Limet Num

Mtodos
Numricos

Luis Carlos Torres Soler

Departamento de Ingeniera de Sistemas e Industrial
Facultad de Ingeniera
Universidad Nacional de Colombia
2010

Mtodos
Numricos


Matemtico
Maestra Ingeniera de Sistemas
Maestra Ciencias de la Educacin

Presentacin

No es el objeto de las presentes notas escribir un texto de Anlisis Numrico o Mtodos
Numricos dado que existe en el mercado muchos libros buenos sobre este tema y sus
aplicaciones; el objeto ha sido el de preparar un resumen para los estudiantes y, no creo que
pueda alcanzar mayor trascendencia que dichos textos. Sin embargo, es necesario preparar
cada clase que se dicta con el fin de no caer en el concepto de ser un docente que se sabe un
texto de memoria.

Cada uno de los estudiantes a travs de preguntas, tareas o comentarios enriquecen da a da
estas notas. Es por esto, que poco a poco se mejoran, hasta el punto de ser fuente primaria de
los estudiantes.

Se han adaptado estas notas como base para un curso semestral de Mtodos Numricos de
cualquier carrera de Ingeniera. A las notas, les falta mucho de teora, de ejemplos, de
conceptos, etc., y aun se entiende que tienen significativos errores que las hace ser basura
para algunos, mientras que para otros es algo muy til.

No se puede desfallecer en un intento, las notas poco a poco seguirn mejorndose, los
errores se irn corrigiendo, los conceptos se irn complementando, al igual que los ejemplos
sern cada vez mejores. Es la intencin, como trabajo acadmico continuado.

Contenido

Pag.
Introduccin 1
Teora de errores 3
Series de Taylor 15
Solucin de ecuaciones 21
Clculo de races 31
Diferenciacin 55
Integracin 59
Ecuaciones diferenciales 63
Bibliografa 71

Introduccin

Los mtodos numricos, una subrea de la investigacin de operaciones, de la matemtica,
y para aplicaciones ingenieriles, tienen por objeto ayudar a dar respuestas a problemas
mediante aproximaciones suficientemente exactas con un mnimo esfuerzo cuando no es
posible obtener una solucin por mtodos analticos. Algunos problemas pueden tener sus
respuestas por varios mtodos; existen variedad de ellos, algunos se explican en este texto
con ejercicios simples para lograr comprenderlos. Por ello, es importante, como prctica
acadmico y profesional comparar la eficiencia de diversos mtodos de aproximacin, ver
la eficiencia y eficacia de cada uno de ellos y proyectarlos a los problemas de la vida real.

En todas las labores para el desarrollo cientfico y tecnolgico se utiliza, hoy da, el
computador con un software especializado que es ajustado a la medida segn alguno de los
mtodos numricos; sin embargo, determinar el mejor software no es del todo sencillo, ya
que depende de los intereses y de los problemas y, por ello debe incluir varios mdulos que
permitan evaluar el comportamiento de una situacin por diferentes mtodos para asegurar
la convergencia total del proceso. Para algunos procesos de clculo intensivo, la velocidad
(mnimo tiempo) es la consideracin ms importante; en otros casos, la confiabilidad y
robustez son las caractersticas deseadas.

Teora de errores

En cada clculo que se realice, generalmente, se introducen errores que afectan
sustancialmente los resultados y por ende los procesos pertinentes. Los errores son de
diferente ndole y provienen de diversas fuentes y por distintos mtodos. Un estudio
somero de los errores es conveniente para buscar minimizar la incidencia negativa de ellos.

Ejemplo. 1 = 1/3+1/3+1/3 = .333333+.333333+.333333 = .999999

Es decir 1 = .999999 Qu error tan grande?

Los clculos hechos en computador o calculadora llevan a aproximaciones en ellos y, por
tanto, en los resultados, adems, como existen representaciones de cantidades con un
nmero infinito de dgitos no peridicos, en general slo se toman unos pocos.

Ejemplo.
4... 3.14159265 = 3.1416
2... 1.41421356 = 2 1.4142
8... 1.73205080 = 3 1.7321
8... 2.71828182 = e 2.7183

Desde luego, se estn cometiendo mnimos errores por haber tomado un mayor nmero
significativo de dgitos, por tanto las operaciones que se realicen con ellos van a ser
aproximadas.

Representacin del error

Los errores que se presentan al operacionalizar datos pueden ser:

* Error absoluto = valor verdadero - valor aproximado
x = valor verdadero => e
x
= x - x
-

* Error relativo = error absoluto / valor aproximado; e = e
x
/x
-

Mtodos Numricos
4
Magnitud del error

La magnitud del error absoluto se denota como valor absoluto: |e
x
|, mientras que la
magnitud del error relativo y se expresa como porcentaje: |e
x
/x
-
|

Ejemplo. x=0.0000012, x
-
=0.0000010

e
x
= x - x
-
= 0.0000012 - 0.0000010 = 0.0000002 = 2*10
-7

e
x
/x
-
= 2*10
-7
/ 1*10
-6
= 2*10
-1
= 0.2
|e
x
| = |2*10
-7
| = 2*10
-7
; |e
x
/x
-
| = | 0.2 | = 0.2 = 20%

Ejemplo. x=9999500; x
-
= 10000000
e
x
= 9999500 - 10000000 = -500
|e
x
| = |-500| = 500; |e
x
/x
-
| = |-500/1*10
6
| = |-5*10
-4
| = 5*10
-4
= 0.05%

Causas del error

Las causas del error son varias. Existen aquellas debidas a la conceptualizacin, toma de
datos a introducir en el proceso; las debidas a una operacin o un conjunto de operaciones
que se realizan en el proceso y las debidas a la interpretacin; pueden ser:

- La exactitud de los datos
1/3 =0.3333333 = 0.333 = 0.3; 1/7= 0.14285714.
Los datos experimentales no se pueden representar exactamente y se cometen
errores en mayor o menor grado de acuerdo al nmero de cifras decimales que se
consideran.

- Exactitud de los clculos: Toda operacin lleva a errores por la aproximacin que
se realiza a los datos.

- Naturaleza de la funcin que se calcula. Por la forma como debe calcularse una
funcin. Ejemplo: exponencial, logartmica, trigonomtrica, etc.

- Mtodos de clculo. Se introducen errores por el mtodo en s.

Tipos de error

1. Errores inherentes. Son debidos a los datos, por ser experimentales, por los
aparatos de medida existe la necesidad de aproximarlos.
Ejemplo: 1/3, 1/7, pi, e. No nos podemos deshacer de ellos.
Mtodos Numricos
5
2. Errores de truncamiento. Cuando una funcin f(x) es representada por una serie
infinita, se eliminan trminos de la serie.
sen(x) =x - x
3
/3! + x
5
/5! - x
7
/7! + ....
3. Errores de redondeo. Ocurren al representar una cifra por un nmero finito de
dgitos decimales, es decir, se debe a la eliminacin de cifras para tener una
aproximacin.
a. Simtrico
Ejemplo: 1.3674 ~ 1.367, 34.2109 ~ 34.211
b. Truncamiento
Ejemplo: 1.3674 ~ 1.367, 34.2109 ~ 34.210
Los efectos en los resultados usualmente son (pero no siempre) controlados al
adicionar un dgito.
4. Errores acumulados. Ocurren cuando ciertos procedimientos estn basados en la
repeticin de una secuencia de operaciones. Se obtiene Y
n+1
a partir de Y
n

La importancia del error acumulado depende de su rata de acumulacin. Si la rata
de acumulacin decrece haciendo que el error sea acotado, la secuencia de
operaciones se dice que es estable. Es inestable si la rata se incrementa.
5. Error estimado. Se presume de un error al desarrollar operaciones.

Normalizacin

La normalizacin decimal es la escritura de un nmero en notacin cientfica, cualquier
cantidad se escribe como:
x = Fx * 10
n

es el signo, Fx se llama mantisa y n exponente.

Ejemplo. Normalizar a 5 dgitos los siguientes nmeros
27,493 --> .27493 * 10
2

0,0032941 --> .32941 * 10
-2

1,82 --> .18200 * 10
,9341 --> .93410 * 10
0

La mantisa siempre es menor de 1, es decir, 0 <= Fx < 1
x = 133,485947 Qu se hace?
x = 0,133485967 * 10
3
no esta normalizado
x = 0,13348 * 10
3
+ 0,000005967 * 10
3

El nmero de ceros en el segundo operando es igual al nmero de dgitos de la mantisa.
x = 0,13348 * 10
3
+ 0,5967 * 10
-5

Mtodos Numricos
6
x = Fx*10
c
+ Gx*10
c-t
, t = nmero de cifras significativas en Fx.

Qu se hace con Gx?

Eliminando Gx, qu le sucede a x, en general?
Si hay que aproximar, cul es el valor aproximado de Fx?, cul el error que se introduce?

58,039 - 17,4 = 40,6 incierto
58,039 - 17,400 = 40,639

Redondeo simtrico

1. |Fx| - 10
c
si |Gx| < 0,5
|x
-
| =
2. |Fx| - 10
c
+ 1- 10
c-t
si |Gx| >= 0,5

El signo de x
-
es el mismo de Fx

1. x = Fx * 10
c
+ Gx * 10
c-t

|e
x
| = |Gx| * 10
c-t

|e
x
|
max
= |Gx|
max
* 10
c-t
0,5 * 10
c-t

2. x
-
= Fx * 10
c
+ 1 * 10
c-t

|e
x
| = |Gx-1| * 10
c-t
= 1 - Gx * 10
c-t

|e
x
|
max
= |1-Gx|
max
* 10
c-t
0,5 * 10
c-t

En conclusin, el error mximo del error absoluto es:
|e
x
|
max
= 0,5 * 10
-t

x= 25,329 t=5
x= 0,25327 * 10
2
c=2

| e
x
/ x
-
|
max
= | e
x

max
| / | x
-
max
| = |0,5*10
c-t
/0,1*10
c
| =
5*10
-t

x
-
min
= |Fx*10
c
|
min
= 0,1, luego Fx
min
= 0,1

Lo nico que hace mximo el error relativo es t.

El error relativo mximo en redondeo simtrico depende solamente del nmero de cifras
significativas en Fx, con las que se trabaje.
Mtodos Numricos
7

Por qu error max?

En muchos clculos no se conocen resultados intermedios, entonces no puede calcularse el
error, por eso se toma el error mximo.

Redondeo por truncamiento

El valor aproximado siempre es: Fx*10
c

Error relativo
e
x
= Gx * 10
c-t

|e
x
| = |Gx * 10
c-t
| |G
x
| * 10
c-t

|e
x
|
max
= |Gx|
max
* 10
c-t

El error en redondeo por truncamiento es el doble que el redondeo simtrico

| e
x
/ x
-
|
max
= | e
x

max
/ x
-
min
| = |1*10
c-t
/0,1*10
c
| = 10*10
-t

En conclusin no se usa este redondeo.

Propagacin del error

Los procesos computacionales estn basados en procedimientos secuenciales que realizan
una serie finita de pasos para realizar un conjunto de operaciones determinadas. Muchas de
las operaciones o pasos se repiten en un ciclo, lgicamente finito, lo que hace que cada vez
propague los errores en los diferentes pasos.

Supongamos que e
n
representa la magnitud de un error cometido despus de n operaciones
subsecuentes. Si e
n
=c
n
e
0
, donde c es una constante independiente de n, se dice que el
crecimiento del error es lineal. Si e
n
=c
n
e
0
, para c>1, el crecimiento del error es exponencial.

El crecimiento del error lineal, generalmente, es inevitable y, cuando c y e
0
son pequeos,
los resultados suelen ser aceptables. Pero muchas veces, por ms pequeo que sea el error,
puede traer resultados del todo no satisfactorios: desviacin segn lo esperado, clculos
alterados, valores que con el tiempo muestran problemas en el comportamiento de la
situacin analizada.

Series de Taylor

Sea f(x) una funcin continua
1
y con derivadas de todo orden en x=x
0
, entonces f(x) puede
ser representada por una serie de potencias en el punto x=x
0
, como:
. )
x
- (x
c
= . + )
x
- (x
c
...+ + )
x
- (x
c
+ )
x
- (x
c
+
c
= f(x)
0
j
j
j=0
n
0 n
2
0 2 0 1 0

Las derivadas de f(x) se obtienen al diferenciar la serie trmino a trmino
... + )
x
- (x
nc
...+ + )
x
- (x
c
3 + )
x
- (x
c
2 +
c
= (x) f
1 - n
0 n
2
0 3 0 2 1
(1)

... + )
x
- (x
c
1) - n(n ...+ + )
x
- (x
c
12 + )
x
- (x
c
6 +
c
2 = (x) f
2 - n
0 n
2
0 4 0 3 2
(2)

......
... + )
x
- (x
c
2
2)! + (m
+ ) x - (x
c
1)! + (m +
C
m! = (x) f
2
0 2 m+ 1 m+ m
(m)
0

... + )
x
- (x
c
m)! - (n
1) + m - 2)...(n - 1)(n - n(n
+
m - n
0 n

Es decir:
)
x
- (x
c
m)! - (i
1) + m - 2)...(i - 1)(i - i(i
= (x) f
m - i
0 i
m = i
(m)

Al reemplazar x = x
0
en ambos lados de la serie, se tiene:
f(x
0
) = c
0
o c
0
= f(x
0
)
f
(1)
(x
0
) = c
1
o c
1
= f
(1)
(x
0
)
f
(2)
(x
0
) = 2c
2
o c
2
= f
(2)
(x
0
)/2
f
(3)
(x
0
) = 3!c
3
o c
3
= f
(3)
(x
0
)/3!
..............
f
(m)
(x
0
) = m!c
m
o c
m
= f
(m)
(x
0
) / m!

Lo cual significa que:
... +
3!
)
x
- )(x
x
( f
+
2
)
x
- )(x
x
( f
+ )
x
- )(x
x
( f + )
x
f( = f(x)
3
0 0
3
2
0 0
2
0 0
1
0

Es decir:

1
Una funcin f definida en un conjunto X de R, y x
0
en X, entonces f es continua en x
0
si lim
x->x0

f(x)=f(x
0
), f es continua en el conjunto X si lo es en cada punto de X.
Mtodos Numricos
10
R
+ ] )
x
- (x
j!
)
x
( f
[ = )
x
- (x
j!
)
x
( f
= f(x)
m 0
j 0
(j) m
j=0
0
j 0
(j)
j=0

Con f
(0)
(x
0
)=f(x
0
), 0!=1, f
(n)
(x
0
)= d
n
f/dx
n
\x=x
0

Ejemplo. Expandir f(x)= ln(x) por medio de series de Taylor en x
0
=1, y obtener ln(1.1) en 4
decimales con error menor a 0.00005
x
1)! - (n ) (-1 = f ...; ;
x
2
= f ;
x
1
- = f ;
x
1
= f
n -
1 - n (n)
3
(3)
2
(2) (1)

as,
) 1 - (x
j
) (-1
= )
x
- (x
j!
)
x
( f
= (x)
j
1 - j
j=1
j
0
0
(j)
j=0

ln
Al considerar |R
m
| < |(x-1)
m
/m|, se tendra |R
m
|< |(1.1-1)
m
/m| = .1
m
/m

si m=3, se tiene .1
3
/3 = 0.00033>0.00005
si m=4, se tiene .1
4
/4 = 0.000025 < 0.00005,
Por tanto se tiene: ln(1.1)= .1 + (-1)
1
/2(1.1-1)
2
+(-1)
2
/3(1.1-1)
3
= .09533

Ejemplo. Calcular 1.1 en 4 decimales con un error menor a .00005 expandiendo
x = f(x) por medio de las series de Taylor en x
0
=1.
x
16
15
- = f ;
x
8
3
= f ;
x
4
1
- = f ;
x 2
1
= f
7/2 -
(4)
5/2 -
(3)
3/2 -
(2) (1)

as: 2 m ; ) (-1
x
2
3) - (2j
= (x) f
1 - m
2
1 - 2m
-
m
m
2 = j (m)

Con
m!
) (-1
x
2
3) - (2j
=
R
1 - m
2
1 - 2m
-
m
m
2 j=
m

= + + + = ...
) 1 ( 16
15
) 1 ( 8
3
) 1 ( 4
1
1 .
1 2
1
1 1 . 1
2 / 7 2 / 5 2 / 3

Ejemplo. Calcular e
.01
con cuatro decimales y un error menor a .00005 expandiendo
e
= f(x)
x
por medio de la serie de Taylor en x
0
=0.
e
= f ;
e
= f ;
e
= f ;
e
= f
x
(n)
x (3) x
(2)
x
(1)

as:
Mtodos Numricos
11
... +
5!
) (.01
+
24
) (.01
+
6
) (.01
+
2
) (.01
+ .01 + 1 = f(.01)
5 4 3 2

Al tener:
m
) (.01
=
R
m
m

Si m = 3, Rm = .0000001666. Si m = 2, Rm = .00005. Slo se tiene que calcular hasta la
potencia 2.
1.01005 = .00005 + .01 + 1 =
2
) (.01
+ .01 + 1 = f(.01)
2

El algoritmo
2
general en el desarrollo de las series de Taylor sera:

AlgST( )
Lea x, x
0
, error, maxiter
n = 1, suma = 0
determine R
n

MQ n< maxiter o R
n
> error
calcular R
n

suma = suma+R
n

n = n + 1
FMQ
FAlgST( )

La precisin que puede emplearse utilizando el computador o la capacidad de ste
determinar si la salida es el clculo de la funcin o un mensaje de fracaso.
En la serie de Taylor al hacer x
0
=0, se tiene: .
x
j!
(0) f
= f(x)
j
(j)
j=0

y se llama Serie de Maclaurin

Dada una funcin f(x), continua con derivada de todos los ordenes, en un punto x=x
0
, se
evala en un punto cercano x
0
, empleando la serie de Taylor, siempre y cuando la serie sea
convergente en x=x
0

Proposicin. Dada una serie S
k
, con =|S
k+1
/ S
k
|, la serie S
k
es convergente si <1
(criterio del cociente)

2
Los algoritmos se describen por medio de un seudocdigo. Las instrucciones de los algoritmos
siguen las reglas de la construccin de programas estructurados, y se escriben de tal forma que
reduzcan al mnimo la dificultad de traducirlo a un lenguaje de programacin. MQ significar
"mientras que", teniendo como final FMQ. HQ significar, "hasta que", con final FHQ. La
instruccin condicional IF-THEN-ELSE, est determinada por condicin? SI xx NO yy.
Mtodos Numricos
12

Teorema 1. Una serie es absolutamente convergente, si converge la serie formada con los
valores absolutos de sus trminos.

Teorema 2. Una serie alterna es convergente si cumple:
a. La serie es estrictamente alterna
b. El termino n-simo tiende a 0, cuando n tiende a inf
c. Cada termino es en valor absoluto menor que el termino anterior: |S
k+1
| < |S
k
|

Teorema 3. Dada una serie de potencias, definida como a
n
x
n

a. Si la serie converge para x = c, entonces la serie converge para todo x < |c|
b. Si la serie diverge para x > d, entonces la serie diverge para todo x > |d|.

Frecuentemente la serie de Taylor se simplifica definiendo x = x
0
+ x
1
; permitiendo escribir
la serie como:
j
j!
) (x f
= ) x +
x
f( x
0
(j)
j=0
0
1
1

Si en esta formula se hace x
0
= x
i
y x
1
=kh, se tiene:
) (kh
j!
) (x f
= kh) +
x
f(
j i
(j)
0 = j
i

Si k = 1 se tiene:
h
n!
)
x
( f
...+ +
h
2
)
x
( f
+ )h
x
( f + )
x
f( = h) +
x
f(
n i
(n)
2 i
(2)
i
(1)
i i
(1)
Similarmente, si k = -1:
h
n!
)
x
( f
) (-1 ...+ -
h
2
)
x
( f
+ )h
x
( f - )
x
f( = h) -
x
f(
n i
(n)
n
2 i
(2)
i
(1)
i i
(2)
Al considerar la notacin f(x
i
) = f
i
, x
i
+ h = x
i+1
, podemos escribir (1) como:
f
n!
h
...+ + f
2!
h
+ hf + f = f
i
(n)
n
i
(2)
2
(1)
i i 1 + i

En general, si x
i+k
= x
i
+ kh, f(x
i + kh
) = f
i+k

+ (kh)
n!
f
...+ + (kh)
2!
f
+ (kh) f + f = kh) +
x
f( = f
n
i
(n)
2
i
(2)
i
(1)
i
i
k + i

Variando en incrementos de +h, -h, +2h, -2h; se tiene:
f
n!
h
...+ + f
2!
h
+ f h + f = f
i
(n)
n
i
(2)
2
i
(1)
i 1 + i

f
n!
) (-h
...+ - f
2!
h
+ f h - f = f
i
(n)
n
i
(2)
2
i
(1)
i 1 - i

Mtodos Numricos
13
f
n!
) (2h
...+ + f
2!
) (2h
+ f 2h + f = f
i
(n)
n
i
(2)
2
i
(1)
i 2 + i

f
n!
) (-2h
...+ - f
2!
) (2h
+ f 2h - f = f
i
(n)
n
i
(2)
2
i
(1)
i 2 - i

A partir de la serie de Taylor, una aproximacin de una funcin a primer orden sera:
]
x
-
x
)[
x
( f + )
x
f( = )
x
f(
i 1 + i i
(1)
i 1 + i

Esta expresin representa una lnea recta. Una aproximacin de una funcin a segundo
orden es: ]
x
-
x
[
2!
)
x
( f
+ ]
x
-
x
)[
x
( f + )
x
f( = )
x
f(
2
i 1 + i
i
(2)
i 1 + i i
(1)
i 1 + i

De manera similar agregando trminos para desarrollar la expansin completa de la serie de
Taylor:
R
+ ]
x
-
x
[
n!
)
x
( f
...+ + ]
x
-
x
[
2!
)
x
( f
+ ]
x
-
x
)[
x
( f + )
x
f( = )
x
f(
n
n
i 1 + i
i
(n)
2
i 1 + i
i
(2)
i 1 + i i
(1)
i 1 + i

La serie anterior es infinita, el trmino residual sera: ] x -
x
[
1)! + (n
(o) f
=
R
1 + n
i 1 + i
1) + (n
n

siendo o un valor cualquiera x que se halla entre x
i
y x
i+1
.

Ejemplo. Sea 2 + x +
x
= f(x)
2
, calcular f(1.05) con un error de e=0.00005.
Hacemos x
i
=1 y h=.05
... +
4!
) (1)(.05 f
+
3!
) (1)(.05 f
+
2!
) (1)(.05 f
+
1!
(1)(.05) f
+ f(1) = f(1.05)
4
4)
( 3 (3) 2 (2) (1)

Tenindose las derivadas:
) 2 + x +
x
2(
7
= (x) f ;
2 + x +
x
2
1 + 2x
= (x) f
3/2
2
(2)
2
(1)

As que:
... +
24
) (1)(.05 f
+
6
) (1)(.05 f
+
) 4(4
) 7(.05
+ 3/4(.05) + f(1) = f(1.05)
4
4)
( 3 (3)
3/2
2

Ejemplo. Sea 3 +
x
= f(x)
2
, calcular f(1.01) con un error de e=0.00005.
Hacemos x
i
=1 y h=.01
... +
4!
) (1)(.01 f
+
3!
) (1)(.01 f
+
2!
) (1)(.01 f
+
1!
(1)(.01) f
+ f(1) = f(1.01)
4
4)
( 3 (3) 2 (2) (1)

Tenindose las derivadas:
= (x) f ;
) 3 +
x
(
3
= (x) f ;
3 +
x
x
= (x) f
(3)
3/2
2
(2)
2
(1)

Mtodos Numricos
14
As que:
... +
24
) (1)(.01 f
+
6
) (1)(.01 f
+
) (4
) 3(.01
+ 1/2(.01) + f(1) = f(1.01)
4
4)
( 3 (3)
3/2
2

El desarrollo de las series de Taylor de una funcin de dos dimensiones f(x, y) alrededor de
(x
o
,y
o
) est dada por:
+ ] f g + f g 3h + f g h 3 + f h [
6
1
+ ] f g + hgf 2 + f h [
2
1
+ gf + f h + ) y , f(x = g) + y h, + f(x
y
3
y x
2
y x
2
x
3
yy
2
xy xx
2
y x
3 2 2 3
0 0

... + ] f g + f g 4h + f g
h
6 + f g
h
4 + f
h
[
24
1
+
y
4
y x
3
y x
2
2
y x
3
x
4
4 3 2 2 3 4
Donde h=x-x
0
, g=y-y
0
, y
/
y
y) f(x,
= f
/
x
y) f(x,
= f
y y= , x = x
y
y y= , x = x
x
0 0 0 0

Las notaciones anlogas tales como f , f , f
y x x y x
4 3 2
, son las derivadas parciales de f en x
= x
0
y y = y
0
; cada x o y en los subndices indica una diferenciacin parcial con respecto de
x o y respectivamente.

Ejemplo. Sea xy + y +
x
= y) f(x,
2
2
, calcular f(1.05, 1.01) con un error de e=0.00005.
... + ))
3
1 + 2
(
2
1
.01( + ))
1 + 1 + 1
1 + 2
(
2
1
.05( + f(1,1) = .01) + .05,1 + f(1

Solucin de ecuaciones

En la vida prctica, sobre todo para el ingeniero del siglo XXI, al plantear modelos para
representar situaciones de la realidad y solucionar problemas que all existen, muchas veces
se llega a que el modelo es un sistema de ecuaciones: lineales o no lineales. La necesidad
de solucionar dicho sistema de una forma fcil llev a estudiosos a formular varios
mtodos, los mtodos ms utilizados que existen para lograr la solucin de un sistema de
ecuaciones son: de Gauss, de Gauss-Jordn, de Gauss-Seidel, , de Jacobi, de
Descomposicin LU, ...

Gauss

Sea el sistema de ecuaciones: A X = B, donde A es una matriz nxn. El mtodo de Gauss
consiste en formar una matriz triangular superior en que la diagonal de la matriz 1, y
existen 0 en las filas que siguen en la columna, para ello se emplean las siguientes
operaciones:
1. Multiplicar la fila i por una constante
i i
kf f
2. A una fila agregarle otra fila
k j j
sf f f +

Los elementos de la diagonal, los a
ii
, se llama pivote y, consecuentemente las filas y las
columnas respectivas se llaman fila pivote y columna pivote. Entonces para colocar un en
cualquier a
ii
, simplemente se realiza:
ii
i
i
a
f
f .
Para colocar 0 en las filas k (>i), se realiza:
i ki k k
f a f f
El proceso inicia por a
11
.

El mtodo de Gauss - Jordan es una extensin del mtodo de Gauss llevando la matriz a
que sea unitaria. En pocas palabras, toda la diagonal en 1 y los dems elementos en 0.
Mtodos Numricos
16

Jacobi

Sea el sistema de ecuaciones: A X = B, donde A es una matriz nxn.

Al tener los coeficientes de la diagonal totalmente diferentes de cero (si es posible se
reordenan las ecuaciones para tener esto), la primera ecuacin se puede resolver para x
1
, la
segunda para x
2
, etctera, lo que lleva a tener:
a
x a
- ... -
x a
-
x a
-
b
=
x
11
n 1n 3 13 2 12 1
1

a
x a
- ... -
x a
-
x a
-
b
=
x
22
n 1n 3 13 1 11 2
2

a
x a
- ... -
x
a -
x a
-
x a
-
b
=
x
33
n 1n 4 14 2 12 1 11 3
3

y as sucesivamente hasta hallar x
n
,
a
x a
- ... -
x a
-
x a
-
b
=
x
nn
1 - n 1 - 1n 2 12 1 11 n
n

El proceso de solucin por el mtodo de Jacobi es: dar valores iniciales (puede ser de cero)
a las x
i
, iteracin 0, y calcular cada nuevo valor de x
1
, x
2
, x
3
,...,x
n
, iteracin i.

El proceso se repite en la iteracin j con los valores calculados en la iteracin j-1, para
nuevas x
1
, x
2
, x
3
,...,x
n
, hasta que la solucin converja.

Es decir:
a
b
+ )
X
(-a
=
X
jj
j
1 - i
k jk
n
1 = k j <> k
(i)
j

Esta convergencia se puede verificar usando el criterio de: e |<
x
x
-
x
|
k
i
1 - k
i
k
i
, con i=1,2,,n;
en la iteracin k y donde e es el error previsto.

1 ... 0 0
. ... . .
0 ... 1 0
0 ... 0 1
...
. ... . .
...
...
2 1
2 22 21
1 12 11
= = B
a a a
a a a
a a a
A
nn n n
n
n
Mtodos Numricos
17
Una condicin necesaria, pero no suficiente, para la convergencia, es que los coeficientes
de la diagonal de cada una de las ecuaciones sea mayor que la suma de los otros
coeficientes de la ecuacin, es decir:
n 1,2,..., = j \ |
a
| |>
a
|
ij
n
j <> i =1, i
ii

Algunos sistemas lineales de ecuaciones pueden tener solucin utilizando este mtodo de
Jacobi sin que se cumpla la condicin, pero otros no. La condicin hace que siempre se
halle la solucin.

Cuando se tiene la condicin, se dice que el sistema es de diagonal dominante.

Gauss-Seidel

El mtodo de Gauss - Seidel es un mtodo iterativo muy usado cuando se tiene un sistema
de ecuaciones n*n, con coeficientes en la diagonal totalmente diferentes de cero.

En Jacobi se calculan todos los valores para una nueva iteracin. El mtodo de Gauss-
Seidel sugiere considerar de una vez los valores que se van calculando.
Es decir:
a
b
+ )
X a
(- + ) X
a
(-
=
X
jj
j
1 - i
k jk
n
1 + j = k
i
k jk
1 - j
=1 k
(i)
j

Factorizacin triangular

Sea el sistema de ecuaciones: A X = B, donde A es una matriz nxn. Si es posible que A =
L U, donde L es una matriz triangular inferior y U es una matriz triangular superior,
entonces A se dice es factorizable triangularmente.

U se obtiene al aplicar parte del mtodo de Gauss, colocar slo 0 debajo de la diagonal. Por
ejemplo:
Mtodos Numricos
18

Entonces siguiendo las operaciones, su transformacin sera:

La matriz L es simplemente el proceso de formacin de una matriz triangular inferior al
transformar la matriz original.

Para el caso se realizaron las siguientes operaciones: f
2
f
2
f
1
/2, f
3
f
3
+ f
1
/2 y f
3
f
3

5f
2
/7.
Cada nuevo U
ki
obtenido (implicitamente) al calcular U, se se coloca en su respectiva
posicin en una matriz L cuyos elementos de la diagonal sean 1.

Puede probarse que L U = A.
Si AX = b, se escribe L U X = b, haciendo el reemplazo U X = Y, entonces L Y =
b. Se calculan los Y y, luego se resuelve U X = Y para hallar los valores de X

Ejemplo:
3 2 1
1 4 1
3 1 2
= A
7
44
0 0
2
5
2
7
0
3 1 2
2
9
2
5
0
2
5
2
7
0
3 1 2
A
1
7
5
2
1
0 1
2
1
0 0 1
= L
Mtodos Numricos
19
Luego al buscar si es factorizable triangular se puede obtener:
Si se mira despacio en los pasos realizados las operaciones de Gauss, se tiene que estas
fueron:
Luego siguiendo estas operaciones se tiene que la matriz L sera:
Ahora slo queda probar que LU = A.

Descomposicin LU

La factorizacin de Cholesky tambin llamada Descomposicin LU, es una tcnica
particularmente eficiente en la solucin de algunos problemas.

Sea una matriz simtrica A, por tanto cuadrada n*n, bajo ciertas condiciones, existe una
matriz triangular superior U, tal que U
T
*U = A,
3 1 2 1
2 4 3 2
1 3 2 1
4 1 1 2
= A
5
8
0 0 0
5
6
3 0 0
3
2
5
2
5
0
4 1 1 2
4 4 0 0
5
22
3 0 0
3
2
5
2
5
0
4 1 1 2
1
2
3
2
5
0
2 5 2 0
3
2
5
2
5
0
4 1 1 2
U
3 4 4
2 4 4
2 3 3
1 4
3 3
1 2 2
3
4
5
4
2
1
4
1
2
1
f f f
f f f
f f f
f f f
f f f
f f f

+

+
1
3
4
1
2
1
0 1
5
4
1
0 0 1
2
1
0 0 0 1
= L
Mtodos Numricos
20

Por tanto A, debe poderse escribir como la multiplicacin de dos matrices, U
T
y U.

Como U es triangular superior, se sabe que u
ij
=0, para i>j.

El clculo puede hacerse por filas, es decir, primero se obtienen los elementos de la primera
fila de U, enseguida los de la segunda, etctera. Conocidos los elementos de la fila 1,2,...,k-
1, puede hallarse los elementos de la fila k.
a
=
u
decir, es ,
u
=
u
)
u
( =
a 11 11
2
11 11
T
11 11

u
a
=
u
decir, es ,
u
)
u
( =
a
11
12
12 12
T
11 12

u
a
=
u
decir, es ,
u
)
u
( =
a
11
13
13 13
T
11 13

u
a
=
u
decir, es ,
u
)
u
( =
a
11
1n
1n 1n
T
11 1n

Al multiplicar la segunda fila de U
T
por las columnas de U, se tiene:
u
-
a
=
u
decir, es ,
u
+
u
=
a
2
12 22 22
2
22
2
12 22

u
u u
-
a
=
u
decir, es ,
u u
+
u u
=
a
22
13 12 23
23 23 22 13 12 23

u
u u
-
a
=
u
decir, es ,
u u
+
u u
=
a
22
1n 12 2n
2n 2n 22 1n 12 2n

Al multiplicar la fila k de U
T
por la columna k de U se tiene:
(
(
(
(
=
nn n n
n
n
a a a
a a a
a a a
A
...
. ... . .
...
...
2 1
2 22 12
1 12 11
(
(
(
(
=
nn
n
n
u
u u
u u u
U
... 0 0
. ... . .
... 0
...
2 22
1 12 11
Mtodos Numricos
21
u u u
= U )
U
( =
U
)
U
( =
a
2
ik
n
1 + k i=
2
ik
k
1 i=
2
ik
n
1 i=
k
T
k k
k
T
kk
+ =

u u
k
i
i
u
=
2
kk
2
ik
2
ik
k
=1 i
+ U = 0 +
1
1

Lo nico desconocido es u
kk
, por tanto:
n 1,2,..., = k u -
a
=
u
ik
1 - k
=1 i
kk kk
2

Para que u
kk
sea real, se requiere 0
u
-
a
2
ik
1 - k
=1 i
kk

, como U es invertible, su determinante

se halla como producto de las diagonales, luego u
kk
<> 0

Al multiplicar la fila k de la matriz U
T
por la columna j de la matriz U, con k < j, se tiene:
u u
+
u u
=
u u
= u )
u
( =
u
)
u
( =
a ij ik
n
1 + k i=
ij ik
k
1 i=
ij ik
n
1 i=
j
T
k j
k
T
kj
u u
+
u u
= 0 +
u u
=
kj kk ij ik
k
i
ij ik
k
1 i=

=
1
1

Como no se conoce u
kj
, entonces
2,...n + k 1, + k = j ]
u u
-
a
[
u
1
=
u ij ik
1 - k
=1 i
kj
kk
kj

NOTA. Si siempre puede hallarse u
kk
, puede obtenerse U.
_ _
12 1 0 1 -
1 1 1 1
0 1 5 2 -
1 - 1 2 - 4
= [A]
Ejemplo. Sea la matriz:
[-1]
2
1
=
U
,
2
1
= [1]
2
1
=
U
, 1 - = [-2]
2
1
=
U
, 2 = 4 =
U 14 13 12 11

Como es simtrica es posible que exista U, tal que U
T
U=A,
Mtodos Numricos
22
La matriz U hasta ahora es: _ _
u
0 0 0
u u
0 0
u
u
u
0
2
1
-
2
1 1 - 2
= [U]
44
34 33
24 23 22

4
3
= ]
u u
- [1
2
1
=
U
, ]
1 -
[ - 5 =
u
- 5 =
U
3 i 2 i
1
=1 i
23
2 2
i2
1
=1 i
22

4
1
= ]]
2
1
[-1][- - [0
2
1
=
U24

La matriz U ahora es: _ _
u
0 0 0
u u
0 0
4
1
-
4
3 2 0
2
1
-
2
1 1 - 2
= [U]
44
34 33

3
2
=
U
y
3 4
23
=
U
,
4
3
= ] ]
4
3
[ + ]
2
1
[[ - 1 =
u
-
a
=
U 44 34
2 2
2
i3
2
=1 i
33 33

La matriz U por lo tanto es:
_ _
3
2
0 0 0
3 4
23
4
3
0 0
4
1
-
4
3 2 0
2
1
-
2
1 1 - 2
= [U]
Se puede probar que U
T
U=A.

Mtodos Numricos
23
Ejemplo. Sea la matriz: _ _
12 5 3 - 3
5 9 7 - 6
3 - 7 - 17 12 -
3 6 12 - 9
= [A]

1 =
u
, 2 = u , 4 - =
u
, 3 =
u 14 13 12 11

1 =
u
, 1 =
u
, 1 =
u 24 23 22

3 =
u
, 1 =
u
, 2 =
u 44 34 33

La matriz U por tanto es: _ _
3 0 0 0
1 2 0 0
1 1 1 0
1 2 4 - 3
= [U]

Ejercicio. Sean las siguientes matrices:
_ _ _ _ _ _
12 3 0 2 -
3 9 1 2
0 1 2 2 -
2 - 0 2 - 4
= C
7 0 3 1
0 6 0 2
3 0 5 1
1 2 1 1
= B
6 1 2 1
1 3 1 - 1 -
2 1 - 5 2
1 1 - 2 1
= A

Si es posible halle la factorizacin de Cholesky correspondiente.

En una gran mayora para plantear el comportamiento de un sistema se utiliza sistema de
ecuaciones; para la solucin de tales sistemas de ecuaciones existen variados mtodos, el
ms conocido es el de Gauss-Jordan, pero este requiere realizar un gran nmero de
operaciones y, por tanto, gasta mucho espacio en disco y tiempo de procesamiento. En caso
de que la matriz sea simtrica se utiliza la factorizacin de Cholesky.

Dado el sistema de ecuaciones A*X = B. Si A es simtrica existe U, tal que U
T
U=A; y as
puede escribirse el sistema de ecuaciones como U
T
*U*X = B. Haciendo U*X = Y, se tiene,
U
T
*Y= B; que es un sistema de ecuaciones fcil de resolver dado que U
T
es una matriz
triangular inferior. Una vez resuelto, se halla la solucin de UX=Y, tambin fcil de
solucionar, dado que U es triangular superior.

Mtodos Numricos
24
Ejercicio. Considere los sistemas de ecuaciones:
.15 = 4z + x
.05 = 2y + x -
.05 = z + y - x
,
.9 = 4w + 2z + y - x
1.7 = 2w + 6z + 3y + x
1.2 = w - 3z + 5y + x
.6 = w + z + y + x
,
2 = 4w + z - y + 2x -
3 = w - 3z + 2y + x -
8 = w + 2z + 4y + x
1 = 2w - z - y + 3x

Hallar las soluciones (si existen) utilizando la descomposicin LU.

Clculo de Races

Se entiende aqu, que dada una funcin f(x), si existe un valor x
*
en el cual f(x
*
)=0, a x
*
se
le llama una raz.

Para el clculo de races se emplean los siguientes teoremas:

Teorema. Si f(x) es una funcin real continua en [a,b] y si para los valores x
1
, x
2
en este
intervalo; f(x
1
), f(x
2
) tienen signos opuestos entonces hay al menos una raz real de f(x) en
[x
1
,x
2
] de [a,b].

Teorema. Todo polinomio de grado n tiene exactamente n races en el plano complejo.
Teorema. Todo polinomio de grado impar tiene por lo menos una raz real.

Existen varios mtodos, unos ms eficientes que otros, e igualmente unos ms fciles de
emplear que otros. Se tienen entre otros los siguientes: de Biseccin o de Bolzano, de
interpolacin lineal, de aproximaciones sucesivas, de punto fijo, de Newton-Raphson,...

Mtodo de Biseccin o de Bolzano

El mtodo de biseccin se basa en el teorema de valor intermedio. Supongamos que f es
una funcin continua en el intervalo [a, b] con f(a)f(b)<0, existe, por tanto, un valor x
*
en
(a, b) tal que f(x
*
) = 0
3
.

Este mtodo emplea la bsqueda incremental, divide siempre en dos el intervalo conocido
[a, b], (dado o calculado) con la condicin que f(a) f(b) < 0

Proceso
1. Se da una aproximacin x
c
= (a+b) / 2
2. Se calcula f(x
c
) y se compara en valor absoluto con el error preestablecido, si es
menor o igual que ste, se termina el proceso, indicando a x
c
como una raz

3
Puede llegar a existir ms de un punto que cumple con la condicin; es importante determinar el
mejor intervalo en el cual exista ese nico punto.
Mtodos Numricos
26
3. Se calcula f(a)f(x
c
) para lo cual puede ocurrir:
3a. f(a)f(x
c
)>0, entonces se hace a = x
c
y se vuelve a 1.
3b. f(a)f(x
c
)<0, entonces se hace b = x
c
y se vuelve a 1.
4. El proceso se repite hasta hallar la mejor aproximacin.

Ejemplo. Sea f(x) = x
5
-x
2
-1 y E = 0.001

Se tiene f(1) = -1, f(2) = 27

a

b

f(a)

f(b)

c

f(c)

cambio

1

2

-1

27

1.5

4.34375

b=c

1

1.5

-1

4.34375

1.25

0.48926

b=c

1

1.25

-1

0.48926

1.125

-0.4636

a=c

1.125

1.25

-0.4636

0.48926

1.1875

-0.04876

b=c

Ejemplo:
f(X) = X
3
+ X
2
- 5X - 3
a b f(a) f(b) X
c
F(X
c
)
2 3 -1 18 2.5

Algoritmo
AlgBBo( )
leer f(x)
Mtodos Numricos
27
leer a,b, error
f(a)f(b) = 0 ? SI: f(a) = 0 ? SI: a es una raz, SALIR
NO: b es una raz, SALIR
NO: f(a)f(b) >0 SI: "no se puede aplicar"
SALIR
C = (a+b)/2
calcular f(c)
MQ |f(c)| > error
f(a)f(c) < 0 ? SI: b = c
calcular f(b)
NO: a = c
calcular f(a)
c = (a+b)/2
calcular f(c)
FMQ
c es una raz
FAlgBBo( )

Para hallar el valor aproximado, en lugar de comparar |f(x
c
)| error, tambin puede
considerarse:
<
x
-
x k 1 + k
o <
x
x
-
x
1 + k
k 1 + k

Sin embargo, al usar cualquiera de los criterios, pueden surgir problemas. Por ejemplo,
existen sucesiones {X
n
} con la propiedad de que las diferencias x
k+1
-x
k
tienden a cero
(convergen), mientras que la sucesin diverge.

Cuando se generan aproximaciones por medio del computador, conviene fijar el nmero
mximo de iteraciones que se podran efectuar en caso de una divergencia en la sucesin.

Mtodo de Interpolacin Lineal

Una alternativa mejorada al mtodo de biseccin es el de interpolacin lineal, el cual se
basa en la idea de aproximarse en forma ms eficiente a la raz.

Hiptesis: Se conoce que f(x) es continua en [a, b], y si f(a)f(b)<0 habr una raz real.
Mtodos Numricos
28
f(a) - f(b)
a - b
=
f(b)
x
- b
c

Al tomar una aproximacin inicial x
c
, dada por la traza de la cuerda f(a)f(b)
se tiene:
f(a) - f(b)
a) - f(b)(b
- b =
xc

Proceso
1. Se da una aproximacin lineal de x
k
por medio de
f(a) - f(b)
a) - f(b)(b
- b =
xk

2. Se calcula f(x
k
) y se compara |f(x
k
)| con el error preestablecido
3. Si es mayor que el error, se compara f(x
k
)f(a) con 0, puede ocurrir:
3a. f(x
k
)f(a)<0, se hace b=x
k

3b. f(x
k
)f(a)>0, se hace a=x
k

4. Se va al paso 1.

Nota. El error tambin se puede localizar por |x
k+1
-x
k
|<e.

Ejemplo:
f(X) = X
3
- X
2
+ 2X - 7
a b f(a) f(b) X
k
F(X
k
)
1 2 -5 2 5/3

Algoritmo
AlgILi( )
Mtodos Numricos
29
leer f(x)
leer a,b, error
f(a)f(b)=0 ? SI f(a)=0? SI a es una raz, SALIR
NO b es una raz, SALIR
NO f(a)f(b) >0 SI "no se puede aplicar"
SALIR
MQ |f(x)| > error
x=b-[f(b)(b-a)]/[f(b)-f(a)]
calcular f(x)
f(a)f(x) < 0 ? SI b=x
calcular f(b)
NO a=x
calcular f(a)
FMQ
x es una raz
FinAlgILi( )

Mtodo de Aproximaciones sucesivas

Dada una funcin f(x) que es continua en todo el intervalo [a, b], se debe hallar x
i
tal que
f(x
i
) ~ 0, para lo cual se definen dos funciones h(x) y g(x) tal que f(x) = h(x) - g(x)

Hiptesis. Se debe tener que |h'(x)| < |g'(x)| para todo x

Proceso
1. Se da una aproximacin inicial x
0

2. Se calcula g(x
0
)
3. Se halla x
i+1
a partir de h(x
i+1
) = g(x
i
)
4. Se calcula f(x
i
) y se compara con el error, si es menor o igual fin del
proceso
5. Se va al paso 3.

Nota. El error tambin se puede localizar por |x
i+1
- x
i
| < e

Ejemplo: f(x) = 1 1 + + x x .
g(x) = x-1, g(x) = 1, h(x) = 1 + x , h(x) = 1 2 / 1 + x . Se tiene que h(x) < g(x).

Mtodos Numricos
30
Luego se escribe 1 1
1
= +
+ k k
X X , es decir, X
k+1
= (X
k
1)
2
- 1

Ejemplo:
Sea f(X) = X
3
X
2
+ 5X -7
Tomemos h(X) = X
3
+ 5X, g(X) = X
2
+ 7
h(X) = 3X2 + 5; g(X) = 2X
Luego g(X) <= h(x)
As
k k k
X X X 5 7
3 2
1
+ = +
+
, luego 7 5
3
1
+ =
+ k k k
X X X

Algoritmo
AlgASu( )
Inicio( )
i = 0
leer f(x), error
leer xi
descomponer f(x) en h(x) y g(x)
|h'(x)| < |g'(x)| ?
SI: MQ |f(x
i
)| > error
calcular f(x
i
)
hallar x
i+1
de la relacin h(x
i+1
) = g(x
i
)
i = i + 1
FMQ
x
i
es una raz
finAlgASu( )

Mtodo de Newton - Raphson

El mtodo de Newton Raphson es poderoso para hallar las races de una funcin f(x). Es un
procedimiento general que se aplica en diversas situaciones. Supongamos que f es continua
en [a, b]. Sea x
*
una aproximacin de la raz x
0
tal que f'(x
*
) <> 0 y |x
*
- x
0
| es "pequeo".

Puede considerarse la aproximacin por Taylor
4

R
+
3!
)
x
- )(x
x
( f
+
2
)
x
- )(x (x f
+ )
x
- )(x
x
( f + )
x
f( = f(x)
4
3
* *
3 2
* * 2
* *
1
*

Tomando que f(x*) = 0 por ser raz, podemos escribir:

4
El utilizar series de Taylor subraya la importancia de una aproximacin inicial exacta.
Mtodos Numricos
31
2
)
x
-
x
)(
x
( f
+ )
x
-
x
)(
x
( f + )
x
f( = 0
2
*
0
* (2)
*
0
*
(1)
*

Suponiendo que |x
0
- x
*
| es pequeo, el termino (x
0
- x
*
)
2
/2 es mucho ms pequeo y, por
tanto, se considera como error.
As que )
x
-
x
)(
x
( f + )
x
f( = 0
*
0
*
(1)
*
, luego
)
x
( f
)
x
f(
-
x
=
x
*
,
*
*
0

En general, se escribe
) (x f
)
x
f(
-
x
=
x
k
,
k
k 1 + k
para k>=1. Se inicia con una aproximacin x
0
.
Ejemplo:
Sea f(X) = X
3
5ln(X) 1,
X
X X f
5
3 ) (
2
=
As
k
k
k k
k k
X
X
X X
X X
5
3
1 ) ln( 5
2
3
1

=
+

Algoritmo
AlgNRa( )
Inicio( )
leer f(x), error
i = 1
leer x
i

MQ I < maxiter
calcular x
i+1
= x
i
- f(x
i
)/f'(x
i
)
|x
i+1
-x
i
| < error ?
SI: indicar raz, SALIR
NO: i = i +1
FMQ
No se puede calcular la raz
FinAlgNRa( )

Ejercicio. Hallar las races de 2 + 2sen(x) -
e
= f(x)
x
, 1 - x 2 - (x) 3 = f(x) ln .

Teorema. Sea f continua en [a,b], si x
0
en [a,b] es tal que f(x
0
)=0 y f'(x
0
)<>0, entonces
existe z>0 tal que el mtodo de Newton genera una sucesin {x
n
} que converge a x
0
para
cualquier aproximacin inicial x
0
en [x
0
-z,x
0
+z].

Mtodos Numricos
32

Mtodo de la Secante

Una de las desventajas del mtodo de Newton Raphson es que utiliza la derivada de la
funcin, la cual puede dar valores ceros, entonces se puede reemplazar la derivada por un
cociente de diferencias como:
x
- x
)
x
f( - )
x
f(
= )
x
( f
1 - k k
1 - k k
k
,

Aproximacin que tiene su origen en la definicin de la derivada a partir del lmite, a saber:
u - x
f(u) - f(x)
= (x) f
u x->
,
lim

As que la formula de Newton se puede escribir como:
)
x
f( - )
x
f(
x
-
x
)
x
f( -
x
=
x
-
x
) f(x - )
x
f(
)
x
f(
-
x
=
x
1 - k k
1 - k k
k k
1 - k k
1 - k k
k
k 1 + k

Esta formula requiere conocer dos puntos, es decir, al iniciar debe darse dos puntos
iniciales.

Ejemplo:
Sea 2 1 3 2 ) (
3
+ + = x X X f

Ejercicio. Hallar las races de 1 + (x) - x 4 -
x
= f(x)
3
ln , 5 -
x
2 - x 4 = f(x)
2
.

Algoritmo
AlgSec( )
leer f(x), error
leer x
0

i = 1
MQ i < maxiter
calcular x
i+1
= x
i
- f(x
i
) * [x
i
- x
i-1
] / [f(x
i
) - f(x
i-1
)]
|x
i+1
- x
i
| < error ?
SI: indicar raz, SALIR
NO: i = i + 1
FMQ
No se puede calcular la raz
FinAlgSec( )

Mtodos Numricos
33
Iteracin de Punto Fijo

Teniendo la funcin f(x)=0, puede arreglarse de tal forma que x quede a la izquierda, es
decir, x=g(x).

Esta transformacin se puede lograr al despejar la variable x, o al agregar x a lado y lado de
la ecuacin.

Ejemplo. Hallar las races de 7 + 3x -
x
= f(x)
3
, (x) 2 - x = f(x) ln .
a. Para 7 + 3x -
x
= f(x)
3
se escribe
3
7 +
x
= x
3
.
b. Para (x) 2 - x = f(x) ln se escribe x + (x) 2 - x = x ln
o ] (x) [2 = x
2
ln o
e
= x 2
x
.

De esta forma, dada una aproximacin inicial a la raz, x
i
, la ecuacin x=g(x) puede usarse
para obtener una nueva aproximacin x
i+1
, expresada por la formula iterativa x
i+1
=g(x
i
).

Ejercicio. Dadas las funciones 1 -
x
3 -
x
= f(x)
2 5
y 3 - (x) - 3) + (x -
x
= g(x)
3
ln y
con un error E=0.0001. Calcular una posible raz por los mtodos de Interpolacin lineal,
Biseccin, Aproximaciones sucesivas, Punto fijo y Newton-Raphson.

Races Complejas
Dado un polinomio: .
x c
= .. +
x c
...+ +
x c
+ x
c
+
c
= f(x)
j
j
j=0
n
n
2
2 1 0
puede tener races

reales y races complejas, estas ltimas con mayor inconveniente para hallarlas.

Una propuesta para determinar las races complejas es la siguiente:
1. Conformar un polinomio de grado dos con tres coeficientes de mayor (o menor)
exponente.
2. Calcular las respectivas races a este polinomio de grado dos. Se consideran como
iniciales.
3. Aplicar el proceso iterativo con la formula de la derivada (Newton-Raphson),
usando nmeros complejos.
4. Calculada la raz compleja a+bi, se reduce el polinomio dividindolo por a+bi y
luego en a-bi y as sucesivamente, hasta llegar a un polinomio de grado dos.

Mtodos Numricos
34
Ejemplo. Sea 3 + 5x -
x
10.2 +
x
7.8 +
x
4.5 +
x
= f(x)
2 3 4 5

Los polinomios a formar podran ser: 7.8 + 4.5x +
x
= h(x)
2
o 3 + 5x -
x
10.2 = g(x)
2

Las races de h(x) seran:
2
7.8 * 4 -
5
4. 4.5
= x
2
.
Es decir:
2
10.95i + 4.5
=
x1
y
2
10.95i - 4.5
=
x2
.

Ajuste de curvas

A veces se requiere determinar la formula aproximada de una funcin a partir de un
conjunto de datos; el primer enfrentamiento del ingeniero con el ajuste de curvas puede ser
el de determinar un valor medio de los datos en una tabla, cuyo propsito es indicar apriori,
cul es la tendencia central de los datos. El mtodo ms simple para ajustar una curva a un
conjunto de datos es el de unirlos por medio de lneas rectas (ver figura 6), lo que mostrara
el comportamiento general de los datos, pero posiblemente esto no indica mucho y no
permite hacer proyecciones fuera del dominio.

El anlisis de tendencias representa el proceso de usar el patrn de datos y hacer
predicciones para obtener aproximaciones intermedias; esto es interpolar, es decir, se busca
estimar datos que se hallan dentro de los lmites de los datos dados, o a extrapolar si se
requiere conocer datos que estn ms all de los lmites.

Figura 6. Conexin de puntos en el plano.

Fundamentos matemticos

La media estadstica de una muestra de datos {y
1
, y
2
, , y
n
} se define como la suma de los
Mtodos Numricos
35
datos dividido por el nmero de datos:
n
y
= y
i

La desviacin estndar es una medida de dispersin de esos datos est dada por la formula
5
:
-1 n
) y - y (
=
S
i
2
n
1 = i

Si la desviacin estndar es muy grande, indica que los valores individuales se dispersan
muy lejos de la media.

Una medida estadstica final a tener muy en cuenta para la cuantificacin de la dispersin
de los datos es el coeficiente de variacin CV: 100%
y
S
= CV

Regresin lineal

El ejemplo ms simple de un ajuste o aproximacin de un conjunto de parejas de datos
observados: {(x
1
, y
1
), (x
2
, y
2
), ..., (x
n
, y
n
)} a una lnea recta, es por mnimos cuadrados. La
estrategia de este proceso es la de obtener una funcin aproximada que ajuste
"adecuadamente" el comportamiento o tendencia de los datos, sin coincidir necesariamente
con cada uno de ellos en particular.

Figura 7. Conexin de puntos.

La expresin matemtica de una lnea recta es: Y
i
=a
0
+a
1
X
i
+e
i
, en donde a
1
, a
0
son
coeficientes que representan la pendiente y la interseccin con el eje de abscisas y e
i
es el
error o residuo entre el modelo y las observaciones, error que se representa reordenando la
ecuacin como: e
i
= Y
i
- a
0
- a
1
X
i
.

5
La divisin por n-1 y no por n se justifica porque nunca existe dispersin de un slo dato.
Mtodos Numricos
36
Una "mejor" lnea a travs de los puntos debe minimizar la suma de los errores o residuos,
es decir: )]
X a
-
a
- (Y
n
e
[
j 1 0 j
j=1
j
n
j=1
[ = ]

min min
Sin embargo, este criterio no siempre es adecuado.

Sea el siguiente conjunto de datos:

x
i
1 1.5 2 2.5 3 4 5 6
y
i
2 4 1 3 2 3 4 1

Estos datos en un plano cartesiano estaran dados por la figura 8.

Al unir el primer punto con el ultimo, dejara por fuera la mayora de datos. Otra lnea
tambin dejara por fuera varios puntos. Es decir, el criterio es inadecuado (para este
ejemplo).

La regresin lineal es una tcnica muy poderosa para ajustar datos a una lnea, pero los
datos no necesariamente se comportan de esta manera, por ejemplo:
e
a = y
bx
,
x
a = y
b
,
x + b
x
a = y .

Figura 8. Conjunto de datos en el plano.

Las tcnicas de regresin lineal se emplean entonces para ajustar directamente estas
ecuaciones a los datos experimentales.

Una estrategia que mejora la aproximacin es la de minimizar la suma de los cuadrados de
los residuos.

Mnimos cuadrados

Para determinar los valores de las constantes a
0
y a
1
, se deriva la ecuacin con respecto a
cada uno de los coeficientes.
Mtodos Numricos
37
S ) x
a
-
a
- y ( = S
i 1 0
i
2
n
1 i=

x
)
x a
-
a
- (y 2 - =
a
S
i i 1 0 i
n
1 i= 1

)
x a
-
a
- y ( 2 - =
a
S
i 1 0
i
=1 i 0

Se igualan las ecuaciones a cero para buscar el mnimo de S:
x a
-
x a
- y
x
= 0
x a
-
a
- y = 0
2
i 1 i 0
i
i i 1 0
i

Las ecuaciones se pueden expresar como:
x a
+
x a
= y x
x a
+
a
n = y
2
i 1 i 0
i
i
i 1 0
i

Se resuelven las ecuaciones simultneamente obteniendo:
x
a
- y =
a

)
x
( -
x
n
y
x
-
x
y n
=
a 1 0
i
2
2
i
i
i i
i
1

Puede observarse que cualquier lnea diferente a la que se calcul, genera una mayor suma
de cuadrados de los residuos, por tanto, debe considerarse como la mejor lnea a travs de
los puntos.

Se puede cuantificar la eficiencia del ajuste mediante la frmula
2 - n
S
=
S
r
y/x
, llamada
error estndar de la aproximacin y que cuantifica la dispersin alrededor de la lnea de
regresin.

Algoritmo
6

AlgMCu( )
Teclee nmero de datos, n
2: Para i = 1 hasta n
Lea x, y
Sx = Sx + x
Sy = Sy + y

6
Algoritmo es un procedimiento que describe de manera inequvoca una serie finita de pasos a
seguirse en un orden determinado. Su finalidad es determinar un conjunto de operaciones para
resolver un problema o aproximar a una posible solucin. Los algoritmos se describen por medio de
un seudocdigo. Este especifica la forma de entrada de los datos y la forma que tendr la salida
deseada.
Mtodos Numricos
38
X2 = X2 + x*x
XY = XY + x*y
FPara
XM = Sx / n
YM = Sy / n
A
1
= (n * XY - Sx * Sy) / (n * X2 - (Sx * Sx))
A
0
= YM - A
1
* XM
Escriba A
0
, A
1

FinAlgMCu( )

Ejemplo. Hallar la ecuacin de la lnea recta que los ajustara por mnimos cuadrados segn
los siguientes datos:

x
i
1 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
y
i
2 2.4 3.0 2.8 3.1 3.7 3.6 3.9 4.4 4.1 4.3 5.0 5.2 5.8 6.4

n = 15,
xi
= 67.5, y
i
= 59.7, x = 4.5, y = 3.98,
x
2
i
= 373.75, y
x
i
i
= 67.5

a
1
= , a
0
= .

Regresin Polinomial

Otra alternativa es ajustar polinomios a los datos usando regresin polinomial. El
procedimiento de mnimos cuadrados se puede extender fcilmente y ajustar datos a un
polinomio de n-simo grado.
x a
...+ +
x a
+
x a
+
x a
+
a
= y
n
i n
3
i 3
2
i 2 i 1 0
i

En este caso la suma de los cuadrados de los residuos es:
)
x a
- ... -
x a
-
x a
-
x a
-
a
- y ( = S
n
i n
3
i 3
2
i 2 i 1 0
i

Siguiendo el mismo procedimiento de los mnimos cuadrados, se toma la derivada de la
ecuacin con respecto a cada uno de los coeficientes del polinomio, estas ecuaciones se
igualan a cero y se ordena de tal forma que se obtenga un conjunto de ecuaciones normales:
Mtodos Numricos
39
y
x
=
x a
+ ... +
x a
+
x a
+
x a
.
.
y
x
=
x a
+ ... +
x a
+
x a
+
x s
y
x
=
x a
+ ... +
x a
+
x a
+
x a
y =
x a
+ ... +
x a
+
x a
+ n
a
i
n
i
2n
i n
2 + n
i 2
1 + n
i 1
n
i 0
i
2
i
2 + n
i n
4
i 2
3
i 1
2
i 0
i
i
1 + n
i n
3
i 2
2
i 1 i 0
i
n
i n
2
i 2 i 1 0

Los coeficientes de a
0
, a
1
, a
2
,...,a
n
(las incgnitas), se calculan directamente de los datos
observados, por tanto el problema se traslada a resolver un sistema de n+1 ecuaciones
lineales simultneas.

Ejemplo. Encontrar el polinomio de grado 2 que ajuste a los siguientes datos:

x
i
1 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
y
i
1.2 5.1 9.3 14.7 21.8 30.6 43.7 60.1 84.9 121.5

En la regresin polinomial, las condiciones normales pueden estar mal condicionadas, en
particular cuando los sistemas son muy grandes; esto lleva a que los coeficientes calculados
son altamente susceptibles a los errores de redondeo y, por tanto los resultados son
inexactos; es un problema potencial.

Interpolacin- Polinomio de Newton

Con frecuencia se desea conocer puntos intermedios entre valores conocidos. El mtodo
ms empleado para este propsito es la interpolacin polinomial.

Un polinomio de n-simo grado tiene la formula:

x a
...+ +
x a
+
x a
+ x
a
+
a
= p(x)
n
n
3
3
2
2 1 0

Para k+1 puntos, existe uno y slo un polinomio de k-simo orden que se ajusta a todos los
puntos; sin embargo, existen maneras diferentes de expresar un polinomio de interpolacin.
El polinomio de interpolacin con diferencias divididas de Newton es la forma ms til,
pero tambin se emplean los de Lagrange.

Mtodos Numricos
40
Interpolacin Lineal

La forma ms simple de interpolacin, es conectar dos puntos con una lnea recta, ste
mtodo se llama de interpolacin lineal.

De la figura 9, empleando tringulos semejantes:
x
-
x
)
x
f( - )
x
f(
=
x
- x
)
x
f( - f(x)
0 1
0 1
0
0

Luego se tiene: )
x
- (x
x -
x
)
x
f( - )
x
f(
+ )
x
f( = f(x)
0
0 1
0 1
0

Este mtodo es bueno cuando el intervalo entre los puntos es pequeo.

Figura 9.Tringulos semejantes.

Interpolacin Cuadrtica

Si se dispone de tres datos, la interpolacin debe buscar un polinomio de segundo orden.
)
x
- )(x
x
- (x
b
+ )
x
- (x
b
+
b
= (x) f
1 0 2 0 1 0
2

Una manera conveniente para este caso es:
Si x=x
0
, f
2
(x
0
) = b
0

Si x=x
1
, b
1
= [f
2
(x
1
)-f
2
(x
0
)]/[x
1
-x
0
]
Ntese, que b
1
representa la pendiente de la lnea que une los puntos x
0
y x
1
.
Al sustituir lo anterior y evaluar en x=x
2
,
x
-
x
x
-
x
)
x
( f - )
x
( f
-
x
-
x
)
x
( f - )
x
( f
=
b
0 2
0 1
0
2
1
2
1 2
1
2
2
2
2

Mtodos Numricos
41

Este trmino introduce la curvatura de segundo orden en la frmula.
)
x
-
x
)(
x
-
x
(
)
x
-
x
(
x
-
x
)
x
( f - )
x
( f
- )
x
( f - )
x
( f
=
b
1 2 0 2
0 2
0 1
0
2
1
2
0
2
2
2
2

Podemos especificar como se obtiene este resultado.
)
x
-
x
)(
x
-
x
(
)
x
-
x
(
x
-
x
)
x
( f - )
x
( f
- )
x
( f - )
x
( f + )
x
( f - )
x
( f
=
b
1 2 0 2
0 2
0 1
0
2
1
2
0
2
1
2
1
2
2
2
2

)
x
-
x
)(
x
-
x
(
)
x
-
x
(
x
-
x
)
x
( f - )
x
( f
- )
x
-
x
(
x
-
x
)
x
( f - )
x
( f
+ )
x
-
x
(
x
-
x
)
x
( f - )
x
( f
=
b
1 2 0 2
0 2
0 1
0
2
1
2
0 1
0 1
0
2
1
2
1 2
1 2
1
2
2
2
2

)
x
-
x
)(
x
-
x
(
)
x
+
x
-
x
-
x
(
x
-
x
)
x
( f - )
x
( f
- )
x
-
x
(
x
-
x
)
x
( f - )
x
( f
=
b
1 2 0 2
0 1 0 2
0 1
0
2
1
2
1 2
1 2
1
2
2
2
2

)
x
-
x
(
x
-
x
)
x
( f - )
x
( f
-
x
-
x
)
x
( f - )
x
( f
=
b
0 2
0 1
0
2
1
2
1 2
1
2
2
2
2

El anlisis anterior puede generalizarse en el ajuste de un polinomio de n-simo orden para
n+1 puntos; x
0
, x
1
, x
2
, ..., x
n
.
)
x
- )...(x
x
- )(x
x
- (x
c
...+ + )
x
- )(x
x
- (x
c
+ )
x
- (x
c
+
c
= (x) f
1 - n 1 0 n 1 0 2 0 1 0
n
(7)

La forma compacta sera: )
x
- (x
c
= (x) f
j
1 - i
j=0
i
n
=0 i
n

Se calculan los coeficientes as:
1. Calcular el polinomio en x=x
0
, para tener c
0
=f(x
0
)
2. Calcular el polinomio en x=x
1
y se reemplaza c
0
, c
1
=f[x
1
,x
0
]
3. Continuar calculando el polinomio en los diferentes x
i
para obtener c
2
=f[x
2
,x
1
,x
0
]
... c
n
=f[x
n
,x
n-1
,...,x
1
,x
0
]

Tenindose que: f[x
i
,x
j
] = ( f(x
i
)-f(x
j
) ) / (x
i
- x
j
), se llama primera diferencia dividida finita.
f[x
i
,x
k
,x
j
] = ( f[x
i
,x
k
] - f[x
k
,x
j
] ) / (x
i
- x
j
), segunda diferencia dividida finita, y
f[x
n
,x
n-1
,...,x
1
,x
0
] = ( f[x
n
,x
n-1
,...,x
1
] - f[x
n-1
,x
n-2
,...,x
1
,x
0
] ) / (x
n
- x
0
), n-sima diferencia
dividida finita.

Estas diferencias se emplean para evaluar los coeficientes c
i
, los cuales se sustituyen en la
Mtodos Numricos
42
formula 7 para obtener el polinomio de interpolacin con diferencias divididas de Newton.
... + )
x
- )(x
x
- ](x
x
,
x
,
x
f[ + )
x
- ](x
x
,
x
f[ + )
x
f( = (x) f
1 0 0 1 2 0 0 1 0
n
)
x
- )...(x
x
- )(x
x
- ](x
x
,
x
,...,
x
,
x
f[ +
1 - n 1 0 0 1 1 - n n

Es importante notar que las frmulas de diferencias son recursivas, es decir:

i x
i
f(x
i
) 1a 2a 3a 4a
0 x
0
f(x
0
) f[x
0
,x
1
] f[x
0
,x
1
,x
2
] f[x
0
,x
1
,x
2
,x
3
] f[x
0
,x
1
,x
2
,x
3
,x
4
]
1 x
1
f(x
1
) f[x
1
,x
2
] f[x
1
,x
2
,x
3
] f[x
1
,x
2
,x
3
,x
4
]
2 x
2
f(x
2
) f[x
2
,x
3
] f[x
2
,x
3
,x
4
]
3 x
3
f(x
3
) f[x
3
,x
4
]
4 x
4
f(x
4
)

Ejercicio. Los laboratorios King System han puesto a prueba la resistencia elctrica del
chip XT-14 que han construido. Para cada grupo de 1000 chips aplican voltaje, algunos se
daan, lo cual despus de varias repeticiones del experimento por cerca de diez grupos de
personas independientemente un grupo de otro, se obtienen datos establecidos en la
siguiente tabla:

Voltaje 1 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5
daados 2 2.3 3.1 3.8 4.6 5.7 6.6 7.9 9.4 11.1 12.8 14.5 16.2 18.5 20.4 22.7 24.9 27.2 31.4 37.2

Polinomios de interpolacin de Lagrange

El polinomio de Lagrange, simplemente es una reformulacin del polinomio de Newton
que evita los clculos de las diferencias divididas, ste se representa concretamente como:
)
x
(x)f(
L
= (x) f
i i
n
=0 i
n

En donde:
]
x
- x
x
- x
[ = (x)
L
j i
i
n
<>i j 0, = j
i

Con PI se denota el producto de..."
As, f
1
(x) es:
x x
x
x
x x
x
x x L
= (x) f
0 1
1
1
1 0
0
0 i i
1
=0 i
1
-
- x
) f( +
-
- x
) f( )= (x)f(

y f
2
(x) es:
x x
x
x x
x
x
x x
x
x x
x
x
x x
x
x x
x
0
x L
= (x) f
1 2
2
0 2
2
2
2 1
1
0 1
1
1
2 0
0
1 0
0
i i
2
0 i=
2
-
- x
*
-
- x
) f( +
-
- x
*
-
- x
) f( +
-
- x
*
-
- x
) f(x = ) (x)f(

Mtodos Numricos
43
Es decir, f
2
(x) es:
)
x
-
x
( * )
x
-
x
(
) x
- (x
)
x
f( +
)
x
-
x
( * )
x
-
x
(
) x
x
x x x x
)
x
- (x
0
x L
= (x) f
1 2 0 2
2
2
2
2 1 0 1
2
1
1
2 0 1 0
0
2
i i
2
0 i=
2
- (x
) f( +
) - ( * ) - (
) f(x = ) (x)f(

Tambin se tiene: ]
x
- x
x
- x
[ = (x)
L
j i
j
n
<>i j 0, = j
i

Por ejemplo, para calcular f
2
(x):
x x
x
x x
x
x
x x
x
x x
x
x
x x
x
x x
x
x x L
= (x) f
1 2
1
0 2
0
2
2 1
2
0 1
0
1
2 0
2
1 0
1
0 i i
2
=0 i
2
-
- x
*
-
- x
) f( +
-
- x
*
-
- x
) f( +
-
- x
*
-
- x
) f( = ) (x)f(

La extrapolacin es el proceso de calcular un valor de f(x) que cae fuera del rango de los
puntos base conocidos x
0
, x
1
, ..., x
n
.

Aproximacin de funciones

El clculo en funciones cuando estas son de difcil manejo o desconocidas se realiza en
operaciones elementales por aproximacin: utilizando mtodos de interpolacin,
derivacin, o integracin numrica. Para aproximar generalmente se dispone de un
conjunto de puntos tabulados. Los mtodos de Newton, Lagrange, y otros ms, no
requieren que los datos estn uniformemente espaciados, pero en este espacio interesa
como soporte matemtico los procesos de diferencias finitas con datos equiespaciados.

Las diferencias finitas pueden ser:
1. Progresivas
2. Regresivas

Si los datos estn igualmente espaciados, se tendra:
x
1
= x
0
+ h x
1
= x
0
- h
x
2
= x
0
+ 2h x
2
= x
0
- 2h
... ...
x
n
= x
0
+ nh x
n
= x
0
- nh

Segn sea ascendente o descendentemente la visualizacin.

1. Diferencias Progresivas

Mtodos Numricos
44
El operador de diferencias progresivas se nota por , que aplicado a una funcin produce
la primera diferencia progresiva de ella, as:
f(x) = f(x+h) - f(x)
Se puede encontrar el conjunto de las primeras diferencias progresivas para los n+1 puntos
conocidos de f(x), teniendo en cuenta la notacin de x
0
+ h = x
1
, x
i
+ h = x
i+1
, f(x
i
) = f
i

f(x
0
) = f(x
0
+ h) - f(x
0
) = f
0+1
- f
0
= f
1
- f
0
= f
0

f(x
1
) = f
1
= f(x
1
+ h) f(x
1
) = f(x
0
+ h + h) - f(x
0
+h) = f(x
0
+2h) - f(x
0
+ h) = f
2
- f
1
=
f
1

f(x
2
) = f(x
2
+ h) f(x
2
) = f(x
0
+ 2h + h) - f(x
0
+2h) = f(x
0
+3h) - f(x
0
+2h) = f
3
- f
2
= f
2

...
f(x
n
) = f(x
0
+nh + h) - f(x
0
+ nh) = f(x
0
+(n+1)h) - f(x
0
+ nh) = f
n+1
- f
n
= f
n

Aplicando la definicin de diferencia progresiva y la potenciacin en ella, se tiene:

f
0
= f
1
- f
0

2
f
0
= [f
0
] = [f(x
0
)] = [ f
1
- f
0
] = f
1
- f
0
= [f
1+h
- f
1
] - [f
0+h
- f
0
]
= f
2
- 2f
1
+ f
0

As,
2
f
0
= f
2
- 2f
1
+ f
0

3
f
0
=
2
[f
0
] = f
3
- 3f
2
+3f
1
-f
0

...
n
f
0
= f
n
- nf
n-1
+ n(n-1)/2f
n-2
-...+ (-1)
n-1
nf
1
+ (-1)
n
f
0

Es decir: ) (-1 f
k
n
= )
x
f(
k
k - n
n
0 = k
0
n
|
|
\
|

Y, en general, ) (-1 f
k
n
= f(x)
k
k)h - (n + x
n
0 = k
n
|
|
\
|

Propiedades del operador de diferencias progresivas:
[f(x)+g(x)] = f(x) + g(x)
[kf(x)] = kf(x)
n
[
m
f(x)] =
n+m
f(x)

Proposicin: Si f(x) es un polinomio de grado n; f(x)= a
i
x
i
, entonces
n
f(x) es una
constante y es igual a: a
n
n!

Al considerar las diferencias finitas del polinomio de Newton con valores equidistantes a
una distancia h:
Mtodos Numricos
45

f[x
0
,x
1
] = (f(x
1
)-f(x
0
))/(x
1
-x
0
) = f(x
1
)-f(x
0
)/h = f(x
0
)/h = f
0
/h

f[x
0
,x
1
,x
2
] = (f[x
2
,x
1
]-f[x
1
,x
0
])/(x
2
-x
0
) =
[f(x
2
)-f(x
1
)/h] - [f(x
1
)-f(x
0
)/h] /2h =
2
f(x
0
)/2h
2
=
2
f
0
/2h
2

f[x
0
,x
1
,x
2
,x
3
] = (f[x
3
,x
2
,x
1
]-f[x
2
,x
1
,x
0
])/(x
3
-x
0
) =
3
f(x
0
)/6h
3
=
3
f
0
/3!h
3

Generalizando se tiene: f[x
0
,x
1
,x
2
, ... x
n
] =
n
f
0
/n!h
n

Por tanto el polinomio de Newton en diferencias finitas quedara:
... + h) -
x
- )(x
x
- (x
h
2!
)
x
f(
+ )
x
- (x
h
)
x
f(
+ )
x
f( = (x) f
0 0
2
0
0
0
0
n
2

) ) 1 ( ( 2 (
!
0
h n x x h)... -
x
- h)(x
x
- x )
x
- (x
h n
)
x
f(
+
0 0 0
n
0
n

2. Diferencias Regresivas

El operador de diferencias regresivas se representa por , que aplicado a una funcin
produce la primera diferencia regresiva de ella, as:
f(x) = f(x) - f(x - h)

por tanto,
f(x
0
) = f(x
0
) - f(x
0
- h) = f
0
- f
0-1
= f
0
- f
-1
= f
0

f(x
1
) = f
1
= f(x
0
+ h) - f(x
0
+h -h) = f(x
1
) - f(x
0
) = f
1
- f
0
= f
1

f(x
2
) = f(x
0
+ 2h) - f(x
0
+2h -h) = f(x
0
+2h) - f(x
0
+h) = f
2
- f
1
= f
2

...
f(x
n
) = f(x
0
+nh) - f(x
0
+nh -h) = f(x
0
+nh) - f(x
0
+ (n-1)h) = f
n
- f
n-1
= f
n

similarmente se puede tener:
f
0
= f
0
- f
-1

2
f
0
= [f
0
] = [f(x
0
)] = [ f
0
- f
-1
] = f
0
- f
-1
= [f
0
- f
-1
] - [f
-1
- f
-2
]
= f
0
- 2f
-1
+ f
-2

luego
2
f
0
= f
0
- 2f
-1
+ f
-2

3
f
0
=
2
[f
0
] = f
0
- 3f
-1
+3f
-2
- f
-3

...
n
f
0
= f
0
- nf
-1
+ n(n-1)/2f
-2
-...+ (-1)
n-1
nf
n-1
+ (-1)
n
f
-n

Mtodos Numricos
46

es decir, ) (-1 f
k
n
= )
x
f(
k
k -
n
0 = k
0
n
|
|
\
|

y en general, ) (-1 f
k
n
= f(x)
k
kh - x
n
0 = k
n
|
|
\
|

Propiedades del operador de diferencias regresivas:

[f(x)+g(x)] = f(x) + g(x)
[kf(x)] = kf(x)
n
[
m
f(x)] =
n+m
f(x)

El operador y el operador

Se llama el operador de desplazamiento o aumento y se define como f(x) = f(x+h), por
tanto,
2
f(x) = [f(x)] = f(x+h) = f(x+2h),
Igualmente,
3
f(x) = [
2
f(x)] = f(x+2h) = f(x+3h),
Y generalizando,
n
f(x) = [
(n-1)
f(x)] = f(x+(n-1)h) = f(x+nh),

Se llama el operador unitario y se define como: f(x) = f(x)

Utilizando estos operadores se tiene:
f(x) = f(x+h) - f(x) = f(x) - f(x) = [ - ]f(x)
As que, = + , o = -

Nuevamente,
f(x) = f(x+h) - f(x) = f(x) - f(x) = [ - ]f(x)
2
f(x) =
2
f(x) - 2f(x) + f(x) ={
2
- 2 +
2
}f(x) = [ - ]
2
f(x)
3
f(x) =
3
f(x) - 3
2
f(x) + 3
2
f(x) -
3
f(x)= {
3
-3
2
+3
2
-
3
}f(x)= [ - ]
3
f(x)
n
f(x) = [ - ]
n
f(x)

Por tanto,
f
x+h
= f
x
= [ + ]f
x
f
x+2h
=
2
f
x
= [ + ]
2
f
x
= [
2
+ 2 + ]f
x
f
x+3h
=
3
f
x
= [ + ]
3
f
x
= [
3
+ 3
2
+ 3+ ]f
x
, y as,
f
x+nh
=
n
f
x
= [ + ]
n
f
x
= [
n
+ n
n-1
+ n(n-1)
n-2
+...+ n + ]f
x

Mtodos Numricos
47

Es decir, f
i
n
= f ] + [ = f
x
i
n
=0 i
x
n
x

|
|
\
|

n

Como un caso especial se tiene f =
f
= f
0
i
x
i
n
=0 i
0 x
i
|
\
|

Llamada la formula de diferencias avanzada de Newton.

Ejemplo. Sea que se tienen los datos:
x 0 1 2 3 4 5
f -5 1 9 25 55 105

x f
x
f
x

2
f
x

3
f
x

4
f
x

0 -5 6 2 6 0
1 1 8 8 6 0
2 9 16 14 6
3 25 30 20
4 55 50
5 105

Luego f
x
=
x
f
0
= [+]
x
f
0
= [ + x* + {x(x-1)}/2*
2
+ {x(x-1)(x-2)}/3!*
3
]f
0

= f
0
+ xf
0
+ (x
2
-x)/2*
2
f
0
+ (x
3
-3x
2
+2x)/6*
3
f
0

= -5 + 6x + (x
2
-x)/2*2 + (x
3
-3x
2
+2x)/6*6 = x
3
- 2x
2
+ 7x -5

Ejemplo. Considere los datos
X 0 1 2 3 4 5
Y -15 -2 9 32 65 95

x f
x
f
x

2
f
x

3
f
x

4
f
x

5
f
x

0 -15 13 2 8 7 4
1 -2 11 10 1 3
2 9 21 11 4
3 32 33 7
4 65 40
5 95

Este ejemplo, lleva a determinarse que no es adecuado aplicar las diferencias finitas en
todos los casos.

Diferenciacin

Las series de Taylor permiten la expansin de funciones por la formula:
)
x
- (x
n!
)
x
( f
= f(x)
n
0
0
(n)
=0 n

A menudo tambin se representa la funcin, al hacer en la ecuacin anterior x = x
0
+x
1
x
n!
) (x f
= )
x
+
x
f(
n
1
0
(n)
0 = n
1 0

Si en esta formula se hace x
0
=x
i
y x
1
=kh, k entero, h un incremento
... + )
x
( f
3!
) (kh
+ )
x
( f
2!
) (kh
+ )
x
( f (kh) + )
x
f( = kh) +
x
f(
i
(3)
3
i
(2)
2
i
(1)
i i

Al hacer f
i
= f(x
i
), x
i+k
= x
i
+ kh,
Entonces queda ... + f
3!
) (kh
+ f
2!
) (kh
+ f (kh) + f = f
(3)
i
3
(2)
i
2
(1)
i i kh + i

En particular si k=1, -1, 2 o -2, se hallan las siguientes expresiones para f(x)
... + f
n!
h
...+ + f
2!
h
+ f h + f = f
i
(n)
n
i
(2)
2
i
(1)
i 1 + i
(1)
... - f
n!
) (-h
...+ - f
2!
h
+ f h - f = f
i
(n)
n
i
(2)
2
i
(1)
i 1 - i
(2)
... + f
n!
) (2h
...+ + f
2!
) (2h
+ f 2h + f = f
i
(n)
n
i
(2)
2
i
(1)
i 2 + i
(3)
... ... - f
n!
) (-2h
...+ - f
2!
) (2h
+ f 2h - f = f
(n)
i
n
(2)
i
2
(1)
i i 2 - i
(4)

De la ecuacin (1) puede hallarse la siguiente expresin:
...] + f
6
h
+ f
2
h
[ -
h
f - f
= f
(3)
i i
i 1 + i (1)
i
3
) 2 (
2

De la cual, eliminando el trmino en parntesis, se obtiene la expresin aproximada
] f - f [
h
1
= f
i 1 + i
(1)
i

Mtodos Numricos
50
Si igualmente, se despeja f
i
(1)
de la formula (4) se tiene: ] f - f [
2h
1
= f
2 - i i
(1)
i

o al despejar de la frmula (2), ] f - f [
h
1
= f
1 - i i
(1)
i

y as sucesivamente, se puede hallar otras formulas que son aproximaciones de la derivada.

Al sumar la frmula (1) y (2) se tiene: ... + f
4!
h
2
+ f
h
+ f 2 = f + f
(4)
i
4
(2)
i
2
i 1 - i 1 + i

de donde se obtiene: ... + f
12
h
[ - ] f + f 2 - f [
h
1
= f
(4)
i
2
1 - i i 1 + i
2
(2)
i

Igualmente, al sumar las frmulas (3) y (4) se obtiene:
... + f
6
h
[ - ] f + f 2 - f [
h
2
1
= f
(4)
i
2
2 - i i 2 + i
2
(2)
i

Realizando diferentes combinaciones se hallan frmulas para f
i
(2)
, f
i
(3)
, f
i
(4)
,... algunas de
estas operaciones y simplificaciones se representan en la siguiente tabla:

Der. Mul. Formula error
1 hf
(1)
1 -1 1 -1/2hf
(2)

2 1/2 -3 4 -1 1/3h
2
f
(3)

3 1/6 -11 18 -9 2 -1/4h
3
f
(4)
4 1/12 -25 48 -36 16 -3 1/5h
4
f
(5)

5 1/2 -1 0 1 -1/6h
2
f
(3)

6 1/6 -2 -3 6 -1 1/12h
3
f
(4)

7 1/12 1 -8 0 8 -1 -1/30h
4
f
(5)

8 1/12 -3 -10 18 -6 1 1/20h
4
f
(5)

9 h
2
f
(2)
1 1 -2 1 -hf
(3)

10 1 2 -5 4 -1 11/12h
2
f
(4)

11 1/12 35 -104 114 -56 11 -5/6h
3
f
(5)

12 1 1 -2 1 1/12h
2
f
(4)

13 1 1 -2 1 0 -1/12h
2
f
(4)

14 1/12 11 -20 6 4 -1 -1/12h
3
f
(5)

15 1/12 -1 16 -30 16 -1 1/90h
4
f
(5)

16 h
3
f
(3)
1 -1 3 -3 1 -3/2hf
(4)

17 1/2 -5 18 -24 14 -3 7/4h
2
f
(5)

18 1 -1 3 -3 1 -1/2hf
(4)

19 1/2 -3 10 -12 6 -1 1/4h
2
f
(5)

20 1/2 -1 2 0 -2 1 -1/4h
2
f
(5)

Mtodos Numricos
51

21 h
4
f
(4)
1 1 -4 6 -4 1 -2hf
(5)

22 1 1 -4 6 -4 1 -hf
(5)

23 1 1 -4 6 -4 1 -1/6h
2
f
(5)

NOTAS.
1. La suma de los coeficientes siempre debe sumar cero (0)
2. El nmero en negrilla indica el punto pivote, es decir, f
i
.
3. Una formula desplazada a la izquierda, se puede transformar en una desplazada a
la derecha cambiando el signo de los coeficientes.
4. Para hallar una diferencial de orden mayor a 1, se deben emplear formulas de
diferencial menor. Se multiplican estas, colocando una formula vertical y la otra
horizontalmente corrida a la derecha una posicin cada vez. El multiplicador
resultante es el producto de multiplicar los multiplicadores de las formulas.

Ejemplo. La formula 10 dice que,
] f - f 4 + f 5 - f [2
h
1
= f
+3 i 2 + i 1 + i i 2
(2)
i

Se puede transformar en:
] f + f 4 - f 5 + f [-2
h
1
= f
3 - i 2 - i 1 - i i 2
(2)
i

Esta frmula, al multiplicarla por la frmula 7, se tiene:
1 -2 5 -4 1
-8 -2 5 -4 1
0 -2 5 -4 1
8 -2 5 -4 1
-1 -2 5 -4 1
----------------------------------------------
-2 21 -44 15 50 -37 -4 1 = 0

Por tanto la frmula es:
] f + f 4 - f 37 - f 50 + f 15 + f 44 - 21f + f [-2
h
12
1
= f
5 + i 4 + i 3 + i 2 + i 1 + i i 1 - i 2 - i
3
(3)
i

Una nueva frmula para la tercera derivada.

Ejemplo. La formula 2 y 9 dicen:
] f f f [
h
1
= f
2 + i 1 + i i
) (
i
+ 4 3
2
1
y ] f f f [
h
1
= f
2 + i 1 + i i
) (
i
+ 2
2
2

Mtodos Numricos
52
Al multiplicarlas se tiene:
-3 1 -2 1
4 1 -2 1
-1 1 -2 1
----------------------------------------------
-3 10 -12 6 -1 = 0

] f f + f - f + f [-
2h
1
= f
+ i + i i i i
) (
i 4 3 2 1
3
2
6 12 10 3
+ +

Una nueva frmula para la tercer derivada, que es precisamente la 19 de la tabla.

Integracin

La integral de una funcin f(x) puede ser calculada integrando su expansin en series de
Taylor termino a trmino: z)dz +
x
f( = f(z)dz = (i)
I i
kh
0
kh + x
x
k
i
i

f(x
i
+z) puede ser substituido por la serie de Taylor
... + f
3!
z
+ f
2
z
+ zf + f = z) +
x
f(
(3)
i
3
(2)
i
2
(1)
i i
i

Es decir,
...]dz + f
3!
z
+ f
2
z
+ zf + f [ = z)dz +
x
f( = (i)
I
(3)
i
3
(2)
i
2
(1)
i i
hk
i
kh
0
k

0

] ... + f
n!
z
+ ... + f
24
z
+ f
6
z
+ f
2
z
+ f [z = (i) I
kh
0
1) - (n
i
n
(3)
i
4
(2)
i
3
(1)
i
2
i k

Reemplazando los lmites, se obtiene:
... + f
24
) (kh
+ f
6
) (kh
+ f
2
) (kh
+ f (kh) = (i)
I
(3)
i
4
(2)
i
3
(1)
i
2
i
k

Si la primera derivada es reemplazada por una formula de diferenciacin de m puntos dada
anteriormente, aproximadas formulas I
nm
(i) por I
n
(i) se pueden hallar en trminos de los
valores pivote de f(x).
Por ejemplo, si se toma la formula: ... + f
2
h
- ] f - f [
h
1
= f
(2)
i i 1 + i
(1)
i
, que tiene 2 puntos,
se tendra: ... + f
6
) (nh
+ ] f
2
h
-
h
f - f
[
2
) (nh
+ f (nh) = (i)
I
(2)
i
3
(2)
i
i 1 + i
2
i
n2

... + f
6
) (nh
+ f
4
h n
- f
2h
) (nh
+ f
2h
) (nh
- f (nh) = (i)
I
(2)
i
3
(2)
i
3 2
1 + i
2
i
2
i
n2

... + f
6
) (nh
+ f
4
h n
- f
2h
) (nh
+ f
2h
) (nh
- f (nh) = (i)
I
(2)
i
3
(2)
i
3 2
1 + i
2
i
2
i
n2

... + f 2n) - (3
12
h n
- ] f
n
+ f )
n
- [(2n
2
h
= (i)
I
(2)
i
3 2
1 + i
2
i
2
n2

Por lo cual, una formula aproximada de integracin es:
... + f 2n) - (3
12
h n
- =
e
con ] f
n
+ f )
n
- [(2n
2
h
= (i)
I
(2)
i
3 2
i 1 + i
2
i
2
n2

En especial para n=1, se halla la regla trapezoidal
f
12
h
- =
e
con ] f + f [
2
h
= (i)
I
(2)
i
3
i
1 + i i
12

Para n=3:
f
h
4
9
=
e
con ] f 3 - f [9
2
h
= (i)
I
(2)
i
3
i
i 1 + i
32

Cuando n es par, es a menudo ms conveniente integrar f(x) con n tiras simtricamente
localizadas cerca de x
i+n/2
(z)dz f = z)dz +
x
f( = z)dz +
2
nh
+
x
f( = z)dz +
x
f( = f(z)dz \ = (i)
I
2
n
+ i
2
nh
2
nh -
2
n
+ i
2
nh
2
nh -
i
2
nh
2
nh -
i
nh
0
nh + x
x
n
i
i

Por Taylor ... + f
4!
z
+ f
3!
z
+ f
2
z
+ zf + f = z) +
x
f(
(4)
2
n
+ i
4
(3)
2
n
+ i
3
(2)
2
n
+ i
2
(1)
2
n
+ i
2
n
+ i
2
n
+ i

As,
2 /
2 /
nh
nh
f
z
f
z
f
z
f
z
zf f = (i)
I
.. +
5!
+
4!
+
3!
+
2
+ = (z)dz
(4)
2
n
+ i
5
(3)
2
n
+ i
4
(2)
2
n
+ i
3
(1)
2
n
+ i
2
2
n
+ i
2
n
+ i
2
nh
2
nh
-
n

Es decir: ... + f
1920
(nh)
+ f
24
(nh)
+ f (nh) = (i)
I
(4)
2
n
+ i
5
(2)
2
n
+ i
3
2
n
+ i
n

Esto permite aproximar valores de I
nm
(i) al reemplazar por formulas de diferenciacin. Por
ejemplo, si se usa: f
12
h
- ] f - f 4 + f 5 - f [2
h
1
= f
(4)
i
2
+3 i 2 + i 1 + i i 2
(2)
i

que tiene cuatro puntos pivotes, se puede escribir:
... + f
12
h
- ] f - f 4 + f 5 - f [2
h
1
= f
(4)
2
n
+ i
2
+3
2
n
+ i 2 +
2
n
+ i 1 +
2
n
+ i
2
n
+ i 2
(2)
2
n
+ i

Por tanto,
f ]
1920
(nh)
+
12
h
[ - ] f - f 4 + f 5 - f [2
h
24
(nh)
+ nhf = (i)
I
(4)
2
n
+ i
5
2
+3
2
n
+ i 2 +
2
n
+ i 1 +
2
n
+ i
2
n
+ i 2
3
2
n
+ i
n4

Se puede tener en general la siguiente tabla:

No n m mult i-1 i i+1 i+2 i+3 i+4 i+5 error

1 1 1 h 1 0 h
2
/2f
'

2 1 2 h/2 1 1 -h
3
/12f
''

3 1 3 h/12 5 8 -1 h
4
/24f
(3)

4 1 3 h/12 -1 8 5 -h
4
/24f
(3)

5 1 4 h/24 -1 13 13 -1 11h
5
/720f
(4)

6 1 4 h/24 9 19 -5 1 19h
5
/720f
(4)

7 1 5 h/720 251 646 -264 106 -19 27/1440h
6
f
(5)

8 1 5 h/720 -19 346 456 -74 11 -11/1440h
6
f
(5)
9 2 1 2h 1 0 0 2h
2
f
'

10 2 1 2h 0 1 0 h
3
/3f
(2)

11 2 2 h/2 0 4 0 h
3
/3f
(2)

12 2 3 h/3 1 4 1 -h
5
/90f
(4)

13 2 3 h/12 4 -8 28 0 h
4
/3f
(2)

14 2 4 h/3 1 4 1 0 -h
5
/90f
(4)

15 3 1 h 3 0 0 0 9/2h
2
f
'

16 3 2 h/2 -3 9 0 0 27/12h
3
f
(2)

17 3 3 h/12 9 0 27 0 9/24h
4
f
(3)

18 3 4 3h/8 1 3 3 1 -h
5
/80f
(4)

19 4 1 h 4 0 0 0 0 8h
2
f
'

20 4 2 h/2 -8 16 0 0 0 80/12h
3
f
(2)

21 4 3 4h/3 0 2 -1 2 0 14h
5
/15f
(2)

22 5 1 h 5 0 0 0 0 0 25/2h
2
f
'

23 5 2 h/2 -15 25 0 0 0 0 175/12h
3
f
(2)

n = nmero de franjas, m = puntos pivotes

NOTAS.
f ]
h n
- [160
1920
h
- ] f - f 4 + f 5 - f 24n) +
n
[(2
24
h
= (i)
I
(4)
2
n
+ i
3 5
2
+3
2
n
+ i 2 +
2
n
+ i 1 +
2
n
+ i
2
n
+ i
3
n4

1. Los coeficientes subrayados indican los puntos entre los que se realiza la integracin
2. Una formula desplazada a la derecha da lugar a otra desplazada a la izquierda invirtiendo
el orden de los coeficientes
3. La suma de los coeficientes por el multiplicador debe dar igual a nh
4. Las formulas se pueden usar sucesivamente.

La frmula 4, de una franja, de 3 puntos pivotes con multiplicador h/12, que dice:
] 5 8 [
12
) ( ) (
1 1
1
13 +
+
+ + = =
i i i
i
i
f f f
h
dx x f i I , puede ser, ] 8 5 [
12
1 1 +
+
i i i
f f f
h

Ejercicios.
Sean los siguientes datos:
x 1.0 1.01 1.02 1.03 1.04 1.05
y
1
.6021 .6053 .6085 .6117 .6149 .6180
y
2
1.386 1.394 1.401 1.409 1.416 1.423

I. Calcular f
1.02
(1)
, f
1.02
(2)
, f
1.02
(3)
, f
1.02
(4)
, f
1.02
(5)
con formulas que tengan 5, 6, 7, 8 y 9
puntos pivotes respectivamente.
II. Calcular con mnimo 3 franjas cada una de las integrales
f(x)dx = z

1.05
1.01
, f(x)dx = z

1.04
1.02
.
III. Podra evaluar la funcin por Lagrange o Newton.
IV. Por formula avanzada de Newton calcular f(1.045)

Ecuaciones diferenciales

Las ecuaciones compuestas de una funcin incgnita y su derivada, se conocen con el
nombre de ecuacin diferencial. En general, ellas expresan el cambio proporcional de una
variable y de sus parmetros
7
. En esta seccin nos ocuparemos de varios tipos de problemas
numricos asociados a las ecuaciones diferenciales.

La variable a diferenciar en la ecuacin, se dice es la variable dependiente. La variable
respecto a la cual se va a derivar es la variable independiente. Cuando la funcin incluye
una variable dependiente, es una ecuacin diferencial ordinaria; que est en contraste con
las ecuaciones diferenciales parciales que comprenden dos o ms variables dependientes.

Las ecuaciones diferenciales se denominan por el orden; una ecuacin es de orden n-simo
si posee una n-sima derivada. En general, se escribe una ecuacin diferencial como: y
(n)
(x)
= f(y, y', y'', y''',...y
(n-1)
)

La solucin de una ecuacin diferencial ordinaria es una funcin especfica de la variable
dependiente y de los parmetros que satisfacen la ecuacin.

Por ejemplo, se tiene la funcin y x) + (1
2
1
= y
2 (1)
, se desea saber cul es el valor y(0.1) y
y(0.2), sabiendo que y(0)=1.

Esta funcin es sencilla (de primer orden) y hallar su solucin analtica no es complicado.

7
Las leyes fundamentales de la fsica, la mecnica, la electricidad y la termodinmica, entre otras,
se basan en observaciones empricas que explican la variacin de las propiedades fsicas y estados
de los sistemas. Para escribir el estado de los sistemas fsicos, las leyes se expresan en cambios del
tiempo y del espacio.
x) + (1
2
1
=
y
y
2
(1)
, es decir, x)dx + (1
2
1
= dy y
2 -
, luego
C +
x
+ 2x
4
= y
2

como y(0) = 1, entonces c = -4, luego
4
2
2x + x
4
= y

Pero para calcular lo solicitado se utiliza una aproximacin numrica por series de Taylor.
Mtodos Numricos
Recordando se tiene: ... + y
4!
h
+ y
3!
h
+ y
2
h
+ y h + y = h) +
x
y(
(4)
i
4
(3)
i
3
(2)
i
2
(1)
i i
i

Se conoce y(0) = 1, se puede calcular y
0
' = 1/2
8
. Se calcula y'', y''', y
iv
, ... hasta donde se
desee el error y luego se calcula y(0.1), tomando h = 0.1, o y(0.2) con h = 0.2

As y(0.1) = 1 + 0.1*1/2 + (0.1)
2
/2*1 + (0.1)
3
/6*9/4+... = 1.055375 con error de orden 4

Las derivadas que aparecen aqu se calculan a partir de la ecuacin diferencial dada:
x)] + (1 y 2y + y [
2
1
= y
(1) 2 (2)
, 1 = y
(2)
0

)]] y + x) + (1 y y( + x) + (1 y 2[ + yy [2
2
1
= y
(1) (2) ) (1 (1) (3)
2
, 2.25 = y
(3)
0

Cules son las ventajas y las desventajas del mtodo de la serie de Taylor?

El mtodo depende de derivar repetidamente la ecuacin diferencial dada, por consiguiente
la ecuacin debe tener derivadas parciales de orden n. El procedimiento tiene una sencillez
conceptual y precisin muy alta.

Ejercicio. Sea la funcin y ) x + (1
2
1
= y
2 (1)
1 + , se desea saber cul es el valor y(0.1) y
y(0.2), sabiendo que y(0) = 1.

Ejemplo. Sea 1] +
e
y[ = y
x
(1)
, con y(0) = 1, calcular y(0.1), y(0.2).
e
y + 1) +
e
( y = y
x x
(1) (2)
, 5 = y
(2)
0

e
y +
e
y 2 + 1) +
e
( y = y
x x
(1)
x
(2) (3)
, 15 = y
(3)
0

e
y +
e
y +
e
y 3 + 1) +
e
( y = y
x x
(1)
x
(1)
x
(3) (4)
, 52 = y
(4)
0

As que y(.01) = 1.227717

Si se considera en la serie de Taylor y
(1)
= f(x, y); entonces puede escribirse y
i+1
= y
i
+
f(x
i
,y
i
)h. Que es llamda la formula de Euler (Euler-Cauchy) o de pendiente puntual.

Esta frmula tiene la ventaja de no necesitar ninguna derivada. Sin embargo, es necesario
tomar pequeos valores de h para obtener una precisin aceptable.

8
Esto se calcula en la misma ecuacin diferencial dada.
Mtodos Numricos
Ejemplo. Sea y'=-x
3
+6x
2
-4x+3, con y
0
=2, se puede tener para x=0 hasta x=2:
9

y(0,5) = y(0)+f(0,2)*0.5= 2+3*0.5=3.5
y(1.0) = y(0.5)+f(0.5, 3.5)*0.5 = 3.5 + [-0.5
3
+6*0.5
2
-4*0.5+3]*0.5 = 4.4375
y(1.5) = 6.4375
y(2.0) = 10

Para la ecuacin y x) + (1
2
1
= y
2 (1)
con y(0)=1; y(0.1)=1+0.5*.1=1.05
y(0.2)= y(0.1)+f(0.1, 1.05)*.1= 1.05+[1/2(1.01)(1.05)
2
]*.01 =1.11567625

Para la ecuacin 1] +
e
y[ = y
x
(1)
; y(0.1)=1+2*.1=1.2
y(0.2)= y(0.1)+f(0.1, 1.2)*.1= 1.2+[1/2(e
.1
+1]*.01 =

Ejercicio.
Sea y = y
2
(e
x
1), con y
0
= 1.

El mtodo se puede mejorar al no tomar una sola pendiente (derivada), sino un promedio
de las dos pendientes que existen en los puntos x
i
y x
i+1
, es decir, con y'
i
= f(x
i
,y
i
) y con y'
i+1
= f(x
i+1
,y
i+1
), se tendra en el caso anterior, y
i+1
= y
i
+{f(x
i
,y
i
)+ f(x
i+1
,y
i+1
)}/2 *h, lo que da un
valor ms aproximado. Se conoce como la formula mejorada de Euler.

Ejemplo. Sea y x) + (1
2
1
= y
2 (1)
, y(0)=1
y
0.1
= y
0
+ h/2 {f(0,1)+f(0.1, 1.05)}
Se debe primero calcular f(0.1, 1.05) por Euler
f(0.1, 1.05)= 1.05+[1/2(1+.1)(1.05)
2
]*.01 =1.11567625
Entonces y(.1)=1+.1[1/2(.5+1.11567625]=1.0807838125

La solucin numrica de ecuaciones diferenciales ordinarias incluye dos tipos de error:
1. Errores de truncamiento causados por la aproximacin empleada en el mtodo.
2. Errores de redondeo debido a las cifras significativas consideradas.

Podemos emplear el mtodo de Euler para integrar numricamente una funcin.

9
Podra considerarse la formula de Euler como el resultado de:
1
y
h
y y
n n
=
+
; luego
) , (
1
x y hf y y
n n n
+ =
+

Mtodos Numricos
Ejemplo:
Sea y = -x
3
+3x
2
-1.5, calcular la integral entre 0 y 1 con un incremento de .2, siendo y
0
=1.
1.3 = .2 * 1.5 - 1 = ) f(0,1)(0.2 + y = y
0 0.2

1.0224 = .2 * 1.388 - 1.3 = (0.2) f(0.2,1.3) + y = y
.2 0.4

0.8056 = .2 * 1.084 - 1.0224 = .2 4)* f(.4,1.022 + y = y
.4 .6

0.6784 = .2 * 0.636 - 0.8056 = .2 6)* f(.6,0.805 + y = y
.6 .8

0.7784 = .2 * .5 + 0.6784 = .2 4)* f(.8,0.678 + y = y
.8 1

Ejemplo:
Sea y= -2x
4
+ 3x
2
+1, calcular la integral entre 0 y 1 con un incremento de .1, siendo y
0
=1.

Al aplicar el mtodo de Euler mejorado, los clculos de la ecuacin son un poco ms
lentos; sin embargo, la ventaja de la solucin consiste en que el mtodo es ms estable que
el simple de Euler.

Mtodos de Runge-Kutta

El mtodo de la serie de Taylor presenta las ventajas de no requerir algn anlisis previo.
Al utilizar el mtodo de Taylor de orden 5 debemos derivar sucesivamente hasta hallar y
(4)
.
Adems, los rdenes de precisin son bajos. Para mejorar la precisin se requiere una h
pequea, lo que aumenta el tiempo de clculo y provoca errores de redondeo. Los mtodos
de Runge-Kutta evaden esta dificultad y mejoran el orden de precisin.

El mtodo de Runge-Kutta de primer orden consiste en considerar la ecuacin diferencial
ordinaria: y = f(x,y), y(0) = y
0
para calcular y
i+1
en x
i+1
= x
i
+ h, dado un valor y
i
, se integra
la ecuacin en el intervalo [x
i
, x
i+1
]

Por tanto, es aplicar un mtodo de integracin numrica a la integral del lado derecho de la
ecuacin.

Runge-Kutta de segundo orden

Sea la serie de Taylor ... + y
4!
h
+ y
3!
h
+ y
2
h
+ y h + y = h) +
x
y(
(4)
i
4
(3)
i
3
(2)
i
2
(1)
i i
i

Considerando y
(1)
= f(x,y), f f + f = y f + f = y
y x
(1)
y x
(2)

+
+ =
+
1
) , (
1
i
i
x
x
i i
dx y x f y y
dx y x f y y
i
i
x
x
i i

+
+ =
+
1
) , (
1
Mtodos Numricos

En este caso los subndices denotan derivadas parciales y se ha utilizado repetidamente la
regla de la cadena para las derivadas. Los primeros trminos en la serie de Taylor se puede
escribir como:
)
h
o( + f] f + f [
2
h
+ hf + y = y
3
y x
2
i 1 + i
)
h
o( + f] hf + hf + [f
2
h
+ f
2
h
+ y =
3
y x i

Podemos eliminar las derivadas parciales recurriendo a los primeros trminos de la serie de
Taylor de dos variables:
... + ] f
k
+ hkf 2 + f
h
[
2
1
+ f k + hf + y) f(x, = k) + y h, + f(x
yy
2
xy xx
2
y x
10

es decir, )
h
o( + f kf + hf + f = k) + y h, + f(x
2
y x
.
As que reescribimos: )
h
o( + kf) + y h, + f(x
2
h
+ f
2
h
+ y = y
3
i 1 + i

Por consiguiente la frmula para hallar la solucin a la ecuacin diferencial es:
y)) kf(x, + y h, + f(x
2
h
+ y) f(x,
2
h
+ y(x) = h) + y(x
o )) y ,
x
kf( + y h, +
x
f(
2
h
+ ) y ,
x
f(
2
h
+ y = y
i
i
i
i
i
i
i 1 + i

Esta frmula se utiliza repetidamente para avanzar paso a paso en el proceso. Este mtodo
tambin se llama mtodo de Heun.
11

Considerando k
1
= f(xi, yi), k
2
= f(xi+ph, yi+qhk
1
), se escribe la frmula general como
y
i+1
= y
i
+h/2k
1
+h/2k
2

y generalizando aun ms, y
i+1
= y
i
+ (a
1
k
1
+a
2
k
2
)h

Debindose tener:
a
1
+a
2
= 1
a
2
p = 1/2
a
2
q = 1/2
Debido a que se tienen tres ecuaciones con cuatro incgnitas, existen innumerables
soluciones.

10
Al derivar con respecto a y existe y
(1)
, que es f(x,y)
11
El mtodo de Runge-Kutta de segundo orden es idntico al mtodo predictor-corrector de
Euler, que es un mtodo muy simple.
Mtodos Numricos

Si se supone que a
2
= 1, entonces p = q = 1/2, es decir:
)) y ,
x
f(
2
h
+ y ,
2
h
+
x
f( + y = y
i
i
i
i
i 1 + i

Frmula denominada como mtodo mejorado del polgono.

Ralston y Rabinovich determinaron escoger a
2
=2/3; es decir
3
h
)) y ,
x
f(
4
3h
+ y ,
4
3h
+
x
2f( + y = y
i
i
i
i
i 1 + i

Al realizar derivaciones y derivaciones se tendra;
f] f + f f[ + f]f f + f [ + f f + f = y
yy yx y y x xy xx
(3)

Pero, la extensin de los mtodos de Runge-Kutta se realiza en forma anloga, tenindose
para un tercer orden:
6
h
]
k
+
k
4 +
k
[ + y = y
3 2 1
i 1 + i

Donde:
k
1
=f(x
i
, y
i
)
k
2
=f(x
i
+h/2, y
i
+hk
1
/2)
k
3
=f(x
i
+h, y
i
-hk
1
+2hk
2
)

Similarmente, podemos describir los mtodos de Runge-Kutta de cuarto orden:
6
h
]
k
+
k
2 +
k
2 +
k
[ + y = y
4 3 2 1
i 1 + i

donde:
k
1
=f(x
i
, y
i
)
k
2
=f(x
i
+h/2, y
i
+hk
1
/2)
k
3
=f(x
i
+h/2, y
i
-hk
1
+h/2k
2
)
k
4
=f(x
i
+h, y
i
+hk
3
)

Est frmula es conocida como el bsico de Runge-Kutta de cuarto orden, dado que existe
nmero infinito de versiones.

Ejercicio. Sean los siguientes datos:

x 1.000 1.010 1.020 1.030 1.040 1.050 1.060 1.070 1.080 1.090 1.100
f .6021 .6053 .6085 .6117 .6149 .618 .613 .607 .601 .594 .581
g 1.386 1.394 1.401 1.409 1.416 1.423 1.419 1.407 1.397 1.385 1.376

Mtodos Numricos
I. Calcular f
1.07
(2)
, g
1.02
(4)
con formulas que tengan 7 y 8 puntos pivotes respectivamente.

II. Calcular el rea entre 1.0 y 1.1 para f y g. Empleando diferentes formulas en f y g.

III. Dada la ecuacin diferencial
1.395612 = y con , )
x
+ (1 xy = y
0
2
(1)

Calcular y
0.5
con un error de .00001 por lo menos por tres mtodos. Compare y analice la
razn de sus resultados (h=0.1)

IV. Dada la funcin g(x)= X
6
- 3X
5
+2X
3
-7X+1

a) Calcule
2
g(2) con un desplazamiento de .001
b) Calcule
3
g(2) con un desplazamiento de .01

Ejercicio. Hallar las races reales de X
3
+3X
2
-X-4 con un error de e=5x10
-5

Sea f(0)=-17, f(1)=-9, f(2)=3, f(3)=18 f(4)=45, f(5)=101, f(6)=211; calcular f(2.01)

Sea f
0
=-5.25, f
1
=-5.1, f
2
=-4.65, f
3
=-3.3, f
4
=.75, f
5
=12.9, f
6
=49.35; calcular f
1.105
, f
3.01
, f
4.99

Ejercicios

a. La produccin de papa esta dada por la funcin )
x
+ (1 xy = y
2
(1)
con y
0
=1.
Considerando que 0.1 equivale a un mes, calcular la produccin para junio del 2002, por
dos mtodos totalmente diferentes. Compare y analice la razn de sus resultados con la
solucin real.

b. Calcule dx 1 -
x x
= z
2 3
2.01
1
utilizando dos tipos de formulas.

c. Dados los valores:

x

1

1.2

1.4

1.5

1.6

1.8

2.

y

-1.004

-0.2475

1.5895

0.6581

-3.2125

-2.5065

1.2465
Calcular y
,
1.5
y y
(2)
1.4
con dos formulas diferentes para cada caso. Compare resultados.

d. Halle una formula para y
(3)
de nueve puntos.

Bibliografa

BURDEN Richard, FAIRES Douglas (2002). Anlisis numrico. 7 ed., Thomson
Learning, Bogot.

CHAPRA Steven (2002). Mtodos numricos para ingenieros. 4 ed., McGrawHill,
Bogot.

LUTHE GARCIA Rodolfo (1998). Mtodos numricos. Limusa, Mxico.

MATHEWS Jhon H., FINK Kurtis D. (2000). Mtodos numricos con MATLAB. 3 ed.,
Prentice Hall, Madrid.

NAKAMURA Shoichiro (1997). Anlisis numrico y visulizacin grfica con MATLAB.
Prentice Hall, Mxico.

NAKAMURA Shoichiro (1992). Mtodos numricos aplicados con software. 1. ed.,
Prentice Hall, Mxico.

NIEVES Antonio (1997). Mtodos numricos aplicados a la ingeniera. CECSA, Mxico.

ZILL Dennos G., CULLEN Michael (2001). Ecuaciones diferenciales con problemas de
valores en frontera. 5 ed., Thomson Learning, Mxico.

Limet Num

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Limet Num

Uploaded by

Copyright:

Available Formats

Mtodos

, como U es invertible, su determinante

puede tener races

utilizando dos tipos de formulas.

You might also like