Escuela Superior Politcnica del Litoral

Facultad de Ciencias Naturales y Matemticas

Departamento de Matemticas

ANLISIS NUMRICO BSICO

Un enfoque algortmico con el soporte de Python

Libro digital
Versin 4.0 - 2015
Luis Rodrguez Ojeda

ANLISIS NUMRICO BSICO

Un enfoque algortmico con el soporte de Python

Prefacio
Esta obra es una contribucin dedicada a los estudiantes que toman un curso de Anlisis
Numrico o Mtodos Numricos en carreras de ingeniera. El pre-requisito es haber tomado
los cursos de matemticas del ciclo bsico de nivel universitario y alguna experiencia previa
con un programa computacional del tipo MATLAB, Mathematica, o Python para aprovechar
el poder computacional en la aplicacin de los mtodos numricos de manera efectiva.
El contenido se basa en la experiencia desarrollada en varios aos impartiendo los cursos
de Anlisis Numrico, Mtodos Numricos en las carreras de ingeniera. Esta obra pretende
ser un texto complementario para estas materias. La orientacin principal del material es su
aplicacin computacional, sin descuidar los conceptos matemticos y algortmicos bsicos
con los que se fundamentan los mtodos numricos.
Este texto contribuye tambin a difundir entre los estudiantes el uso del programa Python
para clculos, graficacin y manejo matemtico simblico como un soporte comn para
todos los cursos bsicos matemticos, incluyendo lgebra Lineal, Clculo Diferencial e
Integral, Ecuaciones Diferenciales, Anlisis Numrico y otros, como lo fue anteriormente el
lenguaje MATLAB.
Python dispone de funciones en libreras especiales para su aplicacin en la solucin de una
gran cantidad de problemas matemticos, sin embargo sera equivocado usarlas como una
receta sin el conocimiento de sus fundamentos matemticos y algortmicos. En este curso
se desarrollan algunos mtodos alternativos a las que ofrecen las libreras de Python, y en
algunos casos, nuevos mtodos cuya programacin es instructiva para orientar a los
estudiantes en el desarrollo de software para matemticas e ingeniera.
El segundo objetivo principal de esta obra es contribuir al desarrollo de textos digitales en la
ESPOL de tal manera que puedan ser usados en lnea e interactivamente, aunque tambin
puedan imprimirse, pero tratando de reducir al mnimo el uso de papel para contribuir al
cuidado del medio ambiente. Otra ventaja importante de los textos digitales es que pueden
ser actualizados y mejorados continuamente sin costos de impresin. El texto ha sido
compilado en formato que permite controlar el tamao de la pantalla y se puede agregar un
ndice para bsqueda rpida de temas. Se pueden usar facilidades para resaltar y marcar
texto, agregar comentarios, notas, enlaces, revisiones, etc.
Esta obra es de uso y distribucin libres y estar disponible para uso pblico en el
repositorio digital del Departamento de Matemticas de la Facultad de Ciencias Naturales y
Matemticas en la pgina web de la ESPOL: www.espol.edu.ec

Luis Rodrguez Ojeda, MSc.

Profesor
2014
[email protected]

CONTENIDO
1

Introduccin
1.1
Resolucin de problemas con el computador
1.2
Fuentes de error en la resolucin de un problema numrico
1.3
El modelo matemtico
1.4
Algoritmos numricos
1.5
Instrumentacin computacional
1.6
Un ejemplo inicial
1.7
Preguntas

8
8
9
10
10
10
11
13

Tipos de mtodos numricos

2.1
Mtodos iterativos
2.1.1
Convergencia de los mtodos iterativos
2.1.2
Error de truncamiento
2.1.3
Finalizacin de un proceso iterativo
2.1.4
Error de truncamiento y estimacin del error
2.1.5
Eficiencia de un mtodo iterativo
2.1.6
Eleccin del valor inicial
2.1.7
Preguntas
2.2
Mtodos directos
2.2.1
Error de redondeo
2.2.2
Error en la representacin de nmeros reales
2.2.3
Error de redondeo en las operaciones aritmticas
2.2.4
Propagacin del error de redondeo en operaciones aritmticas
2.2.5
Eficiencia de los mtodos directos
2.2.6
La notacin O( )
2.2.7
Ejercicios

14
14
17
17
18
19
19
20
20
21
23
24
25
27
29
31
33

Races reales de ecuaciones no-lineales

3.1
Mtodo de la biseccin
3.1.1
Existencia de la raz real
3.1.2
Convergencia del mtodo de la biseccin
3.1.3
Algoritmo del mtodo de la biseccin
3.1.4
Eficiencia del mtodo de la biseccin
3.1.5
Instrumentacin computacional del mtodo de la biseccin
3.2
Mtodo del punto fijo
3.2.1
Existencia del punto fijo
3.2.2
Convergencia del mtodo del punto fijo
3.2.3
Unicidad del punto fijo
3.2.4
Algoritmo del punto fijo
3.2.5
Eficiencia del mtodo del punto fijo
3.3
Mtodo de Newton
3.3.1
La frmula de Newton
3.3.2
Algoritmo del mtodo de Newton
3.3.3
Interpretacin grfica de la frmula de Newton
3.3.4
Convergencia del mtodo de Newton
3.3.5
Una condicin de convergencia local para el mtodo de Newton
3.3.6
Prctica computacional
3.3.7
Instrumentacin computacional del mtodo de Newton
3.4
Ejercicios y problemas de ecuaciones no-lineales

34
34
34
35
36
37
38
40
40
41
42
42
46
47
47
48
51
52
53
57
62
65

4
3.5

Races reales de sistemas de ecuaciones no-lineales

3.5.1
Frmula iterativa de segundo orden para calcular races reales
de sistemas de ecuaciones no-lineales
3.5.2
Convergencia del mtodo de Newton para sistemas no-lineales
3.5.3
Algoritmo del mtodo de Newton para sistemas no-lineales
3.5.4
Prctica computacional
3.5.5
Instrumentacin computacional del mtodo de Newton para
resolver un sistema de n ecuaciones no-lineales
3.5.6
Obtencin de la frmula iterativa de segundo orden para calcular
races reales de sistemas de ecuaciones no-lineales
3.5.7
Ejercicios y problemas con sistemas de ecuaciones no lineales

71
71
72
72
75
74
78
80

Mtodos directos para resolver sistemas de ecuaciones lineales

81
4.1
Determinantes y sistemas de ecuaciones lineales
82
4.2
Mtodo de Gauss-Jordan
82
4.2.1
Formulacin del mtodo de Gauss-Jordan
84
4.2.2
Algoritmo de Gauss-Jordan bsico
86
4.2.3
Eficiencia del mtodo de Gauss-Jordan
87
4.2.4
Instrumentacin computacional del mtodo de Gauss-Jordan
88
4.2.5
Obtencin de la inversa de una matriz
90
4.3
Mtodo de Gauss
92
4.3.1
Formulacin del mtodo de Gauss
93
4.3.2
Algoritmo de Gauss bsico
94
4.3.3
Eficiencia del mtodo de Gauss
95
4.3.4
Instrumentacin computacional del mtodo de Gauss
96
4.3.5
Estrategia de pivoteo
97
4.3.6
Algoritmo de Gauss con pivoteo
98
4.3.7
Instrumentacin computacional del mtodo de Gauss con pivoteo 99
4.3.8
Funciones de Python para sistemas de ecuaciones lineales
100
4.3.9
Clculo del determinante de una matriz
101
4.4
Sistemas mal condicionados
102
4.4.1
Definiciones
104
4.4.2
Algunas propiedades de normas
105
4.4.3
Nmero de condicin
105
4.4.4
El nmero de condicin y el error de redondeo
107
4.4.5
Funciones de Python para normas y nmero de condicin
111
4.5
Sistemas singulares
112
4.5.1
Formulacin matemtica y algoritmo
112
4.5.2
Instrumentacin computacional para sistemas singulares
116
4.6
Sistema tridiagonales
122
4.6.1
Formulacin matemtica y algoritmo
122
4.6.2
Instrumentacin computacional del mtodo de Thomas
124

Mtodos iterativos para resolver sistemas de ecuaciones lineales

5.1
Mtodo de Jacobi
5.1.1
Formulacin matemtica
5.1.2
Manejo computacional de la frmula de Jacobi
5.1.3
Algoritmo de Jacobi
5.1.4
Instrumentacin computacional del mtodo de Jacobi
5.1.5
Forma matricial del mtodo de Jacobi

126
126
126
128
129
130
131

5
5.2

5.3

5.4
5.5
5.6
5.7
5.8
5.9
6

Mtodo de Gauss-Seidel
5.2.1
Formulacin matemtica
5.2.2
Manejo computacional de la frmula de Gauss-Seidel
5.2.3
Instrumentacin computacional del mtodo de Gauss-Seidel
5.2.4
Forma matricial del mtodo de Gauss-Seidel
Mtodo de relajacin
5.3.1
Formulacin matemtica
5.3.2
Manejo computacional de la frmula de relajacin
5.3.3
Forma matricial del mtodo de relajacin
Convergencia de los mtodos iterativos para sistemas lineales
5.4.1
Matriz de transicin para los mtodos iterativos
Eficiencia de los mtodos iterativos
Estimacin del error en los mtodos iterativos
Instrumentacin computacional del mtodo de Jacobi con el radio
espectral
Prctica computacional con los mtodos iterativos
Ejercicios y problemas con sistemas de ecuaciones lineales

133
133
134
135
136
137
137
138
139
140
141
145
145
146
149
151

Interpolacin
161
6.1
El polinomio de interpolacin
161
6.1.1
Existencia del polinomio de interpolacin
162
6.1.2
Unicidad del polinomio de interpolacin con diferentes mtodos 164
6.2
El polinomio de interpolacin de Lagrange
165
6.2.1
Algoritmo del polinomio de interpolacin de Lagrange
166
6.2.2
Eficiencia del mtodo de Lagrange
167
6.2.3
Instrumentacin computacional del mtodo de Lagrange
168
6.3
Interpolacin mltiple
170
6.3.1
Instrumentacin computacional para dos variables
172
6.4
Error en la interpolacin
173
6.4.1
Una frmula para aproximar el error en la interpolacin
175
6.5
Diferencias finitas
176
6.5.1
Relacin entre derivadas y diferencias finitas
177
6.5.2
Diferencias finitas de un polinomio
178
6.6
El polinomio de interpolacin de diferencias finitas
180
6.6.1
Prctica computacional
182
6.6.2
Eficiencia del polinomio de interpolacin de diferencias finitas
183
6.6.3
El error en el polinomio de interpolacin de diferencias finitas
184
6.6.4
Forma estndar del polinomio de diferencias finitas
186
6.6.5
Otras formas del polinomio de interpolacin de diferencias finitas 187
6.7
El polinomio de interpolacin de diferencias divididas
188
6.7.1
El error en el polinomio de interpolacin de diferencias divididas 191
6.8
El polinomio de mnimos cuadrados
192
6.9
Ejercicios y problemas con el polinomio de interpolacin
195
6.10
El trazador cbico
199
6.10.1 El trazador cbico natural
200
6.10.2 Algoritmo del trazador cbico natural
203
6.10.3 Instrumentacin computacional del trazador cbico natural
205
6.10.4 El trazador cbico sujeto
208
6.10.5 Algoritmo del trazador cbico sujeto
210
6.10.6 Instrumentacin computacional del trazador cbico sujeto
211
6.10.7 Ejercicios con el trazador cbico
214

6
7

Integracin numrica
7.1
Frmulas de Newton-Cotes
7.1.1
Frmula de los trapecios
7.1.2
Error de truncamiento en la frmula de los trapecios
7.1.3
Instrumentacin computacional de la frmula de los trapecios
7.1.4
Frmula de Simpson
7.1.5
Error de truncamiento en la frmula de Simpson
7.1.6
Instrumentacin computacional de la frmula de Simpson
7.1.7
Error de truncamiento vs. Error de redondeo
7.2
Obtencin de frmulas de integracin numrica con el mtodo de
coeficientes indeterminados
7.3
Cuadratura de Gauss
7.3.1
Frmula de la cuadratura de Gauss con dos puntos
7.3.2
Instrumentacin computacional de la cuadratura de Gauss
7.3.3
Instrumentacin extendida de la cuadratura de Gauss
7.4
Integrales con lmites no acotados
7.5
Integrales con rango no acotado
7.6
Integrales mltiples
7.6.1
Instrumentacin computacional de la frmula de Simpson en
dos direcciones
7.7
Casos especiales
7.7.1
Integrales dobles con lmites variables
7.7.2
Integrales dobles con puntos singulares
7.7.3
Integrales dobles con puntos singulares y lmites variables
7.8
Ejercicios y problemas de integracin numrica

215
216
216
218
222
224
226
228
229
231
232
232
235
236
237
238
241
243
245
245
245
247
248

Diferenciacin numrica
8.1
Obtencin de frmulas de diferenciacin numrica
8.2
Una frmula para la primera derivada
8.3
Una frmula de segundo orden para la primera derivada
8.4
Una frmula para la segunda derivada
8.5
Obtencin de frmulas de diferenciacin numrica con el mtodo
de coeficientes indeterminados
8.6
Algunas otras frmulas de inters para evaluar derivadas
8.7
Extrapolacin para diferenciacin numrica
8.8
Ejercicios de diferenciacin numrica

254
254
254
256
258

Mtodos numricos para resolver ecuaciones diferenciales ordinarias

9.1
Ecuaciones diferenciales ordinarias de primer orden con la condicin
en el inicio
9.1.1
Existencia de la solucin
9.1.2
Mtodo de la serie de Taylor
9.1.3
Instrumentacin computacional del mtodo de Taylor
9.1.4
Obtencin de derivadas de funciones implcitas
9.1.5
Instrumentacin de un mtodo general para resolver una E.D.O.
con la serie de Taylor
9.1.6
Frmula de Euler
9.1.7
Error de truncamiento y error de redondeo
9.1.8
Instrumentacin computacional de la frmula de Euler
9.1.9
Frmula mejorada de Euler o frmula de Heun
9.1.10 Instrumentacin computacional de la frmula de Heun
9.1.11 Frmulas de Runge-Kutta
9.1.12 Instrumentacin computacional de la frmula de Runge-Kutta

262

258
259
260
261

263
264
265
267
270
272
274
275
277
278
280
282
284

7
9.2

9.3

9.4
9.5
9.6

9.7

9.8
10

Sistemas de ecuaciones diferenciales ordinarias de primer orden

con condiciones en el inicio
9.2.1
Frmula de Heun extendida a dos E. D. O. de primer orden
9.2.2
Instrumentacin computacional de la frmula de Heun para
dos E. D. O. de primer orden
9.2.3
Frmula de Runge-Kutta para dos E. D. O. de primer orden
y condiciones en el inicio
9.2.4
Instrumentacin computacional de la frmula de Runge-Kutta
para dos E.D.O de primer orden
Ecuaciones diferenciales ordinarias de mayor orden y condiciones
en el inicio
9.3.1
Instrumentacin computacional
Ecuaciones diferenciales ordinarias no lineales
Convergencia y estabilidad numrica
Ecuaciones diferenciales ordinarias con condiciones en los bordes
9.6.1
Mtodo de prueba y error (mtodo del disparo)
9.6.2
Mtodo de diferencias finitas
9.6.3
Instrumentacin computacional del mtodo de diferencias finitas
9.6.4
Ecuaciones diferenciales ordinarias con condiciones en
los bordes con derivadas
9.6.5
Instrumentacin computacional con derivadas en los bordes
9.6.6
Normalizacin del dominio de la E.D.O.
Ecuaciones diferenciales ordinarias con condiciones en el inicio:
Frmulas de pasos mltiples
9.7.1
Frmulas de pasos mltiples de prediccin
9.7.2
Frmulas de pasos mltiples de correccin
9.7.3
Mtodos de Prediccin Correccin
Ejercicios con ecuaciones diferenciales ordinarias

287
287
289
291
292
294
296
299
300
301
301
304
307
309
310
313
314
314
316
317
318

Mtodo de diferencias finitas para resolver ecuaciones diferenciales parciales

10.1
Aproximaciones de diferencias finitas
10.2
Ecuaciones diferenciales parciales de tipo parablico
10.2.1 Un esquema de diferencias finitas explcito
10.2.2 Estabilidad del mtodo de diferencias finitas
10.2.3 Instrumentacin computacional del mtodo explcito
10.2.4 Un esquema de diferencias finitas implcito
10.2.5 Instrumentacin computacional del mtodo implcito
10.2.6 Prctica computacional
10.2.7 Condiciones variables en los bordes
10.2.8 Instrumentacin computacional con derivadas en los bordes
10.2.9 Mtodo de diferencias finitas para EDP no lineales
10.3
Ecuaciones diferenciales parciales de tipo elptico
10.3.1 Un esquema de diferencias finitas implcito
10.3.2 Instrumentacin computacional de una E.D.P. tipo elptico
10.4
Ecuaciones diferenciales parciales de tipo hiperblico
10.4.1 Un esquema de diferencias finitas explcito para resolver la EDP
hiperblica
10.4.2 Instrumentacin computacional de una E.D.P. tipo hiperblico
10.5
Ejercicios con ecuaciones diferenciales parciales

321
321
322
323
325
327
329
331
333
333
335
338
339
340
343
348

Bibliografa

357

348
351
355

ANLISIS NUMRICO
Un enfoque algortmico con el soporte de Python
1

INTRODUCCIN

Anlisis Numrico es una rama de la matemtica cuyo objetivo principal es el estudio de

mtodos para resolver problemas numricos complejos. El estudio de estos mtodos no es
reciente, pero actualmente con el apoyo de la computacin se los puede usar con mucha
eficiencia en la resolucin de problemas que antes no era posible.
En este curso se proporciona a los estudiantes el conocimiento matemtico bsico para
proveer soporte y formalidad a cada uno de los mtodos estudiados. Se desarrolla la forma
algortmica de los mtodos y finalmente se instrumenta su forma computacional usando la
capacidad de clculo, visualizacin y programacin de Python. Este componente prctico
del curso es desarrollado en un laboratorio de computacin.
El estudio de cada mtodo se complementa con el desarrollo de ejemplos y ejercicios que
pueden resolverse con la ayuda de una calculadora. Sin embargo, el objetivo principal del
curso es la aplicacin de los mtodos para obtener respuestas con precisin controlada en
la resolucin de algunos problemas de ingeniera que por su complejidad requieren usar el
computador.

1.1

Resolucin de problemas con el computador

Suponer un problema que debemos resolver y que est en nuestro mbito de conocimiento.

En la etapa de Anlisis es necesario estudiar y entender el problema. Sus caractersticas,

las variables y los procesos que intervienen. Asimismo, debemos conocer los datos
requeridos y el objetivo esperado. En el caso de problemas de tipo numrico, el resultado de
esta etapa ser un modelo matemtico que caracteriza al problema. Por ejemplo, un
sistema de ecuaciones lineales.
En la etapa de Diseo procedemos a elegir el mtodo numrico apropiado para resolver el
modelo matemtico. Debe suponerse que no se puede, o que sera muy laborioso, obtener
la solucin exacta mediante mtodos analticos. Los mtodos numricos permiten obtener

9
soluciones aproximadas con simplicidad. El resultado de esta etapa es la formulacin
matemtica del mtodo numrico y la elaboracin de un algoritmo para usarlo.
En la etapa de Instrumentacin elegimos el dispositivo de clculo para la obtencin de
resultados. En problemas simples, basta una calculadora. Para problemas complejos,
requerimos el computador mediante funciones predefinidas y en algunos casos,
desarrollando programas y funciones en un lenguaje computacional. Esta ltima opcin es
importante para la comprensin de los mtodos.
Este proceso debe complementarse con una revisin y retroalimentacin. Es preferible
invertir ms tiempo en las primeras etapas, antes de llegar a la instrumentacin.

1.2

Fuentes de error en la resolucin de un problema numrico

En el Anlisis pueden introducirse errores debido a suposiciones inadecuadas,

simplificaciones y omisiones al construir el modelo matemtico. Estos errores se denominan
errores inherentes.
En el Diseo se pueden introducir errores en los mtodos numricos utilizados los cuales se
construyen mediante frmulas y procedimientos simplificados para obtener respuestas
aproximadas. Tambin se pueden introducir errores al usar algoritmos iterativos. Estos
errores se denominan errores de truncamiento.
En la Instrumentacin se pueden introducir errores en la representacin finita de los
nmeros reales en los dispositivos de almacenamiento y en los resultados de las
operaciones aritmticas. Este tipo de error se denomina error de redondeo. Tambin se
pueden introducir errores de redondeo al usar datos imprecisos.
Los errores son independientes y su efecto puede acumularse. En el caso del error de
redondeo el efecto puede incrementarse si los valores que se obtienen son usados en forma
consecutiva en una secuencia de clculos.
Debido a que los mtodos numricos en general permiten obtener nicamente
aproximaciones para la respuesta de un problema, es necesario definir alguna medida para
cuantificar el error en el resultado obtenido. Normalmente no es posible determinar
exactamente este valor por lo que al menos debe establecerse algn criterio para estimarlo
o acotarlo. Esta informacin es til para conocer la precisin de los resultados calculados.

10
1.3

El modelo matemtico

Al resolver un problema con el computador, la parte ms laboriosa normalmente es el

anlisis del problema y la obtencin del modelo matemtico que finalmente se usar para
llegar a la solucin.
El modelo matemtico es la descripcin matemtica del problema que se intenta resolver.
Esta formulacin requiere conocer el mbito del problema y los instrumentos matemticos
para su definicin.

1.4

Algoritmos numricos

Un algoritmo es una descripcin ordenada de los pasos necesarios para resolver un

problema. El diseo de un algoritmo para resolver un problema numrico requiere conocer
en detalle la formulacin matemtica, las restricciones de su aplicacin, los datos y algn
criterio para validar y aceptar los resultados obtenidos.
Esta descripcin facilita la instrumentacin computacional del mtodo numrico. En
problemas simples puede omitirse la elaboracin del algoritmo e ir directamente a la
codificacin computacional.

1.5

Instrumentacin computacional

En este curso se usar el lenguaje computacional Python para instrumentar los algoritmos
correspondientes a los mtodos numricos estudiados. La aplicacin computacional puede
realizarse usando directamente la funcionalidad disponible en el lenguaje, sin embargo para
comprender y aplicar los mtodos numricos es preferible instrumentar el algoritmo
construyendo funciones en el lenguaje computacional y tratando de que sean
independientes de los datos especficos de un problema particular, facilitando as su
reutilizacin. Estas funciones pueden llamarse desde la ventana interactiva o mediante un
programa que contiene los datos del problema que se desea resolver.

11
1.6

Un ejemplo inicial

A continuacin se proporciona un ejemplo para seguir el procedimiento descrito en la

resolucin de un problema con los mtodos numricos.
Problema. Se necesita un recipiente rectangular, sin tapa, de un litro de capacidad. Para
construirlo se debe usar una lmina rectangular de 32 cm de largo y 24 cm de ancho. El
procedimiento ser recortar un cuadrado idntico en cada una de las cuatro esquinas y
doblar los bordes de la lmina para formar el recipiente.
Determine la medida del lado del cuadrado que se debe recortar en cada esquina para que
el recipiente tenga la capacidad requerida.

Anlisis
Para formular el modelo matemtico el problema debe entenderse detalladamente. En este
ejemplo un dibujo facilita su elaboracin.
Sea:

x: medida del lado de los cuadrados que se deben recortar para formar la caja

Lados de la caja (cm):

x, (32 2x), (24 2x)

Volumen:
Ecuacin:

1 litro = 1000 cm3

1000 = (32 2x)(24 2x)x
250 192x + 28x2 x3 = 0

El modelo matemtico es una ecuacin polinmica de tercer grado que no se puede resolver
directamente con la conocida frmula de la ecuacin cuadrtica, por lo tanto se utilizar un
mtodo numrico.

Algoritmo
Los clculos sern realizados directamente en la ventana interactiva de Python usando las
libreras necesarias.

12
Instrumentacin
Definicin y grfico de la ecuacin usando la librera Pylab
>>> from pylab import*
>>> x=arange(0,20,0.1)
>>> f=250-192*x+28*x**2-x**3
>>> plot(x,f)
>>> grid(True)
>>> show()

Se observan tres respuestas reales positivas para la ecuacin.

Obtencin de la solucin con la librera SymPy
>>> from sympy import*
>>> x=Symbol('x')
>>> f=250-192*x+28*x**2-x**3
>>> r=solve(f)
>>> len(r)
(r es un vector con tres soluciones)
3
>>> r[0].evalf(10)
1.696276832 + 0.e-17*I
(el componente imaginario se debe a la imprecisin)
>>> r[1].evalf(10)
8.09321954 + 0.e-17*I
>>> r[2].evalf(10)
18.21050363 - 0.e-16*I
Las tres son respuestas para la ecuacin. La tercera respuesta no es factible para el
problema, pues se obtendran valores negativos para las otras dimensiones de la caja. La
primera respuesta pudiera ser descartada porque la caja tendra una apariencia muy plana
por lo cual elegimos la segunda como la respuesta adecuada para el problema.
Respuesta: Lados de la caja en centmetros:

8.09, 15.81, 7.81 aproximadamente.

13
El traductor Python se lo puede descargar de la red internet del sitio oficial de Python:
www.python.org
La librera Pylab es til para graficar funciones. Esta librera est incluida en la librera
Matplotlib. Otras libreras de inters para aplicaciones en ingeniera, matemticas y otras
ciencias son SymPy para manejo matemtico simblico, NumPy para manejo nmrico
incluyendo muchas funciones para lgebra lineal, y SciPy para aplicaciones matemticas
avanzadas.
Estas libreras se las puede descargar del sitio Web:
www.lfd.uci.edu/~gohlke/pythonlibs/
Python y las libreras son de uso pblico y pertenecen a la categora de software libre
Con los mtodos numricos desarrollados en este curso se puede construir una librera para
agregar o sustituir las funciones disponibles de los mtodos numricos y es la contribucin
de este curso para los usuarios interesados en resolver computacionalmente muchos
problemas numricos con el lenguaje Python. Adicionalmente, es una actividad formativa
para usuarios interesados en desarrollar software para matemticas e ingeniera.
Los usuarios interesados en complementar el conocimiento del lenguaje Python pueden
descargar el texto digital Python Programacin de la pgina del Departamento de
Matemticas de la Facultad de Ciencias Naturales y Matemticas en la pgina web de la
ESPOL, o revisar otras fuentes de informacin en la red internet:
www.espol.edu.ec

1.7

Preguntas

1. Cual etapa del proceso de resolucin de un problema numrico requiere ms atencin?

2. Qu conocimientos son necesarios para formular un modelo matemtico?
3. En el ejemplo de la caja Cual sera la desventaja de intentar obtener experimentalmente
la solucin mediante prueba y error en lugar de analizar el modelo matemtico?
4. Que es ms crtico: el error de truncamiento o el error de redondeo?
5. Cul es la ventaja de instrumentar computacionalmente un mtodo numrico?
6. Por que es importante validar los resultados obtenidos?

14
2

TIPOS DE MTODOS NUMRICOS

Existen dos estrategias para disear mtodos numricos y es importante conocer sus
caractersticas para elegirlos adecuadamente, as como su instrumentacin computacional

2.1

Mtodos iterativos

Los mtodos iterativos son procedimientos para acercarse a la respuesta mediante

aproximaciones sucesivas. Estos mtodos incluyen frmulas que tienen la propiedad de
producir un resultado ms cercano a la respuesta a partir de un valor inicial estimado. El
resultado obtenido se puede usar nuevamente como valor anterior para continuar mejorando
la respuesta.
Se deben considerar algunos aspectos tales como la eleccin del valor inicial, la propiedad
de convergencia de la frmula y el criterio para terminar las iteraciones.
Estos mtodos son auto-correctivos. La precisin de la respuesta est dada por la distancia
entre el ltimo valor calculado y la respuesta esperada. Esto constituye el error de
truncamiento.
El siguiente grfico describe la estructura de un mtodo iterativo

Cada ciclo se denomina iteracin. Si la frmula converge, en cada iteracin la respuesta

estar ms cerca del resultado buscado. Aunque en general no es posible llegar a la
respuesta exacta, se puede acercar a ella tanto como lo permita la aritmtica computacional
del dispositivo de clculo.
Ejemplo. Instrumentar un mtodo iterativo para calcular la raz cuadrada r de un nmero
real positivo n mediante operaciones aritmticas bsicas
Solucin
Se usar una frmula que recibe un valor estimado para la raz cuadrada y produce un valor
ms cercano a la respuesta. Si se usa repetidamente la frmula cada resultado tender a un
valor final que suponemos es la respuesta buscada. La obtencin de estas frmulas se
realizar posteriormente.
Sean

x: valor inicial estimado para la raz r

1
n
y
(x + )
Frmula iterativa:=
2
x

15
Algoritmo
Algoritmo: Raz cuadrada
Entra:
n
Dato
E
Error permitido
x
Valor inicial
Sale:
y
Respuesta calculada con error E
1
n
y (x + )
2
x
Repetir mientras |x - y| > E
x y
1
n
y (x + )
2
x
Fin
Ejemplo. Calcular r =
Valor inicial: x = 3 c
Clculos en Python
>>> n=7
>>> x=3
>>> y=0.5*(x+n/x)
>>> print(y)
2.666666666666667
>>> x=y
>>> y=0.5*(x+n/x)
>>> print(y)
2.645833333333333
>>> x=y
>>> y=0.5*(x+n/x)
>>> print(y)
2.6457513123359577
>>> x=y
>>> y=0.5*(x+n/x)
>>> print(y)
2.6457513110645907
>>> x=y
>>> y=0.5*(x+n/x)
>>> print(y)
2.6457513110645907

7 con la frmula iterativa anterior

16
El ltimo resultado tiene dicisis dgitos decimales que no cambian, por lo tanto podemos
suponer que la respuesta tiene esa precisin. Se observa la rpida convergencia de la
sucesin de nmeros generad. Sin embargo es necesario verificar si la solucin es
aceptable pues si los nmeros convergen a un valor, no necesariamente es la respuesta
correcta
>> y**2
7.00000000000000
Se comprueba que el ltimo valor calculado es la raz cuadrada de 7
Ejemplo. Calcular r = 7 con la siguiente frmula iterativa:
n
=
y 0.4(x + )
x
>>> n=7
>>> x=3
>>> y=0.4*(x+n/x)
>>> y
2.1333333333333337
>>> x=y
>>> y=0.4*(x+n/x)
>>> y
2.165833333333333
>>> x=y
>>> y=0.4*(x+n/x)
>>> y
2.1591382583044765
.
.
.
>>> x=y
>>> y=0.4*(x+n/x)
>>> y
2.1602468994692865
>>> x=y
>>> y=0.4*(x+n/x)
>>> y
2.160246899469287
>>> x=y
>>> y=0.4*(x+n/x)
>>> y
2.160246899469287
>>> y**2
4.666666666666668

17
La frmula converge pero el resultado final no es la raz cuadrada de 7. Esto plantea la
importancia de verificar la formulacin del mtodo numrico y la validacin de la
respuesta obtenida.
En general, los mtodos numricos se enfocan a resolver una clase o tipo de problemas. El
ejemplo anterior es un caso particular del problema general: la solucin de ecuaciones no
lineales f(x)=0
2.1.1

Convergencia de los mtodos iterativos

Es la propiedad que tienen la formula iterativas de un mtodo numrico para producir

resultados cada vez ms cercanos a la respuesta esperada.
Definicin: Convergencia de una frmula iterativa
Sean

r : Respuesta del problema

xi : Valor calculado en la iteracin i

(valor desconocido)
(valor aproximado)

Si la frmula iterativa converge, entonces

.
xi r
i

.
2.1.2

Error de truncamiento

La distancia entre la respuesta esperada y el valor calculado con una frmula iterativa se
denomina error de truncamiento.
Definicin: Error de truncamiento
Sean

r : Respuesta del problema

(valor desconocido)
xi : Valor calculado en la iteracin i
(valor aproximado)
(valor aproximado)
xi+1: Valor calculado en la iteracin i + 1
Entonces
Ei = r xi : Error de truncamiento en la iteracin i
Ei + 1 = r xi+1: Error de truncamiento en la iteracin i + 1

18
2.1.3

Finalizacin de un proceso iterativo

Si la frmula iterativa converge, la distancia entre valores consecutivos se debe reducir y se

puede usar como una medida para el error de truncamiento. Con la definicin de
convergencia se puede establecer un criterio para finalizar el proceso iterativo.
Consideremos los resultados de dos iteraciones consecutivas: xi , xi+1
Si el mtodo converge, xi r y tambin xi+1 r
i

Restando estas dos expresiones: xi+1 xi 0 ,

se puede establecer un criterio de

convergencia
Definicin: Criterio para finalizar un proceso iterativo (error absoluto)
Sea E algn valor positivo arbitrariamente pequeo.
Si el mtodo converge, se cumplir que a partir de alguna iteracin i:
|xi+1 - xi| < E
.

Este valor E es el error absoluto y se usa como una medida para el error de la respuesta
calculada.
La precisin utilizada en los clculos aritmticos, debe ser coherente con la precisin del
mtodo numrico y con los exactitud del modelo matemtico y de los datos utilizados.
Adicionalmente, es necesario verificar que la respuesta final sea vlida para el modelo
matemtico y aceptable para el problema que se est resolviendo.
Ejemplo. Se desea que la respuesta calculada para un problema con un mtodo iterativo
tenga un error absoluto menor que 0.0001. Entonces el algoritmo deber terminar cuando
se cumpla que |xi+1 - xi| < 0.0001. Los clculos deben realizarse al menos con la misma
precisin.
Para que el criterio del error sea independiente de la magnitud del resultado, conviene usar
la definicin del error relativo:
Definicin: Criterio para finalizar un proceso iterativo (error relativo)
Sea e algn valor positivo arbitrariamente pequeo.
Si el mtodo converge, se cumplir que a partir de alguna iteracin i:
| xi+ 1 xi |
.
<e
| xi+ 1 |

19
Este valor e es el error relativo y puede usarse como una medida para el error de la
respuesta calculada, independiente de la magnitud. Para calcular el error relativo se toma el
ltimo valor como el ms cercano a la respuesta.
Ejemplo. Se desea que la respuesta calculada para un problema con un mtodo iterativo
tenga un error relativo menor que 0.1%. Entonces el algoritmo deber terminar cuando se
cumpla que
| xi+ 1 xi |
< 0.001
| xi+ 1 |
Tambin debera distinguirse entre error y precisin.
Ejemplo. Si el error es 1%, la precisin es 99%.

2.1.4

Error de truncamiento y estimacin del error

Debe distinguirse entre estas dos medidas del error

r xi :

Error de truncamiento cuyo valor es desconocido, pues r es la respuesta

que se desea calcular

xi+1 xi : Estimacin del error de truncamiento en la iteracin i. Es un valor que se

puede calcular y se usa como una estimacin para el error de
truncamiento si el mtodo converge

2.1.5

Eficiencia de un mtodo iterativo

Sean Ei , Ei+1 los errores de truncamiento en las iteraciones i, i+1 respectivamente. Se

supondr que estos valores son pequeos y menores a 1.
Si a partir de alguna iteracin i esta relacin puede especificarse como | Ei+1 | = k | Ei |,
siendo k alguna constante positiva menor que uno, entonces se dice que la convergencia es
lineal o de primer orden y k es el factor de convergencia. Se puede usar la notacin O( ) y
escribir Ei+1 = O(Ei ) para expresar de una manera simple el orden de esta relacin, y se lee
"orden de".
Si en un mtodo esta relacin es ms fuerte tal como Ei+1 = O(Ei2 ) entonces el error se
reducir ms rpidamente y se dice que el mtodo tiene convergencia cuadrtica o de
segundo orden.

20
Definicin: Orden de convergencia de un mtodo iterativo
Sean Ei , Ei+1 los errores en las iteraciones consecutivas i, i + 1 respectivamente
Si se pueden relacionar estos errores en la forma:
Ei+ 1 = O(Ein )

Entonces se dice que el mtodo iterativo tiene convergencia de orden n.

Si un mtodo iterativo tiene convergencia mayor que lineal, entonces si el mtodo converge,
lo har ms rpidamente.
.

2.1.6

Eleccin del valor inicial

Los mtodos iterativos normalmente requieren que el valor inicial sea elegido
apropiadamente. Si es elegido al azar, puede ocurrir que no se produzca la convergencia.
Si el problema es simple, mediante algn anlisis previo puede definirse una regin de
convergencia tal que si el valor inicial y los valores calculados en cada iteracin
permanecen en esta regin, el mtodo converge.

2.1.7

Preguntas

Conteste las siguientes preguntas

1. Por que el error de redondeo no debe ser mayor que el error de truncamiento?
2. Una ventaja de los mtodos iterativos es que son auto-correctivos, es decir que si se
introduce algn error aritmtico en una iteracin, en las siguientes puede ser corregido.
Cuando no ocurrira esta auto-correccin?
3. El ejemplo del mtodo numrico para calcular 7 produce una secuencia numrica. Le
parece que la convergencia es lineal o cuadrtica?

21
2.2

Mtodos directos

Son procedimientos para obtener resultados realizando una secuencia finita de operaciones
aritmticas. La cantidad de clculos aritmticos depende del tamao del problema. El
resultado obtenido ser exacto siempre que se puedan conservar en forma exacta los
valores calculados en las operaciones aritmticas, caso contrario se introducirn los errores
de redondeo.
Ejemplo. Instrumentar un mtodo directo para resolver un sistema triangular inferior de
ecuaciones lineales.
Modelo matemtico
a1,1x1
a2,1x1 + a2,2x2
a3,1x1 + a3,2x2 + a3,3x3
....
an,1x1 + an,2x2 + ax,3x3 + . . . + an,nxn
En donde:

= b1
= b2
= b3
= bn

ai,j: coeficientes (datos)

bi : constantes (datos)
xi : variables (resultados)

La formulacin matemtica del mtodo se obtiene despejando sucesivamente xi de la

ecuacin i
1
x1 =
(b1)
a1,1
x2 =
x3 =

1
a2,2
1
a3,3

(b2 - a2,1x1)
(b3 - a3,1x1 - a3,2x2)

...
En general:
xi =

1
(bi - ai,1x1 - ai,2x2 - . . . - ai,i-1xi-1), i = 2, 3, . . . , n, ai,i 0
ai,i

22
Algoritmo
Algoritmo: Triangular
Entra: n:
Nmero de ecuaciones
Coeficientes
ai,j
Constantes
bi
Solucin calculada
Sale: xi
Para i = 1, 2, . . ., n
s 0
Para j = 1, 2, . . ., i-1
s s + ai,jxj
Fin
xi (bi s)/ai,i
Fin
Este algoritmo es un caso particular del problema general: sistema de n ecuaciones lineales.
Los mtodos numricos normalmente se desarrollan para resolver una clase o tipo general
de problemas. La instrumentacin puede hacerse mediante un programa, pero es ms
conveniente definirlo como una funcin en PYTHON para estandarizar la entrada y salida de
variables.
Instrumentacin computacional
La instrumentacin del mtodo numrico del ejemplo anterior se har mediante una funcin
en Python. Para que la instrumentacin sea general es preferible que el mtodo numrico
sea independiente de los datos de un problema particular. El lenguaje Python usa la
numeracin de ndices comenzando en cero. Este hecho debe ser considerado por el
programador, pero en general es transparente al usuario de los mtodos numricos.
El nombre para la funcin ser triangular. La funcin recibir como datos la matriz de
coeficientes a y el vector de constantes b y producir como resultado el vector solucin x

def triangular(a,b):
n=len(b)
x=[];
for i in range(n):
s=0
for j in range(i):
s=s+a[i][j]*x[j]
x=x+[(b[i]-s)/a[i][i]]
return x

23
Ejemplo. Escribir las instrucciones para resolver un ejemplo usando la funcin anterior
=2
3x1
7x1 + 5x2
=3
8x1 + 2x2 + 9x3 = 6
>>> from triangular import triangular
>>> a=[[3,0,0],[7,5,0],[8,2,9]]
>>> b=[2,3,6]
>>> x=triangular(a,b)
>>> print(x)
[0.6666666666666666, -0.3333333333333332, 0.1481481481481481]

2.2.1

Error de redondeo

Los mtodos numricos operan con datos que pueden ser inexactos y con dispositivos para
representar a los nmeros reales. El error de redondeo se atribuye a la imposibilidad de
almacenar todas las cifras de estos nmeros y a la imprecisin de los instrumentos de
medicin con los cuales se obtienen los datos.
Definicin: Error de redondeo absoluto
Sean

X:

Valor exacto

X:

Valor aproximado (observado o calculado)

E=X X

(normalmente desconocido)
Error de redondeo

Definicin: Error de redondeo relativo

Sean

X:

Valor exacto

X:
E:

Valor aproximado (observado o calculado)

Error de redondeo

=
e

E E
:
X X

(normalmente desconocido)

Error de redondeo relativo. (X, X diferentes de cero)

Debido a que normalmente no es posible calcular exactamente el valor de E, se debe

intentar al menos acotar su valor.
A diferencia del error de truncamiento, se dispone solamente de un resultado para estimar el
error de redondeo.

24
2.2.2

Error en la representacin de los nmeros reales

Las operaciones aritmticas pueden producir resultados que no se pueden representar

exactamente en los dispositivos de almacenamiento. Si estos errores se producen en forma
recurrente entonces el error propagado pudiera crecer en forma significativa dependiendo
de la cantidad de operaciones requeridas. Esta cantidad de operaciones est determinada
por la eficiencia del algoritmo.
Ejemplo. Suponga que un dispositivo puede almacenar nicamente los cuatro primeros
dgitos decimales de cada nmero real y trunca los restantes (esto se llama redondeo
inferior).
Se requiere almacenar el nmero:
X = 536.78
Primero expresemos el nmero en forma normalizada, es decir sin enteros y ajustando su
magnitud con potencias de 10:
X = 0.53678x103
Ahora descomponemos el nmero en dos partes
X = 0.5367x103 + 0.00008x103
El valor almacenado es un valor aproximado
X = 0.5367x103
El error de redondeo por la limitacin del dispositivo de almacenamiento es
E = 0.00008x103 = 0.8x103 - 4 = 0.8x10-1

En general, si n es la cantidad de enteros del nmero normalizado con potencias de 10, y m

es la cantidad de cifras decimales que se pueden almacenar en el dispositivo, entonces si
se truncan los decimales sin ajustar la cifra anterior, el error de redondeo absoluto est
acotado por:
| E |< 1 10nm

Mientras que el error relativo:

| e |<

max(| E |) 1 10nm
= =
10 10 m (Solo depende del almacenamiento)
min(| X |) 0.1 10n

25
2.2.3

Error de redondeo en las operaciones aritmticas

En los mtodos directos debe considerarse el error que se propaga en las operaciones
aritmticas, el cual puede ser significativo cuando la cantidad de clculos requeridos es
grande. A continuacin se analizan la suma y el producto
a) Error de redondeo en la suma
Sean

X, Y : Valores exactos
X , Y : Valores aproximados

Con la definicin de error de redondeo

EX = X - X , E Y = Y - Y
S=X+Y
S = ( X + EX) + ( Y + EY) = ( X + Y ) + (EX + EY)
S= X + Y

Valor que se almacena

Error de redondeo absoluto en la suma

EX+Y = EX + EY
|EX+Y| |EX| + |EY|
Error de redondeo relativo en la suma
eX + Y
=
=
eX + Y

eX + Y
=

EX + Y EX + EY
EX
EY
=
=
+
X+Y
X+Y
X+Y X+Y
X

EX

X+Y X

X
X+Y

| eX + Y | |
| eX + Y | |

X+Y Y

ex +

Y
X+Y

EX
X+Y
X

X+Y

EY

|+|

eY
EY

X+Y

ex | + |

Y
X+Y

|
eY |

Se puede extender a la resta

E X - Y = EX - EY
|EX - Y| |EX| + |-EY|
eX Y
=
| eX Y

EX Y EX EY
EX
EY
=
=

XY
XY
XY XY
EX
E
| |
|+| Y |
XY
XY

| eX Y | |

X
XY

ex | + |

Y
XY

eY |

26
b) Error de redondeo en la multiplicacin
P=XY
P = ( X + EX) ( Y + EY) = X Y + X EY + Y EX + EXEY
P = X Y + X EY + Y EX

El ltimo trmino se descarta por ser muy pequeo

P= X Y

Valor que se almacena

Error de redondeo absoluto en la multiplicacin

EXY = X EY + Y EX
|EXY| | X EY| + | Y EX|
La magnitud del error de redondeo en la multiplicacin puede ser tan grande como la suma
de los errores de redondeo de los operandos ponderada por cada uno de sus respectivos
valores.
Error de redondeo relativo en la multiplicacin
E
XE + YEX XEY YEX EY EX
e XY = XY = Y
=
+
= +
XY
XY
XY
XY
Y
X

e XY
= ex + eY
| e XY | | e x | + |e Y |

En general, si los valores de los operandos tienen ambos el mismo signo se puede concluir
que la operacin aritmtica de multiplicacin puede propagar ms error de redondeo que la
suma. Adicionalmente, si el resultado de cada operacin aritmtica debe almacenarse, hay
que agregar el error de redondeo debido a la limitacin del dispositivo de almacenamiento.

27
2.2.4

Propagacin del error de redondeo en las operaciones aritmticas

Ejemplos de aplicacin
1) Error de redondeo en mediciones
La velocidad de una partcula es constante e igual a 4 m/s, medida con un error de 0.1 m/s
durante un tiempo de recorrido de 5 seg. medido con error de 0.1 seg. Determine el error
absoluto y el error relativo en el valor de la distancia recorrida.
v = 4, Ev = 0.1
t = 5, Et = 0.1
d = vt

(velocidad)
(tiempo)
(distancia recorrida)

Ed = v Et + t Ev = 4(0.1) + 5(0.1) = 0.9

(Error absoluto)

d = vt = 20 con un rango de variacin: 19.1 d 20.9

ed =

Ev
v

Et
t

0.1 0.1
+
= 0.045 = 4.5%
4
5

(Error relativo)

2) Resta de nmeros con valores muy cercanos

Suponer que se deben restar dos nmeros muy cercanos X=578.1, Y=577.8 con error de
redondeo en el segundo decimal: EX = EY = 0.05 aproximadamente. Ambos errores pueden
ser del mismo signo o de diferente signo, depende de la forma como se obtuvieron los datos
EX
EY
eX =
0.000086 =
0.0086% , e Y =
0.000086 =
0.0086%
X
Y

(Errores relativos)

Cota para el error de redondeo relativo:

eX Y
=
| eX Y

| eX Y

EX Y EX EY
EX
EY
=
=

XY
XY
XY XY
EX
E
| |
|+| Y |
XY
XY
0.05
0.05
| |
|+|
| 0.3333 =33.33%
578.1 577.8
578.1 577.8

El aumento en la cota del error en el resultado es muy significativo con respecto a los
operandos. Se concluye que se debe evitar restar nmeros cuya magnitud sea muy
cercana pues el cociente al ser muy pequeo, har que el error relative sea significativo.
Adicionalmente habra que agregar el efecto del error de redondeo al almacenar el
resultado.

28
3) Suma de nmeros de diferente magnitud
Es suficiente considerar tres nmeros: X, Y, Z. Suponer por simplicidad que los datos son
valores positivos exactos, por lo tanto eX = 0, eY = 0, ez = 0
S = X + Y + Z, con

X>Y>Z

Suponer que la suma se realiza en el orden escrito

S = (X + Y) + