8n

k xn
k p+1
1 k
l m Sp (k) = l m
con lo cual
8n 2 Z+ : Aplicando el resultado que acabamos de obtener, se
de donde
Como 0
1)
T (xn ) k
x1 k :
x1 k
xm k
Sea Sp (k) = 1 + k +
(1
k n k x0
T (xn
1)
xm k
p 1
1
1
lm
p!1
1
1
1
1 k:
P1
kn
p
p=0 k = 1 k k x0
k n < jx10 kx1 j ": Luego
x1 k
n0 ;
kn
1
k x0
x1 k< "
x1 k : Puesto que l m k n = 0 se sigue

n!1
si m; n
n0 ;
es decir que (xn ) es una sucesin de Cauchy en E y por hiptesis E es cerrado, entonces la sucesin (xn )
tiene lmite en E; esto es, existe x
b 2 E tal que l m xn = x
b:
n!1
Puesto que T es contractiva, T es uniformemente continua y por lo tanto continua. Luego

l m T (xn ) = T
n!1
l m xn = T (b
x) :
n!1
Adems, xn+1 = T (xn ), y l mn!1 xn+1 = x

b,resulta que T (b
x) = l mn!1 T (xn ) = l mn!1 xn+1 = x
b:
As, T (b
x) = x
b o sea x
b 2 E es un punto jo de T .
Unicidad. Probemos que x
b 2 E tal que T (b
x) = x
b es nico. Para el efecto, supongamos que existe y 2 E
tal que T (y) = y. Mostremos que y = x
b: Como T es contractiva, se tiene
kx
b
y k=k T (b
x)
T (y) k
kkx
b
y k;
de donde k x
b y k (1 k) 0; y siendo 0 k < 1, entonces 1 k > 0 y en consecuencia k x
b
Como el valor absoluto es no negativo, la nica posibilidad es k x
b y k= 0 , y = x
b:
yk
0.
Observaciones
1. El teorema de Banach del punto jo asegura la existencia de un nico punto jo x

b 2 E de la
plicacin contractiva T denida en el conjunto cerrado E de V .
7.3. RESOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES NO LINEALES
413
2. En los textos de Anlisis, el teorema de Banach del punto jo se enuncia como sigue: Sea (E; d)
un espacio mtrico completo y T de E en E una aplicacin contractiva. Entonces, existe un nico
x
b 2 E tal que T (b
x) = x
b:
La demostracin del teorema de Banach del punto jo para espacios mtricos completos muy
generales (E; d) es muy similar a la aqu propuesta con la salvedad que la mtrica d (x; y) =k x y k
x; y 2 V se remplazan simplemente por d (x; y) con d la mtrica en el conjunto E.
3. En la demostracin del teorema de Banach del punto jo se muestra una manera de calcular el
punto jol x
b 2 E. Pus se parte de un punto arbitrario x0 2 E y se construye la sucesin (xn ) E
tal que xn+1 = T (xn ) n = 0; 1; : : :. Entonces x
b = l m xn es el punto jo de T . De este hecho se
n!1
desprende que podemos aproximar el funto jo x

b con una precisin " > 0:
7.3.
Resolucin numrica de sistemas de ecuaciones no lineales
!
!
Sean n 2,
Rn con 6= ; y F una funcin de en Rn . Pongamos F = (f1 ; : : : ; fn )T donde cada
fi ; i = 1; : : : ; n, es una funcin de en R. Consideramos el problema (P) siguiente:
!
hallar x
b 2 , si existe, tal que F (b
x) = 0:
(P)
!
Note que la ecuacin F (!
x ) = 0 es equivalente al sistema de ecuaciones:
8
!
>
< f1 ( x ) = 0
..
.
>
:
fn (!
x ) = 0:
El teorema de Bolzano no tiene validez para funciones de

Rn en Rn . Asumimos que el problema (P)
!
tiene solucin, esto es, asumimos la existencia de al menos una solucin x
b 2 tal que F (b
x) = 0:
1. Mtodo de punto jo
Supongamos que
!
es cerrado y que la funcin F se expresa en la forma
! !
F (x) =!
x
!
con G una aplicacin contractiva en
! !
G(x)
!
x 2 ;
. Entonces,
! !
!
F ( x ) = 0 , G (b
x) = x
b;
!
es decir que x
b 2 es un punto jo de G:
La sucesin (!
x m ) denida por
!
x m+1
!
x0 2 ;
= G (!
x m)
m = 0; 1; : : :
converge a x
b (teorema de Banach del punto jo).
Sea " > 0 " = 10 4 ; 10 5 ; : : : la precisin con la que se desea aproximar x

b y Nmax el nmero
mximo de iteraciones. Se tiene el siguiente algoritmo de punto jo para aproximar soluciones de
sistemas de ecuaciones no lineales.
Algoritmo
Datos de entrada: " precisin, Nmax nmero mximo de iteraciones, funciones g1 ; : : : ; gn :
!
Datos de salida: n nmero de iteraciones, !
y solucin aproximada, F (!
y ):
1. !
x =!
x0
414

2. Par k = 0; 1; : : : ; Nmax
!
!
3.
y = G (!
x)
Si k!
x !
y k < " continuar en 6).
!
!
5.
x = y
!
6. Si k < Nmax , imprimir k; !
y ; F (!
y ). Continuar en 8).
7. Si k = Nmax , imprimir !
y ; F (!
y ):
4.
8. Fin.
Nota: La norma k k en Rn que se considera aqu es la norma eucldea denida como sigue:
k!
ak=
n
X
a2i
i=1
2. Mtodo de Newton
!
Supongamos que F 2 C 1 ( ) y x
b2
!1
con !
a = (a1 ; : : : ; an ) 2 Rn :
!
tal que F (!
x ) = 0:
Por el desarrollo de Taylor en un entormo de x

b, se tiene
!
!
0 = F (b
x) = F (!
x ) + D F (!
x ) (b
x
!
x ) + 0 kb
x
!
de donde D F (!
x ) es la matriz jacobiana denida por:
2
@f1 !
@f1 !
(x)
(x)
6 @x1
@xn
6
! !
..
..
DF (x) = 6
.
.
6
4 @f (n)
@f
(n)
(!
x)
(!
x)
@x1
@xn
3
7
7
7
7
5
2
!
xk ;
!
x 2 :
!
Suponemos que la matriz D F (!
x ) no es singular en todo punto !
x 2 :
2
Si se desprecia el trmino 0 kb
x !
x k en el desarrollo de Taylor precedente, se tiene
! !
!
F ( x ) + D F (!
x ) (b
x
!
x ) = 0;
!
y siendo D F (!
x ) no singular, se sigue que
!
D F (!
x ) (b
x
x
b
de donde
!
x) =
x
b=!
x
!
x =
! !
F (x)
!
D F (!
x)
!
D F (!
x)
1!
F (!
x)
1!
F (!
x)
lo que nos permite denir la funcin de iteracin ' :

' (!
x) =!
x
!
D F (!
x)
!
con D F (!
x ) matriz no singular.
El mtodo de Newton para aproximar la raz x
b2
1!
F (!
x)
!
x 2 ;
de F (!
x ) = 0 es el siguiente:
!
x 0 2 una aproximacin inicial de x
b;
!
!
x m+1 = ' ( x m ) m = 0; 1; : : :
Si ' es una aplicacin contractiva en , por el teorema de Banach del punto jo, la sucesin (!
x m)
generada por el mtodo de Newton converge a x
b:
415
Puesto que
!
D F (!
x m)
!
x m+1 = ' (!
x m) = !
xm
1!
F (!
x m) ;
1!
!
F (!
x m) = !
xm !
x m+1 ;
D F (!
x m)
!
!
D F (!
x m ) (!
xm !
x m+1 ) = F (!
x m) :
Ponemos !
y =!
xm
!
x m+1 ) !
x m+1 = !
xm
!
y . Se tiene
!
DF (!
x m) !
y = F (!
x m) ;
que es un sistema de ecuaciones lineales con !

y el vector incgnita. Este sistema de ecuaciones
lineales puede ser resuelto utilizando los mtodos de eliminacin gaussiana con pivoting,
!
factorizacin LU, Choleski, dependiento de las propiedades de la matriz jacobiana D F (!
x):
1
! !
Debe advertirse que el clculo directo de D F ( x m )
no se realiza.
Dado !
x , para calcular la nueva aproximacin !
x
de x
b, resolvemos el sistema de ecuaciones
m
m+1
lineales
!
!
D F (!
x m) !
y = F (!
x m) ;
y una vez calculado !
y , se tiene !
x m+1 = !
xm !
y ; y, se repite el procedimiento hasta considerar
!
!
!
x m tal que F ( x m ) ' 0 sea satisfactorio.
Sea " > 0 la precisin con la que se aproxima x
b y Nmax el nmero mximo de iteraciones. El
esquema numrico generado por el mtodo de Newton se presenta a continuacin.
Algoritmo
Datos de Entrada: "; Nmax ; funciones f1 ; : : : ; fn ;
@fi
@fj
i; j = 1; : : : ; n
~ (~x) :
Datos de Salida: n nmero de iteraciones, ~x, F
1. ~x = ~x0
2. Para k = 1; : : : ; Nmax
~ (~x) ~y = F
~ (~x) :
3. Resolver el sistema de ecuaciones DF
4. Si k~y k < ": Continuar en 6).
5. ~x = ~x
~y
~ (~x) : Continuar en 8).

6. Si k < Nmax ; imprimir: n; ~x; F
~ (~x) :
7. Si k = Nmax ; imprimir: Nmax ; ~x; F
8. Fin
Ejemplo
Resolver el sistema de ecuaciones no lineales
x2 y 2 = 1
(x + 3)2 + 4 (y
3)2 = 4:
Asociemos a este sistema de ecuaciones no lineales la funcin siguiente:

~ (x; y) = x2
F
y2
1; (x + 3)2 + 4 (y
Entonces
~ (x; y) = (0; 0) ()
F
3)2
x2 y 2 = 1;
(x + 3)2 + 4 (y
(x; y) 2 R:
3)2 = 4:
El conjunto
de puntos (x; y) 2 R jx2 y 2 =o1 representa una hiprbola y la ecuacin el conjunto de
n
puntos (x; y) 2 R j (x + 3)2 + 4 (y 3)2 = 4 representa una elipse.
416
En la gura siguiente se muestran los gracos de la hiprbola y de la elipse.
Figura 72
Las grcas de la hiprbola y de la elipse se cortan en dos puntos. Por lo tanto, el sistema de ecuaciones
b1 = (b
b2 = (b
~ (x; y) = (0; 0) tiene dos soluciones X
F
x1 ; yb1 ) ; X
x2 ; yb2 ) :
~ est denida como
La matriz jacobiana de F
"
#
@f1
@f1
@x
@y
~ (x:y) = @f
DF
=
@f
2
@x
@y
2x
2y
2 (x + 3) 8 (y 3)
(x; y) 2 R:
b1 = (b
i. Apliquemos el mtodo de Newton para calcular una aproximacin de X
x1 ; yb1 ) :
2;5
2;5
Sea ~x0 =
~ (~x0 ) ~y = F
~ (~x0 ) ; resolviendo este sistema de ecuaciones y tomando
: Entonces DF
2;11
1;91
mtodo de Newton, se obtienen los siguientes resultados:
en cuenta que
~x2 =
~x1 = ~x0
2;28453
2;051495
~y ; se obtiene
Con una precisin " = 10
~x3 =
5,
~x1 =
2;29376
2;064322
~x4 =
: Continuando con la ejecucin del

2;29385
2;06440
b1 =
una aproximacin de la solucin es X
:
2;29385
2;06440
b2 = (b
ii. Apliquemos el mtodo de Newton para calcular una aproximacin de X
x2 ; yb2 ) :
4;2
: Los resultados de la aplicacin del algoritmo generado por el mtodo de Newton
3;8
se muestra a continuacin.
4;00444
3;99476
3;99473
~x1 =
;
~x2 =
;
~x3 =
;
3;87333
3;86757
3;86754
Sea ~x0 =
b1 =
X
3;99473
3;86754
Observacin
p
De la ecuacin x2
y 2 = 1 se deduce x =
2
2
(x + 3) + 4 (y 3) = 4: Obtenemos
p
de donde
y4
1 + y2 + 3
1 + y 2 : Pongamos x =
3)2 = 4;
p
24y + 42 = 6 1 + y 2 ;
+ 4 (y
5y 2
9;6y 3 + 38;4y 2
80;64y + 69;12 = 0:
p
1 + y 2 en la ecuacin
417
Sea
P (y) = 69;12
80;64y + 38;4y 2
9;6y 3 + y 4
= 69;12 + y ( 80;64 + y (38;4 + y ( 9;6 + y))) :

Determinemos las fronteras inferior y superior donde estn localizadas las races positivas de la ecuacin
P (y) = 0:
Se tiene
1
R = 1 + (80;64) 3 ' 5;3203 < 5;5

1
1
= 0;46 < 0;5:
r =
=
max jak j
1 + 80;64
60;92
k=1;:::n
1+
ja0 j
Buscamos las races de P (y) = 0 en el intervalo [0;5; 5;5] :
Con un paso h = 0;5; la aplicacin del algoritmo de bsqueda del cambio de signo muestra que
existen dos races localizadas en los intervalos [2; 2;5] y [3;5; 4] : Adems, P (2) = 0;64; P (2;5) = 3;42;
P (3;5) = 4;26; P (4) = 2;56:
i. Clculo de yb1 2 [2; 2;5] : La funcin de iteracin del mtodo de Newton est dada por
' (y) = y
P (y)
P 0 (y)
Sea y0 = 2: Entonces
y1 = ' (2) = 2;0625;
y2 = ' (y1 ) = ' (2;0625) = 2;064402;
y3 = ' (y2 ) = ' (2;064402) = 2;064404;
ii. Clculo de yb2 2 [3;5; 4] :
Sea y0 = 4;
y1 = ' (y0 ) = ' (4) = 3;882353;

y2 = ' (y1 ) = ' (3;882353) = 3;867753;
y3 = ' (y2 ) = ' (3;867753) = 3;867541:
Con una precisin " = 10
6;
yb1 = 2;064404; yb2 = 3;867541: Resulta
P (y) = (y
= (y
yb1 ) (y
2;064404) (y
= y 4 + (b
(7;98415b
con lo cual
Luego
yb2 ) y 2 + by + c
3;867541) y 2 + by + c
5;93194) y 3 + (c
5;93194b + 7;98415) y 2 +
5;93194c) y + 7;98415c:
8
b 5;93194 = 9;6
>
>
<
c 5;93194b + 7;98415 = 38;4
b = 3;66806;
)
7;98415b 5;93194c = 80;64
c = 8;65714:
>
>
:
7;98415c = 69;12
y 2 + by + c = 0 () y 2
3;66806y + 8;65714 = 0:
418
Obtenemos
y3 = 1;83403
2;30076i;
y4 = y3 = 1;83403 + 2;30076i:
Races Mltiples? Acabamos de calcular todas las races reales o complejas de la ecuacin P (y) = 0:
Si nicamente hubiesemos calculado las races reales yb1 ; yb2 ; las dos races restantes podan ser complejas
o una real de multiplicidad 2. Despejamos esta duda aplicando los mtodos descritos en la aproximacin
de races de multiplicidad.
Denimos
u (y) =
P (y)
P 0 (y)
P 0 (y) 6= 0:
La aplicacin del algoritmo de bsqueda del cambio de signo aplicado a la funcin u muestra la existencia
de dos races yb1 2 [2; 2;5] ; yb2 2 [3;5; 4] : Qu ocurre? Explique.
p
p
p
b2 =
1 + y 2 se deducen x
b1 =
1 + yb12 y x
1 + yb22 :
Puesto x =
7.4.
Mtodos iterativos de resolucin de sistemas de ecuaciones

lineales
Para terminar este captulo, en contraposicin con los mtodos directos de resolucin de sistemas de
ecuaciones lineales presentamos dos mtodos iterativos, el de Jacobi y el de SOR.
7.4.1.
Mtodos de Jacobi y Gauss-Seidel
!
!
Sean A = (aij ) 2 Mn n [R]; b T = (b1 ;
; bn ) 2 Rn . Consideramos el sistema de ecuaciones A!
x = b
que en forma explcita se escribe como sigue:
a11 x1 +
+ a1n xn = b1
a21 x1 +
+ a2n xn = b2
..
.
an1 x1 +
+ amn xn = b1 :
El mtodo que vamos a describir requiere, en principio, que los coecientes a11 ; a22 ; : : : ; ann que conforman
la diagonal de la matriz A sean distintos de cero. Veremos ms adelante que se puede hacer en caso de
que esto no suceda.
El mtodo de Jacobi consiste en despejar x1 de la primera ecuacin, x2 de la segunda ecuacin, etc.:
x1 =
x2 =
a12
x2
a11
a21
x1
a22
a13
x3
a11
a23
x3
a22
a1n
xn +
a11
a2n
xn +
a22
b1
;
a11
b2
;
a22
en general
xi =
n
X
aij
j=1
j6=i
aii
xj +
bi
;
aii
i = 1; 2; : : : ; n:
7.4. MTODOS ITERATIVOS DE RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES419
!
!
Sea el vector X (0) ; un vector cualquiera: X (0)
(0)
x1
B ..
=@ .
(0)
!
el vector: X (1)
(1)
x1
B ..
=@ .
(1)
xn
xn
C
A ; donde
(1)
xi
n
X
aij
j=1
aii
(0)
xj +
C
A ; en base a las ecuaciones precedente se obtiene
bi
;
aii
i = 1; 2; : : : ; n:
!
(1)
Con los valores obtenidos para xi y las ecuaciones en (1) se obtiene X (2) y, as sucesivamente , se
!
!
obtienen X (3) ; X (4) ; : : : ; mediante la frmula recurrente:
(k+1)
xj
n
X
aij
j=1
aii
(k)
xj +
bi
;
aii
i = 1; 2; : : : ; n:
El procedimiento anterior se expresa en forma matricial como sigue: la matriz A del sistema se descompone
en la forma
A = D L U;
donde D es una matriz diagonal, L una matriz triangular inferior y
0
1 0
1 0
a11 a12 a13
0
0
a11 0
0
@ a21 a22 a23 A = @ 0 a22 0 A @ a21
0
a31
a32
0
0 a33
a31 a32 a33
!
El sistema A!
x = b toma entonces la forma:
U una matriz triangular superior:

1 0
1
0
a12
a13
0
0 A @ 0
0
a23 A :
0
0
0
0
!
(D L U ) !
x = b
!
D!
x (L + U ) !
x = b
!
D!
x = (L + U ) !
x + b
!
x = D 1 (L + U ) !
x +D
as,
!
A!
x = b () !
x =D
(L + U ) !
x +D
1!
b:
1!
b:
!
1. Claramente, la matriz D es no singular. Si notamos T = D 1 (L + U ) y C = D 1 b ; la ecuacin
!
!
x = D 1 (L + U ) !
x + D 1 b toma la forma: !
x = T!
x +!
c ; y la frmula recurrente del mtodo
De Jacobi arriba formulada se expresa como:
!(k+1)
!
X
= T X (k) + !
c;
k = 0; 1; 2; 3; : : : :
!
!
La validez de X (k) como solucin aproximada del sistema A!
x = b est garantizada por los
siguientes resultados.
Recordemos que si A es una matriz cuadrada, su radio espectral
absolutos de sus valores propios.
(A) es el mximo de los valores
!
!
Sea A una matriz no singular. Para cualquier vector X (0) en Rn ; la sucesin de vectores X (k)
por
!(k+1)
!
X
= T X (k) + !
c ; k = 1; 2; 3; : : :
!
converge a la solucin del sistema A!
x = b ; si y solo si (A) < 1:
denida
420
Sea A una matriz cuadrada y !

x un vector (columna) de Rn ; se tiene A!
x 2 Rn y tiene sentido hablar de
!
!
n
la norma (en R ) kA x k1 : El mximo de estas normas cuando x recorre todos los vectores de norma
1 se llama la norma k k1 de la matriz A, y est denida como
kAk1 =
max kA!
x k1 :
x k1 1
k!
Se tiene que
(A)
Ejemplo
0
1
Si A = @ 2
0
1
0
2 A ; se tiene
1
1
3
1
(A)
kAk1 :
kAk1 = 7:
!
!
Sea A una matriz no singular. Si kT k < 1; la sucesin de vectores X (k) converge a la solucin X del
k
!
!
sistema de ecuaciones lineales A!
x = b para cualquier X (0) 2 Rn : Adems se satsface:
!
x
!(k)
X
!
kT kk X (0)
!
x
!(k)
X
!(1)
kT kk
X
1 kT k
!
x
k = 1; 2; : : : ;
!(0)
X
k = 1; 2; : : : :
!
La ltima desigualdad nos proporciona una cota para el error de aproximacin de X (k) a la solucin !
x:
Ejemplo
Consideremos el sistema el sistema de ecuaciones lineales siguiente:
10x1 x2 + 2x3
x1 + x2 x3 + 3x4
2x1 x2 + 10x3 x4
3x2 x3 + 8x4
=6
= 25
= 11
= 15
1
0
B 0 C
!
C
Apliquemos el mtodo de Jacobi. Partiendo de: X (0) = B
@ 0 A ; se obtiene en la iteracin k = 10 el
0
0
1
0
1
1;0001
1
B 1;9998 C
B 2 C
!
C : Por otra parte, la solucin exacta es !
B
C
vector X (10) = B
x
=
@ 0;9998 A
@ 1 A : Un mtodo que,
0;9998
1
!(k)
generalmente, produce una convergencia ms rpida de la sucesin X
consiste en utilizar los valores
0
(k)
(k)
(k)
1
de x1 ; x2 ; : : : ; xj
(k)
(k)
(k)
(k)
x1
x2
x3
(k 1)
para calcular xi ; en lugar de x1

a12 (k
x
a11 2
a21 (k)
x
a22 1
a31 (k)
x
a33 1
1)
a13 (k
x
a11 3
a23 (k
x
a22 3
a32 (k)
x
a33 2
a1n (k
x
a11 n
1)
1)
(k 1)
1 :
; : : : ; xj
a2n (k
x
a22 n
a32 (k
x
a33 4
1)
1)
1)
As:
b1
;
a11
b2
;
a22
a3n (k
x
a33 n
en general
(k)
xi
i 1
X
aij
j=1
aii
(k)
xj
n
X
aij (k
x
aii j
j=i+1
1)
bi
:
aii
1)
b3
;
a33

En forma matricial este mtodo tiene la forma
!
!
(D L) X (k) = U X (k
1)
!
+ b;
y considerando que la matriz D L es no singulare, la ecuacin precedente es quivalente a

!
!(k)
!
X = (D L) 1 U X (k 1) + (D L) 1 b k = 1; 2;
;
o tambin
con T = (D
L)
U y!
c = (D
!(k)
!
X = T X (k 1) + !
c;
1!
L) b : Este mtodo se conoce como el mtodo de Gauss-Seidel.
En el ejemplo anterior, con el mtodo de Gauss-Seidel se obtiene para la iteracin k = 5 prcticamente

la solucin exacta:
1
0
1;0001
!(5) B
2;0000 C
C
X =B
@ 1;0000 A :
1;000
Tanto en el mtod de Jacobi como en el de Gauss-Seidel se requiere que los trminos de la diagonal de la
matriz A sean no nulos: a11 6= 0; a22 6= 0; : : : ; ann 6= 0:
En caso de que esto no suceda, se reordenan las ecuaciones para conseguir este objetivo:
El sistema:
a12 x2 + a13 x3 = b1
a21 x1 + a22 x2 + a23 x3 = b2
a31 x1 + a32 x2 + a33 x3 = b3 ;
es equivalente a
a21 x1 + a22 x2 + a23 x3 = b2
a12 x2 + a13 x3 = b1
a31 x1 + a32 x2 + a33 x3 = b3 :
Si una reordenacin no es posible de tal manera que el coeciente de cada xi en la i-sima ecuacin sea
distinto de cero la matriz A tiene determinante nulo, lo que implica que el sistema no tiene solucin o
tiene innitas soluciones.
7.4.2.
Mtodo SOR (Successive Over-Relaxation)
!
e es una
Sea el sistema de ecuaciones lineales A!
x = b ; donde A es una matriz cuadrada no singular. Si X
aproximacin de la solucin del sistema,
!
!
e
r = b
AX
e El objetivo es hallar una sucesin de soluciones aproximadas de tal
se llama el vector residual de X:
manera que la sucesin de los vectores residuales converja a 0:
!
Con relacin al mtodo de Gauss-Seidel consideremos la solucin aproximada de A!
x = b :
(k)
(k)
(k 1)
(k)
a su vector residual. Se tiene que
x1 ; x2 ; : : : ; xi
(k)
y notemos por Ri
(k)
(k)
= r1i ; r2i ; : : : ; rni
i 1
X
(k)
rii = bi
(k)
aij xj
n
X
; : : : ; x(k
n
1)
(k 1)
(k 1)
aij xj
aij xi
j=i+1
j=1
Como en el mtodo de Gauss-Seidel

(k)
Xi
i 1
X
aij
j=1
aii
(k)
xj
n
X
aij (k
x
aii j
j=i+1
1)
bj
;
aii
422
se tiene para i = 1; : : : ; n
(k 1)
aii xi
(k)
(k)
+ rii = aii xi
(k)
(k)
xi
(k 1)
= xi
rii
:
aii
Modicando la ltima ecuacin a:

(k)
(k)
xi
(k 1)
xi
r
+ ! ii ;
aii
i = 1; : : : ; n
0
B
!(k) B
se puede demostrar que para ciertas elecciones de ! positivo la convergencia del vector X = B
B
@
(k)
x1
(k)
x2
..
.
(k)
xn
1
C
C
C
C
A
!
al vector solucin de A!
x = b es signicativamente ms rpida. Para nes de clculo es conveniente
expresar la relacin :
(k)
r
(k)
(k 1)
xi = xi
+ w ii
aii
en forma equivalente a la sigiente:
(k)
xi
= (1
(k 1)
!) xi
(k)
aii xi
+!
i 1
X
(k)
aij xj xj
! 4
bi
aii
i 1
X
(k)
aij xj
j=1
j=1
n
X
(k 1) 5
aij xj
j=i+1
(k 1)
!) aii xi
= (1
n
X
(k 1)
aij xj
+ !bi ;
j=i+1
que en forma matricial corresponde a

(D
de donde
!(k)
X = (D
As llegamos a la forma familiar
!
!L) X (k) = [(1
!L)
[(1
!
!) D + !U ] X k
!
!) D + !U ] X (k
!(k)
!
X = T X (k
1)
1)
!
+! b;
+ ! (D
!L)
1!
b:
+!
c:
Ejemplos
8
< 4x1 + 3x2
3x1 + 4x2 x3
El sistema de ecuaciones:
:
x2 + 4x3
1
3
tiene la solucin exacta !
x = @ 4 A : Por el
5
0
1
3;0134110
!(7)
mtodo de Gauss-Seidel se obtiene en la iteracin 7 la solucin aproximada X
= @ 3;9888241 A ;
5;0027940
0
1
3;000094
!
mientras que con el mtodo SOR se obtiene para ! = 1;25; X (7) = @ 4;0002586 A : Terminamos esta
5;0003486
seccin con algunos resultados que justican las armaciones anteriores sobre el mtodo SOR.
= 24
= 30
= 24;
Iniciamos con algunas deniciones y notaciones previas. Recordemos que una matriz cuadrada A es
!
denida positiva si !
x t A!
x > 0 para todo vector columna !
x 6= 0 :

Los mtodos de aproximacin anteriores se resumen en una expresin de la forma
!(k)
!
X = T X (k 1) + !
c:
Usaremos las notaciones TJ ; TG y TW para indicar que la matriz T se reere al mtodo de Jacobi,
Gauss-Seidel o SOR respectivamente.
Consideremos una matriz tridiagonal siguiente:
0
a11 a12 0 : : :
:::
B a21 a22 a23 0
:::
B
B 0 a32 a33 a34
0
B
.
.
.
.
..
A=B
..
..
..
B ..
.
B
B ..
..
..
..
..
@ .
.
.
.
.
0 : : : : : : 0 an;n
0
0
0
0
1
Se tienen los siguientes resultados.
an 1;n
ann
1
C
C
C
C
C
C
C
C
A
!
1. Si A es una matriz denida positiva y 0 < ! < 2; la sucesin X (k) del mtodo SOR converge para
!
cualquier eleccin de X (0) :
(TG ) = [ (TJ )]2 < 1 y la eleccin ptima para w es
Si, adems, A es tridiagonal, entonces
w=
Con este valor de w,
(TW ) = w
1:
q
1+ 1
:
[ (TJ )]2
Ejercicio resuelto
!
a) Sea A una matriz tridagonal de n n estrictamente diagonalmente dominante, b 2 Rn y 1 < ! < 2:
Elaborar un algoritmo para calcular la solucin aproximada usando el mtodo S.O.R.
!
b) Aplique su algoritmo para hallar la solucin del sistema de ecuaciones A!
x = b ; donde
3
2
3
2
0
3 2 0 0
6 1 7
6 1 4 2 0 7
7
6
7; !
b
=
A=6
4 1 5;
4 0 2 5 2 5
0
0 0 3 5
2;
1. T ol = 10
! = 1;5 y !
x T0 = (0; 0; 0; 0) :
Solucin
a) Puesto que el mtodo S.O.R. viene dado por
donde A =
tenemos
2
0
6 a21
6
6
L=6 0
6 ..
4 .
0
6
6
6
!L = 6
6
4
L+D
0
0
a32
:::
U es la descomposicin habitual antes indicada. Como A es tridiagonal,

0
0
0
c
:::
:::
:::
:::
..
.
an;n
a11
0
0
!a21 a22
0
!a32 a33
..
.
0
!
w) D + !U ] !
x (k) + ! b ;
!L) !
x (k+1) = [(1
(D
:::
:::
0
0
0
..
.
1
0
:::
:::
:::
..
.
!an;n
7
7
7
7;
7
5
6
6
6
U =6
6
6
4
0
0
0
..
.
ann
7
7
7
7;
7
5
0
0
..
.
..
.
0
a12
0
:::
0
:::
a23 : : :
..
.
..
.
::: :::
0
0
..
.
an
0
1;n
7
7
7
7
7
7
5
424

2
(D
(1
[(1
!L) !
x (k+1)
(k+1)
a11 x1
6
6 !a x(k+1) + a x(k+1)
21 1
22 2
6
6
(k+1)
(k+1)
=6
+ a33 x3
6 !a32 x2
6
..
6
.
4
(k+1)
(k+1)
!an;n 1 xn 1 + ann xn
2
(1
7
7
7
7
7
7
7
7
5
!) a11
wa12
0
:::
0
(1 !) a22
wa23
:::
0
0
(1 !) a33 : : :
..
..
.
.
0
:::
:::
: : : (1
6
6
6
!) D + !U = 6
6
4
!) D + !U ] !
x (k)
(1
(k)
!a12 x2
6
6 (1
6
6
6 (1
6
=6
6
6
6
6 (1
4
(1
(k)
!a23 x3
(k)
!) a22 x2
(k)
(k)
!) a33 x3
!) an
1;n
(k)
!) ann xn
!) ann
(k)
!) a11 x1
!a34 x4
..
.
(k)
!an
1 xn 1
(k)
1;n xn
0
0
0
..
.
7
7
7
7
7
5
7
7
7
7
7
7
7
7
7
7
7
5
Se tiene
2
(k+1)
(1
6
7 6
(1
7 6
7 6
7 6
(1
7=6
7 6
7 6
7 6
5 6
6 (1
4
(1
a11 x1
6
6 !a x(k+1) + a x(k+1)
21 1
22 2
6
6
(k+1)
(k+1)
6 !a32 x
+ a33 x3
6
2
6
..
6
.
4
(k+1)
(k+1)
!an;n 1 xn 1 + ann xn
(k)
!a12 x2
(k)
!a23 x3
!) a11 x1
!) a22 x2
(k)
!) a33 x3
!) an
1;n
(k)
!) ann xn
(k)
(k)
(k)
!a34 x4
..
.
(k)
!an
1 xn 1
(k)
1;n xn
3
2
!b1
7
7 6
7 6 !b2 7
7
7 6
7 6 !b3 7
7 6 . 7
;
7+6 . 7
7 6 . 7
7
7 6 . 7
7 4 . 5
.
7
5
!bn
de donde obtenemos el siguiente esquema numrico
(k+1)
x1
(k+1)
(k+1)
x2
x3
(1
(k)
(k)
w) a11 x1
!a12 x2 + !b1
a11
(k+1)
!a21 x1
+ (1
w) a22 x2
a22
(k+1)
+ (1
w) a33 x3
a33
!a32 x2
(k)
!a23 x3 + !b2
(k)
(k)
!a34 x4 + !b3
(k)
..
.
(k+1)
1
xn
xn(k+1) =
!an
(k+1)
1;n 2 xn 2
(k+1)
!an:n 1 xn 1
+ (1
+ (1
ann
w) an
an
(k)
1;n 1 xn 1
!an
(k)
1;n xn
1;n 1
(k)
w) ann xn + !bn
k = 0; 1; : : : :
La solucin exacta es: !
x T = (0;446154; 0;6692307; 0;615384;
0;369223) :
+ !bn
7.5. EJERCICIOS
Ponemos !
x (0)
425
3
0
6 0 7
7
=6
4 0 5 : Primera iteracin,
0
2
0
6
0;375
!
x (1) = 6
4 0;525
0;4725
2
aplicando el esquema numrico, obtenemos

3
7
7;
5
!
x (1)
!
x (0)
> T ol;
continuamos con la segunda iteracin, volvemos a plicar el esquema numrico, tenemos

2
3
0;375
6 0;721875 7
!
!
7
x (2) = 6
> T ol;
x (2) !
x (1)
4 0;754125 5 ;
1
0;4424625
a continuacin realizamos la tercera iteracin. obtenemos
2
3
0;534375
6 0;780046875 7
!
!
7
x (3) = 6
x (3)
4 0;656413125 5 ;
0;3695675625
luego
!
x (4)
!
x (5)
3
0;512859375
6 0;669631172 7
7
=6
4 0;595312678 5 ;
0;350997629
3
2
0;41320148
6 0;64161947 7
7
=6
4 0;597913926 5 ;
0;362623719
!
x (2)
!
x (4)
!
x (3)
!
x (5)
!
x (4)
> T ol;
> T ol;
> T ol:
Continuado con la ejecucin del esquema numrico, en la iteracin 7 se verica que

!
x (7) !
x (6) 1 < T ol; y concluimos con el procedimiento de clculo.
7.5.
Ejercicios
1. Sea
un intervalo de R; f una funcin de
x2
en M2
: Pruebe que f es Frchet diferenciable en a 2

2ah
h
como Ta (h) =
8h 2 R:
h
4ah
x2 1 x
x
2x2 + 3
y la diferencial de Frchet Ta est denida
2 [R]
denida como f (x) =
2. Sea un intervalo de R; f una funcin de en M2 2 [R] con f (x) = (aij (x)) x 2 y aij funciones
reales derivables en todo punto a 2 : Demuestre que f es Frchet diferenciable y que la diferencial
Ta est denida como Ta (h) = (aij (a) h) 8h 2 R:
8 2
< x + y2
; si x 6= y
3. Considere la funcin real denida en todo R2 como f (x; y) =
: demuestre
x2 y 2
:
0; si x = y:
que f no es diferenciable en (0; 0) :
8
< x y ; si (x; y) 6= (0; 0)
2
4. Considere la funcin real denida en todo R como f (x; y) =
:
x2 + y 2
:
0; si (x; y) = (0; 0) :
demuestre que f no es diferenciable en (0; 0) :
426
5. Demuestre que la funcin v de R en R3 denida como v (t) = jt 1j ; t; 2t2

t 2 R no es
diferenciable en t = 1:
!
6. Sean A 2 Mn n [R] una matriz simtrica, denida positiva, b 2 Rn : Se dene el funcional J sobre
1 T ! !T ! !
Rn como sigue: j (x) = !
x A x + b x 8 x 2 Rn : Demuestre que J es Frchet diferenciable y
2
D
! E
la diferencial de Frchet est denida como hDJ (!
x);!
v i = A!
x + b ;!
v
8!
v 2 Rn :
7. El espacio de matrices M2 2 [R] est provisto de la norma submultiplicativa k k : En cada item se
dene una funcin F de M2 2 [R] en si mismo. Pruebe que F es Frchet diferenciable y determine
la diferencial de Frchet TA 2 L (M2 2 [R] ; M2 2 [R]) ; con A 2 M2 2 [R] :
1
a) F (X) =
X + XT
X 2 M2 2 [R] :
2
1
X XT
X 2 M2 2 [R] :
b) F (X) =
2
c) F (X) = B 1 XB X; B 2 M2 2 [R] con B invertible ja.
d) F (X) = X T BX
X; B 2 M2
e) F (X) = X T X + BX
2 [R]
X; B 2 M2
con B ja.
2 [R]
con B ja.
8. Sean abierto del espacio normado V y F una funcin de en el espacio normado W: Pruebe que
si F es Frchet diferenciable, la diferencial Ta 2 L (V; W ) de F es nica.
9. Sean
abierto del espacio normado V; F y G funciones de
en W diferenciables en a 2
Demostrar F + G diferenciable en a y D (F + G) (a) = DF (a) + DG (a)
10. Sea V un espacio provisto del producto escalar < ; > y norma asociada k k. Sea F el funcional
denido comoF (x) =k x k2 8x 2 V: Demuestre que F es Frchet diferenciable.
11. Sean
V abierto, con V un espacio provisto del producto escalar < ; > y norma asociada
k k : En cada item se dene un funcional: Pruebe que es diferenciaciable en :
a) F (x) =< x; y >
x; y 2 V
b) F (x) =< G(x); y >

c) F (x) =k G(x) k2
con y jo.
x; y 2 V
x2
con y jo, G funcin de
, G funcin de
en V , diferenciable en
en V , diferenciable en
12. Sea V un espacio normado de dimensin nita con k k su norma y T 2 L (V ) tal que kT k < 1: Sea
g : V ! V una aplicacin denida por g (x) = T (x) + c con c 2 V jo. Demostrar que la sucesin
(xn ) denida por
x0 2 V
xn+1 = g (xn ) n = 0; 1; : : :
converge a un punto jo x
b de g: [Sugerencia: Pruebe que g es lipschisiana].
13. Sea (E; d) un espacio mtrico, g : E ! E una aplicacin continua que posee un punto jo u: Sean
r > 0 y 0 < k < 1 tales que d (g (x) ; g (y)) kd (x; y) 8x; y 2 B (u; r) : Demostrar que para todo
x0 2 B (u; r) ; la sucesin (xn ) denida por xn+1 = g (xn ) n = 0; 1; : : : es tal que (xn ) B (u; r) y
l m xn = u:
n!1
[Sugerencia: pruebe por induccin que xn 2 B (u; r)].

14. Sea
: Rn ! Rn una funcin diferenciable con continuidad en todo punto de Rn tal que

sup kD (~x)k
k < 1:
~
x2Rn
Demuestre que
es contractiva y que para todo ~x0 2 Rn ; la sucesin (~xm ) generada por
~xm+1 = (~xm ) m = 0; 1; : : : converge a x
b punto jo de :
Pruebe que k~xm+1
x
bk
k k~xm
x
bk
k m+1 k~x0
x
bk ; m = 1; 2; : : : :
7.5. EJERCICIOS
427
15. En los ejercicios siguientes, calcular, si existen, las soluciones de los sistemas de ecuaciones no
lineales que se indican utilizando el mtodo de Newton. [Sugerencia: cada sistema est formado por
ecuaciones de hiprbolas, parbolas, elipses, circunferencias, identifquelas].
8
< 2x y 2 = 3
2
2x
y=1
4x2 y 2 = 1
2
a)
b)
c)
y
2
2
x
y = 1:
x2 + y = 2:
: 4x2 +
= 1:
9
8
8
2
2
<
< (x 3) + (y 2) = 9
x2 + (y 2)2 = 16
2
2
2
e)
d)
(y 1)2
: (x + 1)
: (x 1) + (y 1) = 1:
= 1:
4
9
2
5
16. En los ejercicios siguientes, calcular, si existen, las soluciones de los sistemas de ecuaciones no
lineales que se indican utilizando el mtodo de Newton. Para el efecto dena una funcin vectorial
asociada al sistema de ecuaciones no lineales, calcule la matriz Jacobiana, y seleccione un vector
!
x 0 y mediante la aplicacin del mtodo de Newton, calcule una aproximacin !
x 1 ; continue con el
!
!
procedimiento. Calcule k x k+1 x k k k = 0; 1; 2; 3; y analice los resultados.
8
8
8
>
2x y 2 + 2z = 3
2
2
>
y+z =1
<
< 2x
< 4x2 y 2 z 2 = 9
2
2x
y
z
=
3
3x + 2y 5z = 1
2x y + 3z = 5
b)
a)
c)
>
:
: 2
y2
2
2
>
2
2
x y + 2z = 2:
x + y 2 + z 2 = 16:
: 4x +
+ z = 5:
9
8
8
>
2x2 5y + 2z = 10
>
2x
+
5y
+
z
=
10
<
<
2x2 y z 2 = 3
2x y 2 z = 3
d)
e)
: 2
>
y2
>
x
y 2 + 3z 2 = 5:
: x2
+ 3z 2 = 5:
9
17. Considerar el sistema de ecuaciones
2
2
1
6 1 2
6
4 0
1
0
0
no lineales
32
0
0
6
1 0 7
76
5
2
1 4
1 2
3 2 3
x1
x1
7
6
x2 7 6 x32
+
x3 5 4 x33
x4
x34
3
1
7 6 1 7
7 = 6 7:
5 4 1 5
1
(P)
~ 0 = (0; 0; 0; 0)T y el mtodod

a) Aplique el mtodo de Newton con una aproximacin inicial X
b = (x1 ; x2 ; x3 ; x4 )T de dicho sistema con una
de factorizacin LU para aproximar la solucin X
precisin de 10 2 :
b) Generalice el problema (P) para n

3 y elabore un algoritmo numrico para aproximar la
solucin de dicho problema.
0
1
4 3
0
1 A.
18. Considerar la matriz A = @ 3 4
0
1 4
a) Pruebe que A es una matriz denida positiva.
b) Calcule
0
1
24
!
!
(TJ ) para el sistema A!
x = b ; con b = @ 30 A :
24
c) Encuentre el valor ptimo de ! cuando se utiliza el mtodo SOR para encontrar soluciones
!
aproximadas del sistema A!
x = b:
!
19. En cada item se da un sistema de ecuaciones lineales A!
x = b : Aplicar el mtodo de GaussSeidel para calcular solucione aproximadas Verique que !
x es solucin del sistema de ecuaciones
propuesto. Contabilice el nmero de operaciones elementales que realiza.
8
8
2z = 8
< 2x + 2y 2z = 10
< x
!
!
2x + y
z = 15
3x + 4y 7z = 2
a)
x T = (4; 5; 2) : b)
x T = (3; 7; 5) :
:
:
3x y 10z = 27;
4x + 4y + 4z = 60;
428

8
< 3x 3y + 6z = 18
!
x + y + 8z = 2
x T = (1; 5; 1) :
c)
:
x
4z = 3;
8
x + 2y + 3z + 4w = 34
>
>
<
x + 4y + 7z + 10w = 62
!
d)
x T = (10; 6; 4; 0) :
x
+
4y
+
10z
+
16w
=
74
>
>
:
x + 4y + 10z + 20w = 74;
8
4x +
+ 20w = 48
>
>
<
y
z + 3w
=5
!
d)
x T = ( 3; 2; 2; 3) :
-2y
+
5z
12w
=
22
>
>
:
3x + 3y 2z + 21w = 44;
8
2x1 + 2x2 + 8x3
6x4
= 10
>
>
>
>
x
+
2x
+
5x
=
1
<
1
2
4
!
3x2 + 16x3 + 28x4 = 16
f)
x T = ( 1; 0; 1; 0; 1) :
>
>
5x2 + 26x3 + 44x4 = 26
>
>
:
2x1 2x2 + 32x3 + 45x4 + 2x5 = 33;
8
6x3 + 8x4 + 16x5 = 26
>
> 2x1 + 4x2
>
>
8x3 + 8x4 + 15x5 = 24
< 2x1 + 5x2
!
2x1 + 2x2
x3 + 8x4 + 20x5 = 33
x T = (2; 1; 1; 1; 1) :
g)
>
>
> 2x1 + 7x2 10x3 + 11x4 + 20x5 = 32
>
:
2x1 + 5x2 + 5x3 + 10x4 + 24x5 = 48;
!
20. Aplicar el mtodo SOR para aproximar la solucin del sistema de ecuaciones A!
x = b : Compare
con el vector !
x que se propone. Contabilice el nmero de operaciones elementales que realiza.
8
8
< x + 2y + 3z = 10
< 4x + 6y + 8z = 8
!
!
T
2x + 5y + 5z = 19
6x + 10y + 12z = 10
a)
x = (2; 1; 2) : b)
x T = (5; 2; 5)
:
:
3x + 5y + 11z = 33;
8x + 12y + 80z = 336;
8
x + y + z + w=5
>
>
<
x + 5y + 5z + 5w = 9
!
c)
x T = (4; 1; 1; 1) :
x
+
5y
+
14z
+
14w
=
9
>
>
:
x + 5y + 14z + 30w = 25;
8
16x1 +
+12x4 = 100
>
>
<
x2
2x3 + 3x4 = 15
!
d)
x T = ( 10; 0; 0; 5) :
2x
+
13x
3x
=
15
>
2
3
4
>
:
12x1 + 3x2 3x3 + 20x4 = 20;
8
4x1 + 2x2
4x5 = 52
>
>
>
>
< 2x1 + 2x2 + 3x3 + 5x4 + 5x5 = 52
!
3x2 + 25x3 + 39x4 + 53x5 = 135
e)
x T = (12; 7; 3; 1; 0) :
>
>
5x2 + 39x3 + 65x4 + 85x5 = 217
>
>
:
4x1 + 5x2 + 53x3 + 85x4 + 122x5 = 231;
8
4x1 + 4x2 + 2x3 + 4x4 + 4x5 + 2x6 = 0
>
>
>
>
4x1 + 5x2
+ 7x4 + 5x5 + 3x6 = 3
>
>
<
x1
+ 14x3 4x4
x6 = 5
!
f)
x T = (1; 1; 0; 1; 1; 0) :
4x
+
7x
4x
+
22x
+
11x
+
5x
=
14
>
1
2
3
4
5
6
>
>
>
>
2x1 + 5x2
+ 11x4 + 13x5 + 5x6 = 1
>
:
2x1 + 3x2
x3 + 5x4 + 5x5 + 28x6 = 1;
!
21. En cada item se propone un sistema de ecuaciones lineales A!
x = b : Estudie a la matriz A del
sistema para determinar si es estrictamente diagonalmente dominante, simtrica, denida positiva,
montona, etc. Aplique los mtodos de Gauss-Seidel y SOR, y, con cada uno de ellos halle la
solucin aproximada del sistema de ecuaciones. Contabilice el nmero de operaciones elementales
que realiza.
7.5. EJERCICIOS
2
2
1
6 1 2
a) 6
4 0
1
0
0
2
4 1
6 1 4
b) 6
4 0 1
0 0
2
5 1
6 1 5
6
c) 6
6 1 1
4 0 0
0 0
2
3
1
6 1 3
6
1
d) 6
6 0
4 0
0
0
0
2
5 2 1
6 2 5 1
6
e) 6
6 1 1 5
4 0 0 2
0 0 0
2
4
1
6 1 5
6 1
6
1
2
f) 6
1
6 0
6
2
4 0
0
0
0
429
3 2 3
32
2
x1
0
6 x2 7 6 3 7 !T
0 7
7 = 6 7 ; x = (5; 8; 8; 5) :
76
1 5 4 x3 5 4 3 5
2
x4
2
32
3 2
3
0
0
x1
11
6
7 6
7
1 0 7
7 6 x2 7 = 6 6 7 ; !
x T = (2; 3; 4; 2) :
4
1 5 4 x3 5 4 17 5
1
4
x4
12
32
3
3
2
1
0 0
x1
16
7
6
6 14 7
1
1 0 7
7 6 x2 7
7 !T
6
7
7
7
6
6
1 1 7 6 x3 7 == 6
6 22 7 ; x = (2; 3; 3; 2; 1)
4 10 5
1 6 1 5 4 x4 5
0
1 6
x5
8
3
3 2
32
11
x1
0
0
0
7
7 6
6
1 0
0 7
7 6 x2 7 6 4 7 !T
7
7 6
6
3
1 0 7
7 6 x3 7 = 6 1 7 ; x = (5; 4; 3; 4; 5) :
5
4
5
4
4 5
x4
1 3
1
11
x5
0
1 3
32
3 2
3
0 0
x1
12
6 x2 7 6 9 7
0 0 7
76
7 6
7
T
6 x3 7 = 6 1 7 ; !
2 1 7
76
7 6
7 x = ( 2; 1; 0; 1; 2) :
5
4
5
4
5
5 1
x4
7
1 5
x5
11
32
3
3 2
1
0
0
0
x1
29
2
1
6
7
7 6
1
0
0 7
2
7 6 x2 7 6 21 7
1
7
6
7
6
6
1
0 7 6 x3 7 6 13 7
T
2
7; !
=6
1 76
7 x = (10; 8; 6; 6; 8; 10) :
7
1 7
1
x
19
7
6
2 76 4 7
1
1 8
1 5 4 x5 5 4 45 5
0
1
2
1
1
2
x6
79
22. Sea A = (aij ) 2 Mn n [R] que satisface las dos condiciones siguientes: aij = 0 si ji jj > 2 para
!
i; j = 1; : : : ; n y que aii > jai i 2 j + jai i 1 j + jai i+1 j + jai i+2 j ; i = 1; : : : ; n; b 2 Rn :
!
a) Demuestre que el sistema de ecuaciones A!
x = b tiene una nica solucin.
b) Aplique los mtodos de Jacobi, Gauss-Seidel y SOR y exprese la sucesion (!

x k ) en forma explcita
para cada mtodo y elabore un algoritmo que permita calcular la solucin aproximada del sistema
!
de ecuaciones A!
x = b:
c) Considere el sistema de ecuaciones lineales siguiente:
2
32
4
1
1 0
0
6
6 1 5
1
1 0 7
6
76
6 1
7
1 5
1
1 76
6
6
4 0
1
1 4
1 54
0
0
1
1 3
x1
x2
x3
x4
x5
23. Considere el sistema de ecuaciones lineales siguiente:

2
32
4
2
2 0
0
6 2 10 2
6
3 0 7
6
76
6 2 2 18 3
7
4 76
6
6
4 0
3 3 18 3 5 4
0
0
4 3 18
x1
x2
x3
x4
x5
7 6
7 6
7=6
7 6
5 4
5
10
25
4
4
3
7
7
7
7
5
Verique las hiptesis de la matriz A: Aplique sus algoritmos para hallar la solucin de dicho sistema
y compare con !
x T = (2; 5; 8; 5; 3) :
3
7 6
7 6
7=6
7 6
5 4
6
21
96
66
7
7
7
7:
7
5
430

a) Demuestre que la matriz A de este sistema es simtrica, denida positiva y estrictamente
diagonalmente dominante.
b) Aplique los mtodos de Jacobi, Gauss-Seidel y SOR para hallar la solucin aproximada de tal
sistema. Contabilice con cada mtodo el nmero de operaciones elementales. Compare la solucin
con !
x T = (0; 2; 5; 3; 1) :
7.6.
8. P. G. Ciarlet, Introduction lAnalyse Numrique Matricielle et lOptimisation, Editorial Masson,
Pars, 1990.
1981.
1977.
12. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconslrained Optimization
Philadelphia, 1996.
18. Anne Greenbaum, Iterative Methods for Solving Linear Systems, Editorial Society for Industrial
and Applied Mathematics (SIAM), Philadelphia, 1997.
19. Wolfgang Hackbusch, Iterative Solution of Large Sparse Systems of Equations, Editorial SpringerVerlag, New York, 1994.
New York, 1991.
431
Cambrisge, 1999.
Wilmington, 1994.
25. P. Lascaux, R. Thodor, Analyse Numrique Matricielle Applique LArt de LIngnieur, Tome
1, Editorial Masson, Pars, 1986.
S. A., Mxico, 1989.
33. Werner C. Rheinboldt, Methods for Solving Systems of Nonlinear Equations, Second Edition,
34. M. Sibony, J. Cl. Mardon, Analyse Numrique I, Sustmes Linaires et non Linaires, Editorial
35. G. W. Stewart, Matrix Algotithms, Volume II: Eingensystems, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1998.
37. Gilbert Strang, Algebra Lineal y sus Aplicaciones, editorial Fondo Educativo Interamericano,
Mxico, 1982.
39. David S. Watkins, Fundamentals of Matrix Computations, Editorial John Wiley&Sons, New York,
1991.
432
Captulo 8
Valores y Vectores Propios

Resumen
Este captulo se inicia con una revisin de resultados importantes sobre el problema de valores y vectores
propios. La primera aplicacin que se da es a la geometra analtica plana, ms precisamente a las formas
cuadrticas y ecuaciones cuadrticas. Luego se considera el clculo de valores y vectores propios de
matrices de 3 3 que se presenta con mucha frecuencia, sobre todo en los problemas de optimizacin de
funciones reales en tres variables independientes. Se concluye este captulo con el mtodo de la potencia.
8.1.
Introduccin
En lo sucesivo consideraremos matrices reales de n n aunque algunos resultados aparezcan dentro del
campo de los nmeros complejos. Nos interesamos fundamentalmente en el caso real.
Denicin 1 Sea A 2 Mn n [R]. Un escalar 2 R se denomina valor propio de la matriz A si y solo
si existe !
x 2 Rn no nulo tal que A!
x = !
x . El vector !
x se llama vector propio de A asociado al
valor propio :
Los trminos de valor y vector propio que aqu hemos denido, en muchos textos se los encuentran como
valor y vector caracterstico, eigenvalor y eigenvector, autovalor y autovector.
!
Un valor proprio puede ser cero, esto es, = 0 pero un vector propio !
x no puede ser 0 : En el caso en
!
!
que = 0; tenemos A!
x = 0 para algn !
x 2 Rn con !
x 6= 0 lo que signica que !
x 2 ker(A); donde
!
!
!
n
ker(A) denota el ncleo de la matriz A que se dene como ker(A) = f x 2 R j A x = 0 g:
!
Sea un valor propio de A; denotamos con S = f!
x 2 R n j A!
x = !
x g[f 0 g: Se prueba inmediatamente
que el conjunto S es un subespacio real que lo denominamos subespacio asociado al valor propio o
simplemente subespacio propio de :
Sea un valor propio de A y !

x 2 Rn un vector propio asociado a : De la denicin de valor y vector
propio de A se tiene
!
A!
x = !
x () (A
I)!
x = 0:
!
!
El sistema de ecuaciones homogneo (A
I)!
x = 0 tiene soluciones no triviales (!
x 6= 0 ) si y solo si
la matrix A
I es singular, que a su vez es equivalente a que det(A
I) = 0: Esta ltima ecuacin se
llama ecuacin caracterstica. Se dene
p( ) = det(A
y se le denomina polinomio caracterstico.
433
I)
2 R,
434
CAPTULO 8. VALORES Y VECTORES PROPIOS
El conjunto de todos los valores propios de la matriz A se denota (A) y se le denomina espectro de la
matriz A; esto es,
!
(A) = f 2 R j 9!
x 2 Rn 8f 0 g tal que ; A!
x = !
x g:
Ejemplos
1. Los espacios M1 2 [R] y R2 son isomorfos. Sea A = (1; 2) ; calculemos jkAkj2 (vase el apndice,
!
normas de matrices). Tenemos A 2 M1 2 [R] y A 2 R2 ; en este ltimo caso escribimos A = (1; 2).
p
p
!
Resulta A = 12 + 2 = 5: Por otro lado,
2
1
2
At A =
1 2
2 4
(1; 2) =
2
= (
2
4
= 5; = 0 y = 5 son los valores propios de AT A: Resulta
p
1
jkAkj2 = sup kA!
x k2 = (max f0; 5g) 2 = 5:
x k2 1
k!
El polinomio caracterstico de AT A est denido como p ( ) =

p( ) = 0 ()
=0y
5) ; luego
3
2
1
2. Sea A = 4 1 0 5 : Calculemos jkAkj2 : Para el efecto, calculelos AT A y luego hallamos los
0
1
valores propios de esta matriz. Tenemos
2
3
2
1
2
1 0
4 1 0 5= 5 2 :
AT A =
2 2
1 0
1
0
1
El polinomio caracterstico p ( ) de la matriz AT A est denido como
p ( ) = det AT A
Entonces p
p ( ) = 0 ()
jkAkj2 = 6:
I =
= 1 o
2
2
7 +6=(
= 6: Los valores propios son
1) (
= 1; y
6) :
= 6: Por lo tanto
3. Sea A una matriz real de n n triangular superior (respectivamente triangular inferior), digamos
A = (aij ) con aij = 0 si i > j: Entonces
p( ) = det(A
I) =
n
Y
(aii
i=1
2 R,
luego
p( ) = 0 () 1 = a11 ;
; n = ann :
!
!
1 I) x = 0 se escribe en forma explcita como
El sistema de ecuaciones (A
8
a12 x1 +
>
>
>
<
>
>
>
:
+ a1n xn = 0;
(a22
1 )x2 +
..
.
+ a2n xn = 0;
(ann
1 )xn
= 0;
y cualquier solucin no nula de este sistema es un vector propio asociado al valor propio
sucesivamente
8
(a11
+ a1n xn = 0;
>
n )x1 +
>
>
<
(a22
+ a2n xn = 0;
n )x2 +
..
>
.
>
>
:
(an 1n
n )xn = 0:
1.
As
8.1. INTRODUCCIN
435
Este sistema de ecuaciones lineales consta de n 1 ecuaciones, y cualquier solucin no nula de este
sistema es un vector propio asociado al valor propio n :
Se tiene (A) = faii j i = 1;
; ng: Como se puede apreciar, estos son lo problemas ms simples de
clculo de valores y vectores propios
Denicin 2 Sean A; B 2 Mn n [R]: Se dice que las matrices A; B son semejantes si y solo si existe
una matriz invertible P tal que B = P 1 AP:
Dos matrices que son semejantes tienen exactamente los mismos valores propios. Efectivamente, sea
valor propio de la matriz A y !
x un vector porpio asociado a ; entonces A!
x = !
x ; luego
!
0 = (A
con !
y =P
1!
x:
I)!
x = (P BP
As, p( ) = det(A
I)!
x = P (B
I) = det(B
I)P
un
!
I)!
y = 0;
1!
x = (B
I):
Sea A 2 Mn n [R] tal que AT = A; es decir que la matriz A es simtrica, entonces todos sus valores propios
son reales. Adems, si 2 R es un valor propio de multiplicidad 2 k n; entonces dim(S ) = k: Por
otro lado, si 1 ; 2 son valores propios de A tales que 1 6= 2 ; los vectores propios asociados !
x 1; !
x2
!
!
!
!
!
!
son ortogonales, es decir que si A x 1 = 1 x 2 ; A x 2 = 2 x 2 ; 1 6= 2 =) x 1 ? x 2 :
Localizacin de los valores propios
Sea A 2 Mn n [R] y jk kj una norma submultipilicativa en Mn n [R]: Entonces, si un valor propio de
la matriz A y !
x un vector propio asociado a ; entonces A!
x = !
x ; y en consecuencia
jk !
x k=k !
x k=k A!
x k jk A kjk !
x k;
y siendo !
x un vector porpio, se tiene k !
x k6= 0; y de esta desigualdad se sigue que j
j jk A kj :
Tenemos (vase el apndice, normas de matrices),

j
jkAkj1 =
sup
x k1
k!
jkAkj2 = sup kA!

x k2 =
x k2 1
k!
donde
1; : : :
m
X
sup kA!
x k1 = max
jaij j ;
j=1;:::;n
x k1 1
k!
i=1
n
X
kA!
x k1 = max
jaij j ;
i=1;:::;m
j=1
1
2
max j i j
i=1;:::;n
son los valores propios de AT A; y AT denota la matriz transpuesta de A.
Ejemplos
2
3
2
20 200
5
100 5 ; entonces j j jkAkj1 = 310; j j jkAkj1 = 222: Note que la
1. Sea A = 4 0
1
1 10
estimacin j j jkAkj2 requiere del clculo de los valores propios de la matriz AT A: Como la
matriz A es real de 3 3; el polinomio caracterstico p( ) es de grado 3 y tiene coecientes reales,
al menos un valor propio de A es real. De las estimaciones anteriores, se tiene 2 [ 222; 222] que es
un intervalo demasiado grande para localizar a esta raz real. Este ejemplo muestra que se requieren
de estimaciones ms nas.
436
Teorema 1 (de Gershgorin) Sea A 2 Mn

en la unin de los discos f 2 C j j
akk j
n [R]: Los
n
P
j=1
j6=k
valores propios
de la matriz A estn localizados
j akj jg: Estos discos se llaman discos de Gershgorin.
Adems, si la unin de k discosde Gershgorin son disjuntos unos de otros, entonces la unin contiene
exactamente k valores propios de la matriz A.
Demostracin. Sea un valor propio de la matriz A y !
x un vector porpio asociado a ; entonces
!
!
!
!
A x = x : Elegimos x tal k x k1 = xk = 1: Explcitamente, la la k de A!
x = !
x es la siguiente:
ak1 x1 +
+ akk xk +
de donde
j akk
j=j ak1 x1 +
+ akn xn j
+ akn xn = xk
n
X
j=1
j6=k
j akj jj xj j
n
X
j=1
j6=k
j akj j
Para la prueba de la segunda parte se propone como ejercicio.

