Professional Documents
Culture Documents
M É T O D O S N U M É R I C O S
OBJETIVOS GENERALES:
Para obtener resultados confiables, es necesario imponer criterios que garanticen que el
algoritmo se mueva en un marco de estabilidad.
Así por ejemplo, un criterio que se impone a un algoritmo, es que cambios pequeños en los
datos iniciales, produzcan correspondientemente cambios pequeños en los resultados
finales, llamándose a este tipo algoritmos ESTABLES, lo que implica una acumulación de
error aceptable; mientras que si no se cumple dicho criterio se tienen algoritmos
INESTABLES, los mismos que provocarían una acumulación exagerada del error con la
consecuencia de tener respuestas fuera de la realidad.
Una forma de analizar el tipo de error, que puede provocar un algoritmo, es mediante una
función que detecte el comportamiento de dicho error, esto es a través del cálculo de la
magnitud del mismo en cada proceso numérico.
Así, suponiendo que En representa la función que determina el crecimiento del error
después de n operaciones subsecuentes, se pueden definir los siguientes modelos de
funciones de error:
| En |
x Crecimiento exponencial
o
x o Crecimiento lineal
o
x o
o
x o
o
ε •
n
1 2 3 4 5 6 ........
Ejemplo: Evaluar la función dada por la expresión, para x = 1.0 y n = 0,1,2, …..
n−1
x x x
2
x
3
x
n
f n ( x) = n!e − 1 + x + + +.......+ +
2! 3! (n − 1)! n!
Así entonces, una forma de evaluar f n ( x ) viene dada por la siguiente expresión:
x2 x3 x n −1 x n
f n ( x ) = n ( n − 1)!e x − 1 + x + + +.......+ − , donde
2! 3! ( n − 1)! n!
n −1
x x
2
x
3
x
f n −1 ( x ) = ( n − 1)!e − 1 + x + + +.......+ , por lo que
2 ! 3! ( n − 1)!
n
f n ( x ) = n f n −1 ( x ) − x → n = 1 ,2 . . .
La tabla que se muestra a continuación, permite ver los valores que va tomando f n ( x )
conforme n va creciendo, mediante el algoritmo correspondiente a la expresión dada y el
valor verdadero.
Conclusión: A medida que aumenta n, ƒn(1) también aumenta, por lo que se trata de un
algoritmo inestable.
Así, se tiene el llamado ERROR POR REDONDEO, originado por la capacidad numérica
de la máquina, lo que implica una representación aproximada de los números enteros o
reales verdaderos.
exponente
n
± 0.d1d2d3.............dk x 10
base decimal
mantisa
donde: 1 ≤ d1 ≤ 9
0 ≤ di ≤ 9 → i = 2, ......, k
Entonces, cualquier número real positivo Y puede ser normalizado en la siguiente forma:
n
Y = 0.d1d2d3 ......... dkdk+1 dk+2 ......... x10
Ahora, suponiendo que Y esté representado dentro del rango numérico de la máquina,
entonces se pueden presentar los siguientes casos:
n
a) Eliminando los dígitos dk+1 dk+2 ........, se tiene que Y ≈ Y* = 0.d1d2 ...... dkx10 ,
donde se provoca el error por truncamiento.
b) Eliminando los dígitos dk+1 dk+2 ........, una vez que se aplique uno de los criterios
dados a continuación:
n
Se ve que: Y ≈ Y* = 0.δ1δ2 ........ δkx10 , donde se presenta error por redondeo.
| εa | = | Y - Y* | → ERROR ABSOLUTO
| εr | = | (Y - Y*)/Y | → ERROR RELATIVO
Tomando la forma normalizada de los números reales, el error relativo vendrá dado por:
n n
0. d1d2 ...... d k d k +1 ....×10 − 0. d1d2 ..... d k × 10
|εr | = n , donde
0. d1d2 ........ d k d k +1 .......×10
n−k
0. d k +1d k +2 ....×10 0. d k +1d k +2 ...... −k
|ε r | = n = × 10
0. d1d 2 .....×10 0. d1d 2 ..........
1
|εr | ≤ × 10 − k → | εr | ≤ 10 -k+1 → error relativo por truncamiento.
01
.
1
Se puede demostrar también que |εr | ≤ × 10 − k +1 → error relativo por redondeo.
2
n
Sugerencia: Si dk+1 < 5 ⇒ Y* = 0.d1d2 ...... dkx10
n n-k
Si dk+1 ≥ 5 ⇒ Y* = 0.d1d2 ...... dkx10 + 10
Por otro lado, el uso continuo de la aritmética real de redondeo, lleva a la siguiente
proposición:
Y * −1000
a) Y = 1000 ⇒ 〈 5 × 10 − 4 ⇒ 999.5 < Y* < 1000.5
1000
Y * −10000
b) Y = 10000 ⇒ 〈 5 × 10 − 4 ⇒ 9995 < Y* < 10005
10000
Para: a) y b) hay una concordancia con la definición de cifras significativas, mientras que
c) y d) puede no corresponder con la idea intuitiva de cifras significativas.
En la siguiente tabla se listan los ejemplos anteriores y otros más considerando la mínima
cota superior de |Y - Y*| denotando por max|Y - Y*|, cuando Y* concuerda con Y en cuatro
cifras significativas, esto es:
n
∂ f [ xi ]
Error absoluto: ε a = ∑ ε ai
i =1 ∂ xi 0
1 n
∂ f [ xi ]
Error relativo: ε r = ∑ε
[ ]
xi
f xi i =1
ri 0 ∂ xi
0 0
donde: 0
→ valor esperado o más probable.
n
pn ( x ) = ∑ ai x i = a 0 + a1 x + a 2 x 2 +......+ a n −1 x n −1 + a n x n
i =0
donde: a 0 , a1 , a 2 ,......∈ℜ .
a) pn ( x ) = a 0 + a123
1 × x0 + a × x × x + a × x 0 × x 0 × x 0 +......+ a n × x 0 ×....× x 0
12 420 430 13 44 2443 1442443
1 2 3 n
n ← sumas
n(n + 1)
1 + 2 + 3 + L + n = 2
← productos
3
x02
678 4x0 4
67 8 647 x0n4
8
n −1
b) pn ( x) = a0 + a1 × x0 + a2 × x0 × x0 + a3 × x0 × x0 +......+an × x0 × x0
2
123 14243 14 4244 3 144244 3
1 2 2 2
n ← sumas
1 + 2 + 2 + L + 2 = 1 + 2(n − 1) = 2n − 1 ← productos
14 4244
n-1
3
c) p n ( x 0 ) = a 0 + ( a1 + a 2 x 0 + a 3 x 02 + ........+ a n −1 x 0n − 2 + a n x 0n −1 ) x 0
= a 0 + ( a1 + ( a 2 + a 3 x 0 +........+ a n −1 x 0n − 3 + a n x 0n − 2 ) x 0 ) x 0
•
•
= a 0 + ( a 1 + ( a 2 + ( a 3 +........+ ( a n −1 + a n x 0 ) x 0 ) x 0 ) x 0 .......) x 0
n → sumas
para lo cual se requieren :
n → productos
bn = an
bn-1 = an-1 + bnX0
bn-2 = an-2 + bn-1X0
•
•
bi = ai + bi+1X0 → i = (n-1), (n-2), .......,1, 0
•
•
b0 = a0 + b1X0 ≡ pn ( X 0 )
an an-1 an-2 ai al a0
bn X 0 bn-1 X 0 bi +1 X 0 b2 X 0 b1 X 0 X0
an an-1 + bn X 0 an-2 + bn-1 X 0 ai + bi +1 X 0 al + b2 X 0 a0 + b1 X 0
↓ ↓ ↓ ↓ ↓ ↓
bn bn-1 bn−2 bi b R0 = b0 = residuo
14444444444 24444444444 31
Coeficientes de pn-1( x) ⇒ qn-1( x)
pn ( x) R0
entonces: = qn-1 ( x) + , donde: pn ( x) = ( x - X 0 )qn-1 ( x) + R0
x − X0 x − X0
para: x = X 0 ⇒ pn ( X 0 ) = R0 = b0 = a0 + bl X 0
bn bn-1 bn-2 bi b2 b1
cn X 0 cn-1 X 0 ci +1 X 0 c3 X 0 c2 X 0 X0
bn bn-1+cn X 0 bn-2+cn-1 X 0 bi+ci+1 X 0 b2+c3 X 0 b1+c2 X 0
↓ ↓ ↓ ↓ ↓ ↓
cn cn-1 cn−2 ci c R1 = c1 = residuo
14444444444 4244444444444 32
Coeficientes de qn-2 ( x) ⇒ γ n-2 ( x)
qn-1 ( x) R1
donde: = γ n-2 ( x) + → qn-1 ( x) = ( x-X 0 )γ n-2 ( x) + R1
x − X0 x − X0
para: x = X 0 ⇒ qn-1 ( X 0 ) = R1 = c1 = b1 + c2 X 0
Ahora, sustituyendo Ec.2 en Ec.1: pn(x) = (x - X0) [(x - X0)γ n-2(x) + R1] + R0
para x = X 0 ⇒ pnI ( X 0 ) = q n −1 ( X 0 ) = c1
pn ( x ) = ( x - X 0 ) n Rn + ( x − X 0 ) n −1 Rn-1 +................+( x - X 0 ) 2 R2 + ( x - X 0 ) R1 + R0
pn ( X0 ) = R0
I
pn ( X0 ) = qn-1 ( X0 ) = R1
II
pn ( X0 ) = 2!γ n-2 ( X0 ) = 2! R2
III
pn ( X0 ) = 3!Sn-3 ( X0 ) = 3!R3
IV
pn ( X0 ) = 4!tn-4 ( X0 ) = 4! R4
M
(i)
pn ( X0 ) = i!Ri ⇒ i = 01
, ,........,n
M
( n)
pn ( X0 ) = n!Rn ⇒ Rn = an
n
RESUMEN: Evaluación de pn ( x ) = ∑ ai x i y sus derivadas en X0.
i =0
Calcular: Zn = pn( n ) ( X 0 ) = n! a n
Calcular: bi = ai + bi+1X0
2.2. IMPLEMENTACIÓN
j
i 1 2 3 n+2
1 a0 R0 = b0
2 a1 b1 R1 = c1
3 a2 b2 c2
4 a3 b3 c3
i+1 ai bi = ai + bi+1X0 ci = bi + ci+1X0
j
i 1 2 3 4 5 6
1 -4 10 = R0
2 3 -7 -49 = R1
3 -3 5 21 45 = R2
4 0 -4 -8 -12 -16 = R3
5 2 2 2 2 2 2 = R4
n
Ejemplo.- Describir un proceso de almacenamiento de los coeficientes de pn ( x ) = ∑ ai x i
i =0
y de todos los residuos de las divisiones sintéticas, en un vector de longitud
2n+1
xi − xi −1
< ε r → xi ≠ 0
xi
f ( xi ) < ε f
Así, si f(x) es continua en [a, b] y además cumple que f(a)f(b) < 0, entonces ∃S ∈ (a , b) , tal
que f(S) = 0 (Consecuencia del Teorema del Valor Intermedio).
f(x)
f(b)
x3 x4
x
a x1 x2 b
f(a) S (raíz)
Ing. Oscar E. Cerón A. OECA _ 12
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
a +b
x1 = → punto medio del intervalo inicial.
2
f (a ) f ( x1) < 0 ?
→ condición para elección del nuevo intervalo (subintervalo)
f ( x1) f (b) < 0 ?
b−a
I1 = → ancho del nuevo intervalo
2
x 0 + x1
x2 = → punto medio del nuevo intervalo
2
f ( x1) f ( x 2) < 0 ?
→ condición para elección de otro intervalo
f ( x 2) f ( x 0) < 0 ?
.
.
así sucesivamente hasta un k-ésimo intervalo Ik = [xk-1, xk ], cuyo ancho esta dado por:
b−a
Ik = , el mismo que debe cumplir con una condición de tolerancia.
2k
xi − 2 = a
Hacer:
x i −1 = b
xi −2 + xi −1
Calcular: xi =
2
Una forma aproximada de determinar el número de iteraciones que se deben hacer para
que se consiga una aproximación con una tolerancia ε, puede ser obtenido en base a la
siguiente relación:
b−a 1 b − a
Ik = ≤ε ⇒ k≥ ln
2k ln 2 ε
Ejemplo: Determinar una raíz (valor aproximado) de la ecuación f(x) = x3 + 4x2 - 10,
mediante Bisección, considerando una tolerancia | εr | < 10-4.
Por otro lado, calculando el número de iteraciones (k) que llevan a una aproximación de la
raíz con 4 cifras significativas, se tiene que:
1 2 − 1
k≥ ln ≈ 13 Iteraciones
ln 2 10− 4
Para el mismo ejemplo, si se quiere una aproximación a la raíz con una tolerancia de 10-5,
entonces:
1 2 − 1
k≥ ln ≈ 17 Iteraciones
ln 2 10−5
Conocido también como algoritmo de REGULA FALSI, el mismo que está basado en el
criterio geométrico de la pendiente de la secante.
f(x)
f(b) B
a x1 x2 x3
x
m1 m2 m3 S b
A
f(a)
D raíz
f (b) − f (a ) f (b) − 0
m1 = = → pendiente de la secante AB
b−a b − x1
a f (b) − b f (a )
donde: x1 = → primera aproximación
f (b) − f (a )
f (a ) f ( x1) < 0 ?
→ condición para elección del nuevo intervalo
f ( x1) f (b) < 0 ?
f ( x 0) − f ( x1) f ( x 0) − 0
m2 = = → pendiente de la secante CB
x 0 − x1 x0 − x2
x 0 f ( x1) − x1 f ( x 0)
x2 = → nueva aproximación
f ( x1) − f ( x 0)
f ( x1) f ( x 2) < 0 ?
→ condición para elección del nuevo intervalo
f ( x 2) f ( x 0) < 0 ?
.
.
.
x k −1 f ( x k ) − x k f ( x k −1)
donde: x k +1 =
f ( x k ) − f ( x k −1)
que es una aproximación que debe cumplir con una condición de tolerancia.
| x k+1 - x k | < εa
x k +1 − x k
< εr
x k +1
| f(xk+1) | < εf
xi − 2 = a
Hacer:
x i −1 = b
xi −2 f ( xi −1) − xi −1 f ( xi −2)
Calcular: xi =
f ( xi −1) − f ( xi − 2)
Así, el valor correcto de S (raíz) con 8 cifras significativas es: 0.73908513…., por lo que x5
tiene una aproximación correcta con 5 CIFRAS SIGNIFICATIVAS.
A una solución de esta ecuación se le conoce como PUNTO FIJO de la función g(x).
Así, si g(x) es continua en [a, b] y además es diferenciable en (a, b), entonces ∃S ∈ (a, b)
tal que:
S = g(S)
y
y=x
g(S)
y = g(x)
x
a S b
Las raíces de f(x) = 0, son las soluciones que corresponden precisamente a los puntos fijos
de x = g(x), puesto que de f(x) se pueden obtener x y g(x), esto es:
El proceso iterativo, en estos métodos, consiste en ir evaluando x varias veces hasta tener
una buena aproximación a la raíz, basándose en la ecuación x = g(x).
xi − xi −1
< εr
xi
Estos procesos no siempre convergen, por lo que se requiere de alguna condición que en
cierto grado garantice un acercamiento a la raíz. Además la elección de g(x) debe ser tal
que haga la convergencia tan efectiva como sea posible.
g(xo)
g(x2) y=x
g(S)
g(x1)
y = g(x)
a x0 x2 S x1 b x
(raíz)
g(xo) y=x
g(S)
g(x1)
. y = g(x)
x2 a x0 s x1 b x
(raíz)
Por otro lado, debido al criterio de punto fijo, se tiene que: xi = g( xi − 1) , entonces:
g ,, ( S ) g ,,, ( S )
S + εi = g ( S ) + g , ( S )[( S +ε i −1) − S ] + [( S + εi −1 ) − S ]2 + [( S + εi −1 ) − S ]3 +............
2! 3!
g ,, ( S ) 2 g ,,, ( S ) 3
Sabiendo que se cumple S = g(S), entonces: εi = g , ( S )ε i −1+ ε i −1 + ε i −1 +......
2! 3!
Esta última expresión puede ser sometida a una serie de condiciones, esto es:
Condición N°1 g’(S) ≠ 0
εi-1 pequeño ⇒ ε 2 i −1 , ε 3i −1 ,.... → 0
Por lo tanto en los valores límites del intervalo (a, b) se tiene que:
a a
g′ ( x) b ≠ 0 y g ′ ( x) b
〈 1 condiciones de convergencia de primer orden
Condición N°2 g’(S) = 0
g’’(S) ≠ 0
εi-1 pequeño
g′ ′ (S ) 2
entonces: εi ≅ ε i −1
2!
1 2!
εi ≅ g ′ ′ ( S ) ε 2 i −1 < ε i −1 , donde: g ′ ′ ( S ) <
2! εi −1
Por lo tanto en los valores límites del intervalo (a, b) se tiene que:
a a a 2
g′ ( x) b = 0 , g′ ′ ( x) b ≠ 0 y g ′ ′ ( x) 〈 condiciones de convergencia de
b
ε
segundo orden.
Condición N°3 g’(S) = g’’(S) =0
g’’’(S) ≠ 0
εi-1 pequeño
g′ ′ ′ (S ) 3
entonces : εi ≅ ε i −1
3!
1 3!
