Metodos Numericos Analisis

Universidad Nacional Autónoma de México
Calderón Candelas Juan Carlos Análisis numérico

Tobón Cortés Blanca Itzel
Métodos numéricos
Introducción ............................................................................................................. 2
Método de Gauss .................................................................................................... 3
Método de Gauss-Jordan ........................................................................................ 3
Método de Gauss-Seidel ......................................................................................... 4
Doble división sintética ............................................................................................ 5
Descomposición LU................................................................................................. 9
Método de mínimos cuadrados ............................................................................. 13
Método de potencias ............................................................................................. 15
Interpolación polinomial de newton ....................................................................... 18
Interpolación de Lagrange ..................................................................................... 22
Interpolación inversa ............................................................................................. 23
1
Introducción
Un método numérico es un procedimiento mediante el cual se obtiene, casi siempre

de manera aproximada, la solución de ciertos problemas realizando cálculos
puramente aritméticos y lógicos
Estos procedimientos consisten en instrucciones que especifican una secuencia de
operaciones algebraicas y lógicas, las cuales producen una aproximación a la
solución del sistema o problema, pero estas soluciones al ser aproximaciones tienen
un porcentaje de error, por lo que hay métodos más eficientes para aproximarnos a
una solución.
El objetivo de este trabajo es dar a conocer distintos tipos de métodos numéricos
iterativos para encontrar raíces de un polinomio, y en base a esto escoger aquel
que tenga mayor precisión.
2
Desarrollo
Método de Gauss
El método de Gauss consiste en transformar un sistema de ecuaciones en otro
equivalente de forma que este sea escalonado.
Para facilitar el cálculo vamos a transformar el sistema en una matriz, en la que
pondremos los coeficientes de las variables y los términos independientes
(separados por una recta).
Método de Gauss-Jordan
El método de Gauss-Jordan es una variación de la eliminación de Gauss. La

principal diferencia consiste en que cuando una incógnita se elimina en el método
de Gauss-Jordan, ésta es eliminada de todas las otras ecuaciones, no sólo de las
subsecuentes. Además, todos los renglones se normalizan al dividirlos entre su
elemento pivote.
Por ejemplo:
2 3 1 1
[3 −2 −4] | [−3]
5 −1 −1 4
Realizando lo anterior podemos operar con las distintas columnas y filas de la matriz
para así convertirla en la matriz identidad sin olvidar la forma del sistema:
1 0 0
[0 1 0 ]
0 0 1
Ahora debemos transformar el 2 de la primera fila de la matriz original en el 1 de la
primera fila de matriz identidad. Para realizar este paso multiplicamos toda la fila 1
por el inverso de 2, osea ½.
3
2 3 1 1
[3 −2 −4] | [−3]
5 −1 −1 4
Fila 1*1/2=
3 1 1
1
[ 2 2 ]|[ 2 ]
3 −2 −4 −3
5 −1 −1 4
A continuación, debemos obtener los dos ceros de la primera columna de la matriz
identidad.
Fila 1 * -3 + Fila 2Fila 1 * -5 + Fila 3
1 3/2 1/2 1/2

[0 −13/2 −11/2] | [−9/2]
0 −17/2 −7/2 3/2
A medida que realicemos este procedimiento operando con los distintas filas y
columnas de la matriz, observaremos como esta se transforma en el modelo de la
matriz identidad, Finalizado el proceso, encontraremos finalmente en la cuarta
columna los valores de las variables.
1 3/2 0 −1/2
[0 1 0] | [ −1 ]
0 0 1 2
Fila 2 * -3/2 + fila 1=
1 0 0 1
[0 1 0 −1]
] | [
0 0 1 2
Quedando la solución de la siguiente forma:

𝑥 = 1, 𝑦 = −1 𝑦 𝑧 = 2
Método de Gauss-Seidel
El método de Gauss-Seidel es el método iterativo más comúnmente usado.
Suponga que se da un sistema de n ecuaciones: [𝐴]{𝑋} = {𝐵} Suponga que se
limita a un conjunto de ecuaciones de 3 × 3. Si los elementos de la diagonal no son
todos cero, la primera ecuación se puede resolver para 𝑥1, la segunda para 𝑥2 y la
tercera para 𝑥3, para obtener:
4
𝑏1 − 𝑎12𝑥2 − 𝑎13𝑥3
𝑥1 =
𝑎11
𝑏2 − 𝑎21𝑥1 − 𝑎23𝑥3
𝑥2 =
𝑎11
𝑏3 − 𝑎31𝑥1 − 𝑎32𝑥2
𝑥3 =
𝑎33
En consecuencia, su criterio de convergencia lo conforman los criterios de la
diagonal pesada, mismo que posee dos condiciones:
• Condición necesaria: Es condición necesaria que el elemento ubicado en la
diagonal principal de cada ecuación sea mayor al valor absoluto que el resto
de elementos de la misma ecuación.
|𝑎𝑖𝑖| > |𝑎𝑖𝑗|
• Condición suficiente: Es condición suficiente que el elemento ubicado en la

diagonal principal de cada ecuación sea mayor en valor absoluto, que en la
suma del resto de elementos de la misma ecuación.
|𝑎𝑖𝑖| > ∑|𝑎𝑖𝑗|
Doble división sintética