Ejemplo
2
3
2
20 200
5
100 5 : Los radios de los discos de Gershgorin estn denidos como sigue:
Sea A = 4 0
1
1 10
r1 =j 20 j +200 = 220; r2 = 100; r3 = 2; luego los discos de Gershgorin son
B(2; 220) = f 2 C jj
2j
220g;
B(5; 100) = f 2 C jj
5j
100g;
B(10; 2) = f 2 C jj
10 j
2g;
con lo
2 B(2; 220) [ B(5; 100) [ B(10; 2):
8.2.
Formas cuadrticas y ecuaciones cuadrticas en R2 :
Sean a; b; c; d 2 R tales que c 6= 0 y jaj + jbj > 0: Consideramos el subconjunto C de R2 denido como
C = (x; y) 2 R2 j ax2 + by 2 + cxy = d :
Se trata de determinar si C = ; o C 6= ;: En el caso C 6= ;; determinar el tipo de conjunto que C
representa, esto es, si es un punto, una recta, dos rectas, una cnica (circunferencia, elipse, parbola,
hiprbola), encontrar la ecuacin cannica de dicha cnica, o de la recta o de las rectas; y, representar
grcamente el conjunto C. Proponer un algoritmo.
Sigamos la metodologa propuesta en la resolucin de problemas.
Analicemos la existencia de soluciones, es decir determinemos si C = ; o C 6= ;: Para el efecto denimos
la forma cuadrtica Q como sigue:
2
3
1
6 a 2c 7 x
Q (x; y) = ax2 + cxy + by 2 = (x; y) 4 1
(x; y) 2 R2 :
5
y
c b
2
n! !o
La matriz A de la forma cuadrtica Q relativa a la base cannica B1 = i ; j de R2 est denida como
2
3
1
6 a 2c 7
A=4 1
5 : La hiptesis c 6= 0 y jaj + jbj > 0 implica A 6= 0 y claramente A es simtrica, esto es,
c b
2
A = AT :
8.2. FORMAS CUADRTICAS Y ECUACIONES CUADRTICAS EN R2 :

Calculemos los valores propios de A, es decir, determinamos
1
c
2
a
det (A
I)
0 ()
()
1
c
2
2 R tal que det (A
= 0 () (a
437
) (b
I) = 0: Se tiene
1 2
c =0
4
1 2
c =0
4
(a + b) + ab
es decir que los valores propios de A son soluciones de la ecuacin de segundo grado:
t 2 C tal que t2 + t +
donde ;
Sea
= 0;
2 R; cuya solucin se determina con la conocida frmula

p
2
4
:
t=
2
2
4 : Si
0; las races son reales; y si
< 0; las races son complejas.
Puesto que la matriz A es simtrica, las races de la ecuacin:

2
(a + b) + ab
1 2
c =0
4
son reales. En efecto, el discriminante de esta ecuacin es no negativo, pus

= (a + b)2
1 2
c
4
4 ab
= a2 + 2ab + b2
4ab + c2 = (a
b)2 + c2 :
Por hiptesis c 6= 0 y jaj + jbj > 0; que signica que al menos dos de estos nmeros son no nulos, luego
= (a b)2 + c2 0: Entonces
1
1
(a + b)
2
1
(a + b) +
2
son los valores propios de la matriz A:
1p
(a
2
1p
(a
2
b) + c2 ;
b) + c2 ;
Determinemos los vectores propios asociados a 1 y 2 ; es decir, hallamos las soluciones de los sistemas
de ecuaciones A!
x = 1!
x y A!
x = 2!
x ; que es equivalente al sistema de ecuaciones
8
1
>
< (a
) x + cy = 0
!
2
(a
I) x = 0 ()
1
>
: cx + (b
) y = 0:
2
x1
Para
= 1 obtenemo !
u =
tal que k!
u k = 1 y para
= 2 obtenemos !
v =
y1
k!
v k = 1: Estos dos vectores propios de A son ortogonales, esto es, !
u !
v = 0: Escribimos
!
!
!
2
Consecuentemente, f u ; v g forman una base B2 de R : Ponemos B2 = f u ; !
v g:
Note que
Q (!
u) = !
u T A!
u =!
uT (
Q (!
v) = !
v T A!
v =!
vT(
1
2
!
u)=
!
v)=
1kuk
=
2
!
2kvk =
pus k!
u k = 1 y k!
v k = 1:
La forma bilineal simtrica F est denida como
F (!
x;!
y)=!
x T A!
y
8!
x;!
y 2 R2 :
1;
2;
x2
con
y2
!
u ? !
v:
438
Se tiene Q (!
x ) = F (!
x;!
x ) x 2 R2 ; y, F (!
u;!
u ) = 1 ; F (!
v ;!
v ) = 2 ; F (!
u;!
v ) = F (!
v ;!
u ) = 0: As,
!
!
la matriz de la aplicacin bilineal simtrica F relativa a la base B2 = f u ; v g est denida como
[F ]B2 =
a la que notamos D; esto es, D =
:
x1 x2
y1 y2
La matriz de cambio de base de B2 a B1 est denida como P =

La matriz P es ortogonal, esto es, P
y se verica que P
1 AP
= D:
= PT:
La forma cuadrtica Q referida a la base B2 = f!

u;!
v g se escribe como
Q (s; t) = (s; t)
s
t
2
1s
2t
(s; t) 2 R2 ;
y
C = (x; y) 2 R2 j ax2 + cxy + by 2 = d = (s; t) 2 R2 j
Puesto que
1 2R y
1;
2
2 R, se presenta los siguientes casos:

+
2 R ; 1 = 0; 2 6= 0, 1 =
6 0; 2 = 0:
2
1. Supongamos
1;
1;
2
1s
2 R+ ;
1 2
2t
=d :
2R ;
2 R+ y
2 R+ :
a) Si d < 0 entonces C = ;:
b) Si d = 0 entonces C = f(0; 0)g :
c) Si d > 0 entonces C 6= ;:
En el caso
entonces la ecuacin
(s; t) 2 R2 tal que
2
1s
2t
= d () (s; t) 2 R2 tal que s2 + t2 =
corresponde a la ecuacin de una circunferencia de centro (0; 0) y radio r =
En la gura siguiente se muestra el conjunto C, o sea una circunferencia de radio r =
1 =
d>0
Figura 73
En el caso
6=
2,
la ecuacin
(s; t) 2 R2 tal que
2
2
1 s + 2 t = d ()
0
12 0
12
B s C
B t C
C
B
C
(s; t) 2 R2 tal que B
@r d A + @r d A = 1
1
2R ;
439
que representa a una elipse de centro (0; 0). En la gura siguiente se muestra este conjunto
1 >
d>0
>0
Figura 74
2. Supongamos
1;
2R :
a) Si d > 0; resulta que C = ;:
b) Si d = 0; entonces C = f(0; 0)g :
c) Si d < 0; multiplicando por 1 a la ecuacin: (s; t) 2 R2 tal que 1 s2 + 2 t2 = d se obtiene

( 1 ) s2 + ( 2 ) t2 = d que ha sido analizado en el caso 1) parte c) precedente.
Supongamos
2 R+ y
a) Si d = 0; la ecuacin
2R :
(s; t) 2 R2 tal que
2
1s
2t
1 2
= 0 () (s; t) 2 R2 tal que t2 =
De la ltima relacin se obtienen las dos siguientes

r
8
>
>
< t=
r
(s; t) 2 R2 tal que
>
>
: t=
s :
s;
2
1
s:
Consecuentemente
C =
=
(s; t) 2 R2 j
(
2
1s
(s; t) 2 R2 j t =
+ 2 t2 = 0
)
r
1
2
(s; t) 2 R2 j t =
1
2
s :

u; !
v y las rectas de ecuaciones t =
r
1
s con s 2 R:
t=
2
1
1
Figura 75
> 0; 2 < 0
> j 2j
1
2
s;
440

b) Si d 6= 0; la ecuacin
(s; t) 2 R2 tal que
2
1s
2t
=d
representa a una hiprbola.

u,!
v y la hiprbola C = (s; t) 2 R2 j
con d > 0:
2
1s
2t
=d
Note que la ecuacin

(s; t) 2 R2 tal que
2
1s
2
2t
12
B s C
C
(s; t) 2 R2 tal que B
@r d A
= d ()
0
12
B t C
C =1
Br
@
d A
2
> 0;
d>0
j 2j >
1
<0
Figura 76
Si
=0y
6= 0, entonces el conjunto C se escribe como sigue

C = (s; t) 2 R2 j
Se tiene los siguientes casos:
2t
< 0; d = 0;
a) En el caso
d
2
< 0; la ecuacin t2 =
=d =
d
(s; t) 2 R2 j t2 =
> 0:
d
2
es contradictoria con lo que C = ;:
b) En el caso d = 0; el conjunto C se expresa como sigue

C = (s; t) 2 R2 j t = 0 = fs (1; 0) j s 2 Rg ;
es decir que en el sistema de referencia f!

u;!
v g, C representa una recta que es paralela a !
u : En la
gura siguiente se muestra este conjunto.
Figura 77

d
En el caso
> 0; se tiene la ecuacin
t2
; de donde t =
d
(s; t) 2 R2 j t2 =
2
(
r
C =
(s; t) 2 R2 j t =
d
2
441
r
; o, t =
(s; t) 2 R2 j t =
d
2
con lo que
d
j s 2 R ; L2 =
s;
j s 2 R : Los conjuntos L1 y L2
2
2
representan rectas paralelas al vector !
u : En la gura siguiente se ilustran los conjuntos L1 , L2 :
Se dene L1 =
s;
Figura 78
El caso
6= 0 y
= 0 se analiza en forma parecida al caso 4).
Con todo el anlisis realizado sabemos en que condiciones C = ;; y en cules C 6= ;: En este ltimo caso
podemos identicar si se trata de una circunferencia, elipse, hiprbola o simplemente rectas; y, estamos
en condiciones de proponer un algoritmo que permita identicar todos estos casos.
Algoritmo
Datos de entrada: a; b; c; d 2 R.
Datos de salida: Mensaje 1 : C 6= ;; Mensaje 2 : C = f(0; 0)g ; Mensaje 3 : Datos no cumplen con la
hiptesis; 1 ; 2 ; !
u; !
v:
1. Si c = 0; o a = 0 y b = 0: Continuar en 13)
1
(a + b)
2
q
1
=
(a b)2 + c2
2
2. Calcular u =
=u
=u+
8
1
>
< (a
2 ) x + cy = 0
2
3. Resolver el sistema de ecuaciones
:
1
>
: cx + (b
1 ) y = 0:
2
Obtener !
u =
x1
y1
tal que k!
u k = 1:
8
1
>
< (a
2 ) x + cy = 0
2
Resolver el sistema de ecuaciones
1
>
: cx + (b
1 ) y = 0:
2
442

Obtener !
v =
x2
y2
tal que k!
v k = 1:
4. Gracar sistema de coordenadas rectangulares x; y; y respecto de B2 = f!

u;!
v g el sistema de
coordenas s; t:
5. Si,
> 0;
> 0:
Si d < 0; continuar en 11).

Si d = 0; continuar en 12).
Si d > 0
Si
6=
Calcular p =
;q=
(s; t) 2 R2 j
Gracar la elipse
s
p
t
q
=1 :
Continuar en 14).
Si
Calcular r =
Gracar la circunferencia (s; t) 2 R2 j s2 + t2 = r2 :

Continuar en 14).
6. Si,
< 0;
< 0:
Si d > 0; continuar en 11).

Si d = 0; continuar en 12).
Si d < 0:
Si
6=
Calcular p =
;q=
Gracar la elipse
(s; t) 2
R2
s
p
t
q
=1 :
Continuar en 14).
Si
Calcular r =
Gracar la circunferencia (s; t) 2 R2 j s2 + t2 = r2 :

Continuar en 14).
7. Si,
< 0;
> 0:
Si d > 0;
Calcular p =
d
1
;q=
d
2

(
(s; t) 2 R2 j
Gracar la hiprbola
s
p
s
p
t
q
t
q
1 :
Continuar en 14).
Si d < 0;
Calcular p =
;q=
(s; t) 2 R2 j
Gracar la hiprbola
=1 :
Continuar en 14).
Si d = 0;
Calcular m =
Gracar C1 = (s; t) 2 R2 j t =
ms ;
C2 = (s; t) 2 R2 j t = ms :
Continuar en 14).
8. Si,
> 0;
< 0:
Si d > 0;
Calcular p =
;q=
Gracar la hiprbola
2
2
s
p
(s; t) 2 R2 j
t
q
=1 :
Continuar en 14).
Si d < 0;
Calcular p =
;q=
Gracar la hiprbola
(s; t) 2
R2
s
p
Continuar en 14).
Si d = 0;
Calcular m =
Gracar C1 = (s; t) 2 R2 j t =
ms ;
C2 = (s; t) 2 R2 j t = ms :
Continuar en 14).
9. Si
=0
Calcular p =
Si p < 0; continuar en 11)
t
q
1 :
443
444

Si d = 0;
Gracar la recta C = fs (1; 0) j s 2 Rg :
Continuar en 14).
Si p > 0;
Gracar las recta L1 =
L2 =
s;
p js2R ;
s; p j s 2 R :
Continuar en 14).
10. Si
=0
Calcular p =
Si p < 0; continuar en 11)

Si d = 0;
Gracar la recta C = ft (0; 1) j t 2 Rg :
Continuar en 14).
Si p > 0;
Gracar las recta L1 =
L2 =
p
p
p; t j t 2 R ;
p; t j t 2 R :
Continuar en 14).
11. Mensaje 1 : C = ;: Continuar en 14).
12. Mensaje 2 : C = f(0; 0)g : Continuar en 14).
13. Mensaje 3 : Datos no cumplen con la hiptesis.
14. Fin
El algoritmo concluye en un nmero nito de pasos. Note que se realizan las 4 operaciones aritmticas y
raz cuadrada. Se realizan algunas comparaciones.
Para vericar el algoritmo proponemos tres ejemplos.
1. Consideremos el subconjunto C de R2 denido como
C = (x; y) 2 R2 j 4x2 + 2xy + 4y 2 = 1 :
Tenemos a = 4; b = 4; c = 2 y d = 1: Claramente c 6= 0; jaj + jbj > 0: Segn el algoritmo (punto
1
4 1
2), pasamos a calcular los valores porpios de la matriz A =
: Tenemos u = (a + b) = 4;
1 4
2
q
1
2
=
(a b) + c2 = 1:
2
Los valores propios de A son 1 = u
= 3 y 2 = u + = 5:
Continuando con el algoritmo (punto 3), determinamos
8 los vectores propios de A asociados a
1
>
< (a
) x + cy = 0;
!
2
2
2 ; esto es, determinamos x = (x; y) 2 R tal que
1
>
: cx + (b
) y = 0:
2
x+y =0
Con 1 = 3 se tiene
, x + y = 0 , y = x:
x+y =0

Luego !
x = (x; y) = (x; x) = x (1; 1)
445
x 2 R:
1
Los vectores propios normalizados de A son (punto 4 del algoritmo) !
u = p (1; 1) y !
v =
2
1
p (1; 1) : se verica inmediatamente que !
u y!
v son ortogonales, esto es, !
u !
v = 0: Puesto que
2
1 > 0; 2 > 0 y d > 0 (punto 5 del algortimo) entonces
r
r
r
r
p
p
d
1
3
d
1
5
=
=
p=
=
' 0;577;
q=
=
' 0;447:
3
3
5
5
1
2
9
8
12 0
12
0
>
>
>
>
=
<
C
B
C
B
t
5
2
C
B
C
B
p
p
+@
= 1 es una elipse.
Entonces C = (s; t) 2 R j @
>
>
3A
5A
>
>
;
:
3
5
En la gura siguiente se muestran los vectores ortogonales !
u; !
v y la elipse C:
Figura 79
2. Sean d 2 R2 y C = (x; y) 2 R2 j 2x2 + 4xy + 2y 2 = d : Tenemos a = 2; b = 2; c = 4: Se verica

inmediatamente que jaj + jbj > 0 y c 6= 0 (punto 1 del algoritmo).
Calculemos los valores propios de la matriz a =
1
(a + b) = 2;
2
= u
= 0;
u =
1
2 2
(punto 2 del algoritmo). Tenemos
2 2
q
1
=
(a b)2 + c2 = 2;
2
= u + = 4:
Determinemos los vectores propios de la matriz A asociados a los valores propios
2:
(2
1 ) x + 2y = 0;
= 0; hallar !
x = (x; y) 2 R2 solucin de
La solucin de este sistema
2x + (2
1 ) y = 0:
conduce a la ecuacin x + y = 0; luego !
x = (x; y) = (x; x) = x (1; 1) x 2 R:
Con
Con
Resulta
= 0; hallar !
x = (x; y) 2 R2 solucin de
(2
2 ) x + 2y = 0;
2x + (2
2 ) y = 0:
2x + 2y = 0
() x = y: Luego
2x 2y = 0
!
x = (x; y) = (x; x) = x (1; 1)
x 2 R:
1
1
v = p (1; 1) : Los vectores !
u y!
v son vectores propios de A, esto es,
Ponemos !
u = p (1; 1) ; !
2
2
A!
u = 1!
u y A!
v = 2!
v ; y, !
u ?!
v:
Siguiendo con el algoritmo (punto 9) se tiene
C = (s; t) 2 R2 j
2
1s
2t
= d = (s; t) 2 R2 j 4b2 = d :
446

Si d < 0; la ecuacin 4t2 = d es absurda, luego C = ;:
Si d = 0; la ecuacin 4t2 = 0 ) t = 0; luego c = (s; t) 2 R2 j t = 0 = fs (1; 0) j s 2 Rg :

p
p
d
d
d
2
Si d > 0; la ecuacin t = tiene dos races t1 =
y t2 =
con lo que
4
2
2
(
p ) (
p )
d
d
d
= (s; t) 2 R2 j t =
[ (s; t) 2 R2 j t =
:
C = (s; t) 2 R2 j t2 =
4
2
2
Ponemos L1 =
(s; t) 2 R2 j t =
p ) (
d
=
s;
2
)
(
)
p !
p !
d
d
j s 2 R ; L2 =
s;
js2R :
2
2
En la gura de la izquierda se representa el conjunto C = fs (1; 0) j s 2 Rg y en el de la derecha se

representa el conjunto C = L1 [ L2 :
Figura 80
Figura 81
(x; y) 2 R2 j (x + y)2 =
Note que C = (x; y) 2 R2 j 2x2 + 4xy + 2y 2 = d =
d
2
Si d < 0; resulta C = ;: Si d = 0; se obtiene C = (x; y) 2 R2(j x + y = 0 que representa )

una
p
2d
recta de ecuacin cartesiana y = x: Si d > 0; se tiene C = (x; y) 2 R2 j x + y =
[
2
(
)
p
2d
2
(x; y) 2 R j x + y =
:Las ecuaciones cartesianas de las rectas son:
2
2
(x; y) 2 R tal que x + y =
8.3.
2d
;
2
(x; y) 2 R tal que x + y =
Valores y vectores propios de matrices de 3
2d
:
2
Sea A = (aij ) 2 M3 3 [R]. Determinemos 2 R y !

x 2 R3 no nulo tal que A!
x = !
x : En este caso el
polinomio caracterstico est denido como sigue:
p( ) = det(A
= (a11
I) =
a22
a32
a11
a21
a31
a23
a33
a12
a22
a32
a12
a13
a23
a33
a21
a23
a31 a33
+ a13
a21 a22
a31
a32
Los valores propios se obtienen como solucin de la ecuacin p( ) = 0: Como el polinomio caracterstico
es de grado 3, existe al menos una raz real la misma que puede ser calculada como solucin aproximada
8.3. VALORES Y VECTORES PROPIOS DE MATRICES DE 3
447
mediante el mtodo de Newton. Los vectores propios son solucin del sistema de ecuaciones lineales
2
32
3 2 3
a11
a12
a13
x1
0
4 a21
5
4
5
4
a22
a23
x2 = 0 5 :
a31
a32
a33
x3
0
Ejemplo
2
3
2
1 1
1. Consideramos la matriz A = 4 1 2 0 5 : Apliquemos los resultados obtenidos, el algoritmo
1
0 2
de bsqueda del cambio de signo y el mtodo de Newton para calcular todos los valores propios de
A:
Primeramente, la matriz A es simtrica luego sus valores propios son reales, tenemos j j jkAkj1 =
4: As 2 [ 4; 4] : Una estimacin ms na la obtenemos si determinamos los discos de Gershgorin.
Tenemos j
2 j 2; j
2 j 1; j
2 j 1 entonces j
2 j 2 () 2 [0; 4].
Determinemos el polinomio caracterstico:
2
p ( ) = det (A
1
1
1
I) =
1
0
2
0
+6
10 + 4
2 R:
Para este ejemplo los valores propios se calculan fcilmente y as podemos comparar con los mtodos
a utilizar. Se tiene
8
< 1 = 2; p
2
p ( ) = (2
)
4 +2 =0,
2 =2
p2;
:
=
2
+
2:
3
Sea h = 0;5: La aplicacin del algoritmo de bsqueda del cambio de signo en el intervalo [ 0;3; 4]
nos da los resultdos que se indican en la tabla siguiente:
x
0;3
0;2
0;7
1;2
1;7
2;2
2;7
3;2
3;7
4;0
p (x)
7;567
2;232
0;403
1;088
0;573
0;392
1;057
0;672
1;513
4;0
Como se observa, la aplicacin del algoritmo de bsqueda del cambio de signo muestra la existencia
de tres races reales: C1 2 [0;2; 0;7] ; C2 2 [1;7; 2;2] ; C3 2 [3;3; 3;7] :
En realidad el algoritmo de bsqueda del cambio de signo se aplica en el intervalo [0; 4]:
Apliquemos el mtodo de Newton para calcular cada una de estas races. Tenemos
p (x) =
0
p (x) =
x3 + 6x2
2
3x + 12x
10x + 4 = 4 + x ( 10 + x (6
10 =
y el esquema de Newton est denido como

8
< x0 dado,
p (xn )
: xn+1 = xn
p0 (xn )
10 + x (12
3x) ;
n = 0; 1; : : : ; Nmax :
x)) ;
448

Clculo de C1 2 [0;2; 0;7] : Ponemos x0 el punto medio del intervalo, esto es x0 = 0;45: En la tabla
siguiente se encuentran los resultados de la aplicacin del mtodo de Newton
Iteracin
0
1
2
3
4
xj
0;45
0;569803
0;585522
0;585786
0;585786
p (xj )
0;623875
0;065021
:
0;0010563
0;0000003
2;33 10 14
La raz es C1 = 0;5857864376:
Procediendo en forma similar a la precedente, elegimos x0 el punto medio del intervalo [1;7; 2;2] ;
es decir x0 = 1;95: En la tabla siguiente se muestran los resultados obtenidos de la aplicacin del
mtodo de Newton.
Iteracin
xj
p (xj )
0
1;95
0;099875
1
2;000125
0;0002509
:
2
1;9999999
0;39 10 11
3
2;0
0:
La raz es C2 = 2:
Sea x0 el punto medio del intervalo [3;3; 3;7] : x0 = 3;45: Entonces,
Iteracin
0
1
2
3
xj
3;45
3;415496
3;41421530
3;414213562
p (xj )
0;148625
0;00513764 :
0;000006965
1;28 10 11
La raz es C3 = 3;414213562:
Calculemos los vectores propios de A asociados a los valores propios 1
Tenemos
8
)x
y +z
< (2
!
!
x + (2
)y
(A
I) x = 0 ,
:
x+
+ (2
)z
8 p
< 2x p y + z = 0
p
Para 1 = 2
2 se tiene
x + 2y p
=0
:
x+
+ 2z = 0:
=2
de donde
Para
n
= !
x T = (x; y; z) 2 R3 j (A
1 I)
= 2 se obtiene el sistema de ecuaciones
n
= !
x 2 R3 j (A
Se deja como ejercicio determinar S 3 :
8
<
!o n
!
x = 0 = z
x
:
x
2;
= 2;
p
= 2+ 2:
= 0;
= 0;
= 0:
Aplicando el mtodo de eliminacin gaussiana se obtiene el siguiente sistema
8 p
< 2x
:
y
+z =0
1
1
p y + p z = 0;
2
2
o
2; 1; 1 j z 2 R :
y+z =0
= 0 luego
= 0;
!o
2I) !
x = 0 = fy (0; 1; 1) j y 2 Rg
8.4. MTODO DE LAS POTENCIAS
8.4.
449
Mtodo de las Potencias
En muchas situaciones no estamos interesados en calcular todos los valores propios y todos los vectores
propios, sino algunos de ellos, por ejemplo el ms grande o el ms pequeo en valor absoluto de los
valores propios con sus respectivos vectores propios. Este mtodo puede adaptarse en forma apropiada
para calcular otros valores y vectores propios.
Suponemos que la matriz A es diagonalizable, es decir que existe una matriz invertible P tal que
D = P 1 AP; donde D = ( 1 ;
; n ) una matriz diagonal con los valores propios de la matriz A en su
diagonal. Consecuentemente xisten !
x 1;
;!
x n vectores propios asociados a 1 ;
; n ; respectivamente.
!
!
Tenemos A x i = i x i i = 1;
; n: Adicionalmente, suponemos que j n j
j 1 j; y asumimos
que el conjunto f!
x 1;
;!
x n g es una base de Rn : Al valor propio 1 lo denominaremos valor propio
dominante de la matriz A:
P
x i ; luego
Sea !
x 2 Rn no nulo. Existen 1 ;
; n 2 R tales que !
x = ni=1 i !
!
y 1 = A!
x =A
n
X
!
ixi =
i=1
n
X
n
X
i=1
!
y 2 = A2 !
x =A
i i
!
xi =
i=1
..
.
!
y m = Am !
x =A
!
iA x i =
n
X
i i
!
x i;
i=1
n
X
2!
i i x i;
i=1
n
X
m 1!
xi
i i
i=1
n
X
m!
i i x i:
i=1
La ltima igualdad se expresa como

!
y m = Am !
x =
Por otro lado, de la relacin j
lm j
m !1
m
1
n
X
i
i
i=1
j se tiene j
n m
j
k m
j = 0 si
!
x i:
<1
k = 2;
2 m
j
1; de donde
; n:
El principio del mtodo de la potencia est en la relacin de cada valor propio con el valor propio
k
dominante de la matriz A, es decir, de la razn
<1
k = 2;
; n: Tenemos
l m Am !
x =
lm m
m !1 1
m !1
m
=0 si
m !1 1
1 j> 1 o 1 = 1:
Es claro que l m
Elegimos !
x de modo
i) Si j
j>j
i
i
i=1
lm m !
x 1;
m !1 1 1
solo si j
n
X
y solo si j
si
!
xi = lm
m
m !1 1
m
1
k = 2;
!
x1+
i
i
i=2
!
xi
; n:
j< 1;
lm m
m !1 1
= 1 si y solo si
m
m !1 1
= 1; l m
no existe si y
6= 0:
!
1x1+
n
X
i=2
i
i
j; se tiene
!
ym=
<1
n
X
!
xi
()
!
ym
m
1
!
1x1+
n
X
i=2
i
i
!
x i;
450
luego
!
ym
lm
m !1
!
1x1+
= lm
m
1
m !1
n
X
i
i
i=2
!
xi
!
x 1:
Este lmite es a su vez equivalente a los siguientes, expresados en trminos de sus componentes:
lm
yim
m !1 m
1
(1)
con !
x 1 = (x1 ;
(1)
; xn ); !
y m = (y1m ;
!
ym=
m
1
!
1x1
j con 2
!
2x2+
n
X
i = 1;
n;
1:
m !1
=j
(1)
1 xi
; ynm ): Se dene qim =
lmite precedente se tiene l m qim =

ii) Supongamos j 1 j=
y que 1 = 2 , entonces
i=3
yim
yim
6= 0; y de la existencia del
k < n: Para comprender mejor la situacin, supongamos k = 2
i
i
yim
!
xi
()
!
ym
m
1
= 1!
x1
!
2x2+
n
X
i=2
que yim 6= 0:
yim+2
=
!1 y m
i
Se consideran dos casos: m = 2N; y m = 2N +1 para N 2 Z+ : Se muestra que l m
2
1
!
x i:
siempre
En la prctica, el mtodo de la potencia se aplica del siguiente modo.

2
3
1
6 7
1. A menos que se tenga una buena estimacin del vector !
x ; elegimos !
x = 4 ... 5 : Calculamos !
y 1 = A!
x
1
1
!
!
!
y 1:
, sea p1 =k y 1 k1 y se dene z 1 = !
k y 1 k1
2. Calculamos !
y 2 = A!
z 1 ; p2 =k !
y 2 k1 y !
z2=
1
!
y 2:
!
k y 2 k1
El proceso continua m veces. Cuando el nmero de iteraciones aumenta, pm se aproxima al ms grande

1
!
valor propio en valor absoluto y !
zm = !
y m se aproxima al vector propio asociado al valor
k y m k1
propio dominante.
Ejemplos
2
3
2 0 1
1. Consideremos la matriz A = 4 0 0 2 5 : Tenemos j
j kj A jk= 3: Adems, los discos de
0 2 1
Gershgorin muestran que 2 [ 2; 3]: Por otro lado, el polinomio caracterstico est denido como
p( ) = det(A
luego, p( ) = 0 ()
p
2
I) =
p
1+ 5
=
;
2
+3 +2
2 R,
= 2:
2
3
1
El vector propio asociado al valor propio dominante es !
x1 = 4 0 5:
0
Apliquemos el mtodo de las potencias para aproximar al valor dominante y consecuentemente al

vector propio asociado.
8.4. MTODO DE LAS POTENCIAS
451
3
1
Sea !
x = 4 1 5:
1
2 0
Primera iteracin: calculamos !
y 1 = A!
x =4 0 0
0 2
p =k !
y k
1
32 3 2 3
1
1
3
2 54 1 5 = 4 2 5;
1
1
3
1=
3;
3
1
2 7
5:
3
1
2
32 1 3 2 3 3
2 0 1
6 2 7 6 2 7
Segunda iteracin: calculamos !
y 2 = A!
z 1 = 4 0 0 2 54
5=4
5;
7
3
0 2 1
1
3
p2 =k !
y 2 k1 = 3;
3 2 1 3
2
3
1
16
7 6 2 7
!
7
z2= !
y2= 4 2 5=6
4 3 5:
7
p2
3
7
3
9
2
3
25
3
2
2
3 1
7
2 0 1 6 2 7 6
6 97 7
!
!
7
6
6
7;
Tercera iteracin: calculamos y 3 = A z 2 = 4 0 0 2 5 4 3 5 = 6
7
9
4 19 5
7
0 2 1
9
9
25
= 2;77777778;
p3 =k !
y 3 k1 =
9
3
2
25
2
3
1
6 9 7
6 7 7
1
96 7 7
!
7=6
7:
z3= !
y3= 6
7
6
5
p3
3 4 9 5 4 25
19
19
25
9
3
2
69
2
3
3
2
1
7
2 0 1 6 7 7 6
6 25
14 7
!
!
6
7
6
7;
5
4
Cuarta iteracin: calculamos y 4 = A z 3 = 0 0 2 4 25 5 = 6
7
25
4 33 5
19
0 2 1
25
25
69
p4 =k !
y 4 k1 =
= 2;76;
25
2
3
69
2
3
1
6 25 7
7 6 14 7
1
69 6
!
6 14 7 = 6
7
y4=
z4= !
6
4 69 5 :
p4
25 4 25 7
5
33
33
69
25
3
2
171
2
3
2
3
1
7
2 0 1 6 14 7 6
6 69
66 7
!
!
6
7
6
7;
4
5
Quinta iteracin: calculamos y 5 = A z 4 = 0 0 2 4 69 5 = 6
7
69
4 61 5
33
0 2 1
69
69
171
p5 =k !
y 5 k1 =
= 2;47826087;
69
3 2
3
1
1
6
!
z1= !
y1= 4 2 5=4
p1
3
3
2
452

2
6
1!
69 6
!
6
z5=
y5=
p5
171 6
4
69
25
14
25
33
25
2
3
1
7
7 6 14 7
7=6
7
7 4 171 5 :
5
33
171
Note que a medida que se realizan ms iteraciones los valores de pm se aproximan al valor propio
dominante 1 = 2: Igualmente, !
z m se aproxima al vector propio !
x 1 asociado a 1 :
2
3
3 7 9
2. Consideremos la matriz A = 4 7 4 3 5 :
9 3 8
Esta matriz A es simtrica, por lo tanto tiene
procedimiento arriba descrito.
2 3
1
!
4
Sea x = 1 5 :
1
2
3 7
Primera iteracin: calculamos !
y 1 = A!
x =4 7 4
9 3
tres valores propios reales. Apliquemos el
32 3 2
3
9
1
19
3 5 4 1 5 = 4 14 5 ;
8
1
20
p1 =k !
y 1 k1 = 20;
2
3 2
19
1
1
!
4 14 5 = 4
y1=
z1= !
p1
20
20
2
32
3 7 9
Segunda iteracin: calculamos !
y 2 = A!
z 1 = 4 7 4 3 54
9 3 8
3
0;95
0;7 5 :
1
3 2
3
0;95
16;95
0;7 5 = 4 12;45 5 ;
1
18;65
p2 =k !
y 2 k1 = 18;65;
2
3 2
3
16;75
0;8981233244
1
1
!
4 12;45 5 = 4 0;6675603217 5 :
z2= !
y2=
p2
1865
18;65
1
Tercera iteracin: calculamos

2
3
2
3 2
3
3 7 9
0;95
0;8981233244
16;36729223
!
y 3 = A!
z 2 = 4 7 4 3 5 0;7 4 0;6675603217 5 = 4 11;95710456 5 ;
9 3 8
1
1
18;08579089
p3 =k !
y 3 k1 = 18;08579089:
En la tercera iteracin, una aproximacin del valor propio dominante 21 ' 18;085.3En 10 iteraciones
0;90217
!
4
se obtiene 1 ' 18;0138 y una aproximacin del vector propio x 1 ' 0;66059 5 :
1
Clculo del ms pequeo valor propio en valor absoluto.
El mtodo de las potencias se emplea directamente para calcular el ms pequeo valor propio en valor
absoluto de una matriz invertible.
Sean A = (aij ) 2 Mn n [R] matriz invertible, 2 R un valor propio de A y !
x 2 Rn un vector propio
!
!
1
asociado a : Entonces A x = x : Multiplicando por la matriz inversa A y considerando que A 1 A = I;
se tiene
1
!
x = A 1!
x () A 1 !
x = !
x;
8.5. EJERCICIOS
es decir que
453
es el valor propio de la matriz A
1:
: El mtodo de la potencia se aplica a B !

x = !
x lo que permite aproximar
1
1
y de esta relacin se tiene n = :
al valor propio dominante 1 =
Ponemos B = A
Lastimosamente, la aplicacin de este mtodo requiere del clculo de la matriz inversa A 1 de A, y cuando
la dimensin de la matriz A es grande, los clculos que se realizan en el mtodo de la potencia son muy
grandes lo que hace que este mtodo no sea muy prctico.
8.5.
Ejercicios
1. En cada item se dene un subconjunto C 2 R2 : Realice una transformacin de coordenadas para

representar C en un nuevo sistema de modo que no aparezca el trmino xy.
Determine que conjunto representa C (;; un punto, recta o rectas, cnicas): Represente C si C 6= 0:
Estime el nmero de operaciones elementales.
a) C = (x; y) 2 R2 j 2x2 + 2xy + 2y 2 =
c) C = (x; y) 2 R2 j x2
3 : b) C = (x; y) 2 R2 j 3x2
xy + 4y 2 = 5 :
2xy + 2y 2 = 2 : d) C = (x; y) 2 R2 j 2xy + 3y 2 = 0 :
e) C = (x; y) 2 R2 j 5x2 + 2xy =
1 : f ) C = (x; y) 2 R2 j 2x2
6xy + 2y 2 = 1 :
g) C = (x; y) 2 R2 j 3x2 + 2xy + 2y 2 = 1 : h) C = (x; y) 2 R2 j 5x2 + 4xy

i) C = (x; y) 2 R2 j
2x2 + 6xy + y 2 = 1 : j) C = (x; y) 2 R2 j
x2 + 4xy
5y 2 = 1 :
2y 2 = 1 :
2. Con cada matriz triangular superior invertible A que se propone, determine los valores y vectores
propios
2
3
3
3
2
2
1 2
3
2
10 3
5
3
2 1
6 0
1 1
0 7
7:
5 5 : b) A = 4 0 8 15 5 : c) A = 6
a) A = 4 0 2
4 0
0
1 8 5
0 0 5
0 0
4
0
0
0
1
3
3
2
2
1 1 1 1
1 1
0
1
7
7
6 0
6
1
2
1
1
7
7
6
6 0
1
2
7
7
6
6
2
d) A = 6 0 0 1 1 7 : e) A = 6
7:
5
7
6
7
6
3
3
0
0
5
4
4
1 5
3
0 0 0
0
0
0
5
5
3. Determine los valores y vectores propios de cada una de las matrices que se
3
2 1
2
3
2
4
0 0
2;3 0
0 0
7
6
4 0 5 : c) A = 4 1;5
2
a) A = 4 51 3 0 5 : b) A = 4 5
2
3 4
0 3;2
2 1
6
2
3
2
3
10
0
0
0
10
0
0
0
6 2
6
1
0
0 7
5
0
0 7
7 : e) A = 6 2
7
d) A = 6
4 4
4 4
7
2
0 5
0
2 0 5
5
2;3
1 4;5
0
2;3 0
1
dan.
3
0
0 5:
0;8
4. Determine los valores y vectores propios de cada una de las matrices simtricas que se dan. Aplique
el mtodo de Newton para el clculo de las races del polinomio caracterstico. Determine tambin
los discos de Gershgorin.
2
3
2
3
2
3
0 0 0
1 1 0
0 0
2
2 3 5 : b) A = 4 1 0 0 5 : c) A = 4 0 4 0 5 :
a) A = 4 0
0 3 0
0 0 1
2 0 0
454

2
3
2
1 1 0
0
d) A = 4 1 2 0 5 : e) A = 4 3
0 0 3
2
2
3
2
4
0
2
4
3 5 : h) A = 4
g) A = 4 0
2
3 4
3
0
3
3
2
3 5:
0
1 1 0
f) A = 4 1 1 1
0 1 1
3
2
2 1;5 0
2
5
4
1;5
2 3;2 : i) A = 1
0 3;2 0
0
5:
3
1 0
3 2 5:
2 4
5. Aplique el mtodo de la potencia para aproximar los valores y vectores propios de cada una de
las matrices que se dan. Realice 5 iteraciones y compare con el valor propio dominante exacto.
Determine en cada caso los discos de Gershgorin.
2
3
2
3
2
3
0 1 0
1 1 0
0 0
2
a) A = 4 0 2 3 5 : b) A = 4 1 0 0 5 : c) A = 4 1 4 0 5 :
0 3 0
0 0 1
2 0 0
2
3
2
3
2
3
1 1 0
0
3
2
1 1 0
3 5 : f) A = 4 1 1 1 5 :
d) A = 4 1 2 0 5 : e) A = 4 3 0
0 1 0
2
3 0
0 1 1
2
3
2
3
2
3
4
0
2
2 1;5 0
2 1 0
4
3 5 : h) A = 4 1;5
2 3;2 5 : i) A = 4 1 3 2 5 :
g) A = 4 0
2
3 4
0 3;2 0
0 2 4
8.6.
3. N. Bakhvalov, Metodos Numricos, Editorial Paraninfo, Madrid, 1980.
4. Jrme Bastien, Jean-Nol Martin, Introduction LAnalyse Numrique, Editorial Dunod, Pars,
2003.
8. P. G. Ciarlet, Introduction L Analyse Numrique Matricielle et L Optimisation, Editorial
Masson, Pars, 1990.
1981.
1977.
11. B. P. Demidowitsch, I. A. Maron, E. S. Schuwalowa, Mtodos Numricos de Anlisis, Editorial
455

Cultutal, S. A., Mxico, 1982.
New York, 1991.
Mxico, 1987.
Cambrisge, 1999.
Wilmington, 1994.
27. Roland E. Larson, Bruce H. Edwards, Introduccin al Algebra Lineal, editorial Limusa, Noriega
Editores, Mxico, 1995.
S. A., Mxico, 1989.
34. Beresford N. Parlett, The Symmetric Eingenvalue Problem, Editorial Society for Industrial and
456

40. G. W. Stewart, Matrix Algotithms, Volume II: Eingensystems, Editorial Society for Industrial and
Mxico, 1982.
Captulo 9
Mnimos Cuadrados
Resumen
El tratamiento de datos experimentales tiene lugar en este captulo. Se tratan dos tipos de problemas:
los discretos y los continuos. En el caso discreto, se comienza con el planteamiento del problema de
mnimos cuadrados. A continuacin se trata el mtodo de Householder que constituye uno de los ms
importantes mtodos de resolucin de sistemas de ecuaciones lineales. Se considera el ajuste de datos
de algunos problemas que conducen a resolver sistemas de ecuaciones lineales en mnimos cuadrados. A
continuacin se trata el ajuste de datos en los que hay que determinar un parmetro. Posteriormente, se
trata el problema de mnimos cuadrados continuos y se da aplicaciones a la aproximacin de las series de
Fourier.
9.1.
Introduccin
En muchas observaciones cientcas se deben determinar los valores de ciertas constantes a1 ; : : : ; an : Sin
embargo, determinar o medir dichas constantes resulta muy difcil y por lo general imposible. En tales
casos, el mtodo indirecto siguiente es aplicado: en vez de observar los ai resulta ms fcil tomar una
muestra de una cantidad medible y la cual depende de los ai y de las mediciones experimentales que
denotamos por x; esto es,
y = f (x; a1 ; : : : ; an ) :
Con el propsito de determinar ai , se realizan experimentos bajo m condiciones diferentes x1 ; : : : ; xm ;
obtenindose m resultados diferentes: yk = f (xk ; a1 ; : : : ; an ) k = 1; : : : ; m: En general, al menos m n
experimentos deben ejecutarse con el propsito de determinar ai i = 1; : : : ; n: Adems, estos valores ai
deben satisfacer la relacin precedente.
Si m > n; yk = f (xk ; a1 ; : : : ; an ) k = 1; : : : ; m forman un sistema sobredeterminado para los parmetros
desconocidos a1 ; : : : ; an que usualmente no tiene solucin porque las cantidades observadas yi estn
perturbadas por errores de medicin. Consecuentemente, en vez de encontrar una solucin exacta de
dicho sistema, el problema se traduce en encontrar una mejor aproximacin posible aplicando la conocida
tcnica de mnimos cuadrados. Este mtodo fue publicado por primera vez por Legendre en 1805. Esta
clase de problemas se los conoce como ajuste de datos.
La funcin f es conocida. Esta funcin se elige siguiendo varios criterios:
1. Se tiene un modelo matemtico gobernado, por ejemplo, por ecuaciones diferenciales ordinarias y
que tiene como solucin la funcin f que depende de n parmetros ai i = 1; : : : ; n que deben
determinarse de la informacin experimental existente.S = f(xi ; yi ) j i = 1; : : : ; ng :
2. En base al conjunto de datos experimentales S = f(xi ; yi ) j i = 1; : : : ; ng representados grcamente
y por alguna informacin suplementaria se intuye que siguen un comportamiento del tipo y =
f (x; a1 ; : : : ; an ) :
457
458
CAPTULO 9. MNIMOS CUADRADOS
3. Dado el conjunto de datos S = f(xi ; yi ) j i = 1; : : : ; ng se ja directamente la funcin f as como

los parmetros a determinar a1 ; : : : ; an ; esto es y = f (x; a1 ; : : : ; an ) :
En todos los casos suponemos que
yk = f (xk ; a1 ; : : : ; an ) + rk
k = 1; : : : ; m;
donde cada rk es la perturbacin del dato experimentas (xk ; yk ) : Esta perturbacin depende de los
parmetros a1 ; : : : ; an que deben determinarse. Escribimos
rk (a1 ; : : : ; an ) = yk
f (xk ; a1 ; : : : ; an )
k = 1; : : : ; m:
El mtodo de mnimos cuadrados consiste en elegir la mejor opcin de los parmetros a1 ; : : : ; an

en el sentido que precisamos a continuacin: sea
Rn abierto, se dene la funcin E de en R
como sigue:
E (a1 ; : : : ; an ) =
m
X
rk2 (a1 ; : : : ; an ) =
k=1
con lo que E (a1 ; : : : ; an )
m
X
(yk
f (xk ; a1 ; : : : ; an ))2
k=1
(a1 ; : : : ; an ) 2 ;
0 8 (a1 ; : : : ; an ) 2 ; y se considera el problema siguiente:
hallar (b
a1 ; : : : ; b
an ) 2
tal que E (b
a1 ; : : : ; b
an ) =
mn
(a1 ;:::;an )2
E (a1 ; : : : ; an ) :
As, la mejor eleccin de los parmetros a1 ; : : : ; an es la solucin del problema de minimizacin:

m n E (a1 ; : : : ; an ) :
(a1 ;:::;an )2
En la generalidad de los casos se supone que la funcin f es de clase C 1 en

i = 1; : : : ; n; son continuas en
; es decir que
@f
@ai
Para hallar un punto (b

a1 ; : : : ; b
an ) 2
en el que la funcin E alcanza su mnimo, aplicamos las
condiciones necesarias de extremo, esto es:
8
@E
>
>
(a1 ; : : : ; an ) = 0;
>
>
< @a1
!
..
5E (a1 ; : : : ; an ) = 0 ,
.
>
>
>
@E
>
:
(a1 ; : : : ; an ) = 0;
@an
con lo que obtenemos un sistema de ecuaciones lineal o no dependiendo exclusivamente de la funcin

f: La solucin de dicho sistema nos provee de un punto crtico (b
a1 ; : : : ; b
an ) que puede ser en el que
E alcanza su mnimo.
Puesto que para cada i = 1; : : : ; m; se tiene
m
X
@E
(a1 ; : : : ; an ) =
2 (yk
@ai
f (xk ; a1 ; : : : ; an ))
@f
(xk ; a1 ; : : : ; an )
@ai
@f
(xk ; a1 ; : : : ; an )
@ai
@f
(xk ; a1 ; : : : ; an ) f (xk ; a1 ; : : : ; an ) ;
@ai
k=1
m
X
k=1
yk
se sigue que el sistema de ecuaciones precedente est denido como sigue:

8 m
P
@f
@f
>
>
yk
(xk ; a1 ; : : : ; an )
(xk ; a1 ; : : : ; an ) f (xk ; a1 ; : : : ; an ) = 0
>
>
@a1
@a1
>
< k=1
..
.
>
>
m
>
P
@f
@f
>
>
yk
(xk ; a1 ; : : : ; an )
(xk ; a1 ; : : : ; an ) f (xk ; a1 ; : : : ; an ) = 0:
:
@an
@an
k=1
9.1. INTRODUCCIN
459
En el caso en que la funcin f es lineal respecto de las variables (parmetros a determinar) a1 ; : : : ; an ;

el sistema de ecuaciones precedente es lineal. Dos ejemplos de funciones lineales nos proporcionan
los polinomios de grado m :
+ an xm x 2 R; (a0 ; : : : ; an ) 2 Rn+1 ;
f (x; a0 ; : : : ; an ) = a0 + a1 x +
y los polinomios trigonomtricos:
f (x; a1 ; : : : ; am ) =
m
X
k x
L
ak sen
k=1
a0 X
+
ak cos
2
f (x; a0 ; : : : ; am ) =
a0
+
2
f (x; a0 ; a1 ; : : : ; am ; b1 ; : : : ; bm ) =
k=1
m
X
x 2 [ L; L] ;
k x
L
k x
L
ak cos
k=1
x 2 [ L; L] ;
+ bk sen
k x
L
donde L > 0; a0 ; : : : ; am ; b1 ; : : : ; bm son los coecientes de Fourier.

En el caso de los polinomios trigonomtricos, el clculo aproximado de los coecientes de Fourier ya
fue establecido en el captulo de la aproximacin numrica de las series de funciones. En este captulo
mostraremos que los coecientes que guran en los polinomios trigonomtricos son efectivamente
los coecientes de Fourier.
En el caso de los polinomios de grado m focalizaremos nuestra atencin a los polinomios de grado 1; 2 y
3; esto es,
f (x; a; b) = a + bx
x 2 R;
f (x; a; b; c) = a + bx + cx2
x 2 R;
f (x; a; b; c; d) = a + bx + cx + dx3
x 2 R:
En el caso en que f no es lineal respecto de las variables a1 ; : : : ; an ; el sistema de ecuaciones a resolver es

no lineal. En la generalidad de los casos se tiene f funcin de clase C 2 en ; y dicho sistema se resuelve
en forma aproximada con el mtodo de Newton, la linealizacin del sistema de ecuaciones se resuelve
mediante el mtodo de eliminacin gaussiana. En pocos casos se conocen de mtodos particulares para
resolver dicho sistema cuando dependen de 1; 2; 3 parmetros. Ms adelante trataremos algunos de estos
ejemplos que tienen muchas aplicaciones.
Los problemas de mnimos cuadrados que acabamos de describir se extienden a funciones en dos o ms
variables, as a polinomios de grado 1; 2; : : : , en dos variables independientes x; y como los que se
describen a continuacin:
(x; y) 2 R2 ;
p (x; y) = a + bx + cy
p (x; y) = a + bx + cy + dxy
(x; y) 2 R2 ;
p (x; y) = a + bx + cy + dxy + ex2 + dy 2
(x; y) 2 R2 ;
que requieren, para el clculo de las constantes que guran en cada clase de polinomios, de un conjunto de
datos S = (xk ; yk ; zk ) 2 R3 j k = 1; : : : ; n : Otra clase de funciones son las conocidas funciones lineales
y anes en n variables del tipo
z = f (x1 ; : : : ; xn ) =
n
X
ak xn
k=1
(x1 ; : : : ; xn ) 2 Rn
y
z = f (x1 ; : : : ; xn ) = a0 +
n
X
k=1
ak xn
(x1 ; : : : ; xn ) 2 Rn ;
460
que requieren, para el clculo de las constantes que guran en cada una de esta clase de funciones, de un
conjunto de datos
n
o
(k)
!
(k)
n+1
S = x = x ;:::;x ;z 2 R
j k = 1; : : : ; m :
k
Comenzaremos con la resolucin de los sistemas de ecuaciones lineales en mnimos cuadrados. Estos
sistemas de ecuaciones provienen, en general, de problemas de ajuste de datos lineales. A continuacin
tratamos el ajuste de datos de datos polinomial. Luego tratamos el ajuste de datos de funciones anes
del tipo
n
X
f (x1 ; : : : ; xn ) = a0 +
ak xn (x1 ; : : : ; xn ) 2 Rn :
k=1
Concluimos con ejemplos de problemas de ajuste de datos de funciones no lineales.
9.2.
Soluciones de sistemas de ecuaciones lineales en mnimos cuadrados.
Sean m; n 2 Z+ con m n, A = (aij ) 2 Mm

Consideramos el problema siguiente:
n [R]
!
no nula y de rango R (A) = n; b T = (b1 ; :::; bn ) 2 Rm .
hallar !
x 2 Rn solucin del sistema de ecuaciones lineales
!
A!
x = b:
Estos sistemas de ecuaciones se caracterizan por tener ms ecuaciones que incgnitas. Estos sistemas,
como hemos visto, surgen en la determinacin de ciertos parmetros x1 ; :::; xn que deben calcularse a
partir de una informacin experimental y que corresponden a un modelo del tipo lineal.
Ponemos A = [A1 ; :::; An ], donde Aj es la j-sima columna de A y sea
W = L (A1 ; :::; An ) =
8
n
<X
:
j Aj
j=1
2 R, j = 1; :::; n
9
=
;
el espacio constituido por todas las combinaciones lineales de A1 ; :::; An . Por denicin, la dimensin de
W es el rango de A y que por hiptesis, R (A) = n. Luego dim W = n: Entonces, el sistema de ecuaciones
!
!
A!
x = b tiene solucin si y solo si b 2 W . Esta situacin se presenta en muy pocos casos. En la prctica,
los sistemas de ecuaciones arriba propuesto, en general, no tienen solucin.
! !
Se dene !
r (!
x ) = A!
x
b ; x 2 Rn . El vector !
r (!
x ) se llama residuo. Proponemos un problema
alterno denominado problema en mnimos cuadrados (Pa ) que se indica a continuacin:
2
k!
r (b
x)k
hallar, si existe, x
b 2 Rn tal que
2
k!
r (!
x )k
8!
x 2 Rn ;
Ab
x
!
b
A!
x
!
b
8!
x 2 Rn ;
que a su vez es equivalente al siguiente:

hallar, si existe, x
b 2 Rn tal que
Ab
x
!
b
=!
Min A!
x
x 2Rn
!
b
donde k k es la norma eucldea en Rm :
Este problema lo enfrentamos de dos maneras. En la primera, probamos la existencia de x

b 2 Rn
mediante mtodos del anlisis matemtico como minimizacin de un cierto funcional denido en Rn . En
la segunda, probamos la existencia de x
b 2 Rn mediante mtodos netamente del lgebra lineal utilizando
la ortogonalidad.
9.2. SOLUCIONES DE SISTEMAS DE ECUACIONES LINEALES EN MNIMOS CUADRADOS.461

1. Minimizacin de un funcional cuadrtico denido en Rn :
! 2
Sea J de Rn en R el funcional denido por J (!
x ) = A!
x
b ;
!
x 2 Rn : Se sabe que J es un
funcional convexo. Hallemos la derivada de Gteaux de J, esto es, la derivada direccional de J en
!
!
x 2 Rn segn la direccin !
y , denotada D!
y J ( x ) y denida como
J (!
x + t!
y)
!
D!
yJ(x) = l m
t!0
t
J (!
x)
De la denicin del producto escalar en Rn , se tiene

J (!
x ) = A!
x
!
b
!
b
= A!
x
A!
x
!
b
!
x 2 Rn :
Sean !
x; !
y 2 Rn jos, t 6= 0. Entonces,
J (!
x + t!
y)
J (!
x) =
!
b
A (!
x + t!
y)
= 2t A!
x
!
b
A (!
x + t!
y)
!
b
A!
x
!
b
J (!
x)
!
b
T
A!
y + t2 (A!
y ) A!
y:
! !
! T !
T
A y = (A!
y ) A!
x
Se ha utilizado el hecho que A!
x
b , A x 2 Rm , y, A!
x
b
el producto escalar en Rm es conmutativo. Luego, para t 6= 0 se tiene
J (!
x + t!
y)
t
A!
x
= 2 A!
x
!
b
!
b ; pus
T
A!
y + t (A!
y ) A!
y;
de donde
J (!
x + t!
y ) J (!
x)
!
= l m 2 A!
x
D!
J
(
x
)
=
l
m
y
t!0
t!0
t
! T !
= 2 A!
x
b
Ay:
!
b
T
A!
y + t (A!
y ) A!
y
As, la derivada de Gteaux de J en !

x segn la direccin !
y est denida como
!
b
!
!
D!
yJ(x) =2 Ax
A!
y:
Por otro lado, un resultado muy conocido del Anlisis Matemtico sobre las derivadas direccionales
!
!
!
n
n
es que si D!
y J ( x ) es continuo en x 2 R en toda direccin y 2 R , entonces
!
! T!
D!
y J ( x ) = (rJ ( x )) y ;
T
donde rJ (!
x ) denota el gradiente de J en !
x denido por (rJ (!
x )) =
Luego,
! T !
T
(rJ (!
x )) !
y = 2 A!
x
b
Ay
8!
y 2 Rn ;
con lo cual
rJ (!
x) =
A A!
x
!
b
= 2AT A!
x
!
b
@J
@x1
@J !
(!
x ) ; :::; @x
(x) :
n
Las condiciones necesarias de extremo implican

rJ (!
x ) = 0 , AT A!
x
!
!
b = 0 , AT A!
x = AT b :
!
El sistema de ecuaciones lineales AT A!
x = AT b ; se llama sistema de ecuaciones normales. Note
que la matriz AT A es una matriz simtrica y en consecuencia es una matriz normal.
462

Por hiptesis R (A) = n. Luego R AT = n y R AT A = n: Como AT A 2 Mn
R AT A = n, se sigue que AT A es invertible y en consecuencia
!
AT A!
x = AT b , !
x = AT A
Ponemos
!
b
Probemos que Ab
x
A!
x
x
b = AT A
!
b
n [R]
!
AT b :
!
AT b :
8!
x 2 Rn : Sea !
x 2 Rn . Entonces
2
T
T
k!
r (!
x )k = (!
r (!
x )) !
r (!
x ) = [A (!
x x
b) + !
r (!
x )] [A (!
x x
b) + !
r (!
x )]
T
T
2
2
= [A (!
x x
b)] A (!
x x
b) + (!
r (b
x)) !
r (b
x) = kA (!
x x
b)k + k!
r (b
x)k ;
!
T
donde el producto (A (!
x x
b)) !
r (b
x) = 0, pues AT Ab
x
b = 0 y en consecuencia
[A (!
x
Por lo tanto,
y como kA (!
x
T
x
b)] !
r (b
x) = [A (!
x
2
x
b)k
x
b)]
2
k!
r (!
x )k = kA (!
x
2
!
0, se sigue que k r (b
x)k
Ab
x
!
b
!
b = (!
x
Ab
x
!
b = 0:
2
2
x
b)k + k!
r (b
x)k
2
k!
r (!
x )k
8!
x 2 Rn ; es decir
=!
Min A!
x
x
x
b) AT Ab
x
2Rn
!
b
A la solucin x
b del problema (Pa ) lo denominaremos solucin en mnimos cuadrados.
2. Proyeccin ortogonal.
Ponemos A = [A1 ; :::; An ], con Aj la j-sima columna de la matriz A: Sea !

x T = (x1 ; :::; xn ) 2 Rn .
Entonces
n
X
A!
x =
xj Aj 2 W:
j=1
El ortogonal de W , por denicin, es el conjunto notado W ? y denido como sigue:

o
n
T
W ? = f!
y 2 Rm j h!
y ; A!
x i = 0 8!
x 2 Rn g = !
y 2 Rm j (A!
x) !
y = 0 8!
x 2 Rn
= !
y 2 Rm j !
x T AT !
y = 0 8!
x 2 Rm :
Luego
!
y 2 W? , !
y 2 ker AT = !
y 2 R m j AT !
y =0 :
!
m
?
m
Se tiene la siguiente suma directa
( R = W W ; y de esta, para cada b 2 R , existe un nico
Ab
x ? yb;
!
x
b 2 Rn y yb 2 W ? tales que
de donde yb = b
Ab
x: En la gura siguiente se
!
b = Ab
x + yb;
ilustran el subespacio W y su ortogonal W ? , el vector Ab
x 2 W y el vector ortogonal !
y 2 W ?:
Figura 82
9.2. SOLUCIONES DE SISTEMAS DE ECUACIONES LINEALES EN MNIMOS CUADRADOS.463

Sea !
x 2 Rn . Entonces A!
x 2 W y en consecuencia
T
T !
(A!
x ) yb = 0 , (A!
x)
b
Ab
x =0,!
x T AT
!
b
!
Ab
x =0,!
x T AT b
AT Ab
x = 0;
de donde
!
AT Ab
x = AT b :
Resulta que kb
y k2
2
k!
yk
8!
y 2 W ? , o bien
!
b
Ab
x
=!
Min
x 2Rn
!
b
A!
x
!
!
El resultado que acabamos de obtener se le conoce como proyeccin de un vector b 2 Rm con b 2
= W;
sobre el subespacio cerrado W de Rm : El vector x
b 2 Rn se le conoce como solucin en mnimos cuadrados.
Observaciones
!
1. El sistema de ecuaciones A!
x = b ; con m; n 2 Z+ , m n, A = (aij ) 2 Mm n [R] no nula y de rango
!
R (A) = n; b T = (b1 ; :::; bn ) 2 Rm , puede ser resuelto directamente aplicando el mtodo de factorizacin
QR de Householder, que se expone ms adelante.
2. Supngase que A 2 Mn n [R] matriz invertible y consideremos el sistema de ecuaciones lineales
!
!
1 T!
A!
x = b ; donde b 2 Rn dado, cuya solucin en minimos cuadrados es x
b = AT A
A b : Como A es
1
1 T
T
T
invertible, se sabe que A es tambin invertible y en consecuencia existe A
tal que AT
A = I:
Luego
!
1 T!
1 T!
x
b = AT A
A b = A 1 AT
A b =A 1b;
que muestra que la solucin en mnimos cuadrados coincide con la solucin del sistema de ecuaciones
!
A!
x = b:
3. En la prctica, la solucin en mnimos cuadrados se calcula como sigue: del sistema de ecuaciones
!
!
normal AT A!
x = AT b ; se denen B = AT A; !
c = AT b ; con lo que dicho sistema se escribe como
B!
x = !
c ; sistema de ecuaciones lineales que puede ser resuelto mediante el mtodo de eliminacin
gaussiana, de Choleski o de factorizacin LU, dependiendo de las caractersticas de la matriz B:
4. Sean m; n 2 Z+ con m
independiente,
n; V = Rn ; f!
y 1; : : : ; !
y mg
W =
m
P
i=1
Rn tal quef!
y 1; : : : ; !
y m g linealmente
xi !
y i j xi 2 R; i = 1; : : : ; m :
Se tiene que W es un subespacio de Rn de dimensin m: Del resultado arriba establecido de la proyeccin

!
!
de un vector b 2 Rn con b 2
= W; sobre el subespacio cerrado W; existe x
^ = (^
x1 ; : : : ; x
^m ) 2 Rm tal que
!
b
m
P
i=1
Adems, se prueba que
x
bi !
yi
!
b
=!
Min
x =(x1 ;:::;xm )2Rm
m
P
i=1
x
bi !
y i; !
w
!
b
m
P
i=1
= 0 8!
w 2 W:
xi !
yi
464
En la gura siguiente se ilustra la solucin en mnimos cuadrados.
Figura 83
9.3.
Mtodo de Householder y mnimos cuadrados
Sea A 2 Mn n [R] : Supongamos que las columnas de A son ortogonales, entonces el rango de A es n;
adems A es invertible. En efecto, escribamos
2 T 3 la matriz A en la forma A = [A1 ; : : : ; An ] ; donde Aj es la
A1
6
7
j-sima columna de A; luego AT = 4 ... 5 y
ATn
3
2 T
3
AT1
A1 A1 : : : AT1 An
6
7
6
7
..
AT A = 4 ... 5 [A1 ; : : : ; An ] = 4
5
.
ATn
ATn A1 : : : ATn An
Como las columnas de A son ortogonales se sigue que ATi Aj = 0 si i 6= j; y ATi Ai = kAi k2 = 1:
Luego AT A = I y de esta relacin resulta que AT = A 1 :
!
!
Consideremos el sistema de ecuaciones lineales A!
x = b con b 2 Rn dado. Entonces
!
x =A
!
b = AT b :
1!
El siguiente resultado constituye la base del algoritmo de Householder para la resolucin de sistemas de
ecuaciones lineales y factorizacin de una matriz A en la forma QR:
Teorema 1 (de Householder)
Sea !
v 2 Rn con !
v =
6 0. Existe una matriz ortogonal H y
2 R tales que
H!
v = !
e 1;
de donde !
e T1 = (1; 0; :::; 0) es el primer vector de la base cannica de Rn :
Demostracin. Sea !
u 2 Rn tal que k!
u k = 1. La matriz de Householder
H=I
2!
u!
uT
es simtrica y ortogonal.
Sea !
v 2 Rn con !
v 6= 0. Mostremos que existe !
u 2 Rn tal que k!
u k = 1 y H!
v = !
e 1 : En efecto, sea
!
2 R tal que k v k = j j. Entonces
H!
v = I
2!
u!
uT !
v =!
v
2!
u!
u T!
v;
9.3. MTODO DE HOUSEHOLDER Y MNIMOS CUADRADOS
465
y como H !
v = !
e 1 , se sigue que
!
v
!
2!
u!
u T!
v =
e1
!
!
!
!
T!
2u u v = v
e 1:
Sea p = 2!
u T!
v . Se tiene
p!
u =!
v
de donde
k!
v
Para evitar que p = 0, elegimos
!
e 1 k = kp!
u k = jpj k!
u k = jpj :
del modo siguiente:

2
6
6
!
e1=6
4
!
v
entonces
v1
7
7
7
5
v2
..
.
vn
sign (v1 ) k!
v k;
k!
v k ; si
Supongamos primeramente que v1 6= 0: Se tiene

k!
v
!
e1
si v1 6= 0;
v1 = 0:
sign (v ) k!
v k ; luego
2
2
2
!
e 1 k = k!
v + sign (v1 ) k!
v k!
e 1 k = (v1 + sign (v1 ) k!
v k) +
Si v1 > 0; sign (v1 ) = 1, y

Si v1 < 0; sign (v1 ) =
n
X
vk2 :
k=2
v1 + sign (v1 ) k!
v k = v1 + k!
v k:
1, y
v1 + sign (v1 ) k!
v k = v1
k!
vk=
( v1 + k!
v k) =
(jv1 j + k!
v k) :
Por lo tanto
k!
v
2
!
e 1 k = (jv1 j + k!
v k) +
n
X
vk2
k=2
2
= 2 jv1 j k!
v k + k!
vk +
Si v1 = 0;
v12
n
X
k=1
2
+ 2 jv1 j k!
v k + k!
vk +
n
X
vk2
k=2
2
vk2 = 2 jv1 j k!
v k + 2 k!
vk :
k!
v k. Entonces
k!
v
2
2
2
!
e 1 k = k!
v + k!
v k!
e 1 k = k!
vk +
Consecuentemente, de la igualdad p!
u =!
v
!
u =
!
u =
!
v
!
e1
p
!
v
p
!
v
= !
kv
n
X
vk2
k=2
2
= k!
vk +
n
X
k=1
2
vk2 = 2 k!
vk :
!
e 1 , se sigue que
!
e1
=
!
e k
!
e1
si v1 = 0:
!
2k v k
!
v
!
e1
2 k!
v k + 2 jv1 j k!
vk
2
1
2
si v1 6= 0;
La matriz H queda denida como

H=I
2!
u!
uT =I
1
(!
v
2
!
!
k v k + jv1 j k v k
!
e 1 ) (!
v
T
!
e 1 ) si v1 6= 0;
466
y
H=I
Si ponemos
1
!
2 (v
!
kvk
!
e 1 ) (!
v
T
!
e 1 ) , si v1 = 0:
2
k!
v k + jv1 j k!
v k ; si v1 6= 0;
2
!
2 k v k ; si v1 = 0;
!
!
!
w = v
e 1;
r =
entonces
H=I
1 !!T
ww :
r
Observacin
i) Se puede escribir H = I
Ponemos r =
ii) El signo de
t
(s!
u ) (s!
u)
; el clculo explcito de !
u no es necesario.
s2
s2 !
y w = s!
u entonces H = I
2
8
<
1 !!T
w w donde !
w y r se determinan por el sistema:
r
j j = k!
v k;
!
!
w =!
v
e 1;
:
r= (
v1 ) :
se tomar el opuesto al de v1
iii) Para calcular H !

v podemos proceder de la siguiente manera:
H!
v =
1 !!T
ww
r
!
v =!
v
1 !!T ! !
ww v = v
r
1 !T ! !
w v w;
r
cuyos clculos sucesivos son:

q = !
wT!
v;
q
p =
;
r
!
!
H v = v p!
w:
Algoritmo de Householder
!
!
Sea A 2 Mn n [R] invertible, b 2 Rn dado y consideramos el sistema de ecuaciones A!
x = b:
Aplicaremos el lema 2, m veces para triangularizar la matriz A. Ponemos A(1) = A;
!
Generaremos m 1 ecuaciones equivalentes a la ecuacin original propuesta: A(k) !
x = b (k)
!
donde A(k) y b (k) son de la forma:
3
2
(2)
(2)
(2)
(2)
2
a11
::: :::
a1k 1
a1k
:::
a1n
(2)
7
6
b1
..
..
(3)
(3)
7
6
6
a22 : : :
a2k 1
.
.
7
6
6 ...
7
6
6
..
..
..
..
7
6
6 (k)
.
.
.
.
7
6
6 b
7
6
!
6 k 1
(k)
(k)
(k)
(k)
7;
0
a
a
:
:
:
a
b
=
A(k) = 6
6 (k)
k 1;k 1
k 1;k
k 1;n 7
6
6 b
7
6
6 k
(k)
(k)
7
6
a
:
:
:
a
6 .
7
6
kk
kn
6 .
7
6
4 .
.
.
7
6
.
.
0
.
.
(k)
5
4
bn
(k)
(k)
ank
:::
ann
!(1)
!
b
= b:
k = 2; : : : ; n
3
7
7
7
7
7
7
7
7
7
7
7
5
467
que de manera abreviada se escribe:

2
A(k) = 4
A11
(k)
A12
(k)
A22
(k)
!(k)
b
5;
3
!
c (k)
5
=4 !
d (k)
!
!
Para pasar de A(k) a A(k+1) y de b (k) a b (k+1) , buscamos una matriz ortogonal elemental (matrix
de Householder) H (k) tal que H (k) A(k) es una matriz cuyas primeras k columnas forman una matriz
(k)
triangular de la forma de A11 :
Tomamos un vector !
u (k) tal que u1 = u2
(uk ; : : : ; un ) 2 Rn k+1 y
e (k) = In
H
(k)
(k)
(k)
= uk
2e
u(k) u
e(k)T :
k+1
= 0 y notamos con u
e(k) el vector
La matriz H (k) = I 2u(k) u(k)T es tal que H (k) A(k) deja jas las k 1 las y columnas de A(k) ; adems
!
!
H (k) b (k) no modica las k 1 primeros elementos de b (k) . Luego H (k) A(k) se escribe:
3 2
2
32
3
(k)
(k)
(k)
(k)
0
A12
Ik 1
A11 A12
A11
5=4
54
5
H (k) A(k) = 4
(k)
e (k)
e (k) A(k)
0
0
A22
0
H
H
22
32
3 2
3
2
!
!
0
c (k)
c (k)
Ik 1
(k) !(k)
5
4
5
4
5:
4
=
H b
=
!(k)
e (k)
e (k) !
d
0
H
H
d (k)
Como det A(k) =
kQ1
i=1
(i+1)
aii
(k)
det A22
(k)
6= 0; los elementos de la primera columna de A22 no son nulos,
(k)
(k)
consecuentemente se puede aplicar el lema2 con !
v = akk ; : : : ; ank 2 Rn
el primero; cuyo algoritmo de clculo es:
(k 1)
akk
(k)
sign akk
(k+1)
r(k) = akk
(k)
= akk
(k)
wi
(k)
aik
wk
(k)
(k+1)
akk
(k+1)
akk
n h
X
(k)
aik
i=k
(k)
akk
i2
!1
2
i = k + 1; : : : ; n
e (k) A(k) es el siguiente:

que permiten determinar H (k) cuyo clculo de H
22
(k)
qj
(k)
pj
(k+1)
aij
n
X
(k) (k)
wi aij ;
i=k
(k)
qi
r(k)
j = k + 1; : : : ; n:
(k)
(k)
= aij
pj wi ;
i = k + 1; : : : ; n
e (k) !
Para el clculo de H
b (k) se emplea el siguiente algoritmo;
q
(k)
p(k) =
(k+1)
bi
n
X
i=k
q (k)
r(k)
(k)
= bi
(k) (k)
wi bi ;
;
(k)
p(k) wi
i = k; : : : ; n:
!
!
Finalmente, ponemos H (k) A(k) = A(k+1) y H (k) b (k) = b (k+1) :
k+1
para anular todos salvo
468
!
La matriz A(n) es una matriz triangular superior que permite resolver fclmente el sistema: A(n) !
x = b (n) :
Observacin
1. El mtodo de Housholder permite calcular det (A) : Pus de la factorizacin siguiente:
A(n) = H (n
y como A(1) = A y det H (k) =
1)
H (n
1 8k = 1;
det (A) = ( 1)n
2)
: : : H (1) A(1) ;
; n; se sigue que
det A(n) = ( 1)n
n
Y
(n)
aii :
i=1
2. Para mejorar la estabilidad del mtodo, podemos proceder como sigue: en la k-sima etapa, en
lugar de transformar la k-sima columna de A(k) ; se elige entre las ltimas columnas de A(k) aquel
n
P
(k)
(k) 2
mximo. Se permuta aquella con la k-sima columna, si en
elemento que hace: aij =
aij
i=k
k = L se alcanza tal mximo, entonces
(k+1)
akk
sign
(k)
akk
q
(k)
aL :
Ejemplos
0 1
: Construyamos la matriz de Householder y factoremos la matriz en la forma
0 0
A = QR con Q una matriz ortogonal y R una matriz triangular superior.
1. Sea A =
Sea !
v =
1
0
; se tiene
1,
!
w =!
v
Adems r =
v1 ) =
1( 1
H = I
Obtenemos A = H T R = QR
1
0
2
0
2) = 2: Luego
1 !!T
ww =
r
A(1) = HA =
1
0
!
e1=
1
0
1
0
1
2
0
1
0
1
0
0
con Q = H T =
1
0
1
0
2
0
0
0
=
0
1
1
0
(2; 0) =
1
0
0
1
= R:
3
0 0 0
2. Sea A = 4 0 0 0 5 : Construyamos la matriz de Householder y factoremos la matriz en la forma
0 0 1
2 3
1
!
4
Sea v = 0 5 ; se tiene v1 = 1; = 1,
0
!
w =!
v
3 2 3 2 3
1
1
2
!
e 1 = 4 0 5 + 4 0 5 = 4 0 5:
0
0
0

Adems r =
H (1)
A(1)
Segunda etapa
Denimos !
v =
v1 ) =
1) = 2: Luego
2
3
1 0 0
1 !!T 4
= I
ww = 0 1 0 5
r
0 0 1
2
32
1 0 0
0
(1)
4
5
4
0 1 0
0
= H A=
0 0 1
0
1
0
469
1( 1
3
2
2
1 0
14 5
0 (2; 0; 0) = 4 0 1
2
0
0 0
3 2
3
0 0
0 0 0
0 0 5 = 4 0 0 0 5:
0 1
0 0 1
3
0
0 5
1
e (2) =
: Procediendo tal como en la primera etapa obtenemos H
0
e (2)
H
2
I
0
H (2) =
A(2) = H (2) A(1)
1
=4 0
0
1
4
= 0
0
0
1
0
3
0 0
1 0 5;
0 1
32
0
0 0
5
4
0
0 0
1
0 0
De la denicin de las matrices precedentes obtenemos

T
Q = H (2) H (1) ; y
32
2
1 0
1 0 0
1 0 54 0 1
H (2) H (1) = 4 0
0 0
0 0 1
2
3 2
0
0
5
4
0 = 0
1
0
1
0
0
1
3
0
0 5 = R:
1
0
0
0
R = H (2) A(1) = H (2) H (1) A ) A = QR con

3 2
1
0
0 5=4 0
0
1
3
0
0 5:
1
0
1
0
3
0 0 0
3. Sea A = 4 0 0 0 5 : Construyamos la matriz de Householder y factoremos la matriz en la forma
1 0 0
2 3
0
!
4
Sea v = 0 5 ; se tiene kvk = 1; v1 = 0; = 1,
1
2 3 2 3 2 3
0
1
1
!
!
w =!
v
e 1 = 4 0 5 + 4 0 5 = 4 0 5:
1
0
1
Adems r =
H (1)
A(2)
Segunda etapa
Denimos !
v =
H (2)
v1 ) = 1: Luego
2
1 !!T 4
= I
ww =
r
2
0
= H (1) A = 4 0
1
1
0
1
0
0
0
1
0
3
2
3
1
0 0
1
4 0 5 (1; 0; 1) = 4 0 1 0 5
1
1 0 0
3 2
3
1
0 0 0
1 0 0
0 54 0 0 0 5 = 4 0 0 0 5:
0
1 0 0
0 0 0
0
1
0
3
0
0 5
1
32
: Procediendo tal como en la primera etapa obtenemos

2
1
= 4 0
0
3
0
0 5;
1
2
1 0
1
=4 0
0 0
0
1
0
A(3) = H (2) A(2)
32
0
1
0 54 0
1
0
0
0
0
3 2
0
1
0 5=4 0
0
0
0
0
0
3
0
0 5 = R:
0
470

Consecuentemente R = H (2) A(2) = H (2) H (1) A ) A = QR con Q = H (2) H (1)
H (2) H (1)
2
1
=4 0
0
0
1
0
32
0
0
0 54 0
1
1
0
1
0
3 2
1
0
0 5=4 0
0
1
0
1
0
;y
3
1
0 5:
0
3
2
1 4
1 5 : Construyamos una matriz triangular superior aplicando el algoritmo que
4. Sea A = 4 2 0
1 3
1
acabamos de describir.
2 3
2
p
!
4
2 5 obtenido como la primera columna de la matriz A; entonces k!
i) Sea v =
v k = 9 = 3:
1
Determinemos ; !
w y r: Tenemos
= j j sign ( ) = k!
v k sign ( ) = k!
v k = 3;
2 3
2 3 2 3
2
1
5
!
!
w = !
v
e 1 = 4 2 5 ( 3) 4 0 5 = 4 2 5 ;
1
0
1
r =
(
v1 ) = 3 ( 3 2) = 15;
pus sign ( ) =
sign (v1 ) =
1;
y la matriz de Householder est denida como sigue:
H (1) = I
2
3
1 0 0
1 !!T 4
ww = 0 1 0 5
r
0 0 1
2
3
2
3
1
3
2 3
6
5
6
1 4 5
6
2 (5; 2; 1) = 6
6
15
1
4
2
3
11
15
2
15
1
3
2
15
14
15
1
3
4
15
47
15
7
3
53
15
4
15
7
7
7
7;
7
5
entonces
A(2) = H (1) A(1)
6
6
6
=6
6
4
2
3
2
3
1
3
2
3
11
15
2
15
1
3
2
15
14
15
72
7 2
74
7 2
7
5 1
1
0
3
3 6
4
6
6
1 5=6 0
6
1
4
0
7
7
7
7:
7
5
3
4
6 15 7
7
ii) Continuado con el algoritmo, elegimos el vector !
v =6
4 47 5 obtenido de la segunda columna de
15
p
p
1
1
la matriz A(2) ; luego k!
vk=
2225 =
89 ' 3;1446603777: Determinemos ; !
w y r: Tenemos
15
3
1p
89 = 3;1446603777;
23 3
4
6
7
1
15
!
7
w = 6
4 47 5 + 3;1446603777 0
15
r =
1
r
v1 ) =
3;1446603777
= 0;09322186682:
3;4113270440
3;1333333333
3;1446603777
4
15
= 10;7274649895;
471
En esta estapa la matriz de Householder est denida como sigue:

H (2)
3
1 0 0
1 !!T 4
= I
ww = 0 1 0 5
r
0 0 1
2
3
0
0;09322186682 4 3;4113270440 5 (0; 3;4113270440; 3;1333333333)
3;1333333333
2
3
1
0
0
0;0847998304
0;9963980072 5 :
= 4 0
0
0;9963980072 0;0847998304
luego, calculamos la matriz A(3) = H (2) A(2) ; tenemos
(3)
= H
(2)
6 3
= 6
4 0
0
(2)
1
4
= 0
0
0
0;0847998304
0;9963980072
36
0
6
6
5
0;9963980072 6 0
6
0;0847998304
4
0
3
1
3
4
15
47
15
7
3
53
15
4
15
7
1
7
3
3
7;
3;1446603774 0;56533322027 5
0
3;4979930040
3
7
7
7
7
7
5
que es la matriz triangular superior buscada. Note que

A(3) = H (2) A(2) = H (2) H (1) A(1) = H (2) H (1) A = QA
con Q = H (2) H (1) matriz ortogonal. Ponemos R = A(3) y se tiene A = QT R:
3
2
3
1
2 3
6 0 7
4 1 7
7
7; !
b =6
4 0 5 : Apliquemos el mtodo de Householder para resolver
5
0 2
1
2 14
!
!
el sistema de ecuaciones A x = b . Para el efecto, primeramente construimos una matriz triangular
!
!
superior A(4) = H (3) H (2) H (1) A; a continuacin obtenemos el vector b (4) = H (3) H (2) H (1) b :
!
!
Entonces A!
x = b () A(4) !
x = b (4) ; este ltimo sistema de ecuaciones lineales es triangular
superior.
2 3
1
6
1 7
7
i) De acuerdo al algoritmo antes descrito, elegimos !
v =6
4 2 5 que es la primera columna de la
3
p
!
matriz A; luego k v k = 15 = 3;8729833462: A continuacin determinamos = 3;8729833462; y
2
1
6 1
5. Sean A = 6
4 2
3
1
2
4
1
r=
v1 ) =
15
15
1 = 18;8729833462;
1
= 0;05298579259;
r
y deinos el vector !
w como sigue:
!
w =!
v
3
2
1
6 1 7 p 6
!
7
6
e1=6
4 2 5 + 15 4
3
p
3 2
1
1 + 15
6
0 7
1
7=6
0 5 4
2
0
3
3
4;8729833462
7 6
7
1
7=6
7:
5 4
5
2
3
472

La matriz de Householder H (1) est denida como
2
3
2
3
1 0 0 0
4;8729833462
6
7
1 !!T 6
0 1 0 0 7
1
7 0;05298579259 6
7 (4;8729833462; 1; 2; 3)
H (1) = I
ww =6
4 0 0 1 0 5
4
5
2
r
0 0 0 1
3
2
3
0;2581988897
2;5819889747
0;5163977795
0;7745966692
6 2;5819889747 0;9470142064
0;1059715872
0;1589573807 7
7:
= 6
4 0;5163977795
0;1059715872
0;7880568256
0;3179147615 5
0;7745966692
0;1589573807
0;3179147615 0;52312785769
y en consecuencia
2
6
A(2) = H (1) A(1) = 6
4
3;8729833462
0;0
0;0
0;0
3;6147844565
1;052987936
2;1059715872
1;8410426192
3;0983866769
2;9537442846
2;0925114308
1;1387671462
3
12;9099444873
2;2649289679 7
7:
4;5298579359 5
4;2052130962
ii)
la segunda columna de la matriz A(2) ; elegimos el vector !
v =
3
2 Tomando en consideracin
0
6 1;052987936 7
!
6
7
4 2;1059715872 5 y calculamos su norma, tenemos k v k = 2;9888682362 ' 3 con lo que
1;8410426192
= 2;9888682362: Calculemos r y r 1 :
r =
(
v2 ) = 2;9888682362 ( 2;9888682362
1
= 0;082777557055:
r
Determinamos el vector !
w :
2
!
w =!
v
1;052987936) = 12;08056912496;
3
2
0
6
6 1;052987936 7
!
7 + 2;9888682362 6
e2=6
4
4 2;1059715872 5
1;8410426192
3 2
3
0
0;0
6
7
1 7
7 = 6 4;04185402978 7 ;
0 5 4 2;1059715872 5
0
1;8410426192
y con este pasamos al clculo de la matriz de Householder H (2) :

2
1;0
0;0
0;0
0;0
6
1
0;0
0;3523025139
0;7046050279
0;6159664708
!
w!
wT = 6
H (2) = I
4 0;0
0;7046050279 0;632871905277 0;32094377398
r
0;0 0;6159664708 0;3209437773988 0;71943060871
entonces
6
A(3) = H (2) A(2) = 6
4
3;8729833462
0;0
0;0
0;0
3;6147844565
2;9888682362
0
0
3;0983866769
0;2676598420
3;7709949958
0;32956498588
3
7
7
5
3
12;9099444873
6;5799711169 7
7
0;07869747780 5
0;176409012875
(3)
iii) Continuando
2 con el mtodo de
3 Householder, de la tercera columna de la matriz A ; elegimos
0;0
6
7
0;0
!
7
el vector !
v =6
4 3;7709949958 5 y calculamos su norma, obtenemos k v k = 3;78528178726 y con
0;32956498588
este valor tenemos = 3;78528178726: Calculemos r y r 1 :
r =
(
v3 ) = 3;78528178726 (3;78528178726 + 3;7709949958) = 28;6026368867
1
= 0;04596181153:
r
473
Calculamos el vector correspondiente !

w :
3
0;0
7
6
0;0
!
7
e3=6
4 3;7709949958 5
0;32956498588
2
!
w =v
3 2
0;0
0;0
6 0;0 7 6
0;0
7 6
3;78528178726 6
4 1;0 5 = 4 7;5562767831
0;3285649859
0;0
2
3
7
7
5
y la matriz de Householder queda denida como

2
1;0
1 !!T 6
0;0
ww =6
4 0;0
r
0;0
H (3) = I
0;0
1;0
0;0
0;0
3
0;0
0;0
7
0;0
0;0
7:
0;99622569938 0;086800667518 5
0;086800667518 0;99622569938
Con esta matriz, calculamos la matriz A(4) siguiente:

2
6
A(4) = H (3) A(3) = 6
4
3;8729833462
0;0
0;0
0;0
3;6147844565
2;9888682362
0
0
3;0983866769
0;2676598420
3;7852817872
0
3
12;9099444873
6;5799711169 7
7:
0;06308802978 5
0;1825741858
!
!
Puesto que b (4) = H (3) H (2) H (1) b ; se sigue que
!(2)
b
!(4)
b
3
0;516397779494
! 6 0;09924150898 7
7
= H (1) b = 6
4 0;19848301796 5 ;
1;29772452694
3
2
0;516397779494
6 0;6245396314 7
!
7
= H (3) b (3) = 6
4 0;37852817872 5 :
1;0954451150
2
!(3)
!
b
= H (2) b (2)
3
0;516397779494
6 0;6245396314 7
7
=6
4 0;4721848668 5 ;
1;0584544077
2
!
!
Resolvamos el sistema de ecuaciones A!
x = b : Tenemos A(4) !
x = b (4) :
2
6
6
4
3;8729833462
0;0
0;0
0;0
3
0;516397779494
6 0;6245396314 7
7
= 6
4 0;37852817872 5
1;0954451150
3;6147844565
2;9888682362
0
0
3;0983866769
0;2676598420
3;7852817872
0
3
32
6 13 7
7
y la solucin de este sistema triangular superior es !
x =6
4 0 5:
6
32
12;9099444873
x
6
7
6;5799711169 7 6 y
0;06308802978 5 4 z
0;1825741858
w
3
7
7
5
474
9.3.1.
Nmero de operaciones elementales
Para pasar de A(k) a A(k+1) se requiere las siguientes operaciones elementales:

n
k+1
k
1
1
1
1
n k+1
n k
1
n k+1
n k+1
elevaciones al cuadrado (multiplicaciones),

adiciones,
(k+1)
raz cuadrada para calcular akk ;
sustraccin,
multiplicacin para calcular r(k) ;
(k)
sustraccin para calcular wi ; i = k; : : : ; n;
(k)
multiplicaciones para calcular qj ;
adiciones,
(k)
divisin para calcular qi ;
(k+1)
multiplicaciones para calcular aij ; i = k; : : : ; n;
sustracciones
!
!
Para pasar de b (k) a b (k+1) ; se requieren de:
multiplicaciones para calcular q (k) ;
adiciones,
divisin para calcular p(k) ;
(k+1)
multiplicaciones para calcular bi
;
sustracciones,
k+1
n k
1
n k+1
n k+1
i = k; : : : ; n;
!
!
Para pasar del sistema A(k) !
x = b (k) al sistema A(k+1) !
x = b (k+1) se requieren de:
2n2
2n2
4nk + 5n + 2k 2
4nk + 4n + 2k 2
n k+1
1
5k + 4
4k + 3
multiplicaciones,
adiciones o sustracciones,
divisiones,
raz cuadrada,
Por lo tanto, para la triangularizacin de A se necesitan

(n
(n
2n2 13n
+
+4
3
6
2n2 5n
1)
+
+3
3
3
n+2
(n 1)
2
n 1
1)
multiplicaciones,
adiciones o sustracciones,
divisiones,
races cuadradas,
!
Para la resolucin del sistema triangular A(n) !
x = b (n) se necesitan de n2 operaciones elementales.
El nmero total de operaciones en el mtodo de Householder es:
TH =
4n3
14n
+ 4n2 +
3
3
9:
Metodo de Householder
El mtodo de Householder puede aplicarse para resolver problemas de aproximacin con el mtodo de
mnimos cuadrados.
!
!
Sea A 2 Mm n [R] con m n y b 2 Rm : Consideramos el sistema de ecuaciones A!
x = b y el problema
en mnimos cuadrados:
hallar x
b 2 Rn tal que
Ab
x
!
b = !m n
x 2Rn
A!
x
!
b :
475
Apliquemos el mtodo de ortogonalizacin de House holder para resolver el sistema de ecuaciones

!
A!
x = b:
!
!
Ponemos A(0) = A y b (0) = b : Mediante el mtodo de Householder construimos matrices ortogonales
!
!
Qi 2 Mm m [R], matrices A(i) tales que A(i) = Qi A(i 1) y b (i) = Qi b (i 1) i = 1; : : : ; n:
3
2
r11 : : : r1n
R
6
.. 7 ; 0 2 M
..
Sea Q = Qn 1 Qn 2 : : : Q1 entonces QA(n) =
; donde R = 4
m m [R] :
.
. 5
0
0
rnn
" ! #
! !(n)
! !
!
!
h
Ponemos h = b
= Q b y h = !1 con h 1 2 Rn y h 2 2 Rm n :
h2
Puesto que la matriz Q es ortogonal, se tiene kQ!
u k = k!
uk
A!
x
!
b = Q A!
x
!
b
A(n) !
x
!
h =
R
0
"
R!
x
con lo que
A
(n) !
!
h =
!
Q b = A(n) !
x
= QA!
x
y como
!
x
!
h ;
" ! # "
! #
h1
R!
x
h1
;
=
!
!
h2
h2
! #
h1
!
h2
8!
u 2 Rm y en consecuencia
R!
x
!
h1
!
+ h2
1
2
!
y de esta igualdad, se sigue que A(n) !
x
h tendr norma mnima si se elige !
x como solucin del
!
!
sistema de ecuaciones lineales R!
x = h 1 ; de donde !
x = R 1 h 1:
Note que la matriz R tiene inversa si y solo si las columnas de A son linealmente independientes, esto es,
dim R (A) = n:
Teorema 2 Sea A 2 Mm
n [R]
tal que dim R (A) = n con m
n: Entonces A puede factorarse en

e donde Q 2 Mm m [R] es una matriz ortogonal y R
e = R con
un producto de la forma A = QR;
0
R 2 Mn n [R] una matriz triangular superio invertible.
Si m = n; A = QR:
Demostracin. Basta aplicar el mtodo de Householder.

Observacin
!
!
Sea A 2 Mn n [R] con dim R (A) = n; b 2 Rn y consideramos el sistema de ecuaciones lineales A!
x = b:
Ponemos A = QR: La solucin del sistema de ecuaciones en mnimos cuadrados viene dada como
i 1
!
! h
AT b = (QR)T QR
(QR)T b
1 T T!
1 T T!
= RT QT QR
R Q b = RT R
R Q b
!
!
1 T T
= R 1 RT
R Q b = R 1 QT b :
!
x =
As, !
x =R
1 QT !
b
AT A
!
, R!
x = QT b ; adems dicha solucin !
x es nica.
Ejemplo
8
x 2y + z
>
>
<
2x + 5y + z
Consideremos el sistema de ecuaciones lineales
4y z
>
>
:
2x + 3y + z
cuadrados aplicando el mtodo de Householder.
=1
=2
: Calculemos la solucin en mnimos
=3
=4
476

2
1
6 2
Ponemos A = 6
4 0
2
3
2
1
1
6 2
!
1 7
7; b = 6
4 3
1 5
4
1
2
5
5
3
7
7 : Determinaremos una matriz ortogonal Q y una matriz
5
R
0
triangular superior invertible R tales que QA =
!
!
y h =Qb =
" ! #
!
!
h1
con h 1 2 Rn ; h 2 2 Rm
!
h2
n:
!
!
Ponemos A(1) = A y b (1) = b : Apliquemos el mtodo de Householder.
1 !!T
!
1. A(2) = Q(1) A(1) con Q(1) = I
w w y = k!
v k sign (v1 ) ; r = (
v1 ) ; !
w =!
v
e 1:
r
2 3
1
6
2 7
7
Sea !
v = 6
4 0 5 vector obtenido de la primera columna de la matriz A: Calculamos su norma:
2
!
k v k = 3; y en consecuencia = 3: Puesto que v1 = 1; se sigue que r = 3 ( 3 1) = 12: Con
esta informacin pasamos a calcular el vector !
w : Tenemos
2 3 2 3
2 3
1
1
4
6 0 7 6 2 7
6 2 7
!
7
6 7 6 7
w =6
4 0 5 + 34 0 5 = 4 0 5;
8
0
2
con lo que la matriz de Householder est denida como
2
3
2 3
2
1 0 0 0
4
1
6
7
6
7
6
1
1
0
1
0
0
2
2
7
6 7
6
Q(1) = 6
4 0 0 1 0 5 12 4 0 5 (4; 2; 0; 2) = 3 4 0
0 0 0 1
2
2
2
2
0
1
y con esta calculamos la matriz A(2) siguiente:
A(2) = Q(2) A(1)
1
16
2
= 6
34 0
2
2
2
0
1
32
1
2
6 2
1 7
76
0 54 0
2
2
0
0
3
0
2
5
5
3
3 6 3
6
1
6
7
1 7 6
0
=6
1 5 6
6 0
6
1
4
0
2
6
6
6
!
(2)
2. De la segunda columna de la matriz A ; elegimos elvector v = 6
6
6
4
tenemos k!
vk=
1
=
r
290
; con lo que
3
1
(
2
v2 )
290
3
1
p
290
11
; pus v2 = : Luego
3
3
290
3
11
3
!=p
0
11
3
4
5
3
0
0
3
0
3
2
1 7
7;
0 5
2
14
3
11
3
4
5
3
5
3
1
3
1
1
3
7
7
7
7
7:
7
7
7
5
7
7
7
7 y calculamos su norma,
7
7
5
9
p
' 0;018855:
290 11 + 290
3
0:
6 9;34313 7
7 : La matriz de Housholder est denida como Q(2) = I
Se dene !
w =6
4
5
4:
1;6667
1 !!T
w w ; esto
r
477
es,
Q(2)
1
6 0
= 6
4 0
0
2
1:
6 0:
= 6
4 0:
0:
0
1
0
0
0
0
1
0
3
0
0 7
7
0 5
1
3
0
0
0
0
6 0 81;2941 37;37252 15;57191 7
7
0;018855 6
4 0 37;37252
16;0
6;666667 5
0 15;57191 6;666667 2;777778
3
0:
0:
0;70466
0;29361 7
7
0;69832
0;12570 5
0;12573 0;94762
0:
0;64593
0;70466
0;29361
Se dene A(3) = Q(2) A(2) : Resulta
A3
1:
6 0:
= 6
4 0:
0:
0:
0;64593
0;70466
0;29361
3
6 0:
= 6
4 0:
0:
0:
0;70466
0;69832
0;12573
4;66667
5;67639
0:
0:
36 3
6
0:
6
7
0;29361 7 6
6 0:
0;12570 5 6
6 0:
6
0;94762
4
0:
3
1;66667
1;01784 7
7:
0;42153 5
0;09231
Por lo tanto la matriz R est denida como

2
3
4;6667
5;67639
R = 4 0:
0:
0:
y su inversa
=4
13
3
11
3
4:
5
3
0;33333
0:
0:
!
!
!
Se dene h = Q b = Q(2) Q(1) b : Se tiene
2
1:
0:
0:
!
16
0:
0;64593
0;70466
6
h =
0;70466 0;69832
3 4 0:
0:
0;29361
1;12570
2
3
4;3333
" ! #
6 2;0748 7
h1
7
= 6
;
4 2;3971 5 = !
h2
1;0821
2
3
4;3333
!
de donde h 1 = 4 2;0748 5
2;3971
5
3
1
3
1
1
3
3
7
7
7
7
7
7
7
7
5
3
1;66667
1;01784 5
0;42153
0;2740
0;1761
0:
3
1;9796
0;4254 5 :
2;3723
32
1
0:
6 2
0;29361 7
76
0;12570 5 4 0
2
0;94762
2
2
0
1
0
0
3
0
32
2
1
6 2
1 7
76
0 54 3
2
4
3
7
7
5
3. La solucin en mnimos cuadrado est denida como

2
32
3 2
3
0;3333 0;2740
1;9796
4;3333
5;6213
!
!
0:
0;1761
0;4254 5 4 2;0748 5 = 4 0;6544 5 :
x = R 1h1 = 4
0:
0:
2;3723
2;3971
5;6867
Note que en realidad no se requiere del clculo de la matriz R
!
de ecuaciones lineales triangular superior R!
x = h 1:
1:
Se resuelve directamente el sistema
478
9.4.
Ajuste de datos polinomial
Para simplicar la escritura y que a su vez no pierda de generalidad, hemos seleccionado como problema
de ajuste polinomial con un polinomio de tercer grado. El procedimiento que a continuacin se describe,
se aplica directamente al ajuste polinomial con polinomios de grados uno, dos, etc.
Supongamos que se dispone de un conjunto de n pares de datos experimentales S = f(xi ; yi ) 2 R2 j
i = 1; :::; ng: Se desea encontrar un polinomio P de grado 3: P (x) = a + bx + cx2 + dx3
x 2 R; de
modo que P se ajuste de la mejor manera al conjunto de datos S. El polinomio P queda perfectamente
bien denido si se conocen todos sus coecientes a, b, c, d. Estos coecientes son calculados mediante el
denominado mtodo de mnimos cuadrados discreto que describimos a continuacin.
Denotemos con ri el residuo en cada medicin, esto es,
yi = P (xi ) + ri = a + bxi + cx2i + dx3i + ri
i = 1; :::; n:
En forma matricial, el conjunto de ecuaciones precedente, se escribe

ecuaciones lineales:
2
2
3
3
2
1 x1 x21 x31 2 3
r1
y1
a
6 ..
6 ..
.. 7
7 6 .
6
6 7 6
. 7
7=6
6
76 b 7 + 6 .
5 6 ..
4
.. 7 4 c 5 6 ..
4 .
4 .
. 5
yn
d
2
3
1 xn xn xn
rn
como el siguiente sistema de

3
7
7
7:
7
5
El residuo en cada medicin depende de los coecientes a, b, c, d del polinomio P .

Denimos los vectores !
x, !
y y el residuo !
r (!
x ) con como sigue:
3
a
6 b 7
!
7
x =6
4 c 5;
d
6
6
!
y =6
6
4
6
6
Denimos la matriz A siguiente: A = 6
6
4
y1
..
.
..
.
yn
7
7
7;
7
5
1 x1 x21 x31
..
..
.
.
..
..
.
.
2
1 xn xn x3n
6
6
!
!
r (x) =6
6
4
r1 (!
x)
..
.
..
.
rn (!
x)
7
7
7:
7
5
7
7
7:
7
5
El sistema de ecuaciones lineales arriba propuesto se transforma en el siguiente: !

y = A!
x +!
r (!
x ); de
donde el residuo !
r (!
x) = !
y
A!
x con !
x 2 R4 : El problema de hallar el mejor polinomio que se
ajusta al conjunto de datos S se expresa como sigue:
b 2 R4 tal que k!
hallar x
bT = (b
a; bb; b
c; d)
r (b
x)k2 = !
Min k!
r (b
x)k2 ;
x 2R4
o de modo equivalente
k!
y
Ab
xk2 = !
Min k!
y
x 2R4
Ab
xk2 :
Este problema, como ya hemos sealado, se conoce como mtodo de mnimos cuadrados y se ha
demostrado que conduce a resolver el sistema de ecuaciones AT A!
x = AT !
y ; donde AT denota la matriz
transpuesta de A.
Veamos la generalizacin de este problema. Sea C = (xi ; yi ) 2 R2 j i = 1; : : : ; n un conjunto de datos
experimentales y p un polinomio de grado m: Ponemos
p(x) = a0 + a1 x1 + : : : + am xm x 2 R;
9.4. AJUSTE DE DATOS POLINOMIAL
479
donde a0 ; : : : ; am 2 R se determinan mediante el mtodo de mnimos cuadrados. Supongamos

8
m
>
< y1 = a0 + a1 x1 + : : : + am x1 + r1
..
.
>
:
yn = a0 + a1 xn + : : : + am xm
n + rn ;
con r1 ; : : : ; rn los errores cometidos en la medicin. En forma matricial, el sistema de ecuaciones

precedente, se expresa como !
y = A!
x +!
r ; donde !
y = (y1 ; : : : ; yn )T ; !
r = (r1 ; : : : ; rn )T ; !
x =
T
(a0 ; : : : ; am ) ;
2
3
1 x1 : : : xm
1
6
7
..
A = (aij ) = 4
5 = (A0 ; : : : ; Am ) ;
.
1 xn : : : xm
n
3
2 m 3
1
x1
6 .. 7
6 .. 7
con A0 = 4 . 5 ; : : : ; A0 = 4 . 5 las columnas de A:
1
xm
n
Note que si !
x = (a0 ; : : : ; am )T 2 Rm+1 ; se tiene A!
x = a0 A0 +: : :+am Am : Sea W = A!
x j!
x 2 Rm+1 :
!
!
!
!
Resulta que W es un subespacio de Rn con dim W = m < n: Se dene r ( x ) = y
Ax !
x 2 Rm+1 :
m+1
El problema de mnimos cuadrados consiste en determinar x
^2R
tal que
2
2
2
2
k!
r (^
x)k
k!
r (!
x )k 8!
x 2 Rm+1 () k!
y A^
xk = Min k!
y A!
xk :
!
x 2Rm+1
Note que, en general, !

y 2
= W: Por el teorema precedente, existe y^ 2 W tal que
k!
y y^k k!
y !
z k 8!
z 2 W;
h!
y y^; !
w i = 0 8!
w 2 W:
Como y^ 2 W si y solo si !
x 2 Rm+1 tal que y^ = A^
x; !
z 2 W si y solo si existe !
x 2 Rm+1 tal que
!
!
z =Ax:
As,
k!
y
2
2
A^
xk
k!
y A!
x k 8!
x 2 Rm+1 ;
h!
y A^
x; !
w i = 0 8!
w 2 W:
Para !
w = A!
x !
x 2 Rm+1 ; se obtiene
T
0 = h!
y A^
x; Axi = (A!
x ) (!
y
Luego
!
x T AT !
y
A^
x) = !
x T AT !
yT
!
x T AT A^
x=!
x T AT !
y
AT A^
x :
AT A^
x = 0 8!
x 2 Rm+1 () AT A^
x = AT !
y;
que se conoce como ecuacin normal. O sea x

^ es solucin del sistema de ecuaciones normal.
9.4.1.
Ajuste de datos con polinomios de grado 1.
Consideramos el conjunto de datos S = (xi ; yi ) 2 R2 j i = 1; : : : ; n y supongamos que dicho conjunto

de puntos tiene una tendencia como la de un polinomio de grado 1, esto es, p (x) = a + bx x 2 R; donde
a; b 2 R se determinan como soluciones en mnimos cuadrados. Tenemos
yi = a + bxi + ri
i = 1; : : : ; n:
2
3
1 x1
6
7
T
Ponemos !
x T = (a; b) 2 R2 ; !
y T = (y1 ; : : : ; yn ) ; A = 4 ... ... 5 ; el residuo denido como !
r (!
x) =
1 xn
!
!
(r1 ( x ) ; : : : ; rn ( x )) : El sistema de ecuaciones precedente se escribe como !
y = A!
x +!
r (!
x) !
x 2 R2 :
Luego, el problema en mnimos cuadrados est denido como
E (a; b) =
n
X
i=1
(yi
2
bxi )2 = k!
r (!
x )k = k!
y
2
A!
xk
!
x 2 R2 :
480
La solucin en mnimos cuadrados se expresa como

1
x
b = AT A
Puesto que
AT A =
1 ::: 1
x1 : : : xn
AT !
y =
1 ::: 1
x1 : : : xn
AT !
y:
3 2
n
P
1 x1
n
xi
6 .. .. 7 6
i=1
4 . . 5=6
n
n
P 2
4 P
xi
xi
1 xn
i=1
i=1
3
3 2 P
2
n
y1
yi 7
6 .. 7 6
i=1
7:
4 . 5=6
n
5
4 P
xi yi
y
2
Es este caso resulta fcil el clculo de AT A
AT A
n
P
; tenemos
i=1
n
P
x2i
7
7;
5
i=1
xi
i=1
2
6
6
4
n
P
n
P
x2i
i=1
n
P
i=1
xi
i=1
xi 7
7;
5
luego
b
a
bb
x
b =
= AT A
=
n
n
P
i=1
x2i
n
P
xi
i=1
n
P
i=1
n
P
6
6
4
x2i
xi
i=1
b
a =
n
bb =
n
P
n
xi yi
n
P
i=1
n
P
x2i
i=1
n
P
xi
i=1
n
P
i=1
x2i
n
P
n
P
xi yi
7
7
5
i=1
xi yi
i=1
yi
i=1
n
P
i=1
xi
i=1
x2i
xi
i=1
n
P
yi
32 n
P
xi 7 6
yi
i=1
7 6 ni=1
54 P
n
xi yi
n
P
x2i
i=1
n
P
i=1
y de esta igualdad obtenemos los coecientes b

a; bb :
n
P
xi
yi
i=1
n
P
i=1
i=1
n
P
x2i
i=1
n
P
n
P
n
P
6
6
4
AT !
y =
2
n
P
n
P
xi
i=1
n
P
i=1
n
P
xi yi
i=1
2
xi
yi
i=1
2
xi
i=1
Si aplicamos las condiciones necesarias de extremo a la funcin E (a; b) ; tenemos

8 n
8
P
>
@E
>
>
(yi
<
<
(a; b) = 0
i=1
@a
,
n
P
@E
>
>
:
>
(yi
(a; b) = 0
:
@b
i=1
a
a
bxi ) = 0
bxi ) = 0
8
n
n
P
P
>
>
xi =
yi
< na + b
i=1
i=1
n
n
n
P
P
P
>
>
xi + b
x2i =
xi yi ;
: a
i=1
i=1
i=1
3
7
7
5
481
cuya solucin es
n
P
x2i
i=1
a =
n
P
i=1
n
P
i=1
n
P
xi yi
i=1
b =
Note que hemos supuesto que
n
P
n
P
xi
i=1
x2i
n
P
6= n
x2i
n
P
i=1
xi yi
i=1
2
xi
i=1
xi
n
P
n
P
xi
i=1
n
P
i=1
i=1
que coincide exactamente con b

a; bb:
n
P
yi
n
P
yi
i=1
2
xi
i=1
x2i :
Para calcular las constantes b

a; bb mediante el mtodo de mnimos cuadrados se requiere de la siguiente
informacin: el nmero de puntos n 2 y el conjunto de datos S = f(xi ; yi ) j i = 1; : : : ; ng ; y, se deben
n
n
n
n
P
P
P
P
calcular las sigientes sumas: S1 =
xi ; S2 =
x2i ; R1 =
yi ; R 2 =
xi yi : Con estos resultados se
i=1
i=1
i=1
i=1
pasa al clculo de b
a y bb: Se propone el siguiente algoritmo de clculo de b
a y bb:
Algoritmo
Datos de entrada: n 2 Z+ ; (x1 ; y1 ) ; : : : ; (xn ; yn ) 2 R2 :

Datos de salida: Mensaje1, Mensaje 2, a; b:
1. Si n < 2; continuar en 14)
2. S1 = 0:
3. S2 = 0:
4. R1 = 0:
5. R2 = 0:
6. Para i = 1; : : : ; n
S1 = S1 + xi
S2 = S2 + x2i
R1 = R1 + yi
R2 = R2 + xi yi
Fin de bucle i:
7. z = nS2
S12
8. Si z = 0; continuar en 13)
9. a =
S2 R 1
10. b =
S1 R2
z
nR2
S1 R1
z
11. Imprimir a; b; continuar en 14)

12. Mensaje 1: n
2 continuar en 14)
482
13. Mensaje 2: el sistema no tiene solucin o tiene innitas soluciones.

14. Fin
En la grca siguiente se ilustra un conjunto de puntos S = (xi ; yi ) 2 R2 j i = 1; : : : ; n que siguen una
tendencia de una recta, y; la grca de la recta solucin en mnimos cuadrados, de ecuacin y = a + bx
x 2 R:
Figura 84
Ejemplo
Apliquemos el algoritmo al siguiente conjunto de datos:
S = f(1; 3;6) ; (1;5; 4;35) ; (2;1; 5;25) ; (2;9; 6;45) ; (3;2; 6;9)g :
Buscamos una funcin p de la forma p (x) = a + bx x 2 R; con a; b constantes calculadas con el mtodo
de mnimos cuadrados
S1 =
S2 =
5
X
i=1
n
X
xi = 1 + 1;5 + 2;1 + 2;9 + 3;2 = 10;7;

x2i = 1 + 2;25 + 4;41 + 8;41 + 10;24 = 26;31;
i=1
R1 =
R2 =
n
X
i=1
n
X
yi = 3;6 + 4;35 + 5;25 + 6;45 + 6;9 = 26;55;

xi yi = 3;6 + 6;525 + 11;025 + 18;705 + 22;08 = 61;935:
i=1
z = nS2
S12 = 5
26;31
(10;7)2 = 17;06:
La solucin es
a =
b =
S2
R1 S1 R2
26;55 26;31 10;7 61;935
=
= 2;1
z
17;06
5 61;935 10;07 26;55
nR2 S1 R1
=
= 1;5:
z
17;06
El polinomio de grado 1 buscado es p (x) = 2;1 + 1;5x x 2 R: Note que p (x) es la ecuacin cartesiana
de la recta a la que se le denomina recta de mejor ajuste en mnimos cuadrados.
9.4.2.
Ajuste polinomial con polinomios de grado 2.
Dado el conjunto de datos S = (xi ; yi ) 2 R2 j i = 1; : : : ; n que tiene una tendencia de una funcin
cuadrtica del tipo p (x) = a + bx + cx2 x 2 R; donde a; b; c son constantes reales que se determinan
como soluciones del mtodo de mnimos cuadrados. tenemos
yi = a + bxi + cx2i + ri
i = 1; : : : ; n:
483
Siguiendo el mismo procedimiento descrito anteriormente, denimos los vectores de Rn siguientes:

T
!
yT 2
= (y1 ; : : : ; yn )3; !
r (!
x ) = (r1 (!
x ) ; : : : ; rn (!
x )) con !
x T = (a; b; c) 2 R3 ; y, se dene la matriz
1 x1 x21
6 .. ..
.. 7 : Entonces
A=4 . .
. 5
1 xn x2n
!
y = A!
x +!
r (!
x)
Se dene la funcin E de R3 en [0; 1[ como sigue

2
E (a; b; c) = k!
r (a; b; c)k = k!
y
2
A!
xk =
!
x 2 R3 :
n
X
yi
bxi
cx2i
i=1
(a; b; c) 2 R3 :
El sistema de ecuaciones normal est denido como AT A!

x = AT !
y : Calculemos AT A y AT !
y : Tenemos
2
3
n
n
P
P
n
x
x2i 7
2
3
i
6
2
3
2
i=1
i=1
1
x
x
6
7
1
1 ::: 1
1
n
n
n
6 P
7
P
P
6
7
.
.
.
2
3
T
6
.. 5 = 6
xi
xi 7
xi
A A = 4 x1 : : : xn 5 4 .. ..
7;
i=1
i=1
i=1
2
2
6
7
2
x1 : : : xn
n
n
n
1 xn xn
P
P
4 P
5
x2i
x3i
x4i
i=1
i=1
i=1
2 n
3
P
yi 7
3 6
2
32
y1
6 ni=1
7
1 ::: 1
7
P
6 .. 7 6
T!
6
4
5
xi yi 7
x1 : : : xn 4 . 5 = 6
A y =
7:
6 i=1
7
x21 : : : x2n
n
yn
4 P 2 5
xi yi
i=1
La solucin x
bT = b
a; bb; b
c se obtiene
2
6 n
6 n
6 P
6
6 i=1 xi
6 n
4 P 2
xi
i=1
del sistema de ecuaciones lineales

3
2 n
n
n
P
P
P
2
yi
xi
xi 7 2 3 6
i=1
i=1
i=1
7
6
a
n
n
n
7
6 P
P
P
4 b 5=6
x2i
x3i 7
7
6 i=1 xi yi
i=1
i=1
7 c
6 n
n
n
P 3 P 4 5
4 P 2
xi
xi
xi yi
i=1
i=1
i=1
7
7
7
7:
7
7
5
Si aplicamos las condiciones necesarias de extremo a la funcin E (a; b; c) ; tenemos

8 n
8
P
>
>
@E
yi a bxi cx2i = 0
>
>
>
>
(a;
b;
c)
=
0
>
>
i=1
>
>

>
@b
i=1
>
>
>
>
n
P
>
>
>
: @E (a; b; c) = 0
>
yi a bxi cx2i x2i = 0
:
@c
i=1
8
n
n
n
P
P
P
>
2 =
>
na
+
b
x
+
c
x
yi ;
>
i
i
>
>
i=1
i=1
i=1
>

i=1
i=1
i=1
i=1
>
>
n
n
n
n
P
P
P
> P
>
>
x2i + b
x3i + c
x4i =
x2i yi ;
: a
i=1
i=1
i=1
i=1
que es exactamente el sistema de ecuaciones normal.
Primeramente, para resolver el sistema de ecuaciones, hemos de calcular cada uno de los sumatorios.
Ponemos
n
n
n
n
X
X
X
X
S1 =
xi ; S2 =
x2i ; S3 =
x3i ; S4 =
x4i ;
R1 =
i=1
i=1
n
X
n
X
i=1
yi ; R 2 =
i=1
i=1
xi yi ; R3 =
n
X
i=1
i=1
x2i yi ;
484
con lo que el sistema de ecuaciones lineales se escribe como

2
32 3 2
3
n S1 S 2
a
R1
4 S1 S 2 S3 5 4 b 5 = 4 R 2 5 :
S2 S 3 S4
c
R3
Este sistema de ecuaciones se resuelve con el mtodo de eliminacin gaussiana.

Proponemos como ejercicio la elaboracin de un algoritmo para el clculo de x
bT = b
a; bb; b
c :
Ejemplo
Consideremos el conjunto de datos S siguiente: S = f(0; 3) ; (1; 2) ; (2; 3) ; (3; 6) ; (4; 11)g : Determinemos
un polinomio p (x) = a1 + a2 x + a3 x2 x 2 R en mnimos cuadrados.
3
2
a1
De los resultados arriba establecidos, se tienen !
x T; !
y T y A denidos como sigue: !
x = 4 a2 5 ;
a3
3
2
1 0 0
6 1 1 1 7
7
6
!
7 : Luego
1
2
4
y T = (3; 2; 3; 6; 11) ; A = 6
7
6
4 1 3 9 5
1 4 16
2
3
1
0
0
2
3
2
3
6 1 1 1 7
1 1 1 1 1
5 10 30
6
7
7 4
5
AT A = 4 0 1 2 3 4 5 6
6 1 2 4 7 = 10 30 100 ;
0 1 4 9 16 4 1 3 9 5
30 100 354
1 4 16
2
3
3
2
3
2
3
6 2 7
1 1 1 1 1
25
6
7
7 4 70 5 :
AT !
y = 4 0 1 2 3 4 56
6 3 7=
0 1 4 9 16 4 6 5
244
11
El sistema normal de ecuaciones lineales es
2
3 2
3 2
3
5 10 30
a1
25
4 10 30 100 5 = 4 a2 5 = 4 70 5 :
30 100 354
a3
244
Apliquemos el mtodo de eliminacin gaussiana
2
354:
e = 4 100:
A
30:
entonces
e(1)
A
e(2)
A
con pivoting total. Para el efecto, ponemos

3
100: 30: 244:
30: 10:
70: 5
10: 5:
25:
354:
100:
1;75141243
= 4 0:
0: 1;525423729
2
354:
100:
= 4 0: 1;75141243
0:
0:
30:
1;525423729
2;457627119
30:
1;525423729
1;129032259
y de este sistema de ecuaciones triangular superior, se obtiene

b
a1 = 2;999999997 ' 3;0; b
a2 =
El polinomio buscado es p (x) = 3
2x + x2 x 2 R:
3
244:
1;073446329 5 ;
4;322033899
3
244:
1;073446329 5 ;
3;387096774
1;999999996 '
2;0; b
a3 = 1:
9.5. AJUSTE DE DATOS CON FUNCIONES AFINES DE N VARIABLES
9.5.
485
Ajuste de datos con funciones anes de n variables
Supongamos que se dispone de un conjunto de datos

n
o
(k)
n+1
S=
x1 ; : : : ; x(k)
j k = 1; : : : ; m ;
n ; zk 2 R
y se desea hallar los coecientes de la funcin f denida como
z = f (x1 ; : : : ; xn ) = a0 + a1 x +
Se supone que m
(x1 ; : : : ; xn ) 2 Rn :
+ an xn
n + 1:
Si n = 1; la funcin f se escribe como f (x) = a + bx x 2 R y coincide con la de un polinomio de grado

1 que ya hemos arriba tratado. Del punto de vista geomtrico, la grca de f representa una recta del
plano, por este motivo llamamos recta de mejor ajuste.
Si n = 2; se tiene z = f (x; y) = a0 + a1 x + a2 y
grca de f se identica con un plano.
Si n
(x; y) 2 R2 ; que del punto de vista geomtrico, la
3; a la funcin f lo identicamos con la ecuacin cartesiana de un hiperplano.
Tal como en el caso del ajuste de datos polinomial, se tiene el siguiente sistema de ecuaciones:
(k)
zk = a0 + a1 x1 +
+ an x(k)
n + rk
k = 1; : : : ; m;
(k)
(k)
donde rk denota la perturbacin del dato experimental x1 ; : : : ; xn ; zk y que depende de a0 ; a1 ; : : : ; an :

T
Se dene !
x T = (a0 ; a1 ; : : : ; an ) 2 Rn+1 ; !
z T = (z1 ; : : : zm ) ; !
r (!
x ) = (r1 (!
x ) ; : : : ; rm (!
x )) y
2
3
(1)
(1)
1 x1
: : : xn
6 ..
.
.. 7 :
..
A=4 .
. 5
(1)
(m)
1 xn : : : xn
El sistema de ecuaciones precedente se escribe en forma matricial como !

z = A!
x +!
r (!
x ) o bien
!
!
!
!
n+1
r(x) = z
Ax x 2R
:
Se dene la funcin E de Rn+1 en [0; 1[ como sigue:
2
E (a0 ; a1 ; : : : ; an ) = k!
r (!
x )k = k!
z
2
A!
xk =
m
X
zk
a0
(k)
an x(k)
n
a1 x1
k=1
y consideramos el problema de minimizacin siguiente:

hallar x
bT = (b
a0 ; : : : ; b
an ) 2 Rn+1 tal que E (b
a0 ; : : : ; b
an ) =
Las condiciones necesarias de extremo implican

8
8
m
>
@E
P
>
>
>
>
(a0 ; : : : ; an ) = 0
zk
>
>
>
>
< k=1
< @a0
..
,
.
>
>
>
>
m
>
>
P
@E
>
>
>
:
(a0 ; : : : ; an ) = 0
zk
:
@an
k=1
mn
(a0 ;:::;an )2Rn+1
a0
a1 x .
.
1.
(k)
an xn
a0
a1 x1
(k)
an xn
E (a0 ; : : : ; an ) :
(k)
(k)
= 0;
(k)
xn = 0;
que se expresa en forma matricial como
AT A !
x = AT !
z
x 2 Rn+1 ;
que es el sistema normal de ecuaciones lineales.

Este sistema se obtuvo como solucin en mnimos cuadrados del sistema de ecuaciones lineales A!
x =!
z
!
n+1
x 2R
:
Ejemplos
486
1. Consideremos el conjunto de datos S siguiente:

S = f(1; 0;5; 9) ; (2; 2;5; 16) ; (3; 3; 20) ; (4; 3;5; 24) ; (5; 5; 32)g :
Determinemos una funcin f del tipo f (x; y; z) = ax + by + c
determinadas con el mtodo de mnimos cuadrados.
Denimos la matriz A y los vectores !
x; !
y como sigue:
2
6
6
A=6
6
4
(x; y; z) 2 R3 y a; b; c constantes
3
2
1 0;5 1
9
2 3
6 16
2 2;5 1 7
a
7 !
! 6
3
6
4 5
3 3 1 7
7 ; x = b 2 R ; y = 6 20
5
4 24
4 3;5 1
c
5 6 1
32
El problema en mnimos cuadrados es el siguiente:

hallar x
b 2 R3 solucin de kAb
x
ybk2 = !
m n kA!
x
x 2R3
3
7
7
7
7
5
2
!
yk :
La solucin en mnimos cuadrados satisface la ecuacin normal AT A!

x = AT !
y : Note que el rango
de la matriz es 3, luego AT A tiene tambin rango 3 y en consecuencia AT A es invertible. Se tiene
3
2
2
3
2
3 1 0;5 1
55
58;5
15
1
2 3 4 5 6
2 2;5 1 7
7
6
7 4
5
AT A = 4 0;5 2;5 3 3;5 6 5 6
6 3 3 1 7 = 58;5 63;75 15;5
5
4
15
15;5
5
1
1 1 1 1
4 3;5 1
5 6 1
3
2
9
2
3
2
3
357
16 7
1
2 3 4 5 6
7
6
7 4
5
AT !
y = 4 0;5 2;5 3 3;5 6 5 6
6 20 7 = 380;5 :
5
4
101
24
1
1 1 1 1
32
El sistema normal de ecuaciones lineales se escribe:
3
32 3 2
2
357
a
55
58;5
15
4 58;5 63;75 15;5 5 4 b 5 = 4 380;5 5 :
101
c
15
15;5
5
Para hallar la solucin de este sistema de ecuacones lineales aplicamos el mtodo de eliminacin
gaussiana con pivoting parcial. Tenemos la matriz ampliada en la que se intercambiaron la primera
y segunda las
2
3
58;5 63;75 15;5 380;5
e = 4 55
58;5
15
357 5 ;
A
15
15;5
5
101
2
3
58;5
63;75
15;5
380;5
e(1) = 4 0:
0;7350427 5 ;
1;43589744 0;42735043
A
3;43589744
0:
0;84615385 1;025641026
3
2
58;5
63;75
15;5
380;5
e(2) = 4 0:
0;7350427 5 :
1;43589744 0;42735043
A
0:
0:
0;7738095222 3;869047603
La solucin del sistema de ecuaciones triangular superior nos da los resultados siguientes:
b
c = 4;99999999 ' 5;0; bb = 1;9999999976 ' 2;0 ; b
a ' 3;0
La funcin buscada est denda como
f (x; y) = 3x + 2y + 5
(x; y) 2 R2 :
487
2. Consideremos el conjunto de datos S siguiente:

S = f(5; 1; 2;5) ; (15; 3; 3;5) ; (20; 4; 4) ; (40; 8; 6)g :
Determinemos, siempre que sea posible, una funcin del tipo z = f (x; y) = a+bx+cy (x; y) 2 R2
y a; b; c constantes que se determinen con el mtodo de mnimos cuadrados.
Tal como en el ejemplo anterior, denimos los vectores !
x; !
z y la matriz A como sigue:
3
2;5
a
6 3;5 7
!
7
x = 4 b 5 2 R3 ; !
z =6
4 4;0 5 ;
c
6;0
2
3
1 5 1
6 1 15 3 7
7
A=6
4 1 29 4 5 :
1 40 8
Entonces
3
2
3
1 5 1
1 1 1 1
4
80
16
6
7
1
15
3
7
4
5
AT A = 4 5 15 20 40 5 6
4 1 29 4 5 : = 80 2250 450 ;
1 3 4 8
16 450 90
1 40 8
2
3
2
3 2;5
2
3
1 1 1 1
16
6
7
3;5 7 4
5
AT !
z = 4 5 15 20 40 5 6
4 4;0 5 = 385 :
1 3 4 8
77
6;0
2
El sistema normal de ecuaciones lineales AT A!

x = AT !
z se expresa como
2
32 3 2
3
4
80
16
a
16
4 80 2250 450 5 4 b 5 = 4 385 5 :
16 450 90
c
77
Debemos notar que la matriz A tiene rango 2, por lo tanto la matriz AT A no es invertible. En este
caso el sistema normal de ecuaciones lineales debe ser resuelto con el mtodo QR de Householder.
3. Considerar el conjunto de datos dados en la tabla siguiente
i
1
2
3
4
5
xi
0
1
2
3
4
yi
0;25
0;5
1:
1;5
2:
zi
4:
6:
10:
20:
25:
wi
14;5
21:
33:
63:
78:
Sea f la funcin real denida por

w = f (x; y; z) = a + bx + cy + dz;
(x; y; z) 2 R3 ;
donde a; b; c; d son constantes reales que deben determinarse utilizando el mtodo de mnimos
cuadrados.
i) Halle el sistema normal de ecuaciones.
ii) Aplique el mtodo de Householder al sistema de ecuaciones normales para hallar una solucin
(si existe) del sistema de ecuaciones normales
Solucin
Se busca una funcin real f denida como
f (x; y; z) = a + bx + cy + dz;
(x; y; z) 2 R3 ;
488

donde a; b; c; d son constantes reales que deben determinarse utilizando el mtodo de mnimos
cuadrados y usando la informacin suministrada en la tabla, esto es
wi = f (xi ; yi ; zi ) = a + bxi + cyi + dzi + ri ;
i = 1; : : : ; n
(1)
con ri 2 R el error cometido en cada observacin.

Ponemos !
x T = (a; b; c; d) ; !
w T = (w1 ; w2 ; w3 ; w4 ; w5 ) ; !
r T = (r1 ; r2 ; r3 ; r4 ; r5 ) y A = (aij ) 2
M4 5 [R] dada por
3
2
1 x1 y1 z1
6 1 x2 y2 z2 7
7
6
7
A=6
6 1 x3 y3 z3 7 :
4 1 x4 y4 z4 5
1 x5 y5 z5
El valor !
r es funcin de !
x ; escribiremos !
r (!
x):
El sistema de ecuaciones (1) se escribe en forma matricial como el siguiente:
A!
x +!
r (!
x) =!
w:
De (2) se obtiene
!
r (!
x) =!
w
(2)
A!
x:
El problema consiste en determinar x

b 2 R4 solucin de
2
m n k!
r (!
x )k
!
x 2R4
k!
w
2
Ab
xk = !
m n k!
w
x 2R4
A!
xk :
2
(3)
i) Denotamos con R (A) el rango de la matriz A: Se ha demostrado que si R (A) = 4; existe un

nico x
b 2 R4 solucin de
AT A!
x = AT !
w;
(4)
2
y que minimiza el funcional J (!
x ) = k!
w A!
xk ; !
x 2 R4 :
Observacin. Si A = (aij ) 2 Mm
caso n = 4:
Con la informacin suministrada en
2
1
6 1
6
A=6
6 1
4 1
1
Ponemos B = AT A: Entonces
2
n [R]
la tabla, se tiene
3
0 0;25 4
1 0;5 6 7
7
2 1: 10 7
7;
3 1;5 20 5
4 2: 25
3
1
1
1
1
1
6
6
6 0
1
2
3
4 7
6
7
6
B=4
6
5
0;25 0;5 1 1;5 2
4
4
6 10 20 25
!
Sea b = AT !
w : Se tiene
!
y R (A) = n; 9b
x 2 Rn tal que AT Ab
x = AT b : En nuestro
1
1
1
1
1
6
6
!
w =6
6
4
14;5
21
33
63
78
7
7
7:
7
5
3
2
0 0;25 4
5
10
5;25
65
7
1 0;5 6 7 6
10
30
15
186
6
2 1: 10 7
7 = 4 5;25 15 7;5625 94
3 1;5 20 5
65 186
94
1177
4 2: 25
3
1
1
1
1
1
6
6
! 6
0
1
2
3
4 7
6
7
6
b =4
0;25 0;5 1 1;5 2 5 6
4
4
6 10 20 25
14;5
21
33
63
78
2
3
209;5
7
7 6 588 7
7=6
7
7 4 297;625 5
5
3724
3
7
7
5

!
El sistema normal de ecuaciones es B !
x = b o en
2
5
10
5;25
65
6 10
30
15
186
6
4 5;25 15 7;5625 94
65 186
94
1177
forma explcita:
32 3 2
a
209;5
7 6 b 7 6 588
76 7 = 6
5 4 c 5 4 297;625
d
3724
489
3
7
7
5
ii) Apliquemos ahora el mtodo de Householder.

Recordemos que la matriz de Householder tiene la forma H = I 2!
u!
u T ; con !
u 2 R n y k!
u k = 1:
Esta matriz es simtrica y ortogonal. Por otro lado, dado !
v 2 Rn con !
v 6= 0; existen 2 R y H
tales que H !
v = !
e 1:
Consideramos nuevamente el sistema normal de ecuaciones arriba propuesto:
32 3 2
2
3
5
10
5;25
65
a
209;5
6 7 6
7
6 10
30
15
186 7
6
7 6 b 7 = 6 588 7 :
4 5;25 15 7;5625 94 5 4 c 5 4 297;625 5
65 186
94
1177
d
3724
Etapa 1
Sea !
v T = (5; 10; 5;25; 65) : Entonces k!
v k = 66;16315062;
r=
v1 ) =
66;16315062 ( 66;16315062
Luego
!
w =!
v
66;16315062;
5) = 4708;378253:
2
3
5
6
6 10 7
!
7 + 66;16315062 6
e1=6
4
4 2;25 5
65
2
3
3 2
71;16315062
1
7
6
10
0 7
7;
7=6
5
5;25
0 5 4
65
0
1 !!T
ww
r
3
2
3
71;16315062
1 0 0 0
7
6
6 0 1 0 0 7
10
7 (71;16315062; 10; 5;25; 65)
6
7
= 6
5
4 0 0 1 0 5 0;0002123873543 4
5;25
65
0 0 0 1
2
3
0;075570787
0;1511415328
0;07934930475
0;9824199634
6 0;1511415328
0;9787612646
0;0111503361
0;1380517803 7
7
= 6
4 0;07934930475
0;0111503361
0;9941460736
0;07247718465 5
0;9824199634
0;1380517803
0;07247718465
0;1026634281
H (1) = I
2
Se pone B (1) = H (1) B: Resulta

2
66;16315063
6
0
B (1) = 6
4
0
0
189;2103064
95;6114252
2;006536434 0;8267341518
0;3034316251 0;1215354329
4;042300817
1;87388202
!
!
Adems, b (1) = H (1) b ; se tiene
!(1)
b
3
1196;791557
8;690318587 7
7
0;912417267 5
24;48707075
3
3786;851578
6 26;42402386 7
7
=6
4 2;797612564 5 :
73;75615504
Etapa 2
Sea !
v T = (0; 2;006536434; 0;3034316251; 4;042300817) : Obtenemos k!
v k = 4;523102377;
490

=
4;523102377;
29;53422483;
!
w =!
v
Se pone H (2) = I
H (2)
v1 ) =
4;523102377 ( 4;523102377
3
2
0
6
6 2;006536434 7
!
7
6
e2=6
4 0;3034316251 5 + 4;523102377 4
4;042300817
2
1 !!T
ww :
r
2
1
6 0
= 6
4 0
0
2
1
6 0
= 6
4 0
0
3 2
0
0
7
6
1 7 6 6;529638811
=
0 5 4 0;3034316251
4;042300817
0
6
Sea !
v =6
4
r=
3
7
7
5
Entonces
0
1
0
0
3
3
2
0
0 0
7
6
0 0 7
7 0;03385902307 6 6;529638811 7
5
4
0;3034316251 5
1 0
4;042300817
0 1
(0; 6;529638811; 0;3034316251; 4;042300817)
0
0
0
0;4436195038
0;06708484571
0;8937009334
0;06708484571
0;9968825743
0;04153018787
0;8937009334
0;04153018787
0;4467369301
Se dene B (2) = H (2) B (1) : Se tiene

2
66;16315063
189;2103064
95;6114252
6
0
4;523102374
2;049500383
B (2) = 6
4
0
0
0;01212288182
0
0
0;09318268742
!
!
Adems, b (2) = H (2) b (1) : Obtenemos
2
3
3786;851578
!(2) 6
77;82583436 7
7
b
=6
4 2;046867324 5 :
9;218238109
Etapa 3
2;006536434) =
3
0
7
0
7 ; k!
v k = 0;09396795996;
0;01212288182 5
0;09318268742
7
7:
5
3
1196;791557
25;80052218 7
7
0;6903684562 5
3;13484012
= 0;09396795996;
v1 ) = 0;09396795996 (0;09396795996 + 0;01212288182) = 0;009969139979:

2
3
2 3 2
0
0
0
6
7
6
7
6
0
0
0
!
!
7
6 7 6
w =!
v
e3=6
4 0;01212288182 5 0;09396795996 4 1 5 = 4 0;1060908418
0;09318268742
0
0;09318268742
Se dene H (3) = I
1 !!T
w w : Luego
r
2
1
6
0
H (3) = 6
4 0
0
0
1
0
0
3
0
0
7
0
0
7:
0;1290108007 0;991643188 5
0;991643188
0;129010802
Adems, B (3) = H (3) B (2) ; con lo que

2
66;16315063
189;2103064
95;6114252
6
0
4;523102374
2;049500383
B (3) = 6
4
0
0
0;09396795991
0
0
0
3
1196;791557
25;80052218 7
7;
3;197707838 5
0;2801709388
3
7
7
5
9.6. AJUSTE DE DATOS CON FUNCIONES DEPENDIENTES DE UN PARMETRO

3
3786;851578
77;82583436 7
7
9;405271019 5
0;8405097475
6
!(3)
!
b
= H (3) b (2) = 6
4
Resolucin del sistema triangular superior:

d =
c =
b =
a =
491
0;8405097475
= 2;999989046;
0;2801709388
9;405271019 3;197707838 d
= 1;998739434;
0;09396795991
77;82583436 + 2;049500383 c + 25;80052218
= 0;9995280443;
4;523102374
3786;851578 + 189;2103064 b + 95;6114252 c + 1196;791557
= 2;999726189
66;16315063
La solucin es:
!
x T = (2;999726189; 0;9995280443; 1;998739434; 2;999989046) :
9.6.
Ajuste de datos con funciones dependientes de un parmetro
Sea S = (xi ; yi ) 2 R2 j i = 1; : : : n un conjunto de datos experimentales. Supongamos que se busca una

funcin real f dependiente de la variable x 2 R y del parmetro a 2 R a determinar segn el conjunto
de datos S; esto es,
yi = f (xi ; a) + ri i = 1; : : : ; n;
donde ri es una perturbacin de yi que depende del parmetro a; escribiremos ri (a) : En forma matricial
este sistema de ecuaciones se escribe como
!
!
y = b (a) + !
r (a) ;
!
donde !
y ; b (a) ; !
r (a) 2 Rn denimos a continuacin
2
3
2
3
2
3
y1
f (x1 ; a)
r1 (a)
6
7 !
6
7 !
6
7
..
..
!
y = 4 ... 5 ; b (a) = 4
5 ; r (a) = 4
5:
.
.
yn
f (xn ; a)
rn (a)
Resulta
!
r (a) = !
y
!
6
b (a) = 4
3
f (x1 ; a)
7
..
5:
.
f (xn ; a)
y1
yn
La determinacin del parmetro a y del vector !

r (a) ; en general es complicada. recurrimos entonces
a aproximar el parmetro a mediante el mtodo de mnimos cuadrados. Para el efecto denimos una
funcin real E como sigue:
2
E (a) = k!
r (a)k = !
y
!
b (a)
n
X
(yi
f (xi ; a))2
i=1
y consideramos el problema siguiente:

hallar b
a 2 R solucin de m n E (a) ;
a2R
que a su vez es equivalente al siguiente:
hallar b
a 2 R tal que E (b
a)
E (a)
8a 2 R:
a2R
492
Escribiremos E (b
a) = m n E (a) :
a2R
Supondremos que la funcin f es diferenciable y que

de extremo se tiene que E 0 (a) = 0: Luego
n
E 0 (a) =
d X
(yi
da
f (xi ; a))2 =
i=1
@f
(x; a) es continua. De las condiciones necesarias
@a
n
X
2 (yi
f (xi ; a))
i=1
con lo que
E 0 (a) = 0 ,
n
X
(yi
f (xi ; a))
i=1
@f
(xi ; a)
@a
@f
(xi ; a) = 0:
@a
Note que la funcin f depende de x y de a:

Se dene ' (a) =
n
P
(yi
f (xi ; a))
i=1
@f
(xi ; a) y consideramos la ecuacin:
@a
hallar b
a 2 R tal que ' (b
a) = 0:
La ecuacin precedente, en general, es no lineal. Su resolucin es a menudo muy complicada y se recurre

a la aplicacin de mtodos iterativos de resolucin de ecuaciones no lineales que han sido estudiados
anteriormente, estre ellos, el mtodo de biseccin, punto jo modicado y mtodo de Newton son los ms
utilizados y que estn relacionados con la regularidad de la funcin f:
A continuacin presentamos algunas funciones f que son muy utilizadas:
1. f (x; a) =
exp (ax)
x 2 R;
2. f (x; a) =
sen (ax)
x 2 R;
3. f (x; a) =
cos (ax)
x 2 R;
4. f (x; a) =
+ xa
5. f (x; a) =
arctan (ax)
donde
x 2 R;
x 2 R;
2 R es una constante conocida y a 2 R es el parmetro a determinar.
Para calcular una aproximacin del parmetro a; para algunas funciones f como las indicadas,
recurriremos a proponer un problema alternativo en el que se ha linealizado mediante algn procedimiento
particular. Aclararemos esta situacin con ejemplos.
Ejemplos
1. Con el propsito de realizar comparaciones consideramos la funcin g denida como g (x) =
5;2 exp ( 0;282x) x 0 y con esta funcin g obtenemos el conjunto de datos S siguiente:
S = f(0; 5;2) ; (1;5; 3;406) ; (4; 1;683) ; (8;5; 0;473) ; (10; 0;31)g :
Buscamos una funcin f denida como f (x; a) = 5;2 exp (ax)
determinar como solucin de la ecuacin
n
X
i=1
n
X
(yi
i=1
n
X
i=1
(yi
f (xi ; a))
0; con a un parmetro a
@f
(xi ; a) = 0 ()
@a
5;2 exp (axi )) (5;2xi exp (axi )) = 0 ()

(yi
5;2 exp (axi )) xi exp (axi ) = 0:
9.6. AJUSTE DE DATOS CON FUNCIONES DEPENDIENTES DE UN PARMETRO
493
Este tipo de ecuaciones son muy laboriosas. Otra alternatica ampliamente utilizada es la siguiente.
Ponemos y = 5;2 exp (ax) entonces ln (y) = ax + ln (5;2) : Denotamos con u = ln (y) y b = ln (5;2) '
1;648658626; ui = ln (yi ) i = 1; : : : ; n:
El problema alternatico a resolver es el siguiente. Se dene
E1 (a) =
n
X
(ui
axi
b)2
i=1
y de las condiciones de extremo se tiene

E10 (a)
0,
, a=
n
X
(ui
axi
i=1
n
P
yi xi
i=1
n
P
i=1
n
P
i=1
x2i
b) xi = 0 ,
n
X
ui xi
i=1
n
X
x2i
i=1
n
X
xi = 0
i=1
xi
:
Calculamos u1 = ln (5;2) ; u2 = ln (3;406) ; u3 = ln (1;683) ; u4 = ln (0;473) y u5 = ln (0;31) :

n
n
n
P
P
P
Adems
xi = 24;
x2i = 190;5;
ui xi = 14;15481935; resulta
i=1
a=
i=1
n
P
yi xi
i=1
i=1
n
P
i=1
n
P
i=1
x2i
que redondeando se tiene a =
xi
=
14;15481935
1;648658626
190;5
24
0;2820085373
0;282:
La funcin buscada es por lo tanto f (x; a) = 5;2 exp ( 0;282) = g (x) x

se muestran los puntos del conjunto S y la grca de la funcin f:
0: En la gura siguiente
Figura 85
2. Nuevamente, con el propsito de realizar comparaciones, consideramos la funcin g denida como

g (x) = 3 sen (2;5x) x 2 [0; ] y S el conjunto de datos siguiente:
S = f(0; 0) ; (0;52; 2;9) ; (0;78; 2;79) ; (1; 1;8) ; (1;57; 2;12) ; (2;1; 2;57) ; (2;62; 0;8) ; ( ; 0)g :
Buscamos una funcin f de la forma f (x; a) = 3 sen (ax) x 2 [0; ] : De acuerdo a los resultados
obtenidos anteriormente, para determinar el parmetro a 2 R con el mtodo de mnimos cuadrados
debemos resolver la ecuacin
n
X
i=1
(yi
f (xi ; a))
@f
(xi ; a) = 0:
@a
494

@f
Como f (x; a) = 3 sen (ax) se sigue que
(x; a) = 3x cos (ax) ; con lo que la ecuacin a resolver.se
@a
escribe como
n
X
(yi f (xi ; a)) xi cos (axi ) = 0;
i=1
ecuacin que es muy laboriosa de resolver.

Por otro lado, jado a 2 R; la funcin f es solucin de la ecuacin diferencial u00 (x) + a2 u (x) = 0
@2f
8x 2 R pues
(x; a) = a2 f (x; a) : Es esta ecuacin diferencial aparece axplcitamente el
@x2
parmetro a 2 R y no guran las funciones sen (ax) y cos (ax) : Por lo tanto el problema alternatico
a resolver se construye como sigue:
yi00
a2 yi = ri
i = 2; : : : ; n
donde yi00 es la aproximacin de la derivada segunda de f respecto de x; aproximacin que se le

calcula con diferencias nitas centrales estudiadas en el captulo II.
Se dene
3
2
3
2
3
y200
y2
r2 (a)
6
7
6
7
6
7
..
!
w = 4 ... 5 ; !
y = 4 ... 5 ; !
r (a) = 4
5;
.
00
yn 1
yn 1
rn 1 (a)
con lo que la relacin precedente se escribe como

!
w
a2 !
y = r (!
a );
y denimos la funcin E1 (a) como

2
E1 (a) = k!
r (a)k = !
w
donde k k es la norma eucldea en Rn
a2 !
y
n
X1
yi00
a2 yi
i=2
3:
El problema alternativo que se propone es el siguiente:

hallar b
a 2 R tal que E1 (b
a) = m n E1 (a) ;
a2R
que por las condiciones necesarias de extremo conduce a resolver la ecuacin E10 (a) = 0: As,
E10 (a) =
n
X2
yi00
a2 yi ayi = 0 ,
i=3
Queda calcular yi00 i = 2; : : : ; n
1;
nP2
i=3
yi00 yi ;
n
X2
yi00 yi
i=3
nP2
i=3
a2 yi2 = 0 , a2 =
nP2
yi00 yi
i=3
nP2
i=3
:
yi2
yi2 :
Recordemos que la derivada primera se aproxima con diferencias nitas centrales mediante el
cociente
yi+1 yi 1
i = 2; : : : ; n 1;
yi0 =
xi+1 xi 1
y la derivada segunda se aproxima con diferencias nitas centrales mediante el cociente
yi00 =
0
yi+1
xi+1
yi0
xi
i = 3; : : : ; n
2::
Se propone como ejercicio realizar los clculos para obtener el valor de a.
9.7. MNIMOS CUADRADOS CONTINUOS.
9.7.
495
Mnimos cuadrados continuos.
Sean V = C ([a; b]) el espacio de funciones continuas provisto del producto escalar
hf; gi =
f (x)g(x)dx 8f; g 2 C ([a; b]) :
Sea Km [R] el espacio de polinomios de grado m: Se tiene dim Km [R] = m+1 y Km [R] es un subespacio
cerrado de C ([a; b]). Sea f'0 ; : : : ; 'm g una base de Km [R] : Entonces
m
P
Km [R] =
i 'i
i=o
2 R; i = 0; : : : ; m :
Sea f 2 C ([a; b]) : Existe g^ 2 Km [R] tal que

kf
g^k = Min kf
gk ;
g2Km [R]
hf
g^; wi = 0 8w 2 Km [R] :
Note que g^ 2 Km [R] () 9^

a0 ; : : : ; a
^m 2 R tales que g^ =
g2Km [R]
g^; wi = 0 8w 2 Km [R] ()
Poniendo sucesivamente w = 'i

Z
f (x)'j (x)dx
f (x)
m
P
i=o
i = 1;
i=o
g^k2 = Min kf
kf
hf
m
P
a
î 'i : Adems,
gk2 ;
a
î 'i (x) w(x)dx = 0 8a0 ; : : : ; am 2 R.
; n se obtiene el sistema de ecuaciones siguiente:

m
P
i=o
a
î
'i (x)'j (x)dx = 0 j = 0; : : : ; m;
o en forma explcita dicho sistema tiene la forma

8 m
Rb
P Rb
>
>
a
î a 'i (x)'0 (x)dx = a f (x)'0 (x)dx;
>
>
>
< i=o
..
.
>
>
m
Rb
R
P
>
b
>
>
a
î a 'i (x)'m (x)dx = a f (x)'m (x)dx;
:
i=o
!
que en forma matricial se expresa como A!
x = b ; donde A = (aij ) es la matriz denida como
Rb
Rb
!
aij = a 'i (x)'j (x)dx; b = (b0 ; : : : ; bm ) con bj = a f (x)'j (x)dx j = 0; : : : ; m; !
x T = (^
a0 ; : : : ; a
^m ) es
el vector de las incgnitas.:La matriz A es simtrica, denida positiva por lo tanto invertible.
9.8.
9.8.1.
Aproximacin numrica de series de Fourier

Preliminares
Sean L > 0; a0 ; ak ; bk 2 R con k = 1; 2;

1
: Las series de funciones de la forma
a0 X
+
ak cos
2
k=1
k x
L
+ bk sen
k x
L
se llaman series de Fourier y aparecen en algunas aplicaciones de la matemtica tales como el

procesamiento de la seal y de imgenes, en la resolucin de algunas clases de ecuaciones en derivadas
496
parciales. Nos interesamos en la aproximacin numrica de esta clase de series de funciones. Para ello
primeramente introducimos algunas notaciones.
Sean L > 0: Se denota con C ([ L; L]) al espacio vectorial de las funciones continuas en [ L; L] :
Proveemos a C ([ L; L]) del producto escalar notado h ; i y denido como (vase en el apndice los
espacios con producto interior)
hu; vi =
u (x) v (x) dx
8u; v 2 C ([ L; L]) ;
y la norma asociada a este producto escalar se nota k k y se dene como
k u k=
L
L
j u (x) j2 dx
1
2
8u 2 C ([ L; L]) :
Denicin 1 Sean L > 0 y u una funcin real denida en todo R: Se dice que u es peridica de
perodo 2L si y solo si se verica
u (x + 2L) = u (x)
8x 2 R:
En la gura siguiente se muestra la grca de una funcin u peridica de perodo 2L:
Figura 86
Observe que para x =
L se tiene u (L) = u ( L) :
Sea u 2 C ([ L; L]) : A la funcin u lo extendemos a todo R por periodicidad y por abuso de lenguaje lo
notamos an con u, es decir que
u (x + 2L) = u (x)
8x 2 R:
Denicin 2 Sea u 2 C ([ L; L]) :

i) Se dice que u es par si y solo si u verica la propiedad u ( x) = u (x)
ii) Se dice que u es impar si y solo si verica la propiedad u ( x) =
8x 2 [ L; L] :
u (x) 8x 2 [ L; L] :
En la izquierda de la gura siguiente se muestra la grca de una funcin par; y, a la derecha est
9.8. APROXIMACIN NUMRICA DE SERIES DE FOURIER
497
representada la grca de una funcin impar.
Figura 87
Figura 88
Sea u 2 C ([ L; L]). Se verica inmediatamente las siguientes propiedades.
i) Si u es impar,
ii) Si u es par,
Z
L
L
u (x) dx = 0:
L
Z
u (x) dx = 2
u (x) dx:
1
(u (x) + u ( x)) x 2 [ L; L] es par.
2
1
iv) La funcin g denida como g (x) = (u (x) u ( x)) x 2 [ L; L] es impar.
2
iii) La funcin f denida como f (x) =
Adems u (x) = f (x) + g (x)
8x 2 [ L; L] :
Denicin 3
i) Sean u; v 2 C ([ L; L]) : Se dice que u es ortogonal o perpendicular a v, que se nota u ? v; si y
solo si hu; vi = 0:
ii) Sean u 2 C ([ L; L]) ; M
C ([ L; L]) con M 6= : Se dice que u es ortogonal a M , que se
escribe u ? M; si y solo si hu; vi = 0 8v 2 M:
iii) Sean M; N dos subconjuntos no vacos de C ([ L; L]). Se dice que M es ortogonal a N; que se
nota M ? N , si y solo si hu; vi = 0 8u 2 M; 8v 2 N:
iv) Sea M
C ([ L; L]) con M 6= ;: Se dice que M es ortogonal si y solo si hu; vi = 0
M; u 6= v:
8u; v 2
v) Se dice que M es ortonomal si y solo si M es ortogonal, y 8u 2 M; kuk = 1:

Los siguientes conjuntos de funciones son muy importantes en el desarrollo en series de Fourier de
funciones reales peridicas de perodo 2L y continuas a trozos en el intervalo [ L; L] : Sean M; N los
subconjuntos de C ([ L; L]) denidos como M = f'k j k 2 Ng ; N = f k j k 2 Z+ g ; donde
'0 (x) = 1 x 2 [ L; L] ;
k x
'k (x) = cos
x 2 [ L; L] ; k = 1; 2; : : : ;
L
k x
x 2 [ L; L] ; k = 1; 2; : : :
k (x) = sen
L
498
Se tiene
i) M es un conjunto ortogonal.
ii) N es un conjunto ortogonal.
iii) M ? N:
Sea f 2 C ([ L; L]) : Supongamos que f se prolonga por periodicidad a todo R con perido 2L; esto es,
f (x + 2L) = f (x)
8x 2 R:
Admitimos que la funcin f se representa como una serie de Fourier, es decir que se verica
f (x) =
a0 X
+
ak cos
2
k=1
k x
L
k x
L
+ bk sen
x 2 [ L; L] ;
donde a0 ; ak ; bk 2 R k = 1; 2; : : : ; son los coecientes de Fourier denidos a continuacin:

Z
1 L
a0 =
f (x) dx;
L L
Z
1 L
k x
ak =
f (x) cos
dx k = 1; 2; : : : ;
L L
L
Z
1 L
k x
bk =
f (x) sen
dx k = 1; 2; : : : :
L L
L
k x
x 2 [ L; L] es impar y en consecuencia bk = 0
L
k = 1; 2; : : : : Resulta que la serie de Fourier de f se escribe como
Si la funcin f es par, se tiene que f (x) sen
1
a0 X
f (x) =
+
ak cos
2
k x
L
k=1
2
ak =
L
f (x) cos
k x
L
x 2 [ L; L] ;
dx
k = 0; 1; : : : :
k x
dx x 2 [ L; L] impar. Luego ak = 0
L
con lo que la serie de Fourier de f se escribe como sigue:
Si la funcin f es impar, se tiene f (x) cos
f (x) =
1
X
bk sen
k x
L
f (x) sen
k x
L
k=1
con
2
bk =
L
k = 0; 1; : : : ;
x 2 [ L; L] ;
dx
k = 1; 2; : : : :
Denicin 4 Sean m 2 Z+ : La funcin Qm 2 C ([ L; L]) denida como

m
a0 X
Qm (x) =
+
ak cos
2
k=1
k x
L
+ bk sen
se llama polinomio trigonomtrico, donde a0 ; ak ; bk 2 R

a0
k x
; uk (x) = ak cos
+ bk sen
2
L
k = 1; : : : ; m se les denomina armnicos de Qm :
Sean u0 (x) =
k x
L
x 2 [ L; L]
k = 1; : : : ; m:
k x
L
x 2 [ L; L] : A las funciones u0 ; uk
En el caso en que a0 ; ak ; bk son los coecientes de Fourier, el polinomio trogonomtrico Qm se le denomina

polinomio trogonomtrico de Fourier.
En lo que sigue, nos interesamos en los polinomios trigonomtricos de Fourier siguientes:

i) Si f 2 C ([ L; L]) es par, Qm (x) =
2
donde ak =
L
k x
L
f (x) cos
m
P
a0
+
ak cos
2
k=1
dx
ii) Si f 2 C ([ L; L]) es impar, Qm (x) =

2
donde bk =
L
f (x) sen
k x
L
499
k x
L
x 2 [ L; L] ;
k = 0; 1; : : : ; m:
m
P
bk sen
k=1
dx
k x
L
x 2 [ L; L] ;
k = 1; : : : ; m:
iii) Si f 2 ([ L; L]) es arbitraria

m
Qm (x) =
a0 X
+
ak cos
2
k=1
k x
L
k x
L
+ bk sen
x 2 [ L; L]
y a0 ; ak ; bk k = 1; : : : ; m los coecientes de Fourier arriba denidos.

Teorema 3 Sean f 2 C ([ L; L]) ; m 2 Z+ : Se denen
Qm (x) =
m
X
k x
x 2 [ L; L] ;
L
Z Lh
2
Qm k =
f (x)
a0 + a1 cos
ak cos
k=0
E (a0 ; : : : ; am ) = kf
Existen b
a0 ; : : : ; b
am 2 R tales que E (b
a0 ; : : : ; b
am ) =
los coecientes de Fourier denidos como a0 =
j = 1; : : : ; m:
x
+
L
mn
(a0 ;:::;am )2Rm+1
+ am cos
i2
m x
L
E (a0 ; : : : ; am ) ; y b
aj
dx:
j = 1; : : : ; m
1 RL
1 RL
f
(x)
dx
y
a
=
f (x) cos
j
2L L
L L
j x
L
dx
Demostracin. De las condiciones necesarias de extremo, se tiene

@E
!
(a0 ; : : : ; am ) = 0
5E (a0 ; : : : ; am ) = 0 ,
@aj
j = 0; 1; : : : ; m:
Adems, de la denicin del funcional E; se tiene

@E
(a0 ; : : : ; am ) =
@aj
=
@
@aj
Z L
L
L
f (x)
2 f (x)
a0 + a1 cos
a0 + a1 cos
x
+
L
j x
L
a0 cos
f (x) cos
L
x
+
L
+ am cos
+ am cos
j x
L
m x
L
m x
L
+ am cos
i2
dx
cos
j x
L
m x
cos
L
dx
j x
L
dx
Luego,
Z L
Z L
@E
j x
m x
(a0 ; : : : ; am ) = 0 , a0
cos
dx +
+ am
cos
cos
@aj
L
L
L
L
Z L
j x
=
f (x) cos
dx j = 0; 1; : : : ; m:
L
L
j x
L
dx =
j x
L
= k'k k2
Por otro lado, como el conjunto de funciones 'j j j = 0; 1; : : : ; m con '0 (x) = 1; 'j (x) = cos
x 2 [ L; L] ; j = 1; : : : ; m; es un conjunto ortogonal, entonces 'k ; 'j = 0 si j 6= k y 'k ; 'j
500

2
si j = k: Adems k'0 k2 = 2L; y 'j

precedente se reduce al siguiente:
Z
para j = 0; 2La0 =
para j = 1;
a1 L =
= L
j = 1; : : : ; m: Por lo tanto, el sistema de ecuaciones
L
L
f (x) dx ) a0 =
f (x) dx;
L
x
1
dx ) a1 =
L
L
f (x) cos
L
as sucesivamente, para j = m obtenemos am =
1
2L
1
L
x
dx;
L
f (x) cos
L
m x
dx:
L
f (x) cos
L
Claramente, los ak k = 0; 1; : : : ; m son los coecientes de Fourier, por lo tanto Qm es el polinomio

trigonomtrico de Fourier de cosenos.
Sea f 2 C ([ L; L]), m2 Z+ y consideramos el conjunto de funciones M = f k j k = 1; : : : ; mg con
k x
x 2 [ L; L] ; k = 1; : : : ; m: Este conjunto M es ortogonal. Se denen
k (x) = sen
L
Qm (x) =
m
X
k x
L
bk sen
k=1
E (b1 ; : : : ; bm ) = kf
Qm k =
x 2 [ L; L] ;
L
(f (x)
Qm (x)) dx =
L
L
"
f (x)
m
X
bk sen
k=1
k x
L
#2
dx
Procediendo en forma similar a la prueba

Z Ldel teorema precedente, se obtienen los coecientes de Fourier
j x
1
bbj j = 1; : : : ; m denidos como bbj =
f (x) sen
dx; y
L L
L
E bb1 ; : : : ; bbm =
mn
(b1 ;:::;bm )2Rm
E (b1 ; : : : ; bm ) :
Ms an, si combinamos los dos resultados precedentes con f 2 C ([ L; L]) y se denen

m
X
m
X
k x
k x
Qm (x) =
ak cos
+
bk sen
L
L
k=0
k=1
Z L
E (a0 ; : : : ; am ; b1 ; : : : ; bm ) = kf Qm k2 =
(f (x) Qm (x))2 dx
x 2 [ L; L] ;
resulta que los coecientes de Fourier

a0 =
1
2L
L
L
f (x) dx; b
ak =
1
L
f (x) cos
L
k x
L
minimizan el funcional E (a0 ; : : : ; am ; b1 ; : : : ; bm ) :
1
dx; bbk =
L
f (x) sen
L
k x
L
dx
k = 1; 2; : : : ; m
Teorema 4 (Igualdad de Bessel) Sean M = f'k j k = 0; 1; : : : ; mg ; donde 'k (x) = cos
k x
L
x 2 [ L; L] ; k = 0; 1; : : : ; m; y f 2 C ([ L; L]) : Entonces, para cada m 2 Z+ se tiene

f
m
X
hf; 'k i
'k
k'k k2
k=0
= kf k2
m
X
jhf; 'k ij2
:
k'k k2
k=0
Demostracin. El conjunto M es ortogonal y de la denicin de la norma asociada al producto escalar,

se tiene
*
+
2
m
m
m
X
X
X
f; 'j
hf; 'k i
hf; 'k i
f
'k = f
'k ; f
2 'j
k'k k2
k'k k2
k=0
k=0
k=0 'j
501
y de la linealidad del producto escalar respecto de cada variable (vase el apndice, espacios con producto
interior) resulta
* m
+ *m
+
2
m
m
X
X hf; ' i
X hf; ' i
X
f;
'
hf; 'k i
j
k
k
f
= hf; f i 2 f;
2 'k
2 'k +
2 'k ;
2 'j
k'
k
k'
k
k'
k
k
k
k
j=1 'j
k=0
k=0
k=0
m X
m
m
X
X
hf; 'k i f; 'j
hf; 'k i
'k ; ' j :
2
2 hf; 'k i +
k'k k
k'k k2 'j 2
k=0 j=1
k=0
= kf k
Por hiptesis 'k ; 'j = 0 si k 6= j y h'k ; 'k i = k'k k2 ; entonces

m X
m
m
X
X
hf; 'k i f; 'j
'k ; ' j =
k'k k2 'j 2
k=0 j=1
k=0
hf; 'k i
k'k k2
m
X
jhf; 'k ij2
k'k k =
:
k'k k2
k=0
2
Por lo tanto,
f
m
X
hf; 'k i
'k
k'k k2
k=0
m
m
X
jhf; 'k ij2 X jhf; 'k ij2
+
k'k k2
k'k k2
k=0
k=0
= kf k2
= kf k2
m
X
jhf; 'k ij2
2 :
k'
k
k
k=0
Observaciones
m hf; ' i
P
k
2 'k
k=0 k'k k
(desigualdad de Bessel).
m jhf; ' ij2

P
k
2
k=0 k'k k
0 se sigue que kf k2
1. Puesto que f
0,
m jhf; ' ij2

P
k
2
k=0 k'k k
kf k2
Por el teorema de Pitgoras, se tiene

m
X
hf; 'k i
2 'k
k
k'
k
k=0
m
m
X
X
jhf; 'k ij2
jhf; 'k ij2
2
k'
k
=
k
4
2 :
k
k
k'
k'
k
k
k=0
k=0
Por lo tanto, la igualdad y desigualdad de Bessel se escriben como sigue:

f
m
X
hf; 'k i
2 'k
k'
k
k
k=0
= kf k
m
X
jhf; 'k ij2
k'k k2
k=0
Note que
Qm (x) =
m
X
k=0
k x
L
b
ak cos
m
X
hf; 'k i
2 'k
k'
k
k
k=0
m
X
hf; 'k i
2 'k
k'
k
k
k=0
dx =
kf k2 :
m
X
hf; 'k i
'k (x)
k'k k2
k=0
x 2 [ L; L] ;
el polinomio trigonomtrico de Fourier de senos, con b

ak k = 1; : : : ; m los coecientes de Fourier.
2. En forma similar a la precedente se obtiene con el conjunto ortogonal N = f

k x
x 2 [ L; L] ; k = 1; : : : ; m: Se tiene
k (x) = sen
L
f
m
X
hf;
k=1
En este caso
m
X
hf;
k=1
ki
2
kk
ki
2
kk
2
k
m
X
k=1
= kf k
bbk sen
m
X
jhf;
k=1
k x
L
el polinomio trigonomtrico de Fourier de senos, con bbk
j k = 1; : : : ; mg con
2
k ij
2 :
kk
= Qm (x) ;
k = 1; : : : ; m los coecientes de Fourier.
502
9.8.2.
Aproximacin numrica
Para calcular valores aproximados de los coecientes de Fourier, aplicamos el mtodo de los trapecios.
Sea n 2 Z+ y
(n) una particin uniforme del intervalo [0; L] ; esto es h =
L
y xj = jh
h
j = 0; 1; : : : ; n:
i) Supongamos que la funcin f 2 C ([ L; L]) es par, entonces el polinomio trigonomtrico de Fourier

Qm est denido como
m
a0 X
k x
x 2 [ L; L] ;
Qm (x) =
+
ak cos
2
L
k=1
donde
1
ak =
L
f (x) cos
L
k x
L
2
dx =
L
k x
L
f (x) cos
dx
k = 0; 1; : : : ; m;
que se aproxima con la frmula de los trapecios. Tenemos

Z
2 L
k x
ak =
f (x) cos
dx
L 0
L
2
n
X1
2 4h
'
(f (0) cos (0) + f (L) cos (k )) + h
f (xj ) cos
L 2
j=1
n 1
1
2X
(f (0) + f (L) cos (k )) +
f (xj ) cos
n
n
j=1
k j
n
3
k xj 5
L
Ponemos yj = f (xj ) j = 0; 1; : : : ; n: Entonces

n 1
2X
1
yj cos
b
ak = (y0 + yn cos (k )) +
n
n
k j
L
j=1
b m (x) como sigue:

y se dene Q
X
b m (x) = a0 +
b
ak cos
Q
2
k x
L
k=1
k = 0; 1; : : : ; m;
x 2 [ L; L] ;
b m (x) es una aproximacin de Qm (x) en x 2 [ L; L] :

Q
ii) Supongamos que la funcin f 2 C ([ L; L]) es impar, el polinomio trogonomtrico de Fourier est
denido como
m
X
k x
Qm (x) =
bk sen
x 2 [ L; L] ;
L
k=1
con
1
bk =
L
f (x) sen
L
k x
L
2
dx =
L
f (x) sen
k x
L
dx
k = 1; 2; : : : ; m;
los mismos que se aproximan con la frmula de los trapecios.

Resulta
bk =
'
2
L
f (x) sen
k x
L
dx
2
n
X1
2 4h
f (xj ) sen
(f (0) sen (0) + f (L) sen (k )) + h
L 2
j=0
Puesto que sen (k ) = 0 k = 1; 2; : : : ; m; se sigue que

n 1
2X
bk '
f (xj ) sen
n
j=1
k xj
L
n 1
2X
=
f (xj ) sen
n
j=1
k j
n
3
k xj 5
:
L

Nuevamente, se dene yj = f (xj ) j = 1; : : : ; n
m
b m (x) = P bbk sen
polinomio trigonomtrico Q
k=1
1; bk =
k x
L
2 nP1
yj sen
n j=1
503
k j
n
y con estos coecientes, el
x 2 [ L; L] :
b m (x) es una aproximacin de Qm (x)

Entonces Q
iii) Sea f 2 C ([ L; L]) : Se dene las funciones u; v 2 C ([ L; L]) como sigue:

8
>

: v (x) = (f (x) f ( x))
2
entonces u es par y v es impar. Se tiene f = u + v:
El polinomio trogonomtrico de Fourier
m
Qm (x) =
a0 X
+
ak cos
2
k=1
a0
+
2
m
X
ak cos
k=1
= Pm (x) + Rm (x)
k x
L
k x
L
+ bk sen
+
bk sen
k=1
k x
L
x 2 [ L; L]
1
1
(Qm (x) + Qm ( x)) ; Rm (x) = (Qm (x)
2
2
se aproximan como en i) y ii) precedentes.
donde Pm (x) =
m
X
k x
L
Qm ( x)) con Pm par y Rm impar que
b m (x) se requiere de la siguiente informacin: nmero de trminos del polinomio

Para calcular Q
trigonomtrico Qm (x) ; extremo derecho L > 0 del intervalo [ L; L] par. Para calcular aproximaciones de
los coecientes mediante el mtodo de los trapecios se requiere conocer el nmero de puntos n del intervalos
[0; L] : Adicionalmente requerimos de una aproximacin de : Con esta informacin, proponemos el
siguiente algoritmo de clculo de Qm (x)
Algoritmo
Datos de entrada: m; n 2 Z+ ; L; x 2 R; funcin f:
b m (x) :
Datos de salida: Q
1. pi = 3;1415926536:
2. h =
L
:
n
3. y0 = f (0) :
4. y1 = f (L) :
5. Para k = 0; 1; : : : ; m
S = 0:
Si k = 0 entonces
para j = 1; : : : ; n
xj = jh
S = S + f (xj )
n bucle j
a0 =
1
2
(y0 + y1 ) + S
n
n
504

S=0
Si a < k
n entonces
para j = 1; : : : ; n
S = s + f (xj ) cos
k j
n
n de bucle j
b
ak =
1
2
(y0 + y1 cos (k )) + S
n
n
Fin de bucle k
6. S = 0
7. Para k = 1; : : : ; m
S = S +b
ak
cos
k x
L
Fin de bucle k
1
8. Qm (x) = b
a0 + S
2
9. Imprimir x; Qm (x)
10. Fin
Para los otros casos se elaboran algoritmos muy similares, por lo que se propone como ejercicio
9.9.
Ejercicios
1. Para la funcin f denida en [0; 1] que en cada item se propone, hallar el polinomio P que mejor
se aproxima en mnimos cuadrados a la funcin f:
a) f (x) = ex ; y P (x) = a + bx x 2 [0; 1] b) f (x) = e
x;
y P (x) = a + bx + cx2 x 2 [0; 1]

p
c) f (x) = sen x; y P (x) = a + bx x 2 [0; 1] : d) f (x) = x + 1; y P (x) = a + bx + cx2 x 2 [0; 1]
:
2. Supongamos que se dispone del conjunto de n pares de datos experimentales S = f(xi ; yi ) 2 R2 j
i = 1; :::; ng que en cada item se indica: Encontrar un polinomio P de grado n que se indica y que
mejor se ajusta al conjunto de datos.
a) S = f(0; 1); (1; 1); (2; 1); (3; 3)g y P (x) = a + bx
x 2 R:
b) S = f(0; 0); (1; 1); (2; 0); (3; 3); (4; 8)g y P (x) = a + bx + cx2
c) S = f(0; 0); (1; 1); (2; 0); (3; 3); (4; 8)g y P (x) = a + bx + cx2
d) S = f(0; 1); (1; 4); (2; 9); (3; 16); (4; 25)g y P (x) = a + bx +
cx2
x 2 R:
x 2 R:
x 2 R:
@f
3. Sea f una funcin real dependiente de un parmetro c. Escribiremos t = f (x; c) : Suponga que
@c
es continua.
Se dispone de un conjunto de datos experimentales
S = (xi ; yi ) 2 R2 j i = 1; : : : ; n
y se asume que cada yi = f (xi ; c) + ri (c) ; donde ri (c) denota el error en la observacin yi ;
i = 1; : : : ; n:
9.9. EJERCICIOS
505
En el mtodo de mnimos cuadrados se considera el problema siguiente:

mn
c2R
Se dene E (c) =
n
P
i=1
ri2 (c) =
n
P
(yi
n
X
ri2 (c) :
i=1
f (xi ; c))2 :
i=1
a) Elaborar un algoritmo para aproximar b

c 2 R tal que
E (b
c) = m n E (c) :
c2R
b) Se considera la siguiente informacin experimental:

S = f(1; 1;35) ; (1;5; 0;498) ; (2; 0;183) ; (2;2; 0;123)g
c > 0 tal que f (t) = 10e
c) Se considera el siguiente conjunto de datos
b
ct :
S = f(0;26; 5) ; (0;785; 5) ; (0;5; 8;7) ; (1;05; 8;7)g

c tal que f (t) = 10 sin (ct) :
4. Sea F una funcin real dependiente de dos parmetros a y b.
@2f @2f @2f

;
;
son continuas.
@a2 @b2 @a@b
Se dispone de un conjunto de datos experimentales
Escribiremos y = f (x; a; b) : Se supone que
S = (xi ; yi ) 2 R2 j i = 1; : : : ; n ; n
3:
Y se asume que cada yi = f (xi ; a; b) + ri (a; b) ; donde ri (a; b) denota el error en la observacin
yi ; i = 1; : : : ; n:
En el mtodo de mnimos cuadrados se considera el problema
mn
(c)a;b2R2
n
X
ri2 (a; b) :
(P)
i=1
A n de calcular los parmetros a y b usando la informacin experimental, denimos

E (a; b) =
n
X
i=1
ri2 (a; b) =
n
X
(yi
f (xi ; a; b))2 :
i=1
a) Utilice el mtodo de Newton y elabore un algoritmo para aproximar b

a; bb 2 R tales que
E b
a; bb = m n E (a; b) :
(a;b)2R
b) Considere la siguiente informacin experimental
S = f(2; 20) ; (10; 20;2) ; (50; 21;03) ; (100; 22;1) ; (500; 33)g
b
Aplique el mtodo de mnimos cuadrados para calcular los parmetros b
a; bb tales que f (t) = b
aebt
t 0:
c) Se dispone del conjunto de datos
S = f(0;1; 50) ; (2; 3;85) ; (4; 1;02) ; (5; 0;66)g

Aplique el mtodo de mnimos cuadrados para calcular los parmetros b
a; bb tales que f (x) =
x 0:
a
1+bx2
506
9.10.
3. ke Bjrck, Numerical Methods for Least Squares Problems, Editorial Society for Industrial and
5. John P. Boyd, Chebyshev and Fourier Spectral Methods, Second Edition (Revised), Editorial Dover
Publications, Inc.,Mineola, 2001.
8. P. G. Ciarlet, Introduction L Analyse Numrique Matricielle et L Optimisation, Editorial
Masson, Pars, 1990.
1981.
1977.
12. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconstrained Optimization
Philadelphia, 1996.
14. John E. Freund, Ronald E. Walpole, Estadstica Matemtica con Aplicaciones, Cuarta Edicin,
Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1990.
15. Clude Gasquet, Patrick Witomski, Analyse de Fourier et Applications: Filtrage, Calcul Numrique
et Ondeletles, Editorial-Dunod, Pars, 2000.
Mxico, 1987.
Wilmington, 1994.
22. Erwin Kreyszig, Introduccin a la Estadstica Matemtica, Editorial Limusa, Mxico, 1981.
507
23. Charles L. Lawson, Richard J. Hanson, Solving Least Squares Problems, Editorial Society for
Industrial and Applied Mathematics (SIAM), Philadelphia, 1995.
25. Thomas M. Little, F. Jackson Hills, Mtodos Estdsticos para la Investigacin en la Agricultura,
Editorial Trillas, Mxico, 2002.
Mxico, 1982.
508
Captulo 10
Splines
Resumen
La teora de los splines tiene aplicaciones en dos direcciones importantes de la matemtica: la una en los
mtodos de resolucin de ecuaciones diferenciales ordinarias, particularmente los problemas de valor inicial
y los problemas de valores en la frontera; las ecuaciones en derivadas parciales y ecuaciones integrales; la
otra direccin lo constituye la computacin grca, particularmente los modelos geomtricos con splines,
y el objetivo de este captulo es dar una introduccin a esta teora. Se abordan dos clases de splines:
los de interpolacin y se da ms nfasis a los splines cbicos; los B-splines y particularmente los de
interpolacin cbicos . En este captulo se ha limitado los ejercicios. Al nal del captulo se incluye una
amplia bibliografa.
10.1.
Introduccin
Una spline es una funcin denida a trozos sobre intervalos de R que se unen entre si obedeciendo a
ciertas condiciones de regularidad. La terminologa fue introducida por I. J. Schoenberg (1946).
El nombre de spline proviene del nombre del intrumento mecnico del mismo nombre que consiste en un
alambre exible que puede ser utilizado para dibujar curvas suaves a travs de puntos asignados. Esta
clase de instrumentos fueron utilizados para dibujo tcnico en las industrias aeronuticas, automotriz,
naval, etc.
Como aplicaciones simples de splines podemos citar el mtodo de Euler para construir una aproximacin
polinomial a trozos para la solucin de problemas de valor inicial de las ecuaciones diferenciales ordinarias.
Este tipo de aproximacin es a menudo utilizada para establecer el teorema de Peano para la existencia
de soluciones de tales problemas. Con este punto de vista podemos citar tambin los artculos de C.
Runge (1901), W. Quade y L. Collatz (1938), J. Favord (1940), R. Curant (1943). Entre los textos sobre
splines, publicados recientemente, podemos citar: C. de Boor (1978); A Practical Guide to splines; L. L.
Schumaker (1981): Spline Functions: Basic Theory.
En la actualidad, las funciones splines se aplican fundamentalmente en grasmo en las industrias
automotriz, aeronutica, naval; en diseo y arquitetura; en mtodos numricos para la solucin numrica
de ecuaciones diferenciales ordinarias o en derivadas parciales con valores iniciales y/o valores ligados a
los mtodos de Rayleigh-Ritz-Galerkin y Petrov-Galerkin; y se cuentan miles de artculos de splines y de
sus aplicaciones.
10.2.
Espacio de funciones splines
Sean n 2 N: Se llama conjunto de nodos un conjunto de puntos (n) = fxj gj=0;:::;n ; donde a = x0 <
x1 <
< xn = b: Estos nodos forman una particin del intervalo [a; b] R en subintervalos [xj 1 ; xj ] ;
509
510
CAPTULO 10. SPLINES
j = 1; : : : ; n: Los puntos x1 ; : : : ; xn
nodos frontera.
se llaman nodos interiores, y lospuntos x0 = a y xn = b se llaman
Un conjunto de puntos Sn = f(xi ; yi ) j xi 2 (n) ; yi 2 R; i = 0; 1; : : : ; ng ; se llama conjunto de puntos

de base.
Notamos con Pm el espacio de polinomios de grado
m: Se designa con C 1 ([a; b]) el
espacio de funciones continuas a trozos en [a; b] : Se denota con Ck 1 ([a; b]) ; a
k
m; el espacio de funciones que poseen derivadas continuas hasta el orden k
1 en [a; b]
(C0 ([a; b]) = C ([a; b]) es el espacio de las funciones en [a; b]) :
Denicin 1 Sea m 2 N: Una funcin S : [a; b] ! R se llama funcin spline polinomial de grado m
si ella posee las propiedades siguientes:
i) S 2 Cm
1 ([a; b]) ;
ii) S 2 Pm para x 2 [xj
1 ; xj [ ;
j = 1; : : : ; n:
Denotamos con Sm ( (n)) el conjunto de todas las funciones splines polinomiales de grado m asociadas
a la subdivisin (n) de [a; b] :
En lo sucesivo nos limitaremos a los splines polinomiales y nos referiremos a ellas simplemente como
splines.
Ejemplos
1. En la gura siguiente se ilustra la grca de una funcin spline de grado 0.
Figura 89
2. Sean Sn un conjunto de puntos de base. La lnea poligonal que consiste en los segmentos de recta
que une puntos sucesivos de Sn es un ejemplo de funcin spline de grado 1: En la gura que a
continuacin se indica se traza una spline de grado 1:
Figura 90
10.3. INTERPOLACIN MEDIANTE SPLINES
511
3. Sean (n) una subdivisin del intervalo [a; b] y m 2 N: La familia de funciones fqm;j j j = 0; : : : ; n
denidas como sigue
(x xj )m ; si x 2 [xj ; b] ;
qm;j (x) =
0; si x 2 [a; xj [ ;
son splines de grado m asociadas a la subdivisin
funciones.
1g
(n) : En la gura siguiente se ilustran estas
Figura 91
Las funciones qm;j ;
j = 1; : : : ; n; se llaman splines de un solo lado.
Base de Sm ( (n))
El conjunto Sm ( (n)) provisto de las operaciones habituales entre funciones (adicin y producto de un
nmero real por una funcin) es un espacio vectorial real de dimensin m + n y una base de dicho espacio
es el conjunto de funciones
fp0 ; p1 ; : : : ; pm ; qm;1 ; : : : ; qm;n 1 g ;
donde
pi (x) = xi ;
i = 0; 1; : : : ; m;
y las funciones qm;j estn denidas en el ejercicio 3).

Se puede probar que toda funcin S 2 Sm ( (n)) se escribe de manera nica en la forma
S (x) = a0 +
m
X
ai x +
i=1
donde a0 ; ai ; bj 2 R;
10.3.
n
X1
bj qm;j (x)
j=1
x 2 [a; b] ;
i = 1; : : : ; m; j = 2; : : : ; m:
Interpolacin mediante splines
Centraremos nuestra atencin en la interpolacin mediante splines de grado uno y tres que son las ms
utilizadas en las aplicaciones.
La ventaja del mtodo de interpolacin mediante splines es el uso de polinomios de grado bajo para
producir globalmente interpolantes suaves, al tiempo que evita la desventaja del uso de polinomios de
interpolacin de grado alto.
Splines de interpolacin de grado 1
Sea f : [a; b] ! R una funcin continua denida en [a; b] y
(n) una subdivisin de [a; b] :
512
CAPTULO 10. SPLINES
Sea Sn = f(xi ; f (xi )) j xi 2 (n) ; i = 0; 1; : : : ; ng un conjunto de puntos de base. El ejemplo ms simple

de splines de grado 1 es el spline lineal que consiste en segmentos de recta que unen puntos sucesivos de
Sn ; de este modo se obtiene una lnea poligonal.
La spline interpolante de grado 1 est denida de manera nica en cada subintervalo [xj 1 ; xj ] j =
1; : : : ; n; como una funcin afn denida en dicho subintervalo y que globalmente es la nica lnea poligonal
obtenida al juntar todos los segmentos de recta.
Buscamos una funcin real S denida en [a; b] que verique las propiedades siguientes:
i) S 2 C ([a; b]) ;
ii) S 2 P1 para x 2 [xj
iii) S (xj ) = f (xj ) ;
1 ; xj [ ;
j = 1; : : : ; n;
j = 0; 1; : : : ; n:
Para construir una tal funcin S; determinemos j;

S (x) =
S (xj
1)
j x;
= f (xj
1) ;
constantes tales que
x 2 [xj
1 ; xj ] ;
j = j = 1; : : : ; n;
S (xj ) = f (xj ) :
Entonces
S (xj
1)
j xj 1
S (xj ) =
j xj
= f (xj
1) ;
= f (xj ) :
Resolviendo el sistema de ecuaciones, obtenemos

j
= f (xj
f (xj )
xj
f (xj )
xj
f (xj
xj 1
1)
f (xj ) f (xj
xj xj 1
f (xj 1 )
:
xj 1
1)
xj
1;
Por lo tanto la funcin S se escribe

S (x) = f (xj
1)
1)
(x
xj
1) ;
x 2 [xj
que es la ecuacin de la recta que pasa por los puntos (xj

intervalo [xj 1 ; xj ] ; la misma que se escribe
S (x) =
x
xj
xj
x
f (xj ) +
xj
xj
xj
xj
1; f
f (xj
(xj
1) ;
1 ; xj ]
1 ))
j = 1; : : : ; n;
y (xj ; f (xj )) restringida al
j = 1; : : : ; n:
Estimacin del error

Denimos
pj;1 (x) =
x xj
;
xj 1 xj
pj;2 =
pj;1 (x)
0;
x
xj
xj
xj
1
1
8x 2 [xj
1 ; xj ] :
Se tiene entonces que
pj;1 (x) + pj;2 (x) = 1;
pj;1 (x)
0;
8x 2 [a; b] ;
8x 2 [xj
1 ; xj ] ;
j = 1; : : : ; n;
de donde f (x) = pj;1 (x) f (x) + pj;2 (x) f (x) y

jf (x)
S (x)j
Max fjf (x)
f (xj
1 )j ;
jf (x)
f (xj )jg :
513
El mdulo de continuidad de f relativo al intervalo [xj

wf ( ) =
Sup
jt1 t2 j
t1 ;t2 2[xj 1 ;xj ]
donde
1 ; xj ]
se dene por
jf (t1 )
f (t2 )j ;
> 0:
El mdulo de continuidad verica las propiedades siguientes:

i) wf ( 1 )
wf ( 2 ) para 0 <
2;
ii) wf ( ) ! 0:
!0
Utilizando el mdulo de continuidad, tenemos

Max
x2[xj
Sea h = max jxj

j=1;:::;n
xj
1j :
1 ;xj ]
jf (x)
S (x)j
wf (jxj
xj
1 j) ;
j = 1; : : : ; n:
Se tiene entonces la siguiente estimacin del error:

kf
SkL1 (a;b) = Max jf (x)
S (x)j
x2[a;b]
wf (h) :
De la denicin de wf (h) ; se sigue que

kf
SkL1 (a;b) ! 0;
h!0
esto es, las splines de interpolacin lineales convergen uniformemente a f 2 C ([a; b]) cuando h ! 0:
Si f 2 C1 ([a; b]) ; se tiene la siguiente estimacin de error:
kf
SkL1 (a;b)
Si f 2 C2 ([a; b]) ; entonces

kf
10.3.1.
SkL1 (a;b)
h
wf 0 (h) :
4
h2 0
f
8
L1 (a;b)
Splines cbicas de interpolacin
Consideremos f 2 C2 ([a; b]) ;
(n) una subdivisin de [a; b] y

Sn = f(xi ; f (xi )) j xi 2 (n) ;
i = 0; : : : ; ng
un conjunto de puntos de base.

Puesto que dim S3 ( (n)) = n + 3; si se requiere interpolar en cada uno de los n + 1 nodos x0 ; : : : ; xn ;
entonces quedan 2 parmetros libres que pueden ser utilizados en los tipos de splines siguientes:
a) Interpolacin con condiciones de frontera de Hermite
Hallar S 2 S3 ( (n)) tal que
i) S (xj ) = f (xj ) ;
ii)
S 0 (a)
f 0 (a) ;
iii) S 0 (b) = f 0 (b) :
j = 0; 1; : : : ; n;
514
CAPTULO 10. SPLINES
b) Intepolacin con condiciones de frontera naturales

Suponemos que n
2:

i) S (xj ) = f (xj ) ;
ii)
S 00 (a)
S 00 (b)
j = 0; 1; : : : ; n;
= 0:
c) Interpolacin con condiciones de frontera peridicas (f (a) = f (b) y f 0 (a) = f 0 (b))

i) S (xj ) = f (xj ) ;
j = 0; 1; : : : ; n;
ii) S 0 (a) = S 0 (b) ;

iii) S 00 (a) = S 00 (b) :
Con el propsito de mostrar que los problemas a), b) y c) tienen solucin nica, enunciamos la propiedad
siguiente de las splines cbicas, conocida como relacin integral.
Relacin integral
Sea f 2 C2 ([a; b]) y S 2 S3 ( (n)) una funcin spline de interpolacin de f tal que la diferencia
E (x) = f (x) S (x) x 2 [a; b] ; satisface la condicin de frontera
S 00 (a) E 0 (a) = S 00 (b) E 0 (b) :
Entonces
f 00 (x)
dx =
f 00 (x)
S 00 (x)
dx +
S 00 (x)
dx:
De esta relacin, vemos que

1. Si E 0 (a) = E 0 (b) = 0; entonces se tiene las splines del tipo a).
2. Si S 00 (a) = S 00 (b) = 0; entonces se tiene las splines del tipo b).
3. Si S 00 (a) = S 00 (b) y E 0 (a) = E 0 (b) ; corresponden entonces a las splines del tipo c).
Usando la relacin integral se prueba que los problemas de interpolacin a), b) y c) tienen siempre una
nica solcin S 2 S3 ( (n)) :
Construccin
Dada una funcin f 2 C2 ([a; b]) ; para construir la funcin spline de interpolacin S, aplicamos las
condiciones de las funciones splines y de las splines cbicas al polinomio cbico siguiente:
Sj (x) = aj + bj (x
S (x) = Sj (x) ;
x[
xj ) + cj (x
xj )2 + dj (x
xj )3 ;
j ; xj+1 ] ;
j = 0; 1; : : : ; n
1:
x 2 [xj ; xj+1 ] ;
j = 0; 1; : : : ; n
Por i) de los tipos de splines a), b) y c), se tiene

Sj (xj ) = aj = f (xj ) ;
j = 0; 1; : : : ; n
1;
y ponemos an = f (xn ) :
De la denicin de funcin spline (continuidad en cada nodo), se obtiene
aj+1 = Sj+1 (xj+1 ) = Sj (xj+1 )
= aj + bj (xj+1
xj ) + cj (xj+1
xj )2 + dj (xj+1
xj )3 ;
1;

para j = 0; 1; : : : ; n
515
1:
Notamos con hj = xj+1
xj ; j = 0; 1; : : : ; n
1: Entonces la relacin precedente se escribe
aj+1 = aj + bj hj + cj h2j + dj h3j :

La derivada de Sj (x) es la funcin
Sj0 (x) = bj + 2cj (x
xj )2 ;
xj ) + 3dj (x
x 2 [xj ; xj+1 ] ; j = 0; 1; : : : ; n
1;
de donde
Sj0 (xj ) = bj ;
j = 0; 1; : : : ; n
1:
Denimos bn = S 0 (xn ) :
Por la cotinuidad de Sj0 en cada nodo xj ; tenemos
0
bj+1 = Sj+1
(xj+1 ) = Sj0 (xj+1 ) = bj + 2cj hj + 3dj h2j ;
j = 0; 1; : : : ; n
1:
La derivada segunda de Sj (x) est dada por

Sj00 (x) = 2cj + 6dj (x
xj ) ;
x 2 [xj ; xj+1 ] ; j = 0; 1; : : : ; n
1;
de donde
Sj00 (xj ) = 2cj ;
j = 0; 1; : : : ; n
1;
1
y denimos cn = S 00 (xn ) ;
2
Nuevamente, utilizando la continuidad de Sj00 (x) en cada nodo xj ; tenemos:
1 00
1
1
Cj+1 = Sj+1
(xj+1 ) = Sj00 (xj+1 ) = (2cj + 6dj hj ) = cj + 3dj hj ;
2
2
2
j = 0; 1; : : : ; n:
Obtengamos relaciones que liguen los coecientes bj ; cj ; dj en trminos de los datos aj = f (xj ) ;
j = 0; 1; : : : ; n:
Resulta
dj =
cj+1 cj
;
3hj
con lo cual
cj+1 cj 3
1
hj = aj + bj hj + (2cj + cj+1 ) h2j ;
3hj
3
cj+1 cj 2
= bj + 2cj hj + 3
hj = bj + (cj + cj+1 ) hj ; j = 0; 1; : : : ; n
3hj
aj+1 = aj + bj hj + cj h2j +
bj+1
Para obtener la relacin nal entre los coecientes, de la igualdad

aj+1 = aj + bj hj +
obtenemos
bj =
1
(aj+1
hj
aj )
1
(2cj + cj+1 ) h2j ;
3
hj
(2cj + cj+1 ) ;
3
j = 0; 1; : : : ; n
y para j = 0; 1; : : : ; n :
bj
1
hj
(aj
aj
1)
hj
3
(2cj
+ cj ) ;
con lo cual la relacin

bj+1 = bj + (cj + cj+1 ) hj
se expresa en la forma
bj = b j
+ (cj
+ cj ) hj
1;
j = 1; : : : ; n;
1;
1:
516
CAPTULO 10. SPLINES
y
hj
hj 1
1
1
(aj+1 aj )
(aj aj 1 )
(2cj + cj+1 ) =
(2cj 1 + cj ) + (cj 1 + cj ) hj 1 ;
hj
3
hj 1
3
de donde
hj
hj 1
1
1
(aj+1 aj )
(aj aj 1 ) =
(2cj + cj+1 )
(2cj 1 + cj ) + (cj 1 + cj ) hj 1
hj
hj 1
3
3
1
2
1
=
hj 1 cj 1 + (hj 1 + hj ) cj + hj cj+1 ;
3
3
3
o bien
1
0
cj 1
3
3
(hj 1 ; 2 (hj 1 + hj ) ; hj ) @ cj A =
(aj+1 aj )
(aj aj 1 ) ; j = 1; : : : ; n 1:
hj
hj 1
cj+1
Ponemos !
c t = (c ; c ; : : : ; c ) : El sistema de ecuaciones precedente involucra nicamente el vector !
c ; las
0
longitudes de los subintervalos [xj

de la subdivisin de [a; b] :
10.3.2.
1 ; xj ] ;
j = 1; : : : ; n y los valores de f en los puntos (n) = fxj gj=1;:::;n
Interpolacin con condiciones de frontera de Hermite
Sea f 2 C (4) ([a; b]) ; f tiene una nica spline cbica de interolacion S 2 S3 ( (n)) que satisface las
condiciones de frontera de hermite S 0 (a) = f (a) y S 0 (b) = f 0 (b) :
En efecto,
S 0 (a) = S 0 (x0 ) = b0 = f 0 (a) ;
y para j = 0; b0 est dado por
b0 =
1
(a1
h0
h0
(2c0 + c1 ) ;
3
a0 )
resulta que
2h0 c0 + h0 c1 =
3
(a1
h0
3f 0 (a) +
a0 ) :
De manera similar, tenemos

S 0 (b) = S 0 (xn ) = bn = f 0 (b) :
Como
bn = bn
+ hn
1 (cn 1
+ cn ) ;
y
bn
1
hn
(an
an
hn
3
1)
(2cn
+ cn ) ;
se tiene entonces que

1
f 0 (b) =
hn
1
hn
(an
an
(an
an
hn
3
hn
1) +
3
1)
(2cn
(cn
con lo cual
hn
1 cn 1
+ 2hn
1 cn
+ cn ) + hn
+ cn )
+ 2cn ) ;
3
hn
= 3f 0 (b)
1 (cn 1
(an
an
1) :
En resumen, tenemos que

2h0 c0 + h0 c1 =
0
1
cj 1
(hj 1 ; 2 (hj 1 + hj ) ; hj ) @ cj A =
cj+1
hn
1 cn 1
+ 2hn
1 cn
3f 0 (a) +
3
(aj+1
hj
= 3f 0 (b)
3
(a1
h0
aj )
3
hn
a0 ) ;
3
hj+1
(an
1
(aj
an
1) ;
aj
1) ;
j = 1; : : : ; n
1;
517
que puede expresarse en forma compacta como un sistema de ecuaciones

! !
AC = b ;
donde
1
2h0
h0
0
0
:::
0
B h0 2 (h0 + h1 )
h1
0
:::
0 C
B
C
B 0
h1
2 (h1 + h2 ) h2 : : :
0 C
B
C
C:
..
..
..
A=B
B ...
C
.
.
.
B
C
B ..
C
..
..
..
@ .
.
.
.
hn 1 A
0
:::
:::
: : : hn 1 2hn 1
1
0
3
(a1 a0 )
3f 0 (a) +
C
B
h0
C
B 3
3
C
B
C
B h (a2 a1 ) h (a1 a0 )
1
0
C
! B
C
B ..
b =B .
C
C
B
3
C
B 3
B
(an an 1 )
(an 1 an 2 ) C
C
B hn 1
hn 2
A
@
3
0
3f (b)
(an an 1 )
hn 1
La matriz A es simtrica, estrictamente diagonal dominante, por lo tanto el sistema de ecuaciones
precedente tiene solucin nica.
El mtodo de resolucin numrica que puede utilizarse es el de factorizacin LU de Crout o de Doolitle.
Una vez calculados los coecientes c0 ; c1 ; : : : ; cn ; los coecientes bj se calculan usando la relacin
bj =
1
(aj+1
hj
aj )
y los coecientes dj por
hj
(2cj + cj+1 ) ;
3
cj+1 + cj
;
3hj
dj =
Finalmente, se dene S (x) = Sj (x) ;
x 2 [xj
j = 1; : : : ; n
j = 0; 1; : : : ; n
1 ; xj ] ;
1;
1:
j = 1; : : : ; n:
El error de interpolacin en la norma L1 (a; b) satisface la desigualdad siguiente;

kf
donde M = f (4)
Es claro que kf
10.3.3.
L1 (a;b)
;h =
SkL1 (a;b)
5
M h4 ;
384
Max hj :
j=0;1;:::;n
SkL1 (a;b) ! 0; es decir que S converge uniformemente a f cuando h ! 0:

h!0
Interpolacin con condiciones de frontera naturales
Sea f 2 C (4) ([a; b]) ; f tiene una nica splice cbica de interpolacin S 2 S3 ( (n)) que satisface las
condiciones de frontera naturales S 00 (a) = S 00 (b) = 0: Efectivamente,
0 = S 00 9a = S 00 (x0 ) = 2c0 + 6d0 (x0
x0 ) ;
de donde c0 = 0;
S 00 (xn )
S 00 (b)
=
= 0:
2
2
As, c0 = 0; cn = 0: Para j = 1; : : : ; n 1; tenemos
0
1
cj 1
3
(hj 1 ; 2 (hj 1 + hj ) ; hj ) @ cj A =
(aj+1 aj )
hj
cj+1
cn =
3
hj
(aj
1
aj
1) ;
518
CAPTULO 10. SPLINES
que podemos escribir como un sistema de ecuaciones lineales

! !
AC = b ;
donde
B
B
B
B
B
A=B
B
B
B
B
@
1
0
0
0
h0 2 (h0 + h1 )
h1
0
0
h1
2 (h1 + h2 ) h2
..
..
..
..
.
.
.
.
..
..
..
.
.
.
0
0
hn 2 2 (hn
0
0
:::
:::
0
0
3
B 3
B
(a
a1 )
(a1 a0 )
B h1 2
h0
! B
.
b =B
B ..
B 3
3
B
(an an 1 )
(an 1
@ h
h
n 1
n 2
0
:::
:::
:::
..
.
2 + hn
0
1)
hn
1
an
0
0
0
..
.
..
.
1
C
C
C
C
C
C
C
C
C
C
A
C
C
C
C
C
C
C
C
2) A
La matriz A es estrictamente diagonalmente dominante. Esto implica que el siste,a de ecuaciones

precedente tiene solucin nica. El mtodo numrico de resolucin de tal sistema es el de factorizacin
deCrout o de Doolitle.
!
!
!
Sea C t = (c0 ; c1 ; : : : ; cn ) la solucin del sistema de ecuaciones A C = b : Los coecientes bj y dj se
calculan usando las frmulas siguientes:
bj
dj
aj+1 aj
hj
cj+1 cj
3hj
hj
(cj+1 + 2cj )
3
j = 0; 1; : : : ; n
j = 0; 1; : : : ; n
1;
1:
Note que bn = S 0 (b) y dn = 0:

Denimos S (x) = Sj (x) x 2 [xj
1 ; xj ] ;
j = 1; : : : ; n:
Se tiene entonces la siguiente estimacin de error

kf
SkL1 (a;b)
C f (4)
L1 (a;b)
h4 ;
donde C > 0 es una constante independiente de n y h = Max hj :

j=1;:::;n
10.3.4.
Interpolacin con condiciones de frontera peridicas
Sea f 2 C 4 ([a; b]) : f tiene una nica spline cbica de interpolacin S 2 S3 ( (n)) que satisface las
condiciones de frontera S 0 (a) = S 0 (b) ; S 00 (a) = S 00 (b) :
Mediante un razonamiento similar a los dos casos a) y b), se obtiene el sistema de ecuaciones lineales
siguiente:
! !
AC = b ;
donde
B
B
B
B
A=B
B
B
@
2 (h0
hn
1)
h0
0
..
.
h0
2 (h0 + h1 )
h1
..
.
0
h1
2 (h1 + h2 )
..
.
0
0
h2
..
.
0
0
0
h0
:::
:::
:::
:::
:::
:::
:::
..
.
hn
0
hn
0
0
..
.
2
2 (hn
+ hn
hn
0
0
0
..
.
1)
hn
2 (h0
hn
1)
C
C
C
C
C
C
C
A
10.4. SPLINES CUADRTICAS

0
B
B
B
B
! B
B
b =B
B
B
B
B
@
519
3
(an
an
3
(a1
h0
1)
a0 )
hn 1
3
3
(a2 a1 )
(a1 a0 )
h1
h0
..
.
3
3
(an an 1 )
(an 1 an
hn 1
hn 2
3
3
(an an 1 )
(a1 a0 )
hn 1
h0
C
C
C
C
C
C
C
C
C
)
2 C
C
A
El valor de S (x) para x 2 [a; b] se obtiene de manera anloga a los casos a) y b).
El error de interpolacin es idntico al caso b)
10.4.
Splines cuadrticas
El espacio S2 ( (n)) de las splines cuadrticas correspondientes a la subdivisin (n) = fxj gj=0;:::;n tiene
dimensin n + 2: Si deseamos construir una funcin spline S de interpolacin en cada nodo, nos queda
entonces exactamente un parmetro llibre, y por lo tanto es imposible imponer condiciones de frontera
simtricas como en el caso de splines de grado impar discutidas en la seccion precedente.
A continuacin proponemos dos problemas de interpolacin que conducen a denir de manera nica
splines cuadrticas y que tienen condiciones simtricas de frontera. Para lograr esto, introducimos las
subdivisiones de [a; b] siguientes:
1 (n
1) = fyj gj=0;1;:::;n
1;
(n) = fxj gj=0;1;:::;n
tales que
a = x0 = y0 < x1 < y1 < x2 <
Entonces el espacio S2 (
a) Hallar S 2 S3 (
1 (n
1 (n
< xn
< yn
= kn = b:
1)) tiene dimensin n + 1; mientras que S2 ( (n)) tiene dimensin n + 2:
1)) tal que

S (xj ) = f (xj ) ;
j = 0; 1; : : : ; n;
donde f es una funcin dada denida en [a; b] :

b) Sea f 2 C1 ([a; b]) : Hallar S 2 S2 ( (n)) tal que
S (yj ) = f (yj ) ;
0
j = 0; 1; : : : ; n
1;
S (y0 ) = f (a) ;
0
S (yn
1)
= f 0 (b) :
Utilizando el teorema de Rolle se demuestra que los problemas a) y b) tienen solucin nica.
Interpolacin cuadrtica para el problema a)
Sea f una funcin denida en [a; b] : Consideremos las subdivisiones
denidas. Buscamos una funcin S 2 S2 ( 1 (n 1)) tal que
S (xj ) = f (xj ) ;
1 (n
1) y
(n) de [a; b] arriba
j = 0; 1; : : : ; n:
De la denicin de funcin spline, S es un polinomio de grado 2 en cada subintervalo [yj

j = 1; : : : ; n 1:
Denimos
Sj (x) = aj + bj (x
xj ) + cj (x
xj )2 ;
j = 0; 1; : : : ; n
1;
1 ; yj ] ;
520
CAPTULO 10. SPLINES
y determinemos las constantes aj ; bj y cj : Tenemos

Sj (xj ) = aj = f (xj ) ;
j = 0; 1; : : : ; n:
De la continuidad de S en yj ; tenemos
Sj+1 (yj+1 ) = Sj (yj+1 ) ;
j = 1; : : : ; n
2;
de donde
aj+1 + bj+1 (yj+1
xj+1 ) + cj+1 (yj+1
xj+1 )2 = aj + bj (yj+1
xj ) + cj (yj+1
xj )2 :
La derivada de Sj es la funcin denida por

Sj0 (x) = bj + 2cj (x
xj ) ;
j = 0; 1; : : : ; n
1:
La continuidad de S 0 en yj nos permite obtener la relacin siguiente:

bj+1 + 2cj+1 (yj+1
xj+1 ) = bj + 2cj (yj+1
xj ) ;
j = 1; : : : ; n
2:
Para determinar los coecientes bj y cj ; imponemos la condicin S 0 (xj ) = 0: Entonces

0 = S 0 (xj ) = Sj0 (xj ) = bj ;
Luego
cj+1 = cj
yj+1
yj+1
xj
;
xj+1
j = 0; 1; : : : ; n:
j = 1; : : : ; n
2:
Puesto que
xj+1 )2 = aj + cj (yj
aj+1 + cj+1 (yj+1

pues bj = 0; 8j = 1; : : : ; n
xj )2 ;
j = 1; : : : ; n
2;
2: Resulta que
aj+1 + cj
yj+1
yj+1
de donde
cj =
(yj+1
xj
(yj+1
xj+1
aj+1 aj
xj ) (xj+1
xj )2 = aj + cj (yj+1
xj )
xj )2 ;
f (xj+1 ) f (xj )
:
(yj+1 xj ) (xj+1 xj )
As,
Sj (x) = f (xj ) +
f (xj+1 ) f (xj )
(x
(yj+1 xj ) (xj+1 xj )
xj )2 ;
j = 0; 1; : : : ; n
1:
Denimos
S (x) = Sj (x) ;
Con frecuencia la subdivisin
y0 = a; yn
1 (n
1
x 2 [yj
1 ; yj ] ;
j = 1; : : : ; n
1:
1) se selecciona de la manera siguiente:
= b y yj = xj + tj (xj+1
xj ) ;
j = 1; : : : ; n
2;
donde tj 2 ]0; 1[ :
1
1
; entonces yj = (xj + xj+1 ) ; j = 1; : : : ; n
2
2
subintervalos [xj ; xj+1 ] ; j = 1; : : : ; n 2:
Si tj =
2 que corresponden a los puntos medios de los
Interpolacin cuadrtica para el problema b)

Denimos
Sj (x) = aj + bj (x
yj ) + cj (x
yj )2 ;
x 2 [xj
1 ; xj ] ;
j = 0; 1; : : : ; n
Entonces
Sj (yj ) = aj + f (yj ) ;
j = 0; 1; : : : ; n
1:
1:
10.5. B - SPLINES
521
La continuidad de S en cada nodo xj nos conduce a la siguiente relacin:

aj+1 + bj+1 (xj+1
yj )2 = aj + bj (xj+1
yj ) + cj+1 (xj+1
yj ) + cj (xj+1
yj )2 ;
j = 0; 1; : : : ; n
2;
y la continuidad de S 0 en cada nodo xj ; nos da la igualdad siguiente:

bj+1 + 2cj+1 (xj+1
yj ) = bj + 2cj (xj+1
Por otro lado, S00 (x) = b0 + 2c0 (x
yj ) ;
j = 0; 1; : : : ; n
2:
a) ; entonces
S00 (a) = b0 = f 0 (a) :
Adems
Sn0
1 (x)
= bn
Sn0
1 (b)
+ scn
1 (x
yn
1) ;
con lo cual
= bn
= f 0 (b) :
Combinando las relaciones anteriores, obtenemos

cj
bj+1
aj
aj+1
2
(xj+1 yj )
= bj + 2 (xj+1
f (yj )
f (yj+1 )
(xj+1 yj )2
yj ) (cj cj+1 ) ;
j = 0; 1; : : : ; n
j = 0; 1; : : : ; n
2;
3:
Note que
S0 (x) = f (a) + f 0 (a) (x
Sn
1 (x)
= f (b) + f 0 (b) (x
f (a) f (y1 )
(x a)2 ;
(x1 a)2
f (yn 2 ) f (b)
(x b)2 :
b) +
(b yn 2 )2
a) +
Finalmente
Sj (x) = f (yj ) + bj (x
10.5.
yj ) + cj (x
yj )2 ;
x 2 [xj
1 ; xj ] ;
j = 1; : : : ; n
2:
B - Splines
En las secciones precedentes construimos los espacios de splines Sm ( (n)) para una subdivisin dada
(n) = fxj gj=0;:::;n : Estos espacios tienen dimensin m + n y una base de Sm ( (n)) en la familia de
funciones
fp0 ; p1 ; : : : ; pm ; qm;1 ; : : : ; qm;n g :
En esta seccin discutiremos bases alternativas para espacios de splines mejor adaptadas a los aspectos
numricos. Estas funciones fueron introducidas por Schoenberg y las denomin Curvas bsicas de
Splines que en la actualidad se conocen simplemente como B - Splines.
Notamos con
= fxj gj2Z una subdivisin de R tal que xj
8j 2 Z:
Denicin 2 Sea
1; xj
! +1; y xj < xj+1 ;
j!+1
una subdivisin de R: Se nota con Bm;j la funcin de R en R tal que
i) Bm;j (x) = 0 si x 2 R
[xj ; xj+m+1 [ ;
j 2 Z;
ii) Bm;j 2 Pm sobre cada subintervalo [xi ; xj+1 ] ;

Z +1
Z xj+m+1
iii)
Bm;j (x) dx =
Bm;j (x) dx = 1
1
j! 1
xj
i = j; : : : ; j + m + 1;
522
CAPTULO 10. SPLINES
Las funciones Bm;j se llaman B - Splines. La condicin iii) se conoce con el nombre de condicin de
normalizacin. Se puede probar que existe una nica funcin Bm;j que verica i), ii) y iii).
Las funciones fBm;j j j 2 Zg forman una base del espacio de splines Sm (
1) :
Ejemplos
1. B - spline de grado 0:
Se nota con B0;j a las B-splines de grado cero. En la gura siguiente se muestra la grca de B0;j :
Figura 92
De la denicin de B-splines, se tiene que

8
< 0; si x 2 R [xi ; xj+1 [ ;
1
B0;j (x) =
; si x 2 [xi ; xj+1 [ :
:
xj+1 xj
Note que B0;j 2 P0 sobre [xi ; xj+1 [ ; e
+1
B0;j (x) dx = 1:
1
Se tiene las siguientes propiedades:

i) Sop (B0;j ) = [xi ; xj+1 ] ; 8j 2 Z:
ii) B0;j (x)
0; 8x 2 R; 8j 2 Z:
iii) B0;j es continua por la derecha en todo R:

iv)
+1
P
j= 1
B0;j (x) = 1; 8x 2 R:
v) La familia fB0;j j j 2 Zg es una base de S0 ( 1 ) ; pues si S 2 S0 (

+1
P
x 2 [xj ; xj+1 [ ; j 2 Z: Resulta que S (x) =
B0;j (x) :
1) ;
entonces S (x) = cj si
j= 1
2. B-spline de grado 1:
Notamos con B1;j a las B-splines de grado uno y que se denen como sigue:
8
0; si x 2 R [xj ; xj+2 ] ;
>
>
>
>
>
< x xj ; si x 2 [x ; x [ ;
j
j+1
xj+1 xj
B1;j (x) =
>
>
> xj+2 x
>
>
: xj+2 xj+1 ; si x 2 [xj+1 ; xj+2 [ ;
j 2 Z:
10.5. B - SPLINES
523
En la gura siguiente se ilustra la grca de esta funcin.
Figura 93
A estas funciones se les denomina tambin funciones techo. Se tienen las propiedades siguientes:
i) Sop (B1;j ) = [xj ; xj+2 ] ; 8j 2 Z:
ii) B1;j (x)
0; 8x 2 R; 8j 2 Z:
iii) B1;j 2 C1 (R) :

+1
P
iv)
B1;j (x) = 1; 8x 2 R:
j= 1
v)
+1
P
j= 1
cj B1;j =
denidas por
+1
P
[cj v1;j + cj
j= 1
1 (1
v1;j )] B0;j ; donde fv1;j j j 2 Zg es la familia de funciones
v1;j (x) =
Note que B1;j = v1;j B0;j + (1
x xj
;
xj+1 xj
j 2 Z:
v1;j+1 ) B0;j+1 :
vi) Para cada S 2 S1 ( (n)) en el intervalo [x0 ; xn ] ; se tiene una nica representacin en trminos
de B-splines:
n
X1
S (x) =
1 B1;i (x) ;
i 2 R:
i= 1
B - splines cuadrticos.
3. Sean h > 0; x0 2 R y xj = x0 + jh; j 2 Z:
Consideremos ahora splines en puntos igualmente espaciados
= fxj gj2Z:
Una B-spline cuadrtica de grado 2 con respecto de 1 se nota con B2;j y se dene por
8
1
>
(x xj )2 ; si x 2 [xj ; xj+1 [ ;
>
>
2
>
2h
>
h
i
>
>
< 1 h2 + 2h (x x ) 2 (x x )2 ; si x 2 [x ; x [ ;
j+1
j+1
j+1 j+2
2h2
j 2 Z:
B2;j (x) =
>
1
>
2
>
>
(xj+1 x) ; si x 2 [xj+2 ; xj+3 [ ;
>
2
>
>
: 2h
0; si x 2 R [xj ; xj+3 ] ;
4. B - splines cbicas
Tal como en el caso de B-splines cuadrticas, consideramos

igualmente espaciados.
Una B-spline cbica de grado 3 se dene por
8
(x xj )3 ; si x 2 [xj ; xj+1 [ ;
>
>
>
>
2
>
> h3 + 3h2 (x xj+1 ) + 3h (x xj+1 )
<
1
B3;j (x) = 3
h3 + 3h2 (xj+3 x) + 3h (xj+3 x)2
6h >
>
>
>
(xj+4 )3 ; si x 2 [xj+3 ; xj+4 [ ;
>
>
:
0; si x 2 R [xj ; xj+4 ] ;
= fxj gj2Z una subdivisin en puntos
3 (x
xj+1 )3 ; si x 2 [xj+1 ; xj+2 [ ;
3 (xj+3
x)2 ; si x 2 [xj+2 ; xj+3 [ ;
524
CAPTULO 10. SPLINES
Las funciones B-splines descritas en los ejemplos 1) a 4) son ampliamente utilizadas en el mtodo de
elementos nitos para la resolucin numrica de problemas de valores de frontera y/o de condiciones
iniciales.
10.5.1.
Interpolaciones mediante B-splines cbicas
Sea f : [a; b] ! R una funcin denida en [a; b] : Buscamos una funcin S 2 S3 ( (n)) tal que
S (xj ) = f (xj ) ;
donde
j = 0; 1; : : : ; n;
(n) es una subdivisin en puntos igualmente espaciados.
Para lograrlo, necesitamos los valores de los B-splines B3;j ; j = 3; : : : ; n 1 en los nodos x0 =
0
00 en x = a para j =
a; x1 ; : : : ; xn = b; as como los valores de las derivadas B3;j
o B3;j
3; 2; 1 y en
0
xn = b para j = n 3; n 2; n 1:
En la tabla siguiente se ilustran estos valores:
xj
B3;j (x)
0 (x)
B3;j
00 (x)
B3;j
xj+1
xj+2
xj+3
1
6
1
2h
1
h2
2
3
1
6
1
2h
1
h2
0
2
h2
xj+4
0
0
0
Sea S 2 S3 ( (n)) : Supongamos que

S (x) =
n
X1
j B3;j
(x) ;
j= 3
x 2 [a; b] :
Los problemas a), b) y c) discutidos en la seccin de interpolacin mediante splines cbicas se escriben
como sigue:
n
X1
k = 0; 1; : : : ; n:
J B3;j (xk ) = f (xk ) ;
j= 3
Condiciones de frontera:
a)
kP1
j=k 3
b)
P1
j= 3
c)
P1
j=3
P1
j= 3
0
j B3;j
00
j B3;j
0
j B3;j
(xk ) = f 0 (xk ) ;
(xk ) = 0;
(a) =
00
j B3;j
k = 0; n;
nP1
j=n 3
(a) =
nP1
k = 0; n;
j=n 3
0
j B3;j
(b) ;
00
j B3;j
El sistema de ecuaciones resultante
(b) :
! !
AC = b ;
para los tres problemas, tiene las formas siguientes:
10.6. EJERCICIOS
525
a) Condiciones de frontera de Hermite

0
B
B
B
B
B
1B
A= B
6B
B
B
B
B
@
3
h
1
0
..
.
..
.
0
0
4
1
..
.
3
4
1
4
..
.
..
.
0
1
..
.
..
.
1
3
h
0
0
..
.
..
.
1
3
h
..
.
4
!t
b = (f 0 (a) ; f (x0 ) ; : : : ; f (xn ) ; f 0 (b)) :
b) Splines naturales
0 6
B h2
B 1
B
B ..
1B
.
A= B
B
6 B ...
B
B 0
@
0
12
h2
4
..
.
6
h2
1
..
.
..
.
0
..
.
..
.
1
6
h2
0
..
.
..
.
1
6
h2
..
.
4
12
h2
!t
b = (0; f (x0 ) ; : : : ; f (xn ) ; 0) :
C
C
C
C
C
C
C;
C
C
C
C
C
A
C
C
C
C
C
C;
C
C
C
C
A
c) Splines peridicas
0
B
B
B
B
B
B
B
1B
B
A= B
6B
B
B
B
B
B
B
@
3
h
6
h2
1
0
..
.
..
.
..
.
3
h
6
h2
1
4
..
.
0
1
..
.
..
.
0
..
..
..
..
..
0
0
!t
b = (0; 0; f (x0 ) ; : : : ; f (xn
10.6.
0
12
h2
4
1
1) ; f
3
h
6
h2
0
0
12
h2
0
.
1
0
..
.
4
1
1
4
3
h
6
h2
0
0
..
.
..
.
..
.
0
1
C
C
C
C
C
C
C
C
C
C;
C
C
C
C
C
C
C
A
(a)) :
Ejercicios
1. Construir la grca de B2;j y construir sus propiedades.

2. Proponemos como ejercicios construir la grca de B3 ; j as como enunciar sus propiedades.
10.7.
526
CAPTULO 10. SPLINES
5. Gerald Farin, Curves and Surfaces for CAGD, Fifth Edition, Editorial Morgan Kaufmann
Publishing, San Francisco, 2002.
6. James D. Foley, Andries van Dam, Steven K. Feiner, John F. Hughes, Computer Graphics, Principles
and Practice, Second Edition in C, Editorial Addison-Ewsley, Boston , 1997.
New York, 1991.
Wilmington, 1994.
11. H. Prautzsch, W. Boehm, M Paluszny, Bzier and B-Spline Techniques, Editorial Springer-Verlag,
Berln, 2000.
12. Helmuth Spth, One Dimensional Spline Interpolation algorithms, Editorial A. K. Peters, Wellesley,
Massachusetts, 1995.
14. Grace Wahba, Spline Models for Observational Data, Editorial Society for Industrial and Applied
Mathematics (SIAM); Philadelphia, 1990.
Captulo 11
Mtodos numricos de resolucin de

ecuaciones diferenciales ordinarias
Resumen
En este captulo se tratan discretizaciones de dos tipos de problemas de ecuaciones diferenciales ordinarias:
el problema de valor inicial de Cauchy, y, los problemas de valores en la frontera 1d. Se tratan los mtodos
clsicos de discretizaciones de problemas de valor inicial de Cauchy como son: la familia de los mtodos
de Runge-Kutta y el mtodo que conduce a los mtodos de Euler explcito e implcito y al mtodo
implcito de Crank-Nicolson. Por otro lado, se presenta el mtodo de discretizacin del tipo PetrovGalerkin que conduce a mtodos implcitos del tipo Crank-Nicolson. La discretizacin de los problemas
de valores en la frontera 1d se limita a las ecuaciones diferenciales de segundo orden y se aplica el mtodo
de diferencias nitas. Se estudia la consistencia, la estabilidad y la convergencia del mtodo. Se concluye
con la discretizacin en mallas no uniformes de ecuaciones diferenciales de segundo orden con valores en
la frontera. Al nal del captulo se incluye una amplia bibliografa.
11.1.
Introduccin
En ingeniera y las ciencias fsicas y qumicas, las ciencias biolgicas, la economa y sociales surgen modelos
gobernados por ecuaciones diferenciales ordinarias, es decir, ecuaciones de la forma:
u0 (t) = f (t; u(t))
u(0) = u0 ;
t 2]0; T [;
donde T > 0; f es una funcin real denida en [0; T ] R, que en lo sucesivo supondremos al menos
continua, u0 2 R se denomina condicin inicial y u es una funcin real denida en el intervalo [0; T ]; u
es la funcin incgnita. El problema de hallar una funcin u solucin de la ecuacin diferencial y que
satisfaga la condicin inicial, se conoce con el nombre de problema de Cauchy de valor inicial. Con ms
generalidad, se considera el problema de Cauchy de valor inicial siguiente:
!
!
u 0 (t) = f (t; !
u (t)) t 2]0; T [;
!
!
u (0) = u ;
0
!
donde f es una funcin [0; T ] Rn en Rn ; !
u 0 2 Rn .
!
Cuando f (t; !
u (t))= A!
u (t) t 2 [0; T ]; se tiene un sistema lineal de ecuaciones diferenciales ordinarias
de primer orden, donde A = (aij ) es una matriz real de n n. En forma explcita se escribe como sigue:
8 0
+ a1n un (t)
>
< u1 (t) = a11 u1 (t) +
..
t 2]0; T [;
.
>
: 0
un (t) = an1 u1 (t) +
+ ann un (t)
527
528CAPTULO 11. MTODOS NUMRICOS DE RESOLUCIN DE ECUACIONES DIFERENCIALES ORDINAR

que se le conoce como sistema de ecuaciones diferencial lineal autnomo.
Una ecuacin diferencial lineal homognea de orden n con coecientes constantes es una ecuacin de la
forma
u(n) (t) + a1 u(n 1) (t) +
+ an u(t) = 0 t 2 [0; T ];
donde a1 ;
; an 2 R. Este tipo de ecuaciones diferenciales se transforma en un sistema2de ecuaciones

3
u(t)
6 u0 (t) 7
7
6
!
diferenciales lineales como el precedente mediante la siguiente transformacin: u (t) = 6
7,
..
5
4
.
(n
1)
u
(t)
resulta
2 0
3 2
3
u (t)
u0 (t)
00
6 u00 (t) 7 6
7
u (t)
6
7 6
7
!
0
u (t) = 6
=
7 6
7
..
..
4
5
4
5
.
.
u(n) (t)
6
= 4
2
6
6
Ponemos !
u (t) = 6
4
a1 u(n
1
..
.
an
an
u(t)
u0 (t)
..
.
a1
7
7
7 2 Rn ;
5
1) (t)
6
A = 4
6
76
56
4
an u(t)
3
u(t)
u0 (t) 7
7
7:
..
5
.
u(n
1) (t)
1
..
.
7
5 2 Mn
n [R];
resulta
an
an 1
a1
u(n 1) (t)
;!
u 0 (t))= A!
u (t) t 2 [0; T ]: Con mayor generalidad, una ecuacin diferencial lineal no homognea
de orden n con coecientes constantes es una ecuacin de la forma
u(n) (t) + a1 u(n
1)
(t) +
+ an u(t) = f (t)
t 2 [0; T ];
donde a1 ;
; an 2 R, f es una funcin real denida en [0; T ] y que se supondr all continua . Este
tipo de ecuaciones diferenciales2se transforma
3 en un sistema de ecuaciones diferenciales lineales como el
u(t)
6 u0 (t) 7
6
7
precedente si se dene !
u (t) = 6
7, entonces
..
4
5
.
u(n
6
6
!
0
u (t) = 6
4
2
6
= 4
2
6
6
Se pone !
u (t) = 6
4
u(t)
u0 (t)
..
.
1) (t)
u0 (t)
00
u (t)
..
.
u(n) (t)
0
an
7
7
7 2 Rn ;
5
7 6
7 6
7=6
5 4
a1 u(n 1) (t)
2
3
u(t)
0
6 u0 (t)
76
56
..
4
.
a1
(n
u 1) (t)
f (t)
1
..
.
an
u0 (t)
00
u (t)
..
.
6
!
6
b (t) = 6
4
0
0
..
.
an u(t)
3 2
7 6
7 6
7+6
5 4
7
7
7
5
0
0
..
.
f (t)
7
7
7:
5
7
7
7 2 Rn ; t 2 [0; T ] y A la matriz arriba denida:
5
f (t)
u(n 1) (t)
!
!
!
!
!
0
Resulta u (t) = A u (t) + b (t) t 2 [0; T ]: En este caso, f (t; !
u (t))=A!
u (t) + b (t):
11.2. EL MTODO
529
!
Si f (t; !
u (t))= A(t)!
u (t); donde para cada t 2 [0; T ]; A(t) = (aij (t)) es una matriz real de n n
dependiente de t; el sistema de ecuaciones diferenciales !
u 0 (t) = A(t)!
u (t) se conoce como sistema lineal
no autnomo.
!
!
Si !
u 0 (t) = f (!
u (t)) con f una funcin de Rn en Rn que no se se expresa como A!
u , se llama sistema
de ecuaciones diferenciales no lineal autnomo.
!
En lo que sigue, supondremos que f es una funcin [0; T ] Rn en Rn lipchisiana respecto de la segunda
!
! !
variable; es decir, existe k > 0 tal que k f (t; !
u 1)
f (t; u 2 ) k k k !
u1 !
u2 k
8!
u 1; !
u 2 2 Rn ;
8t 2 [0; T ]: Esta hiptesis garantiza la existencia de una sola solucin !
u 2 C 1 ([0; T ])n :
11.2.
El mtodo
Sean T > 0; u0 2 R y f una funcin real denida en [0; T ]

L > 0 tal que para todo y1 ; y2 2 R; se verica
jf (t; y1 )
f (t; y2 )j
L jy1
R que suponemos lipschisiana; esto es, existe

y2 j
8t 2 [0; T ] :
Consideramos el problema de valor inicial de Cauchy:

u0 (t) = f (t; u (t))
u (0) = u0 :
t 2 ]0; T [ ;
De la hiptesis sobre f , esta ecuacin tiene una nica solucin u 2 C 1 ([0; T ]) :

En muy pocos casos se puede resolver esta ecuacin directamente y obtener la solucin exacta u. En la
generalidad de los casos, la solucin u no puede obtenerse directamente y debe recurrirse a los mtodos
numricos, esto signica que podemos calcular soluciones aproximadas de u.
Sean n 2 Z+ ;
(n) = ftj j l = 0; 1; : : : ; ng una particin del intervalo [0; T ] ; esto es, t0 = 0;
tj 1 < tj j = 1; : : : ; n; tn = T: Ponemos hj = tj tj 1 j = 1; : : : ; n y b
h = max hj : En el caso de la
j=1;:::;n
T
particin uniforme, tenemos h = ; tj = jh
n
b
h = h:
j = 0; 1; : : : ; n con lo que
(n) = fjh j j = 0; 1; : : : ; ng y
Denotamos con uj una aproximacin de u (tj ) : El valor de f (tj ; u (tj )) se aproxima como f (tj ; uj ) :
La derivada u0 (tj ) lo aproximamos mediante una diferencia nita progresiva de primer orden, esto es,
u0 (tj ) '
u (tj+1 ) u (tj )
hj+1
j = 0; 1; : : : ; n
1;
entonces u0 (tj ) se aproxima como

u0 (tj ) '
uj+1 uj
jj+1
j = 0; 1; : : : ; n
1:
Sea 2 [0; 1] : El mtodo consiste en discretizar la ecuacin diferencial mediante el esquema numrico
siguiente:
uj+1 uj
= f (tj ; uj ) + (1
) f (tj+1 ; uj+1 ) j = 0; 1; : : : ; n 1;
hj+1
cuyos datos son los pasos temporales hj ; j = 1; : : : ; n; los tiempos tj j = 0; 1; : : : ; n: De este esquema
numrico, se tiene inters en tres mtodos numricos conocidos como Euler explcito, Euler implcito y
Crank-Nicolson.
1. Mtodo de Euler explcito

Para
= 1 se obtiene el siguiente esquema numrico

uj+1 uj
= f (tj ; uj )
hj+1
j = 0; 1; : : : ; n
y de este resultado
uj+1 = uj + hj+1 f (tj ; uj )
j = 0; 1; : : : ; n
1;
que se conoce como esquema numrico de Euler explcito.

La razn de ser mtodo explcito se explica a continuacin. Para j = 0, el esquema numrico precedente
se expresa como
u1 = u0 + h1 f (t0 ; u0 ) :
Note que a partir de los datos conocidos: condicin inicial u (0) = u0 ; paso temporal h1 ; tiempo t0 ;
podemos calcular directamente u1 al instante t1 . Con u1 calculado y los datos: paso temporal h2 ; tiempo
t1 pasamos a calcular u2 al instante t2 mediante el esquema numrico que se obtiene haciendo j = 1; esto
es,
u2 = u1 + h2 f (t1 ; u1 ) :
As sucesivamente.
En el caso particular de una particin uniforme, el mtodo de Euler explcito se escribe como
uj+1 = uj + h f (tj ; uj )
j = 0; 1; : : : ; n
1:
Ms adelante estudiamos la convergencia del mtodo de Euler explcito.

2. Mtodo de Euler implcito
En el mtodo
hacemos
= 0; obtenemos
uj+1 uj
= f (tj+1 ; uj+1 )
hj+1
j = 0; 1; : : : ; n
1;
y de esta igualdad resulta

uj+1
hj+1 f (tj+1 ; uj+1 ) = uj
j = 0; 1; : : : ; n
1;
que se conoce como esquema numrico de Euler implcito.

Para j = 0 se tiene la siguiente ecuacin
u1
h1 f (t1 ; u1 ) = u0
cuya incgnita es u1 al instante t1 : Solo en muy pocos casos se puede resolver esta ecuacin directamente
y calcularse u1 : En la generalidad de los casos, u1 se calcula en forma aproximada como solucin de dicha
ecuacin. Con u1 calculado al instante t1 se pasa inmediatamente a calcular u2 como solucin aproximada
de la ecuacin que se obtiene con j = 1; as
u2
h2 f (t2 ; u2 ) = u1 :
El proceso continua hasta calcular u3 ; : : : ; un
en los instantes t3 ; : : : ; tn = T:
Para una particin uniforme, el esquema numrico de Euler implcito se escribe como
uj+1
Para calcular uj
hf (tj+1 ; uj+1 ) = uj
j = 0; 1; : : : ; n
1:
j = 1; : : : ; n; denimos la funcin real G como

G (x) = x
hj+1 f (tj+1 ; x)
uj
x 2 R:
Como uj+1 hj+1 f (tj+1 ; uj+1 ) uj = 0; se sigue que G (uj+1 ) = 0; es decir que x
b = uj+1 es raz de
la ecuacin G (x) = 0: Esta raz x
b es aproximada aplicando cualquiera de los mtodos numricos de
resolucin de ecuaciones no lineales que por supuesto dependen de la regularidad de la funcin f .
11.2. EL MTODO
531
El anlisis de la convergencia del mtodo de Euler implcito lo haremos ms adelante.

3. Mtodo de Crank-Nicolson
1
Este mtodo fue propuesto por J. Crank y P. Nicolson en 1947. Para = se tiene el siguiente esquema
2
numrico
uj+1 uj
1
1
= f (tj ; uj ) + f (tj+1 ; uj+1 ) j = 0; 1; : : : ; n 1
hj+1
2
2
y de esta igualdad obtenemos
uj+1
hj+1
hj+1
f (tj+1 ; uj+1 ) = uj +
f (tj ; uj )
2
2
j = 0; 1; : : : ; n
que se conoce como esquema numrico de Crank-Nicolson. Este es un esquema numrico implcito.
Al igual que en el mtodo de Euler implcito, para j = 0 y con los datos: paso temporal h1 ; tiempo t0 ;
condicin inicial u (0) = u0 se tiene la ecuacin
u1
h1
h1
f (t1 ; u1 ) = u0 + f (t0 ; u0 )
2
2
cuya incgnita es u1 la misma que se aproxima como solucin numrica de dicha ecuacin. Calculado u1
al instante t1 ; con datos el paso temporal h2 ; los tiempos t1 y t2 ; podemos calcular el valor aproximado
de u2 como solucin numrica de la ecuacin
u2
h2
f (t2 ; u2 ) = u1
2
h1
f (t1 ; u1 ) :
2
As sucesivamente.
En el caso de una particin uniforme, el esquema numrico de Crank-Nicolson se escribe como
uj+1
h
h
f (tj+1 ; uj+1 ) = uj + f (tj ; uj )
2
2
j = 0; 1; : : : ; n
1:
De manera similar que el mtodo de Euler implcito, denimos la funcin real G como
G (x) = x
h
f (tj+1 ; x)
2
uj
h
f (tj ; uj )
2
x 2 R:
Resulta que x
b = uj+1 es raz de la ecuacin G (x) = 0: El mtodo de resolucin numrica de la ecuacin
no lineal G (x) = 0 est relacionado con la regularidad de la funcin f .
La convergencia de este mtodo ser tratado ms adelante.
Los esquemas numricos de Euler implcito, explcito, y de Crank - Nicolson obtenidos para una sola
ecuacin diferencial pueden extenderse inmediatamente a los sistemas de ecuaciones diferenciales:
(
!
!
u 0 (t) = F (t; !
u (t)) t 2 ]0; T [ ;
!
!
u (0) = u ;
0
!
(0)
(0)
donde T > 0; !
u T0 = u1 ; : : : ; um 2 Rm ; F T = (f1 ; : : : ; fm ) una funcin vectorial de [0; T ]
Rm que suponemos lipschisiana. Este sistema de ecuaciones diferenciales se expresa como
8
!
0
>
< u1 (t) = f1 (t; u (t))
..
t 2 ]0; T [ :
.
>
: 0
!
um (t) = fm (t; u (t)) ;
Rm en
(j)
(j)
(n) = ftj j j = 0; 1; : : : ; ng una particin del intervalo [0; T ] : Denotamos con !
u T = u1 ; : : : ; u m
una aproximacin de !
u T (tj ) j = 1; : : : ; n: Los esquemas numricos anteriores se expresan como sigue.
Sea

1. Euler explcito
!
!
u j+1 = !
u j + hj+1 F (tj ; !
u j)
2. Euler implcito
!
u j+1
j = 0; 1; : : : ; n
!
hj+1 F (tj+1 ; !
u j+1 ) = !
uj
j = 0; 1; : : : ; n
1:
1:
3. Crank - Nicolson
!
u j+1
hj+1 !
hj+1 !
F (tj+1 ; !
u j+1 ) = !
uj +
F (tj ; !
u j)
2
2
j = 0; 1; : : : ; n
1:
Ms particularmente en el caso de las funciones vectoriales del tipo

! !
F (t; y ) = A (t) !
y +!
g (t)
t 2 [0; T ] ;
donde para cada t 2 [0; T ] ; A (t) = (aij (t)) es una matriz de m

con gj 2 C ([0; T ]) j = 1; : : : ; m:
m no nula, !
g T (t) = (g1 (t) ; : : : ; gm (t))
El mtodo de Euler explcito se escribe como sigue:

!
u j+1 = !
u j + hj+1 [A (tj ) !
uj +!
g (tj )]
!
= [I + hj+1 A (tj )] u j + hj+1 !
g (tj )
donde I denota la matriz identidad de m
j = 0; 1; : : : ; n
1;
m:
El mtodo de Euler implcito se escribe como

!
u j+1
hj+1 [A (tj+1 ) !
u j+1 + !
g (tj+1 )] = !
uj
j = 0; 1; : : : ; n
1;
j = 0; 1; : : : ; n
1:
que a su vez podemos expresarlo como el siguiente

(I
hj+1 A (tj+1 )) !
u j+1 = !
u j + hj+1 !
g (tj+1 )
El mtodo de Crank - Nicolson se expresa de la manera siguiente:

!
u j+1
hj+1
hj+1
[A (tj+1 ) !
u j+1 + !
g (tj+1 )] = !
uj +
(A (tj ) !
uj +!
g (tj ))
2
2
j = 0; 1; : : : ; n
1;
Luego
I
hj+1
A (tj+1 ) !
u j+1 =
2
I+
hj
1
A (tj ) !
u j + hj+1 (!
g (tj ) + !
g (tj+1 ))
2
2
j = 0; 1; : : : ; n
1:
Se observa que tanto en el mtodo de Euler implcito como en el de Crank-Nicolson, que para calcular
hj+1
!
A (tj+1 ) sean invertibles.
u j+1 se requieren que las matrices I hj+1 A (tj+1 ) e I
2
11.3.
Mtodo de Petrov-Galerkin.
Sean T > 0; u0 2 R; f una funcin real denida en [0; T ] R que suponemos lipschisiana. Consideramos
el problema de valor inicial de Cauchy siguiente: hallar una funcin u denida en [0; T ] solucin de
u0 (t) = f (t; u (t))
u (0) = u0 :
t 2 ]0; T [ ;
Antes de describir el mtodo de Petrov-Galerkin para resolver el problema de Cauchy precedente,

requerimos introducir algunas notaciones y algunos espacios de funciones.
Recordemos que una funcin s se dice escalonada en [0; T ] si y solo si existe una particin (n) =
ftj j j = 0; 1; : : : ; ng del intervalo [0; T ] tal que s (t) = si t 2 ]tj 1 ; tj [ j = 1; : : : ; n; donde si 2 R: En
11.3. MTODO DE PETROV-GALERKIN.
533
los puntos tj j = 0; 1; : : : ; n la funcin s debe estar denida de cualquier modo. En la gura siguiente
se muestra una funcin escalonada en [0; T ] :
Figura 94
Denicin 1 Diremos que una funcin real f denida en [0; T ] es discontinua en a 2 [0; T ]
con salto de primera especie si y solo si f es discontinua en a, y jf (a+ ) f (a )j < 1; donde
f (a+ ) = l m f (a + h) ; f (a ) = l m f (a + h) ; son los lmites por derecha e izquierda respectivamente.
h>0
h!0
h<0
h!0
Si a = 0 se tiene nicamente el lmite por la derecha nito, esto es jf (0+ )j < 1 y si a = T; se tiene el
lmite por la izquierda jf (T )j < 1:
Denicin 2 Sea f una funcin real denida en [0; T ] : Decimos que f es acotada y continua a trozos
en [0; T ] si y solo si existen ak 2 [0; T ] k = 1; : : : ; m tales que 0 a1 < a2 <
< am T; f no es
<
1:
f
a
continua en ak ; y f a+
k
k
Se tiene que f es continua en el conjunto [0; T ] 8 fak j k = 1; : : : ; mg :
En el caso en que
(m) = ftj j j = 0; 1; : : : ; mg es una particin de [0; T ] y f es una funcin acotada
y continua a trozos, entonces f es continua en cada subintervalo ]tj 1 ; tj [ y f t+

j
j = 1; : : : ; m: Una funcin escalonada en [0; T ] es una funcin continua a trozos.
Es claro que f es continua en [0; T ] si y solo si para cada t 2 [0; T ] ; f t+
= f tj
j
f tj
< 1
= f (t):
Denotamos con Cd ([0; T ]) el conjunto de funciones reales acotadas y continuas a trozos. Con las
operaciones habituales de funciones: adicin " + " y producto de nmeros reales por funciones " ";
Cd ([0; T ]) es un espacio vectorial real. Se tiene que C ([0; T ]) Cd ([0; T ]) :
En el espacio Cd ([0; T ]) se dene el producto escalar siguiente:
hu; vi =
u (t) v (t) dt
8u; v 2 Cd ([0; T ]) :
Se denota con Cd1 ([0; T ]) el espacio de funciones reales u cuya derivada u0 pertenece a Cd ([0; T ]) ; esto es,
Cd1 ([0; T ]) = u 2 Cd ([0; T ]) j u0 2 Cd ([0; T ]) :

En la gura siguiente se muestra una funcin u 2 Cd1 ([0; T ]) :
Figura 95
En la siguiente gura se muestra la funcin u0 (t)
Figura 96
Introducimos el subespacio C 1 ([0; T ]) de Cd1 ([0; T ]) siguiente:

C 1 ([0; T ]) = v 2 Cd1 ([0; T ]) j v (T ) = 0 :
Pasemos a describir el mtodo de Petrov-Galerkin. Sea u 2 C 1 ([0; T ]) la solucin del problema de Cauchy
arriba propuesto.
Sea v 2 C 1 ([0; T ]) : Multiplicamos a la ecuacin diferencial por v e integramos sobre el intervalo [0; T ] ;
esto es,
Z T
Z T
u0 (t) v (t) dt =
f (t; u (t)) v (t) dt:
0
Apliquemos el mtodo de integracin por partes al primer miembro de la igualdad precedente, tenemos
Z
u (t) v (t) dt = u (t) v (t)
T
0
u (t) v (t) dt = u (T ) v (T )
u (0) v (0)
u (t) v 0 (t) dt
Puesto que v 2 C 1 ([0; T ]) entonces v (T ) = 0 y como u es solucin del problema de Cauchy de valor
inicial, se tiene u (0) = u0 : La igualdad precedente se reduce a la siguiente
Z
u0 (t) v (t) =
u0 v (0)
y en consecuencia
u0 v (0)
u (t) v 0 (t) dt
u (t) v (t) dt =
f (t; u (t)) v (t) dt

535
u (t) v (t) dt = u0 v (0) +
f (t; u (t)) v (t) dt:
As, el problema de Cauchy de valor inicial propuesto es equivalente a la ecuacin precedente, la misma
que es una ecuacin integral. Esta ecuacin integral es la que da lugar al mtodo de Petrov-Galerkin.
Note que en esta ecuacin el orden de derivacin ha disminuido en 1 y la funcin incgnita u gura bajo el
signo de integracin. Ahora buscamos una funcin u que sea continua en [0; T ] y que verique la ecuacin
integral, lo que signica que se ha bajado la regularidad de la funcin u (antes se buscaba u de modo que
la sea derivable). Esto permite amplicar el campo de accin de la solucin de ecuaciones diferenciales
en las que la funcin f cumpla condiciones de regularidad ms dbiles. Es precisamente esta situacin la
de mayor inters.
Denicin 3 Diremos que u 2 Cd1 ([0; T ]) es solucin de la ecuacin integral si y solo si satisface la
ecuacin
Z T
Z T
f (t; u (t)) v jtj dt 8v 2 C 1 ([0; T ]) :
u (t) v 0 (t) dt = u0 v (0) +
0
La formulacin dada en la denicin precedente es la conocida como mtodo del tipo Petrov-Galerkin.
note que la funcin incgnita u pertenece al espacio Cd ([0; T ]) mientras que las denominadas funciones
de prueba o funciones test pertenecen al espacio C 1 ([0; T ]) :
Pasemos a la discretizacin de la formulacin del mtodo del tipo Petrov-Galerkin arriba enunciado.
Sea n 2 Z+ ;
(n) = ftj j j = 0; 1; : : : ; ng una particin del intervalo [0; T ] : Ponemos hj = tj
hj 1
T
j = 1; : : : ; n; b
h = max hj : En el caso de una particin uniforme del intervalo [0; T ] ; ponemos h = ;
j=1;:::;n
n
b
(n) = fjh j j = 0; 1; : : : ; ng y h = h:
Denimos el subespacio Uh de Cd ([0; T ]) como sigue:

Uh =
uh 2 Cd ([0; T ]) j uh=
]tj
1 ;tj
= cte
j = 1; : : : ; n
donde uh=
= cte denota la restriccin de la funcin uh al intervalo abierto ]tj

]tj 1 ;tj [
intervalo la funcin es constante.
Una base del espacio Uh es la familia de funciones f
j
(t) =
1; : : : ;
ng
1; si t 2 ]tj 1 ; tj [ ;
0; si t 2 [0; T ] 8 ]tj 1 ; tj [ ;
Se advierte inmediatamente que cada funcin

gura siguiente se muestra esta funcin
1 ; tj [
y que en dicho
denidas como se indica:

j = 1; : : : ; n:
es la funcin indicatriz del intervalo ]tj
1 ; tj [ :
En la
Figura 97
De la denicin de espacio Uh y de la base f
n
P
u1 ; : : : ; un 2 R tales que uh =
uj j :
j=1
1; : : : ;
ng
de Uh se tiene que uh 2 Uh si y solo si existe

Introducimos el subespacio Vh de C 1 ([0; T ]) :
Vh =
vh 2 C 1 ([0; T ]) j vh=
]tj
1 ;tj
2 P1 ;
donde P1 denota el espacio de polinomios reales de grado
j = 1; : : : ; n ;
2 P1 designa la restriccin
]tj 1 ;tj [
de la funcin vh al intervalo cerrado [tj 1 ; tj ] en el que vh es un polinomio de grado 1; o dicho de otro
modo, vh restringido al intervalo [tj 1 ; tj ] es una funcin afn de la forma vh (t) = aj + bj t t 2 [tj 1 ; tj ]
y aj ; bj 2 R son constantes escogidas apropiadamente, j = 1; : : : ; n: Una base del espacio Vh es la familia
de funciones '0 ; : : : ; 'n 1 denidas como sigue:
'0 (t) =
y para j = 1; : : : ; n
1 se tiene
8
<
1; y vh=
ti
; si t 2 [0; ti ] ;
hi
:
0; si t 2 [0; T ] 8 [0; t1 ] ;
8 t t
j 1
>
; si t 2 [tj 1 ; tj ] ;
>
>
>
h
j
<
t tj+1
'j (t) =
; si t 2 ]tj ; tj+1 ] ;
>
>
hj+1
>
>
:
0; si t 2 [0; T ] 8 [tj 1 ; tj+1 ] :
En la gura de la izquierda se muestra la grca de la funcin '0 y en la derecha se muestra la grca

de la funcin 'j :
Figura 98
Figura 99
Estas funciones 'j se las denomina funciones techo.

De la denicin del espacio Vh y de la base '0 ; : : : ; 'n 1 resulta que vh 2 Vh si y solo si existen
nP1
v0 ; : : : ; vn 1 2 R tales que vh =
vi 'i : Note que vh (T ) = 0 pus 'i (T ) = 0 8i = 0;
; n 1:
i=0
Denicin 4 Diremos que uh 2 Uh es solucin aproximada del problema de Cauchy de valor inicial
si y solo si satisface la ecuacin integral
Z
uh (t) vh0 (t) dt
= u0 vh (0) +
f (t; uh (t)) vh (t) dt
8vh 2 Vh :
Esta es la formulacin discreta de la formulacin del tipo Petrov-Galerkin arriba denida, a la que nos
referimos como formulacin discreta del tipo Petrov-Galerkin.
Observe que la funcin incgnita uh se busca en el espacio Uh mientras que las funciones vh ; denominadas
funciones test, estn en el espacio Vh :
Aplicando la formulacin discreta del tipo Petrov-Galerkin se construye a continuacin un esquema
numrico.
537
n
P
Sea uh 2 Vh la solucin. Existe u1 ; : : : ; un 2 R tales que uh =

discreta del tipo Petrov-Galerkin, tenemos
0
1
Z
Z T X
n
0
@
uj j (t)A vh (t) dt = u0 vh (0) +
0
j=1
f @t;
uj
j:
j=1
n
X
uj
j=1
Remplazando en la formulacin
1
(t)A vh (t) dt
8vh 2 Vh ;
y tomando en consideracin la linealidad de la integral en el primer miembro, esta ecuacin se expresa

como
0
1
Z T
Z T
n
n
X
X
0
f @t;
uj
uj j (t)A vh (t) dt:
j (t) vh (t) dt = u0 vh (0) +
0
j=1
j=1
Debemos calcular u1 ; : : : ; un y tenemos una ecuacin vlida para todo vh 2 Vh ; en particular lo es para
los elementos de la base '0 ; : : : ; 'n 1 de Vh lo que nos permite obtener las n ecuaciones requeridas.
En efecto, hacemos vh ='i 2 Vh : Tenemos
0
1
Z T
Z T
n
n
X
X
0
f @t;
uj
uj j (t)A 'i (t) dt
i = 0; : : : ; n 1;
j (t) 'i (t) dt = u0 'i (0) +
0
j=1
j=1
lo que da lugar a las n ecuaciones. Determinemos estas ecuaciones.

8
1
<
; si t 2 ]0; t1 [ ;
0
h1
adems en el intervalo ]0; t1 [ intervienen
Para i = 0 se tiene '0 (0) = 1; '0 (t) =
:
0; en otro caso,
u1 y 1 (t) = 1 t 2 ]0; t1 [ con lo que se obtiene
Z t1
Z t1
1
u1
dt = u0 +
f (t; u1 ) '0 (t) dt:
h1
0
0
Como h1 = t1 e
R t1
0
1
dt =
h1
1; entonces
u1 = u0 +
t1
f (t; u1 ) '0 (t) dt:
1; si i = j
Para i = 2; : : : ; n se tiene 'i (0) = 0; ms an 'i (tj ) =
'0i (t) =
0; si i 6= j;
8
1
>
>
; si t 2 ]ti 1 ; ti [ ;
>
>
< hi
1
; si t 2 ]ti ; ti+1 [ ; Adems en los intervalos ]ti 1 ; ti [ y ]ti ; ti+1 [ intervenen ui ; ui+1 ; i (t) =
>
>
h
i+1
>
>
:
0; en otro caso.
1 t 2 ]ti 1 ; ti [ ; i+1 (t) = 1 t 2 ]ti ; ti+1 [ : Entonces
! Z
Z ti
Z ti+1
Z ti+1
ti
1
1
ui
dt + ui+1
dt =
f (t; ui ) 'i (t) dt +
f (t; ui+1 ) 'i (t) dt:
hi+1
ti 1 hi
ti
ti 1
ti
Puesto que
R ti
ti
Rt
1
1
dt = 1; tii+1
dt = 1; se sigue que
hi
hi+1
Z ti
Z
(ui ui+1 ) =
f (t; ui ) 'i (t) dt +
ti
ti
que a su vez se expresa como

Z ti+1
Z
ui+1
f (t; ui+1 ) 'i (t) dt = ui +
ti
ti+1
f (t; ui+1 ) 'i (t) dt
ti
ti
f (t; ui ) 'i (t) dt i = 1; : : : ; n

1
1:

En resumen, el esquema numrico que se obtiene es el siguiente:
R ti
8
>
0 f (t; ui ) '0 dt = u0 ;
< ui
..
.
>
R
Rt
:
ti+1
ui+1
f
(t;
ui+1 ) 'i (t) dt = ui + tii 1 f (t; ui ) 'i (t) dt i = 1; : : : ; n
ti
1:
Lastimosamente en este esquema numrico se debe an calcular las integrales. Para ello aplicamos el
Rb
b a
(g (a) + g (b)) : Entonces
mtodo de los trapecios; esto es, si g 2 C ([a; b]) entonces a g (t) dt '
2
Z t1
t1
f (t; u1 ) '0 (t) dt ' [f (0; u1 ) '0 (0) + f (t1 ; u1 ) '0 (t1 )]
2
0
y como h1 = t1 ; '0 = 1; '0 (t1 ) = 0 resulta
Z t1
h1
f (t; u1 ) '0 (t) dt '
f (0; ui ) :
2
0
De manera similar
Z ti
Z
ti
ti +1
ti
f (t; ui ) 'i (t) dt '
f (t; ui+1 ) 'i (t) dt '
ti
ti
2
[f (ti
1 ; ui ) 'i (ti 1 )
ti+1 ti
[f (ti ; ui+1 ) 'i (ti ) + f (ti+1 ; ui ) 'i (ti+1 )] ;
2
y por la denicin de hi ; hi+1 ; y de las funciones '1 ; : : : ; 'n

'i (ti ) = 0:
Entonces
ti
ti
ti+1
ti
+ f (ti ; ui ) 'i (ti )] ;
f (t; ui ) 'i (t) dt '
f (t; ui+1 ) 'i (t) dt '
1;
tenemos 'i (ti
1)
= 'i (ti+1 ) = 0;
hi
f (ti ; ui ) ;
2
hi+1
f (ti ; ui+1 ) :
2
Por abuso de lenguaje designamos nuevamente con u1 ; : : : ; un a las incgnitas que satisfacen el esquema
numrico siguiente:
8
h1
>
>
f (0; u1 ) = u0
u1
>
>
<
2
..
.
>
>
>
hi+1
hi
>
: ui+1
f (ti ; ui+1 ) = ui + f (ti ; ui ) i = 1; : : : ; n 1:
2
2
Se observa que este esquema numrico es similar al de Crank-Nicolson al que nos referimos como esquema
numrico del tipo Crank-Nicolson, el mismo que fue propuesto por HB-PB .
Otra forma de obtener este esquema numrico es la siguiente. Denimos la funcin 'n como sigue:
8
< 0; si t 2 [0; tn 1 [ ;
'n (t) =
t tn 1
:
; si t 2 [tn 1 ; T ] :
hn
En la gura siguiente se muestra la grca de la funcin 'n :
Figura 100
539
Introducimos los subespacios Uh y Vh de Cd1 ([0; T ]) y C 1 ([0; T ]) respectivamente como sigue:

( n
)
X
Uh =
ui 'i j ui 2 R i = 0; : : : ; n ;
i=0
Vh =
(n 1
X
i 'i
i=0
2R
i = 0; 1; : : : ; n
1 :
Se tiene dim Uh = n + 1; dim Vh = n: una base de Uh es la familia de funciones f'0 ; : : : ; 'n g y una de Vh
es '0 ; : : : ; 'n 1 : La formulacin discreta de la formulacin del tipo Petrov-Galerkin se expresa como
sigue: hallar una funcin uh 2 Uh solucin de
Z T
Z T
0
uh (t) vh (t) dt = u0 vh (0) +
f (t; uh (t)) vh (t) dt 8vh 2 Vh :
0
A esta accin nos referimos como formulacin discreta del tipo Petrov-Galerkin.
La funcin uh 2 Uh se escribe como uh =
i=0
Luego
Z
u0 '0 (t) +
n
X
n
P
u i 'i = u 0 ' 0 +
ui 'i (t) vh0 (t) dt = u0 vh (0) +
i=1
n
P
i=1
ui 'i ; con u (0) = u0 la condicin inicial.
t; u0 '0 (t) + +
n
X
u i 'i
i=1
vh (t) dt 8vh 2 Vh :
Se observa en esta ecuacin que las incgnitas son u1 ; : : : ; un 2 R: Para poder calcular estas incgnitas
requerimos generar n ecuaciones, para ello remplazamos sucesivamente vh por los elementos de la base
'0 ; : : : ; 'n 1 de Vh ; es decir vh = 'j j = 0; 1; : : : ; n 1: As,
u0
'0 (t) '0j
(t) dt
n
X1
t; u0 '0 (t) +
ui
i=1
n
X
'i (t) '0j (t) dt = u0 'j (0) +
ui 'i (t) 'j (t) dt
i=1
j = 0; 1; : : : ; n
1:
Para
j = 0; de la denicin de '0 se tiene '0 (0) = 1; '0 (t) = 0 si t 2 [t1 ; T ] ; '00 (t) =
8
1
<
; si o < t < t1 ;
Tomando en consideracin esta informacin, la ecuacin precedente se reduce
h1
: 0; si t < t < T:
1
a la siguiente
Z t1
Z t1
Z t1
1
1
u0
'0 (t)
dt ui
'1 (t)
dt = u0 +
f (t; u0 '0 (t) + u1 '1 (t)) '0 (t) dt
h1
h1
0
0
0
e integrando, obtenemos
1
1
u0 + u1 = u0 +
2
2
t1
f (t; u0 '0 (t) + u1 '1 (t)) '0 (t) dt:
Para j = 1; de la denicin de '1 se tiene8'1 (t1 ) = 1; '1 (0) = 0; '1 (t) = 0 si t 2 [t2 ; T ] y t = 0; la derivada
> 1 ; si 0 < t < t ;
>
1
>
>
< h1
1
de '1 est denida como sigue:'01 (t) =
; si t1 < t < t2 ; Entonces uh = u0 '0 + u1 '1 + u2 '2 sobre
>
>
h
>
2
>
:
0; si t2 < t < T:
[0; t2 ] en consecuencia, por la aditividad respecto del dominio de integracin, tenemos
Z t1
Z t1
Z t2
Z t2
u0
'0 (t) '01 (t) dt u1
'1 (t) '01 (t) dt u1
'1 (t) '01 (t) dt u2
'2 (t) '01 (t) dt
0
= u0 '1 (0) +
t1
t2
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt;
t1

y de esta , resulta
u0
t1
1
h1
'0 (t)
dt
u1
t1
1
'1 (t) dt
h1
t1
u1
t2
t1
1
h2
'1 (t)
dt
u2
t2
t1
'2 (t)
1
h2
dt
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt

= u0 '1 (0) +
0
Z t2
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt
+
t1
Integrando los tres primeros trminos obtenemos el siguiente resultado

u0 u2
+
2
2
t1
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt

Z
t2
t1
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt:
Continuando con este proceso, obtenemos para 1

1
uj
2
1
1 + uj+1 =
2
1;
tj
f t; uj
tj
1 'j 1 (t)
+ uj 'j (t) + uj+1 'j+1 (t) 'j (t) dt
tj+1
f t; uj
tj
1 'j 1 (t)
+ uj 'j (t) + uj+1 'j+1 (t) 'j (t) dt:
Para el clculo de las integrales aplicamos la frmula de integracin del punto medio, esto es, si
g 2 C ([a; b]) ;
Z b
a+b
g (t) dt ' (b a) g
:
2
a
Entonces, de la denicin de las funciones '0 ; '1 se tiene
Z
t1
f (t; u0 ; '0 (t) + u1 '1 (t)) u0 (t) dt '
1
1
donde e
t0 = (t0 + t1 ) : Note que '0 e
t0 = :
2
2
h1
1
f e
t0 ; (u0 + u1 ) ;
2
2
De manera similar, de la denicin de las funciones '0 ; '1 ; '2 se tiene

Z
t1
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt '
t2
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '2 (t) dt '
t1
1
1
1
donde e
t1 = (t1 + t2 ) ; '1 e
t0 = ; ' 1 e
t1 = :
2
2
2
h1
1
f e
t0 ; (u0 + u1 ) ;
2
2
h2
1
f e
t1 ; (u1 + u2 ) ;
2
2
De manera general, obtenemos

Z
tj
f t; uj
1 'j 1 (t)
+ uj 'j (t) + uj+1 'j+1 (t) 'j (t) dt =
f t; uj
1 'j 1 (t)
+ uj 'j (t) + uj+1 'j+1 (t) 'j (t) dt '
tj 1
tj+1
tj
con e
tj
1
(tj
2
1
+ tj ) ; e
tj = (tj + tj+1 ) :
2
hj
f e
tj
2
1;
1
(uj
2
+ uj )
hj+1
1
f e
tj ; (uj + uj+1 )
2
2
541
Resulta que para j = 0; j = 1; : : : ; n 1 el esquema numrico se expresa como

8
h
1
1
>
> (u0 + u1 ) ' u0 + 1 f e
t0 ; (u0 + u1 ) ;
>
>
2
2
2
>
>
>
>
>
1
1
h
h2
1
1
1
<
u0 + u2 '
f e
t0 ; (u0 + u1 ) + f e
t1 ; (u1 + u2 ) ;
2
2
2
2
2
2
>
.
>
..
>
>
>
>
>
hj
hj+1
1
1
1
>
> 1u
:
f e
f e
tj 1 ; (uj 1 + uj ) +
tj ; (uj + uj+1 ) :
j 1 + uj+1 '
2
2
2
2
2
2
Sumando y restando
1
1
u1 y de manera general uj ; se tiene
2
2
8
h1
1
1
>
>
(u0 + u1 )
f e
t0 ; (u0 + u1 ) ' u0 ;
>
>
2
2
2
>
>
>
>
>
1
1
h
1
h1
1
1
2

..
>
>
>
.
>
>
>
hj+1
hj
1
1
1
1
>
>
: (uj + uj+1 )
f e
tj ; (uj + uj+1 ) ' (uj 1 + uj ) + f e
tj 1 ; (uj
2
2
2
2
2
2
+ uj ) :
En base a este resultado obtenemos el siguiente esquema numrico: buscamos u

e1 ; : : : ; u
en 2 R solucin del
sistema de ecuaciones siguiente:
8
h1 e
>
e1 = u0 ;
f t0 ; u
u
e1
>
>
>
2
>
>
>
h2 e
h1

..
>
>
.
>
>
>
>
hj
hj+1 e
:
f tj ; u
ej+1 = u
ej + f e
tj 1 ; u
ej
j = 1; 2; : : : ; n 1:
u
ej+1
2
2
que es el esquema numrico del tipo Crank-Nicolson que hemos obtenido anteriormente.
El esquema numrico obtenido para el caso escalar de una ecuacin diferencial se extiende inmediatamente
a sistemas de ecuaciones diferenciales. As, consideremos el sistema de ecuaciones diferenciales siguiente:
(
!
!
u 0 (t) = F (t; !
u (t)) t 2 ]0; T [ ;
!
!
u (0) = u ;
0
!
2 Rm ; F es una funcin vectorial de [0; T ]
suponemos lipchisiana, esto es, existe L > 0 tal que 8!
y 1; !
y 2 2 Rm ;
donde T > 0; !
u T0 =
(0)
(0)
u1 ; : : : ; u m
! !
F (t; y 1 )
Entonces
1
donde e
tj = (tj
2
8
>
< !
u1
1
>
: !
u j+1
! !
F (t; y 2 )
L k!
y1
!
y 2k
8t 2 [0; T ] :
h1 ! e !
F t0 ; u 1 = !
u 0;
2
hj !
hj+1 ! e !
F tj ; u j+1 = !
uj +
F (tj
2
2
+ tj ) los puntos medios de los intervalos [tj
1 ; tj ]
Rm en Rm que
ej )
1; u
de la particin
(n) de [0; T ] :
!
Ms particularmente, si la funcin F tiene la forma
!
! !
F (t; y ) = A (t) !
y + b (t)
con A (t) = (aij (t)) una matriz de m
continua.
t 2 [0; T ] ;
!
m no nula y cada aij (t) funcin continua, b una funcin vectorial

El esquema numrico se expresa como sigue;
8
h1 !
h1
>
>
u1 =!
u0+
A e
t0 !
b (t0 )
I
>
>
>
2
2
<
..
.
>
>
>
h
hj
j+1
>
>
A e
tj !
u j+1 = I
A e
tj 1
: I
2
2
11.4.
1 !
!
u j + hj b e
tj
2
!
1
+ hj+1 b e
tj
2
j = 1; : : : ; n
1:
Mtodo de diferencias nitas para problemas de valores en la

frontera 1d.
El mtodo de diferencias nitas (MDF) es uno de los primeros mtodos que fueron implementados en
la resolucin numrica tanto de ecuaciones diferenciales ordinarias como en derivadas parciales para
problemas uni, bi y tridimensionales. Su popularidad radica en el hecho de la simplicidad con la que se
discretizan tales ecuaciones mediante el uso de aproximaciones de las derivadas por medio de cocientes
incrementales.
En este captulo iniciaremos con los operadores en diferencias nitas que luego sern aplicados a una
clase de problemas con valores en la frontera unidimensionales siguientes:
d
dx
du
dx
+r
du
+ qu = f
dx
sobre ]0; L] ;
de donde L > 0; p; q; r; f 2 C 0 ([0; L]) tales que

i. p (x)
ii. q (x)
> 0 8x 2 [0; L] ;
0 8x 2 [0; L] :
Para el problema propuesto consideramos cuatro condiciones de frontera que precisamos a continuacin.
1. Condiciones de frontera de Dirichlet: u (0) = a0 ;
u (L) = a1 :
2. Condiciones de frontera de Neumann: u0 (0) = a; u0 (L) = b:

3. Condiciones de frontera mixtas: u0 (0) + u (0) = a; u0 (L) + u (L) = b:
4. Condiciones de frontera peridicas: u (0) = u (L) ; u0 (0) = u0 (L) : En este ltimo problema
debemos suponer que las funciones p; q; r; f se extienden por periodicidad a todo R y conservan la
continuidad. Ntese que
u (x + L) = u (x)
0
8x 2 R,
u (x + L) = u (x) 8x 2 R.
Suponemos que para el problema propuesto, se conocen resultados de existencia, unicidad, regularidad
de la solucin.
Con el propsito de introducir las nociones de consistencia, estabilidad y convergencia que sern abordados
ms adelante, consideramos el problema modelo siguiente:
hallar u 2 C 2 ([0; L]) solucin de
donde f; q 2 C 0 ([0; L]) con q (x)
u00 + qu = f sobre ]0; L[ ;

u (0) = u (L) = 0;
(P)
0 8x 2 [0; L] :
Este problema es una simplicacin del problema planteado en la introduccin. Con este problema
abordaremos otros desde el punto de vista informtico que consiste en la puesta en marcha del mtodo
de diferencias nitas.
11.4. MTODO DE DIFERENCIAS FINITAS PARA PROBLEMAS DE VALORES EN LA FRONTERA 1D.543

Sea n 2 Z+ ; h =
El conjunto
L
y xj = jh; j = 0; 1; :::; n: Ponemos
n
(n) = fxj = jh j j = 0; 1; :::; ng :
(n) se llama discretizacin del intervalo [0; L] o tambin malla de [0; L] :
Puesto que
2u (xj ) + u (xj 1 )
+ rh (xj ) ; j = 1; :::; n 1;
h2
(vase el captulo 2, diferencias nitas centrales) se sigue que (P) se discretiza del modo siguiente:
8
< u (xj+1 ) 2u (xj ) + u (xj 1 )
+ q (xj ) u (xj ) + rh (xj ) = f (xj ) j = 1; :::; n 1;
(P1 )
h2
:
u (0) = 0; u (L) = 0
u00 (xj ) =
u (xj+1 )
En el esquema numrico precedente (P1 ) se desconocen u (xj ) y rh (xj ) ; j = 1; :::; n

rh (xj ) !h!0 0 j = 1; :::; n 1:
1: Deseamos que
Denotamos con uj una aproximacin de u (xj ) : Asumimos que rh (xj ) ' 0 y en consecuencia, se tiene el
esquema numrico siguiente.
(
u0 = 0; un = 0;
uj+1 2uj + uj 1
+ q (xj ) uj = f (xj ) j = 1; :::; n 1:
h2
Para j = 1, se tiene
2
+ q (x1 ) u1
h2
Para 1 < j < n
1;
1
uj
h2
Para j = n
1
u2 = f (x1 ) :
h2
2
+ q (xj ) uj
h2
1
uj+1 = f (xj ) :
h2
1;
1
un
h2
2
+ q (xn
h2
1)
un
= f (xn
1) :
El conjunto de ecuaciones precedente, en forma matricial se escribe en la siguiente forma:

2
3 2
2 2
3
u1
f (x1 )
1
+ q (x1 )
0
0
6
7
6
h2
h2
u
2 7
1
2
1
6
76
6 f (x2 )
+ q (x2 )
0
6
7 6 .. 7 6
h2
h2
h2
..
6
76 . 7 6
..
..
..
..
..
.
6
7
6
7
6
.
.
.
.
.
6
7 6 .. 7 = 6
..
6
76 . 7 6
..
..
..
.
1
6
7
6
4
5
.
.
.
h2
4
5
4
u
f
(x
n 2
n 2)
1
2
0
+ q (xn 1 )
h2
h2
un 1
f (xn 1 )
Ponemos !
u h = (u1 ; :::; un
T
1)
!
; b = (f (x1 ) ; :::; f (xn
T
1 ))
3
7
7
7
7
7
7
7
7
5
(1)
Ah = (aij (h)) con
2
+ q (xi ) i = 1; :::; n 1;
h2
1
; i = 2; :::; n
ai 1i (h) = aii 1 (h) =
h2
aii (h) =
El sistema de ecuaciones lineales (1) se escribe en forma compacta como

!
Ah !
uh = b :
1:
(2)
La matriz Ah es de (n 1) (n 1), tridiagonal, simtrica y se demostrar ms adelante que es denida

positiva, por lo que el sistema de ecuaciones (2) tiene una nica solucin !
u n 2 Rn 1 :
11.4.1.
Aspectos informticos del mtodo de diferencias nitas
El problema propuesto en la seccin precedente sugiere proponer la siguiente metodologa para su

resolucin.
1. Lectura de datos de entrada.
Leer L > 0; n 2 Z+ , funciones q y f:
2. Preparacin de los datos de entrada.
i. Generacin de la malla (n) = fxj j j = 0; 1; :::; ng :
a. Generacin manual.
b. Generacin automtica.
!
ii. Construccin de los vectores !
q y b:
!
q = (q (x1 ) ; :::; q (xn 1 )) ;
!
b = (f (x1 ) ; :::; f (xn 1 )) :
iii. Condiciones de frontera: u (0) ; u (L) :
u (0) = 0;
u (L) = 0:
iv. Construccin de la matriz Ah = (aij (h)) :
2
+ q (xi ) i = 1; :::; n 1;
h2
1
i = 2; :::; n
ai 1i (h) = aii 1 (h) =
h2
aii (h) =
1:
3. Ejecucin del algoritmo.

Resolucin del sistema de ecuaciones
!
Ah !
uh = b :
(*)
a) Mtodo directo: factorizacin LU:

b) Mtodo iterativo: S:O:R:
4. Preparacin de los datos de salida.
i. Construir el archivo que contiene n;
(n) y !
u h ; por ejemplo uh :dat contiene
n
xi
uh;i ;
i = 0; :::; n:
ii. Con el propsito de efectuar pruebas, es recomendable conocer la solucin exacta u. Con esta
solucin se debe construir el vector !
u = (u (0) ; :::; u (L)) y en consecuencia generar el archivo
u: dat que contiene
n
xi ui i = 0; :::; n:
iii. Supongamos que u 2 V , donde V es un espacio de funciones provisto de la norma k kV :
Calcular el error r (n) = ku uh kV para diferentes discretizaciones. Generar un archivo que
contiene n y e (n), por ejemplo: eh .dat:
n e (n)
n = n1 ; 2n1 ; 4n1 ; 8n1 ; :::; 2n0 n1 ;
donde n0 2 Z+ (por ejemplo: n1 = 20; n0 = 5).

5. Presentacin de resultados.
i. Grcas de u y uh :
ii. Curva de errores.
Nota: Se conocen las soluciones u y uh en los puntos xi 2 (n); esto es, se tienen los conjuntos de
puntos:
G1 = f(xi ; u (xi )) j i = 0; 1; :::; ng ;
G2 = f(xi ; uh;i ) j i = 0; 1; :::; ng :
Al representar G1 y G2 en el sistema de coordenadas rectangulares XY , se tienen puntos en el

plano. Estos puntos pueden ser unidos con segmentos de recta, polinomios de grado 2, polinomios
cbicos, etc. En denitiva, se utilizarn B-splines de orden 1, 2, 3, etc. Por sencillez se utilizarn
los B-splines de orden 1. Para ello denimos
8
x xi 1
>
>
; x 2 [xi 1 ; xi ] ;
>
<
hi
x xi+1
'i (x) =
; x 2 ]xi ; xi+1 ] ; i = 1; :::; n 1:
>
>
hi+1
>
:
0; x 2 [0; L] [xi 1 ; xi+1 ]
Note que 'i (xj ) =
ij
i; j = 1; :::; n
1; adems hi = h; i = 1; :::; n:
Ponemos
u
e (x) =
uh (x) =
e (n) =
n
X1
i=1
n
X1
i=1
n0
X
u (xi ) 'i (x) ;

un;i 'i (x)
e (nj )
(n)
k=1
con
11.4.2.
(n) denida de manera anloga a 'i (x) :
Consistencia, estabilidad, convergencia
1. Sea L > 0. Consideramos el problema siguiente:

Hallar u 2 C 2 ([0; L]) solucin de
donde q; f 2 C 0 ([0; L]) con q (x)
u00 + qu = f sobre ]0; L[ ;

u (0) = u (L) = 0;
0 8x 2 [0; L] :
El esquema numrico que aproxima la solucin u es el siguiente:

(
u0 = un = 0
uj+1 2uj + uj 1
+ q (xj ) uj = f (xj ) ; j = 1; :::; n
h2
donde
(2)
1;
(n) = fxj = jh j j = 0; 1; :::; ng es el conjunto de nodos de [0; L] ; h =
L
n
y n 2 Z+ :
El esquema numrico (2), en forma matricial, se escribe:

!
Ah !
uh = b ;
!
con !
u h = (u1 ; :::; un 1 )T ; b = (f (x1 ) ; :::; f (xn 1 )) ; Ah = (aij (h)) la matriz denida por:
aii (h) =
aii
1 (h)
(1)
2
+ q (xi ) i = 1; :::; n 1;
h2
2
= ai 1;i (h) i = 2; :::; n
h2
1:
(3)

(n) !
R
Denicin 5 Toda funcin g :
xj
! g (xj ) = yj
!
g = (g (x0 ) ; :::; g (xn )) o bien !
g = (y0 ; :::; yn ) :
se llama funcin reticular que se escribir
Se denota con Vh al conjunto de todas las funciones reticulares denidas en (n). Con las operaciones
habituales de funciones: adicin y producto por escalares, Vh es un espacio vectorial de dimensin n + 1.
Se denota con V0 = fg 2 Vh j g (0) = g (L) = 0g :
Teorema 1 Las siguientes son normas en V0 :
i) kgk1 =
ii) kgk2 =
iii) kgk1;2 =
Max
i=1;:::;n 1
nP1
jg (xi )j
hg 2 (x)
1
2
i=1
"
nP1
i=0
g (xi+1 ) g (xi )
h
#1
2
Demostracin. Son inmediatas (vase el apndice, espacios normados).

Nota: para todo f; g 2 V0 ;
n
X1
hf; gi =
i=1
n
X1
hf; gi1;2 =
hf (xi ) g (xi ) ;
[f (xi+1 )
f (xi )] [g (xi+1 )
h
i=0
g (xi )]
son productos escalares en V0 . Adems,
kf k2 = hf; f i 2 :
1
2
:
kf k1;2 = hf; f i1;2
jhf; gij
kf k2 kgk2
jhf; gij
8f; g 2 V0 ;
kf k1;2 kgk1;2
8f; g 2 V0
Teorema 2 Para todo f 2 V0 , se verica que

L
1
2
kf k2
kf k1
L 2 kf k1;2 :
Demostracin.
i. Probemos primeramente que kf k1
L 2 kf k1;2
8f 2 V0 : En efecto, yi =
y0 = 0; i = 1; :::; n: Luego, aplicando la desigualdad de Cauchy-Schwarz, se tiene

11
0
11 0
2
2
i 1
i 1
i 1
X
X
X
2
2
(yj+1 yj ) A
jyi j =
j(yj+1 yj )j @
1 A @
j=0
1
2
Como h =
jyi j
L
h
n @
n
X1
(yj+1
yj )
j=0
) n = Lh . Obtenemos
0
11
0
2
n
n
X1 L
X1
1
@
(yj+1 yj )2 A = L 2 @
h
h
j=0
2A
j=0
(yj+1
yj ) ya que
j=0
j=0
j=0
11
iP1
n
X1
=4
n (yj+1
25
yj )
j=0
yj+1 yj
h
31
11
2
1
A = L 2 kf k
1;2
i = 1; :::; n
1:

1
En consecuencia kf k1
L 2 kf k1;2 :
ii. Probemos que kf k2
L 2 kf k1 :
Puesto que
kf k22 =
n
X1
hyi2 = h
i=1
n
X1
yi2
i=1
n
X1
i=1
kf k21 = hn kf k21 = L kf k21 :

1
De la no negatividad de la norma, se sigue que kf k2
L 2 kf k1 :
De i) y ii) se deduce
1
2
Observacin. Puesto que jyi j

kf k22 =
kf k2
L 2 kf k1;2
n
X1
hyi2
i=1
kf k1
L 2 kf k1;2
8f 2 V0 :
i = 1; :::; n, se sigue que

n
X1
i=1
hL kf k21;2 = nhL kf k21;2 = L2 kf k21;2 ;
as,
kf k22
L2 kf k21;2
kf k2
L kf k1;2 :
de donde
que es la anloga a la desigualdad de Poincar: f 2 H01 (o; L) ; 9c > 0 tal que kf kL2 (o;L)
c kf 0 kL2 (0;L) :
Denicin de consistencia
!
Sea U h = (u (x0 ) ; :::; u (xn ))T el vector constituido por la solucin exacta en los puntos xi ;
de la malla (n) : Denimos
i = 0; :::; n
!
!
eh = Uh !
u h el error sobre la solucin numrica,
!
!
!
b error de consistencia.
r h = Ah U h
Denicin 6 1. Diremos que (1) y(3) son consistentes, para una norma k k de V0 , si l m k!
r h k = 0:
h!0
Denicin 7 2. Diremos que (1) y (3) tienen una consistencia de orden m > 0, si existe una constante
c1 > 0 independiente de h, tal que
k!
r h k c1 hm 8h > 0:
La consistencia es necesaria, pero no suciente para que el sistema discreto (esquema numrico (2)) sea
convergente.
Sea L : C 2 ([0; L]) ! C 0 ([0; L]) el operador diferencial denido por Lu =
Para x 2 [0; L], escribiremos Lu (x) =
u00 + qu:
u00 (x) + q (x) u (x) :
Denotamos con L : C 0 (]0; L[) ! R el operador denido por:

L u (x) =
donde h > 0; x
u (x + h)
h; x; x + h 2 [0; L] :
2u (x) + u (x
h2
h)
+ q (x) u (x) ;

Ponemos L ui = f (xi ) ;
i = 1; :::; n
1: Observe que
u (xi+1 )
L u (xi ) =
2u (xi ) + u (xi+1 )
+ q (xi ) u (xi ) i = 1; :::; n
h2
1:
La consistencia establece que el operador L aproxima al operador diferencial L cuando h ! 0. Ms

precisamente, tenemos el siguiente teorema.
Teorema 3 Supongamos que u, solucin de (1), es de clase C 4 ([0; L]) : Entonces
h2 (iv)
u
12
h2 (iv)
u
12
k!
r h k1
kL uh
Luk1
L1 (0;L)
L1 (0;L)
;
:
Demostracin. Esto es, el esquema numrico (2) es consistente.

De la denicin de !
r h , se sigue que
!
!
!
r h = Ah U h
b ,
u (xi+1 ) 2u (xi ) + u (xi
rih =
h2
1)
+ q (xi ) u (xi )
f (xi ) :
Por otro lado,

u00 (x) + q (x) u (x) = f (x)
x 2 ]0; L[ ;
entonces
0=
u00 (xi ) + q (xi ) u (xi )
de donde
rih = u00 (xi )
f (xi ) ;
1
(u (xi+1 )
h2
i = 1; :::; n
2u (xi ) + u (xi
1;
1 )) :
Adems,
h2 00
u (xi ) +
2!
h2
hu0 (xi ) + u00 (xi )
2!
u (xi+1 ) = u (xi ) + hu0 (xi ) +

u (xi
1)
= u (xi )
con =1 2 [xi ; xi+1 ] ; =2 2 [xi
1 ; xi ] ;
i = 1; :::; n
2u (xi ) + u (xi
h2
1)
h4 iv
u (=1 ) ;
4!
h4 iv
u (=2 ) ;
4!
1:
Entonces
u (xi+1 )
h3 000
u (xi ) +
3!
h3 000
u (xi ) +
3!
= u00 (xi ) +
h2 iv
u (=1 ) + uiv (=2 ) ;
4!
con lo cual
rih =
jrih j
h2 iv
u ( 1 ) + uiv ( 2 )
4!
h2 iv
u
12
L1 (0;L)
de donde
k!
r h k1 =
Max
i=1;:::;n 1
jrih j
Puesto que Lu = f y L u (xi ) = f (xi ) i = 1; :::; n

L u (xi )
Luego
Lu (xi ) = u00 (xi )
u (xi+1 )
!
L Uh
; i = 1; :::; n
h2 iv
u
12
L1 (0;L)
1, se sigue que
2u (xi ) + u (xi
h2
Lu
! 0:
1 h!0
1)
= rih i = 1; :::; n
1:
!
Ntese que k!
r h k1 = L U h
Lu
de orden 2.
h2
12
Max uiv (x) ; que muestra que el esquema numrico es
x2[0;L]
Denicin 8 Sean k kh;1 ; k kh;2 dos normas en V0 . Diremos que el esquema numrico (2) es estable
con respecto de las normas k kh;1 ; k kh;2 , si existe una constante C2 > 0 independiente de h, tal que
Ah 1 !
u
h;1
C2 k!
u kh;2
8!
u 2 V0 ; 8h > 0:
Denicin 9 Sea k k una norma en V0 :

i. Se dice que el esquema numrico (2) es convergente con respecto de k k si l m k!
e h k = 0:
h!0
ii. Se dice que el esquema numrico tiene un orden de convergencia p > 0, si existe una constante
C3 > 0 independiente de h tal que k!
e h k C3 hp 8h > 0:
!
Teorema 4 El sistema de ecuaciones Ah !
u h = b tiene una nica solucin uh :
Demostracin. Probemos que Ah es invertible. Para el efecto, mostremos que Ah es denida positiva,
esto es,
!
u T Ah !
u > 0 8!
u 2 Rn 1 con !
u =
6 0:
Sea !
u = (u ; :::; u ) 2 Rn 1 ; u = u = 0. Entonces
1
6
6
6
!
!
T
u Ah u = (u1 ; :::; un ) 6
6
6
4
=
n
X1
i=1
n
X1
i=1
1
h2
1
ui ( ui
h2
n
X1
ui (ui
2
h2
ui 1
h2
un 2
h2
2
h2
2
h2
ui+1
h2
+ q (xi ) ui
..
.
+ q (xn
+ 2ui
ui+1 ) +
ui
n
X1
1)
un
n
X1
ui+1 (ui+1
ui )
i=0
7
7
7
7
7
7
5
q (xi ) u2i
ui (ui+1
i=1
n
X1
un
h2
ui+1
h2
i=1
1)
u2
h2
+ q (x1 ) u1
..
.
2
+ q (xi ) ui
h2
ui 1
h2
ui
i=1
n
X2
1
h2
u0
h2
ui (ui+1
i=1
ui )
ui )
n
X1
q (xi ) u2i
i=1
n
X1
q (xi ) u2i :
i=1
Tomando en cuenta que u0 = 0 u un = 0, se sigue que

!
u T Ah !
u =
=
1
h2
1
h2
1
h
n
X1
ui+1 (ui+1
i=0
n
X1
i=0
ui (ui+1
i=0
(ui+1
i=0
n
X1
ui )
n
X1
ui )2 +
ui+1 ui
h
1 ! 2
k u k1;2 :
h
n
X1
q (xi ) u2i
i=1
n
X1
i=1
q (xi ) u2i
ui )
n
X1
i=1
q (xi ) u2i

Luego !
u T Ah !
u
1
h
2
k!
u k1;2 8!
u 2 Rn con !
u =
6 0
Si ker (Ah ) 6= 0 f0g, existe u

e 2 Rn
con u0 = un = 0 tal que u

e 6= 0 y Ah u
e = 0. Resulta que
1
e=0
ke
uk21;2 ) u
h
en otra contradiccin con lo supuesto. En consecuencia ker (Ah ) = f0g, que muestra que Ah es invertible.
!
!
Por lo tanto, 8 b 2 Rn 1 , el sistema de ecuaciones Ah !
u = b tiene solucin nica.
Observacin: La estabilidad del esquema numrico (2) signica que pequeos errores en los datos de
entrada producen pequeos errores en los datos de salida, esto a su vez que existe una constante c > 0
tal que Ah 1
c 8h > 0: Note que l m Ah 1
c:
h!0
La consistencia y la estabilidad son dos nociones independientes.

Teorema 5 Para todo !
u 2 V 0 ; Ah 1 !
u
normas k k1;2 y k k2 :
L k!
u k2 ; esto es, se tiene estabilidad con respecto de las
1;2
Demostracin. Probaremos el teorema en dos etapas.

i. Probemos que para todo !
u 2 V0 ;
2
h!
u T Bh !
u = k!
u k1;2 ;
donde Bh = (bij (h)) denota la matriz de n
1 (h)
1 denida por
2
i = 1; :::; n 1;
h2
1
= bi 1i (h) i = 2; :::; n
h2
bii (h) =
bii
1:
Procediendo de manera similar al teorema precedente, tenemos

n 1
1X
h!
u T Bh !
u =
ui ( ui
h
+ 2ui
i=1
u
ii. Probemos que Ah 1 !
2
ui+1 ) = k!
u k1;2 :
c k!
u k1;2 :
1;2
u entonces !
u = Ah !
v : Ponemos Ah = Bh + Qh con Bh denida en i) precedente y
Sea !
v = Ah 1 !
Qh = diag (q (x1 ) ; :::; q (xn 1 )) :
Multiplicando por !
v T , se tiene
!
v T!
u =!
v T Ah !
v =!
v T (Bh + Qh ) !
v =!
v T Bh !
v +!
v T Qh !
v:
Luego
2
h!
v T!
u = h!
v T Bh !
v + h!
v T + Qh !
v = k!
v k1;2 +
de donde
0
n
X1
2
k!
v k1;2 +
Puesto que k!
v k2
2
k!
v k1;2 +
L k!
v k1;2 ; entonces
2
k!
v k1;2
n
X1
i=1
hq (xi ) vi2
hq (xi ) vi2
i=1
k!
v k2 k!
u k2 :
i=1
Adems,
2
k!
v k1;2
hq (xi ) vi2 = h!
v T!
u
n
X1
k!
v k2 k!
u k2 :
L k!
v k1;2 k!
u k2 ;

de donde
k!
v k1;2
o bien
Ah 1 !
u
L k!
u k2 ;
L k!
u k2 :
1;2
Estabilidad + consistencia ) convergencia.

Teorema 6 El esquema numrico (2) es convergente para las normas k k2 ; k k1 y k k1;2 :
Demostracin. Puesto que Uh = (u (x1 ) ; :::; u (xn
1 )) ;
u (0) = u (L) = 0;y

!
b
!
!
r h = Ah U h
con lo cual
!
!
Ah U h = !
rh+ b:
Adems,
!
Ah !
uh = b :
!
Luego, el error !
eh = Uh
!
u h satisface la ecuacin
Ah !
eh=!
r h;
pues
!
Ah U h
!
r h:
uh =!
Se tiene !
e h 2 V0 y !
e h = Ah 1 !
r h:
Por el teorema precedente (estabilidad para las normas k k1;2 y k k2 ) y por el teorema relativo a la
consistencia, se tiene
r h 1;2 L k!
r h k2 :
k!
e h k1;2 = Ah 1 !
Puesto que
L
1
2
r h k2
k!
1
r h k1;2 ;
L 2 k!
k!
r h k1
resulta que
1
k!
r h k2
r h k1
L k!
L2 2
h Max uiv (x)
12 x2(0;L)
L k!
r h k2
L2 2
h Max uiv (x) :
12 x2[0;L]
1
2
y en consecuencia
3
k!
e h k1;2
Por lo tanto,
(*)
k!
e h k1;2 !h!0 0:
Por otro lado,

3
1
2
L2 2
h Max uiv (x) ;
12 x2[0;L]
k!
e h k1
k!
e h k1;2
k!
e h k1
L2 2
h Max uiv (x) !h!0 0:
12 x2[0;L]
(**)
(11.1)
Finalmente,
3
L2 2
h Max uiv (x) ;
12 x2[0;L]
k!
e h k2
k!
e h k1;2
k!
e h k2
L2 2
h Max uiv (x) !h!0 0:
12 x2[0;L]
(***)

Observe que
L
con c =
c0
12
1
2
k!
e h k2
k!
e h k1
1
2
k!
e h k1;2
ch2 ;
Max uiv (x) y c0 = L 2 ; L2 ; L 2 de acuerdo a (*), (**) y (***) respectivamente.
x2[0;L]
Adicionalmente, el teorema muestra que el esquema numrico (2) tiene un orden de convergencia 2 para
las normas k k1 ; k k2 y k k1;2 :
11.4.3.
Orden de convergencia
1. Ecuacin diferencial con condiciones de frontera de Dirichlet no homogneas.

u00 + qu = f sobre ]0; L[ ;
u (0) = a; u (L) = b:

Sean n 2 Z+ , h =
L
n;
(P.)
(h) = fxj = jh j j = 0; 1; :::; ng la malla de [0; L] :
El esquema numrico del problema (P) es el siguiente:

(
u0 = a; un = b;
uj+1 2uj + uj 1
+ q (xj ) uj = f (xj )
h2
j = 1; :::; n
(P1 :)
1:
El esquema numrico (P1 ) en forma explcita se escribe: para j = 1; u0 = a, y

u2
con lo cual
Para j = n
2u1 + a
+ q (x1 ) u1 = f (x1 )
h2
2
+ q (x1 ) u1
h2
1; un = b, luego
b
2un
+ un
h2
de donde
1
a
u2 = f (x1 ) + 2 :
2
h
h
1
un
h2
+ q (xn
2
+ q (xn
h2
1)
1 ) un 1
un
= f (xn
= f (xn
1)
1)
b
:
h2
El esquema numrico (P1 ) es:

8
2
+ q (x1 ) u1 h12 u2 = f (x1 ) + ha2
<
h2
1
2
1
u
= f (xj ) j = 2; :::; n
2 uj 1 + h2 + q (xj ) uj
h2 j+1
: h
2
b
1
u
+
+
q
(x
)
u
n 1
n 1 = f (xn 1 ) + h2 :
h2 n 2
h2
(P2 :)
Sea w : [0; L] ) R la funcin denida por
w (x) =
x
b+ 1
L
Entonces w (0) = a; w (L) = b: Se dene u

e=u
u
e (0) = u (0)
u
e (L) = u (L)
x
a:
L
w. Se tiene
w (0) = 0;
w (L) = 0:
La funcin u
e satisface las condiciones de frontera de Dirichlet homognea. La ecuacin lineal del
problema (P) se escribe
u
e00 + q (e
u + w) = f

de donde
u
e00 + qe
u=f
En consecuencia
con g = f
u
e00 + qe
u = g sobre ]0; L[ ;
u
e (0) = u
e (L) = 0
qw:
Note que g (xj ) = f (xj )
qw:
(qw) (xj ) = f (xj )
q (xj )
xj
Lb
+ 1
e
(P:)
xj
L
a :
e , el esquema numrico es idntico al establecido

Desde el punto de vista informtico, si se utiliza P
!
en la seccin 3, el sistema de ecuaciones Ah !
u h = b es similar al establecido en esa seccin a
!
!
condicin de remplazar b = (f (x1 ) ; :::; f (xn ))T por el vector b = (g (x1 ) ; :::; g (xn ))T :
Si se utiliza el esquema numrico (P2 ), la matriz Ah es la misma que la de la seccin 3, el vector
!
b se remplaza por el vector f (x1 ) + ha2 ; f (x2 ) ; :::; f (xn 2 ) ; f (x1 ) + hb2 :
e ha sido discutida en la seccin 5.
La estabilidad, consistencia y convergencia para el problema P
Por lo tanto, el esquema numrico (P2 ) es convergente, con orden de convergencia igual a 2.
2. Ecuacin diferencial con condiciones de frontera de Neumann.
u00 + qu = f sobre ]0; L[ ;

u0 (0) = a; u0 (L) = b:
(Pn :)
Sea w la funcin real denifa por:

w (x) =
x2
b
2L
(L
x)2
a; x 2 [0; L] :
2L
Entonces
x
x
b+ 1
a;
L
L
b
a
b a
w00 (x) =
=
;
L L
L
w0 (0) = a; w0 (L) = b:
w0 (x) =
Se dene u
e=u
w. Entonces
u
e0 (x) = u0 (x)
0
w0 (x)
0
u
e (0) = 0; u
e (L) = 0;
u
e00 (x) = u00 (x)
x 2 [0; L] ;
w00 (x) = u00 (x)
a
L
Consecuentemente, el problema (Pn ) se escribe
con lo cual
u
e00 (x) +
a
L
+ q (x) (e
u (x) + w (x) = f (x))
x 2 ]0; L[ ;
u
e00 + qe
u = f b La qw sobre ]0; L[ ;
u
e0 (0) = u
e0 (L) = 0:
e n)
(P
u00 + qu = f sobre ]0; L[ ;

u0 (0) = u0 (L) = 0:
(P0 )
El resultado precedente muestra que debemos estudiar la ecuacin diferencial con las condiciones
de Neumann homogneas; eso es, consideramos el problema (P0 ) siguiente:

Para construir un esquema numrico que aproxime la solucin de (P0 ), comenzamos con la
aproximacin de u0 (0) y u0 (L) :
Aproximacin de u0 (0) y u00 (0)
Sea n 2 Z+ , h =
L
h
(n) = fxj = jh j j = 0; 1; :::; ng : Entonces

u00 (0) '
u0 (e
x1 )
u0 (0)
h
2
2 0
u (e
x1 )
h
a ;
donde x
e1 es el punto medio del intervalo [0; x1 ]. Para la aproximacin de u0 (e
x1 ) utilizamos las
diferencias nitas centrales. Tenemos
u (x1 )
u0 (e
x1 ) '
u (0)
luego
u00 (e
x1 ) '
2 u (x1 ) u (0)
h
h
a =
2
[u (x1 )
h2
u (0)
ah] :
Utilizando el polinomio de Taylor, tenemos

u (x1 ) = u (0) + hu0 (0) +
con lo cual
2
[u (x1 )
h2
h3
h2 00
u (0) + u000 ( ) con
2!
3!
ah] = u00 (0) +
u (0)
2 [0; x1 ] ;
h 000
u ( ):
3
Aproximacin de u0 (L) y u00 (L) :

Sea x
en el punto medio del intervalo [xn
que
u00 (L) '
'
u0 (L)
1 ; L].
u0 (e
xn
1)
h
2
2
b
h
u (L)
Procediendo de modo similar al caso u0 (L), se deduce
u (xn
h
2
b
h
1)
u0 (e
xn
=
1)
2
( u (L) + u (xn
h2
1)
+ bh) :
Por el desarrollo de Taylor, se tiene

u (xn
entonces
1)
= u (L)
hu0 (L) +
h2 00
u (L)
2!
2
( u (L) + u (xn
h2
Denimos Lu =
1)
h3 000
u (
3!
n)
+ bh) = u00 (L)
con
h 000
u (
3
2 [xn
1 ; L] ;
n) :
u00 + qu y suponemos u 2 C 4 ([0; L]) : Entonces

Lu (x) =
L u (0) =
L u (L) =
u00 (x) + q (x) u (x) x 2 [0; L] ;

2
(u (x1 ) u (0) ah) + q (0) u (0) ;
h2
2
( u (L) + u (xn 1 ) + bh) + q (L) u (L) :
h2
Se tiene
jLu (0)
L (0)j =
=
jLu (L)
L u (L)j =
u00 (0) + q (0) u (0) +
2
(u (x1 )
h2
h 000
u ( 1 ) con 1 2 [0; x1 ] ;
3
h 000
h 000
u ( n) =
u ( n ) con
3
3
u (0)
2 [xn
ah)
q (0) u (0)
1 ; L] :

Para j = 0; :::; n, el esquema numrico tiene la forma siguiente:
uj+1
Luego
8
<
Poniendo L u (xj ) =
+ q (xj ) uj = f (xj )
2
+ q (0) u (0) h22 u1 = f (0) 2a
h;
h2
2
1
1
u
+
+
q
(x
)
u
u
=
f
(xj ) ;
j
j
h j+1
h2 j 1
h2
2
2b
2
u
+ h2 + q (L) un = f (L) + h :
h2 n 1
u (xj+1 )
jLu (xj )
2uj + uj
h2
2u (xj ) + u (xj
h2
1)
+ q (xj ) u (xj ) ; se tiene
h2
Max u(iv) (x)
12 x2[0;L]
L u (xj )j
(P1 )
j = 1; :::; n
1:
Como
jLu (0)
L u (0)j
jLu (L)
L u (L)j
h
Max u000 (x) ;
3 x2[0;L]
h
Max u000 (x) ;
3 x[0;L]
se sigue
h
Max
3
k!
r hk
u000
u(iv)
L1 (o;L)
L1 (0;L)
que muestra que el esquema numrico es de orden 1.

Se puede observar que la matriz Ah = (aij (h)) del esquema numrico (P1 ) est denida por
2
+ q (xi ) ; i = 0; 1; :::; n;
h2
2
2
a12 (h) =
; ann 1 (h) =
;
2
h
h2
1
ai 1i (h) = aii 1 (h) =
i = 2; :::; n 1:
h2
aii (h) =
La matriz Ah no es simtrica. Adems,

8
ai
< aii (h)
1i (h)
aii
a11 (h)
ann (h)
1 (h) ;
i = 1; :::; n
a12 (h) ;
ann 1 (h) :
1;
Si q 6= 0, existe j = 0; 1; :::; n tal que q (xj ) > 0 con lo cual

ajj (h) >
aj
1j
(h)
ajj
1 (h)
que prueba que la matriz Ah es diagonalmente dominante, y en consecuencia Ah es invertible.

Conclusin: El esquema numrico (P1 ) es convergente con orden de convergencia igual a 1.
11.4.4.
Mtodo de diferencias nitas en mallas no uniformes
Posicin del problema

Sea L > 0. Consideramos el problema (P) siguiente:
hallar u : [0; L] ! R solucin de
d
dx
k (x) du
dx (x) + q (x) u (x) = f (x) x 2 ]0; L[ ;
u (0) = 0; u (L) = 0;
(P)

dondek; q; f 2 C 0 ([0; L]) tales que
k (x)
>0
q (x)
8x [0; L] ;
8x 2 [0; L] :
k du
dx se interpreta como el ujo.
El trmino
Sean n 2 Z+ y (n) = fx0 = 0 < x1 < ::: < xn 1 < xn = Lg la malla de [0; L] no necesariamente
uniforme. Ponemos hj = xj xj 1 j = 1; :::; n; y h = Max hj :
j=1;:::;n
Deseamos aproximar la solucin de u de (P) en los nodos x1 ; :::; xn
1:
Discretizando de (P)
Sean a; b 2 [0; L] tales que a < b. Entonces
Z b
Z b
Z b
d
du
f (x) dx
q (x) u (x) dx =
k (x)
dx +
dx
a
a
a dx
Z b
Z b
du b
k (x)
+
q (x) u (x) dx =
f (x) dx:
dx a
a
a
hi
hi+1
; b = xi +
(a y b son los puntos medios de los intervalos [xi
2
2
respectivamente) se tiene
Para a = xi
hi+1
k xi +
2
=
xi +
xi
Las derivadas
hi+1
2
hi
2
du
dx
du
dx
hi+1
xi +
2
hi
2
k xi
du
dx
xi
hi
2
xi +
xi
hi+1
2
hi
2
1 ; xi ]
y [xi ; xi+1 ]
q (x) u (x) dx
f (x) dx
xi +
hi+1
2
du
dx
du
hi
xi
dx
2
hi+1
du
xi +
dx
2
hi
2
xi
'
'
se aproximan mediante diferencias nitas centrales

u (xi )
u (xi
hi
u (xi + hi+1 )
hi+1
hi )
u (xi 1 )
;
hi
u (xi )
u (xi+1 ) u (xi )
=
:
hi+1
=
u (xi )
Las integrales del modo siguiente

Z
xi +
xi
hi+1
2
hi
2
xi +
xi
hi + hi+1
q (xi ) u (xi ) ;
2
q (x) u (x) dx '

hi+1
2
hi
2
f (x) dx '
hi + hi+1
f (xi )
2
i = 1; :::; n
i = 1; :::; n
1;
(1)
1:
(2)
Las frmulas (1) y (2) son una variante de la frmula del punto medio siguiente: si g 2 C 0 ([ ; ]) ;
Z
+
g (x) dx ' (
)g
:
2
Denotamos con ui una aproximacin de u (xi ). Se establece el esquema numrico siguiente:
k xi +
hi+1
2
ui+1 ui
+ k xi
hi+1
hi
2
ui
ui
hi
hi + hi+1
q (xi ) ui =
2
hi + hi+1
f (x) i = 1; :::; n
2
1:

de donde
hi
2
k xi
hi
=
ui
hi + hi+1
f (xi )
2
+4
hi
2
k xi
k xi +
+
hi
i = 1; :::; n
hi+1
2
hi + hi+1
+
q (xi )5 ui
2
hi+1
1:
k xi +
hi+1
2
hi+1
ui+1
Tomando en consideracin las condiciones de frontera u (0) = u0 = 0 y u (L) = un = 0, resulta:

#
"
8
h
h
h
k x1 + 22
k x1 + 22
k x1 21
>
>
1
>
+
+ 2 (h1 + h2 ) q (x1 ) u1
u2 = 21 (h1 + h2 ) f (x1 ) ;
>
h1
h2
h2
>
>
>
"
#
>
<
h
h
h
h
k xi 2i
k xi + i+1
k xi + i+1
k xi 21
2
2
hi +hi+1
ui 1 +
+
+
q (xi ) u (xi )
ui+1 = 12 (hi + hi+1 ) f (xi ) ;
hi
hi
hi+1
2
hi+1
>
>
>
>
hn 1
>
>
k xn 1
>
k(xn 1 + h2n )
k(xn 1 hn2 1 )
2
>
:
un 1 +
+
+ hn 1 +hn q (xn 1 ) un 1 = 1 (hn 1 + hn ) f (xn )
hn
hn
hn
(3)
Ponemos
hi
2
k xi
ai =
hi
2
k xi
bi =
ci =
1;
hi+1
2
k xi +
hi
hi+1
hi+1
2
k xi +
fi =
i = 2; :::; n
hi
hi+1
a1 = 0;
1
(hi + hi+1 ) q (xi ) i = 1; :::; n
2
i = 1; :::; n
2;
1
(hi + hi+1 ) f (xi ) i = 1; :::; n
2
cn
1;
= 0;
El esquema numrico (3) se escribe

ai ui
+ bi ui + ci ui+1 = fi i = 1; :::; n
Por otro lado, se pone !

u = (u1 ; :::; un
k xi
aii (h) =
T
1) ,
hi
2
hi
1 (h)
!
v = (b1 ; :::; bn
k (xi + hi+1 ) hi + hi+1

+
q (xi ) i = 1; :::; n
hi+1
2
hi
2
i = 2; :::; n
hi
T
1)
(4)
y se dene Ah = (aij (h)) con
k xi
ai i i (h) = aii
1:
con bi =
1;
hi + hi+1
f (xi ) :
2
El esquema numrico (3) se escribe en la forma

!
Ah !
u = b:
Se verican las condiciones siguientes:
i. Ah = ATh , es decir que Ah es simtrica.
ii. bi > 0 i = 1; :::; n
1:
iii. c1 < 0; a0 < 0; ci < 0 i = 2; :::; n
2; an
< 0:
(5)

iv.
bi > ai ci i = 2; :::; n
b1 > c1 ; bn 1 > ann
2
1:
Se demuestra que Ah es positiva, esto es, Ah 1 > 0:

Observacin
Si se considera el problema (P) siguiente:
(
k (x) du(x)
+ q (x) u (x) = f (x) x 2 ]0; L[ ;
dx
d
dx
(P)
u (0) = a; u (L) = b
donde a; b 2 R; k; q; f funciones que satisfacen las condiciones citadas precedentemente.

Se dene w (x) =
x
Lb
(L x)
L a
x 2 [0; L]. Se tiene
w (0) = a; w (L) = b; w0 (x) =

Se dene u
e=u
8x 2 [0; L] :
w. Entonces
(
d
dx
u
k de
u=f
dx + qe
qw +
b a dk
L dx :
e
(P)
u
e (0) = 0; u
e (L) = 0
Note que en este caso k 2 C 1 ([0; L]) :
e tiene condiciones de frontera de Dirichlet homogneas.

El problema P
Condiciones de frontera mixtas
Consideramos ahora el caso en el que las condiciones de frontera son las siguientes:
0
1 u (0)
0
1 u (L)
con
1;
2;
1;
2;
+
+
2 u (0)
= g1
2 u (L) = g2
g1 ; g2 2 R.
Condiciones de frontera en x = 0:
Tomando a = 0; b =
h1
2
se tiene
h1
2
d
dx
du
k (x)
dx
dx +
h1
2
q (x) u (x) dx =
du
k (x)
dx
h1
2
h1
2
f (x) dx
h1
2
q (x) u (x) dx =
Z
Z
h1
2
f (x) dx:
h1
Consideramos el trmino
k (x)
du 2
dx 0
du
k (x)
dx
Puesto que
1u
0 (0)
2 u (0)
Por otro lado, la derivada
du
dx
. Tenemos
h1
2
h1
2
= g1 , suponemos que
h1
2
du
dx
1
h1
2
+ k (0)
du
(0) :
dx
6= 0, con lo cual u0 (0) =
1
1
(g1
2 u (0)) :
se aproxima mediante diferencias nitas centrales. Se tiene

du
dx
h1
2
'
u (x1 ) u (0)
;
h1

h1
en consecuencia
k (x)
du 2
dx 0
se aproxima como
du
k (x)
dx
h1
2
'
u (x1 ) u (0)
1
+ k (0)
(g1
h1
1
h1
2
2 u (0)) :
Adems,
Z
h1
2
q (x) u (x) dx '
h1
q (0) u (0) ;
2
h1
f (0) :
2
h1
2
f (x) dx '
Resulta
h1
2
k
o bien
En la prctica
u1
u0
(g1
2 u0 )
h1
2
h1
k (0) + q (0)5 u0
2
1
2
h1
= 1;
2
k h21
4
h1
+ k (0)
h1
h1
h1
q (0) u0 =
f (0) ;
2
2
h1
2
u1 =
h1
h1
f (0) :
2
0 con lo cual
3
h1
+ 2 k (0) + q (0)5 u0
2
h1
2
h1
f (0) + k (0) g1 :
2
u1 =
h1
Condicin de frontera en x = L:
hn
2 ;
Tomamos a = L
b = L. Entonces
L
du
k (x)
dx
con lo cual
du
k (x)
dx
La derivada
du
dx
hn
2
+
L
hn
2
1u
0 (L)
k (x)
k (L)
hn
2
hn
2
q (x) u (x) dx =
L
hn
2
du
(L) + k L
dx
hn
2
du
dx
f (x) dx;
hn
2
se aproxima mediante diferencias nitas centrales, esto es,

du
dx
Por otro lado,
du
dx
k (L)
=
hn
2
(g2
u (L)
'
= g2 ) u0 (L) =
2 u (L)
hn
2
1
1
(g2
2 u (L))
u (xn
hn
1)
2 u (L))
con
hn
2
+k L
6= 0. Luego,
u (L)
u (xn
hn
1)
Por otro lado,

Z
hn
2
q (x) u (x) dx '
hn
2
f (x) dx '
hn
q (L) u (L) ;
2
hn
f (L) :
2
Entonces
k (L)
1
(g2
2 u (L))
+k L
hn
2
u (L)
u (xn
hn
1)
hn
hn
q (L) u (L) '
f (L) :
2
2

de dond
k L
hn
En la prctica
hn
2
un
"
hn
2
"
hn
2
k L
1+
hn
k (L)
1
#
hn
k (L) g2
hn
q (L) un =
f (L) +
+
:
2
2
1
= 1. As
k L
hn
hn
2
un
k L
1+
hn
La matriz Ah = (aij (h)) 2 M(n+1)
(n+1) [R]
#
hn
hn
+ k (L) 2 +
q (L) un =
f (L) + k (L) g2 :
2
2
satisface las siguientes propiedades:
i. Ah = ATh :
ii. aii (h) > 0 i = 0; 1; :::; n;
iii. ai
1i (h)
= aii
1 (h)
< 0 i = 2; :::; n;
iv.
aii (h)
ai 1i (h) aii 1 (h) i = 2; :::; n 1;
a11 (h) > a21 (h) ; ann (h) > ann 1 (h) :
La matriz Ah es positiva.
11.5.
Ejercicios resueltos
1. Considerar el problema de valores de frontera:

(
u00 (x) + x2 u (x) = 1 + x
u (0) = 0; u (1) = 1:
x 2 ]0; 1[ ;
Aplicar el mtodo de diferencias nitas para aproximar la solucin con n = 5: La matriz debe
factorarse con el mtodo de Choleski.
Solucin
Utilizando diferencias nitas centrales, se tiene
u00 (xj ) '
u (xj+1 )
2u (xj ) + u (xj
h2x
1)
1
= 0;2 y xj = jhx j = 0; 1; : : : ; 5:
5
Sea uj una aproximacin de u (xj ) : Entonces el problema de valores de frontera:
(
u00 (x) + x2 u (x) = 1 + x x 2 ]0; 1[ ;
donde hx =
u (0) = 0; u (1) = 1:
se discretiza del modo siguiente:

8
< u0 = 0; u (1) = u5 = 1;
u (xj+1 ) 2u (xj ) + u (xj
:
h2x
1)
+ x2j uj = 1 + xj
o de manera explcita:
j = 1;
j = 2;
j = 3;
j = 4;
u2
2u1
+ x21 u1 = 1 + x1
h2x
u3 2u2 + u1
+ x22 u2 = 1 + x2
h2x
u4 2u3 + u2
+ x23 u3 = 1 + x3
h2x
1 2u4 + u3
+ x24 u4 = 1 + x4
h2x
11.5. EJERCICIOS RESUELTOS
561
que expresado en forma matricial, se tiene

2
2
2
6 h2x + x1
6
6
1
6
6
2
h
6
x
6
6
0
6
6
6
4
0
1
h2x
2
+ x22
h2x
1
h2x
1
h2x
2
+ x23
h2x
1
h2x
1
h2x
2
+ x24
h2x
7
72
7
7
76
76
74
7
7
7
7
5
2
3
1 + x1
u1
6
1 + x2
6
u2 7
7=6
1 + x3
u3 5 6
4
1
1 + x4 + 2
u4
hx
7
7
7:
7
5
Remplazando hx = 0;2 y xj = jhx j = 1; 2; 3; 4 se obtiene

2
3
50;04
25
0
0
6 25 50;16
25
0 7
7;
A=6
4 0
25 50;36
25 5
0
0
25 50;64
Ponemos !
u = (u1 ; u2 ; u3 ; u4 )T :
mtodo de factorizacin LU:
2
L11 0
0
0
6 L21 L22 0
0
Sean L = 6
4 0 L32 L33 0
0
0 L43 L44
3
1;2
! 6
1;4 7
7
b =6
4 1;6 5
26;8
!
Para resolver el sistema de ecuaciones A!
u = b aplicamos el
7
7;
5
3
1 u12 0
0
6 0 1 u23 0 7
7 : Entonces
U =6
4 0 0
1 u34 5
0 0
0
1
3
L11
L22 u12
0
0
7
6 L21 L21 u12 + L22
L22 u23
0
7
A = LU = 6
5
4 0
L32
L32 u23 + L33
L33 u34
0
0
L43
L43 u34 + L44
2
L11 = 50;04;
L21 =
25;
u12 =
25
=
50;04
L22 = 50;16
0;4996003197
( 25)
25
50;04
= 37;66999201;
25
= 0;663658224
37;66999201
25; L33 = 50;36 ( 25) ( 0;663658224) = 33;7685444;
25
u34 =
= 0;740333954
33;7685444
25; L44 = 50;64 ( 25) ( 0;740333954) = 32;13165115
u23 =
L32 =
L43 =
3
50;04
0
0
0
6 25 37;66999201
7
0
0
7
L = 6
4 0
5
25
33;7685444
0
0
0
25
32;13165115
2
1
0;4996003197
0
0
6 0
1
0;663658224
0
U = 6
4 0
0
1
0;740333954
0
0
0
1
7
7:
5
!
!
El sistema de ecuaciones A!
x = b se transforma en los siguientes: LU !
u = b ,
!
L!
y = b
:
U!
u =!
y

!
Solucin del sistema lineal de ecuaciones L!
y = b : En forma explcita, este sistema de ecuaciones
lineales se expresa como sigue:
2
32
3 2
3
50;04
0
0
0
y1
1;2
6 25 37;66999201
7 6 y2 7 6 1;4 7
0
0
6
76
7 6
7
4 0
5 4 y3 5 = 4 1;6 5 ;
25
33;7685444
0
0
0
25
32;13165115
y4
26;8
luego
y1 =
y2 =
y3 =
y4 =
1;2
= 0;023980815;
50;04
1;4 + 25 0;023980815
= 0;05307992589;
37;66999201
1;6 + 25 0;05307992589
= 0;0866782444;
33;7685444
26;8 + 25 0;0866782444
= 0;9015084838;
32;13165115
Solucin del sistema lineal de ecuaciones U !

u =!
y : Este sistema en forma explcita se escribe como
sigue:
2
32
3 2
3
1
0;4996003197
0
0
u1
0;023980815
6 0
7 6 u2 7 6 0;05307992589 7
1
0;663658224
0
6
76
7=6
7;
4 0
0
1
0;740333954 5 4 u3 5 4 0;0866782444 5
0
0
0
1
u4
0;9015084838
u4 = 0;9015084838;
u3 = 0;0866782444 + 0;740333954
0;9015084838 = 0;750955848;
u2 = 0;05307992589 + 0;663658224
0;750955848 = 0;5535416624;
u1 = 0;023980815 + 0;4996003197
0;5535416624 = 0;3005304065;
con 3 cifras !
u T = (0;3; 0;554; 0;751; 0;902) ; u0 = 0 y u5 = 1:
2. Considerar el problema de valores de frontera:
(
u00 (x) + (1 + x) u (x) = x2
u (0) = 1; u (1) = 0:
x 2 ]0; 1[ ;
Aplicar el mtodo de diferencias nitas para aproximar la solucin con n = 5: La matriz debe
factorarse con el mtodo LU:
Solucin
1
Sean n = 5; hx = = 0;2; xj = 0;2j
5
tiene
u00 (xj ) '
j = 0; 1; : : : ; 5: Utilizando diferencias nitas centrales, se

u (xj+1 )
2u (xj ) + u (xj
h2x
1)
Sea uj una aproximacin de u (xj ) : Entonces el problema de valores de frontera:

(
u00 (x) + (1 + x) u (x) = x2 x 2 ]0; 1[ ;
u (0) = 1; u (1) = 0:
se aproxima mediante el esquema siguiente:

8
< u (xj+1 ) 2u (xj ) + u (xj 1 ) + (1 + x ) u = x2 ;
j
j
j
h2x
:
u (0) = u0 = 1; u (1) = u5 = 0:
j = 1; 2; 3; 4;
563
En forma explcita, este conjunto de ecuaciones se escribe:

j = 1;
j = 2;
j = 3;
j = 4;
u2
2u1 + 1
+ (1 + x1 ) u1 = x21 ; u0 = 1;
h2x
u3 2u2 + u1
+ (1 + x2 ) u2 = x22 ;
h2x
u4 2u3 + u2
+ (1 + x3 ) u3 = x23 ;
h2x
2u4 + u3
+ (1 + x4 ) u4 = x24 ; u5 = 0;
h2x
que en forma matricial, se escribe como sigue:

2
2
1
0
6 h2x + 1 + x1
h2x
6
6
1
2
1
6
+ 1 + x2
6
2
2
hx
hx
h2x
6
6
2
1
6
0
+ 1 + x3
6
2
hx
h2x
6
6
1
4
0
0
h2x
0
0
1
h2x
2
1 + +x4
h2x
7
72
7
7
76
76
74
7
7
7
7
5
3
6
u1
6
6
u2 7
7=6
6
5
u3
6
4
u4
Poniendo hx = 0;2 y x1 = 0;2; x2 = 0;4; x3 = 0;6; x4 = 0;8; se tiene

2
32
3 2
51;20
25
0
0
u1
25;04
6 25 51;4
7
6
7
6
25
0 7 6 u2 7 6 0;16
6
=
4 0
25 51;6
25 5 4 u3 5 4 0;36
0
0
25 51;8
u4
0;64
x21
3
1
+ 2 7
hx 7
7
2
x2
7:
7
2
7
x3
5
x24
7
7:
5
Para hallar la solucin de este sistema de ecuaciones lineales, apliquemos el mtodo de factorizacin
LU: Para el efecto, factoramos A = LU; donde
2
3
3
2
1 u12 0
0
L11 0
0
0
6
7
6 L21 L22 0
0 7
7 ; U = 6 0 1 u23 0 7 :
L=6
4 0 0
4 0 L32 L33 0 5
1 u34 5
0 0
0
1
0
0 L43 L44
Puesto que
3
L11
L22 u12
0
0
6 L21 L21 u12 + L22
7
L22 u23
0
7
LU = 6
4 0
5
L32
L32 u23 + L33
L33 u34
0
0
L43
L43 u34 + L44
y de la igualdad A = LU se obtienen las matrices LU como siguen:

L11 = 51;20;
L21 =
25;
L32 =
25;
L43 =
25;
25
a12
=
= 0;48828125;
L11
51;20
L22 = a22 L21 u12 = 51;4 ( 25) ( 0;48828125) = 39;19296875;
a23
25
u23 =
= 0;6378695158;
L22 39;19296875
L33 = a33 L32 u23 = 51;66 ( 25) ( 0;6378695158) = 35;65326211;
a34
25
u34 =
=
= 0;7011981098;
L33
35;65326211
L44 = a44 L43 u34 = 51;8 ( 25) ( 0;7011981098) = 34;27004726;
u12 =
!
Ponemos !
u T = (u1 ; u2 ; u3 ; u4 ) : El sistema de ecuaciones A!
u = b es equivalente al siguiente:
(
!
!
L!
y = b;
!
LU u = b ,
U!
u =!
y:

!
Hallemos la solucin del sistema de ecuaciones L!
y = b : Tenemos
2
32
51;20
0
0
0
6 25 39;19296875
76
0
0
6
76
4 0
54
25
35;65326211
0
0
0
25
34;27004726
luego
y1 =
y2 =
y3 =
y4 =
3 2
y1
25;04
6 0;16
y2 7
7=6
y3 5 4 0;36
y4
0;64
7
7;
5
25;04
= 0;4890625;
51;20
0;16 + 25 0;4890625
= 0;316040425;
39;19296875
1;6 + 25 0;316040425
= 0;2317042008;
35;65326211
26;8 + 25 0;2317042008
= 0;1877034184;
34;27004726
Hallemos la solucin del sistema de ecuaciones U !

u =!
y que en forma explcita se expresa como
sigue:
2
32
3 2
3
1
0;48828125
0
0
u1
0;4890625
6 0
7 6 u2 7 6 0;316040425 7
1
0;6378695158
0
6
76
7=6
7;
4 0
0
1
0;7011981098 5 4 u3 5 4 0;2317042008 5
0
0
0
1
u4
0;1877034184
de donde
u4 = 0;1877034184;
u3 = 0;2317042008 + 0;7011981098
u2 = 0;316040425 + 0;6378695158
u1 = 0;4890625 + 0;48828125
0;1877034184 = 0;363321483;
0;363321483 = 0;5477921234;
0;5477921234 = 0;7565391228;
La aproximacin de la ecuacin diferencial en cuatro nodos internos con una precisin de 3 cifras
es
!
u T = (0;757; 0;548; 0;363; 0;188) :
3. Considerar el problema de valores de frontera no lineal siguiente:
u00 + u3 = f sobre ]0; 12[ ;
u (0) = u (12) = 0;
donde f (x) =
0; si x 2 [0; 5] ;
y el esquema numrico siguiente:
1; si x 2 ]5; 12[ ;
(
uj+1
2uj + uj
h2
u0 = 0; un = 0;
+ u3j = f (xj ) ;
j = 1; : : : ; n
12
; n 2 Z+ ; xj = jh; j = 0; 1; : : : ; n y uj una aproximacin de u (xj ) :
n
i) Para n = 6; construir el sistema no lineal correspondiente al esquema numrico propuesto.
ii) Considere una aproximacin inicial !
u (0) = (0; 1; 1; 1; 1; 1; 0) : Aplique el mtodo de Newton y
dos iteraciones.
con h =
Solucin
Puesto que se requiere generar un algoritmo general para aproximar la solucin del problema de
valores de frontera, hemos de proceder en ese sentido para luego particularizar al caso n = 6:
565
Sean L > 0. Suponemos que f es una funcin denida en [0; L] : Sea n 2 Z+ : Ponemos h =
xj = jh; j = 0; 1; : : : ; n; fj = f (xj ) ; j = 0; 1; : : : ; n: Del esquema numrico
( u
2uj + uj 1
j+1
+ u3j = f (xj ) ; j = 1; : : : ; n 1;
h2
u0 = 0; un = 0;
L
;
n
se obtiene las siguientes ecuaciones.

Para j = 1;
u2
o bien
2u1 + u0
+ u31 = f1 ;
h2
2
u1
h2
Para 1 < j < n
1;
1
uj
h2
Para j = n
1
u2 + u31 = f1 :
h2
2
uj
h2
1
uj+1 + u3j = fj :
h2
1
un
de donde
2un 1 + un
h2
+ u3n
= fn
1;
1
2
un 2 + 2 un 1 + u3n 1 = fn 1 :
h2
h
1 ) ; u0 = 0; un = 0: Denimos la matriz A = (aij (h)) y el vector
Ponemos !
u T = (u1 ; : : : ; un
!
B ( u ) 2 Rn 1 como sigue
8
0; si ji jj > 1;
>
>
< 2
; si i = j;
aij (h) =
i; j = 1; : : : ; n
h2
>
>
1
:
; si ji jj = 1
h2
!
Se dene f T = (f (x1 ) ; : : : ; f (xn 1 )) = (f1 ; : : : ; fn 1 ) :
1;
bj (!
u ) = u3j ; j = 1; : : : ; n
1:
Entonces, el esquema numrico propuesto, discretizacin del problema de valores de frontera

u00 + u3 = f sobre ]0; L[
u (0) = 0 = u (L) ;
se transforma en el siguiente sistema de ecuaciones no lineales:
!
A!
u + B (!
u)= f :
!
Se dene F : Rn 1 ! Rn 1 como F (!
u ) = A!
u + B (!
u) f !
u 2 R4 : Para aplicar el mtodo de
Newton, requerimos de la matriz jacobiana DF (!
u ) : Para el efecto, hallemos la derivada de Gteau
(derivada direccional de F) D!
y F (!
u ) segn la direccin !
y 2 Rn 1 en !
u 2 Rn 1 : Por denicin
F (!
u + t!
y)
D!
y F (!
u)= lm
t!0
t
F (!
u)
siempre que el lmite exista.

Sea t 6= 0: Entonces
F (!
u + t!
y)
!
F (!
u ) = A (!
u + t!
y ) + B (!
u + t!
y) f
= tA!
y + B (!
u + t!
y ) B (!
u):
El j-simo componente de B (!
u + t!
y)
(uj + tyj )3
A!
u + B (!
u)
B (!
u ) es
u3j = u3j + 3tu2j yj + 3t2 uj yj2 + t3 yj3

= tyj 3u2j + 3tuj yj + t2 yj2 ;
u3j
!
f

de donde
(uj + tyj )3
t!0
t
u3j
lm
= 3yj u2j ;
j = 1; : : : ; n
1;
luego,
B (!
u + t!
y)
F (!
u + t!
y ) F (!
u)
y +
= l m A!
D!
y F (!
u) = lm
t!0
t!0
t
t
= A!
y + D!
y B (!
u);
donde
6
6
D!
y B (!
u) = 36
4
u21
0
..
.
0
u22
: : : : : : u2n
:::
:::
..
.
32
0
0
..
.
1
con c (!
u ) = (cij (!
u )) la matriz denida como
cij (!
u)=
u3i ; si i = j
;
0; si i 6= j
76
76
76
54
y1
y2
..
.
yn
B (!
u)
7
7
u)!
y;
7 = 3c (!
5
i; j = 1; : : : ; n
1:
As,
D!
y F (!
u ) = [A + 3c (!
u )] !
y
8!
y 2 Rn
con lo cual, la matriz jacobiana est denida como

DF (!
u ) = A + 3c (!
u);
8!
u 2 Rn
El mtodo de Newton est denido como sigue:

8 (0)
e
aproximacin inicial,
< u
DF u
e(k) w
e= F u
e(k) ;
: (k+1)
u
e
=u
e(k) + w:
e
k = 0; 1; : : : ; Nmax ;
L
12
i) Para n = 6 se tiene h =
=
= 2; xj = jh; j = 0; 1; : : : ; n; la particin del intervalo [0,12]
n
6
est constituida por los siguientes nodos: x0 = 0; x1 = 2; x2 = 4; x3 = 6; x4 = 8; x5 = 10; x6 = 12;
y la funcin f en dichos nodos tiene los valores siguientes: f (0) = 0; f (2) = 0; f (4) = 0; f (6) = 1;
f (8) = 1; f (10) = 1; f (12) = 1:
Luego, fe = (0; 0; 1; 1; 1) ;
2
6
6
6
6
6
6
A=6
6
6
6
6
6
4
2
h2
1
h2
0
1
h2
2
h2
1
h2
1
h2
2
h2
1
h2
0
1
h2
2
h2
1
h2
0
2
6
6
!
B(u) =6
6
4
u31
u32
u33
u34
u35
7
7
7;
7
5
2 1
7 6 2
7 6 1
6
0 7
7 6
7 6 4
7 6
6
0 7
7=6 0
7 6
6
1 7
7 6 0
6
h2 7
5 4
2
0
h2
0
6
6
!
c(u) = 6
6
4
1
4
1
2
1
4
0
0
0
1
4
1
2
1
4
1
4
1
2
1
4
u21 0 0 0 0
0 u22 0 0 0
0 0 u23 0 0
0 0 0 u24 0
0 0 0 0 u25
7
7
7:
7
5
0
1
4
1
2
7
7
7
7
7
7
7;
7
7
7
7
7
5
567
El sistema no lineal de ecuaciones es

2 1
6 2
6 1
6
6
6 4
6
6 0
6
6
6
6 0
6
4
0
1
4
1
2
1
4
0
1
4
1
2
1
4
0
0
1
4
1
2
1
4
0
1
4
1
2
7
72
7
7
76
76
76
76
74
7
7
7
5
u1
u2
u3
u4
u5
7 6
7 6
7+6
7 6
5 4
u31
u32
u33
u34
u35
7 6
7 6
7=6
7 6
5 4
f1
f2
f3
f4
f5
0
0
1
1
1
7 6
7 6
7=6
7 6
5 4
7
7
7;
7
5
por lo tanto
2 1
6 2
6 1
6
6
6 4
! 6
f =6
6 0
6
6
6 0
6
4
0
F (!
u ) = A!
u + B (!
u)
ii) Sea !
u (0)
Entonces
B u
e(0)
1
4
1
2
1
4
0
0
0
1
4
1
2
1
4
1
4
1
2
1
4
0
1
4
1
2
7
72
7
7
76
76
76
76
74
7
7
7
5
u1
u2
u3
u4
u5
7 6
7 6
7+6
7 6
5 4
u31
u32
u33
u34
u35
= (0; 1; 1; 1; 1; 1; 0) una aproximacin inicial. Ponemos !

u (0)
6
6
=6
6
4
13
13
13
13
13
7 6
7 6
7=6
7 6
5 4
1
1
1
1
1
7
7
7;
7
5
Ae
u(0)
2 1
6 2
6 1
6
6
6 4
6
=6
6 0
6
6
6 0
6
4
0
F u
e(0) = Ae
u(0) + B u
e(0)
6
6
6
! 6
f =6
6
6
6
4
1
4
1
2
1
4
0
0
1
4
0
0
0
1
4
1
4
1
2
1
4
0
7
7
7 6
7 6
7+6
7 6
7 4
7
5
1
1
1
1
1
1
4
1
2
1
4
3
7
7
7
7
5
0
1
4
1
2
7
72
7
7
76
76
76
76
74
7
7
7
5
1
1
1
1
1
6
0
6
6 0 7 6
6 7 6
6 1 7=6
6 7 6
4 1 5 6
6
4
1
3
7
7
7
7
5
2
6
6
6
6
4
7
7
7:
7
5
= (1; 1; 1; 1; 1) :
6
6
7 6
7 6
7=6
7 6
5 6
6
4
5
4
1
0
0
1
4
0
0
1
1
1
7
7
7
7
7;
7
7
7
5
1
4
0
0
0
1
4
7
7
7
7
7;
7
7
7
5
(0)
DF u
e
(0)
= A + 3c u
e
2 7
6 2
6 1
6
6
6 4
6
= 6
6 0
6
6
6 0
6
4
0
1
4
7
2
1
4
0
0
2 1
6 2
6 1
6
6
6 4
6
=6
6 0
6
6
6 0
6
4
0
0
1
4
7
2
1
4
0
1
4
1
2
1
4
1
4
1
2
1
4
0
0
1
4
7
2
1
4
1
4
7
2
1
4
1
2
1
4
0
1
4
1
2
7
7
2
7
7
7
6
7
6
7 + 36
7
6
7
4
7
7
7
5
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
3
7
7
7
7
5
7
7
7
7
7
7
7
7
7
7
7
7
5
El sistema de ecuaciones lineales es:
2 7
6 2
6 1
6
6
6 4
6
6 0
6
6
6
6 0
6
4
0
1
4
7
2
1
4
0
0
0
1
4
7
2
1
4
0
0
0
1
4
7
2
1
4
0
0
0
1
4
7
2
7
72
7
7
76
76
76
76
74
7
7
7
5
w1
w2
w3
w4
w5
7
7
7=
7
5
2
6
6
6
6
6
6
6
6
4
5
4
1
0
0
1
4
7
7
7
7
7:
7
7
7
5
Mtodo de Crout. Sea D la matriz del sistema de ecuaciones precedente. Entonces, D = LU y

!
Le
y = eb
D!
w = b , LU w
e = eb ,
Uw
e = ye:
Comencemos con la factorizacin
6
6
D = LU = 6
6
4
2
6
6
= 6
6
4
L11 0
0
0
0
L21 L22 0
0
0
0 L32 L33 0
0
0
0 L43 L44 0
0
0
0 L54 L55
32
76
76
76
76
54
1 u12 0
0
0
0 1 u23 0
0
0 0
1 u34 0
0 0
0
1 u45
0 0
0
0
1
3
7
7
7
7
5
L11
L11 u12
0
0
0
L21 L21 u12 + L22
L22 u23
0
0
0
L32
L32 u23 + L33
L33 u34
0
0
0
L43
L43 u34 + L44
L44 u45
0
0
0
L54
L44 u45 + L55
3
7
7
7
7
5
569
Obtenemos
L11 =
u12 =
L21 =
7
;
2
1
a12
= 4 =
7
L11
2
1
;
4
L22 = a22
u23 =
L32 =
L43 =
L54
L55
7
2
1
4
1
14
1
4
14
195
1
4
195
2716
195
;
56
14
;
195
L32 u23 =
7
2
1
a34
4
=
=
1358
L33
390
1
;
4
L44 = a44
u45
L21 u12 =
1
a23
= 4 =
195
L22
56
1
;
4
L33 = a33
u34 =
1
;
14
L43 u34 =
1358
679
=
;
390
195
195
;
2716
7
2
1
a45
4 = 2716 ;
=
=
37829
L44
37829
10864
1
=
;
4
7
1
= a55 L54 u45 =
2
4
2716
37829
37829
;
10864
263445
:
75658
!
Resolucin del sistema triangular inferior L!
y = b ; esto es,
2 7
6 2
6 1
6
6
6 4
6
6 0
6
6
6
6 0
6
4
0
0
195
56
1
4
0
0
0
0
679
195
1
4
0
37829
10864
1
4
0
263445
75658
7
72
7
7
76
76
76
76
74
7
7
7
5
y1
y2
y3
y4
y5
6
6
7 6
7 6
7=6
7 6
5 6
6
4
5
4
1
0
0
1
4
7
7
7
7
7:
7
7
7
5

Se tiene
5
4 =
7
2
y1 =
1
195
y1 +
y2
4
56
1
679
y2 +
y3
4
195
37829
1
y3 +
y4
4
10864
1
263445
y4 +
y5
4
75658
5
=
14
0;3571428571;
1
56
1 + y1 = 0;3128205128;
195
4
195 1
= 0 ) y3 =
y2 = 0;02245941926;
679 4
10864 1
= 0 ) y4 =
y3 = 0;0004031298739;
37829 4
1
75658
1 1
=
) y5 =
+ y4 = 0;07182571318;
4
263445
4 4
=
1 ) y2 =
Resolucin del sistema triangular superior U !

w =!
y :
2
1
14
6
6
6
6 0
6
6
6 0
6
6
6
6 0
4
0
14
195
72
7
7
0
76
76
76
76
0
74
7
2716 7
7
37829 5
1
0
195
2716
w1
w2
w3
w4
w5
0;3571428571
0;3128205128
0;02245941926
0;0004031298739
0;07182571318
7 6
7 6
7=6
7 6
5 4
Obtenemos
w5 =
2716
w5 =
37829
w4
w4 =
w3
w2 =
w1 =
Luego
(0)
=u
e
6
6
+w
e=6
6
4
0;0004031298739 =
0;00555998406;
0;02245949926;
195
w4
2716
0;02245949926 =
0;228586881;
0;3128205128;
14
w3
195
1
w2 =
14
w1
Segunda iteracin
2716
w5
37829
14
w3 =
195
w2
u
e
0;0004031298739;
195
w4 =
2716
w3 =
(1)
0;07182571318;
0;3128205128 =
0;3144616494;
0;3571428571;
1
w2
14
1
1
1
1
1
0;3571428571 =
7 6
7 6
7+6
7 6
5 4
0;3796044035
0;3144616494
0;228586881
0;00555998406
0;07182571318
0;3796044035;
7 6
7 6
7=6
7 6
5 4
0;6203955965
0;6855383506
0;9771413119
0;9944400159
0;9281742868
7
7
7:
7
5
3
7
7
7
7
5
571
La matriz A y el vector fe no cambian. Calculemos B u

e(1) : Tenemos
2
3
(1) 3
u1
6
7 2
3
3 7
6
0;238784493
6 u(1)
7
2
6
7 6 0;3221775434 7
6
7 6
7
(1) 3 7
(1)
6
6 0;9341234603 7 :
B u
e
= 6 u3
=
7 6
7
6
7 4 0;9987910978 5
(1) 3 7
6
6 u4
7
0;7996291156
4
5
(1) 3
u5
Calculemos F u
e(1) = Ae
u(1) + B u
e(1)
2
0;5
0;25
0
0
6 0;25
0;5
0;25
0
6
6 0
0;25
0;5
0;25
6
4 0
0
0;25
0;5
0
0
0
0;25
3
2
0;3775977034
6 0;2654626945 7
7
6
7
=6
6 0;00160990548 7
4 0;022160836 5
0;0138170415
fe: Tenemos
32
0;6203955965
0
6 0;6855383506
0 7
76
6
0 7
7 6 0;9771413119
5
0;25 4 0;9944400159
0;9281742868
0;5
7 6
7 6
7+6
7 6
5 4
0;238784493
0;3221775434
0;9341234603
0;9987910978
0;7996291156
3
7
7
7
7
5
2
6
6
6
6
4
0
0
1
1
1
Calculemos DF u
e(1) = A + 3c u
e(1) :
Se tiene
A + 3c u
e(1)
3
0;5
0;25
0
0
0
6 0;25
0;5
0;25
0
0 7
7
6
0;25
0;5
0;25
0 7
= 6
7
6 0
4 0
0
0;25
0;5
0;25 5
0
0
0
0;25
0;5
2
3
2
(1)
u1
0
0
0
0
7
6
6
7
(1) 2
6
7
0
u2
0
0
0
6
7
6
7
2
(1)
7
+3 6
0
0
u3
0
0
6
7
6
7
2
(1)
6
7
0
0
0
u4
0
6
7
4
5
2
(1)
0
0
0
0
u5
2
1;654672089
0;25
0
0
0
6
0;25
1;90988849
0;25
0
0
6
0
0;25
3;366756292
0;25
0
= 6
6
4
0
0
0;25
3;497581708
0;25
0
0
0
0;25
3;08452252
2
El sistema de ecuaciones lineales correspondiente DF u

e(1) w
e= F u
e(1) es el siguiente:
2
32
3
w1
1;654672089
0;25
0
0
0
6
7 6 w2 7
0;25
1;90988849
0;25
0
0
7
6
76
6
7 6 w3 7
0
0;25
3;366756292
0;25
0
7
6
76
4
5 4 w4 5
0
0
0;25
3;497581708
0;25
w5
0
0
0
0;25
3;08452252
2
3
0;3775977034
6 0;2654626945 7
6
7
7
0;00160990548
=6
6
7
4 0;02217505055 5
0;0138170415
3
7
7
7
7
5
3
7
7
7
7
5

Resolvemos este sistema utilizando el mtodo de Crout. Para ello la matriz del sistema lo factoramos
en la forma LU como se procedi en la primera iteracin. Note que la matriz del sistema es simtrica,
estrictamente diagonalmente dominante. Se obtienen los siguientes resultados:
L11 = 1;654672089;
0;25
u12 =
=
1;654672089
L21 =
0;25;
0;1510873373;
L22 = a22 L21 u12 = 1;872116656;

0;25
a23
=
u23 =
= 0;1335386869;
L22
0;872116656
L32 =
0;25;
L33 = a33 L32 u23 = 3;33337162;
a34
u34 =
= 0;07499913855;
L33
L43 =
0;25;
L44 = a44 L43 u34 = 3;478831923;
a45
u45 =
= 0;7186320165;
L44
L54 =
0;25;
L55 = a55
El sistema triangular inferior L!

y =
2
6
6
6
6
4
L54 u45 = 3;06655672:
F u
e(1) es el siguiente:
1;654672089
0
0
0
0
0;25
1;872116656
0
0
0
0
0;25
3;33337162
0
0
0
0
0;25
3;478831923
0
0
0
0
0;25
3;06655682
2
3
0;3775977034
6 0;2654626945 7
6
7
7
=6
6 0;00160990548 7
4 0;02217505055 5
0;0138170415
cuya solucin es
y1 =
y2 =
y3 =
y4 =
y5 =
0;3775977034
= 0;2282009263;
1;654672089
0;25y1 0;2654626945
= 0;1722718107;
1;872116656
0;25y2 0;00160990548
= 0;0134032035;
3;33337162
0;25y3 0;02217505055
= 0;007337477635;
3;478831923
0;25y4 0;0138170415
= 0;005103903935:
3;06655682
32
76
76
76
76
54
y1
y2
y3
y4
y5
3
7
7
7
7
5
573
Resolucin del sistema triangular superior U w

e=!
y :
2
1
0;1510873383
0
0
6 0
1
0;1335386869
0
6
6 0
0
1
0;07499913855
6
4 0
0
0
1
0
0
0
0
3
2
0;2282009263
6
0;1722718107 7
7
6
6
0;0134032035 7
=6
7
4 0;007337477635 5
0;005103903935
0
0
0
0;7186320165
1
32
76
76
76
76
54
w1
w2
w3
w4
w5
3
7
7
7
7
5
Obtenemos
w5 =
0;005103903935;
w4 =
0;01100530641;
w3 =
0;014228592;
w2 =
0;1741718782;
w1 =
0;2545160916;
En consecuencia:
(2)
u
e
(1)
=u
e
6
6
!
+w =6
6
4
0;6203955965
0;6855383506
0;9775405007
0;9995968701
0;9281742868
(2)
(2)
y con u0 = 0; u6 = 0 se obtiene !
u (2) :
11.6.
7 6
7 6
7+6
7 6
5 4
0;2545160916
0;1741718782
0;014228592
0;01100530641
0;005103903935
7 6
7 6
7=6
7 6
5 4
0;3658795049
0;5113664724
0;9633119087
0;9885915637
0;9230703829
7
7
7;
7
5
2. Uri M. Ascher, Robert M. M. Mattheij, Robert D. Russell, Numerical Solution of Boundary
Value Problems for Ordinary Dierential Equations, Editorial Society for Industrial and Applied
1981.
8. M. Crouzeix, A. L. Mignot, Analyse Numrique des Equations Direntielles, Seconde Edition,
9. Jean-Pierre Demailly, Analyse Numrique et Equations dierentielles, Presses Universitaires de
Grenoble, Grenoble, 1991.

10. Peter Deuhard, Folkmar Bornemann, Scientic Computing with Ordinary Dierential Equations,
Editorial Springer-Verlag, New York, 2002.
1977.
14. C. H. Edwards, Jr., David E. Penney, Ecuaciones Diferenciales Elementales y Problemas con
Condiciones en la Frontera, Tercera Edicin, Editorial Prentice-Hall Hispanoamericana, S. A.,
Mxico, 1993.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volume II Pitagora
16. M. K. Gavurin, Conferencias sobre los Mtodos de Clculo, Editorial Mir, Mosc, 1973.
18. E. Hairer, S. P. Norsett, G. Wanner, Solving Ordinary Dierential Equations I, Second Revised
Edition, Editorial Springer-Verlag, Berln, 2000.
19. R. Kent Nagle, Edward B. Sa, Arthur David Snider, Ecuaciones Diferenciales y Problemas con
Valores en la Frontera, Tercera Edicin, editorial Pearson Educacin, Mxico, 2001.
Wilmington, 1994.
22. R. M. M. Mattheij, J. Molenaar, Ordinary Dierential Equations in Theory and Practice, Editorial
John Wiley & Sons, New York, 1996.
25. S. Nikolski, Frmulas de Cuadratura, Editorial Mir, Mosc, 1990.
28. Werner C. Rheinboldt, Methods for Solving Systems of Nonlinear Equations, Second Edition,
30. M. Sibony, J. Cl. Mardon, Analyse Numrique II, Approximations et Equations Direntielles,
Editorial Hermann, Pars, 1988.
Captulo 12
Apendice
Resumen
Este apndice tiene como objetivo refrescar algunos resultados de los espacios vectoriales, los espacios
normados y los espacios con producto interior. Al nal se provee de una amplia bibliografa sobre estos
tpicos.
12.1.
Espacios vectoriales reales.
12.1.1.
Denicin de espacio vectorial. Ejemplos.
Se denota con R al cuerpo de los nmeros reales. Nos limitamos en denir los espacios vectoriales reales.
Denicin 1 Un espacio vectorial V sobre R consiste en un conjunto no vaco V en el que se ha
denido dos operaciones: adicin + en V que a cada par de elementos x; y de V le asocia un nico
elemento x + y de V , y, producto de nmeros reales por elementos de V dicha tambin producto por
escalares que a cada
2 R y x 2 V le asocia un nico elemento x de V ; y, estas operaciones
satisfacen las propiedades siguientes:
i. Conmutativa: para todo x; y 2 V ,
ii. Asociativa: para todo x; y; z 2 V ,
x + y = y + x:
(x + y) + z = x + (y + z) :
iii. Existencia de elemento neutro: existe 0 2 V tal que para todo x 2 V;

iv. Existencia de opuestos aditivos: para cada x 2 V , existe y 2 V tal que
v. Para todo
2 R, x; y 2 R,
vi. Para todo x 2 V;
2 R,
vii. Para todo x 2 V;
2 R,
viii. Para todo x 2 V;
x + 0 = 0 + x = x:
x + y = 0:
(x + y) = x + y:
( + ) x = x + x:
( x) = (
) x:
1 x = x:
Los elementos de V se llaman vectores y los elementos de R se llaman escalares. El espacio vectorial
V sobre R se dir simplemente espacio vectorial real. El conjunto V con la operacin adicin + que
satisface las propiedades i) a iv) se dice grupo conmutativo que se nota (V; +) :
El elemento 0 2 V de iii) es nico y se denomina elemento nulo. El elemento y de iv) se escribe x,
adems es nico. La propiedad iv) se expresa como sigue: 8x 2 V; 9 x 2 V tal que x + ( x) = 0:
Para todo x; y; z 2 V , se escribe x + y + z en vez de (x + y) + z o de x + (y + z) :
575
576
CAPTULO 12. APENDICE
En todo espacio vectorial real se verican las propiedades siguientes cuyas demostraciones son inmediatas
y se dejan como ejercicio.
i. Para todo x 2 V; 0x = 0:
ii. Para todo
2 R,
iii. Para todo
2 R, x 2 V; (
iv.
= 0 o x = 0:
x=0,
0 = 0:
)x =
x:
Ejemplos
1. El espacio vectorial Rn : Sea n 2 Z+ . Se denota con Rn al conjunto f(x1 ; :::; xn ) j xi 2 R, i = 1; :::; ng ;
esto es Rn = f(x1 ; :::; xn ) j xi 2 R, i = 1; :::; ng : A los elementos de Rn los notamos como !
x; !
y,
!
n
n
etc. Tambin escribiremos x = (x1 ; :::; xn ) 2 R y los denominaremos vectores de R : El elemento
!
nulo de Rn se escribe 0 = (0; :::; 0) :
En Rn se dene la igualdad, adicin y producto de escalares por elementos de Rn como sigue. Sean
!
x = (x1 ; :::; xn ) ; !
y = (y1 ; :::; yn ) dos elementos de Rn ;
2 R.
!
!
Igualdad: diremos x = y si y solo si x = y ; i = 1; :::; n:
i
Adicin: !
x +!
y = (x1 ; :::; xn ) + (y1 ; :::; yn ) = (x1 + y1 ; :::; xn + yn ) :
Producto por escalares: !
x = (x ; :::; x ) = ( x ; :::; x ) :
1
De la denicin de adicin en
se tiene !
x; !
y 2 Rn ) !
x +!
y 2 Rn ; y, de la denicin de
!
!
n
n
producto por escalares 2 R; x 2 R ) x 2 R : Mas an, se prueba fcilmente que Rn es un
espacio vectorial real.
El opuesto aditivo de !
x = (x ; :::; x ) 2 Rn es !
x = ( x ; :::; x ) 2 Rn :
Rn ;
Para n = 1, se tiene que R es un espacio vectorial sobre si mismo.

Para n = 2, R2 = f(x; y) j x; y 2 Rg : Note que si !
x = (a; b) ; !
y = (c; d) 2 R2 ;
Igualdad: !
x =!
y , a = c y b = d;
!
!
Adicin: x + y = (a; b) + (c; d) = (a + c; b + d) :
2 R se tiene
Producto por escalares: !

x =
Para n = 3;
Se tiene
R3
(a; b) = ( a; b) :
= f(x; y; z) j x; y; z 2 Rg : Sean !
x = (x1 ; y1 ; z1 ) ; !
y = (x2 ; y2 ; z2 ) 2 R3 ,
2 R.
!
x = !
y , x1 = x2 ; y1 = y2 ; z1 = z2 ;
!
!
x + y = (x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x1 + x2 ; y1 + y2 ; z1 + z2 ) ;
!
x =
(x ; y ; z ) = ( x ; y ; z ) :
1
3
x1
6
7
Los elementos de Rn se escribirn tambin como vectores columna, as: 4 ... 5 :
xn
2. Espacio de matrices Mm n [R] : Sean m; n 2 Z+ . Una matriz de m

arreglo rectangular de la forma:
2
3
a11 a12
a1n
6 a21 a22
a2n 7
6
7
6 ..
.. 7 ;
4 .
. 5
am1 am2
amn
donde ai;j 2 R, i = 1; :::; m; j = 1; :::; n:
n con valores en R es un
12.1. ESPACIOS VECTORIALES REALES.
577
Los nmeros naturales i = 1; :::; m; j = 1; :::; n se llaman ndices. Cuando i es jo, los elementos
ai1 ; ai2 ; :::; ain forman el i-simo rengln de la matriz y se puede considerar como un vector de Rn ,
esto es, (ai1 ; ai2 ; :::; ain ) 2 Rn : Para j jo, los elementos forman la2j-sima
3 columna de la matriz.
a1j
6
7
Esta puede considerarse como un vector columna de Rm , es decir 4 ... 5 2 Rm :
amj
A una matriz de m n la representaremos abreviadamente como (aij )m n . Tambin escribiremos

A = (aij )m n y simplemente (aij ) si no hay peligro de confusin. Se nota con Mm n [R] al conjunto
de todas la matrices de m n con valores en R.
Cuando m = n, los elementos de Mn n [R] los denominamos matrices cuadradas. Si A = (aij )n
es una matriz cuadrada, si no hay peligro de confusin, escribiremos simplemente A = (aij ) :
Sean A = (aij )m n , B = (bij )m n 2 Mm n [R] y 2 R. Denimos la igualdad, adicin de matrices

y producto de escalares por matrices, como sigue:
Igualdad: A = B , aij = bij ; i = 1; :::; m; j = 1; :::; n:
Adicin: A + B = (aij )m
Producto por escalares:
+ (bij )m
A=
= (aij + bij )m
(aij )m
= ( aij )m
n:
n:
Por la denicin de adicin en Mm n [R], tenemos A; B 2 Mm

por la denicin de producto de escalares por matrices tenemos
Mm n [R] :
Se demuestra fcilmente que Mm
n [R]
n [R]
) A + B 2 Mm n [R] ; y
2 R; A 2 Mm n [R] ) A 2
es un espacio vectorial real.
El elemento neutro de Mm n [R] es la matriz nula o matriz cero y la representamos con 0 = (0)m n ,
es decir que la matriz nula 0 es aquella que sus elementos son 0 2 R. El opuesto aditivo de
A = (aij )m n es la matriz notada A = ( aij )m n :
Por otro lado, si n = 1 las matrices de Mm 1 [R] coinciden con los vectores columna de Rm y si
m = 1, las matrices de M1 n [R] coinciden con los vectores la de Rn :
3. Los espacios C ([a; b]) y C 1 ([a; b]) :
Revisemos brevemente algunos conceptos sobre funciones reales, operaciones con funciones reales,
lmites, continuidad, derivacin e integracin que son tratados en el curso de Anlisis Matemtico.
Sea A R, A 6= ;. Una funcin real f denida en el conjunto A es un subconjunto F del producto
cartesiano A R que satisface con las dos propiedades siguientes:
i. Para cada x 2 A, existe un nico y 2 R tal que y = f (x), o bien (x; y) 2 F .
ii. Si (x; y1 ) ; (x; y2 ) 2 F , entonces y1 = y2 :
A !
R
que se lee f es la funcin
x ! f (x) ;
de A en R que a cada x 2 A le asocia un nico elemento f (x) en R. Se dir tambin f es la
funcin real de A en R que a cada x 2 A le asocia o le corresponde f (x) 2 R. El conjunto A se
llama dominio de f y se designa con Dom (f ) : El conjunto R se llama conjunto de llegada de f y el
conjunto Rec (f ) = ff (x) j x 2 Ag se llama recorrido de f . Claramente Rec (f ) R y Rec (f ) 6= ;:
Se designa con F (A) al conjunto de todas las funciones denidas en A.
Sea f una funcin real denida en A. Escribiremos f :
La funcin nula 0 2 F (A) se dene como 0 (x) = 0 8x 2 A; y la funcin unidad 1 2F (A) est
denida como 1 (x) = 1 8x 2 A:
En F (A) se dene la igualdad, adicin y producto por escalares o producto de nmeros reales por
funciones como sigue:
Igualdad: Sean f; g 2 F (A) ; f = g si y solo si f (x) = g (x) 8x 2 A:
Adicin: Sean f; g 2 F (A). Se dene f + g 2 F (A) como
Producto por escalares: Sean

f (x) 8x 2 A:
(f + g) (x) = f (x) + g (x)
2 R, f 2 F (A). Se dene
f 2 F (A) como
8x 2 A:
( f ) (x) =
578

Se demuestra fcilmente que F (A) es un espacio vectorial real denominado espacio de funciones
denidas en A.
Funciones continuas
Sea A un intervalo de R, f 2 F (A), x0 2 A y L 2 R. Se dice que f (x) tiende a L cuando x tiende
a x0 que se escribe f (x) ! L, si y solo si se satisface la siguiente condicin:
x!x0
8" > 0; 9 > 0 tal que 8x 2 A con 0 < jx
x0 j <
) jf (x)
Lj < ":
Escribiremos tambin l m f (x) = L que se lee lmite de f (x) cuando x tiende a x0 es igual a L.
x!x0
Sea A R, A 6= ; y f 2 F (A). Se dice que f es continua en x0 2 A si y solo si se satisfacen las

dos condiciones siguientes:
i. f (x0 ) est bin denido.
ii. l m f (x) = f (x0 ) :
x!x0
Se dice f continua en A si y solo si f es continua en todo punto x0 2 A:
Se designa con C (A) al conjunto de todas las funciones continuas en A. En el curso de anlisis
matemtico se prueba que la suma de dos funciones continuas es continua, y que el producto de un
nmero real por una funcin continua f es tambin una funcin continua, esto es,
f; g 2 C (A) ) f + g 2 C (A) ;
2 R, f 2 C (A) ) f 2 C (A) :
Se prueba adems que C (A) es un espacio vectorial real.

En particular, si A = [a; b] = fx 2 R j a x bg es un intervalo cerrado y acotado de R, el conjunto
C (A) se denota C ([a; b]) y se le denomina espacio de funciones continuas en [a; b] :
Funciones derivables
f (x0 + h) f (x0 )
existe,
h!0
h
df
(x0 ); esto es,
este se denomina derivada de f en x0 que se escribe f 0 (x0 ) o tambin
dx
Sean A
R, A 6= ;, f una funcin real denida en A y x0 2 A. Si l m
f (x0 + h)
h!0
h
f 0 (x0 ) = l m
f (x0 )
Se dice que f es derivable en A si f 0 (x0 ) existe en todo punto x0 2 A y se dene una nueva funcin
f 0 llamada funcin derivada de f .
Se designa con C 1 (A) al conjunto de todas las funciones f tales que f 0 es continua en A, y diremos
que f es de clase C 1 en A. Particularmente si A = [a; b], escribiremos C 1 ([a; b]) y diremos espacio
de funciones de clase C 1 en [a; b] :
Funciones integrables
En esta parte proponemos algunos resultados importantes de la teora de la integracin de funciones
reales acotadas.
Denicin 2 Sean a; b 2 R con a < b; n 2 Z+ . Una subdivisin o particin del intervalo [a; b] se nota
con (n) y se dene como el conjunto fx0 ; x1 ; :::; xn g, donde x0 = a; xn = b; xi < xi+1 ; i = 0; :::; n 1:
Si (n) es una subdivisin de [a; b] ; [xi 1 ; xi ] ; i = 1; :::; n designa el i-simo subintervalo de [a; b]. Se
pone hi = xi xi 1 la longitud del intervalo [xi 1 ; xi ] ; i = 1; :::; n; y h =
max hi :
i=0;1;:::;n 1
Denicin 3 Sean m; n 2 Z+ . Se dice que

que (n)
(m) :
(m) es una subdivisin mas na que
(n) si se verica

Particularmente, si (m) ;
na que (m) y (n) :
579
(n) son dos subdivisiones de [a; b] ;
(m) [
(n) es una subdivisin mas
Denicin 4 Sea f una funcin real denida en [a; b]. Se dice que f es acotada en [a; b] si y solo si
f ([a; b]) = ff (x) j x 2 [a; b]g es acotado, es decir, existe > 0 tal que jf (x)j
8x 2 [a; b] :
Sean n 2 Z+ ;
(n) una subdivisin de [a; b] y f una funcin acotada en [a; b]. Se pone
i
Inf
x2[xi
1 ;xi ]
Min
f (x) ;
i;
i=1;:::;n
Sup
x2[xi
Sup
x2[xi
= Max
1 ; xi ] ;
f (x)
1 ;xi ]
f (x) ;
i = 1; :::; n;
1 ;xi ]
i:
i=1;:::;n
Denicin 5 La oscilacin de f en [xi

!i =
i = 1; :::; n se dene como

Inf
x2[xi
1 ;xi ]
f (x) ;
i = 1; :::; n:
Denicin 6 Sea f una funcin real denida en [a; b]. Se dice que f es una funcin escalonada si y
solo si existe una subdivisin (n) = fx0 = a; x1 ; :::; xn = bg y c1 ; :::; cn 2 R tales que
f (x) = ci ;
La subdivisin
x 2 ]xi
1 ; xi [ ;
i = 1; :::; n:
(n) se dice asociada a f:
Note que f es una funcin denida en todo [a; b] y en cada subintervalo abierto ]xi
es constante.
1 ; xi [ ;
i = 1; :::; n, f
Denicin 7 Sea s una funcin escalonada en [a; b] con (n) = fa = x0 ; x1 ; :::; xn = bg la particin
asociada a s y s (x) = ci ; x 2 ]xi 1 ; xi [ ; i = 1; :::; n. La integral de s sobre el intervalo [a; b] se nota
n
Rb
Rb
P
s
(x)
dx
=
ci hi ; donde hi = xi xi 1 ; i = 1; :::; n:
s
(x)
dx
y
se
dene
como
a
a
i=1
Rb
La notacin a s (x) dx se lee integral de la funcin s con respecto de x en el intervalo [a; b]. El nmero
real a es extremo inferior de integracin, y el nmero real b el extremo superior de integracin.
Sean s; t dos funciones escalonadas en [a; b] y f una funcin acotada en [a; b] tales que
s (x)
f (x)
t (x)
8x 2 [a; b] ;
la funcin s se llama funcin escalonada inferior a f , y t se llama funcin escalonada superior a f:

Particularmente, sea n 2 Z+ y (n) una subdivisin de [a; b] : Se denen las funciones escalonadas sn y
tn como sigue:
sn (x) =
tn (x) =
Inf
f (x) ; x 2 ]xi
1 ; xi [ ;
i = 1; :::; n;
Sup
f (x) ; x 2 ]xi
1 ; xi [ ;
i = 1; :::; n:
x2[xi
x2[xi
1 ;xi ]
1 ;xi ]
Estas funciones satisfacen la siguiente desigualdad:

sn (x)
f (x)
tn (x) 8x 2 ]xi
1 ; xi [ ;
i = 1; :::; n:
Se tiene que sn es una funcin escalonada inferior a f , tn es una funcin escalonada superior a f . Las
integrales de estas funciones se denen como:
Z b
Z b
n
n
X
X
Sn (f ) =
sn (x) dx =
Tn (f ) =
tn (x) dx =
i hi ;
i hi ;
a
i=1
i=1
580
donde hi = xi
xi
1;
i = 1; :::; n: Se verica
(b
a)
Sn (f )
Tn (f )
(b
a)
y
0
Tn (f )
n
X
Sn (f )
! i hi
) (b
a) ;
i=1
donde ! i es la oscilacin de f ,
= Inf f (x) ;
= Sup f (x) :
x2[a;b]
x2[a;b]
Denicin 8 Sea f una funcin real, acotada en [a; b] :

i. La integral inferior de f se designa con I (f ) y se dene como I (f ) = Sup Sn (f ) =
n2Z+
Rb
Sup a sn (x) dx; donde sn es escalonada inferior a f:
n2Z+
ii. La integral superior de f se designa con I (f ) y se dene como

Rb
Inf a tn (x) dx; donde tn es escalonada superior a f:
I (f ) =
Inf Tn (f ) =
n2Z+
n2Z+
Se verica inmediatamente que si sn
Rb
tn ;
sn (x) dx
I (f )
I (f )
Rb
a tn (x) dx:
Denicin 9 Sea f una funcin real, acotada en [a; b]. Se dice que f es integrable en [a; b] si y solo
Rb
si I (f ) = I (f ). En tal caso, escribimos I (f ) = a f (x) dx y al nmero real I (f ) lo denominamos la
integral de la funcin f en el intervalo [a; b] :
Las funciones montonas en [a; b] (crecientes, decrecientes), las funciones continuas en [a; b] son ejemplos
de funciones integrables en [a; b] :
Se denota con I ([a; b]) al conjunto de todas las funciones integrables en [a; b]. Con las operaciones
habituales de adicin \ + " de funciones y producto de escalares por funciones, I ([a; b]) es un espacio
vectorial real denominado espacio de funciones integrables en [a; b]. Se tiene
Rb
i. f; g 2 I ([a; b]) ) f + g 2 I ([a; b]), e

ii.
[f (x) + g (x)] dx =
Rb
2 R, f 2 I ([a; b]) ) f 2 I ([a; b]), e a f (x) dx =
R
f (x) dx = 0:
Si f 2 I ([a; b]) y 2 [a; b] se dene
Rb
a
Rb
a
f (x) dx +
f (x) dx:
Sea f 2 I ([a; b]) : Se verican las siguientes propiedades:

i. Si c 2 [a; b] ;
ii.
Rb
a
f (x) dx =
iii. Para
iv. Si f (x)
v.
Rb
a
6= 0;
0
f (x) dx
vi. Si [c; d]
Rb
a
f (x) dx =
R b+c
a+c
Rb
a
f (x
8x 2 [a; b] ;
a
f (x) +
Rb
c
f (x) dx:
8c 2 R.
Rb
a
jf (x)j dx:
[a; b] y f (x)
c) dx
f (x) dx =
Rb
Rc
b
a f
dx:
f (x) dx
0:
0 8x 2 [a; b] ;
Rd
c
f (x) dx
Rb
a
f (x) dx:
Rb
a
g (x) dx;

Por otro lado, si f (x)
regin
581
8x 2 [a; b], geomtricamente

= (x; y) 2 R2 j 0
Rb
a
f (x) dx se interpreta como el rea de la
f (x) ; x 2 [a; b] :
Ejercicios
1. Demuestre que el conjunto Rn en el que se ha denido la igualdad y las operaciones de adicin y
producto por escalares, es un espacio vectorial real.
2. Demuestre que el conjunto de matrices Mm n [R] en el que se ha denido la igualdad y las
operaciones de adicin y producto de nmeros reales por matrices, es un espacio vectorial real.
3. Demuestre que el conjunto F (A) de funciones reales denidas en A en el que se ha denido la
igualdad de funciones, y las operaciones de adicin y producto de nmeros reales por funciones, es
un espacio vectorial real.
4. Pruebe que con las operaciones de adicin de funciones y producto de nmeros reales por funciones
denidas en F (A), los siguientes conjuntos son espacios vectoriales reales.
i. Conjunto I ([a; b]) de funciones integrables en [a; b] :
ii. Conjunto C ([a; b]) de funciones continuas en [a; b] :
iii. Conjunto C 1 ([a; b]) de funciones derivables con derivada continua en [a; b] :
12.1.2.
Subespacios vectoriales. Ejemplos.
Denicin 10 Sea V un espacio vectorial sobre R y W un subconjunto no vaco de V . Se dice que

W es un subespacio de V si W es un espacio vectorial real con las mismas operaciones denidas en V:
El cualquier espacio vectorial V; W = V y W = f0g con 0 2 V son subespacios de V llamados subespacios
triviales de V:
Teorema 1 Un subconjunto no vaco W de un espacio vectorial V es un subespacio de V si y solo si
se satisfacen las tres condiciones siguientes:
i. 0 2 V ) 0 2 W:
ii. x; y 2 W ) x + y 2 W:
iii.
2 R, x 2 W ) x 2 W:
Si W1 ; W2 son dos subespacios de V , entonces W1 \ W2 es tambin en subespacio de V:

Denicin 11 Sean V un espacio vectorial real, S1 ; S2 dos subconjuntos no vacos de V . Se dene
S1 + S2 como sigue
S1 + S2 = fx + y j x 2 S1 y 2 S2 g
y se denomina subconjunto suma de S1 con S2 :
Sea x0 2 V y W un subespacio de V . El subconjunto
x0 + W = fx0 + x j x 2 W g
se llama trasladado del subespacio W o subconjunto afn.
Teorema 2 Si W1 , W2 son subespacios de un espacio vectorial V , W1 + W2 es un subespacio de V:
El subespacio W1 + W2 se llama suma de los subespacios W1 y W2 :
582
Denicin 12 Sean W1 ; W2 dos subespacios de V . Se dice que V es suma directa de W1 y W2 que

se escribe V = W1 W2 si y solo si se satisfacen las dos condiciones siguientes:
i. V = W1 + W2 :
ii. W1 \ W2 = f0g :
Teorema 3 Sean W1 ; W2 dos subespacios de V . Entonces, V = W1 W2 si y solo si cada x 2 V se
escribe de manera nica en la forma x = x1 + x2 , donde x1 2 W1 ; x2 2 W2 :
Ejemplos
1. El conjunto W = f(x1 ; :::; xn
1 ; 0)
1g es un subespacio de Rn :
j xi 2 R, i = 1; :::; n
2. Sea n = 3, W1 = f(x; y; 0) j x; y 2 Rg ; W2 = f(2t; 3t; t) j t 2 Rg son subespacios de R3 . Se verica

que W1 \ W2 = f0g y que R3 = W1 W2 :
Note que si !
x = (x; y; z) 2 R3 , existen !
x 1 = (x 2z; y 3z; 0) 2 W1 y !
x 2 = (2z; 3z; z) 2 W2
!
!
!
!
!
!
tales que x = x 1 + x 2 . El vector x = x 1 + x 2 se escribe de esta manera en forma nica como
!
x 2W ; !
x 2W :
1
3. El espacio C ([a; b]) de funciones continuas en [a; b] es un subespacio de I ([a; b]) :

4. Un polinomioP de grado
n con coecientes reales se dene como
P (x) = a0 + a1 x + ::: + an xn =
n
X
ak xk ;
x 2 R; ai 2 R; i = 0; 1; :::; n:
k=0
El polinomio nulo se dene como P (x) = 0 8x 2 R.
Se designa con Kn [R] el conjunto de todos los polinomios de grado n. Se dene la igualdad de
polinomios, adicin y producto de nmeros reales por polinomios como sigue:
n
n
P
P
Igualdad: Sean P; Q 2 Kn [R] con P (x) =
ak xk ; Q (x) =
bk xk ; x 2 R.
k=0
k=0
P (x) = Q (x) , ak = bk ; k = 0; 1; :::; n:
Adicin: Sean P; Q 2 Kn [R] con P (x) =

P + Q 2 Kn [R] como (P + Q) (x) =
Producto por escalares: Sean
n
P
n
P
ak xk ;
Q (x) =
k=0
k=0
(ak + bk
) xk
k=0
x 2 R.
2 R; P 2 Kn [R] con P (x) =
P 2 Kn [R] como ( P ) (x) = P (x) =
n
P
k=0
ak
xk ;
n
P
x 2 R.
n
P
bk xk ; x 2 R. Se dene
k=0
ak xk ; x 2 R. Se dene
Se demuestra que Kn [R] es un espacio vectorial real denominado espacio de polinomios de grado
n.
Sea V = C ([a; b]). El conjunto de todos los polinomios de grado
n restringidos a [a; b] con las
operaciones de adicin y producto por escalares, es un subespacio de C ([a; b]). A este subespacio
lo notaremos con Kn ([a; b]).
Bases de V
Denicin 13 Sea A un subconjunto no vaco de un espacio vectorial V: Se dice que x 2 V es una
combinacin lineal de elementos de A si existe un nmero nito x1 ; :::; xn 2 A y 1 ; :::; n 2 R tales
n
P
que x =
i xi :
i=1

Particularmente, si A = fx1 ; :::; xn g
n
P
1 ; :::; n 2 R tales que x =
i xi :
583
V , x 2 V es combinacin lineal de elementos de A si existen
i=1
Teorema 4 Sea A un subconjunto no vaco de V . El subconjunto W de V constitudo por todas las

combinaciones lineales de elementos de A es un subespacio de V . Este subconjunto W de V se denomina
subespacio generado por A. Escribiremos W = L (A) :
Denicin 14 Sea A un subconjunto no vaco de un espacio vectorial V . Si L (A) = V diremos que
A genera a V o que A es un conjunto generador de V:
Si A
V y L (A) = V , entonces x 2 V si y solo si existen 1 ; :::; n 2 R, x1 ; :::; xn 2 A tales

n
P
que x =
V , escribiremos explcitamente al subespacio
i xi : Particularmente, si A = fx1 ; :::; xn g
i=1
generado por A como
W = L (x1 ; :::; xn ) =
( n
X
i=1
i xi j i
2 R, i = 1; :::; n
Si W = V , escribiremos V = L (x1 ; :::; xn ) y diremos que fx1 ; :::; xn g es un conjunto generador de V:

Denicin 15 Sea A un subconjunto no vaco de un espacio vectorial V .
i. Se dice que A es linealmente independiente si para todo x1 ; ::; xn 2 A,
0;
i = 1; :::; n:
n
P
i xi
i=1
= 0 )
ii. Se dice que A es linealmente dependiente si A no es linealmente independiente.

De la denicin de dependencia lineal se sigue que A es linealmente dependiente si existen x1 ; :::; xn 2 A
n
P
y 1 ; :::; n 2 R no todos nulos tales que
i xi = 0:
i=1
Sean A; B dos subconjuntos no vacos de un espacio vectorial V tales que A

B. Entonces, si A es
linealmente dependiente, B tambin lo es; y , si B es linealemente independiente, A tambin lo es.
Denicin 16 Se dice que un subconjunto B de un espacio vectorial V es una base de V si y solo si
se satisfacen las dos condiciones siguientes:
i. B es linealmente independiente.
ii. B genera a V:
Denicin 17
i. Un espacio vectorial real V es de dimensin nita n si toda base B de V est constituida por
exactamente n elementos. Al nico nmero natural n se le llama dimensin de V y se le denota
dim V , esto es dim V = n:
ii. Se dice que un espacio vectorial real V es de dimensin innita si cualquier base B de V tiene
un nmero innito o numerable de elementos.
Ejemplos
1. El espacio Rn es un espacio vectorial de dimensin nita n. La base B = f!
e 1 ; :::; !
e n g se conoce
n
como base cannica de R , donde
!
e = (1; 0; :::; 0) ;
;!
e = (0; :::; 0; 1) :
1
584

P
e i = x1 !
e 1 + ::: + xn !
e n:
Sea !
x = (x1 ; :::; xn ) 2 Rn . Se tiene !
x = ni=1 xi !
n! !o
!
!
Para n = 2, el conjunto B = i ; j con i = (1; 0) ; j = (0; 1), es la base cannica de R2 . Note
!
!
que !
x = (a; b) 2 R2 se escribe en la forma !
x =a i +bj :
n! ! !o
!
!
!
Para n = 3, el conjunto B = i ; j ; k con i = (1; 0; 0) ; j = (0; 1; 0) ; k = (0; 0; 1), es la base
!
!
!
cannica de R3 . Si !
x = (a; b; c) 2 R3 entonces !
x =a i +bj +ck:
2. Sea V = C ([0; 2 ]). Consideremos las funciones '0 ; '1 ; :::; 'n denidas en [0; 2 ] como sigue:
'0 (x) = 1; '1 (x) = sen x; '2 (x) = sen (2x) ; :::; 'n (x) = sen (nx) :
El conjunto B = f'0 ; '1 ; :::; 'n g es linealmente independiente y genera un espacio W constituido
por todas las combinaciones lineales de '0 ; '1 ; ::; 'n , esto es
( n
)
X
W =
i 'i j i 2 R, i = 0; 1; :::; n
i=1
donde
0 ; :::;
2 W , f (x) =
1 sen (x)
+ ::: +
n sen (nx) ;
x 2 [0; 2 ]
2 R son elegidos apropiadamente.
3. El espacio vectorial de matrices de Mm n [R] es de dimensin nita m n. La base cannica B de

(1)
(m n)
donde
Mm n [R] est formada por las matrices A1 = aij ; :::; Am n = aij
(1;1)
aij
1;
si i = 1; j = 1;
0; si 1 < i m; 1 < j
(m n)
aij
n;
1;
si i = m; j = n;
0; si 1 i < m; 1 j < n:
Por ejemplo si m = 2, n = 3, la base cannica del espacio vectorial de matrices M2

formada por las siguientes matrices:
A1 =
1 0 0
0 0 0
A2 =
0 1 0
0 0 0
A3 =
0 0 1
0 0 0
A4 =
0 0 0
1 0 0
A5 =
0 0 0
0 1 0
A6 =
0 0 0
0 0 1
Sea A = (aij ) 2 M2
3 [R],
3 [R]
est
entonces A = a11 A1 + ::: + a23 A6 :
4. El espacio vectorial C ([a; b]) de funciones continuas en [a; b] es de dimensin innita.

5. El espacio vectorial I ([a; b]) de funciones integrables en [a; b] es de dimensin innita.
6. El espacio Kn ([a; b]) es de dimensin nita n + 1. La base cannica de Kn ([a; b]) est constituido
por el conjunto de funciones fP0 ; P1 ; :::; Pn g con P0 (x) = 1; Pj (x) = xj x 2 [a; b] ; j = 1; :::; n:
12.2.
Denicin de espacio normado.
Denicin 18 Sea V un espacio vectorial sobre R. Una norma en V es una funcin N de V en R

que satisface las siguientes propiedades:
i. N (x)
0 8x 2 V;
ii. N (x) = 0 , x = 0;
iii. N ( x) = j j N (x)
iv. N (x + y)
8 2 R, 8x 2 V;
N (x) + N (y)
8x; y 2 V (desigualdad triangular).
12.3. EJEMPLOS DE ESPACIOS NORMADOS.
585
El nmero real no negativo N (x) se llama norma de x. El par (V; N ) se llama espacio normado.
Observacin
Si la funcin N de V en R verica las propiedades i), iii) y iv) de la denicin de norma, pero no se
verica ii), la funcin N se dice seminorma en V:
Note en iv) que x + y es la suma de los elementos x; y de V , mientras que N (x) + N (y) es la suma de
los nmeros reales no negativos N (x) y N (y). En iii), x es el producto del escalar (nmero real) por
el elemento x de V y j j N (x) es el producto de los nmeros reales no negativos j j y N (x) :
En ii), x = 0 denota el elemento neutro o nulo de V y N (x) = 0 es el elemento neutro o nulo de R.
Notacin
Si N es una norma en V , es usual escribir esta funcin con el smbolo k k en vez de N y el espacio
normado se escribir (V; k k) o se dir V espacio normado provisto de la norma k k. Para x 2 V , la norma
de x se escribir kxk :
Si en V se han denido varias normas, es preciso sealar que norma se est utilizando.
Proposicin 5 Sea V un espacio normado con k k su norma. Se verican las siguientes propiedades:
i. kx
yk = ky
ii. j kxk
kyk j
xk
kx
8x; y 2 V:
yk
8x; y 2 V:
Demostracin.
i. Sean x; y 2 V . Entonces kx
yk = k( 1) (x
y)k = j 1j ky
xk = ky
ii. Sean x; y 2 V . De la desigualdad triangular, se tiene kxk = k(x

donde kxk kyk kx yk : Adems,
kyk = k(y
x) + xk
ky
xk + kxk = kx
y de esta desigualdad se obtiene la siguiente: kyk

resulta kx yk kxk kyk :
Por lo tanto,
kx yk :
kx
yk
Nota: Recuerde que si a
12.3.
kxk kyk
0; jtj
kx
a,
kxk
kx
xk :
y) + yk
kx
yk + kyk ; de
yk + kxk
yk que multiplicndola por
yk ; que es equivalente a la desigualdad j kxk
kyk j
a:
Ejemplos de espacios normados.
Comenzamos esta seccin considerando el ejemplo ms simple de espacio normado: el espacio vectorial
R provisto de la funcin valor absoluto j j :
Sea V = R. Se dene la funcin k k de R en R como sigue: kxk = jxj 8x 2 R. Entonces, la funcin k k
denida en R es una norma en R. La vericacin de las propiedades i) a iv) siguen inmediatamente de
las propiedades del valor absoluto siguientes:
i. jxj
0 8x 2 R.
ii. jxj = 0 , x = 0:
iii. j xj = j j jxj
iv. jx + yj
8 ; x 2 R.
jxj + jyj
8x; y 2 R, (desigualdad triangular).
586
12.3.1.
Normas en Rn :
En el espacio vectorial real Rn se consideran dos normas importantes: la del mximo que se denota k k1
y las hlderianas k kp con p 2 [1; 1[ :
Norma k k1 :
Sea V = Rn . Se dene la funcin k k1 de Rn en R como k!

x k1 = Max jxi j
i=1;:::;n
Se verica que k k1 es una norma en Rn .
8!
x = (x1 ; :::; xn ) 2 Rn :
i) Es claro que para todo !

x = (x1 ; :::; xn ) 2 Rn ; k!
x k1 0:
!
ii) Si !
x = 0 = (0; :::; 0) 2 Rn , se tiene k!
x k1 = 0: Recprocamente, si k!
x k1 = 0 se sigue que
Max jxi j = 0 y como 0 jxi j
Max jxi j = 0 i = 1; :::; n, resulta que xi = 0; i = 1; :::; n, esto es,
i=1;:::;n
i=1;:::;n
!
!
!
!
!
x = 0 : As, k x k1 = 0 , x = 0 :
iii) Sean
2 R, !
x = (x1 ; :::; xn ) 2 Rn . Entonces !
x = ( x1 ; :::; xn ) ; y
k !
x k1 = Max j xi j = Max j j jxi j = j j Max jxi j = j j k!
x k1:
i=1;:::;n
i=1;:::;n
i=1;:::;n
Luego k !
x k1 = j j k !
x k1 :
iv) Sean !
x = (x1 ; :::; xn ) ; !
y = (y1 ; :::; yn ) 2 Rn . Puesto que
!
x +!
y = (x1 + y1 ; :::; xn + yn ) ;
jxi + yi j
jxi j + jyi j i = 1; :::; n;
y de la denicin de la funcin k k1 , se sigue

k!
x +!
y k1 =
Max jxi + yi j
i=1;:::;n
Max jxi j + Max jyi j = k!

x k1 + k!
y k1 :
=
Luego, kx + yk1
Max fjxi j + jyi jg
i=1;:::;n
i=1;:::;n
i=1;:::;n
kxk1 + kyk1 :
Conclusin: k k1 es una norma sobre Rn :
Sean n = 2, !
x = (x; y) 2 R2 , la norma k k1 en R2 est denida como k!
x k1 = Max fjxj ; jyjg. Note que
!
!
jxj k x k1 y jyj k x k1 :
Sean n = 3; !
x = (x; y; z) 2 R3 ; la norma k k1 en R3 est denida como k!
x k1 = Max fjxj ; jyj ; jzjg.
!
!
Adems, se verican las siguientes desigualdades: jxj k x k1 ; jyj k x k1 ; jzj k!
x k1 :
Si !
x = (x1 ; :::; xn ) 2 Rn . Se tiene jxi j
k!
x k1 ;
i = 1; :::; n:
Normas hlderianas en el espacio Rn :

Sea p 2 [1; 1[ . Se dene la funcin k kp de Rn en R como sigue:
k!
x kp =
n
X
i=1
jxi jp
!1
8!
x = (x1 ; :::; xn ) 2 Rn :
Entonces k kp es una norma en Rn , llamada norma de Hlder o norma hlderiana. Veriquemos las
propiedades i) a iv) de la denicin de norma.
i)Sea !
x = (x1 ; :::; xn ) 2 Rn . Puesto que jxi j
0 i = 1; :::; n, de la denicin de k kp , se sigue kxkp
0:
n
P
!
ii) Si !
x = 0 = (0; :::; 0) se tiene k!
x kp = 0. Supongamos que k!
x kp = 0 entonces
jxi jp = 0. Se tiene
la siguiente desigualdad: 0
jxi j
n
P
i=1
jxi j = 0 i = 1; :::; n, consecuentemente xi = 0; i = 1; :::; n, o

!
sea !
x = (0; :::; 0) : Luego, k!
x kp = 0 , !
x = 0:
i=1
587
2 R, !
x = (x1 ; :::; xn ) 2 Rn . Entonces
iii) Sean
n
X
k !
x kp =
i=1
n
X
j xi jp
n
X
= j j
!1
!
x = ( x1 ; :::; xn ) y por la denicin de k kp , se tiene
i=1
i=1
!1
jxi jp
!1
n
X
p
j j
jxi jp
j jp jxi jp
i=1
!1
= j j k!
x kp :
Por lo tanto, k !
x kp = j j k !
x kp :
iv) Para probar la desigualdad triangular, se requieren de dos resultados preliminares: la desigualdad de
Young y la desigualdad de Hlder.
Desigualdad de Young.
1
p
Esta se establece en los siguientes trminos: sean p; q 2 ]1; 1[ tales que

Entonces
1
1
1
1
p
q
+
:
p
q
Para probar esta desigualdad, estudiemos la funcin siguiente:
(
[0; 1[ ! R
f:
x
!
f (x) = 1q + p1 x
1
q
= 1;
0;
0:
xp :
Para x > 0 calculemos la derivada f 0 (x) y determinemos los puntos crticos y los intervalos donde
f 0 (x) > 0; f 0 (x) < 0; tenemos
f 0 (x) =
1 p1
x
p
1
p
f 0 (x) = 0 , x
1
q
f 0 (x) > 0 , 1
1
p
1
x
p
1
q
1
p
1
q
= 1 , x = 1;
x
1
q
> 0 , x > 1;
f (x) < 0 ) 0 < x < 1:
La funcin f es decreciente sobre ]0; 1[ y creciente si x 1. Puesto que f (1) = 0; la funcin f tiene un
mnimo local en x = 1. Adems, f (0) = 1q > 0 y f (x) ! +1. Luego f (1) = 0 es un mnimo global.
x!1
En consecuencia, para todo x
0, f (x)
0. En particular, para x
0 = f (1)
1
y de esta desigualdad se obtiene x p

Para
x=
=0o
xp
1 1
+ x:
q p
(en el caso contrario ponemos x =

1
p
precedente, resulta
1
p
1 1
+ x
q p
= 0, la desigualdad de Young se verica trivialmente. Supongamos que
1 si
con lo que
f (x) =
1 y siendo f creciente, se tiene
1
q
1
p
1
q
1
q
1
p
; luego
1
p
1
p +1
1). Remplazando x =
1
p
1
q
: Como
1
p
1
q
Esta desigualdad se expresa como a continuacin se indica:
i=1
jxi yi j
k!
x kp k!
y kq
8!
x = (x1 ; :::; xn ) ; !
y = (y1 ; :::; yn ) 2 Rn ;
>0y
en la desigualdad
= 1, se tiene
Desigualdad de Hlder.
n
X
> 0;
1
q
=1
1
p,
588

1 1
+ = 1:
p q
donde p; q 2 ]1; 1[ tales que
Si !
x =0o!
y = 0, la desigualdad de Hlder se verica trivialmente. Supongamos !
x =
6 0; !
y =
6 0:
Sean
jxi jp
= ! p;
k x kp
jyi jq
= ! q . Apliquemos la desigualdad de Young. Resulta
k y kq
jxi jp
p
k!
x kp
con lo cual
!1
jyi jq
q
k!
y kq
!1
1 jxi jp
1 jyi jq
+
p
q
p k!
x kp q k!
y kq
1 jxi jp
1 jyi jq
+
p
q
p k!
x kp q k!
y kq
jxi j jyi j
k!
x kp k!
y kq
i = 1; :::; n;
i = 1; :::; n:
Sumando de 1 a n en cada miembro de la ltima desigualdad, obtenemos

n
1
1 X
jxi j jyi j
k!
x kp k!
y kq
n
n
X
X
1
1
p
jx
j
+
jyi jq :
i
p
q
p k!
x kp i=1
q k!
y kq i=1
1=n
n
P
p
Puesto que k!
x kp =
jxi jp ;
Pn
1
1
jx j jy j
jyi jq , entonces !
!
x
y
k kp k kq 1=n i i
i=1
i=1
Pn
esta desigualdad se deduce la lesigualdad de Hlder:
k!
x kp k!
y kq :
1=n jxi yi j
k!
y kq =
q
Desigualdad triangular: k!
x +!
y kp
n
P
k!
x kp + k!
y kp
1
p
1
q
= 1; y de
8!
x;!
y 2 Rn :
De la denicin de k kp , obtenemos
p
k!
x +!
y kp =
n
X
i=1
n
X
i=1
jxi + yi j =
p 1
jxi + yi j
n
X
i=1
p 1
jxi + yi j
jxi j +
n
X
i=1
n
X
jxi + yi j
jxi + yi jp
i=1
jxi + yi jp
jyi j :
1
p
Apliquemos la desigualdad de Hlder a cada sumando del lado derecho. Ya que

p + q = pq con lo que p = q (p 1) : Luego
n
X
i=q
jxi + yi jp
n
X
jxi j
i=1
!1
jxi jp
n
X
i=1
p
= k!
x kp k!
x +!
y kp
Anlogamente,
Pn
p
i=1 jxi + yi j
jyi j
1
q
i=1
jxi + yi jp
jxi j +
p
k!
x kp k!
x +!
y kp
1)q
= k!
x kp
n
X
i=1
1
q
= 1, se obtiene
!1
q
jxi + yi jp
k!
y kp k!
x +!
y kp
n
X
p
k!
x +!
y kp
!1
q
jxi + yi j(p
(jxi j + jyi j)
1
q
1
q
: Por lo tanto
n
X
i=1
jxi + yi jp
jyi j
p
+ k!
y kp k!
x +!
y kp
1
q
k!
x kp + k!
y kp k!
x +!
y kpq ;
p
p
y de esta desigualdad, se deduce k!
x +!
y kp q
k!
x kp +k!
y kp : Nuevamente p1 + 1q = 1 entonces 1 = p
con lo que se obtiene la desigualdad triangular: k!
x +!
y kp k!
x kp + k!
y kp :
Para n = 2; !
x = (x; y) 2 R2 la norma de Hlder est denida como sigue:
1
k!
x kp = (jxjp + jyjp ) p con p 2 [1; 1[ :
p
q,
589
As, para p = 1; la norma k k1 est denida como k!

x k1 = jxj + jyj : Para p = 2; la norma k k2 se escribe
1
!
2
2
2
como k x k2 = x + y
. Esta se conoce como norma eucldea. Para p = 3; la norma k k3 se escribe
como k!
x k3 = jxj3 + jyj3
1
3
Para n = 3; !
x = (x; y; z) 2 R3 la norma de Hlder k kp est denida como
1
k!
x kp = (jxjp + jyjp + jzjp ) p con p 2 [1; 1[ :
Particularmente, para p = 1;
k!
x k1 = jxj + jyj + jzj : Para p = 2; k!
x k2 = x2 + y 2 + z 2
7
norma eucldea. Para p = 3;5 = 27 ; k!

x k7 =
2
7
jxj 2 + jyj 2 + jzj 2
1
2.
Esta es la
Consecuencias
P
1. Para p = 1 la norma k k1 est denida como k!
x k1 = ni=1 jxi j !
x = (x1 ; :::; xn ) 2 Rn : Adems,
!
n
para y = (y1 ; :::; yn ) 2 R , se verica la desigualdad de Hlder para p = 1 y q = 1:
n
X
i=1
Max jyi j = k!
y k1
En efecto, de la desigualdad jyi j

n
X
i=1
jxi yi j =
n
X
i=1
k!
x k1 k!
y k1 :
jxi yi j
i = 1; : : : ; n; se sigue que
i=1;n
n
X
jxi j jyi j
i=1
(jxi j k!
y k1 )
k!
y k1
n
X
i=1
jxi j = k!
y k1 k!
x k1 :
As, la desigualdad de Hlder es vlida para p = 1 y q = 1:

2. Sean p 2 ]1; 1[ y !
x = (x1 ; :::; xn ) 2 Rn con !
x 6= 0. Mostremos que l m k!
x kp = k!
x k1 :
p!1
!
!
!
n
Primeramente k x k1 k x kp 8 x 2 R : En efecto,
n
X
k!
x k1 = Max jxi j
i=1;:::;n
i=1
jxi j
!1
= k!
x kp :
Por otro lado,

k!
x kp =
n
X
i=1
jxi jp
= k!
x k1
!1
n
X
i=1
Max jxi j
i=1;:::;n
i=1
!1
n
X
!1
n
X
i=1
p
k!
x k1
p!1
1
y como l m n p = 1, se deduce k!
x k1
p!1
= n p k!
x k1 :
De los dos resultados previos, se deduce la siguiente desigualdad: k!

x k1
Tomando lmite cuando p ! 1; se obtiene
l m k!
x k1
!1
l m k!
x kp
p!1
k!
x kp
n p k!
x k1 :
l m n p k!
x k1 ;
p!1
l mp!1 k!
x kp
k!
x k1 : As, l mp!1 k!
x kp = k!
x k1 :
590
3. Relacin entre k kp y k kq con 1

q > p 1:
k!
x kp
p < q. Mostremos que
q p
pq
k!
x kq
8!
x 2 Rn con
1 1
q
Sean p; q 2 [1; 1[ con q > p. Sea r = > 1 y s 2 ]1; 1[ tal que + = 1: Por la desigualdad de
p
r
s
Hlder, para cada !
x = (x ; :::; x ) 2 Rn se tiene
n
n
X
p
k!
x kp =
i=1
jxi jp
i=1
= n s k!
x kq
Note que r =
q
p
q p
pq
1
r
!1
n sp
n
X
1s
i=1
q
1
n s k!
x kqr =
(jxi jp )r
!1
r
n
X
1
ns
i=1
jxi jpr
!1
r
1
ns
n
X
i=1
jxi jq
!1
r
1
p
n s k!
x kq :
1
p
p
x kq y tomando la raz p-sima
= p. Se tiene k!
x kp
n s k!
1 1
q
k!
x kq : Como + = 1 y r = se sigue que s = q q p y en consecuencia
r
s
p
entonces pr = q y
se deduce k!
x kp
k!
x kp
n
X
q
r
k!
x kq :
As, si p; q 2 [1; 1[ tales que q > p
1; k!
x kp
q p
pq
k!
x kq
8!
x 2 Rn :
1
Pn
2 2
4. Si p = 2 y !
x = (x1 ; :::; xn ) 2 Rn , la norma k k2 viene dada por k!
x k2 =
que se conoce
i=1 jxi j
!
!
con el nombre de norma eucldea. Adems,
p = q = 2; x = (x1 ; :::; xn ) ; y = (y1 ; :::; yn ) 2 R2 ,
Ppara
n
la desigualdad de Hlder se escribe
jx y j
k!
x k k!
y k ; que coincide con la conocida
i=1
i i
desigualdad de Cauchy-Schwarz que se ver ms adelante.
5. Sean n 2 Z+ ; j 2 R+ ; j = 1; :::; n; las siguientes son normas en Rn :

a) k!
v k = Max f j jvj jg !
v = (v1 ; :::; vn ) 2 Rn :
j=1;:::;n
n
P
b) k!
vk=
j=1
c) k!
vk=
n
P
j=1
d) k!
v k = Max
!1
2
j jvj j
j=1;:::;n
12.3.2.
!
v = (v1 ; :::; vn ) 2 Rn :
jvj j
j
P
i=1
!
v = (v1 ; :::; vn ) 2 Rn :
)
jvj j
!
v = (v1 ; :::; vn ) 2 Rn :
Normas geomtricas de matrices.
n!
! o
Sean V = Rn ; W = Rm ; se designa con BV = f!
e 1 ; :::; !
e n g y BW = f 1 ; :::; f m las bases cannicas
de Rn y Rm , p; q 2 [1; 1] y k kp ; k kq normas en Rn y Rm , respectivamente. Se denota con Mm n [R] el
espacio vectorial de las matrices reales de m n y A 2 Mm n [R]. Se dene la aplicacin lineal T de Rn
en Rm como
T (!
x ) = A!
x 8!
x 2 Rn :
Entonces T es continua en todo punto !
xo 2 Rn : Ms an, debido a la linealidad de T; se tiene
!
!
!
!
!
!
T( x
x o ) = T ( x ) T ( x o ) 8 x ; x o 2 Rn ; por lo que la continuidad de T en !
xo es equivalente
a la continuidad de T en el origen. Por lo tanto, dado
> 0; 9
> 0 tal que 8!
x 2 Rn con
!
!
k x k < =) kT ( x )k < :
p
Sea !
v 2 Rn tal que k!
v kp = 1 y sea !
x = 2!
v : Entonces,
k!
x kp =
!
v
=
p
k!
v kp =
< ;
591
y por la linealidad de T , se tiene T (!

x ) = T(2!
v ) = 2 T (!
v ); en consecuencia
kT (!
x )kq =
de donde kT (!
v )kq <
kT (!
v )kq < ;
= M:
As, kT (!
v )kq M 8!
v 2 Rn con k!
v kp = 1; y de la denicin de T se sigue que el conjunto
n
o
kA!
x kq j !
x 2 Rn con k!
x kp = 1 es acotado superiormente. Este resultado nos permite denir las
normas geomtricas de matrices que a continuacin se propone.
Denicin 19 Sea A = (aij ) 2 Mm n [R]. La norma geomtrica de la matriz A se denota con jkAkj
!
y se dene como jkAkj = supk!
x k 1 kA x kq :
p
Se verica inmediatamente que jk kj es una norma en Mm n [R] : La prueba se deja como ejercicio.
Adems, de la denicin de norma geomtrica de una matriz se sigue inmediatamente que para toda
matriz A 2 Mm n [R] se verica la desigualdad siguiente:
kA!
x kq
Teorema 6 Sea A = (aij ) 2 Mm

i. jkAkj1 =
n [R].
jkAkj k!
x kp
Entonces,
m
P
sup kA!
x k1 = max
jaij j
j=1;:::;n i=1
x k1 1
k!
ii. jkAkj1 =
sup
x k1
k!
8!
x 2 Rn :
kA!
x k1 = max
n
P
i=1;:::;m j=1
(mximo por columnas de A).
jaij j
(mximo por las de A).
1
2
;
iii. jkAkj2 = sup kA!
x k2 =
max j i j
i=1;:::;n
x k2 1
k!
y AT denota la matriz transpuesta de A.
donde
1; : : :
son los valores propios de AT A
Demostracin.
i. a) Probemos que jkAkj1
m
P
max
j=1;:::;n i=1
Entonces,
2
6
A!
x =4
n
P
jaij j : Sea !
x T = (x1 ; :::; xn ) 2 Rn tal que k!
x k1 =
jxj j = 1.
j=1
32
a11
..
.
a1n
.. 7 6
. 54
amn
am1
x1
..
.
xn
2 P
n
a x
6 j=1 1j j
6
7 6
..
5=6
6 n .
4 P
amj xj
3
j=1
7
7
7
7;
7
5
y por la denicin de la norma k k1 en Rm , se sigue que

0
1
!
n
m X
n
n
m
m
X
X
X
X
X
!
@
jaij j jxj j =
jxj j
jaij j
aij xj A
kA x k1 =
i=1
n
X
j=1
i=1 j=1
j=1
jxj j max
j=1;:::;n
m
X
i=1
jaij j
j=1
max
j=1;:::;n
m
X
i=1
jaij j
i=1
n
X
j=1
jxj j =
max
j=1;:::;n
m
X
i=1
jaij j :
Por lo tanto, de la denicin de la norma geomtrica jk kj1 ; se obtiene la desigualdad siguiente:

jkAkj1 =
sup kA!
x k1
!
x
1
k k1
max
j=1;:::;n
m
X
i=1
jaij j :
592

b) Probemos que max
m
P
j=1;:::;n i=1
m
P
jaij j
jkAkj1 : Para el efecto, sea k la columna para la cual se verica
m
P
max
jaij j =
jaik j : Para !
x =!
ek , el k-simo vector de la base cannica de Rn ,
j=1;:::;n i=1
i=1
2
3
a1k
Pm
P
6
7
se tiene A!
ek = 4 ... 5 ; y en consecuencia kA!
e k k1 = m
i=1 jaik j :
i=1 jaik j = maxj=1;:::;n
amk
la igualdad
Nuevamente, de la denicin de la norma geomtrica jk kj1 ; se obtiene la desigualdad siguiente:

max
j=1;:::;n
n
X
i=1
jaij j = kA!
e k k1
sup kA!
x k1 = jkAkj1 :
x k1 1
k!
De las desigualdades obtenidas en las partes a) y b) se deduce nalmente el resultado buscado:

n
X
!
jkAkj1 = sup kA x k1 = max
jaij j :
j=1;:::;n
xk 1
k!
i=1
ii. Primeramente, obtenemos la desigualdad jkAkj1

que k!
x k1 = max jxj j = 1. Entonces, jxj j
i=1;:::;m
n
X
i=1;:::;m j=1
jaij j. Sea !
x T = (x1 ; :::; xn ) 2 Rn tal
k!
x k1 , j = 1; :::; n, y
j=1;:::;n
kA!
x k1 = max
n
P
max
aij xj
max
i=1;:::;m
j=1
n
X
j=1
jaij j jxj j
max
i=1;:::;m
n
X
j=1
jaij j ;
consecuentemente
kA!
x k1
sup
x k1
k!
kA!
x k1 = jkAkj1
Mostremos a continuacin la desigualdad
max
n
P
max
i=1;:::;m
n
X
j=1
jaij j :
jkAkj1 : Para el efecto, sea k el

P
Pn
ndice para el cual la la k-sima de A es tal que maxi=1;:::;m nj=1 jaij j =
j=1 jakj j : Sea
8
< j akj j
; si akj 6= 0;
!
x T = (x1 ; :::; xn ) 2 Rn denido como sigue: xj =
Se tiene k!
x k1 = 1, y
akj
:
0; si akj = 0:
kA!
x k1 = max
i=1;:::;m
de donde
n
X
j=1
jakj j = kA!
x k1
Por lo tanto, jkAkj1 = maxi=1;:::;m
jaij j
i=1;:::;m j=1
n
X
aij xj =
j=1
j=1
sup
x k1 1
k!
Pn
n
X
jakj j ;
kA!
x k1 = jkAkj1 :
j=1 jaij j :
iii. Las normas eucldeas en Rn y Rm estn denidas como

k!
x k2 =
!
xT !
x
1
2
n
X
i=1
!1
2
x2i
2
T
kA!
x k2 = (A!
x ) A!
x =!
x T AT A!
x
8!
x 2 Rn ;
8!
x 2 Rn :
!
Denimos la funcin !
g de Rn en R como sigue g (x) = !
x T AT A!
x
x 2 Rn : Esta funcin es
!
!
T
diferenciable y el gradiente de g est denido como rg ( x ) = 2A A x 8!
x 2 Rn :
593
Sea S = !
x 2 Rn j !
x T!
x = 1 ; y consideramos el problema siguiente: max!
x 2S g (x) : Note que
2
!
!
g ( x ) = kA x k2 ; de modo que
jkAkj2 =
1
sup kA!
x k2 = sup [g (!
x )] 2 :
x k2 1
x k2 1
k!
k!
Apliquemos el mtodo de los multiplicadores de Lagrange. Denimos

!
(!
x ; ) = g (!
x)+ 1 !
x T!
x
x 2 Rn ;
y es el multiplicador de Lagrange. Por las condiciones necesarias de extremo, tenemos el par de
ecuaciones siguiente:
O! (!
x ; ) = Og (!
x) 2 !
x = 2AT A!
x 2 !
x = 0;
x
(!
x; ) = 1
!
x T!
x = 0:
AT A
I !
x = 0;
Se obtiene el siguiente sistema de ecuaciones: !
x 2 Rn ;
2 R,
As, la
!
!
T
x x = 1:
determinacin de los puntos crticos de (!
x ; ) se transforma en el clsico problema de valores
!
!
T
propios: A A x = x :
Puesto que AT A es simtrica, se sabe que los valores propios son reales. Sean 1 ; : : : ; n 2 R
tales valores propios, y !
x 1; : : : ; !
x n 2 Rn los respectivos vectores propios tales quek!
x i k2 = 1
i = 1; : : : ; n; esto es,
AT A!
x i = i xi i = 1; : : : ; n
2
!
k x i k2 = 1:
De la denicin de la funcin g se deduce
0 g (!
x i) = !
x Ti AT A!
xi =!
x Ti
Por lo tanto jkAkj2 = sup kA!

x k2 =
x k2 1
k!
!
xi =
i = 1; : : : ; n:
1
2
max j i j
i=1;:::;n
Observacin
!
1. Sea A = (a1 ; :::; an ) 2 Rn . Se tiene A = (a1 ; :::; an ) 2 M1
!
jkAkj1 = A :
n [R].
Entonces
jkAkj1 =
!
A
;y
Las normas geomtricas de matrices son submultiplicativas, como se muestra en el siguiente teorema.
Teorema 7 Sean A; B 2 Mn
i. jkABkj1
ii. jkABkj1
iii. jkABkj2
n [R].
Entonces
jkAkj1 jkBkj1 ;
jkAkj1 jkBkj1 :
jkAkj2 jkBkj2 :
Demostracin.
x k1
y k1 k!
y k1
kAB !
kA!
i. Sea !
x 2 Rn con !
x =
6 0 tal que !
y = B!
x 6= 0. Entonces
=
: Luego
!
!
x k1
k x k1
k y k1 k!
kAB !
x k1
kA!
y k1 k!
y k1
jkABkj1 =
sup
=
sup
!
!
!
k x k1
x k1 1 k x k1
x k1 1 k y k1
k!
k!
kA!
y k1
kB !
y k1
sup
sup
= jkAkj1 jkBkj1 :
!
!
k
y
k
k
x
k
!
!
1
1
y
1
x
1
k k1
k k1
594

Otra forma de obtener este resultado se muestra a continuacin:
kAB !
x k1 = kAB !
x k1
de donde
jkAkj1 jkB !
x kj1
jkAkj1 = max kAB !

x k1
x k1 1
k!
jkAkj1 jkBkj1 k!
x k1 ;
jkAkj1 jkBkj1 :
ii. Sea !
x 2 Rn . Entonces,
y para k!
x k1
kAB !
x k1 = kA (B !
x )k1
jkAkj1 jkB !
x kj1
1, se obtiene jkABkj1
jkAkj1 jkBkj1 k!
x k1 ;
jkAkj1 jkBkj1 :
iii. Es inmediata.
Otra clase de normas en Mm

a) N (A) =
m P
n
P
i=1 j=1
b) N (A) =
se denen a continuacin, donde A = (aij )m
2 Mm
n [R] :
jaij j :
m P
n
P
!1
i=1 j=1
c) N (A) = Max
n [R]
jaij j
Max jaij j :
i=1;:::;m j=1;:::;n
d) N (A) = Max
n
P
i=1;:::;m j=1
e) N (A) = Max
m
P
j=1;:::;n i=1
jaij j :
jaij j :
f ) Sean p 2 [1; 1[ y A = (aij )m
una norma de Hlder sobre Mm
n [R].
12.3.3.
2 Mm
2 [R]. Se dene kAkp =
m P
n
P
i=1 j=1
!1
jaij j
; entonces k kp es
Normas en el espacio de funciones continuas C ([a; b]) :
Sean a; b 2 R tales que a < b. Se denota con C ([a; b]) al espacio de todas las funciones continuas en [a; b] :
En este espacio se van a denir dos normas: la norma de Chebyshev notada k k1 y la norma de Hlder
que se denota con k kp , donde p 2 [1; 1[.
Norma de Chebyshev.
Se dene la funcin k k1 de C ([a; b]) en R como se indica a continuacin:
kf k1 = Max jf (x)j 8f 2 C ([a; b]) :
x2[a;b]
Esta se conoce como norma de Chebyshev. Probemos que k k1 es una norma sobre C ([a; b]). En efecto,
i) De la denicin de k k1 , se tiene kf k1
0:
ii) Si f = 0, esto es, f (x) = 0 8x 2 [a; b] ; kf k1 = 0. Recprocamente, si kf k1 = 0 = Max jf (x)j,

x2[a;b]
entonces f (x) = 0 8x 2 [a; b], es decir que f = 0:

iii) Sean
2 R, f 2 C ([a; b]). Entonces k f k1 = Max j f (x)j = j j kf k1 :

x2[a;b]

iv) Sean f; g 2 C ([a; b]). Entonces jf (x) + g (x)j
kf + gk1 = Max jf (x) + g (x)j
595
jf (x)j + jg (x)j
8x 2 [a; b] : Resulta,
Max jf (x)j + Max jg (x)j
x2[a;b]
x2[a;b]
x2[a;b]
kf k1 + kgk1 :
Conclusin: k k1 es una norma en C ([a; b]) :

Notacin: El espacio C ([a; b]) provisto de la norma k k1 se le nota L1 ([a; b]) :
Normas hlderianas en el espacio de funciones continuas C([a; b]):
Sea p 2 [1; 1[. Se dene la funcin k kp de C ([a; b]) en R como sigue:
kf kp =
1
p
jf (x)j dx
8f 2 C ([a; b]) :
Probemos que k kp es una norma sobre C ([a; b]) denominada norma hlderiana. Para el efecto mostremos
que k kp satisface las cuatro propiedades de la denicin de norma.
i) Es claro que kf kp
8f 2 C ([a; b]) :
ii) Si f = 0 se tiene kf kp = 0. Supongamos que kf kp = 0 y probemos que f = 0, o lo que es equivalente

a probar que f 6= 0 ) kf kp 6= 0: Recuerde que si u; v son proposiciones, se tiene la siguiente tautologa:
(u =) v) () [( v) =) ( u)]: Efectivamente, si f 6= 0, existe x0 2 [a; b] tal que f (x0 ) 6= 0 y como f
es continua, existe [ ; ] [a; b] tal que f (x) 6= 0 8x 2 [ ; ]. Luego
Z
Z b
p
0<
jf (x)j dx
jf (x)jp dx = kf kpp ;
a
es decir que kf kp > 0. As, f 6= 0 ) kf kp > 0; o lo que es lo mismo kf kp = 0 ) f = 0:

iii) Sean
2 R, f 2 C ([a; b]). Se verica inmediatamente que k f kp = j j kf kp :
iv) Mediante un procedimiento anlogo al de la demostracin de la desigualdad triangular para la

norma hlderiana en Rn , se obtiene de la desigualdad de Young, la desigualdad de Hlder que para
1 1
funciones continuas se establece del modo siguiente: para todo p; q 2 [1; 1[ tales que + = 1; f; g 2
p q
C ([a; b]) ; entonces f g 2 C( [a; b]) y
Z b
kf gk1 =
jf (x) g (x)j dx kf kp kgkq ;
a
Z
jf (x) g (x)j dx
jf (x)j dx
p
Para probar esta desigualdad se pone = jfkf(x)j

,
=
kpp
Young que ha sido establecida anteriormente. Se obtiene
jf (x)j jg(x)j
kf kp kgkq
1
p
jg(x)jq
kgkqq
1 jf (x)jp 1 jg(x)jq
+
p kf kpp
q kgkqq
jg (x)j dx
1
q
con f 6= 0; g 6= 0 en la desigualdad de
x 2 [a; b];
y luego se integra sobre el intervalo [a; b]; esto es

Z b
Z b
Z b
1
1 1
1 1
p
jf (x) g (x)j dx
jf
(x)j
dx
+
jg (x)jq dx = 1;
kf kp kgkq a
p kf kpp a
q kgkqq a
y de esta desigualad se obtiene la desigualdad de Hlder.
Sean f; g 2 C ([a; b]). Utilizando la desigualdad de Hlder se obtiene la desigualdad triangular siguiente:
kf + gkp
kf kp + kgkp :
596
Conclusin: k kp es una norma sobre C ([a; b]) ; p 2 [1; 1[ :

Notacin: El espacio C ([a; b]) provisto de la norma k kp se le nota Lp ([a; b]) :
Rb
Sea f 2 C ([a; b]) : Para p = 1; la norma k k1 est denida como kf k1 = a jf (x)j dx. Note que
1
Rb
2
2
f 2 L1 ([a; b]) : Para p = 2, kf k2 =
jf
(x)j
dx
es la norma eucldea. Se tiene f 2 L2 ([a; b]) :
a
1
Rb
4
4
Si p = 4; la funcin k k4 est denida como kf k4 = a jf (x)j dx . Note que f 2 L4 ([a; b]) :
Para p = q = 2, la desigualdad de Hlder se expresa como sigue:
Z b
jf (x) g (x)j dx kf k2 kgk2
8f; g 2 C ([a; b]) ;
kf gk1 =
a
que coincide con la conocida desigualdad de Cauchy-Schwarz.
Es importante observar el signicado de los espacios Lp ([a; b]) que aqu hemos dado: simplemente es
el espacio C ([a; b]) provisto de la norma k kp . Estos espacios Lp ([a; b]) son diferentes de los espacios
Lp (a; b) que designan a los espacios de Lebesgue que se tratan en los cursos de Anlisis Funcional, Teora
de Integracin, etc. Para informacin Lp ([a; b]) Lp (a; b). Similarmente L1 ([a; b]) L1 (a; b), donde
L1 (a; b) pertenece a la clase de los espacios de Lebesgue.
Sean ! 2 C ([a; b]) tal que ! (x) > 0 8x 2 [a; b] ; las siguientes son normas en C ([a; b]) :
Rb
a) kf k = a ! (x) jf (x)j dx f 2 C ([a; b]) :
Rb
b) kf k =
! (x) f 2 (x) dx
1
2
f 2 C ([a; b]) :
Otras normas en C 1 ([0; 10]) se denen a continuacin:

a) N (u) = Max fju (x)j ; ju0 (x)jg :
x2[0;10]
b) M (u) =
c) R (u) =
12.4.
R 10
0
R 10
0
(ju (x)j + ju0 (x)j) dx:

p
(ju (x)j +
ju0 (x)jp ) dx
1
p
para p 2 ]1; 1[ :
Espacios con producto interno.
En esta seccin revisamos brevemente una clase de espacios vectoriales reales V en los que se dene un
producto escalar (dicho tambin producto interno o producto punto) que los denominaremos espacios
con producto escalar o espacios con producto punto, o espacios eucldeos. En esta clase de espacios se
introducirn las nociones geomtricas de ngulo, de perpendicularidad u ortogonalidad, la conocida ley
del paralelogramo y el teorema de Pitgoras.
Enfatizaremos en dos clases de espacios Rn y C ([a; b]).
Denicin 20 Sea V un espacio vectorial real. Un producto interno o producto escalar en V es una
funcin denotada h ; i de V V en R que satisface las siguientes propiedades:
i. hx; yi = hy; xi
8x; y 2 V;
ii. hx + y; zi = hx; zi + hy; zi

iii. h x; yi =
hx; yi
8 2 R;
8x; y; z 2 V;
8x; y 2 V;
iv. hx; xi = 0 , x = 0;
hx; xi > 0 , x 6= 0 x 2 V:
Para x; y 2 V , el nmero real hx; yi se llama producto escalar o producto interno de x con y.
12.4. ESPACIOS CON PRODUCTO INTERNO.
597
Denicin 21 Un espacio vectorial V en el que se ha denido un producto escalar h ; i se denomina

espacio con producto interior, espacio con producto escalar o espacio prehilbertiano.
Observacin
Si V es un espacio vectorial complejo y h ; i denota un producto escalar en V , la propiedad i) se escribe
como hx; yi = hy; xi
8x; y 2 V; donde el lado derecho de la igualdad designa el nmero complejo
conjugado de hy; xi. Las propiedades ii), iii) y iv) de la denicin de producto escalar permanecen
invariables.
Ejemplos
Pn
1. Sea V = Rn . Un producto escalar h ; i en Rn se dene como h!
x;!
yi =
i=1 xi yi ; donde
!
!
n
x = (x1 ; :::; xn ), y = (y1 ; :::; yn ) 2 R . En notacin matricial, esto es, los elementos de Rn
se escriben como vectores columna, el producto escalar h ; i en Rn se escribe como
h!
x;!
yi=!
x T!
y =
n
X
xi yi ;
i=1
donde !
x T = (x1 ; :::; xn ) ; !
y T = (y1 ; :::; yn ) 2 Rn denotan los vectores transpuestos de los vectores
!
!
columna x e y . Las propiedades i) a iv) de la denicin de producto escalar se verican fcilmente
y se dejan como ejercicio.
Para n = 2, el producto h ; i en R2 est dado como sigue: si !

x = (a1 ; b1 ), !
y = (a2 ; b2 ) 2 R2 ,
!
!
entonces h x ; y i = a1 a2 + b1 b2 :
Para n = 3, el producto h ; i en R3 est dado como h!
x;!
y i = a1 a2 +b1 b2 +c1 c2 con !
x = (a1 ; b1 ; c1 ),
!
3
y = (a ; b ; c ) 2 R .
2
2. Sea V = C ([a; b]). Un producto escalar h ; i en C ([a; b]) se dene como

Z b
f (x) g (x) dx 8f; g 2 C ([a; b]) :
hf; gi =
a
Por ejemplo, si f , g 2 C ([ 1; 1]) estn dadas como f (x) = x3 , g (x) = x2 + 1 x 2 [ 1; 1]. Entonces
Z 1
Z 1
hf; gi =
f (x) g (x) dx =
x3 x2 + 1 dx = 0:
1
Probemos que la funcin h ; i de C ([a; b]) C ([a; b]) en R satisface las cuatro propiedades de la
denicin de producto escalar. Para ello utilicemos algunas propiedades de las funciones integrables
y de las funciones continuas. Sean f; g; h 2 C ([a; b]) y 2 R. Entonces
Rb
f (x) g (x) dx = a g (x) f (x) dx = hg; f i :
Rb
Rb
Rb
ii. hf + g; hi = a [f (x) + g (x)] h (x) dx = a f (x) h (x) dx + a g (x) h (x) dx = hf; hi + hg; hi :
Rb
Rb
iii. h f; gi = a f (x) g (x) dx = a f (x) g (x) dx = hf; gi :
i. hf; gi =
Rb
a
iv. Si f = 0 es claro que hf; f i = 0. Mostremos que si hf; f i = 0 entonces f = 0. Para ello,
haciendo uso de la tautologa (p ) q) , [( q) ) ( p)] en la que p; q son las proposiciones
siguientes p : f = 0; q : hf; f i = 0; tenemos la proposicin siguiente: f 6= 0 ) hf; f i > 0:
Si f 6= 0, existe x0 2 [a; b] tal que f (x0 ) 6= 0. Por hiptesis f es continua, por lo tanto
es continua en x0 y siendo f (x0 ) 6= 0, existe un intervalo [ ; ]
[a; b] tal que f (x) 6= 0
8x 2 [ ; ]. Luego
Z
Z b
0<
f 2 (x) dx
f 2 (x) dx = hf; f i :
a
As, f 6= 0 ) hf; f i > 0 y por la tautologa antes citada se deduce hf; f i = 0 ) f = 0:

Consecuentemente, hf; f i = 0 , f = 0: Adems, del resultado precedente, es claro que
hf; f i > 0 8f 2 C ([a; b]) con f 6= 0:
598
3. Sean V =PMn n [R], A = (aij ) 2 Mn n [R]. La traza de la matriz A se nota tr (A) y se dene como
tr (A) = ni=1 aii : Una funcin h ; i de Mn n [R] Mn n [R] en R denida como
hA; Bi = tr B T A
es un producto escalar en Mn
8A; B 2 Mn
n [R]
n [R].
Propiedades adicionales del producto escalar.

En un espacio prehilbertiano real V se verican las propiedades siguientes:
i. hx; y + zi = hx; yi + hx; zi
ii. hx; yi =
iii. hx
hx; y
hx; yi
8x; y; z 2 V;
8 2 R; 8x; y 2 V;
y; zi = hx; zi
zi = hx; yi
iv. h0; xi = hx; 0i = 0
hy; zi
hx; zi
8x; y; z 2 V;
8x; y; z 2 V;
8x 2 V:
v. Sean x; y 2 V , si para todo z 2 V , hx; zi = hy; zi, entonces x = y:

vi. Sean x1 ; :::; xn ; y 2 V , 1 ; :::; n 2 R. Entonces
* n
+
n
X
X
=
i xi ; y
i hxi ; yi ; y,
i=1
i=1
y;
n
X
i=1
i xi
n
X
i=1
i hxi ;
yi :
En un espacio vectorial real V se pueden denir una innidad de productos escalares. En los
ejercicios se exhiben algunos productos escalares denidos en R2 y en C ([0; 1]).
Longitud o norma de un vector
Denicin 22 Sea V un espacio vectorial real provisto de un producto escalar h ; i. La longitud o
1
norma de x 2 V se nota kxk y se dene como kxk = (hx; xi) 2 :
Esta norma k k se dice asociada al producto escalar h ; i y se le denomina norma eucldea.
Ejemplos
1. En el caso en que V = Rn , la norma del vector !
x T = (x1 ; :::; xn ) 2 Rn asociada al producto escalar
n
1
1
Pn
P
2 2 : Esta norma coincide
denido como !
x T!
y =
xi yi , se escribe k!
x k2 = !
x T!
x 2 =
i=1 xi
i=1
con la norma hlderiana en Rn con p = 2.
2. Sea V = C ([ 1; 1]). La norma de f 2 C ([ 1; 1]) asociada al producto escalar h ; i antes denido,

1
R1 2
1
2
est denida como kf k2 = (hf; f i) 2 =
f
(x)
dx
: Esta norma coincide con la norma
1
hlderiana en C ([a; b]) con p = 2.
3. Se denota Kn ([a; b]) al espacio vectorial de los polinomios reales de grado
n restringidos al
intervalo [a; b] R El espacio Kn ([a; b]) es un subespacio de C ([a; b]) de dimensin n + 1. Denido
un producto escalar h ; i en C ([a; b]), este es un producto escalar en Kn ([a; b]) y la norma asociada
se escribe
1
Z b
2
1
2
kpk2 = (hp; pi) 2 =
p (t) dt
8p 2 Kn ([a; b]) :
a
En tal caso diremos que Kn ([a; b]) es un espacio con producto intermo inducido por el de C ([a; b])
y que la norma k k2 en Kn ([a; b]) es la inducida por la norma k k2 en C ([a; b]).
599
4. Sea V = C 1 ([ 1; 1]). Un producto escalar h ; i en C 1 ([ 1; 1]) se dene como

Z
hf; gi =
f (x) g (x) +
1
df
dg
(x)
(x) dx
dx
dx
y la norma de f 2 C 1 ([ 1; 1]) asociada a este producto escalar se dene como

kf k1;2 =
1
1
df
jf (x)j2 +
(x)
dx
!1
2
dx
5. Sean = [ 1; 1] [ 1; 1] R2 . Se denota con C ( ) al espacio vectorial de funciones continuas en

. Un producto escalar h ; i en C ( ) se dene como
hf; gi =
1
1
f (x; y) g (x; y) dxdy

1
8f; g 2 C( ):
Se propone como ejercicio probar que efectivamente la funcin h ; i denida en C( ) C( ) es un

producto escalar. La norma de f 2 C ( ) asociada a este producto escalar se dene como
kf k =
jf (x; y)j dxdy
1
2
6. Considerar el espacio de funciones C 1 ([ 1; 1]) que poseen derivada continua en [ 1; 1]. Se dene
la funcin h ; i1 de C 1 ([ 1; 1]) C 1 ([ 1; 1]) en R como sigue:
hu; vi1 =
u (x) v (x) + u0 (x) v 0 (x) dx
8u; v 2 C 1 ([ 1; 1]) .
entonces h ; i es un producto escalar en C 1 ([ 1; 1]).

7. Sean = [ 1; 1] [ 1; 1] R2 . Se denota con C ( ) al espacio vectorial de funciones continuas
en . Un producto escalar h ; i en C ( ) se dene como
hf; gi =
1
1
f (x; y) g (x; y) dxdy

1
8f; g 2 C( ):
La norma de f 2 C ( ) asociada a este producto escalar se dene como

1
R
2
jf (x; y)j2 dxdy :
kf k =
8. Sea
= [ 1; 1] [ 1; 1]
R2 . Se designa con C 1 ( ) al espacio de funciones reales que poseen
derivadas parciales primeras continuas en : En C 1 ( ) se dene la funcin real h ; i1;2 como a
continuacin se indica:
hf; gi1;2 =
f (x; y)g(x; y) +
@f
@g
@f
@g
(x; y) (x; y) +
(x; y) (x; y) dxdy
@x
@x
@y
@y
8f; g 2 C 1 ( ):
entonces h ; i1;2 es un producto

escalar en C 1 ( ): Este producto escalar se escribe en forma
R
abreviada como hf; gi1;2 =
(f g + rf rg) 8f; g 2 C 1 ( ) y la norma asociada a este producto
1
R
2
8f 2 C 1 ( ):
escalar se escribe como kf k1;2 =
f 2 + jrf j2
600
Teorema 8 Sea V un espacio vectorial real provisto de un producto escalar h ; i. La longitud o norma
k k en V satisface las siguientes propiedades:
i. kxk
8x 2 V:
ii. kxk = 0 , x = 0:
iii. k xk = j j kxk
iv. jhx; yij
kxk kyk
v. kx + yk
vi. jkxk
8 2 R; x 2 V:
kxk + kyk
kykj
kx
vii. kx + yk2 + kx
viii. hx; yi =
8x; y 2 V (desigualdad de Cauchy-Schwarz).
1
4
8x; y 2 V (desigualdad triangular).
yk
8x; y 2 V .
yk2 = 2 kxk2 + 2 kyk2
kx + yk2
kx
yk2
8x; y 2 V (ley del paralelogramo).
8x; y 2 V
(identidad de polarizacin).
Demostracin.
i. Puesto que la funcin h ; i de V V en R es un producto escalar, esta tiene la propiedad siguiente:
para x 2 V , hx; xi = 0 , x = 0;
hx; xi > 0 , x 6= 0; y de la denicin de norma, se tiene
kxk 0 8x 2 V .
1
ii. Como hx; xi = 0 , x = 0, resulta kxk = (hx; xi) 2 = 0 , x = 0:

iii. Sean
2 R, x 2 V . Entonces
1
k xk = (h x; xi) 2 =
As, k xk = j j kxk
hx; xi
1
2
= j j (hx; xi) 2 = j j kxk :
8 2 R; 8x 2 V:
iv. Sean x; y 2 V . Por la parte i) de este teorema se tiene kx + yk2

denicin de norma y las propiedades del producto escalar, se tiene
0
2 R. Luego, por la
kx + yk2 = hx + y; x + yi = hx; xi + hx; yi + h y; xi + h y; yi
= hx; xi + hx; yi + hy; xi +
hy; yi = kxk2 + 2 hx; yi +
kyk2 :
Sea P el polinomio de grado

2 denido por
P ( ) = kxk2 + 2 hx; yi + kyk2 2 ;
2 R.
Por la parte precedente se verica P ( )
0 8 2 R, con lo que el discriminante
d =
(2 hx; yi)2
4 kxk2 kyk2
0 de donde
4 (hx; yi)2
4 kxk2 kyk2 : Tomando la raz cuadrada
y considerando que la norma k k es no negativa, se deduce la desigualdad de Cauchy-Schwarz:
jhx; yij kxk kyk :
v. Sean x; y 2 V . Entonces
kx + yk2 = hx + y; x + yi = hx; xi + hx; yi + hy; xi + hy; yi = kxk2 + 2 hx; yi + kyk2 :
Se tiene hx; yi
jhx; yij y por la desigualdad de Cauchy-Schwarz resulta

hx; yi
jhx; yij
kxk kyk
8x; y 2 V:
Luego,
kx + yk2 = kxk2 + 2 hx; yi + kyk2
kxk2 + 2 kxk kyk + kyk2 = (kxk + kyk)2 :
Tomando la raz cuadrada y considerando que la norma es no negativa, se obtiene la desigualdad

triangular
kx + yk kxk + kyk 8x; y 2 V:

vi. La desigualdad jkxk
normados.
kykj
kx
yk
601
8x; y 2 V ya fue probada en la seccin de los espacios
vii. De la denicin de norma y de las propiedades del producto escalar, se tiene

kx + yk2 + kx
yk2 = hx + y; x + yi + hx
y; x
yi
= hx; xi + 2 hx; yi + hy; yi + hx; xi
= 2 kxk2 + kyk2 :
2 hx; yi + hy; yi
viii. Se propone como ejercicio.
Denicin 23 Sean V un espacio prehilbertiano, x; y 2 V . La distancia de x a y se denota y se dene

como d (x; y) = kx yk :
Si h ; i es un producto escalar denido en V y k k la norma asociada, se tiene
d (x; y) = kx
yk = (hx
y; x
Teorema 9 Sea V un espacio prehilbertiano.

La funcin d de V V en R denida como d (x; y) = kx
decir que satisface las propiedades siguientes:
i. d (x; y)
yi) 2
yk
8x; y 2 V .
8x; y 2 V es una mtrica en V , es
8x; y 2 V:
ii. d (x; y) = 0 , x = y; x; y 2 V .
iii. d (x; y) = d (y; x)
iv. d (x; z)
8x; y 2 V:
d (x; y) + d (y; z)
8x; y; z 2 V (desigualdad triangular).
Demostracin. La prueba es inmediata y se propone como ejercicio.

Si V es un espacio vectorial real provisto de un producto interior o producto escalar h ; i, la norma
1
asociada a este producto escalar est dado por kxk = (hx; xi) 2 x 2 V , y la mtrica asociada a la norma
k k est denida como d (x; y) = kx yk x; y 2 V , con lo cual V es un espacio mtrico que escribimos
(V; d). En la siguiente seccin trataremos ms en detalle las mtricas sobre un conjunto no vaco E.
12.4.1.
Ortogonalidad o perpendicularidad.
Denicin 24 Sea V un espacio vectorial provisto del porducto escalar h ; i :

i) Sean x; y 2 V: Se dice que x es ortogonal o perpendicular a y, que se nota x ? y; si y solo si
hx; yi = 0:
ii) Sean x 2 V; M
V con M 6= : Se dice que x es ortogonal a M , que se escribe x ? M; si y
solo si hx; yi = 0 8y 2 M:
iii) Sean M; N dos subconjuntos no vacos de V . Se dice que M es ortogonal a N; que se nota
M ? N , si y solo si hx; yi = 0 8x 2 M; 8y 2 N:
iv) Sea M
V con M 6= 0: Se dice que M es ortogonal si y solo si hx; yi = 0 8x; y 2 M; x 6= y:
v) Se dice que M es ortonomal si y solo si M es ortogonal, y 8x 2 M; kxk = 1:

Ejemplos
602
1. Sea V = Rn : El conjunto M = f!
e 1; : : : ; !
e n g ; donde !
e T1 = (1; 0; : : : ; 0) ; : : : ; !
e Tn = (0; : : : ; 0; 1)
n
son los vectores de la base cannica de R ; es un conjuto ortogonal, pus
!
e Tj !
e k = 0 si j 6= k; y, k!
e jk = 1
j = 1; : : : ; n:
2. Sean L > 0: Se denota con C ([ L; L]) al espacio vectorial de las funciones continuas en [ L; L] :
Proveemos a C ([ L; L]) del producto escalar h ; i denido por
Z L
u (x) v (x) dx 8u; v 2 C ([ L; L]) :
hu; vi =
L
Los siguientes conjuntos de funciones son muy importantes en el desarrollo en series de Fourier de
funciones reales peridicas de perodo 2L y continuas a trozos en el intervalo [ L; L] : Sean M; N
los subconjuntos de C ([ L; L]) denidos como M = f'k j k 2 Ng ; N = f k j k 2 Z+ g ; donde
'0 (x) = 1 x 2 [ L; L] ;
k
(x) = sen
k x
L
k x
L
'k (x) = cos
x 2 [ L; L] ;
k = 1; 2; : : : ;
x 2 [ L; L] ; k = 1; 2; : : :
Se tiene
i) M es un conjunto ortogonal.
ii) N es un conjunto ortogonal.
iii) M ? N:
i) Probemos que M es ortogonal, esto es,

h'0 ; 'k i = 0
'j ; ' k
8k = 1; 2; : : :
= 0
8j; k 2 Z con j 6= k:
En efecto, de la denicin de '0 y 'k ; se tiene

Z L
Z L
k x
cos
'0 (x) 'k (x) dx =
h'0 ; 'k i =
L
L
L
dx =
L
sen
k
j x
L
sen
k x
L
L
L
=0
k = 1; 2; : : :
Por otro lado,

'j ; ' k =
j x
L
Como cos
L
L
= cos
'j (x) 'k (x) dx =

j x
L
; sen
k x
L
cos
l
k x
L
sen
k x
L
dx
8x 2 [ L; L] :
entonces la funcin 'j 'k es impar para
j 6= k. Luego 'j ; 'k = 0:
ii) Pasemos a probar que N es ortogonal, es decir,

Z L
j x
k x
sen
sen
j; k =
L
L
l
dx = 0
8j; k 2 Z con j 6= k:
Sean a; b 2 R; de las identidades trigonomtricas

cos (a + b) = cos a cos b
sen a sen b;
se obtiene
sen a sen b =
y poniendo a =
j;
1
[cos (a
2
cos (a
b)
b) = cos a cos b + sen a sen b;

cos (a + b)] ;
j x
L ;
b = kLx ; resulta
Z L
1
(j k) x
=
cos
cos
L
L 2
1
L
(j k) x
=
sen
2
(j k)
L
= 0 si j 6= k:
(j + k) x
dx
L
L
(j + k) x
sen
(j + k)
L
L
L

iii) Para mostrar que M ? N; se debe probar que h'0 ;
Z+ . La vericacin se propone como ejercicio.
ki
603
= 0 k = 1; 2; : : : y 'j ;
Denicin 25 Sea V un espacio con producto interior, x; y 2 V: El ngulo

hx;yi
vectores x e y se dene como cos = kxkkyk
x 6= 0; y =
6 0:
= 0 j; k 2
2 [0; ] que forman los
Teorema 10 (de Pitgoras) Sea V un espacio con producto interior, x; y 2 V . Si x ? y se tiene

kx + yk2 = kxk2 + kyk2 :
De manera mas general, sea fx1 ;
; xn g un conjunto ortogonal de V , entonces

n
X
i=1
xi
n
X
i=1
k xi k2 :
Demostracin. De la denicin de la norma k:k ; se tiene

kx + yk2 = hx + y; x + yi = hx; xi + 2 hx; yi + hy; yi :
Por hiptesis x ? y, luego hx; yi = 0; y como hx; xi = kxk2 ; hy; yi = kyk2 ; se concluye
kx + yk2 = kxk2 + kyk2 :
La prueba de la generalizacin del teorema de Pitgoras a una familia ortogonal nita se realiza por
induccin y se propone como ejercicio.
En el caso de espacios vectoriales reales, se tiene que: si x; y 2 V tales que kx + yk2 = kxk2 + kyk2
entonces x ? y: Efectivamente, si x; y 2 V entonces kx + yk2 = kxk2 + 2 hx; yi + kyk2 : Por hiptesis,
kx + yk2 = kxk2 + kyk2 ; y de la igualdad kxk2 + kyk2 = kxk2 + 2 hx; yi + kyk2 de donde hx; yi = 0; o
sea x ? y:
12.5.
4. P. G. Ciarlet, Introduction lAnalyse Numrique Matricielle et lOptimisation, Editorial Masson,
Pars, 1990.
604
Mxico, 1987.
Cambridge, 1999.
14. A. N. Kolmogrov, S. V. Fomn, Elementos de la Teora de Funciones y del Anlisis Funcional.
Editorial Mir, Mosc, 1972.
16. Anthony N. Michel, Charles J. Herget, Applied Algebra and Functional Analysis, Editorial Dover
Publications, Inc., New York, 1981.
S. A., Mxico, 1989.
Mxico, 1982.
20. Arthur Wouk, A Course of Applied Functional Analysis, Editorial John Wiley&Sons, New York,
1979.

Análisis - Numérico Benalcázar

Enviado por

Dados do documento

Descrição original:

Título original

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

Análisis - Numérico Benalcázar

Enviado por

Direitos autorais:

Formatos disponíveis

Serie de Matemtica Universitaria

1.2. Clculo numrico. Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. Ejemplos de algoritmos y problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.1. Operaciones elementales con vectores y matrices. Aplicaciones . . . . . . . . . . . .

1.3.2. Clculo con funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. Sistemas de Numeracin.

1.4.1. Conversin de binario a decimal y viceversa. . . . . . . . . . . . . . . . . . . . . . .

1.4.2. Conversin de decimal a cualquier base y viceversa . . . . . . . . . . . . . . . . . .

1.5. Representacin en punto otante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.6. Tipos de Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.7. Errores de redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.8. Aritmtica de punto otante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.9. Condicionamiento de funciones reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.9.1. Condicionamiento de funciones reales de una sola variable. . . . . . . . . . . . . . .

1.9.2. Condicionamiento de funciones reales en varias variables . . . . . . . . . . . . . . .

1.10. Propagacin de los errores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.11. Estabilidad numrica. Convergencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.13. Lecturas complementarias y bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2. Interpolacin polinomial, derivacin e integracin numrica

2.1. Espacios duales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. Interpolacin polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Operadores de diferencias nitas y derivacin numrica . . . . . . . . . . . . . . . . . . . .

2.3.1. Aproximacin de derivadas de funciones reales como formas lineales . . . . . . . .

2.3.2. Aproximacin numrica de derivadas parciales primeras, segundas y laplaciano . .

2.4. Integracin numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

2.5. Regla de los trapecios generalizada. Estimacin del error . . . . . . . . . . . . . . . . . . . 104

3.1. Resultados fundamentales de series numricas convergentes. . . . . . . . . . . . . . . . . . 131

4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189

(p) para p < 0 y no entero . . . . . . . . . . . . . . . . . . . . . . . 197

4.5. Aproximacin numrica de (p): . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

5.7. Races reales de polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306

6.1. Problemas que conducen a la resolucin de sistemas de ecuaciones lineales. . . . . . . . . . 319

6.4. Mtodos directos de resolucin de sistemas de ecuaciones lineales. . . . . . . . . . . . . . . 338

y del determinante de la matriz A. . . . . . . . . 363

6.7. Mtodo de Choleski. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365

7.1. Diferencial de Frchet. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405

8.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433

8.4. Mtodo de las Potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449

9.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 457

9.4.1. Ajuste de datos con polinomios de grado 1. . . . . . . . . . . . . . . . . . . . . . . 479

9.8.2. Aproximacin numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 502

10.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509

10.5.1. Interpolaciones mediante B-splines cbicas

10.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 525

11.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 527

11.3. Mtodo de Petrov-Galerkin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 532

12.1. Espacios vectoriales reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575

Clculo aproximado, algoritmos, errores

CAPTULO 1. CLCULO APROXIMADO, ALGORITMOS, ERRORES

Clculo numrico. Algoritmos

1.2. CLCULO NUMRICO. ALGORITMOS

CAPTULO 1. CLCULO APROXIMADO, ALGORITMOS, ERRORES

En lo posible se busca construir algoritmos que tengan las caractersticas siguientes:

1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS

Ejemplos de algoritmos y problemas

La metodologa arriba propuesta la aplicaremos a algunos ejemplos que proponemos a continuacin. Ms

Operaciones elementales con vectores y matrices. Aplicaciones

1. Suma de vectores y producto de escalares por vectores de Rn :

Para el clculo de este producto escalar se requiere de la siguiente informacin: n 2 Z+ y de los

CAPTULO 1. CLCULO APROXIMADO, ALGORITMOS, ERRORES

; xn ) 2 Rn . La norma eucldea en Rn se nota con k k2 y se dene como: