Escolar Documentos
Profissional Documentos
Cultura Documentos
ANLISIS NUMRICO
Hernn Benalczar Gmez
Anlisis Numrico
Hernn Benalczar Gmez
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.
.
Hernn Benalczar Gmez
Profesor de la Escuela de Ciencias
vi
ndice general
1. Clculo aproximado, algoritmos, errores
1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
26
30
33
35
38
41
42
43
46
49
53
1.12. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
75
77
77
82
92
97
98
viii
NDICE GENERAL
2.4.1. Frmula de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
131
189
NDICE GENERAL
ix
237
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
319
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
405
433
3 . . . . . . . . . . . . . . . . . . . . . . . . 446
NDICE GENERAL
xi
9. Mnimos Cuadrados
457
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495
509
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 521
. . . . . . . . . . . . . . . . . . . . . . 524
527
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 529
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
11.6. Lecturas complementarias y bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 573
12.Apendice
575
Captulo 1
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
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.
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
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
1.3.
1.3.1.
(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.
; xn ); ~y = (y1 ;
; yn ):
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 ;
n
X
i=1
x2i
!1=2
; 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.
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:
+ (bij )m
= (aij + bij )m
n;
6
=4
a11 + b11
a1n + b1n
..
.
am1 + bm1
amn + bmn
3
7
5
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
+ 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
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:
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
!
x = (x1;
n;
; xn ):
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
1 2
1
k!
u k = (!
u !
u )2 =
a2 + b2 :
!
u1 !
u2
!
k u k k!
u k
1
2 [0; ] denido
10
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
!
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 )
11
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
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
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
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
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
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.
Un polinomio P de grado
+ an xn =
n
X
ak xk
k=0
donde ak 2 R
con k = 0; 1;
x 2 R,
15
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
+ 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
0:))) = 0;5;
0;5(0;3
0;5( 0;25
0;5( 2;56
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.
17
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:
x2
2! 9 4! 92
1x
1 x
= 1+
1+
29
3 49
+
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
k = 0; 1; : : : ; m:
j;
1
1) (2i)
1
c=1+
(2i) (2i + 1)
Fin de bucle j.
b=1+
(2i
b;
b;
19
xk
c:
3
Fin de bucle k.
5. Imprimir xk ; 'n (xk )
k = 0; 1; : : : ; m:
p 3
( x)
3! 33
0:
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
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
r (r 1) 2 r (r
a +
2!
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 +
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
< jxj
10
5;
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
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
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:
21
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,
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
y1
y0
h
f (x0 + h)
h
f (x0 )
h 00
f ( ):
2!
y1
y0
h
+ 0 (h) :
22
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
y1
12;209
13;4326498
13;5
14;190125
13;506752
13;5
y0
h
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
donde ti = xi
de u.
1+
1 ; xi [ ;
1
hi es el punto medio del intervalo [xi
2
i = 1; : : : ; m;
1 ; xi ] :
(m)
23
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:
+ 0;5h
S = S + u (tj )
Fin de bucle j:
6. I (vm ) = hS:
7. Imprimir I (vm ) : Continuar en 9).
24
10
X
hi u (ti ) =
i=1
10
X
hi u xi
i=1
u (x) dx =
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 ] :
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)
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:
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
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
n
P
mk
k=0
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.
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
27
M1 a1
2
= a2 + a3
M a0
2
= a1 + a2
2 + : : : + an
2n
2;
2 + ::: +
entonces
y, M2 par , a2 = 0:
1 : : : a0 )2 :
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
P1
k=1 ak 2
1
X
ak 2
1
X
P1
k=1 ak 2
1
X
ak 2
k=1
es convergente, pus ak 2
k=1
Sea S =
8k 2 Z+ :
k,
= 1:
8k 2 Z+ , y
k=1
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:
a1 ) = a2 + a3
+ : : : + an
n+2
29
y, a2 = 1 , b2
1:
+ : : : + an 2
n+k
de donde
ak = 0 , bk < 1;
y, ak = 1 , bk
1:
1;
0;
bk+1 = 2bk
3. an =
1;
0;
si 2bk 1;
si 2bk < 1:
ak
si 2bn 1;
si 2bn < 1:
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
1
P
ak 2
k,
k=1
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
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
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
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
+ 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.
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
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
16 + 3
162 = 943:
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 :
M < N n+1 :
32
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
loga (M ) < n + 1;
logb (M ) < m + 1:
logb (a)
m+1
:
loga (M )
m+1
loga (M )
m+1
:
n
1
sea despreciable, se deduce que
n
m
logb (a) '
() nlogb (a) ' m;
n
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.
33
10
1:
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 =
2p ;
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
m:
Para el
b = (0:b1 : : : bm )2
donde q
0. Como 0
2r
22
1, entonces
(0;10 : : : 0) =
1
2
q 1
=2
2r + 1; y en consecuencia b
q 1
=2
2r :
jbj
22
38
'2
p
jbj
127 y 22
22
' 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:
p + p0 = (br
1 : : : b0 )2 =
r 1
X
bi 2i
2r
1:
i=0
2r
1,
en cuyo caso
1
p0 = 2r
2r
= 2r
1:
35
1.6.
Tipos de Errores
' 7;25225225;
805
' 7;252252252522522525;
111
' 7;252252252522522525225225;
' 7;25225225252252252522522525225225;
' 3;14159265;
' 3;1415926535897932;
' 3;141592653589793238462643;
' 3;14159265358979323846264338327950;
36
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
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
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
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
37
Figura 9
donde f 2 C( [0; L]); con C k ([0; L]) el espacio de funciones que poseen derivada continua en el
intervalo [0; L]; k = 0; 1;
; y se pone C([0; L]) = C 0 ([0; L]). Este problema es parte de la familia
de los denominados problemas unidimensionales de valores en la frontera. Con la 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:
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
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:
39
1
2m
22
yj
2r ;
R. Se tiene que A
M:
8x; y 2 R:
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:
100
0;1429
100 j= 0;5000
10
j 0;14285
100
yj
8y 2 A:
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
~
rd(x)
x
x 6= 0:
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
10
Se tiene que si
rd(x)
x
eps:
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
j"x j
eps.
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.
41
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:
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:
(b
c) 6= (a
b)
c;
(b
c) 6= a
c:
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
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
(b
c) = rd(0;21345
10
= rd(0;2454675
Pasemos a calcular a
a
a
10
10
2
10
c) se aproxima mejor a a + b + c:
c) 6= a
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
0;71167
3
6= a
10
b
) = rd(0;00245
c = 0;245
10
10
3:
) = 0;245
10
42
b) Si E = (ab)c; f l(E) = (a
b)
(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.
1.9.1.
43
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;
Luego,
4y = ye
y = '(e
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)
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] :
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 2 R: Para x 6= 0, tenemos
xf 0 (x)
x(nxn
=
f (x)
xn
1)
= n:
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.
l m c(x) =
x!0
x!0
lm
x!0
sen(x)
x
1
= 1;
1
l m c(x) =
x! 2
x! 2
l m sen(x)
= 0:
x! 2
x
: Tenemos
tan(x)
1 , jxj
jtan(x)j
x2
h i
h
; 0 [ 0;
:
2
2
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:
x
ey ln(x)
ey ln(x)
y
= y:
x
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
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 =
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
1;414
( 6(3
0;005
1
=) f40 (x) =
(3 + 2x)3
f4 (1;414) = 0;005; y
1;414
0;005
6
(3 + 2
2x)2 :
j"f4 j =
6(3
1;414)4
6
: Se tiene
(3 + 2x)4
46
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) =
j"f6 j =
70:
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.
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 ;
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
yi = yei
yi = 'i (~
x)
tal que xj 6= 0;
x
ej
y en consecuencia
yi =
n
X
j=1
xj =
(e
xj
x
ej
xj
xj
n
X
(e
xj
j=1
xj )
@'i (!
x)
:
@xj
xj 6= 0;
j = 1; : : : ; n;
n
x)
@'i (!
x ) X @'i (!
xj )
=
xj
"xj
@xj
@xj
i = 1; : : : ; m:
j=1
j=1
j=1
i = 1; : : : ; m:
47
xj @'i (!
x)
' i (!
x ) @xj
Cij ( x ) =
xj @'i (!
x)
con 'i (!
x ) 6= 0;
!
'i ( x ) @xj
de "xj ,
i = 1; : : : ; m;
i = 1; : : : ; m;
j = 1; : : : ; n;
xi @ ' !
xn @' !
( x ); : : : ; !
(x) ;
!
'( x ) @xi
'( x ) @xn
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 :
kx
e !
x k
!
k x k
!
' (!
x ) 6= 0;
!
x 6= 0;
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
y > 0; o
entonces j Cx (x; y) j< 1;
y < 0;
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
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
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
100 ( 0;6210
102 + 0;6206
102 ) =
0;2
10
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.
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
3
2
3
a
a
0 4
1
4 b 5 '!
5 '!
a + (b + c);
c
b+c
x
y+z
; y '1 : R2 ! R es la funcin
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:
a+b
"1 :
a+b+c
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
= 285;63;
= 0;982:
102
284;6;
51
(b + c) + a = 0;117;
; (a + c) + b = 0;11713:
y E=
n
X
ai .
i=1
; 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
' 1 : Rn ! R n
'n
'n
n 2
'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
+ an
2 ; an 1 ; an )
'n
1
1
= 'n
'n
1 (a1
+ a2 +
1 ; an )
i=1
52
b2
8(a; b) 2 R2 .
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
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 ;
1)
!
x (r
1)
1)
!
' (0) (!
x) =!
' (r) !
' (r
1)
=!
' (r) (xr ):
!
' (1) !
' (0) (!
x)
1.11.
53
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< ";
(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
10
10
3.
Sea S =
10000
P
i=1
1
1
; : : : ; a10 =
2
10
54
10
3,
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
S2 = 1 +
0;36
1
1
+ : : : + 2 + 10
2
2
10
10o = 0;36
10000
X
i=11
104 :
10000
X
i=1
S1
j1;5498 1;9094j
1;9094
100 =
100 = 18; 8 %:
S2
S
S
100 =
j1;9098 1;9094j
= 0;00019 %:
1;9094
senh (x)
x 6= 0: Se desea calcular valores de ' (x) :
x
1
no se presenta ninguna dicultad en el clculo de ' (x) :
2
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)!
1 1
e2 + e
2
1
2
si x 2 0;
c<x
1
;
2
entonces
1
y en consecuencia
2
jEm (x)j
' (x) =
(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
senh (0;005)
' 1;000004165:
0;005
senh (x)
1 x
=
e
x
2x
x 6= 0;
R8 (10
40
) ' 0:
56
x2 x4
x2
+
+ R5 (x) = 1 +
3!
5!
6
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
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
y j"k j
", resulta
j"Sk+1 j
donde
= 1 + ": Se tiene
j"So j = 0;
j"S1 j
";
j"s2 j
"S3
);
..
.
j"Sn j
n 1
" = "(1 +
= (1 + ")n
+
1:
+ ::: +
n 1
57
4. Sea S =
1
P
1 = 1 + n" +
n(n + 1) 2
" + : : : + "n
2!
1 ' n":
k=1
n
P
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
Pero
1
2
Sj
10
+ jSn
Sj :
Sj < 10
m 1:
10
+ jSn
1
X
Luego
Sj <
ak < 10
6
10
10
m 1:
k=n+1
xn ex
1 dx;
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
! 0; luego fn (x)
n!1
l m E(n) = l m
n!1
n!1 0
1 1
j0 =
n!1
xn ex
= 0:
= 0;6321205588 : : : :
58
= 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
59
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
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
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
P1
k=1 ak
si k
m0 :
1
X
1
1
: Se tiene
= 1. Entonces
Pongamos ak =
k(k + 1)
k(k + 1)
(k 1)!
k=1
6:
< 10
k(k+1)
k!(n+k+1)
Sm0 (n) = e
11
X
k=0
6,
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
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
..
.
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 )
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
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
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
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
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;
1;
C22 C23
c32 C33
C12
C21 C23
C31 C32
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;
n, se tiene
multiplicaciones :
j
n
X1 Y
(n + 1
k);
sumas : n!
1:
j=1 k=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 )
1.12.
Ejercicios
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
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)
p
1
p
p2
5 3 2 5
: d)
A) C: e) D = B I + A + A2 + A3 + A4 C: f ) D = B I
d) D = C (B
A + A2
A3 + A4 C:
2 3
1 4
B=
1 0
0 2
3 5
2 1
C=
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
>
>
>
<
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 =
2z =
x + 2y + 3z = 2
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
l)
x + 2y + 3z = 4 2 + 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
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
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 =
' 3;1415; x =
' 3;14159265; x =
: ii) n = 7;
2
' 3;141593; x =
: vi) n = 11;
' 3;141593; 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
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
x 2 R:
1
para k = 0; 1; : : : ; 5 y
(8k)!53k2
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
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];
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
se presentan?
b) Elabore un algoritmo que facilite el clculo de
2
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
y calcule f
1
2
x2
2
1+
x2
3
1+
x2
5
1+
x2
19
20
1+
x2
21
22
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?
15
P
x2
7x4
2x5 ;
x=
x = 2:
3:
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:
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:
I (fm )j y concluya.
ln(x) x 2 [1; 2] :
c) Calcule jI (g)
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 =
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 :
a) h =
0;02: b) h =
1 + x2
0;0002: c) h =
x 2 R: Tenemos u0 (x) = p
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;001; h =
1
; x0 = 0; h =
2
x 2 R; x0 = 2; h =
0;015; h =
0;025; h =
0;000015; h = 0;00015; h =
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
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) =
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+ :
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 =
x3 + 6x2
3x + 0;145 en
3 x
x2 1
jxj =
6 1:
1.12. EJERCICIOS
73
10
10 ):
5 ];
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
x > 0:
xy
z
0:
con z 6= 0:
"z ;donde "x ; "y ; "z son los errores relativos de x; y; z respectivamente.
x; y 2 R+ y "x = "y , pruebe que el error relativo de ' viene dado por
"' = "x + (y ln(x))"y :
eps si
ai > 0;
ai < 0;
xi > 0;
xi < 0;
i = 1; : : : n:
1
n
n
P
i=1
F (a1 ; : : : ; an )
74
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
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:
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:
5I(n
1)
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.
R1
0
n+4
2
ex dx n =
n
2
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
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
1
:
8!(n + 22)
1.13.
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
Captulo 2
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
f ( x) = f (x):
8x 2 V;
8f 2 V ,
f ) (x) = f (x)
8x 2 V;
(x2 ; y2 )) = T ( x1 + x2 ; y1 + y2 ) = 2 ( x1 + x2 ) + ( y1 + y2 )
=
(2x1 + y1 ) +
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[) :
du
(x0 )
dx
u; v 2 C 1 (]a; b[) ;
2 R; u 2 C 1 (]a; b[) :
79
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
1; : : : ;
n,
1; : : : ;
x+y =
k=1
n
X
2 R tales que
k ) vk ;
k=1
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;
L (B ) : En
2 R y consideremos la combinacin
f
n n es un funcional lineal sobre V .
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;
f (x) =
n
X
f (vk ) fk (x)
8x 2 V;
k=1
n
X
k=1
f (vk ) fi
8f 2 V .
1; : : : ;
2 R tales que f =
n
P
i fi .
i=1
n
X
f (!
ei ) xi .
i=1
81
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
8g 2 V : Entonces
' (y) = h2 ,
' (x + y) = h3 con
8g 2 V ;
luego
' (x + y) = h1 + h2 = ' (x) + ' (y) :
Sea
g (x) = h1 (g)
8g 2 V ;
' ( x) =
h1 = ' (x) 8x 2 V:
n
X
i=1
i vi
n
X
i fj
(vi ) =
i=1
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
i = 0; 1; : : : ; n:
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;
83
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;
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.
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
k=0
P (xj ) =
n
X
k=0
k Pk
(xj ) =
j;
k Pk ;
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.
donde
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
n
X
f (xj ) Pj (b
x)
j=0
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
n
Q
(x
xj )
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
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:
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)
k! 0 (x) ;
k! 00 (x) ;
p(n+1) (x)
k! (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)!
( ) = 0 y en consecuencia
(n+1)
( ) = f (n+1) ( )
k (n + 1)!
(x) = f (x)
p (x)
f (n+1) ( )
! (x)
(n + 1)!
x 2 [a; b] :
x 2 [a; b] :
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
8x 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
a+b
2
x 2 [a; b] :
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 ) ;
87
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
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
x
x0
x1
x1
x 2 R,
P1 (x) =
x
x1
x0
x0
x 2 R.
Figura 14
1
X
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
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
b) ;
m
X
i=0
x 2 [a; b] ;
89
'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 :
'i (x)
son
Figura 19
1 ; xj ]
2 [xj
1 ; xj ]
jf (b
x)
p (b
x) =
f 00
(b
x
2!
xj
x
1 ) (b
xj ) ;
p (b
x)j
h2j 00
f
2
M 2
h ! 0;
h !0
2
(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
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) .
p (b
x) =
f 000 ( )
(b
x
!
a) (b
x
x1 ) (b
x
b) ;
2 [a; b] :
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;
2.3.
v (b
x)j
M b3
h !0:
h !0
6
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)
h !0
+ w1 (x; h);
f 00 (x) =
f 0 (x + h)
h
f 0 (x)
+ w2 (x; h) ;
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.
93
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
M
h ! 0:
2 h!0
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
Si y0 = f (x0
y00 =
y1
y0
h
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.
f (x) =
( f (x)) =
= f (x + 2h)
(f (x + h)
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) ;
f (x) =
( f (x)) =
= f (x + h)
donde x; x + h; x
h
2
2f (x) + f (x
f
x+
h
2
= f (x + h)
f (x)
(f (x)
f (x
h))
h) ;
h 2 [a; b] ; h > 0:
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 + 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
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
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
n
X
f (xk ) Pk
k=0
m
y sea Dnum
= Dm
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
= 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)
f (b)
b
1
b
f (b)
b
f (a)
.
a
f (a)
, cociente incremental arriba
a
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.
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)
u (a)
u0 (a) = l m
k!0
f (a + h; b)
h!0
h
f (a; b)
= lm
y la derivada de u
@f
(a; b) :
@x
@f
(a; b) :
@x
v (b + k)
k
v (b)
= lm
k!0
f (a; b + k)
k
f (a; b)
@f
(a; b) :
@y
@f
(a; b) :
@y
=
=
=
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
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
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
es una aproximacin de
z0
fex (a; b) =
z0
h
@f
(a; b) mediante una diferencia nita regresiva.
@y
es una aproximacin de
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
(x; y) 2 R2 ;
(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)
f (2;002; 3) f (1;999; 3)
48;67057704 52;53621459
fex (2; 3) =
=
=
2 0;002
0;004
967;1593875:
( 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;
10
50;59034995 50;59243632
f (2;000001; 3) f (1;99999; 3)
=
=
fex (2; 3) =
2 0;000001
0;000002
1043;185;
( 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
@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
( 617;1806419)j = 10;762772:
49;65232798 51;53612921
f (2; 3;0015) f (2; 2;9885)
fey (2; 3) =
=
=
2 0;0015
0;003
627;9337433;
y el error de aproximacin
@f
(2; 3)
@y
( 627;9337433)j = 9;6706
10
627;9421818;
101
y el error de aproximacin
@f
(2; 3)
@y
( 627;9421818)j = 1;2321
10
2f (a; b) + f (a; b + k)
2k
k 6= 0;
k sucientemente pequeo.
@2f
@2f
(a;
b)
+
(a; b) ;
@x2
@y 2
2f (a; b) + f (a
2h
h; b)
f (a; b + k)
2f (a; b) + f (a; b + k)
2k
luego
4f (x; y) =
@ 2 f (x; y) @ 2 f (x; y)
+
=0
@x2
@y 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
1;80333
10
= 5;966667
10
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)
10
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
G (f ) =
k=0
f (x) dx
: 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
que se conoce como la frmula de Newton-Cotes. De esta frmula se desprenden algunos resultados
que tratamos a continuacin.
103
a+b
2
dx = (b
a+b
2
a) f
Rb
f (x) dx.
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
a
2
k=0
+ f (b)
a
2
a
2
(f (a) + f (b)) :
As,
G (f ) =
(f (a) + f (b)) ;
a+b
2 ; x2
= a = x0 ; x1 =
f (x) dx.
b a
2 ;
2
X
=b ;h=
Rb
k=0
con
I (P0 ) =
P0 (x) dx =
I (P1 ) =
P1 (x) dx =
I (Pn ) =
P2 (x) dx =
a+b
2
(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) ;
Rb
a
f (x) dx:
2.5.
Rb
a
f (x)dx:
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;
n
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
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)
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 )]
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]);
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
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:
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
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:
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
j(x
a) (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:
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
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
Tn (f ) =
X
h
(f (a) + f (b)) + h
f (xk ) :
2
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
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
j"f j
pus hk
a
n
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
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
2.6.
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
109
Luego
Sn (f ) =
n
X
Ik =
k=1
n
X
hk
k=1
f (xk
1)
+ 4f
xk
+ xk
2
+ f (xk ) ;
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
f (x) dx =
x2 ex dx
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.
Rb
a
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
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]
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
x 2 [a; b] ;
a+b
2
a+b
2
=f
P (b) = f (b) :
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 ;
a+b
2
(b
f0
=
como sigue:
a)
4
(b
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
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
P iv (t)
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
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 ) :
"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!
ju (x)j dx
f iv ( )
ju (x) dxj
4!
M
4!
ju (x)j dx:
Para calcular
u (x) = (x
Luego
u (x) dx = h
2t
t4
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
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
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 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
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
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
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
2n
! 0;
n!1
k = 1;
; n ; entonces
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:
donde '1 ; '2 son funciones continuas en [a; b] tales que '1
regin del tipo I:
Figura 26
1 (y)
1;
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 (x)
x 2 [a; b] ;
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
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
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)
'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
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 ) =
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
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
g(y)dy '
hy
(g(0) + g(1)) + hy (g (0;2) + g (0;4) + g (0;6) + g (0;8) :
2
g(0;2) =
g(0;4) =
g(0;6) =
g(0;8) =
g(1) =
' 0;2214322787;
' 0;492086976;
' 0;8231051064;
' 1;228154301;
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
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;4
Z 3;24
g(1;8) =
g(1;2) =
1;8
g(1;6) =
g(2) =
1;6
4
(4 + 2y + y 2 )dy:
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
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
14;4256 + 0;112
28;60032 = 4;01106944:
1;6
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;
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;
Finalmente, para j = 5; x5 = 2; h5 =
(1;2; y) est dada como:
2
5
56;92032 = 20;61075456:
2.9. EJERCICIOS
121
entonces
f (2; 2) = 12;
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
(x,y,z)2 R3 ; donde
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.
d) S = f(1;8;
4;5)g ; x
b = 1;995.
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;0001; h =
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;01; h =
0;0001; h = 0;001;
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
x2
x 2 R; x0 =
1
; h = 0;001; h = 0;0001; h = 0;00001:
2
2.9. EJERCICIOS
123
13;4585252; f (20;348) =
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] :
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:
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;
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
e) yea000 =
x4
4
v 000 (2) mediante los siguientes cocientes:
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)
@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
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 :
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.
a)
1 (5)
b)
2 (5)
c)
1 (10)
x9 = 0;85; x10 = 1g :
d)
2 (10)
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
x0 =
(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] :
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.
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
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
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
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.
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
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) 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.
R4 R
0
y 4
2
p
4 y
(xy)3 dx dy:
2.10.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edicin, Editorial Revert, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edicin, Editorial Revert, Barcelona, 1975.
4. N. Bakhvalov, Mtodos Numricos, Editorial Paraninfo, Madrid, 1980.
5. R. M. Barbolla, M. Garca, J. Margalef, E. Outerelo, J. L. Pinilla. J. M. Snchez, Introduccin al
Anlisis Real, Editorial Alambra Universidad, Madrid, 1981.
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.
9. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
10. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
11. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
12. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial Mc Graw-Hill, Mxico,
1981.
13. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
14. B. P. Demidovich, I. A. Maron, E. S. Schuwalowa, Mtodos Numricos de Anlisis, Editorial
Paraninfo, Madrid, 1980.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
16. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., Mxico, 1982.
17. Waltson Fulks, Clculo Avanzado, Editorial Limusa, Mxico, 1973.
18. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
19. Gnther Hammerlin, Karl-Heinz Homann, Numerical Mathematics, Editorial Springer-Verlag,
New York, 1991.
20. Kenneth Homan, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
Mxico, 1987.
21. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
22. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
23. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Mtodos Numricos, Editorial Limusa, Mxico,
1986.
24. Melvin J. Maron, Robert J. Lpez, Anlisis Numrico, Tercera Edicin, Compaa Editorial
Continental, Mxico, 1995.
25. Shoichiro Nakamura, Mtodos Numrico Aplicados con Software, Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1992.
26. Antonio Nieves, Federico C. Dominguez, Mtodos Numricos Aplicados a la Ingeniera, Tercera
Reimpresin, Compaa Editorial Continental, S. A. De C. V., Mxico, 1998.
27. S. Nikolski, Frmulas de Cuadratura, Editorial Mir, Mosc, 1990.
Captulo 3
3.1.
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.
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
Sea n 2 N. Se dene Sn =
n
P
la suma parcial Sn =
n
P
1
P
an : Tambin se escribir a
n=0
k=0
1
P
an :
n=0
k=0
1
P
n=0
1
P
an = S y diremos
n=0
1
P
n=0
1. Sea
1
P
n=1
1
n(n+1) :
n 2 Z+ y Sn =
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
1
;
2
Resulta l m Sn = l m
1
n(n+1)
S2 =
1
1
1
n+1
1 1
+
2 2
1
n+1
; Sn = 1
1
P
n=1
1
n!1 n(n+1)
1
;
3
= 1: Note que l m
n
P
1
=1
3
1
n(n+1)
n 2 Z+ :
es convergente y converge a 1,
1
P
n=0
k=0
xSn =
n
X
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;
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. La serie
1
n
n=1
133
suma parcial Sn =
n
P
k=1
1
k.
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
Luego, l m S2n
lm 1+
n!1
k=1
1
P
n=0
i. Se dice que
1
P
n=0
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
n
P
k=0
Sen =
n
P
jak j : Como
ak y Sen =
1
P
jan j diverge.
n=0
1
P
an
n=0
k=1
n
X
k=0
jak j
n
X
k=0
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,
n2Z+
n!1
k=0
jSn j =
e o sea
S;
1
P
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
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
Pn
k=0
P
j . nk=0
( 1)k
k!
k=0
k=0
1
k! :
Adems,
1
P
( 1)k
k!
P1
k=0
1
k!
1:
=e
n=0
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
k=0
tal que 8n
n0 )
1
X
ak < ":
k=n+1
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
1
P
(an + bn ) ;
n=0
1
P
an =
n=0
1
P
an :
n=0
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.
1
P
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).
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
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
n=0
La serie
n=0
se tiene
1
k!
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
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
k=n+1
converge.
1
P
k=0
( 1)k
k!3k
1 n !0
1
2
:::
k=n+1
xk
k! ;
1
k!
x 2 R. Para x = 1, se tiene e =
1
P
k=0
1
k! ;
n=0
an
n!1 bn
i) Si 0 < l m
ii) Si
1
P
n=0
iii) Si
1
P
n=0
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
P
1
P
n=1
en
n!
: Primeramente
1
P
n=1
1
n!
= e. Apliquemos el criterio de
136
en
n!
; bn =
1
n!
8n 2 Z+ , entonces
en
n!
1
n!
an
=
bn
= en
! 1;
n !1
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
n=1
Ejemplo
1
P
n=1
1
np .
f (x) dx =
Para p = 1, se tiene
In =
dx
= ln(x) jn1 = ln (n)
x
1
xp ;
dx
:
xp
ln 1 = ln (n) :
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
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:
1
P
n=1
1
np
diverge
an+1
n!1 an
n=0
i) Si 0
L < 1, la serie
1
P
137
= L. Entonces
an converge.
n=0
1
P
an diverge.
n=0
Ejemplos
n=0
( 1)n n
an
1
P
( 1)n n
an :
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
lm
n!1
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) :
1
P
n=0
( 1)n n
an
converge absolutamente.
1
ln(n)
n 2 Z+ con
! 1:
n !1
divergente. Sea bn =
1
n
1
P
n=1
1
n
es
1
n
1
ln(n)
ln (n)
n
n 2 Z+ :
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
n=2
n
n3
con
luego l m
n!1
1
P
an+1
an
n3
n
n3
n 2 Z+ , entonces
1
n+1
n !1
1
ln(n) :
138
n=0
i) Si 0
1
P
L < 1, la serie
an converge.
n=0
1
P
an diverge.
n=0
Ejemplos
1. Sea x 2 ] 1; 1[ : La serie
1
P
xn es convergente y
n=0
n2
1
P
xn =
1
1 x:
Veriquemos la convergencia
n=0
Z+ , entonces
n!1
As, la serie
1
P
n=0
2. Consideremos la serie
1
P
1
1
n=1 n 3
. Sea an =
n3
l m ann = l m
n!1
n!1
= 1:
n 3n
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
k=1
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
k=1
1
P
k=1
ak
bk
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
Datos de salida: N:
1. Hacer k = 1
ak
2. Si
< . Continuar en 4).
bk
3. Si
ak
bk
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
dt
t1 p 1
=
j =
tp
1 p N
(p
1
1)N p
< ;
>0y
140
1
(p 1)
1
p 1
. 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)
2. Consideremos la serie
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
3.2.
3.2.1.
Sucesiones de funciones
Sea A
Denicin 3 Sean A
sucesin de funciones.
R; A 6= ;, I
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 ) :
':
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
n!1
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)
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
n0 ) jfn (x)
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
f (x)j :
x2A
si m; n 2 Z+
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
n2Z+ x2A
M2 ; entonces
n2Z+ x2A
1
f:
nf
n2Z+
nf j fn (x) j
x2A
x!x0 n!1
n!1 x!x0
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:
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
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
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
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 +
! 0
l m fn (x) dx =
n!1
R2
0
2
2
n
fn (x) dx =
2
n
ndx = 1:
1
n
n!1
x 2 [0; 2] ; y se
f (x) dx = 0:
R2
fn (x) dx 6=
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 = I (u) ;
144
donde ' y
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 ';
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
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
p
p
dfn
(2k ) = n cos (2kn ) = n ! 1:
n!1
dx
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
df
(x) = g (x) :
dx
3.2.2.
! f uniformemente.
n!1
8
< fn
:
! f uniformemente;
n !1
df
(x) = g(x) 8x 2 A:
dx
Series de funciones.
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
k=1
S (x) = l m Sn (x) =
n!1
y diremos que
1
P
1
X
k=1
fk (x) ;
x 2 A;
A:
k=1
1
P
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;
1
X
fk (x) dx =
k=1
1 Z
X
k=1 a
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
n=1
n=1
8" > 0; 8x 2 A;
ii)
1
P
9p 2 Z+ tal que 8m 2 Z+ ;
jfp+1 (x) +
n=1
jfp+1 (x) +
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. Consideremos la serie
1
sen
(k + 1)2
k x
2
1
8x 2 R; k = 1; 2; : : :
(k + 1)2
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
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
] 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] :
k=0
i) Si
1
1
1
1
jxj < 1:
1
P
fn converge, y,
1
P
fn
n=1
n=1
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)!
(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,
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
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
k=0
vn (x)
p ) jvm (x)
p; se tiene vn (x)
vm (x) =
x2R
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.
m; n
x2k
k=0 (2k + 5)!
1
P
um (x)j
vn (x)
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
1
P
n=1
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
x!x0
1
X
1
X
fn (x) =
n=1
n=1
l m fn (x) = S (x0 ) :
x!x0
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,
n=1
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
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
k=0
Z bX
1
fk (x) dx =
a k=0
1 Z
X
fk (x) dx:
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
3
2
dun
(x) =
dx
sen (3n x) n = 1; 2; : : : ; y,
3
2
1
P
df
(2k ) = 0: Para x 6= 2k ; la serie
dx
k=0
3.3.
2k ) = 0
3 n
sen (3n x)
2
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.
1
P
ak (x
k=0
1
P
k=0
ak
xk :
x0 , conduce a la serie
1
P
1
P
k=0
k=0
150
Teorema 19 Sean
1
P
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:
1
P
k=0
A=
x2Rj
k=0
1
P
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;
de la serie de potencias
1
P
x2A
ak xk :
k=0
Teorema 20 Sean
1
P
k=0
Figura 29
151
1
P
ak xk y supongamos que L = l m
k!1
k=0
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
lm
k!1
jak j jxj
1
k
8
>
< i) si L = 0; R = 1;
1
ii) si L > 0; R = ;
>
L
:
iii) si L = 1; R = 0:
Ejemplos
1. Consideremos la serie geomtrica
si jxj < 1: En tal caso
1
P
1
P
k=0
xk =
1
P
k=0
( 1)k 2k+1
;
2k+1 x
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
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
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
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)
k=0
ak+1
> 0;
ak
ak+1
lm
=
k!1
ak
lm
k!1
1
; de modo que
ak+1
lm
k!1
ak
lm
k!1
k+1
ak+1
ak
lm
k!1
1
P
ak+1
< 1:
=
ak
R
; ]. En
k=0
consecuencia
ak =
x2[
f (x)j =
; ]
x2[
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
; ];
ak xk
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
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
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
; ];
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
; ]:
; ] : Primeramente veriquemos
k=1
kak xk
converge sobre [
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
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; : : :
; ] : Adicionalmente Sn (0) = 0
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
R = 1, o sea
1
1+x
< 1;
k=1
1
1+x
1
P
n = 1; 2; : : :.
x2[
; ]:
xk es R = 1: Si remplazamos
k=0
si jxj < 1: Con este ejemplo construimos algunas funciones que se dan
a continuacin.
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
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;
1
P
k=0
( 1)k
k+1
la
154
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
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
(1
8x 2]
x)2
1
1
P
d P
xk =
kxk
dx k=0
k=1
1.
Como
d
2 = dx
x)
1
(1 x)2
k=0
1
1
d
=
dx
1
X
k=0
1
X
kxk
k=1
jxj < 1:
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
1
P
k=0
k!1
1
P
k=0
155
ak+1
= 0 y en consecuencia,
ak
jak j
ak xk
jak j
converge, pus
ak+1
ak
lm
k!1
1
P
k=0
k+1
lm
k!1
ak+1
= 0:
ak
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; ] :
lm
k!1
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
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)
1
2
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
( 1)k
k! (k + 1)2 2k
k=0
= 1
As, f
1
2
< " = 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.
1
P
ak (x
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
k=0
ak xk
k=0
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
uniformemente en el intervalo [
; ] ; entonces
f 000 (x)
f (n) (x)
1
P
k=3
1
P
k=2
k (k
1) (k
k (k
1)
2) ak xk
:::
(k
n + 1) ak xk
n,
k=n
an =
f (n) (0)
n!
1
P
k=0
xk
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
n
X
f (k) (0)
k!
k=0
xk + En (x) 8x 2]
R; R[;
Zx
(x
R; R[:
Mn
(n+1)!
jxjn+1 ; donde Mn =
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!
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
k!
1
1
X
X
xk 1
xk
=
= ex
(k 1)!
k!
k=1
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.
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
2. La serie de Taylor
1
P
k=0
( 1)k x2k+1
(2k+1)!
1
X
( 1)k x2k+1
;
(2k + 1)!
x 2 R.
k=0
1
X
( 1)k x2k
(2k)!
k=0
x 2 R.
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[:
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
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
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
(x
a)k ;
Zx
(x
Si
f (n+1)
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
En muy pocos casos se puede calcular f (x) exactamente, en la generalidad debemos recurrir a clculos
aproximados.
Sea
1
P
k=0
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
k=1
k=1
m
P
k=0
k = 1; 2;
j ak j rk
bk
k = 1; 2;
Sm (x) j=
1
X
ak xk < ":
k=m+1
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
ak xk
k=m+1
k=m+1
j ak j rk
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
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:
k=m+1
10k
1
; bk =
(2k)! (3k + 1)
k (k + 1)
1
P
1
= 1: Ponemos
k=1 k (k + 1)
ak
k (k + 1) 10k
=
< " = 10
bk
(2k)! (3k + 1)
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
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 +
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
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+ :
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
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 =
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
Figura 30
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 =
ak
k (k + 1)
k
=
= k
k
bk
(k + 1) 2
2
ak
< " si k
bk
m:
! 0;
k!1
10 :
Para m = 40 se tiene
jln (1;5)
10
si k
163
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
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.
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)! :
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 :
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)
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.
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:
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) =
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
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
=
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:
: 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
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 ) :
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:
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
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)
luego
p
1
sen2 (x) =
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
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
= 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) = 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
1
2
169
' 0;5235987756:
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
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)
n
P
k=0
xk
k!
n = 1; 2; : : : : Sea
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
170
Para
n xk
P
aproxima a ex con una precisin
k!
k=0
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
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
0;4
2
1+
0;4
3
1 + ::: +
0;4
15
1+
0;4
16
:::
= 1;491824698 : : :
Se
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)
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
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
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
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
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
= 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
10 :
2k
a 1
a+1
1
2k
+1
k=0
ln (a)
a 1
Sm (a) < " = 10
a+1
10
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
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
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
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) =
ln (0;01234) =
5 + 0;605090739 =
3.8.
4;394909261:
4;394909261:
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
m
X
f (k) (0)
k=0
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
175
p+3
t4k+2
t 2 0; 2
(2k + 1)!
k=0
; podemos entonces intercambiar el smbolo de sumatoria con
x3 p X ( 1)k
f (x) =
+
3 p
(2k + 1)!
k+1
t4k+2
dt =
1
X
k=0
1
P
( 1)k
( 1)k
(2k + 1)!(4k + 3
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
x8
5!
x8
176
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
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
u (x; t) = err
donde a > 0 constante, x
2
=p
x
p
2 at e
v2
dv;
@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
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
177
f (t)
< " si t
g (t)
Z 1
Z
f (f ) dt < "
De la condicin h (t) =
2
p
g (t) dt
"
10
6;
g (t) dt = " si x
t2 < " = 10
10
2
para t = 5; se tiene p
2 R1
Elegimos r = 5;5: Tenemos p x e
r:
f (t)
2
= p t2 exp
g (t)
2
resulta p
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
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
t2
dt +
t2
10
10 :
15 ;
t = 8 se tiene
Tenemos
dt ;
t2 dt:
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
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
(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:
10 :
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
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
para a
7
11
9 11
413 e16
13
' 3;22
10
13
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
179
1 ( 1)k t2k
P
x 2 [0; 3;5] :
k=0 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
( 1)k
x2k
k! (2k + 1)
1
X
k=m+1
x2k
< " si x
k! (2k + 1)
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'
10 ;
tenemos
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
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).
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
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
= (2j
1)
sen2j
(t)dt
1)
sen2j (t)dt
I(j)] ;
2j 1
I(j
2j
1) j = 1; 2; : : :
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:
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
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
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
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) =
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
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;
dx
1+x4
1+
1
X
n=1
1
2;
10 :
(n + )
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
h) f (x) =
1 + 12 t3
0;2t2
1
2
dt
2
3
dt
x 2 [0; 1];
9. Sea " = 10
f ) f (x) =
5:
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;
e) exp ( 5;2) :
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.
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
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
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
1
X
( 1)m
(m!)2
m=0
x
2
2m
)y = 0: La funcin
1
X
( 1)m
(m!)2
m=1
1+
1
+
2
1
m
x
2
2m
+ (ln(x)) J0 (x):
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
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;
3.12.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edicin, Editorial Revert, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edicin, Editorial Revert, Barcelona, 1975.
4. N. Bakhvalov, Mtodos Numricos, Editorial Paraninfo, Madrid, 1980.
5. R. M. Barbolla, M. Garca, J. Margalef, E. Outerelo, J. L. Pinilla. J. M. Snchez, Introduccin al
Anlisis Real, Editorial Alambra Universidad, Madrid, 1981.
6. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico, 2002.
7. Alan W. Bush, Perturbation Methods for Engineers and Scientists, CRC Press, Boca Raton, 1992.
8. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
9. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial Mc Graw-Hill, Mxico,
1981.
10. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
188
Captulo 4
4.1.
Introduccin
4.2.
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
n
k
n!
:
k!(n k)!
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:
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
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
:::
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
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 :
j
n
k
i
rS
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!
m
X
m
X
f (k) = e
k!
k=0
k=0
donde
; m 2 Z+ ;
> 0 es jo.
Puesto que
lm
m!1
m
X
k!
k=0
m
X
k=0
k!
k=m+1
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)!
k+1
(k 1)!
< " si k
! 0:
k!1
desigualdad.
k
k!
< " si k
n;
193
k ln( )
k
X
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
k+1
k ln ( ) >
ln (")
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 " ;
y como e
1
P
k=n+1
n
X
k=m+1
k=m+1
k=n+1
k!
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
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+
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.
R+ ! R +
R1
p 7 ! (p) = 0 tp
1 e t dt:
195
Teorema 1
i. La integral
ii.
R1
0
(1) = 1 y
tp
1 e t dt
1
2
0:
(p + 1) = p (p). En particular, si p = n 2 Z+ ;
n+
1
2
(2n
1)(2n
3)
1p
:::
2n
(p
(n + 1) = n!:
n) (p
! +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:
p 1
dt = l m
r!0 r
tp
1
dt = l m tp
r!0 p
tp
Luego.
I1 =
p 1
e dt = l m
r!0 r
=
r
1
l m (1
p r!0
tp
1
rp ) = ;
p
e t dt < 1:
p 1
e dt
lme
r!0
R+ :
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
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;
diverge. Pus
Z
dt
= ln t
t
p +t
= l mt
t!0
= 0;
(1) =
e t dt = 1:
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 =
t = cos ;
x = sen ;
r, se tiene,
B(o;r)
Entonces
1
2
1
2
e t dt:
=2
x2
dx =
x2
dx =
tp e t dt:
t e
t 1
0
+p
tp
e t dt;
(p + 1) = p (p):
Si p = n 2 Z+ , por induccin se prueba que (n + 1) = n!:
= 0, se obtiene
);
197
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
..
.
= (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
y por la continuidad de
!0+
4.4.1.
n!1
Denicin de
se sigue que
lm
Como n!
(1 + )
( ) =) ( ) =
(1 + )
( )= lm
!0+
= +1:
! +1:
n!1
Si
(p + 1)
; p > 0:
p
(p) =
Denido (p) para p 2]
(p + 1)
est bien denido, en cuyo caso denimos
p
(p + 1)
; 1 < p < 0:
p
(p + 2)
;
p(p + 1)
2<p<
1 entonces
(p) =
Continuando con este proceso, si n 2 Z+ y
(p) =
(p + 2)
y
p+1
n<p<
(p + n)
p(n + 1) : : : (p + n
1)
(p + n)
n
Q
(n + j
1)
j=1
(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:
( 0;5) =
( 1;5) =
( 2;5) =
Por otro lado,
( 2;5) =
4.5.
8p
:
15
(0;5)
=
( 2;5)( 1;5)( 0;5)
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:
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)
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
es jo,
k!
! 0:
ea ak+1 a!1
Notemos que
1
k!
=
k
a
a
k
k
< 1 si
a
a
1;
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.
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
1 (a),
2 (a)
1 (a)
= 1+
= 1+
(1
(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)
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
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
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,
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
donde fm (a);
1 (a); 2 (a)
a (p)
denido por
= fm (a) + e
a p 1
denidos precedentemente y
a (p),
( 1 (a) +
= 10
10
2 (a));
10
es el siguiente:
Algoritmo
Dato de entrada: p:
Dato de salida: p;
a (p):
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 < p < 1;
(p) =
1):
a (p):
n)
n
Q
(p
j):
j=1
N, p
n 2]0; 1[, (p
n) '
a (p
n)):
(p + n)
n
Q
(p + j
;
1)
j=1
(donde n = j[p]
a (p
+ n)):
4.6.
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:
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)
vp
dv;
0;
x; p 2]0; 1[.
Para escribir un algoritmo de aproximacin de Fp (x), consideramos los tres casos siguientes:
203
1. p 2 Z+ ;
2. 0 < p < 1,
3. p > 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!
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..
pP1
a (p)
= fm (a) + e
1 (a)
2 (a)
a p 1
( 1 (a)
2 (a));
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)
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 < p < 1 se sigue que dado " > 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:
Fp (x) =
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;
):
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:
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.
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 < p < 1, Fm (x) =
, si 12 < x
>
>
>
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.
p > 0,
tp
t)q
(1
dt:
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
= 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
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
x)p
(1
1 q 1
dx = B(q; p):
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 :
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 ';
= 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
1 2q 1
x2p
(')d'
1Z 1
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
B(p; n + 1) =
tp
(1
t)n dt =
(p) (n + 1)
:
(n + p + 1)
dx
1
= p
n
n
x
n
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
xp
x 2 R, entonces
1
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
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
x
n
p2
n2
4.7. FUNCIN BETA. APROXIMACIN DE LA FUNCIN BETA B(P; Q), P > 0, Q > 0:
209
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
1) = l m
n!1
n
Q
p2
j2
j=1
sen( p)
B(p; q) =
p) = (p) (1
p) =
sen( p)
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:
g(0) = 1;
g 0 (0) = 1
00
g (0) = (1
)(2
)
..
.
k
Y
(k)
g (0) =
(j
), 8k 2 Z+ :
j=1
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;
= 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)
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
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
"
;
2
"
:
2
q)(2 q) (k
k!(k + p)2k
q)
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:
4.7. FUNCIN BETA. APROXIMACIN DE LA FUNCIN BETA B(P; Q), P > 0, Q > 0:
211
1 X (1
+
p
1
1 (p; q) = p
2
q)(2 q) (k
k!(k + p)2k
k=1
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)
2 (p; q):
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
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))
B(p; 1
p) =
sen( 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] :
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:
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):
213
Rx
0
tp
t)q
1 (1
1 dt;
jf (x)
P1 j < "
si x 2 0;
jf (x)
P2 j < "
si x 2
1
;1 :
2
1
X
(1
)(2
)
k!
k=1
(k
tk ;
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
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
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
P1 (x), si x 2
1
;1 ,
2
entonces
jf (x)
8x 2
1
,
2
1
;1 :
2
k=m+1
dt
t)
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:
(p) (k + 1)
k! (p)
=
(p + k + 1)
(p + k)(p + k 1)
p (p)
k!
(p + k)(p + k
1)
x)q
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)
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
F (p; q; 1
y a continuacin P4 (q; p; 1
t)q
(k+1) dt
1
(P3 (q; p; 1
B(p; q)
x) = 1
x) + P4 (q; p; 1
x)) ;
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
)2
(t
exp
t 2 R.
2R
)2
(t
exp
dt x 2 R.
, se tiene
N( ; ;
1
)= p
2
t2
2
dt:
x 2 R:
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
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 :
10 ,
< " si t
t2
en consecuencia
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
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;
Rx
t2
2
t2
2 dt
10 ,
dt =
t2 x
2
t3
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
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)
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
(2k + 1)]
1)
(2k
5
t2k
(2k + 1)
p1
2
1 (x)
1
p
2
1 (x)
2 (x)) ;
10 ,
t2
2 dt
t2
2
x
1+
1
x2
1+
1
3
x4
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
219
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
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
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:
La integral
Rx
t2
2
t2
2
dt:
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)
2
11
4
21
9
31
16
43
22
:
55
1 ; xj ],
221
2. Si n = 2, entonces
1
(1)
F (2; x) =
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
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
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
k+
3
2
(2k + 1)(2k 1)
2k+1
1p
e t dt
x
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
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
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.
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:
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
t2
n
n+1
2
y si x < 0;
Rx
h(n; t)dt =
Rx
n
2
h(n; t)dt, x 2 R,
F (n; x) =
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
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
n+1
2
t2
n
! 0;
si t
x, n > 1:
x
^n = M in t > 0 j t
el trmino
R1
x
^n
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
x
^n
x
^n
dt
t2
10
10
dt
= 10
t2
10
x
^n .
pt y
n
x
sen(yn (x))
tan(yn (x)) = p =
;
cos(yn (x))
n
de donde
p
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:
(yn (x)) + (n
2)
yn (x)
cosn
(t)(1
(yn (x)) + (n
2)
yn (x)
cosn
(t)dt
donde
G(n; k) =
2 (y
1.
n > 1;
t!1
10 ,
< 10
n+1
2
t2
h(n; t)
= t2 1 +
g(t)
n
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
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)) +
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:
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))
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
p x
,
n+x2
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
+
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
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
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
n+1
2
t2
1+
n
10
< 10
x
^n y se aproxima por 1 si x
zk
x
^n .
4.12.
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:
n+1
2
n n2
u2
1+
n
n+1
2
n+1
2
du;
du
0;
0:
-cuadrada
229
n+2
2
n
2
n+2
2
2
1+ t
n
dt = 1
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
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;
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; ):
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
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
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; )
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
1+
n+6
4 y
entonces
:
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:
n+1
2
t2
n
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
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
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
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:
4.13.
Ejercicios
R1
0
ln
p 1
1
x
dt:
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,
(p) ! 1,
p!0
(p)
! 1; y de la informacin proporcionada en a) y
p!1
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
cos9 ( ) d :
xp 1
dx:
(1 + x)p+q
11. Sean p; q 2 R+ :
p
2
q
2
p+q
2
0;
pq
p q
B
,
:
2(p + q)
2 2
R2
0
x1=2 dx
:
(4 x2 )1=5
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.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edicin, Editorial Revert, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edicin, Editorial Revert, Barcelona, 1975.
4. R. M. Barbolla, M. Garca, J. Margalef, E. Outerelo, J. L. Pinilla. J. M. Snchez, Introduccin al
Anlisis Real, Editorial Alambra Universidad, Madrid, 1981.
5. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
6. Alan W. Bush, Perturbation Methods for Engineers and Scientists, CRC Press, Boca Raton, 1992.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
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.
10. John E. Freund, Ronald E. Walpole, Estadstica Matemtica con Aplicaciones, Cuarta Edicin,
Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1990.
11. Waltson Fulks, Clculo Avanzado, Editorial Limusa, Mxico, 1973.
12. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
13. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
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.
19. Melvin J. Maron, Robert J. Lpez, Anlisis Numrico, Tercera Edicin, Compaa Editorial
Continental, Mxico, 1995.
Captulo 5
5.1.
Introduccin
238
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;
mg
l ,
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:
k2 DO = k1 L0 e
k1 t
k2 DO;
1:
k1 L0
e
k2 k1
k1 t
k2 t
k2 t
+ d0 e
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
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:
n!1
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
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
1
2
+ sen x. Entonces,
n
o
1
,x2
+ 2k j k 2 Z [
2
6
5
+ 2k j k 2 Z :
6
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:
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.
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.
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
x2
2; 2
x2 + 1.
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 (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
Figura 34
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
243
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).
244
b a
n1 .
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:
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)
Ejemplo
Sea f la funcin denida por f (x) = x3
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.
+
2
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
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
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
x
bj < 10 t :
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
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
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
249
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 < ".
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
3:
Figura 42
250
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)
+
+
+
+
+
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;
T (y)j
k jx
yj
8x; y 2 E.
251
"
(k 6= 0). Entonces
k
jx
Observe que
yj <
) 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) =
Ejemplos
252
2 =
1
2
2
2+ p
2
1
2
x+
2
x
x 2 [1; 2] : El punto
2:
f (0) :
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
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
k jx
yj
8x; y 2 E.
(1)
E como sigue
x1 = T (x0 )
x2 = T (x1 )
..
.
xn+1 = T (xn ) ;
n = 0; 1; : : :
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)
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
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)
k n jx0
xm j
x1 j
1
X
kp =
p=0
kn
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
n!1
l m xn = T (b
x) :
n!1
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 .
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
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
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
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;
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
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
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
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
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:
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:
x2 ) = T 0 (x) jx1
x2 j
k jx1
x2 j ;
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.
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[ ;
r; c + r] ; g (x) 2 [c
r; c + r] :
r; c + r] :
r; c + r] : Si g es lipschisiana
260
cj
(1
g (y)j
k jx
yj
k < 1. Entonces
8x; y 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
Entonces ge es contractiva en [c
je
g (x)
r; c + r] :
8x 2 [c
r; c + r] :
ge (y)j = jg (x)
g (y)j
k jx
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
(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
b 2 [a; b] tal que f (b
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 (b
x) = 0;
esto es, x
b es un punto jo de T , pues f (b
x) = 0:
k < 1.
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
f (x)
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
nf
x;y2[a;b]
x6=y
261
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
f (y)
y
1;
f (y)
8x; y 2 [a; b] con x 6= y:
y
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:
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
se sigue que
m
b
consecuentemente
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)
T (y)j
= k < 1:
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
k < 1 y T (b
x) = x
b; f (b
x) = 0:
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
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:
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] .
kn
xm j
jx0
m; n 2 Z+ ; 0 < k < 1:
x1 j
l m jxn
m!1
jxn
xm j
x
bj
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
m!1
kn
a, se sigue que
y como
lm
x1 j :
jxn
lm
x1 j , xn
a n0
k
k
n0 ln (k)
ln
" (1 k)
b a
"(1 k)
b a
ln (k)
264
As, jxn
n = 1; 2; : : : ; Nmax :
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.
1. Leer x0 2 [a; b] y poner x = x0 :
2. Calcular m =
b a
f (b) f (a) :
3. Para n = 0; : : : ; Nmax :
4. Calcular y = x
5. Si jx
mf (x) :
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
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)
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;1x2
+ 32;17x
23;205 = 0:
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
sign
m
b =
f (x0 ) f (y 0 )
x0 y 0
Sup
x;y2[a;b]
x6=y
f (x) f (y)
x y
f (x) f (y)
x y
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
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] :
32;17 =
266
f 0 (x) = 79;99;
Sup
con lo cual m
c1 =
1
79;99
Esquema numrico:
xn
6;8
6;517
6;502
6;500 : : :
6;50003
6;500000
n
0
1
2
3
4
5
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
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;
267
La solucin es x
b3 = 5;1:
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:
xn
6;8
6;493
6;4996
6;4999
6;49999
6;499999
6;5
0;4
=
f ( 0;4) f ( 0;8)
x 2 [ 0;8; 0;4] :
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] ;
x 2 [1; 1;2] :
5.4.3.
Sea I
Mtodo de Newton-Raphson
(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
f (y)
y
f (x)
x
m
b dada por
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]
m (x)
f (x1 )
x1
f (x2 )
x2
k < 1 x 2 [a; b] ;
1
f 0 (x)
f (x)
1
f 0 (x)
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 ) :
x0 ) + f (x0 ) = 0 () x = x0
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 ) ;
f (x1 )
:
f 0 (x1 )
270
f (xn )
n = 0; 1; : : : ;
f 0 (xn )
xn+1 = xn
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)
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] ;
271
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 )
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.
272
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 )
f (b
x) = f (x0 ) > 0;
0 = f (b
x) = f (xn ) + f 0 (xn ) (b
x
1 00
x
2! f (xn ) (b
xn ) +
1 00
f (xn ) (b
x
2!
xn )2 :
f (xn ) + f 0 (xn ) (b
x
xn ) < 0:
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:
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
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) ;
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
x 2 [a; b] es lipschisiana en
f (x)
f 0 (x)
x 2 [b
x
;x
b+ ]:
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
;x
b + ] con jx
y
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 < r:
r; x
b + r] :
jT 0 (x)j
p
n
a:
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)x
b=
p
n
a:
Se tiene
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
xm +
1
5
1
3
2
xm
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+ :
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] :
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
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
=
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
6 ).
Valor aproximado de x
b2 con una precisin " = 10
: 2;152753:
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:
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
(xn )
n = 0; 1; : : :, converge a la
Ejemplo
1 = 0 , sin x =
1
x 6= 0
x3
y [3; ] :
280
Figura 64
Note que f (1) =
1;158; f
1: Adems,
x2 sin x + 6x cos x
La funcin de iteracin
tiene
1
' 0;1351:
7;4022
f 0 (x0 )
xn+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.
Sea f 2 C ([a; b]) tal que f (a) f (b) < 0. Por el teorema de Bolzano, existe x
b 2 [a; b] tal que f (b
x) = 0.
Supongamos que x
b es la 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)
lm
x!xn
1 ),
f (xn 1 )
xn 1
f (xn
xn 2
2)
f (xn 1 ) f (xn
xn 1 xn 2
2)
f (xn
1)
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 )
xn xn 1
f (xn )
f (xn ) f (xn 1 )
n = 1; 2;
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
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
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
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
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
x0 2 [a; b] aproximacin inicial,
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.
x
f (x)
x0
f (x)
f (x0 )
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 :
285
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 )
286
9. Si n < Nmax ; x
e = u: Continuar en 11).
10. b
x = u en n iteraciones. Continuar en 11).
11. Fin.
Ejemplos
3x2 + 2x
6 = 0:
xn
2;86667
3;09889
2;99272
2;99962
3;00607
2;99999
2;99999
3;0:
4 = 0:
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
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:
287
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:
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:
1 pero '(p) (b
x) 6= 0:
k=0
con Ep (xn ; x
b) ! 0:
n!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
%n+1
'(p) (b
x)
xn x
b (p+1)
=
+
'
(cn ) :
p
p!
(p + 1)!
%n
%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:
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
x
b = ' (xn )
%n+1 = xn+1
con cn entre xn y x
b. Luego
' (b
x) = '0 (cn ) (xn
x
b) = '0 (cn ) %n ;
%n+1
= '0 (cn ) :
%n
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!
%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
Sup
x;y2[a;b]
x6=y
f (x)
x
f (y)
:
y
x 2 [a; b] con
289
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)]
Luego,
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:
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 )
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 ),
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 )
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
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
ak+1 = ak + ak
1:
(3)
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
ak
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
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
;
1
p
5
k
2
k
1
c1 + c2 = a1 y
292
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] ;
1; 2
L0 (x) + k (2x
x1
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
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]
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;
L (x)
0 , f (x)
L (x) :
y
f (y)
x1
f (x1 )
f (x1 )
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+
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
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
f 0 (b
x)
f 0( )
%n+1
xn+1 x
b
= lm
= '0 (b
x) :
n!1 xn
n!1 %n
x
b
lm
n!1
%n+1
jxn+1 x
bj
= c > 0;
p = lm
n!1
j%n j
jxn x
bjp
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
%n+1
jEn+1 j
= c1 ; l m
= c2 > 0;
2
n!1 En
%n
295
' c21 %n
(1)
2
1j
' c2 c2 En2
= c72 jEn
8
2j
2
2
= c32 jEn
n
4
2j
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:
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)
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
Mtodo de Newton-Raphson
n
0
1
2
3
4
0;4948664
0;4948664
tn
0;4
0;4787588
0;4943978
0;4948660
0;4948664
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
N1 :
x
bj
5 10
1
f 0 (x0 )
f (x)
x 2 [0;4; 0;5] :
1+
f 0 (0;4) =
2
x
297
ln(x); entonces
1+
2
ln(0;4) =
0;4
5;58145366;
x + ln2 (x) :
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
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) ;
(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)
298
lm
n!1
x
b = (k +
= 0:
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
=(
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
(xn+1 xn )2
=x
b:
n!1 xn+2
2xn+1 + xn
lm
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
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: 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
Valor aproximado de x
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
300
donde x
b 2 [a; b] es la raz de la ecuacin f (x) = 0:
El esquema numrico (1) se escribe entonces
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
; se tiene
de donde
[ (x)
(b
x) = x
b se tiene
Entonces, si
[ (b
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
(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)
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.
1. Leer x0 2 [a; b] y poner x = x0 :
2. Para n = 1; : : : ; Nmax
3. y1 = ' (x) :
4. y2 = ' (y1 ) :
5. t = x
(y1
y2
x0 )2
:
2y1 + x
6. Si jt
7. Si jt
301
Ejemplo
Sea f (x) = sin(x) cosh
x
p
1+ x
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
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:
Clculo de x
b2 2 [2; 2;4] :
t1 = 2;
y = 2;4;
t2 =
(t1 ) = 2;397289196;
t3 =
(t2 ) = 2;397287868:
5.6.
Sean I
Races de multiplicidad
R con I 6= ; y f una funcin real denida en I. Consideramos el problema (P) siguiente:
hallar x
b 2 I; si existe, solucin de f (x) = 0:
(P)
302
Ejemplos
1 es la nica raz
x
b)m
I ym
g (x) + (x
Se tiene f 0 (b
x) = 0: Ponemos
1 es de
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] :
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:
303
f (x)
; se sigue que
f 0 (x)
u0 (x) =
con lo cual
' (x) = x
u (x)
=x
u0 (x)
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:
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
x
b)m g (x)] m = jx
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] :
u (x)
=x
u0 (x)
(f (x)) m
1
m
[f (x)]
1
m
f 0 (x)
f (x)
f 0 (x)
=x
f (x)
f 0 (x)
x 2 [a; b] n fb
xg:
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
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)
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:
(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:
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
6:
ii. Sea
(x) = x
f (x)
:
f 0 (x)
n = 0; 1; : : :
se muestran a continuacin.
n
0
1
2
3
4
xn
0;0
0;5
0;566311
0;567143
0;567143
Valor aproximado de x
b con una precisin " = 10
: 0;567143:
Teorema 12
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
1 2
2x
x3
ex
x 6= 0.
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=0
1
f (0) = 6g (0) = 3!g (0) = 3! = 1:
6
000
n!1
5.7.
xn+1 x
b
=c
xn x
b
2 es de orden 1; o sea
+ 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;
307
Qn
j=1 (x
xj ) tiene
n
P
k=0
P (x) = xn
Si n es par, resulta que P (x)
a1
a0
+
+
xn xn 1
+ an :
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
..
.
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:
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
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
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:
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
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
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
jan x j
0 ) jxj
A
jxj 1
n
X1
k=0
1+
A
jxj 1
0 ) jan j
A
jan j :
n
X1
jxjk
jxjn
A
jxj 1
0: Resulta que
A
jxj 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
x6 + 16x4 + x3
5x2 + 3x + 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
=1+
3
5
= :
2
2
310
n
P
k=0
ja0 j
= r;
ja0 j + Max jak j
k=1;:::;n
n
P
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
ak xk = xn
k=0
i = 1; : : : ; n:
k=1;:::;n
ja0 j
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:
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
B
an
311
0)x
1
k
B
an
1+
con x
bi > 0:
0:
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
' 1;925:
60:
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
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:
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
312
i. Clculo de x
bi 2 [ 0;5; 0;25] con una precisin " = 10
' (x) = x
P (x)
P 0 (x)
4:
x 2 [ 0;5; 0;25] :
P (x) = 12x3
16;2x2 + 6;22x
9=
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:
0;34725;
0;3:
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?
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:
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
+ 2 cos(x)
+ 3x
e) 4 cos(x)
f ) ln x2 + 1
g) x3
h)
3;23x2
ex sin(x)
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
0;672x
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; : : :
5 = 0:
ii) cos(x)
x2 + 1 = 0
x2[
; ]:
(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 ))
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 ":
1
x
5.8. EJERCICIOS
315
lm
n!1
(yn
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 :
1 x2
Zx
t2
2 dt;
6; 4
@f
24. Sea f una funcin real dependiente de un parmetro c. Escribiremos t = f (x; c) : Suponga que
@c
es continua.
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
b
ct :
316
5.9.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edicin, Editorial Revert, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edicin, Editorial Revert, Barcelona, 1975.
4. N. Bakhvalov, Mtodos Numricos, Editorial Paraninfo, Madrid, 1980.
5. Robert B. Banks, Growth and Diusion Phenomena, Mathematical Frameworks and Applications,
Editorial Springer-Verlag, Berln, 1994.
6. R. M. Barbolla, M. Garca, J. Margalef, E. Outerelo, J. L. Pinilla. J. M. Snchez, Introduccin al
Anlisis Real, Editorial Alambra Universidad, Madrid, 1981.
7. G. Birkho, S. Maclane, Algebra Moderna, Cuarta Edicin, Editorial Vicens-Vives, Barcelona.
1974.
8. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
9. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
10. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
11. S. D. Conte, Carl de Boor, 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.
13. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
14. B. P. Demidovich, I. A. Maron, E. S. Schuwalowa, Mtodos Numricos de Anlisis, Editorial
Paraninfo, Madrid, 1980.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
16. Waltson Fulks, Clculo Avanzado, Editorial Limusa, Mxico, 1973.
17. A. Kurosh, Cours DAlgbre Suprieure, Editions Mir, Moscou, 1973.
18. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
19. H. Hall, S.R. Knight, Algebra Superior, Unin Tipogrca Editorial Hispano-Americana, Mxico,
1977.
20. Gnther Hammerlin, Karl-Heinz Homann, Numerical Mathematics, Editorial Springer-Verlag,
New York, 1991.
21. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
22. Gerard Kiely , Ingeniera Ambiental, Volumen II, Editorial McGraw-Hill, Madrid, 1999.
23. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
317
318
Captulo 6
6.1.
320
6.1.1.
x 2 R;
(1)
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.
6.1.2.
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)
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!
1)
= u(xk
h) = u(xk )
1)
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
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
>
>
>
>
>
>
<
>
>
>
>
>
>
:
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
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.
i = 1; :::; n;
[xi
1; xi
ii) Si (xi ) = Yi
1:
i = 1; :::; n:
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:
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:
xi ) + 3di (x
0
Si+1
(x) = bi+1 + 2ci+1 (x
xi )2 ;
xi+1 )2 ;
xi+1 ) + 3di+1 (x
i = 1; :::; n
1;
0
con lo cual Si+1
(xi+1 ) = Si0 (xi+1 ) implica
i = 1; :::; n
1:
Se dene bn = f 0 (xn ) :
00 (x) estn denidas como sigue:
Las derivadas Si00 (x) y Si+1
xi ) ;
= 2ci+1 + 6di+1 (x
xi+1 ) :
Entonces,
00
Si+1
(xi+1 ) = 2ci+1 ;
(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)
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)
ai+1 ai
hi
ci+1 + 2ci
hi i = 1; :::; n
3
1:
(8)
i = 2; :::; n;
(9)
ai
ai
hi
ci + 2ci
3
hi
y en (7)
bi = bi
+ hi
1 (ci
+ ci
1) ;
i = 2; :::; n:
(10)
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 ) =
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;
3
ci 1
3
(hi 1 ; 2 (hi 1 + hi ) ; hi ) 4 ci 5 =
(yi+1
hi
ci+1
yi )
1
cn = f 00 (xn ) = 0;
2
3
hi
(yi
1
yi
1)
i = 2; :::; n
1:
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
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.
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
326
(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
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:
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
n
P
j Aj
j=1
2 R;
327
! 2
bk =!
Min kA!
x
x
! 2
bk :
2Rn
(14)
x
0
1
2
3
4
y
1
1.5
2
2.5
3
z
5
10.9
17.1
23
30
siguiente:
+
c
=
5
b + 1;5 = 10;9
2b + 2c = 17;1
3b + 2;5c = 23
4b + 3c = 30:
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
Rn !
Rn
!
x ! TA (!
x ) = A!
x:
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
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.
329
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]
bij i; j = 1; :::; n;
y < denidas en Mn
0 , aij
n [R],
escribiremos
0 i; j = 1; :::; n;
!
!
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
n
X
xi yi :
i=1
1
2
n
X
!1
2
x2i
i=1
8!
x 2 Rn ;
con !
x T = (x1 ; :::; xn ) :
6.3.1.
Sea A = (aij ) 2 Mn
de A.
n [R]
8!
x 2 Rn ;
0 8!
x 2 Rn :
q es denida positiva.
!
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
= 0;
i = 1; :::; n;
i:j = 1; :::; n; i 6= j:
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;
Consecuencias
Sea A = (aij ) 2 Mn
n [R] :
1
2
8!
x 2 Rn :
n [R].
331
n [R]
iv) A
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
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.
2
Sea A = 4 1
0
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
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].
0:
(A!
x)
de donde
A
A !
x
0 = 0;
0,!
x
0:
332
As,
A!
x
0)!
x
0:
0:
0:
la base cannica de
n [R] :
Pn
j=1 jaij j ;
j6=i
Pn
j=1 jaij j ;
j6=i
i=
i = 1; :::; n:
Ejemplos
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
n [R] :
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
1 xk
de donde
n
X
akk xk =
akj xj;
j=1
j6=k
n
X
j=1
j6=k
ak xj j
j=1
j6=k
jakj j 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
n
P
j=1
j6=k
j=1
j6=k
jakj j
k = 1; :::; n:
1A
= (bij ). Entonces
bii = 0 i = 1; :::; n;
aij
0 i; j = 1; :::; n; i 6= j:
bij =
aii
= (I
B)
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
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.
n [R] :
n [R]
= 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( )
cos( )
sen( )
sen( )
cos( )
cos( ) sen( )
sen( ) cos( )
cos2 ( ) + sen2 ( )
sen2 (
)+
cos2 (
1 0
0 1
335
o bien P P T = P T P = I:
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:
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].
8!
x 2 Rn :
336
= 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 :
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:
= 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
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 ;
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
7
1
1
7
7
1
50 0
0 50
= 50I;
1 7
7 1
50 0
0 50
= 50I:
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
n [R].
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 :
de donde
kQ!
x k = k!
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:
Teorema 8 Sea Q 2 Mn
siguientes:
n [R].
i) Q es invertible.
ii) kQ!
x k = k!
xk
8!
x 2 Rn :
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 :
1.
Luego
= I = QT Q;
6.4.
!
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.
R!
x =!
y
(17)
y
Luego
!
x =R
1!
y =R
1!
!
y =L
1!
!
x =R
1!
= R
y:
!
b = (LR)
1!
b =A
1!
b;
6.4.1.
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
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 :
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
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
S = S + ajk xk
xj =
(bj S)
ajj
Fin de bucle k.
Caso contrario, imprimir mensaje. Continuar en 5).
Fin de bucle j.
4. Imprimir !
x T = (x1 ; :::; xn ) : Continuar en 6).
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.
Teorema 9 Sea A = (aij ) 2 Mn
n [R]
n [R]
Qn
j=1 aij :
1) (n 1) [R],
nQ1
ajj :
j=1
1. Sea A = (aij ) 2 Mn
n [R]
1)
det (An
1 ) = a11
n
Y
ajj =
j=2
n
Y
ajj :
j=1
n [R]
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)
!
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
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] :
Fin de bucle j.
Fin de bucle i.
2. Para i = 1; :::; n
Si jaii j
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.
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.
n [R]
n [R]
1, si p = q, p; q = 1; :::; n;
0, si p =
6 q:
n [R]
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
n [R]
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
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;
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
n;
347
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
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
6.6.
y luego sumar
3
2
7
20
7:
5
12
20 + 1
y este resultado
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
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
1)
(n 1)
x1 + ::: +a1n
>
:
(n 1)
xn = b1
..
.
(n 1)
ann xn
(4)
(n 1)
bn
6.6.1.
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
(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
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
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)
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)
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)
1
6 0
Sea K3 = 6
4 0
0
Luego
0 0
1 0
0 1
0 k43
(2)
a33
(2)
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
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)
ki1 =
i = 2; :::; n;
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 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)
(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
!
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
(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;
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)
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
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
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
2;
adiciones : (n
2)
(n;2) ;
productos : (n
2) :
j;
adiciones : (n
j) (n
j + 1) ;
productos : (n
adiciones : 2;
productos : 2:
j) (n
j + 1) :
354
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
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.
j = 1; :::; n
1, con
(0)
a11
es
(j 1)
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
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)
(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
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
(n 2)
1
Si ar;n
Resulta
en
A
= 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:
Entonces
1
7
7
7
7
7 ; y sea
7
7
5
= aij
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
1 R:
Note que E
An
!
bn
1
1
= EA
!
=Eb:
(n 1)
!
!
x = bn
!
!
x = bn
1:
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
con el
5
1
2 0
1
1
6 2
Etapa 1
Seleccin del
2
3
6 2
B1 = 6
4 2
1
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
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
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
7
11
3
113
15
51:
cuya solucin es !
x T = (2; 1; 0; 1) :
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
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
5. Para j = 1; :::; n
r=j
Para i = j + 1; :::; n
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).
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
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
n; 2
(1)
n;
(1)
(1)
1;n ;
Cn
Se denen An
= Fn
1, se obtiene
1;n An 2 Cn 1;n
(n 2)
= bij
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
siempre que bn
La matriz An
6= 0.
= 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:
1;
R = An
1,
An
1:
= 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
la columna 1 con la 4
3
2
2
3
6
0
2 7
7 ; C1;4 = 6
4
1
2 5
1 1
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) :
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)
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
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;
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
la columna 1 con la 4:
segunda etapa :
permanece invariante: j = 2; S2 = 2.
tercera etapa :
la columna 3 con la 4.
363
n [R]
!
con A 6= 0; b T = (b1 ; :::; Bn ) 2 Rn : Se considera el sistema de ecuaciones
!
A!
x = b:
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
!
(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
6.6.3.
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
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
1
2;
1 1
2; 2
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
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:
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
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
= ( 1) det (A) ;
de donde
det (A) = ( 1)m det (An
m
1 ) = ( 1)
n
Y
(n 1)
aii
i=1
= Kn
(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
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
i = 1; :::; n;
k=1
i = 1; :::; n:
p
a11 (l11 =
ai1
l11
n
X
t
lik lk2
n
X
i = 2; :::; n;
k=1
k=1
n:
n
X
t
lik lkj
=
k=1
j
X
lik ljk ;
i = j; :::; n:
k=1
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
k=1
con lo cual
lij =
aij
Pj
1
k=1 lik ljk
ljj
(10)
jP1
k=1
367
p
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
A = (aij ) 2 Mn
n [R] ;
1
ljk
S > 0 entonces
p
= ajj S;
1
ljk
368
(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 =
k=1
y para i = n;
n
X1
n
X1
2
lkk
2
lnn
k=1
) lnn
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
Datos de entrada: n 2 Z+ ;
A = (aij ) 2 Mn
n [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
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
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;
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
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:
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
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
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 :
371
n
Y
lii :
i=1
det (A) =
i=1
lii
!2
n
Y
2
lii
:
i=1
n
2n2 + 3n + 1 ;
6
n
Q
i=1
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
uii = 1;
i = 1; :::; n; j = 2; :::; n;
i = 1; :::; n
y
A = LU:
(2)
n
X
k=1
lik ukj
i = 1; :::; n; j = 1; :::; n:
(3)
372
n
X
k=1
As,
li1 = ai1 ;
Para i = 1;
a1j =
n
X
i = 1; :::; n:
(4)
k=1
de donde
u1j =
a1j
;
l11
l11 6= 0;
j = 2; :::; n:
(5)
Etapa 2 (j = 2)
ai2 =
n
X
k=1
de donde
li2 = ai2
Para i = 2;
a2j
n
X
k=1
u2j
a2j + l1 u1j
l22
si l22 6= 0; j = 3; :::; n:
j 1
X
k=1
de donde
lij = aij
j 1
X
(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:
373
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
=
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;
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
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:
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:
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)
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) :
375
La solucin es !
x T = (2; 1; 0; 1; 2) :
Algoritmo de factorizacin LU
Algoritmo
Datos de entrada: n 2 Z+ ; A = (aij ) 2 Mn
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
Datos de entrada: n 2 Z+ ; A = (aij ) 2 Mn
n [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
1. Si A = (aij ) 2 Mn
n [R]
0 1
1 0
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
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.
377
n [R]
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,
!
Sean A = (aij ) 2 Mn n [R] con A 6= 0 y A tridiagonal, b T = (b1 ; :::; bn ) 2 Rn . Se considera el sistema de
!
ecuaciones lineales A!
x = b:
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]
b11 = bn3 = 0;
bi1 = aii
1;
bi2 = aii ;
bi3 = aii+1 ;
i = 2; :::; n;
i = 1; :::; n;
i = 1; :::; n
1;
378
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)
a21
a12 + a22 =
a11
a21
a12
+ a22 :
a11
a12
< 1. Luego a21 aa12
< ja21 j : Entonces
11
a11
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
379
As,
(1)
(1)
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
Etapa 2. Como
(1)
a22
a32
6= 0. Se dene k32 =
(1)
;y
a22
(1)
(1) a23
(1)
a22
(1)
(2)
(1)
(1)
(1)
(1)
> a23
a32
(1)
a32
(1)
+ a33 :
(2)
(2)
, donde
(2)
= aij
(1)
(2)
aij
i = 1; :::; n; i 6= 3; j = 1; :::; n;
(2)
a32
(1)
(2)
(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
b3 = cb2 + b3 :
380
1, se tiene
1.
c=
bn1
bn
bn2 = cbn
1;3
+ bn2;
bn = cbn
+ bn :
1;2
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
Datos de entrada: n 2 Z+ ;
B = (bij ) 2 Mn
3 [R] ;
!T
b = (b1 ; :::; bn ) 2 Rn :
Fin de bucle i.
2. Para j = 1; :::; n
c=
bj+1;1
bj2
bj+1;2 = c
bj+1 = c
bj + bj+1
Fin de bucle j.
3. xn =
bn
bn2
4. Para j = n
xj =
bj;3 xj+1 )
bj2
Fin de bucle j.
5. Imprimir !
x T = (x1 ; :::; xn ). Continuar en 7).
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
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:
j = 1; 2; 3; 4; 5:
382
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:
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
si ji
jj > 1; i; j = 1; :::; n;
384
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
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:
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:
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
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:
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
= 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
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
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
!
ecuaciones lineales A!
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
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.
!
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 :
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
!
!
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 :
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
!
!
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:
!
!
!
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
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
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:
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]
A!
x : Para estimar
existe, y
1
:
kjBjk
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;
(I + B)
1
1 kjBjk :
Sea C = (I + B)
. Entonces
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
!
B!
x = b
B) !
x:
= (A
!
x , tenemos
1!
BA
b = I
!
b = I
BA
BA
1!
AA
b = (A
B) A
1!
(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
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
Ajk =
kjB
cond (A)
cond (A)
1
kjA 1 jk
kjB Ajk
kjAjk
kjB Ajk
:
kjAjk
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
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
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 =
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 ":
! 10001;
" !0
cond (A)
" !1
1
1
10001
1 "
1:
6.12. EJERCICIOS
6.12.
397
Ejercicios
= 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
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
401
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
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) 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.
2. N. Bakhvalov, Mtodos Numricos, Editorial Paraninfo, Madrid, 1980.
3. Richard H. Bartels, John C. Beatty, Brian A. Barsky, An Introduction to Splines for use in
Computer Graphics and Geometric Medeling, Editorial Morgan Kaufmann Publishers, Inc., San
Mateo, California, 1987.
4. 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
7. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
8. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
9. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
10. P. G. Ciarlet, Introduction LAnalyse Numrique Matricielle et lOptimisation, Editorial Masson,
Pars, 1990.
11. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
12. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
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.
16. Francis G. Florey, Fundamentos de Algebra Lineal y Aplicaciones, Editorial Prentice-Hall
Hispanoamericana, S. A., Mxico, 1980.
17. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
18. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., Mxico, 1982.
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.
21. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
22. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
23. Gnther Hammerlin, Karl-Heinz Homann, Numerical Mathematics, Editorial Springer-Verlag,
New York, 1991.
24. I. N. Herstein, J. Winter, Algebra Lineal y Teora de Matrices, Grupo Editorial Iberoamericana,
Mxico, 1989.
25. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
26. Kenneth Homan, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
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
29. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
30. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
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,
Editorial Masson, Pars, 1987.
34. Charles L. Lawson, Richard J. Hanson, Solving Least Squares Problems, Editorial Society for
Industrial and Applied Mathematics (SIAM), Philadelphia, 1995.
35. L. Lebart, A. Morineau, J.-P. Fnelon, Tratamiento Estadstico de Datos, Editorial Marcombo
Boixareu Editores, Barcelona, 1985.
36. Peter Linz, Theoretical Numerical Analysis, Editorial Dover Publications, Inc., New York, 2001.
37. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Mtodos Numricos, Editorial Limusa, Mxico,
1986.
38. Melvin J. Maron, Robert J. Lpez, Anlisis Numrico, Tercera Edicin, Compaa Editorial
Continental, Mxico, 1995.
39. Shoichiro Nakamura, Mtodos Numrico Aplicados con Software, Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1992.
40. Antonio Nieves, Federico C. Dominguez, Mtodos Numricos Aplicados a la Ingeniera, Tercera
Reimpresin, Compaa Editorial Continental, S. A. De C. V., Mxico, 1998.
41. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., Mxico, 1989.
42. Anthony Ralston, Introduccin al Anlisis Numrico, Editorial Limusa, Mxico, 1978.
43. Fazlollah Reza, Los Espacios Lineales en la Ingeniera, Editorial Revert, S. A., Barcelona, 1977.
44. A. A. Samarski, Introduccin a los Mtodos Numricos, Editorial Mir, Mosc, 1986.
45. Michelle Schatzman, Analyse Numrique, Inter Editions, Pars, 1991.
46. Francis Scheid, Theory and Problems of Numerical Analysis, Schaums Outline Series, Editorial
McGraw-Hill, New York, 1968.
47. M. Sibony, J. Cl. Mardon, Analyse Numrique I, Systmes Linaires et non Linaires, Editorial
Hermann, Pars, 1984.
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.
50. J. Stoer, R. Bulirsch, Introduction to Numerical Analysis, Editorial Springer-Verlag, 1980.
51. Gilbert Strang, Algebra Lineal y sus Aplicaciones, Editorial Fondo Educativo Interamericano,
Mxico, 1982.
52. V. Vovodine, Principes Numriques DAlgbre Linaire, Editions Mir, Mosc, 1976.
404
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.
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)
kR (a; h)kW
= 0:
h!0
khkV
con l m
405
406
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)
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)
: Sea
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
!
h !0
T!
a
D
!
!E !
h = rF (!
a ); h
8 h 2 Rn :
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
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
!
!
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)
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 ;
en W:
kR (a; h)kW
=0
h!0
khkV
=) kR (a; h)kW < " khkV luego
F (a)k
si khkV < :
h!0
8 2 R:
F (a) =
k!0
! 0:
kkkV !0
(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
! 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))
409
(G F ) (a) = (Ty
y como
kRG (y; k)kW =
Note que
! 0:
khkV !0
! 0; consecuentemente
k!0
! 0
khkV !0
V: Se dice que
kW ;
)y 2 :
un abierto
Demostracin. Sean a 2
G0 ( ) = x a:
y G( ) = a + (x
a)
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.
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.
T (y) k
kkx
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
T (y) k
kkx
yk
8x; y 2 E:
411
Entonces
k
T (a)
khk 1
sup (k T (a + h)
khk 1
R(a; h) k
T (a) k + k R(a; h) k)
khk 1
k < 1 a 2 E:
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
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
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
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
p!1
P1
p=0 k
Por lo tanto k xn
p!1
= l mp!1 Sp (k) =
xm k
k n k x0
k p+1
1 k
l m Sp (k) = l m
con lo cual
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< "
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
n!1
l m xn = T (b
x) :
n!1
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
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
7.3.
!
!
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:
!
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).
1. !
x =!
x0
414
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:
!
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)
!
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) ;
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
@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
x2 y 2 = 1
(x + 3)2 + 4 (y
3)2 = 4:
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
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
~x3 =
5,
~x1 =
2;29376
2;064322
~x4 =
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
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;
6;
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.
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.
!
!
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:
!
!
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:
!
(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.
!
!
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
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)
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
1)
!
+ b;
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.
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.
!
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)
x1 ; x2 ; : : : ; xi
(k)
y notemos por Ri
(k)
(k)
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
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
(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
o lo que es lo mismo
(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
!(k)
X = (D
!
!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 :
0
0
0
0
1
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
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
:::
:::
:::
:::
..
.
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
(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
(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
7
7;
5
!
x (1)
!
x (0)
> T ol;
!
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:
7.5.
Ejercicios
1. Sea
x2
en M2
x2 1 x
x
2x2 + 3
y la diferencial de Frchet Ta est denida
2 [R]
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
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
con y jo.
x; y 2 V
x2
, 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
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
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
!
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.
x1
x2
x3
x4
x5
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
7.6.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 2, Segunda Edicin, Editorial Revert, Barcelona, 1975.
3. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
4. N. Bakhvalov, Mtodos Numricos, Editorial Paraninfo, Madrid, 1980.
5. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
6. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
8. P. G. Ciarlet, Introduction lAnalyse Numrique Matricielle et lOptimisation, Editorial Masson,
Pars, 1990.
9. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial Mc Graw-Hill, Mxico,
1981.
10. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
11. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
12. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconslrained Optimization
and Nonlinear Equations, Editorial Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, 1996.
13. V. N. Faddeva, Mtodos de Clculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
14. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
15. A. Kurosh, Cours DAlgbre Suprieure, Editions Mir, Moscou, 1973.
16. Noel Gastinel, Anlisis Numrico Lineal, Editorial Revert, S. A., Barcelona, 1975.
17. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
18. Anne Greenbaum, Iterative Methods for Solving Linear Systems, Editorial Society for Industrial
and Applied Mathematics (SIAM), Philadelphia, 1997.
19. Wolfgang Hackbusch, Iterative Solution of Large Sparse Systems of Equations, Editorial SpringerVerlag, New York, 1994.
20. Gnther Hammerlin, Karl-Heinz Homann, Numerical Mathematics, Editorial Springer-Verlag,
New York, 1991.
431
21. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
22. Franz E. Hohn, Algebra de Matrices, Editorial Trillas, Mxico, 1979.
23. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambrisge, 1999.
24. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
25. P. Lascaux, R. Thodor, Analyse Numrique Matricielle Applique LArt de LIngnieur, Tome
1, Editorial Masson, Pars, 1986.
26. P. Lascaux, R. Thodor, Analyse Numrique Matricielle Applique LArt de LIngnieur, Tome
2, Editorial Masson, Pars, 1987.
27. Melvin J. Maron, Robert J. Lpez, Anlisis Numrico, Tercera Edicin, Compaa Editorial
Continental, Mxico, 1995.
28. Shoichiro Nakamura, Mtodos Numrico Aplicados con Software, Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1992.
29. Antonio Nieves, Federico C. Dominguez, Mtodos Numricos Aplicados a la Ingeniera, Tercera
Reimpresin, Compaa Editorial Continental, S. A. De C. V., Mxico, 1998.
30. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., Mxico, 1989.
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.
32. Anthony Ralston, Introduccin al Anlisis Numrico, Editorial Limusa, Mxico, 1978.
33. Werner C. Rheinboldt, Methods for Solving Systems of Nonlinear Equations, Second Edition,
Editorial Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 1998.
34. M. Sibony, J. Cl. Mardon, Analyse Numrique I, Sustmes Linaires et non Linaires, Editorial
Hermann, Pars, 1984.
35. G. W. Stewart, Matrix Algotithms, Volume II: Eingensystems, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1998.
36. J. Stoer, R. Bulirsch, Introduction to Numerical Analysis, Editorial Springer-Verlag, 1980.
37. Gilbert Strang, Algebra Lineal y sus Aplicaciones, editorial Fondo Educativo Interamericano,
Mxico, 1982.
38. V. Vovodine, Principes Numriques DAlgbre Linaire, Editions Mir, Mosc, 1976.
39. David S. Watkins, Fundamentals of Matrix Computations, Editorial John Wiley&Sons, New York,
1991.
432
Captulo 8
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 :
I)
2 R,
434
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!
=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=(
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 :
jkAkj1 =
sup
x k1
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
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
akk j
n [R]: Los
n
P
j=1
j6=k
valores propios
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
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
8.2.
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 :
a
det (A
I)
0 ()
()
1
c
2
= 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;
4 : Si
(a + b) + ab
1 2
c =0
4
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
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
y se verica que P
1 AP
= D:
= PT:
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
1. Supongamos
1;
1;
2
1s
2 R+ ;
1 2
2t
=d :
2R ;
2 R+ y
2 R+ :
a) Si d < 0 entonces C = ;:
c) Si d > 0 entonces C 6= ;:
En el caso
entonces la ecuacin
2
1s
2t
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 :
2 R+ y
a) Si d = 0; la ecuacin
2R :
2
1s
2t
1 2
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 :
1
1
Figura 75
> 0; 2 < 0
> j 2j
1
2
s;
440
2
1s
2t
=d
2
1s
2t
=d
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
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
Figura 77
En el caso
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
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
x2
y2
tal que k!
v k = 1:
> 0;
> 0:
6=
Calcular p =
;q=
(s; t) 2 R2 j
Gracar la elipse
s
p
t
q
=1 :
Continuar en 14).
Si
Calcular r =
< 0;
< 0:
6=
Calcular p =
;q=
Gracar la elipse
(s; t) 2
R2
s
p
t
q
=1 :
Continuar en 14).
Si
Calcular r =
< 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 =
t
q
1 :
443
444
s;
p js2R ;
s; p j s 2 R :
Continuar en 14).
10. Si
=0
Calcular p =
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
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
u =
1
2 2
(punto 2 del algoritmo). Tenemos
2 2
q
1
=
(a b)2 + c2 = 2;
2
= u + = 4:
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
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
Figura 80
Figura 81
(x; y) 2 R2 j (x + y)2 =
d
2
8.3.
2d
;
2
2d
:
2
= (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
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 =
10 + x (12
3x) ;
n = 0; 1; : : : ; Nmax :
x)) ;
448
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)
n
= !
x 2 R3 j (A
8
<
!o n
!
x = 0 = z
x
:
x
2;
= 2;
p
= 2+ 2:
= 0;
= 0;
= 0:
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.
449
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
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
<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
i=3
yim
yim
6= 0; y de la existencia del
i
i
yim
!
xi
()
!
ym
m
1
= 1!
x1
!
2x2+
n
X
i=2
que yim 6= 0:
yim+2
=
!1 y m
i
2
1
!
x i:
siempre
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
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
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
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
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
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
1:
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
3 : b) C = (x; y) 2 R2 j 3x2
xy + 4y 2 = 5 :
1 : f ) C = (x; y) 2 R2 j 2x2
6xy + 2y 2 = 1 :
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
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.
1. Tom M. Apostol, Calculus, Volumen 2, Segunda Edicin, Editorial Revert, Barcelona, 1975.
2. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
3. N. Bakhvalov, Metodos Numricos, Editorial Paraninfo, Madrid, 1980.
4. Jrme Bastien, Jean-Nol Martin, Introduction LAnalyse Numrique, Editorial Dunod, Pars,
2003.
5. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
6. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
8. P. G. Ciarlet, Introduction L Analyse Numrique Matricielle et L Optimisation, Editorial
Masson, Pars, 1990.
9. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial Mc Graw-Hill, Mxico,
1981.
10. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
11. B. P. Demidowitsch, I. A. Maron, E. S. Schuwalowa, Mtodos Numricos de Anlisis, Editorial
Paraninfo, Madrid, 1980.
12. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
13. V. N. Faddeva, Mtodos de Clculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
455
456
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
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:
m
X
rk2 (a1 ; : : : ; an ) =
k=1
m
X
(yk
f (xk ; a1 ; : : : ; an ))2
k=1
(a1 ; : : : ; an ) 2 ;
hallar (b
a1 ; : : : ; b
an ) 2
tal que E (b
a1 ; : : : ; b
an ) =
mn
(a1 ;:::;an )2
E (a1 ; : : : ; an ) :
; es decir que
@f
@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
9.1. INTRODUCCIN
459
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
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:
p (x; y) = a + bx + cy
p (x; y) = a + bx + cy + dxy
(x; y) 2 R2 ;
(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
9.2.
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 ;
o lo que es lo mismo
Ab
x
!
b
A!
x
!
b
8!
x 2 Rn ;
Ab
x
!
b
=!
Min A!
x
x 2Rn
!
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)
!
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
!
!
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
!
!
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
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.
!
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
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 :
m
P
i=1
x
bi !
yi
!
b
=!
Min
m
P
i=1
x
bi !
y i; !
w
!
b
m
P
i=1
= 0 8!
w 2 W:
xi !
yi
464
Figura 83
9.3.
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;
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
!
e 1 k = kp!
u k = jpj k!
u k = jpj :
!
v
entonces
v1
7
7
7
5
v2
..
.
vn
sign (v1 ) k!
v k;
k!
v k ; si
!
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) +
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;
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
1 !!T
ww
r
!
v =!
v
1 !!T ! !
ww v = v
r
1 !T ! !
w v w;
r
!(1)
!
b
= b:
k = 2; : : : ; n
3
7
7
7
7
7
7
7
7
7
7
7
5
467
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)
kQ1
i=1
(i+1)
aii
(k)
det A22
(k)
(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
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
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;
2)
: : : H (1) A(1) ;
; n; se sigue que
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+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
A = QR con Q una matriz ortogonal y R una matriz triangular superior.
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
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) =
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
3 2
0
0
5
4
0 = 0
1
0
1
0
0
1
3
0
0 5 = R:
1
0
0
0
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
A = QR con Q una matriz ortogonal y R una matriz triangular superior.
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
1
= 4 0
0
3
0
0 5;
1
2
1 0
1
=4 0
0 0
0
1
0
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
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;
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
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
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
(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
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
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
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
!
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
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
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.
k+1
k
1
1
1
1
n k+1
n k
1
n k+1
n k+1
!
!
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,
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
!
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]
!
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
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
!
!
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
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
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
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
1:
478
9.4.
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:
7
7
7:
7
5
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
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;
479
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
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;
9.4.1.
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
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
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
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
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 =
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
n
P
yi
n
P
yi
i=1
2
xi
i=1
x2i :
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
S12
8. Si z = 0; continuar en 13)
9. a =
S2 R 1
10. b =
S1 R2
z
nR2
S1 R1
z
2 continuar en 14)
482
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
i=1
R1 =
R2 =
n
X
i=1
n
X
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.
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
!
y = A!
x +!
r (!
x)
2
A!
xk =
!
x 2 R3 :
n
X
yi
bxi
cx2i
i=1
(a; b; c) 2 R3 :
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
i=1
i=1
7
7
7
7:
7
7
5
i=1
i=1
i=1
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
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
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
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.
485
(x1 ; : : : ; xn ) 2 Rn :
+ an xn
n + 1:
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)
2
A!
xk =
m
X
zk
a0
(k)
an x(k)
n
a1 x1
k=1
mn
a0
a1 x .
.
1.
(k)
an xn
a0
a1 x1
(k)
an xn
E (a0 ; : : : ; an ) :
(k)
(k)
= 0;
(k)
xn = 0;
AT A !
x = AT !
z
x 2 Rn+1 ;
486
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
ybk2 = !
m n kA!
x
x 2R3
3
7
7
7
7
5
2
!
yk :
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
f (x; y) = 3x + 2y + 5
(x; y) 2 R2 :
487
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
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:
(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
i = 1; : : : ; n
(1)
!
r (!
x) =!
w
(2)
A!
x:
2
m n k!
r (!
x )k
!
x 2R4
o lo que es lo mismo
k!
w
2
Ab
xk = !
m n k!
w
x 2R4
A!
xk :
2
(3)
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
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
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
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
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
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;
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
3
1196;791557
25;80052218 7
7;
3;197707838 5
0;2801709388
3
7
7
5
6
!(3)
!
b
= H (3) b (2) = 6
4
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.
!
r (a) = !
y
!
6
b (a) = 4
3
f (x1 ; a)
7
..
5:
.
f (xn ; a)
y1
yn
!
b (a)
n
X
(yi
f (xi ; a))2
i=1
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
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
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:
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;
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
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
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
:
a=
i=1
n
P
yi xi
i=1
i=1
n
P
i=1
n
P
i=1
x2i
xi
=
14;15481935
1;648658626
190;5
24
0;2820085373
0;282:
0: En la gura siguiente
Figura 85
(yi
f (xi ; a))
@f
(xi ; a) = 0:
@a
494
a2 yi = ri
i = 2; : : : ; n
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)
a2 !
y = r (!
a );
a2 !
y
n
X1
yi00
a2 yi
i=2
3:
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
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::
9.7.
495
Sean V = C ([a; b]) el espacio de funciones continuas provisto del producto escalar
hf; gi =
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 :
g^k = Min kf
gk ;
g2Km [R]
hf
g^; wi = 0 8w 2 Km [R] :
g^; wi = 0 8w 2 Km [R] ()
f (x)'j (x)dx
f (x)
m
P
i=o
i = 1;
i=o
g^k2 = Min kf
kf
hf
m
P
a
^i 'i : Adems,
gk2 ;
a
^i 'i (x) w(x)dx = 0 8a0 ; : : : ; am 2 R.
i=o
a
^i
!
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.
a0 X
+
ak cos
2
k=1
k x
L
+ bk sen
k x
L
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]) ;
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:
Figura 86
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:
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
497
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
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
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] ;
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; : : : :
a0 X
Qm (x) =
+
ak cos
2
k=1
k x
L
+ bk sen
k x
L
x 2 [ L; L]
k = 1; : : : ; m:
k x
L
x 2 [ L; L] : A las funciones u0 ; uk
k x
L
f (x) cos
m
P
a0
+
ak cos
2
k=1
dx
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:
Qm (x) =
a0 X
+
ak cos
2
k=1
k x
L
k x
L
+ bk sen
x 2 [ L; L]
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
+ 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
j = 0; 1; : : : ; m:
@
@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
para j = 0; 2La0 =
para j = 1;
a1 L =
= L
L
L
f (x) dx ) a0 =
f (x) dx;
L
x
1
dx ) a1 =
L
L
f (x) cos
L
1
2L
1
L
x
dx;
L
f (x) cos
L
m x
dx:
L
f (x) cos
L
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
mn
E (b1 ; : : : ; bm ) :
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] ;
1
2L
L
L
f (x) dx; b
ak =
1
L
f (x) cos
L
k x
L
1
dx; bbk =
L
f (x) sen
L
k x
L
dx
k = 1; 2; : : : ; m
k x
L
m
X
hf; 'k i
'k
k'k k2
k=0
= kf k2
m
X
jhf; 'k ij2
:
k'k k2
k=0
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
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).
0 se sigue que kf k2
1. Puesto que f
0,
kf k2
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
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] ;
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
j k = 1; : : : ; mg con
2
k ij
2 :
kk
= Qm (x) ;
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
L
y xj = jh
h
j = 0; 1; : : : ; n:
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;
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
2X
1
yj cos
b
ak = (y0 + yn cos (k )) +
n
n
k j
L
j=1
X
b m (x) = a0 +
b
ak cos
Q
2
k x
L
k=1
k = 0; 1; : : : ; m;
x 2 [ L; L] ;
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;
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
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
1; bk =
k x
L
2 nP1
yj sen
n j=1
503
k j
n
x 2 [ L; L] :
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
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
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;
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
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
E (b
c) = m n E (c) :
c2R
b
ct :
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
n
X
i=1
ri2 (a; b) =
n
X
(yi
f (xi ; a; b))2 :
i=1
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:
a
1+bx2
506
9.10.
1. Tom M. Apostol, Anlisis Matemtico, Segunda Edicin, Editorial Revert, Barcelona, 1982.
2. N. Bakhvalov, Metodos Numricos, Editorial Paraninfo, Madrid, 1980.
3. ke Bjrck, Numerical Methods for Least Squares Problems, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1996.
4. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
5. John P. Boyd, Chebyshev and Fourier Spectral Methods, Second Edition (Revised), Editorial Dover
Publications, Inc.,Mineola, 2001.
6. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
8. P. G. Ciarlet, Introduction L Analyse Numrique Matricielle et L Optimisation, Editorial
Masson, Pars, 1990.
9. S. D. Conte, Carl de Boor, Anlisis Numrico, Segunda Edicin, Editorial Mc Graw-Hill, Mxico,
1981.
10. B. P. Demidovich, I. A. Maron, E. Clculo Numrico Fundamental, Editorial Paraninfo, Madrid,
1977.
11. B. P. Demidovich, I. A. Maron, E. S. Schuwalowa, Mtodos Numricos de Anlisis, Editorial
Paraninfo, Madrid, 1980.
12. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconstrained Optimization
and Nonlinear Equations, Editorial Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, 1996.
13. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
14. John E. Freund, Ronald E. Walpole, 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.
16. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
17. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
18. Kenneth Homan, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
Mxico, 1987.
19. Franz E. Hohn, Algebra de Matrices, Editorial Trillas, Mxico, 1979.
20. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
21. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
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.
24. L. Lebart, A. Morineau, J.-P. Fnelon, Tratamiento Estadstico de Datos, Editorial Marcombo
Boixareu Editores, Barcelona, 1985.
25. Thomas M. Little, F. Jackson Hills, Mtodos Estdsticos para la Investigacin en la Agricultura,
Editorial Trillas, Mxico, 2002.
26. Shoichiro Nakamura, Mtodos Numrico Aplicados con Software, Editorial Prentice-Hall Hispanoamericana, S. A., Mxico, 1992.
27. Antonio Nieves, Federico C. Dominguez, Mtodos Numricos Aplicados a la Ingeniera, Tercera
Reimpresin, Compaa Editorial Continental, S. A. De C. V., Mxico, 1998.
28. Anthony Ralston, Introduccin al Anlisis Numrico, Editorial Limusa, Mxico, 1978.
29. Fazlollah Reza, Los Espacios Lineales en la Ingeniera, Editorial Revert, S. A., Barcelona, 1977.
30. Francis Scheid, Theory and Problems of Numerical Analysis, Schaums Outline Series, Editorial
McGraw-Hill, New York, 1968.
31. M. Sibony, J. Cl. Mardon, Analyse Numrique I, Sustmes Linaires et non Linaires, Editorial
Hermann, Pars, 1984.
32. J. Stoer, R. Bulirsch, Introduction to Numerical Analysis, Editorial Springer-Verlag, 1980.
33. Gilbert Strang, Algebra Lineal y sus Aplicaciones, editorial Fondo Educativo Interamericano,
Mxico, 1982.
34. V. Vovodine, Principes Numriques DAlgbre Linaire, Editions Mir, Mosc, 1976.
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.
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
j = 1; : : : ; n: Los puntos x1 ; : : : ; xn
nodos frontera.
1 ([a; b]) ;
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
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
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
Figura 91
Las funciones qm;j ;
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;
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:
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
512
1 ; xj [ ;
j = 1; : : : ; n;
j = 0; 1; : : : ; n:
1)
j x;
= f (xj
1) ;
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 ) :
= 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;
1)
1)
(x
xj
1) ;
x 2 [xj
x
xj
xj
x
f (xj ) +
xj
xj
xj
xj
1; f
f (xj
(xj
1) ;
1 ; xj ]
1 ))
j = 1; : : : ; n;
j = 1; : : : ; n:
x xj
;
xj 1 xj
pj;2 =
pj;1 (x)
0;
x
xj
xj
xj
1
1
8x 2 [xj
1 ; xj ] :
pj;1 (x)
0;
8x 2 [a; b] ;
8x 2 [xj
1 ; xj ] ;
j = 1; : : : ; n;
S (x)j
f (xj
1 )j ;
jf (x)
f (xj )jg :
513
Sup
jt1 t2 j
t1 ;t2 2[xj 1 ;xj ]
donde
1 ; xj ]
se dene por
jf (t1 )
f (t2 )j ;
> 0:
wf ( 2 ) para 0 <
2;
ii) wf ( ) ! 0:
!0
x2[xj
xj
1j :
1 ;xj ]
jf (x)
S (x)j
wf (jxj
xj
1 j) ;
j = 1; : : : ; n:
S (x)j
x2[a;b]
wf (h) :
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)
10.3.1.
SkL1 (a;b)
h
wf 0 (h) :
4
h2 0
f
8
L1 (a;b)
i = 0; : : : ; ng
S 0 (a)
f 0 (a) ;
j = 0; 1; : : : ; n;
514
2:
S 00 (a)
S 00 (b)
j = 0; 1; : : : ; n;
= 0:
j = 0; 1; : : : ; n;
f 00 (x)
dx =
f 00 (x)
S 00 (x)
dx +
S 00 (x)
dx:
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
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;
515
1:
xj ; j = 0; 1; : : : ; n
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:
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
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 ) ;
+ (cj
+ cj ) hj
1;
j = 1; : : : ; n;
1;
1:
516
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
10.3.2.
1 ; xj ] ;
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 ) :
+ hn
1 (cn 1
+ cn ) ;
y
bn
1
hn
(an
an
hn
3
1)
(2cn
+ cn ) ;
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) :
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
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 )
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:
10.3.3.
L1 (a;b)
;h =
SkL1 (a;b)
5
M h4 ;
384
Max hj :
j=0;1;:::;n
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
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
dj
aj+1 aj
hj
cj+1 cj
3hj
hj
(cj+1 + 2cj )
3
j = 0; 1; : : : ; n
j = 0; 1; : : : ; n
1;
1:
1 ; xj ] ;
j = 1; : : : ; n:
SkL1 (a;b)
C f (4)
L1 (a;b)
h4 ;
10.3.4.
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
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;
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:
j = 0; 1; : : : ; n;
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
j = 0; 1; : : : ; n:
xj ) + cj (x
xj )2 ;
j = 0; 1; : : : ; n
1;
1 ; yj ] ;
520
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 )2 = aj + bj (yj+1
xj ) + cj (yj+1
xj )2 :
xj ) ;
j = 0; 1; : : : ; n
1:
xj ) ;
j = 1; : : : ; n
2:
yj+1
yj+1
xj
;
xj+1
j = 0; 1; : : : ; n:
j = 1; : : : ; n
2:
Puesto que
xj+1 )2 = aj + cj (yj
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:
= 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 =
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
yj )2 = aj + bj (xj+1
yj ) + cj+1 (xj+1
yj ) + cj (xj+1
yj )2 ;
j = 0; 1; : : : ; n
2;
yj ) = bj + 2cj (xj+1
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) :
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
8j 2 Z:
Denicin 2 Sea
1; xj
j!+1
i) Bm;j (x) = 0 si x 2 R
[xj ; xj+m+1 [ ;
j 2 Z;
j! 1
xj
i = j; : : : ; j + m + 1;
522
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
+1
B0;j (x) dx = 1:
1
0; 8x 2 R; 8j 2 Z:
+1
P
j= 1
B0;j (x) = 1; 8x 2 R:
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
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:
v)
+1
P
j= 1
cj B1;j =
denidas por
+1
P
[cj v1;j + cj
j= 1
1 (1
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:
= 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
3 (x
3 (xj+3
524
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.
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;
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
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
(b) :
! !
AC = b ;
10.6. EJERCICIOS
525
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
10.7.
1. Richard H. Bartels, John C. Beatty, Brian A. Barsky, An Introduction to Splines for use in
Computer Graphics and Geometric Medeling, Editorial Morgan Kaufmann Publishers, Inc., San
Mateo, California, 1987.
526
2. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
3. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
4. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
5. Gerald Farin, Curves and Surfaces for CAGD, Fifth Edition, Editorial Morgan Kaufmann
Publishing, San Francisco, 2002.
6. James D. Foley, Andries van Dam, Steven K. Feiner, John F. Hughes, Computer Graphics, Principles
and Practice, Second Edition in C, Editorial Addison-Ewsley, Boston , 1997.
7. Curtis F. Gerald, Patrick O. Wheatley, Anlisis Numrico con Aplicaciones, Sexta Edicin, Editorial
Pearson Educacin de Mxico, Mxico, 2000.
8. Gnther Hammerlin, Karl-Heinz Homann, Numerical Mathematics, Editorial Springer-Verlag,
New York, 1991.
9. David Kincaid, Ward Cheney, Anlisis Numrico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
10. Melvin J. Maron, Robert J. Lpez, Anlisis Numrico, Tercera Edicin, Compaa Editorial
Continental, Mxico, 1995.
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.
13. J. Stoer, R. Bulirsch, Introduction to Numerical Analysis, Editorial Springer-Verlag, 1980.
14. Grace Wahba, Spline Models for Observational Data, Editorial Society for Industrial and Applied
Mathematics (SIAM); Philadelphia, 1990.
Captulo 11
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
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
f (t; y2 )j
L jy1
8t 2 [0; T ] :
t 2 ]0; T [ ;
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;
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
j = 0; 1; : : : ; n
y de este resultado
uj+1 = uj + hj+1 f (tj ; uj )
j = 0; 1; : : : ; n
1;
j = 0; 1; : : : ; n
1:
hacemos
= 0; obtenemos
uj+1 uj
= f (tj+1 ; uj+1 )
hj+1
j = 0; 1; : : : ; n
1;
j = 0; 1; : : : ; n
1;
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 :
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:
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
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
!
!
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:
t 2 [0; T ] ;
m no nula, !
g T (t) = (g1 (t) ; : : : ; gm (t))
j = 0; 1; : : : ; n
1;
m:
hj+1 [A (tj+1 ) !
u j+1 + !
g (tj+1 )] = !
uj
j = 0; 1; : : : ; n
1;
j = 0; 1; : : : ; n
1:
hj+1 A (tj+1 )) !
u j+1 = !
u j + hj+1 !
g (tj+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 [ ;
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
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 ]) :
Figura 95
Figura 96
Apliquemos el mtodo de integracin por partes al primer miembro de la igualdad precedente, tenemos
Z
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 =
535
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+ ;
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:
uh 2 Cd ([0; T ]) j uh=
]tj
1 ;tj
= cte
j = 1; : : : ; n
donde uh=
(t) =
1; : : : ;
ng
1; si t 2 ]tj 1 ; tj [ ;
0; si t 2 [0; T ] 8 ]tj 1 ; tj [ ;
1 ; tj [
y que en dicho
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
vh 2 C 1 ([0; T ]) j vh=
]tj
1 ;tj
2 P1 ;
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 ] :
Figura 98
Figura 99
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
= u0 vh (0) +
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
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 ;
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
R t1
0
1
dt =
h1
1; entonces
u1 = u0 +
t1
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
ti+1
ti
ti
1:
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
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
ti
ti
ti+1
ti
1;
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
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 +
i=1
n
P
i=1
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
(t) dt
n
X1
t; u0 '0 (t) +
ui
i=1
n
X
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
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
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
t1
t2
t1
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt:
1
1 + uj+1 =
2
1;
tj
f t; uj
tj
1 'j 1 (t)
tj+1
f t; uj
tj
1 'j 1 (t)
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
1
1
donde e
t0 = (t0 + t1 ) : Note que '0 e
t0 = :
2
2
h1
1
f e
t0 ; (u0 + u1 ) ;
2
2
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
tj
f t; uj
1 'j 1 (t)
f t; uj
1 'j 1 (t)
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
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
< u + u
f e
t1 ; (u1 + u2 ) ' (u0 + u1 ) + f e
t0 ; (u0 + u1 ) ;
0
2
2
2
2
2
2
2
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 ) :
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
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
11.4.
1 !
!
u j + hj b e
tj
2
!
1
+ hj+1 b e
tj
2
j = 1; : : : ; n
1:
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] ;
> 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 :
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)
(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.
El conjunto
L
y xj = jh; j = 0; 1; :::; n: Ponemos
n
(n) = fxj = jh j j = 0; 1; :::; ng :
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 )
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) :
T
1)
!
; b = (f (x1 ) ; :::; f (xn
T
1 ))
3
7
7
7
7
7
7
7
7
5
(1)
2
+ q (xi ) i = 1; :::; n 1;
h2
1
; i = 2; :::; n
ai 1i (h) = aii 1 (h) =
h2
aii (h) =
1:
(2)
11.4.1.
1:
!
Ah !
uh = b :
(*)
(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)
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
(n)
k=1
con
11.4.2.
0 8x 2 [0; L] :
donde
(2)
1;
L
n
y n 2 Z+ :
1 (h)
(1)
2
+ q (xi ) i = 1; :::; n 1;
h2
2
= ai 1;i (h) i = 2; :::; n
h2
1:
(3)
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
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 )]
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
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 =
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:
En consecuencia kf k1
L 2 kf k1;2 :
L 2 kf k1 :
Puesto que
kf k22 =
n
X1
hyi2 = h
i=1
n
X1
yi2
i=1
n
X1
i=1
L 2 kf k1 :
De i) y ii) se deduce
1
2
kf k2
L 2 kf k1;2
n
X1
hyi2
i=1
kf k1
L 2 kf k1;2
8f 2 V0 :
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:
u (x + h)
h; x; x + h 2 [0; L] :
2u (x) + u (x
h2
h)
+ q (x) u (x) ;
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:
k!
r h k1
kL uh
Luk1
L1 (0;L)
L1 (0;L)
;
:
1)
+ q (xi ) u (xi )
f (xi ) :
x 2 ]0; L[ ;
entonces
0=
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!
1)
= u (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
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
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:
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
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
1
h
2
k!
u k1;2 8!
u 2 Rn con !
u =
6 0
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
L k!
u k2 ; esto es, se tiene estabilidad con respecto de las
1;2
2
h!
u T Bh !
u = k!
u k1;2 ;
1 (h)
1 denida por
2
i = 1; :::; n 1;
h2
1
= bi 1i (h) i = 2; :::; n
h2
bii (h) =
bii
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 ;
k!
v k1;2
o bien
Ah 1 !
u
L k!
u k2 ;
L k!
u k2 :
1;2
1 )) ;
!
!
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:
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]
(***)
c0
12
1
2
k!
e h k2
k!
e h k1
1
2
k!
e h k1;2
ch2 ;
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
L
n;
(P.)
j = 1; :::; n
(P1 :)
1:
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
(P2 :)
w (x) =
x
b+ 1
L
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
En consecuencia
con g = f
u
e00 + qe
u = g sobre ]0; L[ ;
u
e (0) = u
e (L) = 0
qw:
qw:
q (xj )
xj
Lb
+ 1
e
(P:)
xj
L
a :
(Pn :)
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] ;
a
L
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
(P0 )
El resultado precedente muestra que debemos estudiar la ecuacin diferencial con las condiciones
de Neumann homogneas; eso es, consideramos el problema (P0 ) siguiente:
L
h
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] :
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
u0 (L)
1 ; L].
u0 (e
xn
1)
h
2
2
b
h
u (L)
u (xn
h
2
b
h
1)
u0 (e
xn
=
1)
2
( u (L) + u (xn
h2
1)
+ bh) :
1)
= u (L)
hu0 (L) +
h2 00
u (L)
2!
2
( u (L) + u (xn
h2
Denimos Lu =
1)
h3 000
u (
3!
n)
con
h 000
u (
3
2 [xn
1 ; L] ;
n) :
Se tiene
jLu (0)
L (0)j =
=
jLu (L)
L u (L)j =
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] :
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)
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)
1i (h)
aii
a11 (h)
ann (h)
1 (h) ;
i = 1; :::; n
a12 (h) ;
ann 1 (h) :
1;
aj
1j
(h)
ajj
1 (h)
11.4.4.
d
dx
k (x) du
dx (x) + q (x) u (x) = f (x) x 2 ]0; L[ ;
u (0) = 0; u (L) = 0;
(P)
>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
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
'
'
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 )
xi +
xi
hi+1
2
hi
2
xi +
xi
hi + hi+1
q (xi ) u (xi ) ;
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:
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
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;
+ bi ui + ci ui+1 = fi i = 1; :::; n
T
1) ,
hi
2
hi
1 (h)
!
v = (b1 ; :::; bn
i = 2; :::; n
hi
T
1)
(4)
k xi
ai i i (h) = aii
1:
con bi =
1;
hi + hi+1
f (xi ) :
2
1:
2; an
< 0:
(5)
bi > ai ci i = 2; :::; n
b1 > c1 ; bn 1 > ann
2
1:
k (x) du(x)
+ q (x) u (x) = f (x) x 2 ]0; L[ ;
dx
d
dx
(P)
u (0) = a; u (L) = b
x
Lb
(L x)
L a
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
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)
du
dx
. Tenemos
h1
2
h1
2
= g1 , suponemos que
h1
2
du
dx
1
h1
2
+ k (0)
du
(0) :
dx
1
1
(g1
2 u (0)) :
h1
2
'
u (x1 ) u (0)
;
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
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
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)
hn
2
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
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
(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
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:
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
561
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
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
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
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 ) '
2u (xj ) + u (xj
h2x
1)
j = 1; 2; 3; 4;
563
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
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
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
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:
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
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
2u1 + u0
+ u31 = f1 ;
h2
2
u1
h2
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:
F (!
u)
!
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
!
f
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
8!
u 2 Rn
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
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
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
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
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
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 =
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
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
3
7
7
7
7
5
3
7
7
7
7
5
L11 = 1;654672089;
0;25
u12 =
=
1;654672089
L21 =
0;25;
0;1510873373;
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
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
1. Tom M. Apostol, Calculus, Volumen 1, Segunda Edicin, Editorial Revert, Barcelona, 1977.
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
Mathematics (SIAM), Philadelphia, 1995.
3. N. Bakhvalov, Metodos Numricos, Editorial Paraninfo, Madrid, 1980.
4. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
5. Richard L. Burden, J. Douglas Faires, 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. M. Crouzeix, A. L. Mignot, Analyse Numrique des Equations Direntielles, Seconde Edition,
Editorial Masson, Pars, 1989.
9. Jean-Pierre Demailly, Analyse Numrique et Equations dierentielles, Presses Universitaires de
Grenoble, Grenoble, 1991.
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.
12.1.1.
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) :
2 R, x; y 2 R,
2 R,
2 R,
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
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,
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 ;
Igualdad: !
x =!
y , a = c y b = d;
!
!
Adicin: x + y = (a; b) + (c; d) = (a + c; b + d) :
2 R se tiene
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
n con valores en R es un
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
Adicin: A + B = (aij )m
+ (bij )m
A=
= (aij + bij )m
(aij )m
= ( aij )m
n:
n:
n [R]
n [R]
) A + B 2 Mm n [R] ; y
2 R; A 2 Mm n [R] ) A 2
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 .
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
2 R, f 2 F (A). Se dene
f 2 F (A) como
8x 2 A:
( f ) (x) =
578
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
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) :
Sean A
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
(n) si se verica
579
(m) [
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
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:
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] ;
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 ]
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]
I (f ) =
Inf Tn (f ) =
n2Z+
n2Z+
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
[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:
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;
581
Rb
a
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] :
iii. Conjunto C 1 ([a; b]) de funciones derivables con derivada continua en [a; b] :
12.1.2.
2 R, x 2 W ) x 2 W:
582
1 ; 0)
1g es un subespacio de Rn :
j xi 2 R, i = 1; :::; n
P (x) = a0 + a1 x + ::: + an xn =
n
X
ak xk ;
x 2 R; ai 2 R; i = 0; 1; :::; n:
k=0
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
n
P
n
P
ak xk ;
Q (x) =
k=0
k=0
(ak + bk
) xk
k=0
x 2 R.
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
583
i=1
Si A
W = L (x1 ; :::; xn ) =
( n
X
i=1
i xi j i
2 R, i = 1; :::; n
i = 1; :::; n:
n
P
i xi
i=1
= 0 )
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
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 ]
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:
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
12.2.
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)
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
x) + xk
ky
xk + kxk = kx
kx
yk
12.3.
kxk kyk
0; jtj
kx
a,
kxk
kx
xk :
y) + yk
kx
yk + kyk ; de
yk + kxk
yk que multiplicndola por
kyk j
a:
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
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 :
8!
x = (x1 ; :::; xn ) 2 Rn :
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
Max jxi + yi j
i=1;:::;n
=
Luego, kx + yk1
i=1;:::;n
i=1;:::;n
i=1;:::;n
kxk1 + kyk1 :
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:
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:
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
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
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;
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
0, f (x)
0. En particular, para x
0 = f (1)
1
=0o
xp
1 1
+ x:
q p
precedente, resulta
1
p
1 1
+ x
q p
1 si
con lo que
f (x) =
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
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
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:
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
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
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
2
7
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
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 :
k!
x k1 = Max jxi j
i=1;:::;n
i=1
jxi j
!1
= 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 :
!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
k!
x kp
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 :
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
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 :
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
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
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
jaij j
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; : : :
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
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 :
sup kA!
x k1
!
x
1
k k1
max
j=1;:::;n
m
X
i=1
jaij j :
592
m
P
j=1;:::;n i=1
m
P
jaij j
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
j=1;:::;n
n
X
i=1
jaij j = kA!
e k k1
sup kA!
x k1 = jkAkj1 :
x k1 1
k!
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
max
n
P
max
i=1;:::;m
n
X
j=1
jaij j :
i=1;:::;m
de donde
n
X
j=1
jakj j = kA!
x k1
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 :
!
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!
(!
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
!
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
jkAkj1 jkB !
x kj1
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.
m P
n
P
i=1 j=1
b) N (A) =
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 :
n [R].
12.3.3.
2 Mm
m P
n
P
i=1 j=1
!1
jaij j
; entonces k kp es
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:
595
jf (x)j + jg (x)j
8x 2 [a; b] : Resulta,
x2[a;b]
x2[a;b]
x2[a;b]
kf k1 + kgk1 :
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]) :
o lo que es lo mismo
Z
jf (x) g (x)j dx
jf (x)j dx
p
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];
kf kp + kgkp :
596
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
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]) :
b) M (u) =
c) R (u) =
12.4.
R 10
0
R 10
0
(ju (x)j +
ju0 (x)jp ) dx
1
p
para p 2 ]1; 1[ :
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;
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.
597
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.
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
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].
hx; y
hx; yi
8x; y; z 2 V;
8 2 R; 8x; y 2 V;
y; zi = hx; zi
zi = hx; yi
hy; zi
hx; zi
8x; y; z 2 V;
8x; y; z 2 V;
8x 2 V:
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
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
hf; gi =
f (x) g (x) +
1
df
dg
(x)
(x) dx
dx
dx
1
1
df
jf (x)j2 +
(x)
dx
!1
2
dx
1
1
8f; g 2 C( ):
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 =
8u; v 2 C 1 ([ 1; 1]) .
1
1
8f; g 2 C( ):
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 ( ):
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 =
1
4
yk
8x; y 2 V .
kx + yk2
kx
yk2
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
2 R, x 2 V . Entonces
1
k xk = (h x; xi) 2 =
As, k xk = j j kxk
hx; xi
1
2
8 2 R; 8x 2 V:
2 R. Luego, por la
kyk2 :
jhx; yij
kxk kyk
8x; y 2 V:
Luego,
kx + yk2 = kxk2 + 2 hx; yi + kyk2
kykj
kx
yk
601
yk2 = hx + y; x + yi + hx
y; x
yi
= 2 kxk2 + kyk2 :
2 hx; yi + hy; yi
yk = (hx
y; x
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)
12.4.1.
Ortogonalidad o perpendicularidad.
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
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:
8k = 1; 2; : : :
= 0
8j; k 2 Z con j 6= k:
dx =
L
sen
k
j x
L
sen
k x
L
L
L
=0
k = 1; 2; : : :
Como cos
L
L
= cos
; sen
k x
L
cos
l
k x
L
sen
k x
L
dx
8x 2 [ L; L] :
dx = 0
8j; k 2 Z con j 6= k:
sen a sen b;
se obtiene
sen a sen b =
y poniendo a =
j;
1
[cos (a
2
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
ki
603
= 0 k = 1; 2; : : : y 'j ;
= 0 j; k 2
xi
n
X
i=1
k xi k2 :
12.5.
1. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
2. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
3. Richard L. Burden, J. Douglas Faires, Anlisis Numrico, Sptima Edicin, International Thomson
Editores, S. A., Mxico,2002.
4. P. G. Ciarlet, Introduction lAnalyse Numrique Matricielle et lOptimisation, Editorial Masson,
Pars, 1990.
5. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
6. V. N. Faddeva, Mtodos de Clculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
7. Francis G. Florey, Fundamentos de Algebra Lineal y Aplicaciones, Editorial Prentice-Hall
Hispanoamericana, S. A., Mxico, 1980.
8. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., Mxico, 1982.
9. Noel Gastinel, Anlisis Numrico Lineal, Editorial Revert, S. A., Barcelona, 1975.
604
10. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
11. Kenneth Homan, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
Mxico, 1987.
12. Franz E. Hohn, Algebra de Matrices, Editorial Trillas, Mxico, 1979.
13. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambridge, 1999.
14. A. N. Kolmogrov, S. V. Fomn, Elementos de la Teora de Funciones y del Anlisis Funcional.
Editorial Mir, Mosc, 1972.
15. Peter Linz, Theoretical Numerical Analysis, Editorial Dover Publications, Inc., New York, 2001.
16. Anthony N. Michel, Charles J. Herget, Applied Algebra and Functional Analysis, Editorial Dover
Publications, Inc., New York, 1981.
17. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., Mxico, 1989.
18. Fazlollah Reza, Los Espacios Lineales en la Ingeniera, Editorial Revert, S. A., Barcelona, 1977.
19. Gilbert Strang, Algebra Lineal y sus Aplicaciones, Editorial Fondo Educativo Interamericano,
Mxico, 1982.
20. Arthur Wouk, A Course of Applied Functional Analysis, Editorial John Wiley&Sons, New York,
1979.