You are on page 1of 84

PROGRAMACION Y

METODOS NUMERICOS
TEMARIO

Alumno: Hctor Daniel Njera Cabrales


Profesor: Dr. Guillermo Urriolagoitia Sosa

20 DE FEBRERO DE 2015
MAESTRIA EN CIENCIAS CON ESPECIALIDAD EN INGENIERIA MECANICA OPCION DISEO
ESIME ZACATENCO

INTRODUCCIN A LOS MACROS EN EXCEL.


ESTRUCTURA, APLICACIONES, ERRORES COMUNES Y GRAFICAS EN EXCEL
Con el afn de hacer ms rpido nuestro trabajo, evitar errores manuales y aprovechar al mximo
el uso del programa Excel. MACRO es la respuesta a lo antes mencionado. Una macro es un
conjunto de comandos que se almacena en Excel de manera que est disponible cuando se
necesite. Las macros se escriben en un lenguaje de computadora especial que es conocido como
Visual Basic for Applications (VBA).

La grabadora de macros almacena cada accin que se realiza en Excel


Este lenguaje permite acceder a prcticamente todas las funcionalidades de Excel y con ello tambin
ampliar la funcionalidad del programa. Se puede crear una Macro fundamentalmente de dos
maneras o bien se utiliza el lenguaje de programacin VBA, Visual Basic para Aplicaciones, o bien se
puede simplemente grabar sin tener conocimientos de programacin simplemente realizando una
secuencia de acciones. Excel provee de una herramienta especial que permite crear una macro
fcilmente.

Al dar clic en el botn aparece lo


siguiente:
En el cuadro de texto Nombre de la macro debers colocar el nombre que desees. Opcional puedes
asignar un mtodo abreviado de teclado el cual permitir ejecutar la macro con la combinacin de
teclas especificadas. La lista de opciones Guardar macro en permite seleccionar la ubicacin donde
se almacenar la macro.

Este libro: Guarda la macro en el libro actual.


Libro nuevo: La macro se guarda en un libro nuevo y que pueden ser ejecutadas en cualquier
libro creado durante la sesin actual de Excel.

Libro de macros personal. Esta opcin permite utilizar la macro en cualquier momento sin
importar el libro de Excel que se est utilizando.
Al dar clip en aceptar, iniciara la grabacin de la macro, acto seguido capturar todas la acciones
deseadas, dar clip en detener grabacin. Para completar la macro.

Por mencionar, existen macros para insertar nombre, empresa y departamento, para insertar
imagen, para redondear decimales, para cambiar la impresora asignada por defecto.
Los errores pueden ser errores de tipo o estructuras, El editor de macros tiene un autocontrol que
permite corregir estos errores ms comunes.
Error en la macro
El mensaje Error en la macro aparece cuando hay un error en la macro que se est ejecutando. El
mtodo especificado no se puede usar en el objeto especificado por alguno de los siguientes
motivos:
Un argumento contiene un valor que no es vlido. Una causa habitual de este problema es
intentar tener acceso a un objeto que no existe; por ejemplo, a Libro (5) cuando solo hay 3
libros abiertos.
El mtodo no se puede usar en el contexto aplicado. Especficamente, algunos mtodos del
objeto Rango requieren que el rango contenga datos. Si el rango no contiene ningn dato,
se producir un error en el mtodo.
Error externo, por ejemplo, un error de lectura o escritura de un archivo.
Un mtodo o una propiedad no se pueden usar debido a la configuracin de seguridad. Por
ejemplo, las propiedades y los mtodos del objeto VBE para manipular el cdigo de Visual
Basic para Aplicaciones (VBA) almacenado en un documento de Microsoft Office son
inaccesibles de manera predeterminada.
Existen graficas lineales, numricas, de barra, histogramas, circulares, y Excel dispone de un
asistente que gua como realizar una. Para obtener una grafica, seleccionar el men insertar y
elegir la opcin grfico como se muestra:

Aparecer: TIPO DE GRFICO.

En este paso nos pide elegir el tipo


de grfico
Al dar clip en siguiente aparecer: Datos de origen. Este paso es el ms importante de todos ya que
en l definiremos qu datos queremos que aparezcan en el grfico. Dispone de dos fichas: Rango
de datos y Serie.

Seleccionar la opcin Filas o Columnas dependiendo de cmo estn introducidos en la hoja de


clculo cada serie de datos. Dar clip en el botn siguiente y llenar los datos solicitados.
As obtenemos nuestra grafica.

Editor de visual Basic:


VBE por sus siglas en ingls, es un programa independiente a Excel pero fuertemente relacionado
a l porque es el programa que nos permite escribir cdigo VBA que estar asociado a las macros.

En la parte izquierda se muestra el Explorador de proyectos el cual muestra el proyecto VBA creado
para el libro actual y adems muestra las hojas pertenecientes a ese libro de Excel.

El Explorador de proyectos tambin nos ayuda a crear o abrir mdulos de cdigo que se sern de
gran utilidad para reutilizar todas las funciones de cdigo VBA que vayamos escribiendo. El rea
ms grande en blanco es donde escribiremos el cdigo VBA. Es en esa ventana en donde escribimos
y editamos las instrucciones VBA que dan forma a nuestras macros.

Tipos de macros
Existen varias macros previamente creadas para Excel para Windows.
Macros automticos
Clip en men-Herramientas-opcin- Complementos. Con esta opcin se especifican las macros que
estn disponibles y listas para usarse al iniciarse Excel para Windows.
Estn disponibles en el men, Herramientas, opcin Asistente.
Macros de Excel
Las macros se pueden agrupar en dos categoras principalmente:
Macros de funciones.

Consiste en una serie de comandos y funciones que se almacenan en un mdulo de Visual Basic y
que puede ejecutarse siempre que sea necesario ejecutar la tarea. Una macro se graba igual que
se graba msica en un casete.
Macros de comandos.
La creacin de estas macro funciones consiste en poner una serie de ARGUMENTOS, en las cuales
podemos ir poniendo los datos que lleva una funcin normal de Excel para Windows y al final le
indicamos que operaciones hacer con estos ARGUMENTOS y de esta manera se optimiza el uso de
varias frmulas para llegar a un resultado.

Tipos de Macros desde Visual Basic

2.- FUNDAMENTOS DE PROGRAMACION VISUAL BASIC (VBA) EN EXCEL


Visual Basic es un lenguaje de programacin dirigido por eventos, desarrollado por Alan Cooper para
Microsoft. Este lenguaje de programacin es un dialecto de BASIC, con importantes agregados. Su
primera versin fue presentada en 1991, con la intencin de simplificar la programacin utilizando
un ambiente de desarrollo que facilit en cierta medida la programacin misma. Visual Basic
contiene un entorno de desarrollo integrado o IDE que integra editor de textos para edicin del
cdigo fuente, un depurador, un compilador (y enlazador) y un editor de interfaces grficas o GUI.
Existe un nico entorno de desarrollo para Visual Basic, desarrollado por Microsoft: Microsoft Visual
Basic x.0, correspondientes a versiones desde la 1.0 hasta la 6.0, (con respectivas diferencias entre
versiones del lenguaje).
ELEMENTOS DE PROGRAMACION EN VBA (FLUJO SECUENCIAL, FLUJO CONDICIONAL, FLUJO
REPETITIVO)
Un programa computacional escrito mediante cualquier lenguaje de programacin puede verse a
grandes rasgos como un ujo de datos, algunos jugando el papel de datos de entrada, otros son
datos que cumplen alguna funcin temporal dentro del programa y otros son datos de salida. A lo
largo del programa es muy frecuente que sea necesaria la entrada en accin de otros programas o
procesos. A mayor complejidad del problema que resuelve el programa, mayor es la necesidad de
programar por aparte algunos segmentos de instrucciones que se especializan en una tarea o
conjunto de tareas. Hay tres tipos de estructuras bsicas que son muy utilizadas en la programacin
de un algoritmo, a saber, la estructura secuencial, la estructura condicional y la repetitiva. A
continuacin se explica, con ejemplos programados como macros de Excel, estas estructuras.
Tambin se incluyen los programas en seudocdigo y diagramas de ujo para explicar de un modo
ms grco la lgica del programa. El uso de estos ltimos es cada vez menor, pues el seudocdigo
por lo general es sucientemente claro y se escribe en lenguaje muy cercano al lenguaje natural.

Flujo secuencial

El ujo secuencial consiste en seguir una secuencia de pasos que siguen un orden predeterminado.
Por ejemplo, un programa que a partir de un nmero N de das, calcula la cantidad de segundos que
hay en esta cantidad de das. Este programa se puede ver como una secuencia de varios pasos
Inicio: Ingresa el nmero N de das
Paso 1: H = 24*N, para determinar la cantidad de horas
Paso 2: M = 60*H, para determinar la cantidad de minutos.
Paso 3: S = 60*M, para determinar la cantidad de segundos.
Paso 4: Retorne S.

Fin
La macro correspondiente a esta secuencia de clculos
puede escribirse como sigue:
Function CalculeSegundos (Dias)
CantHoras = 24 * Dias
CantMinutos = 60 * CantHoras
CalculeSegundos = 60 * CantMinutos
End Function
Flujo condicional (If - Else)

Flujo condicional

Un ujo condicional se presenta en un programa o procedimiento que debe escoger una accin o
proceso a ejecutar, dependiendo de condiciones que puedan cumplirse. El caso ms sencillo ocurre
cuando el programa verica si una condicin se cumple y en caso de ser verdadera ejecuta un
proceso, en tanto que si es falsa ejecuta otro proceso. En VBA tenemos la instruccin
If...Then...Else
Ejecuta condicionalmente un grupo de instrucciones, dependiendo del valor de una expresin.
Sintaxis
If-condition Then
instrucciones
Else- instrucciones-else
Puede utilizar la siguiente sintaxis en formato de bloque:
If condition Then
instrucciones
Else If condition Then
instrucciones-else-if ...
Else instrucciones-else
End If
Ejemplo
En este ejemplo veremos como usar la instruccin:
If...Then...Else

Obtener un programa que calcule aproximaciones de 2, sabiendo que la sucesin { }


converge a 2,definida en forma recurrente mediante la relacin:

1 =
0 =

1
2
( + )
2
}
1

El programa deber estimar el error absoluto de las aproximaciones y ser capaz de escribir un
mensaje de xito o de fracaso, dependiendo de si el error absoluto es o no menor que una tolerancia
dada. Para los resultados que aparecen en la grca anterior pueden programarse las siguiente
macros para ser evaluadas en cada columna:
Function AproxDeRaiz(x)
AproxDeRaiz = (1 / 2) * (x + 2 / x)
End Function
Function CalculoElError(Aproximacion, ValorExacto)
CalculoElError = Abs(Aproximacion - ValorExacto)
End Function
Function verificaTol(Error, Tol)
If (Error < Tol) Then
verificaTol = "EXITO"
Else
verificaTol = "FRACASO"
End If
End Function
El diagrama siguiente ilustra la forma en que esta ltima funcin de vericacin acta con base en
el valor de sus dos parmetros de entrada:

Flujo repetitivo (For-Next, While-Wend, Do While-Loop)

El ujo repetitivo se presenta en un algoritmo cuando se requiere la ejecucin de un proceso o parte


de un proceso sucesivamente, hasta que ocurra una condicin que permita terminar. Este tipo de
ujos repetitivos se presentan en tres formas que obedecen a maneras diferentes de razonarlos
pero que en el fondo hacen lo mismo:
Utilizar un contador que empiece en un nmero y termine en otro, ejecutando el proceso cada vez
que el contador tome un valor distinto. Mientras una condicin sea verdadera, ejecutar un proceso
y regresar a la condicin.
Ejecutar un proceso, hasta que una condicin deje de cumplirse. En VBA tenemos las siguientes
instrucciones para realizar procesos iterativos:
1- For ... Next
Repite un grupo de instrucciones un numero especicado de veces.
Sintaxis (las instrucciones entre [ ] son instrucciones adicionales)
For
contador = inicio To n [Step incremento]
instrucciones
[Exit For]
instrucciones
Next contador
2-

While...Wend
Ejecuta una serie de instrucciones mientras una condicion dada sea True.
Sintaxis
While condici on
intrucciones
Wend
3- Una instruccin muy parecida a While pero ms eciente es Do
Sintaxis
Do while condition

instrucciones
[Exit Do]
Loop
Ejemplo
Para ilustrar estas formas de realizar un ujo repetitivo, vamos a aproximar la suma de una serie
alternada comn error estimado menor que una cantidad total dada.
Consideremos la serie alternada

De acuerdo con la teora de las series alternadas, la serie


=1(1) 2 es convergente si la suma
1

es S, al aproximarla con la suma parcial , el error de la aproximacion es menor que (+1)2, es decir:
| |

1
(+1)2

Ejemplo

Dada una tolerancia TOL, calcular cada una de las sumas parciales hasta que el error de
aproximacin sea menor que TOL.
SOLUCION

10

Implementamos dos macros, una para el clculo de las sumas parciales y otra para hacer la
vericacin del error estimado. En este caso, vamos a suponer que TOL est en la celda B33

RANGOS
Un rango en Excel corresponde a una seleccin de celdas. Una seleccin de las celdas de una la o
una columnas se maneja en Excel como una matriz de orden 1 n o de orden n 1 (un vector). La
seleccin de un bloque de celdas se maneja como una matriz n m. Si una celda est en blanco, se
lee un cero.

Ejemplo

Promedio simple. Consideremos una tabla con 5 notas, todas con igual peso.

Para calcular el promedio simple, en cada la, vamos a hacer una macro que recibe un rango, cuenta
las notas, suma y divide entre el nmero de notas.

11

En primera celda de la columna Promedio, llamamos a la macro con: PROMEDIO (C52:G52) pues
en este caso el rango es C52:G52

Ejemplo 2

El Promedio eliminando las dos notas ms bajas. En este caso, a un conjunto de notas les calculamos
el promedio simple pero eliminando las dos notas ms bajas. El programa Promedio Q suma las
notas de una la (rango), localiza la posicin (en el vector R) de las dos notas ms bajas y luego le
resta a la suma estas dos notas para luego dividir entre n 2. En este caso, el rango R es una matriz
1 n, o sea, se puede ver como un vector de n componentes.
Function PromedioQ (R As Range) As Double
Dim n, i, Imin1, Imin2 As Integer

12

SUBRUTINAS (EDICION Y EJECUCION)


Las subrutinas o procedimientos es otro de los tipos bsicos de programas en Visual Basic. Una
descripcin de la sintaxis de una subrutina que no es completa.

Sintaxis:

Sub Nombre-de-Subrutina (lista-argumentos )


Instrucciones
End Sub
o tambin [Private | Public] [Static] Sub Nombre-de-Subrutina (lista-argumentos )
instrucciones
End Sub
*las partes entre corchetes son opcionales*
Public. Es opcional. Indica que la subrutina puede ser llamada por todas las dems subrutinas sin
importar donde se encuentre.
Private. Es opcional. Indica que la subrutina puede ser llamada solamente por otras subrutinas que
se encuentren en el mismo modulo.
Static. Es opcional. Indica que las variables locales de la subrutina se mantienen constantes de una
llamada a otra. El mbito de accin de esta declaracin no incluye a variables declaradas fuera de la
subrutina.
-Nombre-De-Subrutina. Es requerido. Indica el nombre de la subrutina.
-lista-argumentos. Es opcional e indica las variables que conforman los argumentos con que una
sub-rutina es llamada. Para separar una variable de otra se escribe una coma.
-Instrucciones. Es opcional y conforma el conjunto de instrucciones que son ejecutadas a lo largo
de la subrutina.
Ejemplo
Elevar al cuadrado los valores de una seleccin (ejecutar desde la ventana de ejecucin de
macros).Podemos implementar una subrutina en una hoja, que recorra una seleccin hecha con el
mouse y que vaya elevando al cuadrado el valor de cada celda.

13

Nota: La macro se aplica a los datos que estn actualmente seleccionados


Para editar la subrutina, vamos al editor VB (Alt-F11) y hacemos doble-clic sobre (Hoja1)

Escribimos el cdigo, compilamos (en men Depuracin), guardamos y nos devolvemos a la hoja.
Para ejecutar la macro seleccionamos la tabla con el mouse y levantamos la ventana de ejecucin
de macros (Alt-F8)y damos clic en Ejecutar
Ejecucin de una subrutina mediante un botn
Otra posibilidad bastante practica para ejecutar un programa o subrutina como los presentados en
la seccin precedente es mediante un botn de comando.

Ejemplo Elevar al cuadrado los valores de una seleccin.

1. Primero digitamos la tabla de valores. Luego insertamos un botn. Para esto seleccionamos un
botn deL cuadro de controles (si la barra no est disponible, puede habilitarla con Ver - Barra de
herramientas- Cuadro de Controles).

14

2. Luego hacemos clic en el lugar de la hoja donde queremos el botn. Una vez que tenemos el
botn, podemos agregar algunas propiedades como etiqueta, color de fondo, etc., en el men de
contexto. Este men se abre con clic derecho + propiedades. Luego cerramos el men.
3. Para editar el cdigo que debera ejecutar el botn, le damos un par de clics al botn (que todava
est en modo diseo). En este caso, si es la primera vez, nos aparece el cdigo
Private Sub CommandButton1_Click () End Sub
Aqu tenemos dos opciones
a. Implementar la subrutina por separado y luego llamarla desde la subrutina del botn

15

4. Una vez que escogemos alguna de las dos opciones anteriores, compilamos (en men Depurar),
guardamos y nos devolvemos a la hoja.

5. Para habilitar el botn debemos deshabilitar el cono de diseo


6. Ahora solo resta seleccionar la tabla y hacer clic sobre el botn. Observe que al dar un clic sobre
el botn, el programa opera sobre lo que tengamos seleccionado previa-mente

MATRICES DINAMICAS
Cuando hacemos una seleccin con el mouse, es conveniente entrar los valores seleccionados en
una matriz dinmica, es decir, una matriz que se ajuste a la cantidad de datos seleccionada y que,
eventualmente, se pueda recortar o hacer ms grande.

Una matriz dinmica mtr1 de entradas enteras se declara as:

16

Ejemplo

Centro de gravedad de un conjunto de puntos en 2


Considerando un conjunto = {( , )/ = 1,2, , , R} . Supongamos a cada punto
( , ) se le asigna un peso tal que
=1 = 1. El centro de gravedad de se define as

= ( , )
=1

Por ejemplo, si tenemos dos puntos A, B 2 con igual peso (este deber a ser 1/2 para cada punto),
entonces el centro de gravedad es el punto medio del segmento que une A con B
=

+
2

La subrutina que calcula el centro de gravedad de un conjunto de puntos 2 acta sobre un


rango de tres columnas en el que se han escrito las coordenadas (x, y) de dichos puntos, as como
sus pesos. Podemos correr el programa una vez que se ha seleccionado el rango completo en el que
se ubican los puntos y sus pesos, haciendo clic sobre un botn Centro Gravedad. El grafico es un
trabajo adicional. Como el programa necesita que el usuario haya seleccionado al menos dos filas y
exactamente tres columnas, incluimos un fragmento de cdigo adicional para controlar la seleccin.

17

Observemos que si no se cumple el requisito, se enva un mensaje y la subrutina se deja de ejecutar.


Puede causar curiosidad que antes del Else no haya cdigo. A veces se usa esta construccin por
comodidad. Si no hay cdigo el programa continua.
Veamos el cdigo completo en la subrutina del botn.

18

Ejemplo
1. Usando la notacin del ltimo ejemplo, se define la inercia total de como

19

2- O sea, en (x) se elimina el factor ( ) en el numerador y el factor ( ) en el


denominador.
Implemente una hoja, como se ve en la figura, en la que el usuario hace una seleccin de la tabla y
al hacer clic en el botn, se calcula 2 (2.56)

Parte del cdigo seria:

20

3-

O sea, para cada valor de i se elimina el factor (x x i) en el numerador y el factor (x i x i) en el


denominador.
Este polinomio cumple P (x i) = y i i = 1, 2,...n.
Por ejemplo, para el caso de tres puntos (x 0 , y 0 ), (x 1 , y 1 ) y (x 2 , y 2 ), el Polinomio de Lagrange
es:

(a) Implemente una subrutina que, a partir de una seleccin de puntos (x i , y i ) (en dos columnas)
en una hoja de Excel, evala el polinomio interpolante en una valor dado de antemano en una celda,
sea, calcula P (a) para un valor a dado.
(b) Aplique la implementacin anterior a una tabla como la que se presenta en la figura:

Parte del cdigo seria

21

22

3.-INTERPOLACION
Concepto: Interpolar significa encontrar un valor intermedio entre dos o mas puntos base
conocidos, los cuales se pueden aproximar mediante polinomios.
Tipos de interpolacin

interpolacin con espacios equidistantes


interpolacin con espacios no equidistantes
INTERPOLACIN CON ESPACIOS EQUIDISTANTES
O INTERPOLACION DE NEWTON

DIFERENCIAS PROGRESIVAS: Son llamadas diferencias hacia delante y se definen como:


O primeras diferencias: Y i = Y i+1 - Y i i=0,1,2,3...n

(1)

O segundas diferencias: 2 Yi = Y i+1 - Y i i=0,1,2,3...n

(2)

O terceras diferencias: 3 Y i = 2 Y i+1 - 2 Y i i=0,1,2,3...n

(3)

O k- cimas diferencias: k Y i = k k-1 Y i+1 - k-1 Y i i=0,1,2,3...n

(4)

k=0,1,2,3...n
Dnde: es el operador de diferencias progresivas
Para i=0 Y 0 = Y 1 Y 0 -------> Y 1 = Y 0 + Y 0

(5)

Para i=1 Y 1 = Y 2 Y 1 -------> Y 2 = Y 1 + Y 1

(6)

Para i=0 2 Y 0 = Y 1 Y 0 ----> Y 1 = 2 Y 0 + Y 0

(7)

Sustituyendo las ecuaciones (7) y (5) en (6)


Y 2 = Y 1 + Y 1
Y 2 = (Y 0 + Y 0) + ( 2 Y 0 + Y 0)
Y 2 = Y 0 + 2Y 0 + 2 Y 0

(8)

De las ecuaciones (5) y (8)


Y 1 = Y 0 + Y 0 sacando factor comn Y 0 tenemos: Y 1 = (1 + ) 1 Y 0
Y 2 = Y 0 + 2Y 0 + 2Y 0 sacando factor comn Y 0 tenemos: Y 2 = (1 + ) 2 Y 0
Entonces para Y 3 Y 3 = (1 + ) 3 Y 0

(9)

23

Generalizando, tendremos: Y k = (1 + ) k Y 0

(10)

El Segundo miembro de la ecuacin (10) corresponde al Binomio de Newton Elevado al exponente


k, el cual puede desarrollarse del siguiente modo:

= + ( ) + ( ) 2 + + ( )
1
2

(11)

Para: K= 1,2,3, ...n

= + ( ) + ( ) 2 + ( ) + (
) 0 (12)

+1
1
2
Para: K= 1,2,3, ...n
Si se toma un valor j
cualquiera menor que k y si las j-ensimas diferencias son constantes, entonces todas las
diferencias de orden superior a j sern cero, por lo que la ecuacin (11) queda :
!
( 1)( 2) ( + 1)!

( )=
=

( )! !
!

Donde: ( ) es un polinomio k en grado j de la forma:

y k = a 0 + a 1 k + a 22 k 2 + ..... .+ a j k j

(14)

Si consideramos la funcin tabular con espaciamiento h constante.


x

X0

Yo

Donde :

X 1 =X 0 +h

Y1

X 1 -X 0=h
X 2 -X 0 =2h

X 2 =X 0 +2h

Y2

................
Donde queda la expresin
X K -X 0 = Kh

X k =X 0 +kh

Yk

X n =X 0 +nh

Yn

X n -X 0 = nh

Sustituyendo (15) en (14)


= + 1 + 2 2 +

24

Se llama polinomio de newton con espaciamiento constante.

x Y

Ejercicio

0 -5

En base a la funcin tabular que se muestra, preparar la tabla de diferencias:

1 1

Solucin:

2 9

Las primeras diferencias son:

3 25

1 Y 0 = Y 1 -Y 0 = 1-(-5) = 6

4 55
5 105

1 Y 1 = Y 2 -Y 1 = 9 - 1 = 8
1 Y 2 = Y 3 -Y 2 = 25- 9 =16
1 Y 3 = Y 4 -Y 3 = 55-25 =30
1 Y 4 = Y 5 -Y 4 = 105-55 =50
Las segundas diferencias son:
2 Y 0 = Y 1 - Y 02 = 8 - 6 = 2
Y 1 = Y 2 - Y 1 = 16 - 8 = 8
2 Y 2 = Y 3 - Y 2 = 30 - 16 =14
2 Y 3 = Y 4 - Y 3 = 50 -30 =20
Las terceras diferencias son:
3Y0=2Y1-2Y0=8-2=6

3 Y 1 = 2 Y 2 - 2 Y 1 = 14 - 8 = 6

3 Y 2 = 2 Y 3 - 2 Y 2 = 20 - 14 = 6

-5

25

16

55

30

14

105

50

20

Entonces queda la tabla de resultados


Por ser 3 Y constante, corresponde a un polinomio de tercer
grado y es un Polinomio exacto En la ec. (12)

= + ( ) 1 + ( ) 2 + ( )

1
2

+(
)0
+1

Si hacemos J=1, entonces tendremos el polinomio de primer grado que se

25

aproxima a f(x)

= Yo+(1 )
Siendo
=

Tendremos
0
= 0 + (
)

Que corresponde a un polinomio de primer grado.


De la tabla del ejercicio 01, hallar la funcin explicita, teniendo como condiciones iniciales: X 0 =1,
Y 0 =1
Solucin:
=

Como por dato tenemos X 0 =1, siendo los valores de X constantes, entonces h=1 1 Y 0 =8, 2 Y
0 =8, 3 Y 0 =6
=

1
1

quedando k= x-1

Reemplazando en la ecuacin general:

= + ( ) 1 + ( ) 2 + ( ) + (
)0

+
1
1
2
1
1
1
= + (
) 1 + (
) 2 + (
) 3
1
2
3
Reemplazando en la ecuacin anterior. 1 Y 0 =8, 2 Y 0 =8, 3 Y 0 =6
1
1
1
= + (
)8 + (
)8 + (
)6
1
2
3
Conociendo la frmula de permutaciones.
1
1
(
)=
1
1
( 1)( 2)
1
(
)=
2
2
( 1)( 2)( 3)
1
(
)=
3
6

26

= 1 +

( 1)
( 1)( 2)
( 1)( 2)( 3)
8+
8+
6
1
2
6
Y = 1+(x-1)*8 + (x-1)(x-2)*4 + (x-1)(x-2)(x-3)*1

Simplificada queda:
Y = X 3 2X 2 + 7 X 5

SOLUCION PEDIDA
INTERPOLACION CON ESPACIOS NO EQUIDISTANTES
X

Si se presenta una funcin tabulada de la forma:

Xo

Yo

Entonces el polinomio:

X 1 =X 0 +h 0

Y1

X 2 =X 1 +h 1

Y2

..

Xk=X0+kh YK

Yk

Xn=Xn- Yn

Yn

O INTERPOLACION DE LAGRANGE

= 0 1 + 1 1 + 2 2 + + 1 . +
O bien:
Y = a 0 (x- x 1) (x-x 2) (x-x 3)... (X-x n )
+ a 1 (x- x 0 )(x-x 2 )(x-x 3 ) ... (x-x n )
+ a 0 (x- x 0 )(x-x 1 )(x-x 3 ) ... (x-x n )

1+hn-1

....+ a n (x- x 0) (x-x 1) (x-x 2) ... (x-x n-1 )


Los coeficientes a 0, a 1 , a 2 ,........ a n, se determinan de tal modo que el polinomio pase por
todos y cada uno de los puntos conocidos de la funcin, entonces si se evala la funcin anterior
para x= x 0 se tiene: Y 0 = a 0 (x- x 1 )(x-x 2 )(x-x 3 ) ... (x-x n ) donde :

(0 1 )(0 2 )(0 3 )(0 )

ao=

1
(1 0 )(1 2 )(1 3 )(1 )

a1=

..

an=

( 0 )( 1 )(0 2 )( 1 )

27

Sustituyendo en la ecuacin de LaGrange

28

4.- DIFERENCIACIN NUMRICA


Se aproximara la funcin tabulada f(x) y se diferenciar la aproximacin pn(x).
Si la aproximacin es polinomial y con el criterio de ajuste exacto, la diferenciacin numrica
consiste simplemente en diferenciar la frmula del polinomio interpolante que se utiliz. Se en
general.
() = () + ();
O en general

()

() ()
=

()

La derivada de una funcin f(x) en x=x0 es por definicin matemtica:


(0 + ) (0 )
0

(0 ) = lim

Aunque esta frmula da una manera de generar una aproximacin de (0 ) dndo valores
pequeos a y calcular

(0 +)(0 )

, se tendr el problema de que (0 + ) y (0 ) tendrn

valores muy cercanos, lo que har que en la operacin de resta existan perdidas de cifras
significativas. Para el caso de una funcin lineal () = + , la aproximacin dada resulta exacta
para cualquier valor de h distinto de cero.
Una de las clases ms tiles que mapea al conjunto de los nmeros reales sobre s mismos es la de
los polinomios algebraicos; el conjunto de funciones de la forma () = + 1 1 + +
1 + 0 . Aproximan de manera uniforme las funciones continuas.
DIFERENCIAS FINITAS
El Mtodo consiste en una aproximacin de las derivadas parciales por expresiones algebraicas con
los valores de la variable dependiente en un limitado nmero de puntos seleccionados.
Como resultado de la aproximacin, la ecuacin diferencial parcial que describe el problema es
reemplazada por un nmero finito de ecuaciones algebraicas, en trminos de los valores de la
variable dependiente en puntos seleccionados. El valor de los puntos seleccionados se convierte en
las incgnitas. El sistema de ecuaciones algebraicas debe ser resuelto y puede llevar un nmero
largo de operaciones aritmticas.
1 =
2 2

+
=
0;

{
2 2
2 =
=0

En general, la aproximacin de la primera derivada con respecto a x de una funcin F(x,y), es dada

por:

(+,)(,)

, esta se dice que es la aproximacin de diferencia finita hacia adelante

de la derivada parcial.

29

La diferencia finita hacia atrs es obtenida de la forma siguiente:

(,)(,)
Existen

pequeas diferencias entre las dos aproximaciones. La diferencia finita central es a menudo ms

exacta:

1
2

1
2

(+ ,)( ,)

La segunda derivada es la derivada de la primera derivada; y si utilizamos una aproximacin de


2

diferencia finita central, obtendremos: 2

(+,)2(,)+(,)
()2

+1, 2, +1,
()2

Si por razones de simplicidad se asumen intervalos iguales en las direcciones de x e y:


2 2 ,1 + ,+1 4, + 1, + +1,
1
+

; , = (,1 + ,+1 + 1, + +1,


()2
2 2
4

DIFERENCIAS FINITAS USANDO EXPANSIN EN SERIE DE TAYLOR


En los polinomios de Taylor, la informacin utilizada se concentra en el nico punto x0 , mientras se
aleja de x0 da como resultado aproximaciones inexactas.
La principal aplicacin de los polinomios de Taylor en el anlisis numrico no es la aproximacin,
sino la deduccin de los mtodos numricos y la estimacin del error. En matemticas, la serie de
Taylor de una funcin f(x) infinitamente derivable (real o compleja) definida en un intervalo abierto
(a-r, a+r) se define con la siguiente suma:
()~() + ()( ) +

()~
=0

()
( )2 +
2!

() ()
()
( ) ; = |
|
!
2

Ejemplos

= 1 + +

2 3

+ +=
; || <
2! 3!
!
=0

sin =

3 5
2+1
+ = (1)
; || <
(2 + 1)!
3! 5!
=0

cos = 1

2 4
2
+ = (1)
; (|| < )
(2)!
2! 4!
=0

1
= 1 + + 2 + 3 + = ; (|| < )
1
=0

ln(1 + ) =

2 3

+ = (1)1 ; (1 < 1)
2
3

=1

30

DIFERENCIAS FINITAS USANDO POLINOMIOS DE LAGRANGE


Mtodo de aproximacin polinomial en el que no se requiere resolver un sistema de ecuaciones
lineales y los clculos se realizan directamente.
Al definir un polinomio de primer grado que pasa por dos puntos distintos (x0,y0) y (x1,y1), es lo
mismo que aproximar una funcin f, en donde f(x0)= y0 y f(x1)= y1, por medio de un polinomio que
interpole los valores de f en los puntos dados y que coincida con ellos.
Definiendo las funciones:
0 () =

1
0
& 1 () =
0 1
1 0

El polinomio de interpolacin de LaGrange lineal que pasa por (x0,y0) y (x1,y1) es :


() = 0 ()(0 ) + 1 ()(1 ) =

1
0
(0 ) +
(1 )
0 1
1 0

Se observa que:
0 (0 ) = 1,

0 (1 ) = 0,

1 (0 ) = 0 1 (1 ) = 1

Esto implica
(0 ) = 1 (0 ) + 0 (1 ) = (0 ) = 0
(1 ) = 0 (0 ) + 1 (1 ) = (1 ) = 1
Generalizando, considerando la construccin de un polinomio de grado mximo n que pase por los
n+1 puntos.
(0 , (0 )), (1 , (1 )), , ( , ( ))
En este caso para cada k= 0,1,,n se construye una funcin Ln,k(x) , donde:
, ( ) = 0 , ( ) = 1 ,
Para satisfacer , ( ) = 0 para cada
( 0 )( 1 ) ( 1 )( + +1 ) ( )
Para satisfacer , ( ) = 1, el denominador de , ( ) debe ser este trmino pero evaluado en
x= xk; es decir
, =

( 0 ) ( 1 )( + +1 ) ( )
( 0 ) ( 1 )( + +1 ) ( )

31

Para obtener polinomios de tercer, cuarto o n-simo de interpolacin de LaGrange; este ltimo
queda como se indica a continuacin.
( ) = ( ); = 0,1, ,
() = 0 ()(0 ) + 1 ()(1 ) + + ()( )
Donde:
0 () =

( 1 )( 2 ) ( )
(0 1 )(0 2 ) (0 )

1 () =

( 0 )( 2 ) ( )
(1 0 )(1 2 ) (1 )

() =

( 0 )( 1 ) ( 1 )
( 0 )( 1 ) ( 1 )

Que en forma ms compacta y til, quedara:

() = ( ), (); = 0,1, ,
=0

Donde
, () =

( 0 )( 1 ) ( 1 )( +1 ) ( )
( 0 )( 1 ) ( 1 )( +1 ) ( )

, () =
=0;

( )
( )

Ejemplo

Determina el polinomio de interpolacin lineal de LaGrange que pasa por los puntos (2,4) y (3,5)
0 () =
Por tanto

5
1
= ( 5),
25
3
1

1 () =
4

2 1
= ( 2)
52 3

() = 3 ( 5) 4 + 3 ( 2) 1 = 3 +

32

20
3

+ 3 3 = + 6

La grfica de = () es

5.-INTEGRACIN NUMRICA
Una Vez que se ha determinado un polinomio pn(x) de manera que aproxime satisfactoriamente un
funcin dada f(x) sobre un intervalo de inters, puede esperarse que al diferenciar pn(x) o integrarla
en forma definida, tambin aproxime satisfactoriamente la derivada o integral definida
correspondiente a f(x).

En el proceso de integracin, el valor de () , est dado por el rea bajo la curva de f(x),
0

mientras que la aproximacin () , est dado por el rea bajo la curva de pn(x) y los errores
0

que se comenten en diferentes segmentos del intervalo tienden a cancelarse entre s o a reducirse.
Por esto, el error total al integrar pn(x) entre x0 y xn puede ser muy pequeo, aun cuando pn(x) no
sea una buena aproximacin de f(x).

En resumen: si la aproximacin polinomial pn(x) es buena, la integral () , puede dar una


0

aproximacin excelente de ().


0

MTODO DEL TRAPECIO


En el caso n=1, el intervalo de integracin [a,b] queda tal cual y x0 =a, x1=b; la aproximacin
polinomial de f(x) es una lnea recta (un polinomio de primer grado p1(x)) y la aproximacin a la
integral es el rea de trapezoide bajo esta lnea recta. Este mtodo de integracin se llama regla
trapezoidal.

33

Es necesario seleccionar una de las formas de representacin del polinomio p1(x), y como f(x) est
dada para valores equidistantes de x con distancia h, la eleccin lgica es una de las formulas en
diferencias finitas (hacia adelante, hacia atrs o centrales). Si se eligen las diferencias finitas hacia
delate, entonces se tendr:
() = 1 (),

1 () = 1 (0 + ) = (0 ) + (0 )

Se reemplaza p1(x) en la integral y se tiene:

() [(0 ) + (0 )]

Para realizar la integracin del lado derecho de la ecuacin anterior es necesario tener a toda la
integral en trminos de la nueva variable s que, como se sabe, est dada por:
= 0 + , as, la diferencial de x queda en trminos de la diferencia de s = ,ya que x0 y h
son constantes.
Para que los lmites de integracin x0 y x1 queden a su vez en trminos de s, se sustituyen por x en
= 0 + y se despeja s, lo que da, respectivamente,
0 = 0 + ; = 0
1 = 0 + ; = 1

Y resulta 1[(0 ) + (0 )] = 0 [(0 ) + (0 )]


0

Al integrar: 0 [(0 ) + (0 )] = [(0 ) +

2
(0 )]|10
2

Como (0 ) = (0 + ) (0 ), se llega finalmente a

()

[(0 ) + (1 )]
2

El algoritmo del mtodo trapezoidal.

34

= [(0 ) +

(0 )
2

MTODO DE SIMPSON
Si n=2; el intervalo de integracin [a,b] se divide en dos subintervalos, se tendrn tres abscisas dadas
por:
0 =
( )
1
1 = 0 + 1
= + = ( )
2
2 2 2
2 =
Se aproxima f(x) con una parbola [un polinomio de segundo grado p2(x)], y la aproximacin a la
integral ser el rea bajo el segmento de la parbola comprendida entre f(x0) y f(x2). Esto es :

() = 2 ()

Para realizar la integracin 2 2 (), se usa la frmula de Newton para diferencias finitas hacia
0

adelante para expresar 2 ().


2 () = 2 (0 + ) = (0 ) + (0 ) +

( 1) 2
(0 )
2!

Al sustituir 2 () y expresar toda la integral en trminos de la nueva variable s, queda:

() = 2 () = 2 (0 + )

2 (0 + ) = [(0 ) + (0 ) +
0

= [(0 ) +

( 1) 2
(0 )]
2!

2
3
2
2
(0 ) + 2 (0 ) 2 (0 )] |
0
2
3!
4

1
= [2(0 ) + 2(0 ) + 2 (0 )]
3
De la definicin de la primera y segunda diferencia hacia adelante se tiene:
(0 ) = (0 + ) (0 ) = (1 ) (0 )

35

Y
2 (0 ) = (0 + 2) 2(0 + ) + (0 ) = (2 ) 2(1 ) + (0 )
Que sustituida en la ltima ecuacin dan lugar a:

()()

[(0 ) + 4(1 ) + (2 )]
3

El algoritmo de Simpson.
CUADRATURA DE GAUSS
Gauss investigo y encontr que es factible disminuir el error en la integracin cambiando la
localizacin de los puntos sobre la curva de integracin f(x). Desarroll el mtodo conocido como
cuadratura de Gauss.
Se tiene la curva de la funcin f(x) que se desea integrar entre los lmites a y b. La parte (a) de la
figura muestra cmo se integrara usando un trapezoide: uniendo el punto A de coordenadas (a,f(a))
con el punto B(b,f(b)) mediante un segmento de recta p1(x). Esto forma un trapezoide de altura h =
(b-a), cuya rea es:
=

[() + ()],
2

Y que podra escribirse como


= 1 () + 2 ()
Cualquiera de las formulas de integracin desarrolladas en las secciones anteriores puede ponerse

en la forma () = =1 ( )

Se traza una lnea recta por estos dos puntos, se extiende hasta los extremos del intervalo y se forma
el trapezoide sombreado. Parte del trapezoide queda por encima de la curva y parte por abajo. Si
se escogen adecuadamente los puntos C y D, cabe igualar las dos zonas de modo que el rea del
trapezoide sea igual al rea bajo la curva; el clculo del rea del trapezoide resultante da la
integracin exacta. El mtodo de Gauss consiste esencialmente en seleccionar los puntos C y D
adecuados. La tcnica se deduce a continuacin.

36

Considere primero, que se integra la funcin de la figura entre los limites -1 y +1 (si los lmites son
distintos, se hace un cambio de variable para pasarlos a -1 y +1). Los puntos C y D se escogen sobe
la curva y se forma el trapezoide con vrtices E, F, G, H.

Sean las coordenadas del punto C (z1, f (z1)) y las del punto D (z2, f (z2)). Motivado por la formula
trapezoidal, Gauss desarrolla la frmula:
= 1 (1 ) + 2 (2 )
Ya que esto simplificara relativamente el clculo del rea. Considere encontrar los valores de z1, z2,
w1 y w2. Hay cuatro parmetros por determinar, as tambin cuatro condiciones. Se eligen de
manera que el mtodo d resultados exactos cuando la funcin por integrar sea alguna de las cuatro
siguientes o combinaciones lineales de ellas.
() = 1, () = , () = 2 () = 3
Los valores exactos de integrar estas cuatro funciones entre -1 y +1 son:
1

1
1 = 1 = |
= 1 1(1) = 2
1
1
1

2 = =
1

2 1
12 (1)2
|
=

=0
2 1
2
2

3 = 2 =
1
1

4 = 3 =
1

3 1
13 (1)3
=
=2
|
3 1 3
3
4 1
4 (1)4
|
=
=0
4 1 4
4

Suponiendo que una ecuacin anterior A funciona exactamente, se tendr el siguiente sistema de
ecuaciones.
1 = 1 (1) + 2 (1) = 2

37

2 = 1 1 + 2 2 = 0
3 = 1 12 + 2 22 =

2
3

4 = 1 13 + 2 23 = 0
De la primera ecuacin se tiene que 1 + 2 = 2; notese que tambin que si 1 = 2 y 1 =
2 , se satisfacen la segunda y la cuarta ecuaciones. Entonces se elige 1 = 2 = 1 y 1 = 2 y
al sustituir en la tercera ecuacin se obtiene:
12 + (1 )2 =
De donde 1 =

1
3

= 0.57735 {

2
1
= 12 =
3
3

1 = 0.57735
2 = 0.57735

Con lo que se tiene la frmula:


1

() = 1 (1 ) + 2 (2 ) = (0.57735 ) + (+0.57735 )
1

Que salvo porque se tiene que calcular el valor de la funcin en un valor irracional de z, es tan simple
como la regla trapezoidal; adems, trabaja perfectamente para funciones cbicas, mientras que la
regla trapezoidal lo hace slo para lneas rectas.
Para integrar en un intervalo distinto de [-1,1], se requiere un cambio de variable a fin de pasar del
intervalo de integracin general [a,b] a [-1,1] y as aplicar en la funcin anterior; por ejemplo, si se
desea obtener
5


0
2

Se puede cambias a = 5 1, de modo que si x=0, z=-1 y si x=5, z=-1.


El resto de la integral se pone en trminos de la nueva variable z y se encuentra que:
=
5

5(+1)
2

5
5
= ( ( + 1)) =
2
2
5

Entonces la integral queda: 0 = 1 5(+1)/2 , de modo que las condiciones de


2
aplicacin del mtodo de Gauss quedan satisfechas.
5 1 5(+1)
5
2 [1 (0.57735 ) + 2 (+0.57735 )]

2 1
2

38

5
5(0.57735+1)
5(0.57735+1)
5
2
2
= [(1)
+ (1)
] = 0.91752, 0.91752
2
0

El valor exacto de esta integral es 0.99326.

En general, si se desea calcular () aplicando la ecuacin anterior, se cambia el intervalo de


integracin con la con la siguiente formula: =

2()

(slo es aplicable cuando los lmites de

integracin a y b son finitos) ya que si x=a, z= -1; y si x=b, z=1


El integrado j(x)dx en trminos de la nueva variable queda:
() = (

+
+

+
) = (
+
)=

2
2
2
2
2

Por lo que la integral queda finalmente como:

() =

+
(
+
)
2
2
2
1

+
(0.57735) +
(0.57735) +
=
[ (
)+(
)]
2
2
2
2
2

En general el algoritmo tiene la forma.


1

() = 1 (1 ) + 2 (2 ) + 3 (3 ) + + ( )
1

Los coeficientes y las abscisas dadas en la siguiente tabla sirven en el intervalo de inters y aplicar
el mtodo de gauss a cada uno de ellos.

INTEGRALES IMPROPIAS
Las integrales impropias se producen cuando el concepto de integracin se extiende a un intervalo
de integracin donde la funcin no est acotada, o a un intervalo con uno o ms extremos infinitos.
En ambos casos, es preciso modificar las reglas normales de la aproximacin de la integral.
Se considera la situacin en que el integrado no est acotado en el extremo izquierdo del intervalo
de la integracin, como se observa en la figura.

39

En clculo se demuestra que la integral impropia con singularidad en el extremo izquierdo,

( )

Converge si y slo si 0 < p < 1, u en este caso definimos,

( )
=
( )
1
()

Si f es una funcin que puede escribirse en la forma () = () ; {

0<<1
,
[, ]

entonces la integral impropia.

()

Tambin existe. Aproximaremos esta integral por medio de la regla compuesta de Simpson. Si
5 [, ] podemos construir el polinomio de Taylor 4 (), para g alrededor de a,
()
()
(4) ()
( )2 +
( )3 +
( )4
2!
3!
4!

4 () = () + ()( ) +

() =

() 4 ()
4 ()

( )
( )

=0

=0

()
4 ()

() ()

( )+1

(
(

)
!
!
+
1

Es la parte dominante de la aproximacin, especialmente cuando el polinomio de Taylor 4 ()


concuerda estrechamente con g(x) en todo el intervalo [a,b].
Para aproximar la integral de f tenemos que agregar este valor a la aproximacin de:
() 4 ()
() 4 ()
,

; () = { ( )
< ,

0, = .

40

()

()

Como 0 < < 1 y como 4 ()concuerda con 4 () para cada k=0, 1, 2, 3, 4, tenemos
4 [, ]. Ello significa que podemos aplicar la regla compuesta de Simpson para aproximar la
integral de G en [a,b].
6.-RAICES DE ECUACIONES
La raz de una ecuacin es aquel valor de la variable independiente que hace que el resultado de la
ecuacin sea cero o por lo menos se acerque a cero con una cierto grado de aproximacin deseado
(error mximo permitido).
MTODOS DE LA BISECCION
El mtodo de biseccin se basa en el siguiente teorema de Clculo: Teorema del Valor Intermedio
Sea
cada

continua en un intervalo
tal que

y supongamos que

, existe un

. Entonces para

tal que

La misma conclusin se obtiene para el caso que


. Bsicamente el Teorema del Valor
Intermedio nos dice que toda funcin continua en un intervalo cerrado, una vez que alcanz ciertos
valores en los extremos del intervalo, entonces debe alcanzar todos los valores intermedios.
En particular, si

precisamente
existir
intervalo.

tienen signos opuestos, entonces un valor intermedio es

, y por lo tanto, el Teorema del Valor Intermedio nos asegura que debe
tal que

, es decir, debe haber por lo menos una raz de

El mtodo de biseccin sigue los siguientes pasos:


Sea

contnua,

i) Encontrar valores iniciales


decir,

tales que

tienen signos opuestos, es

ii) La primera aproximacin a la raz se toma igual al punto medio entre

iii) Evaluar

. Forzosamente debemos caer en uno de los siguientes casos:

41

en el

En este caso, tenemos que


encuentra en el intervalo

En este caso,
que
intervalo

tienen signos opuestos, y por lo tanto la raz se

tenemos que

tienen el mismo signo, y de aqu

tienen signos opuestos. Por lo tanto, la raz se encuentra en el


.

En este caso se tiene que


y por lo tanto ya localizamos la raz.
El proceso se vuelve a repetir con el nuevo intervalo, hasta que:

es decir,

Ejemplo

Aproximar la raz de

hasta que

Solucin:
En efecto, tenemos que

mientras que:

Cabe mencionar que la funcin


s es continua en el intervalo
. As pues, tenemos
todos los requisitos satisfechos para poder aplicar el mtodo de biseccin. Comenzamos:

42

i) Calculamos el punto medio (que es de hecho nuestra primera aproximacin a la raz):

ii) Evaluamos
iii) Para identificar mejor en que nuevo intervalo se encuentra la raz, hacemos la siguiente tabla:

Por lo tanto, vemos que la raz se encuentra en el intervalo


. En este punto, vemos que
todava no podemos calcular ningn error aproximado, puesto que solamente tenemos la primera
aproximacin. As, repetimos el proceso con el nuevo intervalo
.
Calculamos el punto medio (que es nuestra segunda aproximacin a la raz):

Aqu podemos calcular el primer error aproximado, puesto que contamos ya con la aproximacin
actual y la aproximacin previa:

Puesto

que

no

se

ha

logrado

el

objetivo,

Evaluamos

As, vemos que la


Calculamos el punto medio,

continuamos

con

el

proceso.

, y hacemos la tabla:

raz

se

encuentra

43

en

el

intervalo

Y calculamos el nuevo error aproximado:

El proceso debe seguirse hasta cumplir el objetivo. Resumimos los resultados que se obtienen en la
siguiente tabla:
Aprox. a la
raz

Error aprox.

1.25
1.375

9.09%

1.3125

4.76%

1.28125

2.43%

1.296875

1.20%

1.3046875

0.59%

As, obtenemos como aproximacin a la


raz
METODO SECANTE
Este mtodo se basa en la frmula de Newton-Raphson, pero evita el clculo de la derivada usando
la siguiente aproximacin:

Sustituyendo en la frmula de Newton-Raphson, obtenemos:

44

Que es la frmula del mtodo de la secante. Ntese que para poder calcular el valor de
necesitamos conocer los dos valores anteriores

Obsrvese tambin, el gran parecido con la frmula del mtodo de la regla falsa. La diferencia entre
una y otra es que mientras el mtodo de la regla falsa trabaja sobre intervalos cerrados, el mtodo
de la secante es un proceso iterativo y por lo mismo, encuentra la aproximacin casi con la misma
rapidez que el mtodo de Newton-Raphson. Claro, corre el mismo riesgo de ste ltimo de no
converger a la raz, mientras que el mtodo de la regla falsa va a la segura.

Ejemplo

Usar el mtodo de la secante para aproximar la raz de


,

y hasta que

, comenzando con

Solucin:
Tenemos que

, que sustituimos en la frmula de la secante

para calcular la aproximacin

Con un error aproximado de:

Como todava no se logra el objetivo, continuamos con el proceso. Resumimos los resultados en la
siguiente tabla:

Aprox. a la raz

Error
aprox.

0
1

100%

0.612699837

63.2%

0.653442133

6.23%

0.652917265

0.08%

De lo cual concluimos que la aproximacin a la raz es:

45

7.-MATRICES Y SISTEMASDE ECUCIONES LINEALES


ANLISIS MATRICIAL, VECTORES, INDEPENDENCIA Y UNIDAD DE VECTORES
SOLUCIONES DE SISTEMAS DE ECUACIONES LINEALES: ELIMINACIN DE GAUSS
la eliminacin de Gauss-Jordn, llamada as debido a Carl Friedrich Gauss y Wilhelm Jordn, es
un algoritmo del lgebra lineal para determinar las soluciones de un sistema de ecuaciones lineales,
encontrar matrices e inversas. Un sistema de ecuaciones se resuelve por el mtodo de Gauss cuando
se obtienen sus soluciones mediante la reduccin del sistema dado a otro equivalente en el que
cada ecuacin tiene una incgnita menos que la anterior. El mtodo de Gauss transforma la matriz
de coeficientes en una matriz triangular superior. El mtodo de Gauss-Jordn contina el proceso
de transformacin hasta obtener una matriz diagonal, consiste:
1. Ir a la columna no cero extrema izquierda
2. Si el primer rengln tiene un cero en esta columna, intercambiarlo con otro que no lo tenga
3. Luego, obtener ceros debajo de este elemento delantero, sumando mltiplos adecuados
del rengln superior a los renglones debajo de l
4. Cubrir el rengln superior y repetir el proceso anterior con la submatriz restante. Repetir
con el resto de los renglones (en este punto la matriz se encuentra en la forma de escaln)
5. Comenzando con el ltimo rengln no cero, avanzar hacia arriba: para cada rengln obtener
un 1 delantero e introducir ceros arriba de ste sumando mltiplos correspondientes a los
renglones correspondientes
Una variante interesante de la eliminacin de Gauss es la que llamamos eliminacin de GaussJordn, (debido al mencionado Gauss y a Wilhelm Jordn), esta consiste en ir obteniendo los 1
delanteros durante los pasos uno al cuatro (llamados paso directo) as para cuando estos finalicen
ya se obtendr la matriz en forma escalonada reducida. Supongamos que es necesario encontrar los
nmeros "x", "y", "z", que satisfacen simultneamente estas ecuaciones:

Ejemplo:

Esto es llamado un sistema lineal de ecuaciones. El objetivo es reducir el sistema a otro equivalente,
que tenga las mismas soluciones. Las operaciones (llamadas elementales) son estas:

Multiplicar una ecuacin por un escalar no nulo.

46

Intercambiar de posicin dos ecuaciones

Sumar a una ecuacin un mltiplo de otra.

Estas operaciones pueden representarse con matrices elementales que se usan tambin en otros
procedimientos como la factorizacin LU o la diagonalizacin por congruencia de una matriz
simtrica.
En nuestro ejemplo, eliminamos x de la segunda ecuacin sumando 3/2 veces la primera ecuacin
a la segunda y despus sumamos la primera ecuacin a la tercera. El resultado es:

Ahora eliminamos y de la primera ecuacin sumando -2 veces la segunda ecuacin a la primera, y


sumamos -4 veces la segunda ecuacin a la tercera para eliminar y.

Finalmente eliminamos z de la primera ecuacin sumando -2 veces la tercera ecuacin a la primera,


y sumando 1/2 veces la tercera ecuacin a la segunda para eliminar z.

Despejando, podemos ver las soluciones:

Para clarificar los pasos, se trabaja con la matriz aumentada. Podemos ver los 3 pasos en su
notacin matricial:
Primero:

47

Despus,

Por ltimo.

Si el sistema fuera incompatible, entonces nos encontraramos con una fila como esta:

Que representa la ecuacin:

, es decir,

que no tiene solucin.

ELIMINACIN DE GAUSS CON PIVOTEO


Una tcnica que se desarroll para combatir los errores de truncamiento por ceros en la diagonal o
los errores de redondeo por nmeros cercanos a cero es la tcnica de pivoteo parcial, esta tcnica
consiste en ubicar en la fila pivote el termino de mayor magnitud de tal forma que al realizar la
divisin por dicho termino no se incurre en la violacin de divisin por nmeros cercanos a cero ni
la divisin por cero. Se define entonces como:En cada etapa k se busca el mayor de los elementos
de la columna k, que ocupan posiciones mayores o iguales que k, ocupe la posicin akk, donde
k<=i<=n. despus se realiza el intercambio de filas. El proceso como tal es idntico a eliminacin
gaussiana simple solo que antes de calcular los multiplicadores se realiza el pivoteo si es necesario.
Al realizar el pivoteo se obtienen valores lo ms pequeos posibles para los multiplicadores
reduciendo as el error de redondeo.

Ejemplo:

Resolver el sistema usando eliminacin gaussiana con pivoteo parcial escalado y aritmtica de corte
a tres dgitos

Solucin:
Se escribe el sistema con los nmeros a tres dgitos usando corte

48

Luego

= 30/58900=0.000509...

= 5.31/6.10=0.870 4
La fila que se escoge para pivote es la segunda y
E2 <-> E1 para obtener el sistema

se efecta la operacin

el multiplicador es:
La operacin E2 - 5.64E1 reduce el sistema a:

Si se resuelve con sustitucin hacia atrs la solucin es x1=10, x2=1


Si el sistema anterior se resuelve con eliminacin gaussiana y aritmtica de corte a tres dgitos (sin
usar Pivoteo), la solucin aproximada que se obtiene es x1 30 y x2 0.99 que no es una buena
aproximacin. Ya que la solucin exacta del sistema es x1= 10, x2= 1.
FACTORIZACIN DIRECTA
Dado un sistema de ecuaciones de la forma Ax=b, los mtodos de factorizacin directa de matrices
pretenden descomponer la matriz A en el producto de dos matrices triangulares L y U, triangular
superior y triangular inferior respectivamente y las cuales cumplen lo siguiente:
A=LU

49

Al realizar esta transformacin el sistema de ecuaciones:


Ax=b
Ahora el producto Ux lo podemos sustituir en la expresin Lux=b por una variable z, donde Ux=z y
el sistema resultante es:
Lz=b
Una vez se tiene definido el ultimo sistema, se procede a resolver el sistema de una manera ms
sencilla y reduciendo el error. Los mtodos de esta seccin son: Factorizacin LU Doolittle y
Factorizacin LU Crout.El objetivo del mtodo de Factorizacin LU Doolittle es encontrar
una solucin a un sistema de ecuaciones lineales, basado en la factorizacin LU de la matriz de
coeficientes relacionada al sistema. Para este mtodo de factorizacin directa de matrices, se utiliza
como fundamento que los valores de la diagonal de la matriz L, son todos uno (1).
El procedimiento a seguir para la aplicacin del mtodo es el siguiente:

Se debe construir una matriz de coeficientes y el vector con los trminos independientes,
correspondientes al sistema, y se toman como valores iniciales para poder calcular la
factorizacin.
Tomando la matriz de coeficientes, y bajo el fundamento principal del mtodo, se procese
al clculo de las matrices L y U, correspondientes a la factorizacin de A.
Una vez realizada la factorizacin, se toma la matriz de la factorizacin U y el vector x y se
procede a calcular el vector z.
Ahora con el vector z, el vector de trminos independientes y la matriz L de la factorizacin,
se procede a resolver el sistema Lz=b.

El objetivo del mtodo de Factorizacin LU Crout es encontrar una solucin a un sistema de


ecuaciones lineales, basado en la factorizacin LU de la matriz de coeficientes relacionada al
sistema. Para este mtodo de factorizacin directa de matrices, se utiliza como fundamento que los
valores
de
la
diagonal
de
la
matriz
U,
son
todos
uno
(1).
El procedimiento a seguir para la aplicacin del mtodo es el siguiente:

Se debe construir una matriz de coeficientes y el vector con los trminos independientes,
correspondientes al sistema, y se toman como valores iniciales para poder calcular la
factorizacin.
Tomando la matriz de coeficientes, y bajo el fundamento principal del mtodo, se procese
al clculo de las matrices L y U, correspondientes a la factorizacin de A.
Una vez realizada la factorizacin, se toma la matriz de la factorizacin U y el vector x y se
procede a calcular el vector z.
Ahora con el vector z, el vector de trminos independientes y la matriz L de la factorizacin,
se procede a resolver el sistema Lz=b

50

FACTORIZACIN CON PIVOTEO,


Se desea resolver un sistema lineal:
Ax = b
si se tiene la factorizacin LU tal que PA = LU, se procede de la
Siguiente manera:

Formar el vector b = Pb (Ax = b PAx = Pb).

Resolver Lz = b usando sustitucin progresiva (cambio de Variable z = Ux, L es triangular


inferior).

Resolver Ux = z usando sustitucin regresiva (devolver el Cambio de variable z = Ux, U es


triangular superior

Ejemplo:
Resolver el sistema

Debido a que tenemos la factorizacin PA=LU de la matriz de coeficientes, procedemos de la


siguiente manera: Creamos el vector

Resolver:

Usando sustitucin progresiva:

51

Resolver:

Usando sustitucin regresiva:

La solucin es x=(1234)t
FACTORIZACIN DE MATRICES SIMTRICAS
Una matriz es simtrica si es una matriz cuadrada, la cual tiene la caracterstica de ser igual a
su traspuesta.
Una matriz de

elementos:

es simtrica, si es una matriz cuadrada (m = n) y


Ntese que la simetra es respecto a la diagonal principal.

para todo i, j con i, j =1,2,3,4,...,n.

Ejemplo para n = 3:

A es tambin la matriz traspuesta de s misma:


. Esta ltima igualdad es una definicin
alternativa de matriz simtrica. Las matrices simtricas son un caso particular de las matrices
hermticas.
Propiedades

52

Uno de los teoremas bsicos que concierne este tipo de matrices es el teorema espectral de
dimensin finita, que dice que toda matriz simtrica cuyos elementos sean reales es diagonalizable.
En particular, es semejante a una matriz ortogonal.
Autovalores
Como las matrices simtricas son un caso particular de las matrices hermticas, todos
sus autovalores son reales. Con base en las propiedades de los autovalores de una matriz simtrica,
se pueden clasificar en los siguientes tipos:

definida positiva: Una matriz simtrica es definida positiva si y solo si todos sus autovalores son
estrictamente positivos.

definida

negativa: Una

matriz

simtrica

es definida

negativa si

solo

si

todos

sus autovalores son estrictamente negativos.

semidefinida positiva: Una matriz simtrica es semidefinida positiva si y solo si todos


sus autovalores son mayores o iguales a cero.

semidefinida negativa: Una matriz simtrica es semidefinida negativa si y solo si todos


sus autovalores son menores o iguales a cero.

indefinida: Una matriz simtrica es indefinida si y solo si tiene dos autovalores con distinto
signo

Descomposicin en matriz simtrica y antisimtrica


Sea A una matriz cuadrada, esta se puede descomponer en suma de parte simtrica y antisimtrica
de la siguiente forma:

Donde la parte simtrica es

Ejemplo:

1. Si

1 2 1 5
A =

1 0 -2 4
3 1 -2 3

Entonces: a22 = 0,

a32 = 1, a34 = 3.

2. Si

A = ( aij ) 33, en donde aij = (-1) i + j

Entonces

53

1 -1 1
A =

-1 1 -1
1 -1 1

3. La matriz

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

es la matriz idntica de orden 4.

4. La matriz
1 1 3 4
1 2 0 1
3 0 -1 4
4 1 4 1
es una matriz simtrica de orden 4.
5. Si

1 2 -1
A=

2 1 3

Entonces
1 2
AT=

6. Si
A =

2 1

1 2 -1
(A T) T =

,y

-1 3

2 1 3

1 3 5

1 3 5

3 2 4,

entonces:

5 4 -1

AT =

3 2 4 .
5 4 -1

54

A es simtrica, puesto que A = A T.


1 3 -4

7. Si
A =

3 2 5 2
-4 5 -2 7
2 7 4

Como A = A T , entonces A es una matriz simtrica.


8. Halle valores de a,b y c, tales que
1

a+2

-1

c2- 1

-1

-1

Solucin: De la igualdad anterior se concluye que


a + 2 = -1
b = 1
MTODO DE CHOLESKY
Se trata de un mtodo de descomposicin LU en el caso que la matriz A sea simtrica y definida
positiva. Basta con tomar U=LT y por lo tanto:

55

Propiedades
Sirve para saber si una matriz simtrica es definida positiva.
Es estable.

Ejemplo

Resolver el siguiente sistema de ecuaciones lineales usando el mtodo de Cholesky

6 15 55

A = 15 55 225

55 225 979

100

y C= 150

100

Solucin:
En el mtodo de Cholesky el primer paso es encontrar la matriz L usando las frmulas
i 1

l ki

a ki l ij l kj

k 1

j 1

l ii

l kk a kk l kj2
j 1

La primera ecuacin se usa para elementos fuera de la diagonal y la segunda para elementos en la
diagonal principal.
Entonces.

l 21

l11 a11 6 = 2.4495

l 21

a 31
55

= 22.454
l11 2.4495

a 21
15

= 6.1237
l11 2.4495

Ya sabemos que l12 = 0

2
l 22 a 22 l 21
55 6.1237 2 = 4.1833

l 32

a 32 l 21l 31 55 (6.1237)(22.454)

= 20.916
l 22
4.1833
De igual forma l13 = l23 = 0 y

2
2
l 33 a33 (l 31
l 32
) 979 (22.454 2 20.916 2 ) = 6.1106

La matriz L es igual a

56

0
0
2.4495

L 6.1237 4.1833
0
22.454 20.916 6.1106

En el mtodo de Cholesky U = LT

2.4495 6.1237 22.454


U 0
4.1833 20.916
0
0
6.1106
El siguiente paso es encontrar el vector D de la misma manera que en el mtodo de descomposicin
de LU
i 1

di

d1

c1
100

=40.8246
l11 2.4495

d3

ci lij d j
j 1

lii

d2

c2 l 21d1 150 (6.1237)(40.8246)

=-23.9045
l 22
4.1833

c3 (l31d1 l32d 2 ) 100 ((22.454)(40.8246) (20.916)(23.9045)

=-51.826
l33
6.1106

Finalmente se calcula el vector de incgnitas comenzando por la ltima x.

di
xi

x3

d3
=-8.481
u 33

x1

x2

j i 1

ij

xj

u ii

d 2 u 23 x3
= [-23.9045-(20.916)(-8.481)]/4.1833 = 36.690
u 22

d1 (u12 x2 u13 x3 )
= [40.8246 ((6.1237)(36.69)+(22.454)(-8.481))]/2.4495 = 2.685
u11

El resultado se puede comprobar multiplicando A por X y el resultado debe ser igual a C.


MTODOS ITERATIVOS: JACOBI Y GAUSS-SEIDEL
Consisten en descomponer la matriz de coeficientes A en la forma A=D-L-U ,donde D= diag(A),L es
triangular inferior con ij=-aij, para i>j, y U es triangular superior; con uij=-aij, para i<j. Suponemos
que A y D son invertibles.

57

METODO DE JACOBI
De Ax=b se tiene que(D-L-U)x=b y por tanto ,Dx=(L+U)x+b. Luego
siendo

Por tanto, el valor de cada incgnita en cada paso del mtodo m es:

Ejemplo:

Resolver el siguiente sistema:

(1)
Despejando

de la primera ecuacin,

de la segunda y

de la tercera, se tiene:

(2)
Osea,

(3)

58

Considere como aproximacin inicial al vector:

esto es

Este primer valor de solucin puede tener cualquier valor, y entre mas cercano a sea al valor
supuesto con respecto al valor final, la convergencia ser mas rpida.
En general no se conocen los signos de los resultados y por esta razn se escoge el vector inicial
supuesto igual a cero. Sustituyendo en el Sistema(3),haciendo k=0,se obtiene:

Siguiendo en igual forma las iteraciones, resulta:

Siguiendo de igual forma las iteraciones, resulta:

Y la solucin del sistema es:

59

El mtodo de Jacobi presentado se usa muy poco en la prctica. Esto se debe q que el mtodo
iterativo que se establecer a continuacin siempre converge cuando el de Jacobi no lo hace, y en
general converge ms rpidamente que el mtodo de Jacobi.
METODO DE GAUSS-SEIDEL
De Ax= b se tiene que (D-L-U)x= B y, por tanto, (D-L)x=Ux+b. Luego

Teniendo en cuenta la anterior igualdad, se deduce el siguiente mtodo iterativo

Que se trata de un sistema triangular inferior en cada paso, que se resuelve pos sustitucin
progresiva. Por tanto, el valor de cada incgnita en cada paso del mtodo m es:

Ejemplo:
Resuelva el siguiente sistema de ecuaciones lineales usando el mtodo iterativo de Gauss Seidel
4x1 + 10x2 + 8x3 = 142
2x1 + 6x2 + 7x3 = 89.5
9x1 + 2x2 + 3x3= 56.5
Paso 1.
Ordenar los renglones para que pueda ser resuelto.
9x1 + 2x2 + 3x3= 56.5
4x1 + 10x2 + 8x3 = 142
2x1 + 6x2 + 7x3 = 89.5
Paso 2.
Determinar si puede ser resuelta por este mtodo, determinando si es predominantemente
dominante en su diagonal.
Paso 3.
Despejar las variables.
X1 = -2x2/9 3x3/9 + 56.5/9 = -0.2222x2 0.3333x3 + 6.2778
X2 = -4x1/10 8x3/10 +142/10 = - 0.4 0.8x3 + 14.2
X3 = - 2x1/7 6x2/7 + 89.5/7 = - 0.2857x1 0.8571x2 + 12.7857
Paso 4.
Se les asigna un valor inicial de 0 x0 = [0, 0, 0, 0]
Paso 5
Se substituye esta solucin temporal en las ecuaciones para obtener las nuevas xs., pero solo
cuando no se cuente con la anterior
Iteracin 1
X1 = - 0.2222(0) 0.3333(0) + 6.2778 = 6.2778
X2 = - 0.4(6.2778) 0.8(0) + 14.2 = 11.6888

60

X3 = - 0.2857(6.2778) 0.8571(11.6888) + 12.7857 = 0.9736


Se sustituye en alguna ecuacin y se observa si el resultado ya es adecuado:
4(6.2778) + 10(11.6888) + 8(0.9736) =
25.1112 + 116.888 + 7.7888 = 149.788 <> 142
error = abs(142 149.788) = 7.788
Pero si 1% = 1.42 entonces error = 7.78 = 5.48%
Aun el error es muy grande. Se repite el paso 5, pero tomado los valores obtenidos en la ecuacin
anterior
Iteracin 2
X1 = - 0.2222(11.6888) 0.3333(0.9736) + 6.2778 = 3.356
X2 = - 0.4(3.356) 0.8(0.9736) + 14.2 = 12.0787
X3 = - 0.2857(3.356) 0.8571(12.0787) + 12.7857 = 1.4742
Se evala en una ecuacin en este caso en la ecuacin 1
4(3.356) + 120.787 + 8(1.4742)= 146.0046 <> 142
Si 1% = 1.42
error = abs(142 146.0046) = 4.0046
entonces error = 2.82%
Iteracin 3.
X1 = - 0.2222(12.0787) 0.3333(1.4742) + 6.2778 = 5.0407
X2 = - 0.4(5.0407) 0.8(1.4742) + 14.2 = 11.0043
X3 = - 0.2857(5.0407) 0.8571(11.0043) + 12.7857 = 1.9137
Se sustituye
4(5.0407) + 110.043 + 8(1.9137)= 145.51, diferencia 3.51609
error = 2.47%
Iteracin 4.
X1 = - 0.2222(11.0043) 0.3333(1.9137) + 6.2778 = 3.1948
X2 = - 0.4(3.1948) 0.8(1.913) + 14.2 = 11.3916
X3 = - 0.2857(3.1948) 0.8571(11.3916) + 12.7857 = 2.1092
Se sustituye
4(3.1948) + 113.916 + 8(2.1092)= 143.5688, diferencia 1.5688
error = 1.10%
Iteracin 5.
X1 = - 0.2222(11.3916) 0.3333(2.1092) + 6.2778 = 3.0435
X2 = - 0.4(3.0435) 0.8(2.1092) + 14.2 = 11.2952
X3 = - 0.2857(3.0435) 0.8571(11.2952) + 12.7857 = 2.2350
Se sustituye
4(3.0435) + 112.952 + 8(2.235)= 143.006, diferencia 1.006
error = 0.7%
VALORES Y VECTORES PROPIOS
En lgebra lineal, los vectores propios, autovectores o eigenvectores de un operador lineal son los
vectores no nulos que, cuando son transformados por el operador, dan lugar a un mltiplo escalar
de s mismos, con lo que no cambian su direccin. Este escalar
recibe el nombre valor
propio, autovalor, valor caracterstico o eigenvalor. A menudo, una transformacin queda
completamente determinada por sus vectores propios y valores propios. Un espacio
propio, autoespacio, eigenespacioo subespacio fundamental asociado al valor propio
es
el conjunto de vectores propios con un valor propio comn.

61

La palabra alemana eigen, que se traduce en espaol como propio, se us por primera vez en este
contexto por David Hilbert en 1904 (aunque Helmholtz la us previamente con un significado
parecido). Eigen se ha traducido tambin como inherente, caracterstico o el prefijo auto-, donde se
aprecia el nfasis en la importancia de los valores propios para definir la naturaleza nica de una
determinada transformacin lineal. Las denominaciones vector y valor caractersticos tambin se
utilizan habitualmente.
Las transformaciones lineales del espacio como la rotacin, la reflexin, el ensanchamiento, o
cualquier combinacin de las anteriores; en esta lista podran incluirse otras transformaciones
pueden interpretarse mediante el efecto que producen en los vectores. Los vectores pueden
visualizarse como flechas de una cierta longitud apuntando en una direccin
y sentido determinados.
Los vectores propios de las transformaciones lineales son vectores que, o no se ven afectados por
la transformacin o se ven multiplicados por un escalar, y por tanto no varan su direccin.1
El valor propio de un vector propio es el factor de escala por el que ha sido multiplicado.
Un espacio propio es un espacio formado por todos los vectores propios del mismo valor propio,
adems del vector nulo, que no es un vector propio.
La multiplicidad geomtrica de un valor propio es la dimensin del espacio propio asociado.
El espectro de una transformacin en espacios vectoriales finitos es el conjunto de todos sus valores
propios.
Por ejemplo, un vector propio de una rotacin en tres dimensiones es un vector situado en el eje de
rotacin sobre el cual se realiza la rotacin. El valor propio correspondiente es 1 y el espacio
propio es el eje de giro. Como es un espacio de una dimensin, su multiplicidad geomtrica es uno.
Es el nico valor propio del espectro (de esta rotacin) que es un nmero real.
Formalmente, se definen los vectores propios y valores propios de la siguiente manera:
Si A: V V es un operador lineal en un cierto espacio vectorial V, v es un vector diferente de cero
en V y c es un escalar tales que

entonces decimos que v es un vector propio del operador A, y su valor propio asociado es c. Observe
que si v es un vector propio con el valor propio c entonces cualquier mltiplo diferente de cero
de v es tambin un vector propio con el valor propio c. De hecho, todos los vectores propios con el
valor propio asociado c junto con 0, forman un subespacio de V, el espacio propio para el valor
propio c. Observe adems que un espacio propio Z es un subespacio invariante de A, es decir
dado w un vector en Z, el vector Aw tambin pertenece a Z.

62

VALORES Y VECTORES PROPIOS DE MATRICES


Clculo de valores propios y vectores propios de matrices
Si se quiere calcular los valores propios de una matriz dada y sta es pequea, se puede calcular
simblicamente usando el polinomio caracterstico. Sin embargo, a menudo resulta imposible para
matrices extensas, caso en el que se debe usar un mtodo numrico.
Clculo simblico
Clculo de los valores propios
Una herramienta importante para encontrar valores propios de matrices cuadradas es el polinomio
caracterstico: decir que es un valor propio de A es equivalente a decir que el sistema de
ecuaciones lineales A v = v A v - v = 0 (factorizando por v queda) (A - I) v = 0 (donde I es
la matriz identidad) tiene una solucin no nula v (un vector propio), y de esta forma es equivalente
al determinante:

La funcin p() = det(A - I) es un polinomio de pues los determinantes se definen como sumas de
productos. ste es el polinomio caracterstico de A: los valores propios de una matriz son los ceros
de su polinomio caracterstico.
Todos los valores propios de una matriz A pueden calcularse resolviendo la ecuacin
Si A es una matriz nn, entonces

tiene grado n y A tiene como mximo n valores propios.

El teorema fundamental del lgebra dice que esta ecuacin tiene exactamente n races (ceros),
teniendo en cuenta su multiplicidad. Todos los polinomios reales de grado impar tienen un nmero
real como raz, as que para n impar toda matriz real tiene al menos valor propio real. En el caso de
las matrices reales, para n par e impar, los valores propios no reales son pares conjugados.
Clculo de los vectores propios
Una vez que se conocen los valores propios , los vectores propios se pueden hallar resolviendo el
sistema de ecuaciones homogneo:

Una forma ms sencilla de obtener vectores propios sin resolver un sistema de ecuaciones lineales
se basa en el teorema de Cayley-Hamilton que establece que cada matriz cuadrada satisface su
propio polinomio caracterstico. As, si

son los valores propios de A se cumple que

63

por lo que los vectores columna de

son vectores propios de

Ejemplo de matriz sin valores propios reales


Un ejemplo de matriz sin valores propios reales es la rotacin de 90 grados en el sentido de las
manecillas del reloj:

cuyo polinomio caracterstico es


y sus valores propios son el par de conjugados
complejos i, -i. Los vectores propios asociados tampoco son reales.

Ejemplo

Considrese la matriz

que representa un operador lineal R R. Si se desea computar todos los valores propios de A, se
podra empezar determinando el polinomio caracterstico:

y porque p(x) = - (x - 2)(x - 1)(x + 1) se ve que los valores propios de A son 2, 1 y -1. El teorema de
Cayley-Hamilton establece que cada matriz cuadrada satisface su propio polinomio caracterstico.
Es decir:

Efectivamente, para el caso del valor propio 2, se puede comprobar que

de donde (1, 1, -1) es un vector propio asociado a 2.

64

Clculo numrico
En la prctica, los valores propios de las matrices extensas no se calculan usando el polinomio
caracterstico. Calcular el polinomio resulta muy costoso, y extraer las races exactas de un
polinomio de grado alto puede ser difcil de calcular y expresar: el teorema de Abel-Ruffini implica
que las races de los polinomios de grado alto (5 o superior) no pueden expresarse usndose
simplemente races ensimas. Existen algoritmos eficientes para aproximar races de polinomios,
pero pequeos errores en la estimacin de los valores propios pueden dar lugar a errores grandes
en los vectores propios. En consecuencia, los algoritmos generales para encontrar vectores propios
y valores propios son iterativos. La manera ms fcil es el mtodo de las potencias: se escoge un
vector aleatorio y se calcula una secuencia de vectores unitarios:

,...

Esta sucesin casi siempre converger a un vector propio correspondiente al mayor valor propio.
Este algoritmo es sencillo, pero no demasiado til aisladamente. Sin embargo, hay mtodos ms
populares, como la descomposicin QR, que se basan en l.
Propiedades
Multiplicidad algebraica
La multiplicidad algebraica de un valor propio de A es el orden de como cero del polinomio
caracterstico de A; en otras palabras, si es una de las races del polinomio, es el nmero de
factores (t ) en el polinomio caracterstico tras la factorizacin. Una matriz nn tiene n valores
propios, contados de acuerdo con su multiplicidad algebraica, ya que su polinomio caracterstico
tiene grado n.
Un valor propio de multiplicidad algebraica 1 recibe el nombre de "valor propio simple".
Por ejemplo, se pueden encontrar exposiciones como la siguiente en artculos de teora de matrices:
"los valores propios de una matriz A son 4,4,3,3,3,2,2,1,"
lo que significa que la multiplicidad algebraica de 4 es dos, la de 3 es tres, la de 2 es dos y la de 1 es
uno. Se emplea este estilo porque la multiplicidad algebraica es la clave de muchas demostraciones
matemticas en teora de matrices.
Anteriormente se ha definido la multiplicidad geomtrica de un valor propio como la dimensin del
espacio propio asociado, o el ncleo (espacio propio de los vectores propios del valor propio nulo)

65

de I - A. La multiplicidad algebraica tambin puede entenderse como una dimensin: es la


dimensin del espacio propio generalizado (1.ersentido) asociado, que es el ncleo de la matriz (I
- A)k para k suficientemente grande. Es decir, es el espacio de los vectores propios
generalizados (1.er sentido), donde un vector propio generalizado es cualquier vector que toma
valor 0 s I - A se aplica suficientes veces en sucesin. Cualquier vector propio es un vector propio
generalizado, as que cualquier espacio propio est contenido en el espacio propio generalizado
asociado. Esto proporciona una demostracin simple de que la multiplicidad geomtrica es siempre
menor o igual a la algebraica. El primer sentido no debe de confundirse con el problema de valores
propios generalizados tal.
Otras propiedades de los valores propios
El espectro es invariante bajo transformaciones semejantes: las matrices A y P-1APtienen los mismos
valores propios para cualquier matriz A y cualquier matriz invertible P. El espectro es tambin
invariante a la trasposicin de las matrices: A y A T tienen los mismos valores propios.
Dado que una transformacin lineal en espacios de dimensiones finitas es biyectiva si y slo si
es inyectiva, una matriz es invertible si y slo si cero no es un valor propio de la matriz.
Otras consecuencias de la descomposicin de Jordn son:
una matriz es matriz diagonalizable si y slo si las multiplicidades geomtrica y algebraica coinciden
para todos sus valores propios. En particular una matriz nn que tiene n valores propios diferentes
es siempre diagonalizable;
Dado que la traza, o la suma de elementos de la diagonal principal de una matriz se preservan en la
equivalencia unitaria, la forma normal de Jordn constata que es igual a la suma de sus valores
propios.
De forma similar, dado que los valores propios de una matriz triangular son las entradas de
la diagonal principal su determinante es igual al producto de los valores propios (contados de
acuerdo con su multiplicidad algebraica).
Algunos ejemplos de la localizacin del espectro de ciertas subclases de matrices normales son:
Todos los valores propios de una matriz hermtica (A = A*) son reales. Adems, todos los valores
propios de una matriz definida positiva son positivos;
Todos los valores propios de una matriz antihermtica (A = A*) son imaginarios puros;
Todos los valores propios de una matriz unitaria (A-1 = A*) tienen valor absoluto uno;
Si A es una matriz mn con m n, y B es una matriz nm, entonces BA tiene los mismos valores
propios de AB ms n m valores propios nulos.

66

A cada matriz se le puede asociar una norma vectorial, que depende de la norma de su dominio, el
operador norma de una matriz cuadrada es una cota superior del mdulo de sus valores propios, y
por tanto de su radio espectral. Esta norma est directamente relacionada con el mtodo de las
potencias para calcular el valor propio de mayor mdulo. Para matrices normales, el operador
norma (la norma eucldea) es el mayor mdulo entre de sus valores propios.
Vector propio conjugado
Un vector propio conjugado es un vector que tras la transformacin pasa a ser un mltiple escalar
de su conjugado, donde el escalar recibe el nombre de valor propio conjugado de la transformacin
lineal. Los vectores propios y valores propios conjugados representan esencialmente la misma
informacin y significado que los vectores propios y valores propios, pero aparecen cuando se utiliza
un sistema de coordenadas alternativo. La ecuacin correspondiente es:

Por ejemplo, en teora de electromagnetismo disperso, la transformacin lineal A representa la


accin efectuada por el objeto dispersor, y los vectores propios representan los estados de
polarizacin de la onda electromagntica. En ptica, el sistema coordenado se define a partir del
punto de vista de la onda, y lleva a una ecuacin de valor propio regular, mientras que en radar, el
sistema coordenado se define desde el punto de vista del radar, y da lugar a una ecuacin de valor
propio conjugado.
Problema de valor propio generalizado
Un problema de valor propio generalizado (2 sentido) es de la forma

Donde A y B son matrices. Los valores propios generalizados (2 sentido) pueden obtenerse
resolviendo la ecuacin

El conjunto de matrices de la forma


, donde es un nmero complejo, recibe el nombre
de lpiz si B es invertible, entonces el problema original puede escribirse en la forma

Que es un problema de valores propios estndar. Sin embargo, en la mayora de situaciones es


preferible no realizar la inversin, y resolver el problema de valor propio generalizado con la
configuracin original.
Si A y B son matrices simtricas con entradas reales, entonces los valores propios son reales. Esto
se aprecia tan fcilmente a partir de la segunda formulacin equivalente, pues la matriz
es necesariamente simtrica si A y B lo son.

67

no

La aplicacin de moleculares orbitales expuesta ms adelante proporciona un ejemplo de este caso.


8.- SISTEMAS DE ECUACIONES NO LINEALES

Los sistemas de ecuaciones no lineales son pesados y complejos, Requieren un volumen


importante de clculo y el xito depende tanto del mtodo elegido como de los problemas
numricos involucrados y la habilidad del analista.
Descartados para este tema los denominados mtodos exactos, que luego de un
determinado nmero de pasos llevan a la solucin, salvo alguna afortunada inspiracin y a
la aplicacin oportuna de una triquiuela apropiada; slo quedan disponibles mtodos
aproximados, iterativos, que aproximan la solucin hasta que ciertas condiciones quedan
satisfechas. Con ellos hay que operar.
Algunos son similares a los aplicados para la bsqueda de races de ecuaciones con una
incgnita. La similitud es conceptual puesto que en estos, sistemas, el clculo debe hacerse
en espacios de n dimensiones, con todo lo que ello implica.
METODO DE NEWTON-RAPHSON

Este mtodo, el cual es un mtodo iterativo, es uno de los ms usados y efectivos. A


diferencia de los mtodos anteriores, el mtodo de Newton-Raphson no trabaja sobre un
intervalo sino que basa su frmula en un proceso iterativo. Supongamos que tenemos la
aproximacin

a la raz

de

Trazamos la recta tangente a la curva en el punto

; sta cruza al eje

en un

punto
que ser nuestra siguiente aproximacin a la raz . Para calcular el punto
calculamos primero la ecuacin de la recta tangente. Sabemos que tiene pendiente

68

Y por lo tanto la ecuacin de la recta tangente es:

Hacemos

Y despejamos

Que es la fmula iterativa de Newton-Raphson para calcular la siguiente aproximacin:


,

si

Note que el mtodo de Newton-Raphson no trabaja con intervalos donde nos asegure que
encontraremos la raz, y de hecho no tenemos ninguna garanta de que nos aproximaremos
a dicha raz. Desde luego, existen ejemplos donde este mtodo no converge a la raz, en
cuyo caso se dice que el mtodo diverge. Sin embargo, en los casos donde si converge a la
raz lo hace con una rapidez impresionante, por lo cual es uno de los mtodos preferidos
por excelencia.
Tambin observe que en el caso de que
, el mtodo no se puede aplicar. De
hecho, vemos geomtricamente que esto significa que la recta tangente es horizontal y por
lo tanto no intersecta al eje
en ningn punto, a menos que coincida con ste, en cuyo
caso

mismo es una raz de

Ejemplo

Usar el mtodo de Newton-Raphson, para aproximar la raz de


comenzando con

y hasta que

Solucin
En este caso, tenemos que

69

De aqu tenemos que:

Comenzamos con

y obtenemos:

En este caso, el error aproximado es,

Continuamos el proceso hasta reducir el error aproximado hasta donde se pidi.


Resumimos los resultados en la siguiente tabla:
Aprox. a la raz
1
1.268941421
1.309108403
1.309799389

Error aprox.
21.19%
3.06%
0.052%

De lo cual conclumos que


, la cual es correcta en todos sus dgitos!
La misma idea puede aplicarse para crear algoritmos que aproximen races -simas de
nmeros reales positivos. Observe que cuando el mtodo de Newton-Raphson converge a
la raz, lo hace de una forma muy rpida y de hecho, observamos que el error aproximado
disminuye a pasos agigantados en cada paso del proceso. Aunque no es nuestro objetivo
establecer formalmente las cotas para los errores en cada uno de los mtodos que hemos
estudiado, cabe mencionar que si existen estas cotas que miden con mayor precisin la
rapidez lentitud del mtodo en estudio.
METODO NEWTON-RAPHSON MODIFICADO
El Mtodo de Newton-Raphson es ampliamente utilizado para encontrar las races de la
ecuacin f(x)=0, ya que converge rpidamente, la contra es que uno debe conocer la
derivada de f(x) y se necesita una aproximacin inicial a la raz.

70

Permite aproximar las primeras N iteraciones en el mtodo de Newton-Raphson modificado


aplicado a la funcin f tomando como aproximacin inicial x0 . Observe que no requiere
construir la funcin M definida en el mtodo de Newton-Raphson modificado.
Frmula

X I 1 X I

f xi f xi

x 2 f xi f xi

Algoritmo
Para calcular el punto xi+1, calculamos primero la ecuacin de la recta tangente. Sabemos
que tiene pendiente

Y por lo tanto la ecuacin de la recta tangente es:

Hacemos y=0:

Y despejamos x:

Que es la frmula iterativa de Newton-Raphson para calcular la siguiente aproximacin:


,

si

METODO DE BAIRSTOW
El mtodo de Bairstow es un mtodo iterativo, basado en el mtodo de Mller y de Newton
Raphson. Dado un polinonio fn(x) se encuentran dos factores, un polinomio cuadrtico f2(x)
= x2 rx s y fn-2(x). El procedimiento general para el mtodo de Bairstow es:
1. Dado fn(x) y r0 y s0

71

2. Utilizando el mtodo de NR calculamos f2(x) = x2 r0x s0 y fn-2(x), tal que, el


residuo de fn(x)/ f2(x) sea igual a cero.
3. Se determinan la races f2(x), utilizando la formula general.
4. Se calcula fn-2(x)= fn(x)/ f2(x).
5. Hacemos fn(x)= fn-2(x)
6. Si el grado del polinomio es mayor que tres regresamos al paso 2
7. Si no terminamos
La principal diferencia de este mtodo, respecto a otros, es que permite calcular todas las
races de un polinomio (reales e imaginarias).
Para calcular la divisin de polinomios, hacemos uso de la divisin sinttica. As dado

fn(x) = anxn + an-1xn-1 + + a2x2 + a1x + a0


Al dividir entre f2(x) = x2 rx s, tenemos como resultado el siguiente polinomio

fn-2(x) = bnxn-2 + bn-1xn-3 + + b3x + b2


con un residuo R = b1(x-r) + b0, el residuo ser cero solo si b1 y b0 lo son.
Los trminos b, los calculamos utilizamos divisin sinttica, la cual puede resolverse
utilizando la siguiente relacin de recurrencia

b n = an
bn-1 = an-1 + rbn
bi = ai + rbi+1 + sbi+2
Una manera de determinar los valores de r y s que hacen cero el residuo es utilizar el
Mtodo de Newton-Raphson. Para ello necesitamos una aproximacin lineal de b1 y
b0 respecto a r y s la cual calculamos utilizando la serie de Taylor
b1 r dr , s ds b1

b1
b
dr 1 ds
r
s

b0 r dr , s ds b0

b0
b
dr 0 ds
r
s

72

donde los valores de r y s estn dados y calculamos los incrementos dr y ds que hacen
a b1(r+dr, s+ds)y b0(r+dr, s+dr) igual a cero. El sistema de ecuaciones que tenemos que
resolver es:
b1
b
dr 1 ds b1
r
s
b0
b
dr 0 ds b0
r
s

Bairtow muestra que las derivadas parciales pueden obtener haciendo un procedimiento
similar a la divisin sinttica, as

cn = bn
cn-1 = bn-1 + rcn
ci = bi + rci+1 + sci+2
donde:
b0
c1
r
b1 b0

c2
r
s

Sustituyendo Termino:
b1
c3
s

Ejemplo 1
Dado el polinomio f5(x) = x5 - 3.5x4 + 2.75x3 + 2.125x2 - 3.875x + 1.25, determinar
los valores de r y s que hacen el resido igual a cero. Considere r0 = -1 y s0 = 2.
Solucin.
Iteracin 1.
La divisin sinttica con el polinomio f2(x) = x2 -x + 2.0 da como resultado

f3(x) = x3 - 4.5x2 + 9.25x - 16.125

Residuo = {30.75, -61.75}

73

Aplicando el mtodo de Newton tenemos


-43.875

16.75

dr

-30.75

108.125

-43.875

ds

61.75

de donde:
r1 = -1.0 + 2.7636812508572213 =1.7636812508572213
s1 = 2.0 + 5.403374022767796 =7.403374022767796
Iteracin 2.
La divisin sinttica con el polinomio f2(x) = x2 -1.7636812508572213x -

7.403374022767796da como resultado


f3(x)
=
x3 - 1.7363187491427787x2 +
1.776754563401905

7.091061199392814x

Residuo = {51.75640698828836, 105.68578319650365}


Aplicando el mtodo de Newton tenemos
27.628006

14.542693

dr

-51.75640

208.148405

27.62800

ds

-105.68578

de donde
r2 = 1.7636812508572213 - 0.04728019113442016 = 1.7164010597228012
s2 = 7.403374022767796 - 3.469106187802152 = 3.934267834965644

Iteracin 3.
La divisin sinttica con el polinomio f2(x)= x2 - 1.7164010597228012x -

3.934267834965644 da como resultado


f3(x) = x3 - 1.7835989402771988x2 +
1.3261878347051992

3.622896723753395x

Residuo = {12.654716254544885, 28.1881465309956}


Aplicando el mtodo de Newton tenemos

74

13.83497

7.44182

dr

-12.65471

65.679212

13.83497

ds

-28.18814

de donde
r3 = 1.7164010597228012 - 0.11666951305731528 = 1.599731546665486
s3 = 3.934267834965644 - 1.4835870659929915 = 2.4506807689726524
En resumen

Residuo

-1

30.75

-61.75

1.76368

7.403374

51.756406

105.68578

1.71640

3.93426

12.65471

28.18814

1.599731

2.450680

2.89958

8.15467

1.33354

2.18666

0.760122

2.522228

1.11826

2.11302

0.271940

0.607688

1.02705

2.02317

0.04313

0.11185

1.00165

2.00153

0.00277

0.00634

1.00000

2.00000

1.13930E-5

2.67534E-5

La solucin es:

f3(x) = x3 - 2.53x2 + 2.25x - 0.625 y f2(x) = x2 - x - 2


Las races de f2(x) = x2 - x - 2, son

x1 = 2
x2 = -1
Si repetimos el ejemplo pero ahora considerando el polinomio f3(x) = x3 - 2.53x2 + 2.25x
- 0.625, podemos calcular el total de las races del polinomio original.

75

9.-REGRESION LINEAL Y AJUSTE DE CURVAS


CP

SI

xi

yi

2.95

18.5

3.2

20

3.4

21.1

3.6

22.4

3.2

21.2

2.85

15

3.05

18

2.7

18.8

2.75

15.7

3.1

14.4

3.15

15.5

2.95

17.2

2.75

19

45.6

17.2
16.8

45.6

270.8

El anlisis de regresin es una tcnica estadstica para investigar la relacin


funcional entre dos o ms variables, ajustando algn modelo matemtico. La
regresin lineal simple utiliza una sola variable de regresin y el caso ms
sencillo es el modelo de lnea recta.
Supngase que se tiene un conjunto de npares de observaciones (xi,yi), se
busca encontrar una recta que describa de la mejor manera cada uno de esos
pares observados.

Se considera que la variable X es la variable independiente o regresiva y se


mide sin error, mientras que Y es la variable respuesta para cada valor
especfico xi de X; y adems Y es una variable aleatoria con alguna funcin de
densidad para cada nivel de X.

Si la recta de regresin es: Y = 0 + 1X Cada valor yi observado para un xi puede


considerarse como el valor esperado de Y dado xi ms un error:
Modelo Lineal Simple: yi = 0 + 1xi +i
Los i se suponen errores aleatorios con distribucin normal, media cero y varianza 2; 0
y 1 son constantes desconocidas (parmetros del modelo de regresin).

76

AJUSTE DE MINIMOS CUADRADOS A UNA ECUACION LINEAL


Existen numerosas leyes fsicas en las que se sabe de antemano que dos magnitudes x, y se
relacionan a travs de una ecuacin lineal
y = ax + b
Donde las constantes b (ordenada en el origen) y a (pendiente) dependen del tipo de
sistema que se estudia y, a menudo, son los parmetros que se pretende encontrar.
EJEMPLO: La fuerza F de traccin sobre un muelle y el alargamiento l que experimenta ste
estn ligadas a travs de una ley lineal:
l = (1/K)F
con ordenada en el origen cero y donde el inverso de la pendiente (K) es una caracterstica
propia de cada muelle: la llamada constante elstica del mismo El mtodo ms efectivo para
determinar los parmetros a y b se conoce como tcnica
de mnimos cuadrados. Consiste en someter el sistema a
diferentes condiciones, fijando para ello distintos valores
de la variable independiente x, y anotando en cada caso
el correspondiente valor medido para la variable
dependiente y. De este modo se dispone de una serie de
puntos (x1,y1), .... (xn,yn) que, representados
grficamente, deberan caer sobre una lnea recta. Sin
embargo, los errores experimentales siempre presentes
hacen que no se hallen perfectamente alineados (ver Fig. 1). El mtodo de mnimos
cuadrados determina los valores de los parmetros a y b de la recta que mejor se ajusta a
los datos experimentales. Sin detallar el procedimiento, se dar aqu simplemente el
resultado:

Donde n es el nmero de medidas y representa la suma de todos los datos que se indican.
Los errores en las medidas, se traducirn en errores en los resultados de a y b. Se describe
a continuacin un mtodo para calcular estos errores. En principio, el mtodo de mnimos
cuadrados asume que, al fijar las condiciones experimentales, los valores yi de la variable

77

independiente se conocen con precisin absoluta (esto generalmente no es as, pero lo


aceptamos como esencial en el mtodo). Sin embargo, las mediciones de la variable x, irn
afectadas de sus errores correspondientes, si es el valor mximo de todos estos errores,
entonces se tiene:

La pendiente de la recta se escribir , y la ordenada en el origen . El


coeficiente de correlacin es otro parmetro para el estudio de una distribucin
bidimensional, que nos indica el grado de dependencia entre las variables x e y. El
coeficiente de correlacin r es un nmero que se obtiene mediante la frmula:

Su valor puede variar entre 1 y -1.


Si r = -1 todos los puntos se encuentran sobre la recta existiendo una correlacin que es
perfecta e inversa. Si r = 0 no existe ninguna relacin entre las variables.
Si r = 1 todos los puntos se encuentran sobre la recta existiendo una correlacin que es
perfecta y directa.
Ejemplo: Supongamos un muelle sometido a traccin, se ha cargado el muelle con
diferentes pesos (F, variable independiente o y ) y se han anotado los alargamientos
(l variable dependiente o x)
Cargas sucesivas

Lecturas Sucesivas

F(yl) Gramos

L (xl) mm

200

60

400

120

500

150

700

210

900

260

1000

290

78

Los distintos datos que se necesitan son:


con lo cual aplicando las expresiones [1] , [2], [3] y [4]
b = -18,4153; a =3,4959 ; b =0,08164966; a =0,00102217;
r = 0,9995
Redondeando en la forma usual b = -18,42 0,08 mm; a
=3,50 0,00 mm/Kp

1090

236300

3700

2750000

806000

0.2

No se debe olvidar que se persigue el valor de la constante elstica del muelle:

==

AJUSTE DE MINIMOS CUADRADOS LINEALIZANDO UNA ECUACION NO LINEAL


Los Mnimos cuadrados no lineales es la forma de anlisis de mnimos cuadrados que se
usa para encajar un conjunto de m observaciones con un modelo que es no lineal
en nparmetros desconocidos (m > n). Se utiliza en algunas formas de regresin no lineal.
La base del mtodo es para aproximar el modelo por uno lineal y para refinar los parmetros
por iteraciones sucesivas. Hay muchas similitudes con mnimos cuadrados lineales, pero
tambin algunas diferencias importantes.
Algunos problemas de regresin no lineal pueden linealizarse mediante una transformacin
en la formulacin del modelo. Por ejemplo, considrese el problema de regresin no lineal
(ignorando el trmino de error):
y = a exp(b x)
Aplicando logaritmos a ambos lados de la ecuacin, se obtiene:

79

ln(y)= ln(a)+b x
lo cual sugiere una estimacin de los parmetros desconocidos a travs de un modelo de
regresin lineal de ln (y) con respecto a x , un clculo que no requiere procedimientos de
optimizacin iterativa. De todas formas, la linealizacin debe usarse con cuidado ya que la
influencia de los datos en el modelo cambia, as como la estructura del error del modelo y
la interpretacin e inferencia de los resultados, cosa que puede ser un inconveniente.
PARABOLA DE REGRECION

En muchos casos, es una funcin de segundo grado la que se ajusta lo suficiente a la


situacin real dada. La expresin general de un polinomio de segundo grado es:
Y=a+bX+cX2
donde a , b y c son los parmetros.
El problema consiste, por tanto, en determinar dichos parmetros para una distribucin
dada. Se seguir para ello, un razonamiento similar al que se hace en el caso del modelo de
regresin lineal simple, utilizando el procedimiento de ajuste de los mnimos cuadrados, es
decir, haciendo que la suma de los cuadrados de las desviaciones con respecto a la curva de
regresin sea mnima:

= ( )2
=1

Donde son los valores observados de la variable dependiente, y


Son los valores estimados segn el modelo; Por tanto, D se puede escribir de la forma:

= ( )2 = ( 2 )2
=1

=1

Para encontrar los valores de a , b y c que hacen mnima la expresin anterior, se igualarn
las derivadas parciales de D con respecto a dichos parmetros a cero y se resolver el
sistema resultante. Las ecuaciones que forman dicho sistema se conocen, igual que en el
caso de la regresin lineal simple, como ecuaciones normales de Gauss.

80

=1


=1

2
=1

= + + 2
=1

=1

= + + 3
2

=1

=1

=1

= 2 + 3 + 4
=1

=1

=1

REGRESION HIPERBOLICA
Cuando la dependencia entre las variables X e Y es de forma hiperblica, interesa ajustar a
la nube de puntos una funcin del tipo:

La funcin a minimizar ser:

Donde

por tanto,

Para minimizar la expresin, se calculan las derivadas parciales respecto a los parmetros a
y b , igualando a cero:

En consecuencia, las ecuaciones normales sern:

81

Ejemplo: ajustar la funcin parablica: = + + 2


X

XY

1.25

1.25

1.25

1.18

0.07

0.0049

16

10

20

5.11

-0.11

0.0121

11.25

27

81

33.75

101.5

11.32

-0.07

0.0049

20

16

64

256

80

320

19.81

0.19

0.0361

30.5

25

125

625

152.5

762.5

30.58

-0.08

0.0064

15

68

55

225

979

277.5

1205

68

0.0644

1/5

13.6

11

13.6

0.0128

55.5

Aplicando el mtodo de los mnimos cuadrados se obtiene el siguiente sistema de


ecuaciones:

Resolviendo este sistema se obtiene:


= 0.47
= 0.51
= 1.14
= 0.47 + 0.51 + 1.14 2
Bondad del ajuste
Coeficiente de determinacin:

82

WEBGRAFIA:

http://webdelprofesor.ula.ve/nucleotachira/vermig/CLASE1.pdf
http://es.wikipedia.org/wiki/M%C3%A9todo_de_la_secante
http://filemon.upct.es/~juan/docencia/comunes/apuntes/madetenc.pdf(MATRICES)
http://www.ugr.es/~mpasadas/ftp/Tema3_apuntes.pdf(metodo de cholesky)
http://www.ugr.es/~mpasadas/ftp/Tema3_apuntes.pdf
http://www.modeladoeningenieria.edu.ar/mei/repositorio/catedras/msa/apuntes/Ejemplos_SEAL_Jacobi_G
auss_Seidel.pdf
http://es.wikipedia.org/wiki/Vector_propio_y_valor_propio
http://www.tonahtiu.com/notas/metodos/gs_ejercicio_01.htm(GASUSS SEINDEL)
http://cb.mty.itesm.mx/ma1010/materiales/a843-13.pdf
http://es.slideshare.net/algebra_lineal/sistemas-de-ecuaciones-lineales-mtodos-gauss-jordan-y-gauss
-Exceltotal.com/que-es-una-macro.,-Es.slideshare.net
-Aplicaexcelcontable.com,-Office.microsoft.com
www.edutek.org.

BIBLIOGRAFIA:
-Programaci on Visual Basic (VBA) para Excel y An alisis Num erico M.Sc. Walter Mora F., M.Sc. Jos e Luis
Espinoza B.Escuela de Matem aticaInstituto Tecnol o
gico de Costa Rica.
-FUNDAMENTOS DE PROGRAMACIN VISUAL BASIC, Departamento LSI (Lenguajes y Sistemas Informticos)
Escuela Universitaria de Ingeniera Vitoria-GasteizCurso Acadmico 2.007-2.008
METODOS NUMERICOS para INGENIERIA, ING. RICARDO SEMINARIO VASQUEZ.
METODOS NUMERICOS, Lino Alvarez - Aurea Martinez.
Superficies de respuesta. Mtodos y Diseos. Autor: Carmen Dolores Fernndez Melcn, Montserrat Pieiro
Barcia. Responce Surfaces Design And Analyses. Khuri, Andr I., Comell, John A. Statics: Textbooks and
Monographs. 81. Marcel Dekker, 1987. New York. Diseo de Experimentos. Kuehl, Robert O. International
Thomson, 2001
Introduccin a la Ciencia e Ingeniera de los Materiales Autor: Willliam D. Callister, Jr. Department of materials
Science and Engineering The University of Utah. Editorial Revert, S.A. ISBN 842917253X

83

You might also like