εi ≅ g ′ ′ ′ ( S ) ε 3i −1 < εi −1 , donde: g ′ ′ ′ ( S ) <
3! ε 2 i −1
Por lo tanto en los valores límites del intervalo (a, b) se tiene que:
a a a a 3!
g ′ ( x) b = g ′ ′ ( x) b = 0 , g ′ ′ ′ ( x) b ≠ 0 y g ′ ′ ′ ( x) 〈 condiciones de convergencia
b ε 2
de tercer orden
Así sucesivamente, sin embargo debe señalarse que los procedimientos iterativos que
cumplen con la condición de convergencia de segundo orden son los más adecuados.
Se trata de un proceso iterativo de punto fijo que cumple con las condiciones de
convergencia de primer orden.
Es decir que g(x) debe ser definida de manera que por lo menos cumpla con las
a a
condiciones: g ′ ( x ) b ≠ 0 y g ′ ( x) b
〈 1 , puesto que S es desconocido.
Calcular: xi = g(xi-1)
Ejemplo: Para la ecuación f(x) = x3 + 4x2 - 10 = 0 que tiene una raíz en [1, 2], definir 5
formas diferentes de g(x) sin probar ninguna condición de convergencia de
primer orden. Asumir para todos los casos x0 = 1.5 y obtener la raíz. Escribir las
conclusiones de acuerdo a los resultados obtenidos.
Definiciones de g(x)
I) x = g1(x) = x - x3 - 4x2 + 10
1/2
10
II) x = g2(x) = − 4 x
x
1
III) x = g3(x) =
2
(10 − x 3 )
1/2
1/2
10
IV) x = g4(x) =
4 + x
x 3 + 4 x 2 − 10
V) x = g5(x) = x −
3x2 + 8 x
la tabla de valores presenta las 5 alternativas de g(x) y los cálculos correspondientes a las
aproximaciones a la raíz
i I II III IV V
0 1,5 1,5 1,5 1,5 1,5
1 -0,875 0,8165 1,28695 1,34840 1,37333
2 6,732 2,9969 1,40254 1,36738 1,36526
3 -469,7 (-8,65)1/2 1,34546 1,36496 1,36523
4 1,03E+08 1,37517 1,35526 1,36523
5 1,36009 1,36523
. . .
. . .
10 1,36541 1,36523
15 1,36522 1,36523
20 1,36523
30 1,36523
Conclusión: Siendo la raíz real S = 1.365230013, las alternativas III, IV y V han dado
excelentes resultados, mientras que el caso I provoca divergencia y el caso
II se torna indefinido.
g’1(x) = 1 - 3x2 - 8x ≠ 0 en [a = 1 y b = 2]
Se trata de un proceso iterativo de punto fijo que cumple con las condiciones de
convergencia de segundo orden.
Así, si f(x) es continua y diferenciable en [a, b] y además siendo xi-1 una buena
aproximación a la raíz S, tal que f ’(xi-1) ≠ 0, entonces f(x) expandida en Series de Taylor
alrededor de S viene dada por:
f ′ ′ ( xi −1 ) f ′ ′ ′ ( xi −1 )
f ( x ) = f ( xi −1 ) + f ′ ( xi −1 )[ x − xi −1 ] + [ x − xi −1 ]2 + [ x − xi −1 ]3 +...
2! 3!
f ( xi −1 )
xi = xi −1 − = g ( xi −1 )
f ′ ( xi −1 )
f(x)
a = xo S
x3 x2 x1 x
f ( x0 ) f ( x0 )
Primera tangente (en x0) → f ′ ( x 0 ) = − → x1 = x 0 − primera aproximación
x1 − x 0 f ′ ( x0 )
f ( x1 ) f ( x1 )
Segunda tangente (en x1) → f ′ ( x1 ) = → x 2 = x1 − segunda aproximación
x1 − x 2 f ′ ( x1 )
la misma que cumple con los criterios de convergencia de segundo orden, como se
demuestra a continuación:
f ( x)
g( x) = x −
f ′ ( x)
[ f ′ ( x )]2 − f ( x ) f ′ ′ ( x ) f ( x ) f ′ ′ ( x )
g ′ ( x) = 1 − =
[ f ′ ( x )]2 [ f ′ ( x )]2
f (S ) f ′ ′ (S )
para: x = S → g′ (S ) = = 0 puesto que f(S) = 0 y f ’(S) ≠ 0
[ f ′ ( S )]2
f ′ ′ (S )
para: x = S → g′ ′ (S ) = ≠ 0 puesto que f ’(S) y f ’’(S) ≠ 0
f ′ (S )
f ′ ′ (S ) 2
además: g′ ′ (S ) = <
f ′ (S ) ε i −1
La eficacia del algoritmo de Newton - Raphson radica en la buena elección del valor
inicial.
Chequear si f ’(xi-1) ≠ 0
f ( xi -1 )
Calcular: xi = xi -1 -
f ′ ( xi -1 )
Probar si: xi − xi −1 < ε x ó f ( xi ) < ε f
y=x
y = Cosx
o S π/2 x
Cosxi −1 − xi −1
donde : xi = xi −1 +
Senxi −1 + 1
i xi-1 xi f(xi) | εx |
1 xo = 0 1 -0.45970 1.0
2 1.0 0.75036 -0.018923 0.24964
3 0.75036 0.73911 4.6456E-05 0.011251
4 0.73911 7.39E-01 -2.8473E-10 2.7757E-05
Se basa en Newton - Raphson y Falsa Posición. Es un método que de alguna manera evita
la evaluación de f ’(x) en cada aproximación. Además la elección del valor inicial no es tan
crítica.
f ( x ) − f ( x i −1 )
Así, partiendo de: f ′ ( xi −1 ) = lim
x → xi −1 x − x i −1
y asumiendo que: xi-2 es una buena aproximación a la raíz.
f ( xi − 2 ) − f ( xi −1 )
Entonces: x = xi − 2 ⇒ f ′ ( x i −1 ) ≈
x i − 2 − x i −1
f ( x i −1 ) ( xi − 2 − xi −1 ) f ( xi −1 )
puesto que: xi = xi −1 − ⇒ xi = xi −1 − = g ( xi −1 , xi − 2 )
f ′ ( x i −1 ) f ( x i − 2 ) − f ( x i −1 )
f ′ ′ (S )
εi ≈ 21 ε ε
f ′ ( S ) i −1 i − 2
f ′ ′ ( s)
ε i ≈ 21 εi −1 εi −2 < ε i−1
f ′ ( s)
f ′ ′ (S) 2
donde: < , condición parecida a la del método de Newton - Raphson.
f ′ (S) ε i−1
f(x)
xo x2 x3
x
S x4 x1
a) Aproximaciones convergentes
f(x)
xo x2 x3 S x1 x
x4
b) Aproximaciones divergentes
Ejemplo: Determinar la raíz de f(x) = Cos(x) - x mediante el método de la Secante,
considerando | εx | < 10-4
Ing. Oscar E. Cerón A. OECA _ 26
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
( xi −1 − xi − 2 )(Cosxi −1 − xi −1 )
además: xi = xi −1 −
(Cosxi −1 − xi −1 ) − (Cosxi − 2 − xi − 2 )
donde: f ( xi ) = Cosxi − xi
i xi f(xi) εa x
0 0.5 0.37758
1 π/4 -0.078291 0.2854
2 0.73638 0.0045177 0.04901
3 0.73906 4.5177*10-5 0.002674
4 0.73909 -2.6982*10-8 2.7010*10-5
donde: x4 ≅ S → f(x4) ≅ 0
n
pn ( x ) = ∑ ai x i = 0 ⇒ {ai } ∈ℜ ∧ a n ≠ 0
i =0
Según el Teorema Fundamental del Algebra, una ecuación polinomial pn(x) = 0 tiene
constantes únicas: γ1, γ2, γ3, ……., γk (reales y/o complejas) y enteros positivos m1, m2, m3,
……, mk, tal que:
∑m
i =1
i = n (grado del polinomio) y además se tiene:
pn ( x ) = a n ( x − γ 1) m1 ( x − γ 2 ) m2 L ( x − γ 2 ) mk = 0
a n −1
∑ γ k = − a y
n
Además se tiene que:
∏ γ = ( −1) n a o
k
an
a0 ρ + an δ = max a ≠ a
i 0 { }
≤ x ≤ donde:
δ + a0 an ρ = max ai ≠ a n{ }
Ejemplo: Determinar el anillo complejo donde se ubican todas las raíces del polinomio
dado por p3 ( x ) = x 3 − 3x 2 + 5x − 2 = 0
δ = max{1, 3, 5} = 5
donde:
ρ = max{3, 5, 2} = 5
2 5+1
entonces: ≤ x ≤ ⇒ 2
7 ≤ x ≤6
5+ 2 1
6
2/7
Por otro lado, una forma de reducir el área del anillo complejo, es mediante la
manipulación de los coeficientes del polinomio de tal manera que se obtenga un polinomio
normalizado equivalente al original, así dado el polinomio:
pn ( x ) = a n x n + a n −1 x n −1 + K + a1 x + a 0
p ( x) a a a
donde: n = x n + n −1 x n −1 + K + 1 x + 0
an an an an
ai
q n ( x ) = x n + An −1 x n −1 + K + A1 x + A0 ⇒ Ai = → i = n − 1, n − 2, K ,0
an
n n −1
qn ( x ) x A x A1 x A0
= + n −1 + K + +
h n
h h h h n −1 h h n
A0
considerando: = 1 , entonces:
hn
n n −1
qn ( x) x x x x
= q n = + Bn −1 + K + B1 + 1
h n
h h h h
x
y = h
q n ( y ) = y n + Bn −1 x n −1 + K + B1 x + 1 ⇒
B = Ai → i = n − 1, n − 2, K ,1
i h n −1
3 2
p3 ( x ) x 3 x 5 x 2
= − + 12 − n
h 3
h h h h h h
h 3 = 2
2 2 2
donde: 3 =1 ⇒ h = 2 3
h 1
h = 2
3
entonces el anillo complejo vendrá determinado mediante los límites dados por:
1 . +1
315 x
≤ y ≤ ⇒ 0.24 ≤ ≤ 4.15
. +1
315 1 h
Es conveniente tener una idea del tipo de raíces que tiene un polinomio, así, según la
REGLA DE DESCARTES es posible analizar alternativas en cuanto al número de raíces
reales positivas y/o negativas, según el siguiente criterio:
pn ( x ) = a n x n + a n −1 x n −1 + K + a1 x + a 0
se procede a contar el número de veces que cambia el signo de los coeficientes, siguiendo
un recorrido en el mismo sentido, entonces:
(q, - r, ) ≥ 0, 2, …., ≤ q,
finalmente se harán todas las combinaciones entre los valores de r y r, para analizar las
alternativas de raíces reales probables que tendrá el polinomio pn(x).
Ejemplo: Analizar las alternativas probables de las raíces reales del polinomio dado por:
p4 ( x ) = x 4 + x 3 − 2 x 2 − 6 x − 4
además: p4 ( − x ) = x 4 − x 3 − 2 x 2 + 6 x − 4 donde q, = 3
entonces: (1 - r) = 0 ⇒ r=1
(3 - r,) = 0, 2 ⇒ r, = 3, 1
p4 ( x ) = x 4 + x 3 − 2 x 2 − 6 x − 4 = ( x + 1)( x − 2)( x 2 + 2 x + 2)
Para aplicar este método es conveniente que el polinomio tenga al menos una raíz real y
que el valor inicial xo sea elemento del anillo complejo.
x0 → valor inicial
pn ( x 0 ) ∧ pn, ( x 0 ) → evaluación mediante Horner
pn ( x 0 )
x1 = x 0 − , → evaluación mediante Newton
pn ( x 0 )
M
Así sucesivamente se van determinando nuevas aproximaciones a la raíz. Cabe señalar que
el proceso es semi - iterativo, por lo que debe cumplir con una de las condiciones de
parada (condición de error o tolerancia).
n
Por otro lado, si se tiene un polinomio normalizado: pn ( x ) = ∑ ai x i , donde a n = 1 , una
i =0
forma de elegir un valor inicial que esté dentro del anillo complejo, es mediante el análisis
de la característica común, obtenida de aplicar la Regla de Descartes, la misma que
señalará si la raíz real es positiva o negativa, para lo cual se elige el signo correspondiente
en la siguiente relación:
a0
x0 = ±
a1
n
RESUMEN: Evaluación de pn ( x ) = ∑ ai x i = 0 normalizado.
i =0
a0
valor inicial x 0 = ±
a1
SALIDA: xi ≅ r o Mensaje de fracaso.
pn ( xi −1 )
Calcular: xi = xi −1 − .
pn' ( xi −1 )
4
Valor inicial: x 0 = − = −0,6666...
6
i j 1 2 3
1 -4 -0.9876… ← p 4 (−0.666... )
− 0.9876...
x1 = −0.666...− = −0.9767...
− 3185
. ...
3 -2 -2.02271… -1.0914…
4 1 0.02325… -0.9534…
5 1 1 1
− 0.06926...
Segunda aproximación: x 2 = −0.9767...− = −100015
. ...
− 2.9583...
Evaluación de p4 ( x 2 ) ∧ p4' ( x 2 ) ≠ 0
i j 1 2
1 -4 0.000472845 → p 4 ( x 2 ) < 10 −3 → cumple con la tolerancia impuesta
2 -6 -3.999842444 .
3 -2 -1.99984237
4 1 -0.0001576055
5 1 1
p4 ( x ) = ( x + 1000157606
. )( x 3 − 0.0001576055x 2 − 199984237
. x − 3.999842444).
3.999842444
Valor inicial: x 0 = + = +2.00007...
199984237
.
( x + 1000157606
. )( x − 2.000078858)( x 2 + 1999842394
. x + 1999842419
. ) = 0.
n
Considerando el polinomio de la forma: p n ( x ) = ∑ a i x i → a n ≠ 0.
i=0
pn (x) ( x − u)b1 + b0
= q n− 2 (x) + , con lo que
x − ux − v
2
x 2 − ux − v
p n ( x ) = ( x 2 − ux − v ) q n − 2 ( x ) + ( x − u)b1 + b0
donde: q n − 2 ( x ) = b2 + b3 x+ .....+bn − 2 x n − 4 + bn −1 x n − 3 + bn x n − 2
p n ( x ) = (b0 − ub1 − vb2 ) + (b1 − ub2 − vb3 ) x + ...+ (bn − 2 − ubn −1 − vbn ) x n − 2 + (bn −1 − ubn ) x n −1 + bn x n
bn = a n
bn −1 = a n −1 + ubn
bn − 2 = a n − 2 + ubn −1 + vbn
M
b j = a j + ub j +1 + vb j + 2 → j = n − 2, ... ,0
M
b1 = a1 + ub2 + vb3 = f ( u, v )
b0 = a 0 + ub1 + vb2 = g ( u, v )
p n ( x ) = ( x 2 − ux − v ) q n − 2 ( x ).
f ( u, v ) = 0
Por lo tanto debe resolverse el sistema de ecuaciones:
g ( u, v ) = 0
∂f ∂f
f (u, v ) = f (ui −1 , vi −1 ) + [u − ui −1 ] + [ v − v i −1 ] + L
∂u i −1
∂v i −1
g ( u, v ) = g ( u , v ) + ∂ g [u − ui −1 ] +
∂g
[ v − v i −1 ] + L
i −1 i −1
∂u ∂v
i −1 i −1
∂ f ∂ ∂ f ∂
= f (ui −1 , vi −1 ) = f (ui −1 , vi −1 )
∂ u i −1
∂u ∂v i −1
∂v
donde: además:
∂ g =
∂
g (ui −1 , vi −1 ) ∂ g =
∂
g (ui −1 , vi −1 )
∂u ∂u ∂v ∂v
i −1 i −1
u = ui ≈ s
Por otro lado considerando: , entonces:
v = vi ≈ t
∂f ∂f
f ( s, t ) = 0 ≈ f (ui −1 , vi −1 ) + (ui − ui −1 ) + (vi − vi −1 )
∂u i −1
∂ v i −1
g ( s, t ) = 0 ≈ g ( u , v ) + ( u − u ) ∂ g + (vi − vi −1 )
∂g
i −1 i −1 i i −1
∂u i −1
∂ v i −1
−1
∂ f ∂f
ui ui −1 ∂ u i −1 ∂ v i −1 f (ui −1 , vi −1 )
donde: = −
vi vi −1 ∂ g ∂g g (ui −1 , vi −1 )
{ 123 144244 3
Wi Wi − 1
∂ u i −1 ∂ v i −1 H (Wi −1 )
144 42444 3
Ji−−11
∂ bn −1
= bn
∂u i −1
∂ bn − 2 ∂ bn −1
= bn( i−−11) + ui −1
∂u i −1
∂u i −1
∂ bn − 3 ∂ bn − 2 ∂ bn −1
= bn(i−−21) + ui −1 + vi −1
∂u i −1
∂u i −1
∂u i −1
M
∂ bj ∂ b j +1 ∂ b j +2
= b (j i+−11) + ui −1 + vi −1 → j = n − 3,....,0
∂u i −1
∂u i −1
∂u i −1
M
∂ b1 ∂ b2 ∂ b3 ∂f
= b2(i −1) + ui −1 + vi −1 =
∂u i −1
∂u i −1
∂u i −1
∂u i −1
∂ b0 =b ( i −1)
+ ui −1
∂ b1
+ vi −1
∂ b2
=
∂g
∂u 1
∂u ∂u ∂u
i −1 i −1 i −1 i −1
∂ bn ∂ bn −1
También : = =0
∂v i −1
∂v i −1
∂ bn − 2
= bn
∂v i −1
∂ bn − 3 ∂ bn − 2
= bn(i−−11) + ui −1
∂v i −1
∂v i −1
∂ bn − 4 ∂ bn − 3 ∂ bn − 2
= bn( i−−21) + ui −1 + vi −1
∂v i −1
∂v i −1
∂v i −1
M
∂ bj ∂ b j +1 ∂ b j +2
= b (j i+−21) + ui −1 + vi −1 → j = n − 4,....,0
∂v i −1
∂v i −1
∂v i −1
M
∂ b1 ∂ b2 ∂ b3 ∂f
= b3( i −1) + ui −1 + vi −1 =
∂v i −1
∂v i −1
∂v i −1
∂v i −1
∂ b0 = b2( i −1) + ui −1
∂ b1
+ vi −1
∂ b2
=
∂g
∂v ∂v ∂v ∂ v
i −1 i −1 i −1 i −1
∂ bn −1
= cn = bn = a n
∂u i −1
∂ bn − 2
= cn( i−−11) = bn( i−−11) + ui −1cn
∂u i −1
∂ bn − 3
= cn( i−−21) = bn(i−−21) + ui −1cn( i−−11) + vi −1cn
∂u i −1
M
∂ b j −1
= c (ji −1) = b (j i −1) + ui −1c (ji+−11) + vi −1c (ji+−21) → j = n − 2, n − 3,....,1
∂u i −1
M
∂ b1 ∂f
= c2(i −1) = b2( i −1) + ui −1c3( i −1) + vi −1c4(i −1) = → Ec. 1
∂u i −1
∂u i −1
∂ b0 ∂g
= c1( i −1) = b1( i −1) + ui −1c2(i −1) + vi −1c3( i −1) = → Ec. 2
∂u i −1
∂u i −1
∂ bn − 2
También, y puesto que : = bn = a n , entonces :
∂v i −1
∂ bn − 2
= cn = bn = a n
∂v i −1
∂ bn − 3
= cn( i−−11) = bn(i−−11) + ui −1cn
∂v i −1
∂ bn − 4
= cn( i−−21) = bn(i−−21) + ui −1cn( i−−11) + vi −1cn
∂v i −1
M
∂ b j −2
= c (ji −1) = b (j i −1) + ui −1c (ji+−11) + vi −1c (ji+−21) → j = n − 2, n − 3,....,2
∂v i −1
M
∂ b1 ∂f
= c3(i −1) = b3(i −1) + ui −1c4( i −1) + vi −1c5( i −1) = → Ec. 3
∂v i −1
∂v i −1
∂ b0 ∂g
= c2( i −1) = b2( i −1) + ui −1c3(i −1) + vi −1c4( i −1) = → Ec. 4
∂v i −1
∂v i −1
Por lo tanto, reemplazando las expresiones Ec.1, Ec.2, Ec.3 y Ec.4 en la ecuación matricial
iterativa de punto fijo de NEWTON, se tiene lo siguiente:
−1
ui ui −1 c2(i −1) c3(i −1) b1(i −1)
= − (i −1)
vi vi −1 c1 c2(i −1) b0(i −1)
El proceso iterativo avanzará hasta que se cumpla con una condición de tolerancia, como:
ui − ui −1
b1(i −1)
ui − ui −1 ui f (ui , vi )
〈ε , 〈ε , 〈ε , 〈ε
vi − vi −1
a r H b
vi − vi −1 g (ui , vi ) b0(i −1)
vi
pn ( x ) = ( x 2 − ui x − vi )q n( i−−21) ( x ) , donde:
q n(i−−21) ( x ) = b2( i −1) + b3( i −1) x + b4( i −1) x 2 + K + bn( i−−11) x n − 3 + bn(i −1) x n − 2
Por otro lado, si pn(x) = 0 entonces para el caso de raíces complejas, el factor cuadrático
tendrá la forma dada por:
( x − α + jβ )( x − α − jβ )
u = 2α
donde: x 2 − 2αx + (α 2 + β 2 ) ⇒
v = −α − β
2 2
Además una aproximación inicial de (u0, v0) debe ser lo más cercana a (s, t)
n
RESUMEN: Evaluación de la ecuación pn ( x ) = ∑ ai x i = 0
i =0
ALGORITMO:
Para i = 1, 2, ...., k
Considerar: cn(i −1) = bn( i −1) = a n
bn(i−−11) = a n −1 + ui −1bn(i −1)
cn( i−−11) = bn( i−−11) + ui −1cn( i −1)
Hacer: j = n − 2, n − 3,K ,0
Calcular: b (j i −1) = a j + ui −1b (j i+−11) + vi −1b (j i+−21)
Hacer: j = n − 2, n − 3,K ,1
Calcular: c (ji −1) = b (j i −1) + ui −1c (ji+−11) + vi −1c (ji+−21)
coeficientes: c3 = b3 = a3 = 1
a2 = - 1, a1 = 1, a0 = - 2
u5 = −0.35321 ≈ s
Entonces:
v5 = −147797
. ≈ t
Como una consecuencia del método Newton - Bairstow, se pueden evaluar polinomios y
sus derivados en argumento complejo.
2) Si: δ ≠ r → b1 ∧ b0 ≠ 0
Además si se forma un factor cuadrático cuyas raíces sean α ± jβ, entonces mediante el
criterio de la división sintética, se tiene lo siguiente:
donde: α = 3 µ = 2α = 6
β = -4 v = - α2 - β2 = -25
además: c3 = b3 = a3 = 1
a2 = -6
a1 = 11
a0 = -6
c2 = b2 + µc3 = 0 + 6*1 = 6
por lo tanto, reemplazando los valores obtenidos en las fórmulas del polinomio y su
primera derivada, se tiene respectivamente lo siguiente:
→ (λ Ei) → (E’i) ⇒ λ ≠ 0
→ (Ei + λEj) → (E’i)
→ (Ei) ↔ (Ej) → (E’i)
F(X) = ∅
Son métodos que proporcionan una respuesta en un número fijo de pasos y se hallan
sujetos fundamentalmente a errores de redondeo.
a0
donde: E i0 − i01 E10 →
a11
[E ]1
i para i = 2, 3, …., n
a1
donde: E i1 − i12 E 21 →
a 22
[E ]
i
2
para i = 3, 4, …., n
Así, sucesivamente hasta completar con toda la triangularización del sistema lineal, esto
es:
a k −1
donde: E ik −1 − ikk −1 E kk −1 →
a kk
[E ]
i
k
para: k = 1, 2, ….., n-1
i = k+1, k+2, ….., n
1
xn = n −1
(bnn −1 )
a nn
1
x n −1 = n − 2 (bnn−−12 − a nn−−12,n x n )
a n −1,n −1
1
xn−2 = n − 3 (bnn−−23 − a nn−−23,n −1 x n −1 − a nn−−23,n x n )
a n − 2 ,n − 2
.
.
.
1 n
xi = i −1
aii
(bii −1 − ∑a
j = i +1
i −1
ij xj) → para i = n-1, n-2, ….., 1
k −1 aikk−1 k −1
Finalmente, según la expresión: E i − k −1 E k →
a kk
[E ]
i
k
a k −1
aijk = aijk −1 − ikk −1 a kjk−1 k = 1, 2,L , n − 1
a kk
donde: i = k + 1,L , n
k −1
aik k −1
k −1
bi = bi − k −1 bk
k
j = k ,L , n
a kk
a k −1
Calcular: aijk = aijk −1 − ikk −1 a kjk−1
a kk
a k −1
bik = bik −1 − ikk −1 bkk −1
a kk
1
Calcular: x n = n −1
(bnn −1 )
a nn
1 n
Calcular: xi =
aiii −1
(bii −1 − ∑a
j = i +1
i −1
ij xj)
4x1 + x2 + 2x3 = 9
2x1 + 4x2 - x3 = -5
x1 + x2 - 3x3 = -9
4 1 2 x1 9
Donde: 2 4 −1 x 2 = −5
1 1 −3 x 3 −9
14243 { {
A X B
4 1 2 M 9
← E10
M
a0 0
C0 = 2 4 − 1
M − 5
→ [E ] = E
1
2
0
2 − 21 E1
a110
M
a0 0
1 1 − 3 M − 9
[ ]
→ E 31 = E 30 − 31 E1
a110
144444244444 3
primera eliminacion
4 1 2 M 9
M ← E10
C1 = 0 35
. − 2 M − 9.5 ← E 21
M a1 1
0 0.75 − 35
. M − 11 [ ]
→ E 32 = E 31 − 321 2
a 22
E
144444244444 3
segunda eliminacion
4 1 2 M 9
M ← E10
C2 = 0 . − 2 M − 9.5
35 ← E 21
M ← E 32
12
4 43
0 0 − 31
. M−9 tercera eliminacion
1 2
entonces: x 3 = 2
(b3 ) = 1
−3.1 ( −9) = 2.9
a 33
1 1
x2 = 1
(b2 − a 23
1
x3 ) = 1
3.5 ( −9.5 + 2(2.9)) = −11
.
a 22
1 0
x1 = (b1 − a120 x 2 − a130 x 3 ) = 41 (9 − ( −11
. ) − 2(2.9)) = 11
.
a110
1
La solución exacta del sistema es: X = − 1
3
E1′: x1 = b1′
E 2′ : x 2 = b2′
M
E n′ = x n = bn′
donde: AX = B ⇒ A’X = B’ → A’ = I
0 0 0 0
0 0
a 21 a 22 L a 2 n Mb2 C21 C220 L C20n M C2 ( n +1)
M ≡ = C0
M M M M M M M
0 0
L Cnn0 M Cn ( n +1)
0
a n1 a n02 0 0
L a nn Mbn Cn1 Cn02
0 0
C21 C220 L C20n M C2 ( n +1)
M M M M
0
L Cnn0 M Cn ( n +1)
0
Cn 1 Cn02
C10j
donde: C11j = para: j = 1, 2 , ..., n+1
C110
1 1
0 C22 L C21n M C2 ( n +1)
M = C1
M M M
L Cnn M Cn ( n +1)
1 1 1
0 Cn 2
C21 j
donde: C22 j = 1 para: j = 2 , 3, ..., n+1
C22
0 1 L C22n M C22( n +1)
M = C2
M M M
0 L Cnn2 M Cn ( n +1)
2
0
Ckj( k −1)
→ Normalización: C kj
(k )
= → j = k, k+1, ...., n+1
Ckk( k −1)
→ Eliminación: Cij
(k )
= Cij( k −1) − Ckj( k ) Cik( k −1) → i = 1, 2, 3, ...., n ( i ≠ k)
j = k, k+1, ...., n+1
Además: xi = Ci((nn)+1) → i =1, 2, ...., n
Ing. Oscar E. Cerón A. OECA _ 48
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
Cabe señalar que este método requiere de un mayor número de operaciones, respecto al de
Eliminación Gaussiana, por lo que los errores de aproximación serán mayores.
SALIDA: x1, x2, ...., xn o Mensaje de que el sistema lineal no tiene solución
única.
Para: k = 1, 2, ....., n
Hacer: i = 1, 2 ,..., n (i ≠ k)
Ckj( k −1)
Calcular: Ckj( k ) =
Ckk( k −1)
Calcular: X i = Ci((nn)+1)
4 X 1 + X 2 + 2 X 3 = 9 4 1 2 9
2 X 1 + 4 X 2 − X 3 = −5 ⇒ C = 2 4 − 1 − 5
X + X − 3 X = −9 1 1 − 3 − 9
1 2 3
E0
4 1 2 M 9 ← E11 = 10
C11
M
C0
C0 = 2 4 − 1
M − 5
→ [ ]
E 21 = E 20 − 210 E11
C11
M
C310
1 1 − 3 M − 9 [ ]
→ E 31 = E 30 − 0 E11
C11
144444 244444 3
primera eliminacion
C1 2
1 0.25 0.5 M 2.2 → E12 = E11 − 12
1 E2
C22
M
E1
C1 = 0 35
. − 2.0 M − 9.4 ← E 22 = 12
C22
M
C32
1
0 0.75 − 35
. M − 11 [ ]
→ E 32 = E 31 − 1 E 22
C22
144444 244444 3
segunda eliminacion
C2
1 0 0.64 M 2.9 → E13 = E12 − 132 E 33
C33
M 2 C232 3
C = 0
2
1 − 0.57 M − 2.7 → E = E2 − 2 E3
3
2
C33
M
E2
0 0 − 31. M−9 ← E 33 = 23
14444 C2
4 33
44444
3
tercera eliminacion
1 0 0 M 10 . x1 = C143 = 10
.
por lo tanto: C = 0
3
1 0 M − 10
. donde: x 2 = C243 = −10
.
0 0 1 M 2.9 x 3 = C343 = 2.9
AX = B ⇒ A = LU, donde:
i = 1,...., n − 1
0 →
j = i + 1,...., n
L = lij ( )
= ⇒ Matriz triangular inferior
nxn
l → i = 1,...., n
ij j = 1,...., i
i = 1,...., n
uij →
j = i ,...., n
U = U ij ( )
= ⇒ Matriz triangular superior
nxn
0 → i = 2,...., n
j = 1,...., i − 1
LY = B → Y
UX = Y → X
Así, entonces el método consiste en factorizar la matriz A y luego despejar de cada sistema
los vectores Y y X en forma consecutiva .
Por lo tanto:
n
aij = ∑l
k =1
ik u kj
donde:
ai1
li1 = u → i = 2,............, n
Por lo tanto: 11
u = a → j = 1,..........., n
1j 1j
1 k −1
lik = aik − ∑ lim umk → i = k + 1,......, n
u kk m =1
k −1
u kj = a kj − ∑ l km umj → j = k ,......, n
m =1
y1 = b1
i −1
y
i = bi − ∑ lij y j → i = 2,..., n
j =1
1
xn = u ( yn )
nn
x = 1 y −
n
i uii i ∑u ij xj
→ i = n − 1,....,1
j =i +1
SALIDA: x1, x2, ....., xn ó Mensaje de que el sistema lineal no tiene solución
única:
Para: k = 2,...., n
Para k = 2,...., n
Hacer: j = k,...., n
k −1
Calcular: u kj = a kj − ∑ lkm umj
m =1
Hacer: i = k + 1, ...., n
k −1
1
Calcular: lik = aik − ∑ lim umk
ukk m =1
Asumir: y1 = b1
Para: i = 2, ....., n
i −1
Calcular: yi = bi − ∑ lij y j
j =1
Asumir: xn = yn / unn
Para: i = n-1,.......,1
1 n
Calcular: xi = y −
uii i
∑u
j =i +1
ij xj
4 x1 + x 2 + 2 x 3 = 9 4 1 2
2 x1 + 4 x 2 − x 3 = −5 ⇒ A = 2 4 − 1
x + x − 3 x = −9
1 2 3 1 1 − 3
donde:
4 1 2 1 0 0 u11 u12 u13
2 4 − 1 = l21 1 0 0 u22 u23
1 1 − 3 l31 l32 1 0 0 u33
por lo que:
1 0 0 y1 9
LY = B ⇒ 0.5 1 0 y 2 = − 5
0.25 0.21 1 y 3 − 9
donde: y1 = 9
4 1 2 x1 9
además: UX = Y ⇒ 0 35
. − 2 x 2 = − 9.5
0 0 − 31
. x 3 − 9.2
1
x3 = ( − 9.2) = 3.0
31
.
1
donde: x2 =
35.
(− 9.5 + 2 x3 ) = −10.
1
x1 = (9 − x 2 − 2 x 3 ) = 10
.
4
4.1.4. PIVOTACIÓN
Ing. Oscar E. Cerón A. OECA _ 54
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
En los algoritmos analizados, se requiere efectuar divisiones para términos como akk ≠ 0 o
Ckk ≠ 0, los mismos que en los procesos numéricos deben ser de valores tales que no
alteren los resultados y se obtenga soluciones aceptables.
Así, si estos términos son de bajo valor, la división dará como resultado un valor alto, con
el consiguiente error de redondeo.
En los procesos numéricos se trata de evitar divisiones para términos de bajo valor, por ser
causantes de provocar acumulaciones excesivas de redondeo.
Entonces, es conveniente buscar términos de un valor relativamente alto, para evitar que el
error de redondeo rebase los límites permitidos.
La búsqueda y reordenamiento del pivote puede ser hecho de las siguientes formas:
Para el caso de pivotación parcial, el pivote debe ser buscado dentro de la columna y
ubicado en el sitio donde se lo requiera.
a) a110 = 0.003000
se puede observar que la solución no concuerda con la verdadera, esto se debe al valor alto
del término divisor.
Entonces:
5.291 −6130
. M 46.78 → E 20
M
0
0.003000 59.14 M 59.17 → E 1 = E 0 − ( a11 ) E 0 → λ= 0.003
= 0.000567
1 1 0 2 5.291
a 21
5.291 −6130
. M46.78 x 2 = 1000
.
donde
0 59.14 M59.14 x1 = 10.00
Esta solución concuerda con la verdadera, por lo tanto, la solución aceptable es la que se
aplica pivotación.
Una buena elección de la ecuación que contenga el verdadero PIVOTE, para cuando se
aplica pivotación parcial, se hace por medio de la técnica de PIVOTEO ESCALONADO
EN COLUMNA.
Si = maxaij → j = 1, ...., n
aik
entonces, siendo k la columna de pivotación, la relación: max , indica que el pivote
si
esta en la ecuación Ei
aik
entonces: max → indica que el pivote está en la ecuación Ei en la columna
si
k en la cual se aplica pivotación.
0
a) PIVOTE a11 = 30.00
0
se puede observar que la solución no concuerda con la verdadera, esto se debe a que a11
no es un PIVOT VERDADERO.
a11 30.00
donde: = = 0.5073x10 −4
s1 591400
a 21 5.291
= = 0.8631
s2 6130
.
a 11 a 21
entonces: max , = 0.8631, que indica que E2 tiene el pivote verdadero en la
S1 S 2
primera columna.
5.291 −6130
. M 46.78 → E 20
M
0
30.00 591400 M591700 → E 1 = E 0 − ( a11 ) E 0 → λ = 30.0
= 5.670
1 1 0 2 5.291
a 21
5.291 −6130
. M46.78 x2 = 1000
.
donde
0 591400M591400 x1 = 10.00
Esta solución concuerda con la verdadera, por lo tanto, la solución aceptable es la que se
aplica pivotación escalonada por columna.
Todo esto es justificable, puesto que la ecuación E1 es la misma que la del ejemplo anterior
afectada por el factor 104, lo cual no cambia la característica del sistema lineal, pero oculta
la verdadera referencia del Sistema de Ecuaciones.
Un sistema mal condicionado es aquel en el cual, al hacer ligeros cambios en los términos,
se provoca grandes diferencias en la solución.
10 x1 + 8 x 2 + 4.00003x 3 = 42
b) 6 x1 + 6 x 2 + 3.00001x 3 = 30
6 x + 4 x + 2.00002 x = 22
1 2 3
donde:
entonces:
1 0 0 10 8 4.00003
L = 0.6 1 0 U = 0 12
. 0.599992
−6
0.6 −0.6666666667 1 0 0 −3.333333x10
1 0 0 y 1 42.00006 y 1 = 42.00006
0.6 1 0 y 2 = 30.00002 ⇒ y 2 = 4.799984
y 3 = −6.666667 x10− 6
0.6 − 0.666... 1 y 3 22.00004
1 0 0 y 1 42 y 1 = 42
0.6 1 0 y 2 = 30 ⇒ y 2 = 4.8
0.6 − 0.666... 1 y 3 22 y3 = 0
10 8 4.00003 x 1 42 x3 = 0
.
0 12 0.599992 x = 48
2 ⇒ x 2 = 4
−6
0 0 −3.33... x10 x3 0 x1 = 1
Según los resultados, se puede deducir que pequeños cambios en un sistema provocan
grandes diferencias en las soluciones. Por lo tanto el sistema resuelto es un sistema mal
condicionado (ILL - CONDITIONED).
Ing. Oscar E. Cerón A. OECA _ 59
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
Es necesario hacer un análisis cuantitativo del error, para tener una idea clara del grado de
aproximación a la solución real .
E = − A−1 γ
Por otro lado, para tener una idea del acercamiento entre vectores o matrices, es necesario
usar definiciones de NORMAS, con lo cual se puede hacer un análisis del error al trabajar
con vectores o matrices.
NORMA VECTORIAL
→ X ≥0 para ∀X ∈ R n
→ X =0↔ X ≡0
→ αX = α X para ∀α ∈ R ∧ X ∈ R n
→ X +Y ≤ X + Y para ∀Χ ∧ Υ ∈ R n
Se definen 3 tipos de Normas Vectoriales que cumplen con las propiedades anteriores, esto
es:
n
→ Norma 1: X 1 = ∑ | xi |
i =1
[ ]
n 1/ 2
→ Norma 2 ó Euclidiana: X E = ∑ xi2
i =1
Por lo tanto, los valores Xr ∧ Xa estarán cercanos entre sí a medida que X r − X a sea de
un valor pequeño o lo suficientemente cercano a una tolerancia establecida.
NORMA MATRICIAL
→ A ≥0
→ A =0↔ A≡∅
→ αA =α A
→ A+ B ≤ A + B
→ AB ≤ A B
n
→ Norma 1 A 1 = m ax
1≤ j ≤ n
∑ |a
i =1
ij | → máximo de la suma absoluta de c/columna
1/ 2
n n
→ Norma Euclidiana: A E = ∑ ∑ | a ij |2
i =1 j =1
n
→ Norma Infinito: A ∞ = m ax
1≤ i ≤ n
∑ |a
j =1
ij | → máximo de la suma absoluta de c/fila
|| AA −1 || E ≤ n ⇒ Cond ( A) ≥ n
|| X r − X a || ≤ || A −1 ||||γ || (1)
1 A
También: A X r = B ⇒ A || X r || ≥ B → ≤ (2)
|| X r || B
Multiplicando (1) ∧ (2) miembro a miembro se obtiene lo siguiente:
|| X r − X a || ||γ ||
≤ || A|||| A −1 ||
|| X || 1424 3 || B||
142r43 Cond(A)
εr
||γ ||
entonces: ε r ≤ Cond( A) → COTA SUPERIOR DEL ERROR RELATIVO
|| B||
En general los límites o cotas del error relativo vienen dados por:
1 ||γ || ||γ ||
≤ ε r ≤ Cond ( A)
Cond ( A) || B|| || B||
||γ || ≅ 10 − t || A|||| X a ||
E a ≅ − A −1γ = − A −1 ( AX a − B ) = 1−1
A2 3B − A −1 AX a
X
1
424 3
r Xa
por lo tanto: E a ≅ X r − X a = A − 1 γ ≤ A − 1 γ (
≅ A −1 1 0 − t A X a )
= 10 − t || X a || Cond ( A)
Ea
donde: Cond(A) ≅ 10t → relación que no depende del cálculo de A-1
Xa
Ejemplo: Determinar la cota superior del error relativo provocado en el sistema lineal
dado, mediante Eliminación Gaussiana y aritmética de redondeo a 5 dígitos.
donde: X a ∞
= 1.2001
0.00518
donde: γ = − 0.27413 ⇒ γ ∞
= 0.27413
018616
.
donde: E a ∞
= 0.20008
Ea 0.200078
Entonces: Cond ( A) ≅ 105 ∞
= 105 = 16672
Xa 12001
.
∞
con lo que la cota superior del error relativo viene dado por:
0.27413
ε r ≤ 16672 = 0.28720
15913
También es posible obtener la cota superior del error relativo, mediante la expresión:
γ
ε r ≤ | | A | |∞ | | A − 1 | |∞ ∞
B ∞
0.27413
Finalmente: ε r ≤ 15999 = 0.27561
15913
( )
a
ij
( ) X
M − bij C
L M L L = L
( )
b
ij M (a )
ij
Y D
Este último sistema, corresponde a un arreglo matricial con términos reales y puede ser
resuelto por cualquier método directo analizado.
Así, dado el sistema lineal: AX = B, la matriz A puede ser invertida manteniendo el mismo
modelo, esto es:
Según lo cual, aplicando a cada uno de los métodos directos analizados, se tiene que:
→ Eliminación Gaussiana: AA -1 = I → [A M I] ∼ [C M D]
1 2 3
A = −1 0 2
2 1 − 3
1 0 0
I = 0 1 0 = I 1 [ I2 I3 ]
0 0 1
a) Eliminación Gausiana:
1 2 3 M 1 0 0 1 2 3 M 1 0 0 1 2 3 M 1 0 0
− 1 0 2 M 0 1 0 ≈ 0 2 5 M 1 1 0 ≈ 0 2 5 M 1 1 0
2 1 − 3M 0 0 1 0 − 3 − 9 M − 2 0 1 0 0 − 15
. M − 0.5 15
. 1
Tomando los correspondientes elementos, se debe resolver cada uno de los sistemas:
CX 1 = D1 CX 2 = D 2 CX 3 = D 3 donde:
x = 0.33
31 x = −10
.
32 x = −0.67
33
x = −0.32
21 x = 3.0
22 x = 17
23 .
x = 0.65
11 x = −3.0
12 x = −14
13 .
b) Gauss - Jordan:
1 2 3 M 1 0 0 1 2 3 M 1 0 0
− 1 0 2 M 0 1 0 ≈ 0 2 5 M 1 1 0 ≈
2 1 − 3M 0 0 1
0 − 3 − 9 M − 2 0 1
1 2 3 M 1 0 0 1 0 − 2.0M 0 − 10. 0
0 1 2.5 M 0.5 0.5 0 ≈ 0 1 2.5 M 0.5 0.5 0 ≈
0 − 3 − 9 M − 2 0 1 0 0 − 15
. M − 0.5 15. 1
c) Factorización:
1 0 0 1 2 3
donde: L = −1 1 0 U = 0 2 5
2 −15
. 1 0 0 −15
.
además:
X = MX + V donde: M matriz
V vector
DX = ( L + U ) X + B
X =1
D−4
1
L+
(24U3) X + 1
−1
D23 B
MJ VJ
MJ matriz de Jacobi
VJ vector de Jacobi
X ( k ) − X ( k −1)
además: k = 1, ..... hasta que: X ( k ) − X ( k −1) 〈 εa o también 〈 εr
X (k )
b a x n
x = a + ∑ − a
ij j
i
i
→ i = 1,...., n
ii j =1 ii
j ≠i
1 n
( k −1)
−∑
(k )
x = → i = 1,....., n
i
aii bi jj=≠1i aij x j
Hacer: i = 1, ....., n
X ( k ) − X ( k −1)
< εr
X (k )
E 1: 10 x1 − x 2 + 2 x 3 = 6
E 2 : − x1 + 11x 2 − x 3 + 3x 4 = 25
E 3 : 2 x1 − x 2 + 10 x 3 − x 4 = −11
E 4 : 3x 2 − x 3 + 8 x 4 = 15
x1 =
1
10
[
6 − (− x2 + 2 x3 ) ]
x2 =
1
11
[
25 − ( − x1 − x 3 + 3x 4 ) ]
x3 =
1
10
[
− 11 − (2 x1 − x 2 − x 4 ) ]
1
[
x 4 = 15 − (3x 2 − x 3 )
8
]
x 1
1
(1)
10
=
( 0)
( ( 0)
6 + x 2 − 2 x 3 = 0.6 )
(1) 1 ( 0)
( ( 0)
x2 = 11 25 + x1 + x3 − 3 x4 = 2.2727
( 0)
)
(1) 1
(
( 0) ( 0)
x3 = 10 − 11 − 2 x1 + x2 + x4 = −11.
( 0)
)
(1) 1
(
( 0) ( 0)
x4 = 8 15 − 3 x2 + x3 = 1875 . )
Las siguientes iteraciones provocan valores dados en la siguiente tabla:
k 2 3 4 ……… 8 9 10
x1(k) 1.0473 0.9326 1.0152 1.0006 0.9997 1.0001
x2(k) 1.7159 2.0533 1.9537 1.9987 2.0004 1.9998
x3(k) -0.8052 -1.0493 -0.9681 -0.9990 -1.0004 -0.9998
x4(k) 0.8852 1.1309 0.9739 0.9989 1.0006 0.9998
AX = B ⇒ ( D − L − U ) X = B , donde:
( D − L) X = UX + B
M G matriz de Gauss − Seidel
X = (1 L)43 U X + (1 ) −13
−1
D4−2 D4−2L4 B →
V G vector de Gauss − Seidel
MG VG
La interpretación del modelo matricial iterativo, dice que se debe despejar de cada i-ésima
ecuación la variable xi y el cálculo numérico depende de valores actuales y valores
anteriores.
i −1
1 n
→ i = 1,..., n
x
(k )
= b − ∑ a
(k )
ij x j
− ∑a x ( k −1)
i
aii jj =≠1i
i
j = i +1
ij j
ALGORITMO: Para: k = 1, …, T
Hacer: i = 1, …, n
i −1
1 n
Calcular: xi
(k )
= i ∑
aii j =1 aij x j −
b − (k )
∑a x
j =i +1
ij
( k −1)
j
j ≠i
X ( k ) − X ( k −1)
〈ε r
X (k )
Ejemplo: Resolver el sistema lineal del ejemplo anterior, bajo las mismas condiciones
pero mediante Gauss - Seidel.
x (1)
1 = 1
10 (6 + x2( 0) - 2 x3( 0) ) = 0.6
x (1)
2 = 1
11 (25 + x (1)
1 + x3( 0) - 3x4( 0) ) = 2.3272
x (1)
3 = 1
10 (-11 - 2 x1(1) + x2(1) + x4( 0) ) = - 0.9873
x (1)
4 = 1
8 (15 - 3 x2(1) + x3(1) ) = 0.8789
k 2 3 4 5
x1 (k) 1.030 1.0065 1.0009 1.0001
x2(k) 2.037 2.0036 2.0003 2.0000
x3(k) -1.014 -1.0025 -1.0003 -1.0000
x4(k) 0.9844 0.9983 0.9999 1.0000
X ( 5) − X ( 4 ) 0.0008
donde: ∞
= = 4 x10 −4 〈 10 −3
X ( 5)
2.0000
∞
Puesto que para ambos métodos la expresión matricial iterativa es del mismo modelo,
entonces se tiene que:
X ( k ) = MX ( k -1) + V
( k −1) ( k −1)
X (4
1 4−2X44
k)
3 = M (1
X44 − 44
2 X ( k − 23
)
)
E (k ) E ( k −1)
Para los dos métodos, el hecho de que || M || < 1, implica que la matriz A deba ser de
DIAGONAL DOMINANTE, esto es que:
n
| aii | 〉 ∑ | aij | → i = 1, K , n
j =1
j ≠i
Dado el sistema no lineal F(X) = ∅, se despeja de cada i-ésima función la variable xi, así :
X(k) = G(X(k-1)) → k = 1,... hasta que cumpla con una condición de tolerancia.
f 1 ( x1 , x2 , x3 ) = 3 x1 - Cos( x2 x3 ) - 0.5 = 0
f 2 ( x1 , x2 , x3 ) = x12 - 81( x2 + 01 . ) 2 + Sen( x3 ) + 1.06 = 0
10π − 3
f 3 ( x1 , x2 , x3 ) = e - x1 x2 + 20 x3 + =0
3
Despejando xi de cada ecuación fi, se tiene la primera iteración dada por:
x (1)
1 = g1 ( x2( 0) , x3( 0) ) = 1
3 Cos( x2( 0) x ( 0)
3 ) + 1
6 = 0.49998333
[( x ]
1
x (1)
2 = g2 ( x ( 0)
1 ,x ( 0)
3 ) = 1
9 ) + Senx + 106
( 0)
1
2
. − 01
. = 0.00944115
( 0)
3
2
10π - 3
= g 3 ( x1( 0) , x2( 0) ) = - 201 e - x1 x2 -
( 0) ( 0)
x (1)
3
20
= - 0.52310127
Se basa en las mismas características iterativas de Jacobi, con la diferencia de que el valor
actual depende de valores precalculados y valores anteriores.
X(k) = G(X(k) , X(k-1) ) → k = 1,... hasta que cumpla con una condición de
tolerancia.
Ejemplo: Resolver el sistema no lineal del ejemplo anterior, bajo las mismas condiciones
pero mediante Gauss - Seidel.
x(1)
1 = g1 ( x2( 0) , x ( 0)
3 ) = 1
3 Cos( x2( 0) x ( 0)
3 ) + 1
6 = 0.49998333
[( x ]
1
x (1)
2 = g 2 ( x1(1) , x ( 0)
3 ) = 1
9
(1)
1 ) 2 + Senx3( 0) + 106
.
2
− 01
. = 0.02222979
10π - 3
) = - 201 e - x1 x2 -
( 1) ( 1)
x (1)
3 = g 3 ( x1(1) , x (1)
2
20
= - 0.52304613
Se vio que para el caso unidimensional, el método iterativo de Newton definía la función
de punto fijo dada por:
f ( x)
g( x) = x -
f ' ( x)
G ( X ) = X - [ F' ( X )]-1 F ( X )
por lo tanto: G ( X ) = X - J -1 ( X ) F ( X )
donde:
−1
∂ f ∂ f1
1 L
∂ x1 X ( k-1) ∂ x n X ( k-1)
J -1 ( X ( k-1) ) = M
∂ f ∂ f
n L n
∂ x ∂ x n X ( k-1)
1 X ( k-1)
Una debilidad clara del método de Newton, se presenta en la inversión del Jacobiano en
cada paso iterativo. Sin embargo se puede evitar dicha inversión., considerando el
siguiente procedimiento:
( k −1) −1 ( k −1)
donde: X (4
1 4−2X44
k)
3 = −J (X ) F ( X ( k −1) )
Y ( k −1)
Ejemplo: Resolver el sistema no lineal del ejemplo anterior, considerando las mismas
condiciones, pero mediante Newton.
3 x Senx x
3 2 x Senx x
3 2 2 3
J ( X ) = 2 x1 − 162( x + 01
. ) Cosx
2 3
−x x
− x2 −xe 1 20
1 2
donde los valores obtenidos en esta primera y consiguientes iteraciones vienen dados en la
tabla:
k x (k )
1 x (k )
2 x (k )
3 X ( k ) − X ( k −1) ∞
1 0.50003702 0.01946686 -0.52152047
1.79*10E-2
2 0.50004593 0.00158859 -0.52355711
1.58*10E-3
3 0.50000034 0.00001244 -0.52359845
1.24*10E-5
4 0.50000000 0.0000000 -0.52359877
0
5 0.50000000 0.0000000 -0.52359877
5. INTERPOLACIÓN (APROXIMACIONES)
La Interpolación Estadística considera n puntos o pares de valores (xi, yi) obtenidos como
resultado de algún proceso estadístico o de medición. Con dichos valores se define un
polinomio de grado m (m ≤ n) o una función f(x) que pase lo más cerca posible de los
puntos conocidos.
y
(xn, yn)
pm(x) ó f(x)
(xi, yi)
(x1, y1)
Por otro lado, la Interpolación Polinomial se origina de una función tabulada (con un
relativo bajo número de valores) y trata de aproximarle a un polinomio de grado n que
pase por los n+1 puntos o pares de valores [xi, f(xi)] conocidos de la tabla.
[x2,f(x2)] [x4,f(x4)]
p3(x)
[x3,f(x3)]
[x1,f(x1)]
x
Este polinomio pn(x) proporciona una fórmula para el cálculo de valores intermedios que
no constan en la tabulación inicial dada.
Ing. Oscar E. Cerón A. OECA _ 78
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
εi = pm(xi) - yi → i = 1, 2, …, n
ó
εi = f(xi) - yi
n
F = ∑ε 2
i
i =1
Por otro lado, si la aproximación es por medio de pm(x), la Interpolación Estadística toma
el nombre de “REGRESIÓN POLINOMIAL” y si la aproximación es a través de f(x) toma
el nombre de “REGRESION NO POLINOMIAL”.
∑[ p ]
n
2
( xi ) − y
m
1 n
γ2 = i =1
, donde : y = ∑y
∑[ y ]
n
2 n i =1 i
i −y
i =1
∑ [ f ( x ) − y]
n
2
i
ó γ2 = i =1
∑[ y ]
n
2
i −y
i =1
m
Considerando al polinomio: pm ( x ) = ∑ a k x k , donde m ≤ n
k =0
[ ]
n
F = ∑ pm ( x i ) − y i
2
entonces:
i =1
∂ F
Puesto que los ak son las incógnitas, entonces: = 0 , proporcionará un sistema de m+1
∂ aj
ecuaciones con m+1 incógnitas.
2
n
m
Por lo tanto: F = ∑ ∑ a k xik − y i
i =1 k = 0
∂F n
m
donde: = ∑ 2 ∑ a k xik − yi xij = 0 ⇒ j = 0,1,...., m
∂ a j i =1 k = 0
n m n
entonces: ∑∑a
i =1 k = 0
k xi
k+ j
= ∑ xij yi
i =1
m
n
n
finalmente: ∑ a ∑ x
k =0
k
i =1
i
k+ j
= ∑ xi j yi
i =1
⇒ j = 0,1,..., m
n
Desarrollando la última expresión y considerando ∑ ≡ ∑ , se tiene lo siguiente:
i =1
Este último sistema lineal puede ser resuelto por cualquier proceso analizado
anteriormente, sin embargo es conveniente que el grado del polinomio no sea alto, puesto
que los elementos de la matriz cada vez son más altos, por lo que hay riesgo de tener un
error considerable y el peligro de no llegar a la solución.
m
RESUMEN: Ajuste de curvas mediante un polinomio pm ( x ) = ∑ a k x k
k =0
ENTRADA: m (grado del polinomio), n (# de puntos), (xi , yi) pares de
valores de los n puntos.
Para: i = 1, 2,........, n
m
Evaluar: pm ( xi ) = ∑ a k xik
k =0
Calcular: ε i = pm ( xi ) − yi
pm ( x ) = a 0 + a1 x
n ∑ xi a 0 ∑ yi
donde: =
∑ xi ∑x i
2
a1 . ∑ xi yi
∑ xi2 ∑ yi − ∑ xi ∑ xi yi
a0 =
n ∑ xi2 − ( ∑ xi ) 2
n ∑ x i yi − ∑ x i ∑ y i
a1 =
n ∑ xi2 − ( ∑ xi ) 2
1
a 0 ∑ y i − a1 ∑ x i y i −
n
( ∑ yi )
2
Ejemplo: Aproximar los puntos dados a una recta. Analizar la bondad del ajuste.
y
xi yi
1 0.5 6
2 2.5 5
3 2 4
4 4 3
5 3.5 2
6 6 1
7 5.5
1 2 3 4 5 6 7 x
∑ xi = 28 ∑ yi = 24
7 28 a 0 24
entonces: =
28 140 a1 119.5
7 28 M 24 7 28 M 24
Aplicando Eliminación - Gaussiana, se tiene: ~
28 140 M 119.5 0 28 M 23.5
7 2
∑ [ p ( x ) − y]
i =1
1 i
19.723
donde: γ2 = 7 = = 0.86832
22.714
∑(y
i =1
i − y) 2
n ∑ xi ∑ xi 2 a 0 ∑ yi
3
donde: ∑ xi ∑ xi 2 ∑ x i a1 = ∑ x i y i
∑ xi 2 ∑ xi 3 ∑ xi 4 a 2 ∑ xi 2 yi
así: n=5
∑ xi = 2.5 ∑ yi = 8.768
∑ x i 2 = 1875
. ∑ xi yi = 5.4514
∑ xi 3 = 15625
. ∑ xi 2 yi = 5.7843
∑ xi 4 = 13828
. y = 17536
.
5 2.5 1875
. M 8.768 a 2 = 0.8437
entonces: 2.5 1875
. 15625
. M 5.4514 ⇒ a1 = 0.8641
1875
. 15625
. 13828
. M 4.4015 a 0 = 10052
.
18618
.
donde: γ 2 = = 0.99984
18621
.
y
x
0.25 0.5 0.75 1.0
Así, si la tendencia es del tipo exponencial, se puede considerar los modelos siguientes:
f ( x ) = Ae BX
, donde: A y B son incógnitas
f ( x ) = AX B
f ( x ) = Ae BX —> ln f ( x ) = ln A+ {
Bx
12
4 4 3 { a0 a1
Y
a
A= e 0
B = a1
Ejemplo: A los terminales de una caja negra se mide la variación de voltaje en el tiempo,
obteniéndose los siguientes valores:
n
Siendo a y b las incógnitas, entonces: F= ∑ (a + be
i =1
− ti
− vi ) 2
n
dF
donde: = 2∑ (a + be − ti − vi ) = 0
da i =1
n
dF
= 2∑ (a + be − ti − vi )e − ti = 0
db i =1
n ∑ e − ti a ∑ v i
por lo tanto: −t =
∑e i ∑ e − 2 ti b ∑ e − t i v i
así: n = 10
∑ e − ti = 3.2268 ∑ vi = 67.7
− 2 ti
∑e = 2.2445 ∑ e − ti vi = 9.7972
además:
donde: γ 2 = 0.999988
Se trata de aproximar una función f(x) tabulada a otras funciones de fácil manipulación,
como son: polinomios, funciones trigonométricas, exponenciales o racionales.
Siendo lo más usual el uso de polinomios, entonces dada una función tabulada [xi, f(xi)], se
construye un polinomio único pn(x) que pase exactamente por n+1 puntos, esto es:
Entonces, considerando n+1 pares de valores [xi, f(xi)], el polinomio único que pasa por
dichos puntos será:
∑a
k =0
k xik = f i —> i = 0, 1, ......, n
a 0 + a1 x 0 + a 2 x 02 +........+ a n x 0n = f 0
a 0 + a1 x1 + a 2 x12 +........+ a n x1n = f 1
donde:
M
a 0 + a1 x n + a 2 x n2 +........+ a n x nn = f n
1 x 0 x 02 ........ x 0n a0 f 0
2
1 x1 x1 ........ x1
n
a1 f 1
M M = M
an f n
1 x n x n2 ........ x nn
144424443
MATRIZ DE VANDERMONDE
Debido a la forma de la matriz de potencias, es conveniente que n no sea alto, por lo que se
recomienda que n ≤ 4 .
n
RESUMEN: Aproximación mediante un polinomio interpolante pn(x) = ∑a
k =0
k xk
SALIDA: pn(x0)
n
Evaluar: pn(x0) = ∑a
k =0
k x 0k
p1(x) = a0 + a1x
1 x0 a0 f 0
entonces: =
1 x1 a 1 f 1
x1 f 0 − x 0 f 1
resolviendo el sistema se tiene: a0 =
x1 − x 0
f1 − f 0
a1 =
x1 − x 0
x1 f 0 − x 0 f 1 f 1 − f 0
donde: p1 ( x ) = + x → ecuación de una recta que pasa por
x1 − x 0 x1 − x 0
los puntos ( x 0 , f 0 ) ∧ ( x1 , f 1 )
Ejemplo: La función de BESSEL de primera clase de orden cero viene tabulada por los
valores en varios puntos. Mediante la definición de un polinomio interpolante de
primero y segundo orden, obtener el valor de la función en x = 1.5.
Puesto que el polinomio a definirse debe ser evaluado en 1.5, entonces para n = 1, se
x 0 = 13
.
tendrá que:
x1 = 16.
Para el caso n = 2, se tendrá que tomar tres puntos alrededor de 1.5, esto es:
Alternativa I: x0 = 1.0
x1 = 1.3
x2 = 1.6
1 13
. a 0 0.6200860
=
1 16
. a1 0.4554022
a1 = - 0.548946
resolviendo se tiene:
a 0 = 1.333716
1 x 0 x0 2 a0 f 0
1 x1 x1 2 a 1 = f 1
1 x2 x2 2 a2 f 2
1 10
. 10
. a 0 0.7651977
Alternativa I: 1 13 . a 1 = 0.620086
. 169
1 16
. 2.56 a 2 0.4554022
1 13 . a 0 0.620086
. 169
. 2.56 a1 = 0.4554022
Alternativa II: 1 16
1 19
. 3.61 a 2 0.2818186
Finalmente, se sabe que el valor real de la función dada en 1.5 es: f(1.5) = 0.5118277, lo
cual permite concluir que en general, mientras mas alto es el grado del polinomio
interpolante, mejor será la aproximación.
n
Pn ( x ) = ∑L
K =0
K ( x) f K
n x− x
donde: LK ( x ) = ∏
j
→ polinomio de Lagrange de grado n
j =0 x K − x j
j≠K
Pn(xi) = fi → i = 0, 1, ..., n
1 i=k
para lo cual: LK ( xi ) =
para
0 para i= j
Este método de interpolación por Lagrange, a más de permitir evaluar la función en valores
que no constan en la tabla min( xi ) 〈α 〈 max ( xi ) , se usa preferentemente cuando los xi
“no están IGUALMENTE ESPACIADOS”.
n
RESUMEN: Aproximación mediante un polinomio: Pn ( x ) = ∑L
K =0
K ( x) f K
SALIDA: pn(α)
Considerar: f K ≡ f (xK )
n α − x
Calcular: LK (α ) = ∏
j
j =0 x K − x j
j≠K
n
Calcular: Pn (α ) = ∑L
K =0
K (α ) f K
1 x − x
x − x1
donde: L0 ( x ) = ∏ =
j
j =0 0
x − x j x 0 − x1
j ≠0
1 x − x
x − x0
L1 ( x ) = ∏ =
j
j = 0 x1 − x j x1 − x 0
j ≠1
x − x1 x − x0
entonces: P1 ( x ) = f0 + f
x 0 − x1 x1 − x 0 1
x1 f 0 − x 0 f 1 f 1 − f 0
P1 ( x ) = + x → es un polinomio similar al obtenido
x1 − x 0 x1 − x 0
en el modelo matricial.
Todo esto implica que el polinomio de interpolación es único, premisa con la que se partió
para el análisis de interpolación polinomial.
( x − 16
. ) 1
L0 ( x ) = =− ( x − 16
. )
(13. − 16. ) 0.3
( x − 13
. ) 1
L1 ( x ) = =− ( x − 13
. )
(16. − 13. ) 0.3
→ P 2 ( x ) = L0 ( x ) f 0 + L1 ( x ) f 1 + L2 ( x ) f 2 ; donde:
Alternativa I:
( x − x1 )( x − x 2 ) ( x − 13
. )( x − 16
. ) 1
L0 ( x ) = = = ( x − 13
. )( x − 16
. )
( x 0 − x1 )( x 0 − x 2 ) (10
. − 13. )(10. − 16
. ) 018
.
( x − x 0 )( x − x 2 ) ( x − 10
. )( x − 16
. ) 1
L1 ( x ) = = =− ( x − 10
. )( x − 16
. )
( x1 − x 0 )( x1 − x 2 ) (13
. .−10 . − 16
. )(13 . ) 0.09
( x − x 0 )( x − x1 ) ( x − 10
. )( x − 13
. ) 1
L2 ( x ) = = = ( x − 10
. )( x − 13
. )
( x 2 − x 0 )( x 2 − x1 ) (16
. − 10. )(16. − 13. ) 018
.
Alternativa II:
Ing. Oscar E. Cerón A. OECA _ 91
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
( x − 16
. )( x − 19
. ) 1
L0 ( x ) = = ( x − 16
. )( x − 19
. )
. − 16
(13 . )(13. − 19
. ) 018
.
( x − 13
. )( x − 19
. ) 1
L1 ( x ) = =− ( x − 13
. )( x − 19
. )
. − 13
(16 . )(16. − 19
. ) 0.09
( x − 13
. )( x − 16
. ) 1
L2 ( x ) = = ( x − 13
. )( x − 16
. )
. − 13
(19 . )(19. − 16. ) 018
.
Concepto usado para definir un polinomio de interpolación en el caso en que los valores de
xi mantienen un orden lógico y una separación constante, esto es:
‘
‘
‘
∆k f ( x ) = ∆k −1 f ( x + h) − ∆k −1 f ( x ) → diferencias finitas de k-ésimo orden
∆2 f ( xi ) = ∆f ( xi + h) − ∆f ( xi ) ⇒ ∆2 f i = ∆f i +1 − ∆f i → i = 0,1......, n − 2
.
.
.
k = 2,3,...., n
∆k f ( xi ) = ∆k −1 f ( xi + h) − ∆k −1 f ( xi ) ⇒ ∆k f i = ∆k −1 f i +1 − ∆k −1 f i →
i = 0,1,...., n − k
Es posible resumir todas las Diferencias Finitas en una tabla como la siguiente:
. .
. .
. . ∆nf0
xn-3 fn-3
∆fn-3
xn-2 fn-2 ∆2fn-3
∆fn-2 ∆3fn-3
xn-1 fn-1 ∆2fn-2
∆fn-1
xn fn
Es importante notar que las Diferencias Finitas permiten calcular aproximaciones a las
derivadas de ƒ(x), puesto que según el Teorema del Valor Medio, se tiene que:
(k )
En general: ∆k f ( x ) = h k f (ξ ), donde: x < ξ < x + kh
ENTRADA: n(# máx de orden ), [xi, ƒ(xi)] pares de valores de n+1 puntos
k = 1,2,......, n
SALIDA : ∆k f i →
i = 0,1,...., n − k
Para: i = 1, 2,……., n
Considerar: ƒi = ƒ(xi)
Para: k = 2, 3,…….., n
Calcular: ∆k f i = ∆k −1 f i +1 − ∆k −1 f i
Ejemplo: La función f ( x ) = ∫
0.1
Cos( z ) dz , viene tabulada con los valores dados en la
tabla.
0.2 0.09944
0.09843
0.3 0.19787 -0.00151
0.09692 -0.00052
0.4 0.29479 -0.00203
0.09489
0.5 0.38968
pn ( x ) = C0 + C1 ( x − x 0 ) + C2 ( x − x 0 )( x − x1 ) + C3 ( x − x 0 )( x − x1 )( x − x 2 ) + L
+ Cn ( x − x 0 )( x − x1 ) L ( x − x n −1 )
Ahora, partiendo del hecho de que el polinomio de interpolación es único, esto es:
pn ( x i ) = f i → i = 0,1,.........., n
entonces:
p n ( x 0 ) = f o = Co
pn ( x1 ) = f 1 = C0 + C1 ( x1 − x o )
pn ( x 2 ) = f 2 = C0 + C1 ( x 2 − x o ) + C2 ( x 2 − x o )( x 2 − x1 )
M
pn ( x n ) = f n = C0 + C1 ( x n − x o ) + C2 ( x n − x o )( x n − x1 ) + C3 ( x n − x o )( x n − x1 )( x n − x 2 ) +.......
+ Cn ( x n − x 0 )( x n − x1 )...........( x n − x n −1 )
Además, siendo que: xi − xi −1 = h , entonces
f 0 = C0
f 1 = C0 + C1 (h)
f 2 = C0 + C1 (2h) + C2 (2h 2 )
f 3 = C0 + C1 (3h) + C2 (6h 2 ) + C3 (6h 3 )
M
f n = C0 + C1 (nh) + C2 (n)(n − 1)h 2 + C3 (n)(n − 1)(n − 2)h 3 +.......+ Cn (n ! h n )
Despejando de cada ƒi la correspondiente Ci y haciendo sustituciones sucesivas, se tiene:
C0 = f 0
1
C1 = ( f 1 − f 0 )
h
1 1
C2 = 2 [ f 2 − f 0 − 2( f 1 − f 0 )] = 2 ( f 2 − 2 f 1 + f 0 )
2h 2h
1 1
C3 = 3 [ f 3 − f 0 − 3( f 1 − f 0 ) − 3( f 2 − 2 f 1 + f 0 )] = 3 ( f 3 − 3 f 2 + 3 f 1 − f 0 )
6h 6h
1
C4 = ( f − 4 f 3 + 6 f 2 − 4 f1 + f 0 )
4!h 4 4
M
1 n(n − 1) n(n − 1)(n − 2) n(n − 1)
Cn = f n − nf n−1 + 2! f n−2 − f n−3 + L + (−1) n−2 f 2 + (−1) n−1 nf 1 + (−1) n f 0
n!h n 3! 2!
∆f 0 = f 1 − f 0
∆2 f 0 = ∆f 1 − ∆f 0 = f 2 − f 1 − ( f 1 − f 0 ) = f 2 − 2 f 1 + f 0
∆3 f 0 = ∆2 f 1 − ∆2 f 0 = ∆f 2 − ∆f 1 − ( ∆f 1 − ∆f 0 ) = ∆f 2 − 2 ∆f 1 + ∆f 0 = f 3 − f 2 − 2( f 2 − f 1 ) + f 1 − f o =
= f 3 − 3 f 2 + 3 f1 − f 0
∆ f 0 = ∆3 f 1 − ∆3 f o = ∆2 f 2 − ∆2 f 1 − ( ∆2 f 1 − ∆2 f o ) = ∆2 f 2 − 2 ∆2 f 1 + ∆2 f o = f 4 − 4 f 3 + 6 f 2 − 4 f 1 + f 0
4
M
n
n
∆n f 0 = ∆n −1 f 1 − ∆n −1 f o = ∆n − 2 f 2 − 2 ∆n − 2 f 1 + ∆n − 2 f 0 = ∑ ( −1) n f ( n − k )
k =0 k
n n!
donde = → Coeficiente Binomial o Factorial de Newton.
k k !( n − k )!
Co = f 0
1
C1 = ∆f
h 0
1
C2 = 2 ∆2 f 0
2h
1 3
C3 = ∆ f0
3! h 3
1
C4 = ∆4 f 0
4!h 4
M
1
Cn = ∆n f 0
n!h n
Por lo tanto el polinomio de interpolación de Newton, toma la siguiente forma:
1 1 1 3
pn ( x ) = f 0 + ( x − x 0 ) ∆f 0 + ( x − x 0 )( x − x1 ) 2 ∆2 f 0 + ( x − x 0 )( x − x1 )( x − x 2 ) ∆ f 0 +L
h 2h 3! h 3
1
+ ( x − x 0 )( x − x1 )( x − x 2 )L ( x − x n −1 ) ∆n f o
n!h n
x − x0
Considerando : s = , entonces:
h
x − x1 x − ( x 0 + h) x − x 0
= = −1= s −1
h h h
x − x 2 x − ( x 0 + 2h) x − x 0
= = −2 = s−2
h h h
M
x − x n −1 x − ( x 0 + (n − 1)h) x − x 0
= = − n +1= s − n +1
h h h
Por lo tanto:
( x − x0 ) ( x − x0 ) ( x − x1 ) ∆2 f 0 ( x − x0 ) ( x − x1 ) ( x − x2 ) ∆3 f 0
pn ( x) = f 0 + ∆f 0 + + +L
h h h 2 h h h 3!
( x − x0 ) ( x − x1 ) ( x − x2 ) ( x − xn−1 ) ∆n f o
+ .L
h h h h n!
∆2 f 0 ∆3 f 0 ∆n f o
pn ( x) = f 0 + s∆f 0 + s(s −1) + s(s − 1)(s − 2) + L+ s(s −1)(s − 2)L(s − n + 1)
2 3! n!
n
s
entonces: pn ( x ) = f 0 + ∑ ∆k f 0 ⇐ FÓRMULA DE NEWTON
k =1 k
s s( s − 1)( s − 2).........( s − k + 1)
donde: =
k k!
n
1 k −1
También: pn (α ) = f 0 + ∑ Ck ∆k f 0
k =1
→ Ck = ∏ (s − i)
k ! i =0
Según la fórmula, se puede evaluar el polinomio en un punto α (min(xi) < α < max(xi)), con
una precisión ε que se requiera, o a su vez se puede limitar el grado del polinomio según la
condición dada por:
S k
∆ f 0 ≤ ε , donde: n = k-1
k
RESUMEN: Polinomio de Interpolación de Newton
SALIDA: pn(α)
1 k −1
Calcular: Ck = ∏ (s − i)
k ! i =0
n
Calcular: pn (α ) = f 0 + ∑ Ck ∆k f 0
k =1
Ejemplo: Considerando la función tabulada del ejemplo anterior, determinar el valor
de ƒ(0.25) y ƒ(0.48) mediante un polinomio interpolante de Newton de segundo orden.
s s
En general: p2 ( x ) = f 0 + ∆f 0 + ∆2 f o
1 2
además:
α − x0 0.25 − 0.2
s= = = 0.5
h 01.
s s
= = 0.5
1 1!
s s( s − 1)
= = −0125
.
2 2!
α − x0 0.48 − 0.3
además: s= = = 18
.
h 01.
s s s s( s − 1)
= = 18
. , = = 0.72
1 1! 2 2!
Concepto usado para definir un polinomio de interpolación en el caso en que los valores
de x i no mantienen un orden lógico ni una separación constante.
f i +1 − f i
f [ xi , xi +1 ] = → i = 0,1,...., n − 1 ⇒ Diferencias Divididas de primer orden.
x i +1 − x i
f [ x i +1 , x i + 2 ] − f [ x i , x i +1 ]
f [ xi , xi +1 , xi + 2 ] = → i = 0,1,...., n − 2 ⇒ Dif. Div. de 2° orden.
xi + 2 − xi
M
f [ xi +1 , xi + 2 ,..., xi + k ] − f [ xi , xi +1 ,..., xi + k −1 ]
f [ xi , xi +1 ,..., xi + k ] =
xi + k − xi
k +1
fi
También: f [ xi , xi +1 ,..., xi + k ] = ∑ k +i ⇒ k = 1, 2,…, n; i = 0, 1,..., n-k
j =i
∏ ( x j − xm )
m= i
m≠ j
Es posible resumir todas las Diferencias Divididas en una tabla como la siguiente:
xi fi f [xi , xi+1] f [xi , xi+1 , xi+2] ……………… f [xi , xi+1 ,…., xi+n]
x0 f0
f [x0 , x1]
x1 f1 f [x0 , x1 , x2]
f [x1 , x2]
x2 f2 f [x1 , x2 , x3]
f [x2 , x3]
x3 f3
: :
: f [x0 , x1 , …. , xn]
: :
xn-2 fn-2
f [xn-2 , xn-1]
xn-1 fn-1 f [xn-2 , xn-1 , xn]
f [xn-1 , xn]
xn fn
k = 1,2,..., n
SALIDA: f [xi, xi+1 ,…., xi+n] →
i = 0,1,..., n − k
Considerar: fi ≡ f(xi )
di i = fi
Para: k = 1, 2, …, n
d i +1,k +i − d i ,k +i −1
Calcular: d i ,k +i =
x k + i − xi
Ejemplo: Una función viene tabulada con los valores dados en la tabla. Calcular todas las
Diferencias Divididas de todos los órdenes.
n k −1
También: pn ( x ) = f 0 + ∑ d 0,k ∏ ( x − x j ) , donde: d 0,k ≡ f [ x 0 , x1 ,..., x k ]
k =1 j =0
Ejemplo: Usando la tabla de diferencias del ejemplo anterior, determinar f(2) mediante
un polinomio interpolante de tercer orden.
Se tiene:
p3(x) = f0 + f [x0,x1](x-x0) + f [x0,x1,x2](x-x0)(x-x1) + f [x0,x1,x2,x3](x-x0)(x-x1)(x-x2)
dónde: x0 = 1 f0 = 0
x1 = 4 f [x0,x1] = 0.46209813
x2 = 6 f [x0,x1,x2] = -0.051873116
x3 = 5 f [x0,x1,x2,x3] = 0.0078655415
entonces:
Así, la expresión básica del error, viene dada por: e n(x) = f(x) - pn(x)
donde: e n(x) = 0 → x = xi
Por otro lado, para el caso de una función, la expansión completa en Series de Taylor
presenta un término de error de truncamiento dado por:
f ( n +1) (ξ )
en = ( x − x i ) n +1 → ( xi < ξ < xi+1 )
(n + 1)! i +1
f ( n +1) (ξ )
en = ( x − x 0 )( x − x1 ).....( x − x n −1 )( x − x n ) → mín x < ξ < max x
(n + 1)!
Para entender esta última expresión, es conveniente establecer una equivalencia entre las
Diferencias Finitas y Divididas, de la siguiente forma:
1
f [x0,x1] = ∆f = f ' (ξ )
h 0
1 1
f [x0,x1,x2] = 2 ∆ f0 =
2
f ' '(ξ )
2! h 2!
M
M
1 1
f [x0,x1,….,xn] = ∆n f 0 = f (n)
(ξ )
n! h n n!
1 1
f [x0,x1,….,xn,xn+1] = ∆n +1 f 0 = f ( n +1)
(ξ )
(n + 1)! h n +1 (n + 1)!
Según esto, se puede decir que el término de error viene dado por el término siguiente del
polinomio de Newton.
n
n
e ( x ) = f [ x 0 , x 1 ,..., x n , x n +1 ]∏j =0
(x − x j )
En resumen se tiene: ó también:
e ( x ) =
s n +1 s n +1 ( n +1)
∆ f0 = h f (ξ )
n
n + 1 n + 1
2
Entonces: e2 ( x ) = f [ x 0 , x1 , x 2 , x 3 ]∏ ( x − x j )
j =0
x0 = 1, x1 = 4, x2 = 6
Ejemplo: La función: f ( x ) = ∫ sen 2 (u)du viene tabulada con los siguientes valores:
0
b) Determinar las cotas del error del polinomio interpolante, mediante Newton -
Horner para determinar las raíces.
a) El modelo del polinomio viene dado por: p3(x) = a0 + a1x + a2x2 + a3x3 entonces,
mediante Vandermonde se tiene:
1 x0 x 02 x 03 a 0 f 0 x 0 = 01
. → f0
1 x1 x 2
1 x13 a1 f 1 x1 = 0.2 → f 1
1 = donde:
x2 x 2
x 23 a 2 f 2 x 2 = 0.3 → f 2
2
1 x3 x 2
3 x 33 a 3 f 3 x 3 = 0.4 → f 3
1 01
. 0.01 0.001 0.0003326 1 01
. 0.01 0.001 0.0003326
0 0.3 015
. 0.063 0.0203283 0 0.3 015
. 0.063 0.0203283
0 0
pivot
∼
0.02 0.014 0.0044633 0 0 0.02 0.014 0.0044633
0 0 − 0.02 − 0.016 − 0.0050455 0 0 0 0.002 0.0005822
donde: a3 = 0.2911
a2 = 0.019395
a1 = -0.0030675
a0 = 0.0001543
f (ζ( 4)) 3
e3 ( x ) =
4!
∏ (x − x
j =0
j . < ζ < 0.4
) → 01
3 3
IV
min f ( x ) min ∏ (x − x
j =0
j)
IV
máx f ( x ) máx ∏ (x − x
j =0
j )
≤ e3 ( x ) ≤
4! 4!
max f ( x ) = 4 → x = 0.7854
IV
Para este caso los valores de x están fuera del intervalo [0.1, 0.4] , por lo que es necesario
determinar el min y el máx de f ( IVx ) usando el min y el máx local respectivamente, así :
∏ (x − x
j =0
j ) = ( x − 01
. )( x − 0.2)( x − 0.3)( x − 0.4) = x 4 − x 3 + 0.35x 2 − 0.05x + 0.0024
d 3
entonces: ∏ ( x − x j ) = 0 = 4 x 3 − 3x 2 + 0.7 x − 0.05
dx j = 0
Ing. Oscar E. Cerón A. OECA _ 103
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
4 x k 3 − 3x k2 + 0.7 x k − 0.05
x k +1 = x k −
12 x k2 − 6 x k + 0.7
xk
ai 0.0714 0.1131 0.1326 0.1378
3
por lo tanto: ∏ (x
j =0
A − x j ) = −0.0001
3
∏ (x
j =0
B − x j ) = 5.62 x10 −5
3
∏ (x
j =0
C − x j ) = −0.0001
3 3
donde: min ∏ ( x − x j ) = 10 − 4 máx ∏ ( x − x j ) = 5.62 x10 −5
j =0 j =0
finalmente, los límites del error del polinomio interpolante, vienen dados por:
p3(0.4) = 0.37895
b) e3(0.4) = f[x0, x1, x2, x3, x4] (0.4 - x0)(0.4 - x1)(0.4 - x2)(0.4 - x3 )
entonces:
e3(0.4) = - 9 x 10-8
f ′ ( x ) a ≈ p′ n ( x )
a
∫ f ( x )dx ≈ ∫ pn ( x )dx
a a
d
[ d
]
′
E D = dx f ( x ) − pn ( x ) a = dx en ( x ) = en (a )
a
Además: en(x) = f(x) - pn(x) ⇒ b b
I ∫a [
E = f ( x ) − p ( x ) dx = e ( x )dx
n ∫a n ]
lim g n ( x + ∆x ) − g n ( x ) lim
g ′ n ( x) = = g n ( x , x + ∆x )
∆x → 0 ( x + ∆x ) − x ∆x → 0
Pero: g n ( x , x + ∆x ) = f [ x 0 , x1 ,........, x n , x , x + ∆x )]
también: g´n(x) = lim f[x0, x1,......, xn, x, x+∆x] = f[x0, x1,......, xn, x, x]
∆x →0
d
por lo que se concluye que: f [ x 0 , x1 ...., x n , x ] = f [ x 0 , x1 ,...... x n , x , x ]
dx
f (ζ( n)+1)
Por otro lado se tiene que: f [ x 0 , x1 ,....., x n , x ] =
(n + 1)!
f (η( n)+ 2 )
y en consecuencia: f [ x 0 , x1 ,....., x n , x , x ] =
(n + 2)!
d d n d n
en ( x ) = f [ x 0 , x1 ,...... x n , x ] ∏ ( x − x j ) + f [ x 0 , x1 ,....., x n , x ]∏ ( x − x j )
dx dx j = 0 dx j =0
e′ n ( x ) = f [ x 0 , x1 ,...... x n , x ]W ′ ( x ) + f [ x 0 , x1 ,..... x n , x , x ]W ( x )
Así, se tiene:
f ( n +1) (ζ ) f ( n + 2 ) (η)
en′ (a ) = W ′ (a ) + W (a ) → min xi 〈 (ζ , η) 〈 max xi
(n + 1)! (n + 2)!
I) W(a) = 0
II) W ’(a) = 0
W ( x ) ( x − x 0 )( x − x1 )........( x − xi −1 )( x − a )( x − xi +1 )........( x − x n )
=
x−a ( x − a)
W ( x)
donde: = ( x − x 0 )( x − x1 ) L ( x − xi −1 )( x − xi +1 ) L ( x − x n ) = Q( x )
x−a
entonces: W ( x ) = Q( x )( x − a ) → W ′ ( x ) = Q ′( x )( x - a ) + Q( x )
por lo que:
f ( n +1) (ζ ) n
por lo tanto: en′ ( a ) = ∏ (a − x j )
(n + 1)! j = 0
j≠i
n −1 n −1
n−
x0 , x1 , ............ , 2
↑ 2
, ............., xn −1 , xn
a − x 0 = x n − a
a − x1 = x n −1 − a
a − x 2 = x n − 2 − a
entonces: M
a − x = x − a (*)
k n− k
M
a − x n2−1 = x n − n2−1 − a
donde:
W ( x ) = ∏ ( x − x k )( x − x n − k )
k =0
de (*) a − x k = x n-k − a ⇒ x n - k = 2a - x k
entonces: ( x − x k )( x − 2a + x k ) = ( x − a ) 2 − (a − x k ) 2
n −1
[ ]
2
n −1
f ( n + 2 ) (η) 2
según lo cual: en′ (a ) =
(n + 2)! k = 0
[
∏ − (a − x k ) 2 ]
FÓRMULAS: (n = 1)
f ( x ) ≈ p1 ( x ) = f 0 + f [ x 0 , x1 ]( x - x 0 )
f ( x1 ) − f ( x 0 ) f ( x1 ) − f ( x 2 )
f ′ ( x ) ≈ p ′ ( x ) = f [ x 0 , x1 ] = ⇒ f ′(a ) ≈
x1 − x 0 x1 − x 2
x0 = a f ( a + h) - f ( a )
CASO I: ⇒ f ′ (a ) ≈
x1 = a + h h
f ′′(ζ ) 1 f ′′ (ζ ) f ′′ (ζ )
e1′ (a) = ∏
2! j =0
(a - x j ) =
2!
( a - x1 ) =
2
(a - a - h)
j≠0
h
e1′ (a ) = - f ′′(ζ ) → a <ζ < a +h
2
x 0 = a − h f ( a + h) − f ( a − h)
CASO II: ⇒ x1 − x 0 = 2h ⇒ f / (a ) ≈
x1 = a + h 2h
h2
e1′ (a ) = - f ′′′(η) → a- h <η < a+h
6
FÓRMULAS: (n = 2)
f ( x ) ≈ p2 ( x ) = f 0 + f [ x 0 , x1 ]( x - x 0 ) + f [ x 0 , x1 , x 2 ]( x - x 0 )( x - x1 )
∆f 0 ∆2 f 0
f ′( x ) ≈ p2′ ( x ) = f [ x 0 , x1 ] + f [ x 0 , x1 , x 2 ][2 x - ( x 0 - x1 )] = + ( 2 x - x 0 − x1 )
h 2h 2
∆f 0 ∆2 f 0
f ′( a ) ≈ + (2a - x0 − x1 )
h 2h 2
x0 = a
∆f 0 ∆2 f ∆f ∆2 f 0
CASO I: x1 = a + h ⇒ f ′(a ) ≈ + 2 ( 2a - a - a - h) = 0 −
x = a + 2h h 2h h 2h
2
2 ∆f 0 − ∆2 f 0 2( f 1 − f 0 ) − ( f 2 − 2 f 1 + f 0 )
≈ ≈
2h 2h
−3 f 0 + 4 f 1 − f 2 −3 f ( a) + 4 f (a + h) − f (a + 2h)
donde: f ′(a) ≈ ≈
2h 2h
h2
e2′ (a ) = f ′′′ (ζ ) → a < ζ < a + 2h
3
x0 = a - h
∆f 0 ∆2 f 0
CASO II: x1 = a ⇒ f ′(a) ≈ + (2a - x0 - x1 )
x = a + h h 2h 2
2
∆f 0 ∆2 f 0 2 ∆f 0 + ∆2 f 0
≈ + ( 2 a − a + h − a ) =
h 2h 2 2h
2( f 1 − f 0 ) + ( f 2 − 2 f 1 + f 0 ) f 2 − f 0 f ( a + h) − f ( a − h)
donde: f ′(a ) ≈ ≈ ≈
2h 2h 2h
h2
e2′ (a ) = - f ′′′(η) → a-h <η < a +h
6
OBSERVACIÓN: Para el CASO II (n = 2), tanto f ′(a ) como e2′ (a ) son exactamente
los mismos que el CASO II con (n = 1), esto se debe a que los xi, se
hallan simétricamente espaciados respecto al “a”. Lo que se deduce,
que al usar puntos de interpolación simétricamente espaciados, se
obtienen fórmulas de “ORDEN SUPERIOR”.
[
f ′′ ( x ) = pn′′( x ) + f ′[ x 0 ,x1 ,.........,x n ,x ]W ( x )+f [ x 0 ,x1 ,..........,x n ,x ] W ′ ( x ) ]′
= pn′′( x ) + f ′′[ x 0 ,x1 ,.......,x n ,x ]W ( x )+2 f ′[ x 0 ,x1 ,......,x n ,x ]W ′ ( x )+f [ x 0 ,x1 ,......,x n ,x ]W ′ ′ ( x )
f ′′( x ) = pn′′( x ) + f ′[ x 0 ,x1 ,.......,x n ,x,x ]W ( x )+2 f [ x 0 ,x1 ,......,x n ,x,x ]W ′ ( x )+f [ x 0 ,x1 ,......,x n ,x ]W ′ ′ ( x )
FÓRMULAS: (n = 2)
= x 3 − ( x 0 + x1 + x 2 ) x 2 + ( x 0 x1+x 0 x 2+x1 x 2 ) x - x 0 x1 x 2
W ′ ′ (a ) = 6a − 2( x 0+x1+x 2 )
(4)
f (ζ )
f [ x 0 ,x1 ,x 2 ,a,a ] =
4! (ζ , η) 〈 max x
también: min x 〈
f ′′′(η)
f [ x 0 ,x1 ,x 2 ,a ] =
3!
x0 = a
CASO I: x1 = a+h
x = a+2h
2
[ ] [ ]
⇒ f ′′(a)=2 f x 0 ,x1 ,x 2 +f ′ x 0 ,x1 ,.....,x n , x,x (a-a )(a-a-h)(a-a-2h)+
(ζ )
(4)
f ′′′(η)
[ 3a 2 − 2(3a + 3h)a + a (a + h) + a (a + 2h) + (a + h)(a + 2h)] + [6a − 2(3a − 3h)]
f
+2
4! 3!
h2
Simplificando, se tiene: f ′′(a )=2 f [ x 0 ,x1 ,x 2 ]+ f (4)
(ζ ) − hf ′′′(η)
6
∆2 f 0 f − 2 f1 + f 0
puesto que: f [ x 0 , x1 , x 2 ] = = 2
2h 2 2h 2
f ( a + 2h ) − 2 f ( a + h ) + f ( a )
entonces: f ′′ (a ) =
h2
h2
e2′ (a ) = f (4)
(ζ )-hf ′′′(η)
6
x0 = a - h
CASO II: x1 = a
x = a+ h
2
⇒ f ′′(a )=2 f [ x 0 ,x1 ,x 2 ]+f ′[ x 0 ,x1 ,.....,x n , x,x ](a -a+h)(a - a )(a -a - h) +
(ζ )
(4)
f ′′′(η)
[ 3a 2 − 2(a-h+a+a+h)a + (a − h)a + (a-h)(a + h)+a (a + h)] + [6a − 2(3a )]
f
+2
4! 3!
h2
Simplificando, se tiene: f ′′(a ) = 2 f [ x 0 ,x1 ,x 2 ] - f (4)
(ζ )
12
f (a + h) − 2 f (a ) + f (a-h)
entonces: f ′′ (a ) ≈
h2
h2
e2′ (a ) = - f (4)
(ζ )
12
Ejemplo: Dada la función f(x) = ex , determinar f ´(0) y f ´´(0) para los siguientes valores
de h: 1, 0.1, 0.01, 0.001, 0.0001, 0.00001, mediante fórmulas que correspondan
a polinomios de 1ro o 2do grado y puntos simétricos.
f ( a + h ) − f ( a − h) h2
Las fórmulas son: f ′ (a ) ≈ → ED ( f ) = − f ′ ′ ′ (η)
2h 6
f ( a + h) − 2 f ( a ) + f ( a − h) h2
f ′ ′ (a ) ≈ → ED ( f ) = − f ( 4)
(ζ )
h2 12
f ( h) − f ( − h)
puesto que a = 0, entonces: f ′ (0) ≈
2h
f (h) − 2 f (0) + f ( − h)
f ′ ′ (0) ≈
h2
h f ´(0) f ´´(0)
1 1.1752012 1.0861613
0.1 1.0016675 1.0008336
0.01 1.0000167 1.0000083
0.001 1.0000002 0.9999990
0.0001 1.0000000 0.9999000
0.00001 1.0000001 0.9900000
h2
por otro lado para h → 0, entonces si: η → 0 ⇒ f´´´(η) → 1 ⇒ E D ( f ) = −
6
h2
ζ → 0 ⇒ f (4)(ζ) → 1 ⇒ E D ( f ) = −
12
b) g′ (01
. ) en base a los valores tabulados de a), mediante fórmulas que
involucren a todos los datos y provoquen el menor error.
2
a) Puesto que f ( s) = e − s , entonces según la fórmula Compuesta del Trapecio, se tiene:
0.1 m−1
.)≈
g (01
2
[ f ( 0) + f ( 01
. ) ] ∑ fi
+ 01
. donde: m =
0.1 − 0
0.1 =1
i =1
0.1
[ ]
0
01
. 0
[ . )] + 01
. ∑ fi ≈
2
.)≈
entonces: g (01 f (0) + f (01 e + e − ( 0.1) = 0.09950
2 i =1 2
0.1 m −1
g (0.3) ≈
2
[ f (0) + f (0.3)] + 01
. ∑ fi donde: m =
0. 3 − 0
0.1 =3
i =1
.)≈
entonces: g (01
0.1 0
2
[ 2
] [
e + e − ( 0.3) + 01
2 2
]
. e − ( 0.1) + e − ( 0.2 ) = 0.29078
• para: a = 0, b = 0.5, h = 0.1
0.1 m −1
g (0.5) ≈
2
[ f (0) + f (0.5)] + 01
. ∑ fi donde: m =
0.5 − 0
0.1 =5
i =1
0.1 0
.)≈
entonces: g (01
2
[ 2
e + e − ( 0.5) + 01 ] [
2 2 2 2
]
. e − ( 0.1) + e − ( 0.2 ) + e − ( 0.3) + e − ( 0.4 ) = 0.46063
La fórmula de Diferenciación que involucre todos los datos e implique el menor error
viene dada por:
n=2 → xo = a = 0.1
4 f ( a + h) − 3 f ( a ) − f ( a + 2 h )
x1 = a + h = 0.3 ⇒ f ′ (a ) ≈
2h
x2 = a + 2h = 0.5
entonces:
. + 0.2) − 3g (01
4 g (01 . ) − g (01
. + 0.4) 4 g (0.3) − 3g (01
. ) − g (0.5)
g ′ (01
.)≈ = = 0.40399
2(0.2) 0.4
b b b
n
pero: en(x) = f [ x 0 ,x1 ,.....,x n ,x ]∏ ( x-x j )
j =0
entonces: EI = ∫
a
f [ x 0 , x1 ,.....,x n , x ] W ( x )dx
donde, dependiendo del comportamiento de W(x), la integral pude tomar las siguientes
formas:
=
y1 = y 0 + hf ( x 0 , y 0 , z0 ) = 4 + 0.5 * ( −2) = 3
g ( x 0 , y 0 , z0 ) = 4 − 01
. y 0 − 0.3z0 = 4 − 01. * 4 − 0.3 * 6 = 18
.
⇒ ξ ∈ (a, b)
z1 = z0 + hg ( x 0 , y 0 , z0 ) = 6 + 0.5 * 18
. = 6.9
donde: EI
= →
f ( x1 , y1 , z1 ) = −0.5 y1 = −0.5 * 3 = −15
. y 2 = y1 + hf ( x1 , y1 , z1 ) = 3 + 0.5 * ( −15
. ) = 2.25
η ∈ (c, d) → c < η < d
Eligiendo el punto xn+1 ∈ [a, b], con lo cual se tiene la siguiente identidad:
g ( x1 , y1 , z1 ) = 4 − 01
. y1 − 0.3z1 = 4 − 01
. * 3 − 0.3 * 6.9 = 163
. =
z2 = z1 + hg ( x1 , y1 , z1 ) = 6.9 + 0.5 * 163
. = 7.715
h h
y = yi + [ K 1 + 2( K 2 + K 3) + K 4] zi +1 = zi + [ L1 + 2( L 2 + L 3) + L 4]
donde: i +1 6 = 6 +
K 1 = f ( xi , yi , zi )
para lo cual:
EI = + K 2 = f ( xi + h , yi + h K 1, zi + h L1)
L1 = g ( xi , yi , zi ) 2 2 2
∫
a
W(x)dx = 0
entonces:
EI =
h h h
K 3 = f ( x i + , yi + K 2 , zi + L 2 ) h h h
2 2 2 L 3 = g ( x i + , y i + K 2 , zi + L 2 ) +
2 2 2
K 4 = f ( xi + h, yi + hK 3, zi + hL 3)
así: EI =
L4 = g ( xi + h, yi + hK 3, zi + hL 3)
n
Si se escoge el punto x n+1 de tal manera que V ( x) = ( x − xn +1 )∏ ( x − x j ) no cambie de signo en [a, b],
j −0
entonces de acuerdo al teorema del segundo valor medio de las integrales definidas, se tiene que:
Donde:
a. Eligiendo
Por lo tanto:
A esta fórmula se le conoce con el nombre de fórmula del RECTÁNGULO, cuya interpretación geométrica
viene dada por el gráfico
b. Eligiendo
puesto que
por lo tanto
Entonces:
entonces
eligiendo
pueso que
Por lo tanto:
Eligiendo
Entonces
b
Según esto se puede demostrar que: ∫W ( x)dx = 0 , con lo que la expresión de error vendrá dada por:
a
Así, eligiendo:
Entonces
Ahora para evaluar p1(x), se usa una combinación de las fórmulas de punto medio y del trapecio, asociadas a
p2(x)
Puesto que: p2'' (η1 ) = k ∧ p2'' (η2 ) = k , por ser un polinomio de grado 2, entonces:
2
( )+ p 2 (a ) + p 2 (b )
b
∫ a
p 2 ( x ) dx =
3
(b − a ) p 2
a +b
2 4
a+b
Además p2(x) interpola a f(x) en los puntos: a , y b, por lo que:
2
( ) ( )
p2 a 2+b = f a 2+b
p2(a) = f(a)
p2(b) = f(b)
( ) + f a 4+ f b , donde:
b
2 ( ) ( )
así, entonces: ∫ f ( x)dx ≈
a
3
(b − a ) f
a +b
2
f(x)
parábola
∫p
a
2 ( x )dx
x
a+b
a b
2
Puesto que las fórmulas desarrolladas anteriormente dependen de (b - a), entonces si este
es muy grande también los errores serán considerables, por lo que es conveniente más bien
dividirle en subintervalos más pequeños e iguales.
así: xO = a
x1 = a + h
.
.
xi = a + ih
.
.
xm = a + mh = b
b−a
donde: m = es el número de subintervalos correspondientes a los (m+1) puntos.
h
además: xi - xi-1 = h
Por tanto, en cada subintervalo se pueden aplicar cualquiera de las “fórmulas básicas”, esto
es:
xi xi xi
∫ f ( x)dx = x∫ p
xi −1
n ( x )dx + ∫ en ( x)dx
xi −1
i −1
b m xi m
donde: ∫ f ( x )dx = ∑ ∫ pn ( x )dx + ∑ E I i
a i =1 xi −1 i =1
xi
∫ pn ( x)dx = ( xi − xi −1 ). f ( xi −1 )
xi −1
xi
f '(ηi )
x
∫ en ( x )dx =
2
( xi − xi −1 ) 2 → ηi ∈ (xi-1, xi)
i −1
Puesto que: xi = a + ih
xi
xi-1 = a + (i - 1)h → ∫ pn ( x)dx = hf i −1
xi −1
fi-1 ≡ f(xi-1)
xi
f '(ηi ) 2
x
∫ en ( x )dx =
2
h
i −1
f ' (ηi ) 2
b m m
Por lo tanto: ∫ f ( x )dx = ∑ hf i −1 + ∑ h
a i =1 i =1 2
Si f ´(x) es continua en [a, b] y en base al teorema del valor medio para las integrales
definidas, pero aplicándolo en forma discreta a un sumatorio, se tiene que:
h2
b m m
∫ f ( x)dx = h∑
a i =1
f i −1 + f '(n) ∑
i =1 2
→ η ∈ (a, b)
mh 2 b−a
b m
∫ f ( x)dx = h∑ f
a i =1
i −1 + f '(η)
2
→ m=
h
b m
donde: ∫ f ( x)dx ≈ h∑ f
a i =1
i −1 ⇒ FÓRMULA COMPUESTA DEL RECTÁNGULO
f ' (η)
b
además: EI = ∫e
a
n ( x )dx =
2
(b − a )h → η ∈ (a, b)
f(x)
xi
∫ pn ( x)dx
xi −1
x
a h b
(x ) + f '24'(η ) ( x − x
xi
x
i + i −1
∫ f ( x)dx =( x
i
i − xi −1 ) f 2 i i −1 )3
xi − 1
f '' (ηi ) 3
(x )
b m m
f ( x )dx = ∑ hf i −1/ 2 + ∑
x
i + i −1
donde: ∫
a i =1 i =1 24
h → f i −1/ 2 ≡ f 2
Usando nuevamente una modificación del teorema del valor medio para integrales
definidas y si f ”(x) es continua en [a, b], se tiene:
mh 3 b−a
b m
b m
donde: ∫ f ( x)dx ≅ h∑ f
a i =1
i −1/ 2 ⇒ FÓRMULA COMPUESTA DEL PUNTO MEDIO
f ' '(η )
b
además: EI = ∫e
a
n ( x )dx =
24
(b − a )h 2 => η ∈ (a, b)
f(x)
xi
∫ pn ( x)dx
xi −1
x
a h b
f '' (ηi )
xi
1
∫ f ( x)dx = 2 ( x
xi − 1
i − xi −1 )( f i −1 + f i ) −
12
( xi − xi −1 ) 3
h m f '' (ηi ) 3
b m m
donde: ∫ f ( x)dx = 2 ∑ f
a i =1
i −1 + ∑ fi − ∑
i =1 i =1 12
h
m
pero: ∑f i =1
i −1 = f0 + f1 + f2 + ...... + fm-2 + fm-1
∑f i =1
i = f1 + f2 + ...... + fm-1 + fm
m m m−1
entonces: ∑
i =1
f i −1 + ∑ f i = f0 + 2(f1 + f2 + ..... + fm-1 ) + fm = f0 + fm + 2
i =1
∑f i
i =1
m −1
f ' ' (ηi ) 3
b m
h
así: ∫ f ( x )dx = ( f 0 + f m ) + h∑ f i − ∑ h
a
2 i =1 i =1 12
m −1
h3
b m
h
∫ f ( x )dx = [ f (a ) + f (b)] + h∑ f i − f ''(η) ∑ → η ∈ (a, b)
a
2 i =1 i =1 12
b m −1
h
donde: ∫ f ( x )dx ≅ [ f (a ) + f (b)] + h∑ f i ⇒ FÓRMULA COMPUESTA DEL TRAPECIO
a
2 i =1
f ' '(η)
b
además: EI = ∫ e ( x)dx = −
a
n
12
(b − a )h 2 → η ∈ (a, b)
Siguiendo un proceso similar a lo hecho con las otras fórmulas básicas, mediante el uso de
la fórmula básica de Simpson 1/3, se llega a la siguiente FÓRMULA COMPUESTA DE
SIMPSON 1/3, dada por:
h m− 2 m −1
b
f IV (η )
4
h
además: EI = − (b − a ) → η ∈ (a, b)
180 2
0
0.5
∫ g ( x)dx
0.1
mediante fórmulas que involucren a todos los datos y provoquen el
menor error.
Las fórmulas que involucren a todos los datos e impliquen el menor error, vienen dadas
por:
xo = a = 0.1
b
x2 = b = 0.5
0.5
b m −1
0.5
Una solución de una Ecuación Diferencial Ordinaria (EDO) es una función específica de
la variable independiente y de los parámetros. Así por ejemplo la EDO de primer orden
dada por:
dy
= x−y donde: y es la variable dependiente
dx
x es la variable independiente
tiene una solución:
Por otro lado, una EDO de segundo orden puede transformarse en un Sistema de
Ecuaciones Diferenciales Ordinarias (SEDO) de primer orden, así por ejemplo:
d2y dy
A2 + A1 + A0 y = 0
dx 2 dx
dy dz d 2 y
considerando: z = ⇒ =
dx dx dx 2
dz dz A A
entonces: A2 + A1 z + A0 y = 0 ⇒ =− 1 z− 0 y
dx dx A2 A2
dy
dx = z
cuyas condiciones iniciales son (x0, y0, z0)
dz = Cz + Dy
dx
dy
En general se trata de resolver una EDO de la forma: = f ( x, y)
dx
cuya solución general está dada por: y = F(x)
Una EDO de este tipo, asocia con cada punto (xi, yi), la existencia del gradiente dado por:
dy
= f ( xi , yi )
dx xi , yi
siempre y cuando f(x, y) sea continua y uniforme en el intervalo de los puntos (xi, yi).
y y = F(x)
yi+1
verdadero
yi0+1
predicho
yi
x
xi xi+1
dy y − yi
= = f ( xi , yi ) ⇒ y = yi + ( x − x i ) f ( x i , y i )
dx xi , yi x − xi
y = yi0+1
por otro lado, si: ⇒ yi +1 ≈ yi0+1 = yi + ( xi +1 − xi ) f ( xi , yi )
x = xi +1
Generalizando las aproximaciones para un intervalo [a, b] en el que los xi mantienen una
separación consecutiva de un valor h, entonces:
yi +1 = yi + hf ( xi , yi )
x0 = 0
Considerar las condiciones iniciales:
y0 = 2
f ( xi , yi ) = 4e 0.8 xi − 0.5 yi
Mientras que el proceso numérico está dado por:
yi +1 = yi + hf ( xi , yi )
80
70
60
50 Analítico
Amplitud
40 EULER
%error
30
20
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Intervalo
pendiente = f ( xi +1 , yi0+1 )
y
y = F(x)
pendiente promedio
yi+1
pendiente = f ( xi , yi )
o
y i +1
yi
x
xi xi+1
por lo tanto: yi +1 = yi +
h
2
{
f ( xi , yi ) + f ( xi +1 , yi0+1 ) }
donde: yi +1 = yi +
h
2
{ f ( xi , yi ) + f ( xi +1 , yi + hf ( xi , yi ))} ← Ecuación correctora
f ( xi , yi ) = 4e 0.8 xi − 0.5 yi
0
yi +1 = yi + hf ( xi , yi )
proceso numérico: f ( xi +1 , yi0+1 ) = 4e 0.8 xi +1 − 0.5 yi0+1
i {
y = y + h f (x , y ) + f (x , y0 )
i +1 2
i i i +1 }
i +1
h
yi +1 = yi +
2
{ f ( xi ) + f ( xi +1 )}
Estos métodos tienen la exactitud del esquema de la Serie de Taylor sin necesidad del
cálculo de derivadas de orden superior.
Así, Φ = a1 K1 + a 2 K2 + ⋅⋅⋅ + a n Kn
K1 = f ( xi , yi )
K2 = f ( xi + p1h, yi + q11 K1h)
K3 = f ( xi + p2 h, yi + q 21 K1h + q 22 K2 h)
M
Kn = f ( xi + pn h, yi + q n −1,1 K1h + q n −1,2 K 2 h + L + q n −1,n −1 K n −1h)
h
donde: Φ( xi , yi , h) = f ( xi , yi ) + f ' ( xi , yi ) + Ο (h 2 )
2 123
↓
término de error
∂ f ∂ f dy dy
además: f '( xi , yi ) = + ⋅ ⇒ = f ( xi , yi )
∂ x ∂ y dx dx
∂f ∂f
f ( xi + γ , y i + ρ ) = f ( x i , y i ) + γ +ρ + Ο (h 2 )
∂x ∂ y 123
↓
término de error
También: yi +1 = yi + a1 K1h ⇒ K1 = f ( xi , yi )
Comparando, la Serie de Taylor de primer orden con la última expresión obtenida, se tiene
que a1 = 1, por lo que:
y i +1 = y i + f ( x i , y i ) h → Método de Euler
Para n = 2 :
∂ f ∂ f dy h 2
yi +1 = yi + f ( xi , yi )h + ( + ⋅ ) → Serie de Taylor de segundo orden
∂ x ∂ y dx 2
K1 = f ( xi , yi )
por otro lado: yi +1 = yi + (a1 K1 + a 2 K 2 )h ⇒
K2 = f ( xi + p1h, yi + q11 K1h)
∂f ∂f
donde: f ( xi + p1h, yi + q11 K1h) = f ( xi , yi ) + p1h + q11 K1h
∂x ∂y
∂f ∂f
= yi + a1h f ( xi , yi ) + a 2 h f ( xi , yi ) + a 2 p1h 2 + a 2 q11 K1h 2
∂x ∂y
∂f ∂ f 2
= yi + (a1 + a 2 )h f ( xi , yi ) + a 2 p1 + a 2 q11 K1 h
∂x ∂ y
∂f ∂f 2
= yi + (a1 + a 2 )h f ( xi , yi ) + a 2 p1 + a 2 q11 f ( xi , yi ) h
∂x ∂ y
Finalmente, comparando la Serie de Taylor de segundo orden con esta última expresión,
se obtiene lo siguiente:
a1 + a 2 = 1
a 2 p1 = 2
1
a q = 1
2 11 2
Para resolver este último sistema, es necesario dar un valor a una de las incógnitas, con lo
se tendrá una familia de Métodos de Segundo Orden.
a1 = 21
Para a 2 = 1 ⇒ p1 = 1
2 q = 1
11
a1 = 0
Para a 2 = 1 ⇒ p1 = 21
q11 = 2
1
K1 = f ( xi , yi )
donde:
K 2 = f ( xi + 2 h, yi + 2 hK1 )
1 1
a1 = 13
Para a 2 = 2 ⇒ p1 = 43
3
q11 = 4
3
K1 = f ( xi , yi )
donde:
K 2 = f ( xi + 4 h, yi + 4 hK1 )
3 3
yi +1 = yi + 16 ( K1 + 4 K 2 + K 3 )h
K1 = f ( xi , yi )
donde: K2 = f ( xi + 21 h, yi + 21 hK1 )
K = f ( x + h, y − hK + 2hK )
3 i i 1 2
yi +1 = yi + 16 ( K1 + 2 K 2 + 2 K 3 + K4 )h
K1 = f ( x i , yi )
K = f ( xi + 21 h, yi + 21 hK1 )
2
donde:
K3 = f ( xi + 21 h, yi + 21 hK 2 )
K 4 = f ( xi + h, yi + hK 3 )
yi +1 = yi + 1
90 (7 K1 + 32 K 3 + 12 K 4 + 32 K5 + 7 K 6 )h
K1 = f ( xi , y i )
K = f ( xi + 41 h, yi + 41 hK1 )
2
K3 = f ( xi + 41 h, yi + 81 hK1 + 81 hK 2 )
donde:
K4 = f ( xi + 21 h, yi − 21 hK2 + hK 3 )
K5 = f ( xi + 43 h, yi + 163 hK1 + 169 hK4 )
K6 = f ( xi + h, yi − 73 hK1 + 27 hK 2 + 127 hK3 − 127 hK4 + 87 hK5 )
NOTA: Se pueden disponer de Métodos de Runge - Kutta de orden superior, tal como el
de BUTCHER, pero en general la ganancia obtenida en exactitud por métodos
de orden superior, se contrapone con la complejidad y esfuerzo de cálculo.
Ejemplo: Resolver la EDO del ejemplo anterior, mediante el método de Runge - Kutta de
segundo orden en la versión del Polinomio Mejorado.
x0 = 0
y , = 4e 0.8 x − 0.5 y → Condciones iciales
y0 = 2
Intervalo = [0, 4], paso = 0.5
0.8 x i
K1 = f ( xi , yi ) = 4e − 0.5 yi
x 0 = x + 1 h
2
i i
Proceso numérico: iy 0
= y i + 1
2 hK1
0
K = f ( x 0 , y 0 ) = 4e 0.8 xi − 0.5 y 0
2 i i i
yi +1 = yi + hK 2
K = 4e 0.8 * 0 − 0.5 * 2 = 3
1
x 00 = 0 + 21 * 0.5 = 0.25
0
y0 = 2 + 2 * 0.5 * 3 = 2.75
1
K 2 = 4e
0.8 * 0.25
− 0.5 * 2.75 = 35106
.
y = 2 + 0.5 * 35106. = 3.7553
1
K 2 = 4e
0.8 * 0.75
− 0.5 * 4.7778 = 4.8996
y = 3.7553 + 0.5 * 4.8996 = 6.2051
2
K 2 = 4e
0.8 * 1.25
− 0.5 * 7.655 = 7.0456
y = 6.2051 + 0.5 * 7.0456 = 9.7279
3
∂ y1
= f 1 ( x , y1 , y 2 ,.., y n )
∂x
∂ y2
= f 2 ( x , y1 , y 2 ,.., y n )
∂x
.
.
∂ yn
= fn ( x , y1 , y 2 ,.., y n )
∂x
∂y
= − 0.5 y
∂x
∂z
= 4 − 01
. y − 0.3z
∂x
a) EULER:
g ( xi , yi , zi ) = 4 − 01
. yi − 0.3 zi
zi +1 = zi + hg ( xi , yi , zi )
( x0 = 0, y0 = 4, z0 = 6)
Ing. Oscar E. Cerón A. OECA _ 137
ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
f ( x 0 , y 0 , z0 ) = −0.5 y 0 = − 0.5 * 4 = −2
y1 = y 0 + hf ( x 0 , y 0 , z0 ) = 4 + 0.5 * ( −2) = 3
g ( x 0 , y 0 , z0 ) = 4 − 01
. y 0 − 0.3z0 = 4 − 01
. * 4 − 0.3 * 6 = 18
.
z1 = z0 + hg ( x 0 , y 0 , z0 ) = 6 + 0.5 * 18
. = 6.9
( x1 = 0.5, y1 = 3, z1 = 6.9)
y 2 = y1 + hf ( x1 , y1 , z1 ) = 3 + 0.5 * ( −15
. ) = 2.25
g ( x1 , y1 , z1 ) = 4 − 01
. y1 − 0.3z1 = 4 − 01
. * 3 − 0.3 * 6.9 = 163
.
xi yi zi
0 4 6
0.5 3 6.9
1.0 2.25 7.715
1.5 1.6875 8.44525
2.0 1.265625 9.0940875
h
Proceso Numérico: yi +1 = yi + [ K 1 + 2( K 2 + K 3) + K 4]
6
h
zi +1 = zi + [ L1 + 2( L 2 + L 3) + L 4]
6
donde: K 1 = f ( x i , y i , zi )
L1 = g ( xi , yi , zi )
h h h
K 2 = f ( xi + , yi + K 1, zi + L1)
2 2 2
h h h
L 2 = g ( xi + , yi + K 1, zi + L1)
2 2 2
h h h
K 3 = f ( x i + , yi + K 2 , zi + L 2 )
2 2 2
h h h
L 3 = g ( x i + , y i + K 2 , zi + L 2 )
2 2 2
K 4 = f ( xi + h, yi + hK 3, zi + hL 3)
L4 = g ( xi + h, yi + hK 3, zi + hL 3)
( x0 = 0, y0 = 4, z0 = 6)
K 1 = f ( x 0 , y 0 , z0 ) = −0.5 y 0 = −0.5 * 4 = −2
L1 = g ( x 0 , y 0 , z0 ) = 4 − 01
. y 0 − 0.3z0 = 4 − 01
. * 4 − 0.3 * 6 = 18
.
h h h
K 2 = f ( x 0 + , y 0 + K 1, z 0 + L1) = f (0.25, 35
. , 6.45) = −0.5 * 35
. = −175
.
2 2 2
L 2 = g (0.25, 35
. , 6.45) = 4 − 01 . − 0.3 * 6.45 = 1715
. * 35 .
h h h
K 3 = f ( x0 + , y 0 + K 2, z0 + L 2) = f (0.25, 35625
. , 6.42875) = −0.5 * 35625
. = -1.78125
2 2 2
L3 = g (0.25, 35625
. , 6.42875) = 4 − 01
. * 35625
. − 0.3 * 6.42875 = 1715125
.
K 4 = f ( x 0 + h, y 0 + hK 3, z0 + hL 3) = f (0.5, 3109375
. , 6.8575625) = −0.5 * 3109375
. =
= - 1.5546875
L4 = g (0.5, 3109375
. , 6.8575625) = 4 − 01
. * 3109375
. − 0.3 * 6.8575625 = 163179375
.
entonces:
h 0.5
y1 = y 0 + [ K 1 + 2( K 2 + K 3) + K 4 ] = 4 + [ −2 + 2( −175. − 178125
. ) − 15546875
. ]=
6 6
= 3.115234375
h 0.5
z1 = z 0 + [ L1 + 2( L 2 + L 3) + L 4 ] = 6 + [18 . + 2(1715
. + 1715125
. ) + 163179375
. ]=
6 6
= 6.857670313
K 1 = f (0.5, 312
. , 6.86) = −0.5 * 312
. = −156
.
L1 = g (0.5, 312
. , 6.86)) = 4 − 01 . − 0.3 * 6.36 = 163
. * 312 .
h h h
K 2 = f ( x1 + , y1 + K 1, z1 + L1) = f (0.75, 2.73, 7.27) = −0.5 * 2.73 = −1363
.
2 2 2
h h h
K 3 = f ( x1 + , y1 + K 2, z1 + L 2) = f (0.75, 2.77, 7.24) = −0.5 * 2.77 = −1387
.
2 2 2
K 4 = f ( x1 + h, y1 + hK 3, z1 + hL 3) = f (10
. , 2.42, 7.63) = −0.5 * 2.42 = −1211
.
L 4 = g (10
. , 2.42, 7.63) = 4 − 01
. * 2.42 − 0.3 * 7.63 = 1468
.
entonces:
h 0.5
y 2 = y1 + [ K 1 + 2( K 2 + K 3) + K 4 ] = 312
. + [ −156 . + 2( −1363
. − 1387
. ) − 1211
. ]=
6 6
= 3.12 - 0.689 = 2.426171303
h 0.5
z2 = z1 + [ L1 + 2( L 2 + L 3) + L 4] = 6.86 + [163
. + 2(1548
. + 1549
. ) + 1468
. ]=
6 6
= 6.86 + 0.774 = 7.632105674
xi yi zi
0 4 6
0.5 3.115234375 6.857670313
1.0 2.426171303 7.632105674
1.5 1.8895231 8.3268860
2.0 1.4715768 8.9468651
CONTENIDO:
Pág. N°
Objetivos generales ………………………………………………………………………… 1
1. Introducción al análisis de errores ………………………………………………………
1
2. Evaluación de un polinomio y sus derivadas en argumento real ……………………….. 6
2.1. Algoritmo de Horner ………………………………………………………………. 7
2.2. Implementación ……………………………………………………………………. 9
3. Solución de ecuaciones de una variable ……………………………………………….. 11
3.1. Métodos de Unión ………………………………………………………………… 11
3.1.1. Algoritmo de Bisección …………………………………………………….. 12
3.1.2. Algoritmo de Falsa Posición ………………………………………………… 15
3.2. Métodos iterativos de Punto Fijo ………………………………………………….. 18
3.2.1. Condiciones de convergencia en los límites del intervalo …………………… 19
3.2.2. Algoritmo de Primer Orden ………………………………………………… 21
3.2.3. Algoritmo de Segundo Orden ………………………………………………. 23
3.2.4. Algoritmo de la Secante …………………………………………………….. 25
3.3. Solución de Ecuaciones Polinomiales ……………………………………………… 27
3.3.1. Algoritmo de Newton - Horner …………………………………………….. 31
3.3.2. Algoritmo de Newton - Bairstow …………………………………………… 34
3.3.3. Evaluación de polinomios y sus derivadas en argumento complejo ………… 40
4. Solución de Sistema de Ecuaciones ……………………………………………………. 42
4.1. Métodos Directos para la solución de un Sistema de Ecuaciones Lineales ……….. 43
4.1.1. Algoritmo de Eliminación - Gaussiana ……………………………………… 43
4.1.2. Algoritmo de Gauss - Jordan ……………………………………………….. 47
4.1.3. Algoritmo de Factorización ………………………………………………… 50
4.1.4. Pivotación ………………………………………………………………….. 55
4.1.5. Sistema de Ecuaciones Lineales mal condicionado ………………………… 58
4.1.6. Análisis de error en Sistema de Ecuaciones Lineales ………………………. 60
4.1.7. Sistema de Ecuaciones Lineales con términos complejos ………………….. 64
4.1.8. Inversión de Matrices ………………………………………………………. 65
Pág. N°
Pág. N°