La división sintética se puede utilizar para dividir una función polinómica por un
binomio en la forma 𝑥 − 𝑐. Esto nos permite hallar el cociente y el resto que se
obtiene al dividir el polinomio. Aplicando el teorema de la división sintética se obtiene
el valor funcional del polinomio.
También permite encontrar los factores cero de un polinomio, este se puede
factorizar completamente y expresar como el producto de sus factores lineales, la
división sintética juega un papel preponderante.
• Teorema del residuo
El teorema del residuo indica que el resultado de evaluar numéricamente una
función polinomial para un valor a es igual al residuo de dividir el polinomio entre
𝑥 − 𝑎.
A partir de lo anterior, si ƒ(𝑎) = 0, entonces 𝑥 − 𝑎 es un factor del polinomio
porque el residuo es cero. Cuando se encuentra un valor de 𝑥 para el cual ƒ(𝑥) = 0
se ha encontrado una raiz del polinomio, en el supuesto anterior, a es una raiz del
polinomio.
El Teorema del Residuo (en álgebra) se emplea para conocer el resíduo que se
obtiene al dividir un polinomio por un binomio de la forma 𝑥 − 𝑎 (siendo "a" un valor
numérico conocido) sin necesidad de efectuar la división.
5
Ejemplo:
𝑥³ + 2𝑥² − 3𝑥 + 5 entre 𝑥 − 2
En este caso, a=2 y por lo tanto sustituimos "a" en el polinomio:

(2)³ + 2(2)² − 3(2) + 5 = 8 + 8 − 6 + 5 = 15
El residuo es entonces 15.
• Teorema del factor

Si a es una raíz de ƒ(𝑥), entonces 𝑥 − 𝑎 es un factor del polinomio, donde a es un
número real.
Aquí podemos observar la importancia de conocer el valor del residuo, ya que, si

éste es igual a cero, nos va a indicar que hemos encontrado un factor del polinomio
y con él, una raíz del polinomio (una solución a la ecuación polinomial ƒ(𝑥) = 0).
Ejemplo:
(𝑥 6 − 1) tiene por factor (𝑥 + 1)
(𝑥 6 − 1) es divisible por (𝑥 + 1) si y sólo si 𝑃(𝑥 = − 1) = 0.
𝑃(−1) = (−1)6 − 1 = 0
(𝑥 + 1) es un factor.
Pasos para llevar a cabo el método:
Paso 1
En la primera línea se escriben los coeficientes del dividendo y el número “r”
separado a la derecha, si alguna potencia no aparece en su coeficiente se escribe
como “0”.
Paso 2
Se escribe el coeficiente principal como el término de la tercera línea y se multiplica
por “r” escribiendo en la segunda línea debajo de él.
6
Paso 3
Se suma como el producto y se escribe la suma en la tercera línea.
Paso 4
Se multiplica por “r” se escribe el producto en la segunda línea, debajo de la línea y
se suma en la tercera línea.
Paso 5
Se toma como residuo el último resultado.
Paso 6
𝑅𝑛
Utilizar la fórmula 𝑥(𝑛 + 1) = 𝑥𝑛 − (𝑅𝑛∗ )
Donde:
𝑎−𝑏
𝑋𝑛 = Primer valor de x propuesto =𝑥𝑚 = 2
𝑅0 = Primer residuo.
𝑅𝑜∗ = Segundo residuo.
Ejemplo: Encontrar las raíces de la función 𝑓(𝑥) = 𝑥 4 − 𝑥 3 − 2𝑥 2 − 6𝑥 − 4 = 0 por
doble división sintética.
x f(x)
-3 104
-2 24
-1 2
0 -4
1 -12
2 -16
Se toma el intervalo de interés, es decir, en donde contiene el 0, en este caso es

[−1,0]
Se calcula 𝑥𝑚
−1 − 0
𝑥𝑚 = = −0.5
2
7
Se realiza la primera división sintética con 𝑥𝑚

1 -1 -2 -6 -4
-0.5 -0.5 0.75 0.625 2.6875
1 -1.5 -1.25 -5.375 -1.31245
R1
Ahora se realiza la segunda división sintética sin contar R1

1 -1.5 -1.25 -5.375
-0.5 -0.5 1 0.125
1 -2 -0.25 5.25
Utilizando la fórmula: R1*
𝑅𝑛
𝑥(𝑛 + 1) = 𝑥𝑛 − (𝑅𝑛∗) con 𝑛 = 0
𝑅1
𝑋1 = 𝑥0 − ( )
𝑅1∗
−1.3125
𝑥1 = −0.5 − ( ) − 0.75
−5.25
Se valúa el valor en la función:
𝑓(−0.75) = 0.113281
Cómo 𝑥1 aún no hace 0 a la función volvemos a hacer doble división sintética ahora
usando 𝑥1:
1 -1 -2 -6 -4
-0.75 -0.75 1.3125 0.515625 4.113281
1 -1.75 -0.6875 -5.484375 0.113281
-0.75 -0.75 1.875 -0.890625
1 -2.5 1.1875 -6.375
8
Se calcula 𝑥2
0.311281
𝑥2 = −0.75 − ( )
−6.375
𝑥2 = −0.732230
𝑓(−0.73223) = 0.001120
Se debe llegar hasta una solución donde casi el resultado al sustituir de 0.
El ejercicio se puede concluir aquí, pero mientras menos error para llegar al 0 mejor.
Descomposición LU
La factorización 𝐿𝑈 de una matriz es una factorización que resume el proceso de

eliminación gaussiana aplicado a la matriz y que es conveniente en términos del
número total de operaciones de punto flotante cuando se desea calcular la inversa
de una matriz o cuando se resolverá una serie de sistemas de ecuaciones con una
misma matriz de coeficientes. En la lectura, primeramente, consideraremos la
factorización 𝐿𝑈 sin intercambio basada en matrices elementales y que es conocida
como de Doolittle.
Suponga que la matriz 𝐴 es una matriz 𝑚 × 𝑛 se puede escribir como el producto
de dos matrices:
𝐴 = 𝐿𝑈
Donde:
𝐿 = 𝑒𝑠 una matriz triangular inferior
𝑚 × 𝑚 𝑦 𝑈 = es una matriz escalonada 𝑚 × 𝑛.
Entonces para resolver el sistema:
𝐴𝑥 = 𝑏
Escribimos
𝐴 𝑥 = (𝐿 𝑈) 𝑥 = 𝐿 (𝑈 𝑥).
Una posible estrategia de solución consiste en tomar 𝑦 = 𝑈 𝑥 y resolver para y:
𝐿 𝑦 = 𝑏.
9
Como la matriz L es triangular superior este sistema puede resolverse mediante

sustitución hacia abajo. Una vez con los valores encontrados de 𝑦, las incógnitas al
sistema inicial se resuelven despejando 𝑥 de
𝑈𝑥 = 𝑦
Ejemplo:
Resolver el sistema de ecuaciones siguiente
3𝑥 + 2𝑦 + 𝑧 = 0
11𝑥 + 7𝑦 + 5𝑧 = 0
19𝑥 + 17𝑦 + 13𝑧 = 1
Escribiendo el problema de manera matricial:
3 2 1 𝑥 0
[11 7 5 ] | [𝑦] = [0] ; 𝐴 x = b
19 17 13 𝑧 1
Encontrando L y U
Escribimos la matriz A 𝛼𝐹1 + 𝐹2 → 𝐹2
11
− 𝐹1 + 𝐹2 → 𝐹2
3 3 2 1 3 2 1
3 2 1 1 4 1 4
[11 7 5] 19 [0 −3 3] [0 −3 3]
− 𝐹1 + 𝐹2 → 𝐹3 13 20 13 20
19 17 13 3 0 0
3 3 3 3
13
Encontrar 𝛼 que haga 0 a
3
1 13
𝛼 (− ) + =0
3 3
13
𝛼=− ∗ 3 = 13
3
3 2 1
1 4
[0 − ]
3 3
0 0 24
Reescribiendo la matriz en forma LU:
U es representada por la matriz:
10
3 2 1
1 4
𝑈 = [0 − ]
3 3
0 0 24
Y L es representada por la matriz conformada por los menos multiplicadores
11 19
( 3 , 3 𝑦 − 13)
1 0 0
11
1 0
𝐿= 3
19
[ 3 −13 1]
Nota: Las descomposiciones 𝐿𝑈 no son únicas, por las que si se realiza por otro
método, puede dar otra descomposición, para comprobar que las matrices son
correctas se deben multiplicar las matrices 𝐿 y 𝑈 y esta nos da la matriz 𝐴:
Ahora encontrar los valores de 𝑥, 𝑦 𝑦 𝑧
3 2 1 𝑥 0
[11 7 𝑦
5 ] | [ ] = [0] ; 𝐴 x = b
19 17 13 𝑧 1
Como 𝐿𝑈 = 𝐴 y 𝑈 x = y
𝐿𝑈 x = b ; 𝐿 y = b
Entonces:
1 0 0
11 𝑦1 0
1 0
3 𝑦2
| [ ] = [0]
19 𝑦3 1
[3 −13 1]
De aquí se pueden conocer los valores de 𝑦1, 𝑦2 𝑦 𝑦3

𝑦1 = 0;
11
𝑦1 + 𝑦2 + 0 = 0
3
𝑦2 = 0;
19
𝑦1 − 13𝑦2 + 𝑦3 = 1
3
𝑦3 = 0
11
0
Por lo que el vector auxiliar y = [0] ; 𝐿 y = b
1
𝑥
Además, el y = 𝑈 x ; donde x = [𝑦]
𝑧
Entonces se procede a calcular los valores de 𝑥, 𝑦 𝑦 𝑧
3 2 1 𝑥
1 4 0
[0 − ] [𝑦] = [0]
3 3 𝑧 1
0 0 24
Con sustitución hacia atrás nos dice:

1
𝑧=
24
1 4
− 𝑦+ 𝑧=0
3 3
1 4 1
− 𝑦+ ( )=0
3 3 24
1 1
− 𝑦=−
3 18
1
𝑦=
6
3𝑥 + 2𝑦 + 𝑧 = 0
1 1
3𝑥 + 2 ( ) + =0
6 24
1
𝑥=−
8
La solución del sistema es:
1 1 1
𝑥=− 𝑦= 𝑧=
8 6 24
En el método de descomposición 𝐿𝑈 es que no se pueden intercambiar filas, en
casos como este:
0 2 1
[11 7 5]
19 17 13
12
Porque no tiene sentido poner un 0 como pivote para la obtención de la

descomposición 𝐿𝑈.
En dado caso de que se hiciera un cambio de fila, es necesario conocer la
descomposición LU de la nueva matriz al hacer el cambio de fila, por ejemplo:
19 17 13 3 2 1
𝐹13
[11 7 5] [11 7 5]
3 2 1 19 17 13
𝐴 𝐴′ = 𝐿𝑈
Por lo que 𝐴 = 𝐸13𝐴’

0 0 1
Donde 𝐸13 = [0 1 0]
1 0 0
Método de mínimos cuadrados
La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.

Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.
• El método de mínimos cuadrados para el cálculo de la ecuación de una recta
a través de los datos de interés da la línea de mejor ajuste, para llegar a la
ecuación de tendencia por mínimos cuadrados se resuelven dos ecuaciones
simultáneamente.
El procedimiento más objetivo para ajustar una recta a un conjunto de datos
presentados en un diagrama de dispersión se conoce como "el método de los
mínimos cuadrados". La recta resultante presenta dos características importantes:
a) Es nula la suma de las desviaciones verticales de los puntos a partir de la
recta de ajuste
∑ (𝑌ｰ − 𝑌) = 0.
b) Es mínima la suma de los cuadrados de dichas desviaciones. Ninguna otra
recta daría una suma menor de las desviaciones elevadas al cuadrado ∑ (𝑌ｰ
− 𝑌)² → 0(mínima).
Re emplazando nos queda
13
El procedimiento consiste entonces en minimizar los residuos al cuadrado 𝐶𝑖²

La obtención de los valores de a y b que minimizan esta función es un problema
que se puede resolver recurriendo a la derivación parcial de la función en términos
de a y b: llamemos G a la función que se va a minimizar:
Tomemos las derivadas parciales de G respecto de a y b que son las incógnitas y

las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas
ecuaciones normales del modelo que pueden ser resueltas por cualquier método ya
sea igualación o matrices para obtener los valores de a y b.
Derivamos parcialmente la ecuación respecto de a
Primera ecuación
normal.
Derivamos parcialmente la ecuación respecto de b
14
Segunda ecuación
normal.
Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante.
Método de potencias
Dada una matriz cuadrada A, de la cual necesitamos calcular el valor propio

dominante, es decir el valor propio de mayor módulo, de orden n y la cual tiene los
vectores linealmente independientes (es decir A es diagonalizable) y un vector
propio estrictamente dominante, es decir , si sus valores propios son:
𝜆1, 𝜆2, … , 𝜆𝑛
Entonces ocurre que:
|𝜆1| ≥ |𝜆2| ≥ |𝜆3| ≥ ⋯ ≥ |𝜆𝑛|
No hay pérdida de generalidad al suponerlos ordenados, de forma que el de mayor
módulo se corresponde con 𝜆1
Notaremos por 𝑉𝑖 el vector propio asociado a cada valor propio 𝜆𝑖 para 𝑖 = 1,2, … , 𝑛.
Entonces por la hipótesis de la que hemos partido tenemos que: {𝑣1, 𝑣2, 𝑣3, … , 𝑣𝑛}
son linealmente independientes.
15
Esto significa que cualquier vector 𝑣 del espacio vectorial 𝑅 𝑛 se puede expresar
como combinación lineal de los vectores {𝑣1, 𝑣2, 𝑣3, . . , 𝑣𝑛}.
Es decir, existirán valores 𝑎𝑖 ∈ 𝑅, tales que:
𝑛
𝑉 = ∑ 𝑎𝑖𝑣𝑖
𝑖=1
Por lo tanto, tenemos que:

𝐴𝑣 = 𝜆
𝑛 𝑛
𝐴 x = ∑ 𝑎𝑖𝐴𝑣𝑖 = ∑ 𝑎𝑖𝜆𝑖𝑣𝑖
𝑖=1 𝑖=1
Es decir, tenemos que:

𝐴𝑣 = 𝑎1𝜆1𝑣1 + 𝑎2𝜆2𝑣2 + ⋯ + 𝑎𝑛𝜆𝑛𝑣𝑛
Si multiplicamos esta expresión de nuevo por A, tenemos:
𝐴2 𝑣 = 𝑎1𝜆2 1𝑣1 + 𝑎𝜆2 2𝑣2 + ⋯ + 𝑎𝑛𝜆2 𝑛𝑣𝑛
Si continuamos multiplicando por 𝐴, de manera sucesiva, tenemos:
𝐴𝑘 𝑣 = 𝑎1𝜆𝑘 1𝑣1 + 𝑎2𝜆𝑘 2𝑣2 + ⋯ + 𝑎𝑛𝜆𝑘 𝑛𝑣𝑛
Como tenemos que el valor propio 𝜆1, es el de mayor módulo, si sacamos factor
común 𝜆𝑘 1 en la expresión anterior tenemos:
𝜆2 𝑘 𝜆𝑛 𝑘
𝐴𝑘 𝑣 = 𝜆𝑘 1[𝑎1𝑣1 + 𝑎2 ( ) 𝑣2 + ⋯ + 𝑎𝑛 ( ) 𝑣𝑛]
𝜆1 𝜆1
Si tenemos límites cuando 𝑘 → ∞, y tenemos en cuenta que al ser 𝜆1 el valor propio
dominante, entonces:
𝜆𝑖 𝑘
lim ( ) =0 𝑖 = 2,3, … , 𝑛
𝑘→∞ 𝜆1
Entonces en consecuencia se tiene que:
𝜆2 𝑘 𝜆𝑛 𝑘
lim [𝑎1𝑣1 + 𝑎2 ( ) 𝑣2 + ⋯ + 𝑎𝑛 ( ) 𝑣𝑛] = 𝑎1𝑣1
𝑘→∞ 𝜆1 𝜆1
En consecuencia, para valores grandes de 𝑘 se tiene que:
𝐴𝑚 𝑣 ≈ 𝜆𝑘 1𝑎1𝑣1
Es decir la sucesión:
16
(𝐴𝑘 𝑣) 𝑘 ∈ 𝑅 es una suceción de valores que cumplen que la suceción

{𝜆−𝑘 1𝐴𝑛 𝑣} 𝑘 ∈ 𝑅 converge a 𝑎1𝑣1
Por lo tanto, tenemos que:
𝐴𝑘+1 𝑣
lim = 𝜆1
𝑘→∞ 𝐴𝑘 𝑣
17
Interpolación polinomial de newton

Existen 3 tipos de interpolación polinomial.
a) Lineal.
Figura 1. Interpolación lineal. Chapra pág 503.
b) De segundo grado (cuadrática o parabólica) que une tres puntos.
Figura 2. Interpolación cuadrática. Chapra pág 503.
c) De tercer grado (cúbico) que une cuatro puntos.
Figura 3. Interpolación cúbica. Chapra pág 503.
18
I. Interpolación lineal
Figura 4. Interpolación lineal por triángulos semejantes. Chapra

pág 504.
Se tienen 2 puntos:
(𝑋𝑜, 𝑓(𝑋𝑛)) 𝑦 (𝑋1, 𝑓(𝑋1))
Con estos dos puntos se puede construir una recta y por medio de triángulos
semejantes se puede conocer el punto 𝑓(𝑥).
Por la pendiente se tiene que:
𝑦2 − 𝑦1 𝑓(𝑥) − 𝑓(𝑥0) 𝑓(𝑥1) − 𝑓(𝑥0)
𝑚= = =
𝑥2 − 𝑥1 𝑥 − 𝑥0 𝑥2 − 𝑥1
Despejando 𝑓(𝑥) − 𝑓(𝑥0)
𝑓(𝑥1) − 𝑓(𝑥0)
𝑓(𝑥) − 𝑓(𝑥0) = (𝑥 − 𝑥0)
𝑥2 − 𝑥1
A esta expresión se le conoce como interpolación lineal de Newton.
II. Interpolación cuadrática
19
Figura 5. Interpolación cuadrática de una función logarítmica
natural. Chapra pág 507.
Si se tienen tres puntos como datos, éstos pueden ajustarse en un polinomio de

segundo grado (también conocido como polinomio cuadrático o parábola). Una
forma particularmente conveniente para ello es:
𝑓2(𝑥) = 𝑏0 + 𝑏1(𝑥 – 𝑥0) + 𝑏2(𝑥 – 𝑥0)(𝑥 – 𝑥1) . . . A
Agrupando términos:
𝑓2(𝑥) = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥^2
Donde:
𝑎0 = 𝑏0 – 𝑏1𝑥0 + 𝑏2𝑥0𝑥1
𝑎1 = 𝑏1 – 𝑏2𝑥0 – 𝑏2𝑥1
𝑎2 = 𝑏2
Un procedimiento simple puede usarse para determinar los valores de los

coeficientes. Para encontrar b0, en la ecuación se evalúa con 𝑥 = 𝑥0 para obtener
𝑏0 = 𝑓(𝑥0) . . .B
Sustituyendo B en A y evaluando 𝑥 = 𝑥1 queda:
𝑓(𝑥1)−𝑓(𝑥0)
𝑏1 = …C
𝑥1−𝑥0
Por último, B y C se sustituyen en A y se evalúa 𝑥 = 𝑥2 se obtiene:
(𝑓(𝑥2) − 𝑓(𝑥1)) 𝑓(𝑥1) − 𝑓(𝑥0)

−
𝑏2 = 𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑥2 − 𝑥0
III. Forma general de polinomios de interpolación de Newton
El análisis anterior puede generalizarse para ajustar un polinomio de n-ésimo grado
a n+ 1 datos. El polinomio de n-ésimo grado es:
𝑓𝑛(𝑥) = 𝑏0 + 𝑏1(𝑥 – 𝑥0) + · · · + 𝑏𝑛(𝑥 – 𝑥0)(𝑥 – 𝑥1) · · · (𝑥 – 𝑥𝑛– 1)
Como se hizo antes con las interpolaciones lineales y cuadráticas, los puntos
asociados con datos se utilizan para evaluar los coeficientes 𝑏0, 𝑏1, . . . , 𝑏𝑛. Para un
polinomio de 𝑛 − é𝑠𝑖𝑚𝑜 grado se requieren 𝑛 + 1
20
puntos: [𝑥0, 𝑓(𝑥0)], [𝑥1, 𝑓(𝑥1)], . . . , [𝑥𝑛, 𝑓(𝑥𝑛)]. Usamos estos datos y las siguientes
ecuaciones para evaluar los coeficientes:
𝑏0 = 𝑓(𝑥0)
𝑏1 = 𝑓[𝑥1, 𝑥0]
𝑏2 = 𝑓[𝑥2, 𝑥1, 𝑥0]
·
·
·
𝑏𝑛 = 𝑓[𝑥𝑛, 𝑥𝑛– 1,· · ·, 𝑥1, 𝑥0]
donde las evaluaciones de la función colocadas entre paréntesis son diferencias
divididas finitas. Por ejemplo, la primera diferencia dividida finita en forma general
se representa como:
𝑓(𝑥𝑖, 𝑥𝑗) − 𝑓(𝑥𝑗, 𝑥𝑘)
𝑓[𝑥𝑖, 𝑥𝑗] =
𝑥𝑖 − 𝑥𝑘
La segunda diferencia dividida finita, que representa la diferencia de las dos
primeras diferencias divididas, se expresa en forma general como:
𝑓[𝑥𝑖, 𝑥𝑗] − 𝑓[𝑥𝑗, 𝑥𝑘]
𝑓[𝑥𝑖, 𝑥𝑗, 𝑥𝑘] =
𝑥𝑖 − 𝑥𝑘
Figura 6. Representación gráfica de la naturaleza recursiva de las diferencias divididas finitas.

Chapra, pág 509.
En forma similar, la n-ésima diferencia dividida finita es:

𝑓𝑛(𝑥) = 𝑓(𝑥0) + (𝑥 – 𝑥0) 𝑓[𝑥1, 𝑥0] + (𝑥 – 𝑥0)(𝑥 – 𝑥1) 𝑓[𝑥2, 𝑥1, 𝑥0] + · ·
· + (𝑥 – 𝑥0)(𝑥 – 𝑥1) · · · (𝑥 – 𝑥𝑛– 1) 𝑓[𝑥𝑛, 𝑥𝑛– 1,· · ·, 𝑥0]
La ecuación se conoce como polinomio de interpolación de Newton en dif. divididas.
21
Interpolación de Lagrange
El polinomio de interpolación de Lagrange es simplemente una reformulación del
polinomio de Newton que evita el cálculo de las diferencias divididas, y se
representa de manera concisa como:
𝑛
ƒ𝑛(𝑥) = ∑ 𝐿𝑖 (𝑥)𝑓(𝑥𝑖)
𝑖=0
Donde:
𝑛
(𝑥 − 𝑥𝑗)
𝐿𝑖(𝑥) = ∏
𝑥𝑖 − 𝑥𝑗
𝑗=0
𝐽≠1
donde 𝛱 designa el “producto de”. Por ejemplo, la versión lineal (𝑛 = 1) es:

𝑥 − 𝑥1 𝑥 − 𝑥0
𝑓1(𝑥) = 𝑓(𝑥𝑜) + 𝑓(𝑥1)
𝑥0 − 𝑥1 𝑥1 − 𝑥0
Y la versión de segundo grado es:
(𝑥 − 𝑥1)(𝑥 − 𝑥2) (𝑥 − 𝑥0)(𝑥 − 𝑥2) (𝑥 − 𝑥0)(𝑥 − 𝑥1)
𝑓2(𝑥) = 𝑓(𝑥0) + 𝑓(𝑥1) + 𝑓(𝑥2)
(𝑥0 − 𝑥1)(𝑥0 − 𝑥2) (𝑥1 − 𝑥0)(𝑥1 − 𝑥2) (𝑥2 − 𝑥0)(𝑥2 − 𝑥1)
Figura 7. Razonamiento del polinomio de Lagrange.

Chapra, pág 518.
22
Interpolación inversa
Supongamos conocidos (𝑥𝑘, 𝑓𝑘) los datos correspondientes a una función 𝑓(𝑥) y
queremos encontrar una aproximación del valor de 𝑥 tal que 𝑓(𝑥) = 𝑐 , donde 𝑐 es
un valor dado.
Lo que haremos es resolver la ecuación 𝑥 = 𝑔(𝑐) donde es la función inversa de 𝑓.

Entonces interpolaremos esta función 𝑔(𝑦) y la evaluaremos en 𝑦 = 𝑐, es decir, si
seguimos el método de Newton pondremos en la primera fila los valores 𝑓𝑗 y en la
segunda los valores 𝑥𝑗 y procedemos de la misma manera.
23
Conclusión
• No hay un método correcto para llegar a una solución, pero si más precisos.
• La descomposición 𝐿𝑈 es muy eficiente para aplicar en un ordenador y
ahorra memoria, además que permite resolver muchos sistemas de
ecuaciones.
• El problema de la descomposición 𝐿𝑈 es que no se pueden cambiar filas.
• Los problemas que tiene el método de potencias es que solo da el valor de
un λ característico, que se utilizan números muy grandes
• Los métodos de interpolación son muy sensibles a los errores de datos, sobre
todo el de Lagrange
• El polinomio de interpolación suele usarse para estimar valores de una
función tabulada, en las abscisas que no aparecen en la tabla
• El aumento de grado no siempre mejora la aproximación.
24
Bibliografía
Métodos numéricos para ingenieros / Chapra, Steven C.; Canale, Raymond P.. --
3a. ed. -- México: McGraw-Hill, 1999.
982 p.+ 1 Diskette
Rescatado de: http://cb.mty.itesm.mx/ma1010/materiales/ma1010-26.pdf,
01/11/2017
Elkner, J., Downey, A. B. & Meyers, C. (2010). How to think like a computer scientist:
Learning with Python. (2da. ed.)
Burden, R. L. & Faires, J. D. (1985). Análisis numérico. México: Grupo Editorial
Iberoamérica.
25
26
Ejercicio 1:
Estime el logaritmo natural de 2 mediante interpolación lineal. Primero, realice el
cálculo por interpolación entre ln 1 = 0 y ln 6 = 1.791759. Después, repita el
procedimiento, pero use un intervalo menor de ln 1 a ln 4 (1.386294). Observe que
el valor verdadero de ln 2 es 0.6931472.
Por interpolación lineal de Newton.
1.791759
𝑓1(2) = 0 + (2 − 1) = 0.3583519
6−1
que representa un error = 48.3%. Con el intervalo menor desde x0 = 1 hasta x1 = 4
se obtiene:
1.386294
𝑓1(2) = 0 + (2 − 1) = 0.4620981
4−1
El error ahora es de 33.3%
Ejercicio 2:
Por medio del polinomio de interpolación de Newton, calcular lo siguiente:
Los datos x0 = 1, x1 = 4 y x2 = 6 se utilizaron para estimar ln 2 mediante una
parábola. Ahora, agregando un cuarto punto (x3 = 5; f(x3) = 1.609438], estime ln 2
con un polinomio de interpolación de Newton de tercer grado con n = 3.
𝑓3(𝑥) = 𝑏0 + 𝑏1(𝑥 – 𝑥0) + 𝑏2(𝑥 – 𝑥0)(𝑥 – 𝑥1) + 𝑏3(𝑥 – 𝑥0)(𝑥 – 𝑥1)(𝑥 – 𝑥2)
Las primeras diferencias divididas del problema son:
(1.386294 − 0)
𝑓[𝑥𝑖, 𝑥0] = = 0.4620981
4−0
(1.791759 − 1.386294)
𝑓[𝑥2, 𝑥1] = = 0.2027326
6−4
1.609438 − 1.791759
𝑓[𝑥3, 𝑥2] = = 0.1823216
5−4
Las segundas diferencias divididas son:
0.2027356 − 0.4620981
𝑓[𝑥2, 𝑥1, 𝑥0] = = −0.05187311
6−1
0.1823216 − 0.2027326
𝑓[𝑥3, 𝑥2, 𝑥1] = = −0.02041100
5−4
27
La tercera diferencia dividida es con n=3:

−0.02041100 − (−0.05187311)
𝑓[𝑥3, 𝑥2, 𝑥1, 𝑥0] = = 0.007865579
5−1
Los resultados de 𝑓[𝑥1, 𝑥0], 𝑓[𝑥2, 𝑥1, 𝑥0] y f[x3, x2, x1, x0] representan los
coeficientes 𝑏1, 𝑏2 y 𝑏3 de la ecuación, respectivamente. Junto con 𝑏0 = 𝑓(𝑥0) =
0.0 la ecuación es:
𝑓3(𝑥) = 0 + 0.4620981(𝑥 – 1) – 0.05187311(𝑥 – 1)(𝑥 – 4)
+ 0.007865529(𝑥 – 1)(𝑥 – 4)(𝑥 – 6)
Evaluando 𝑥 = 2
𝑓3(2) = 0.6287686
El error es de 9.3%
Ejercicio 3:
Con un polinomio de interpolación de Lagrange de primero y segundo grado evalúe
𝑙𝑛 2 basándose en los datos del ejemplo.
𝑥0 = 1 𝑓(𝑥0) = 0
𝑥1 = 4 𝑓(𝑥1) = 1.386294
𝑥2 = 6 𝑓(𝑥2) = 1.791760
Solución:
Se utiliza el polinomio de primer grado
2−4 2−1
𝑓1(2) = 0+ (1.386294) = 0.4620981
1−4 4−1
De igual forma se utiliza el polinomio de segundo grado:
(2 − 4)(2 − 6) (2 − 1)(2 − 6) (2 − 1)(2 − 4)

𝑓2(2) = 0+ (1.386294) + (1.79176) = 0.565844
(1 − 4)(1 − 6) (4 − 1)(4 − 6) (6 − 1)(6 − 4)
Ejercio 4:
Por el método de las potencias calcular el varlor propio dominante de la matriz
28
1 2 −1
[1 0 1]
4 −4 5
Como en un principio no sabemos cuales son los vectores característicos, ya que
es precisamente lo que necesitamos calcular, vamos a comenzar con un vector
cualesquiera, por ejemplo, comenzamos con el vector:
1
𝑣 = [0]
0
Paso 1
Calcular iteraciones 𝐴𝑘 𝑣
1 2 1 1 1
𝐴𝑣 = (1 0 1) (0) = (1)
4 −4 5 0 4
1 2 1 1 −1
𝐴2 𝑣 = (1 0 1) ( 1 ) = ( 5 )
4 −4 5 40 20
Paso 2
A continuación podemos calcular la primera aproximación del vector propio
dominante, si recordamos que la expresión viene dada por el cociente
𝐴𝑘+1 1
𝜆1 = ( ) 1 = − = −1
𝐴𝑘 𝑣 1
Paso 3
Se dejará de iterar hasta la iteración número 11, para unamayor precisión.
1 2 1 −1 −11 11
𝐴2 𝑣 = (1 0 1) ( 5 ) = ( 19 ) λ1 = − = 11
−1
4 −4 5 20 76
1 2 1 −11 −49 −49
𝐴3 𝑣 = (1 0 1) ( 19 ) = ( 65 ) λ1 = − = 4.45
−11
4 −4 5 76 260
1 2 1 −57001 −173051
𝐴11 𝑣 = (1 0 1) ( 58025 ) = ( 175099 ) λ1 = 3.03
4 −4 5 232100 700396
Para los valores de 𝜆2 𝑦 λ3 se debe resolver el polinomio característico.
29

Metodos Numericos Analisis

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodos Numericos Analisis

Uploaded by

Copyright:

Available Formats

Universidad Nacional Autónoma de México

Calderón Candelas Juan Carlos Análisis numérico

Un método numérico es un procedimiento mediante el cual se obtiene, casi siempre

El método de Gauss-Jordan es una variación de la eliminación de Gauss. La

1 3/2 1/2 1/2

Quedando la solución de la siguiente forma:

• Condición suficiente: Es condición suficiente que el elemento ubicado en la

Doble división sintética

En este caso, a=2 y por lo tanto sustituimos "a" en el polinomio:

El residuo es entonces 15.

• Teorema del factor

Aquí podemos observar la importancia de conocer el valor del residuo, ya que, si

Se toma el intervalo de interés, es decir, en donde contiene el 0, en este caso es

Se realiza la primera división sintética con 𝑥𝑚

Ahora se realiza la segunda división sintética sin contar R1

Utilizando la fórmula: R1*

La factorización 𝐿𝑈 de una matriz es una factorización que resume el proceso de

Como la matriz L es triangular superior este sistema puede resolverse mediante

De aquí se pueden conocer los valores de 𝑦1, 𝑦2 𝑦 𝑦3

Con sustitución hacia atrás nos dice:

Porque no tiene sentido poner un 0 como pivote para la obtención de la

Por lo que 𝐴 = 𝐸13𝐴’

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.

Re emplazando nos queda

El procedimiento consiste entonces en minimizar los residuos al cuadrado 𝐶𝑖²

Tomemos las derivadas parciales de G respecto de a y b que son las incógnitas y

Derivamos parcialmente la ecuación respecto de a

Derivamos parcialmente la ecuación respecto de b

Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante.

Dada una matriz cuadrada A, de la cual necesitamos calcular el valor propio

Por lo tanto, tenemos que:

Es decir, tenemos que:

(𝐴𝑘 𝑣) 𝑘 ∈ 𝑅 es una suceción de valores que cumplen que la suceción

Interpolación polinomial de newton

Figura 1. Interpolación lineal. Chapra pág 503.

b) De segundo grado (cuadrática o parabólica) que une tres puntos.

Figura 2. Interpolación cuadrática. Chapra pág 503.

c) De tercer grado (cúbico) que une cuatro puntos.

Figura 3. Interpolación cúbica. Chapra pág 503.

Figura 4. Interpolación lineal por triángulos semejantes. Chapra

Si se tienen tres puntos como datos, éstos pueden ajustarse en un polinomio de

Un procedimiento simple puede usarse para determinar los valores de los

Por último, B y C se sustituyen en A y se evalúa 𝑥 = 𝑥2 se obtiene:

(𝑓(𝑥2) − 𝑓(𝑥1)) 𝑓(𝑥1) − 𝑓(𝑥0)

Figura 6. Representación gráfica de la naturaleza recursiva de las diferencias divididas finitas.

En forma similar, la n-ésima diferencia dividida finita es:

donde 𝛱 designa el “producto de”. Por ejemplo, la versión lineal (𝑛 = 1) es:

Figura 7. Razonamiento del polinomio de Lagrange.

Lo que haremos es resolver la ecuación 𝑥 = 𝑔(𝑐) donde es la función inversa de 𝑓.

La tercera diferencia dividida es con n=3:

(2 − 4)(2 − 6) (2 − 1)(2 − 6) (2 − 1)(2 − 4)

You might also like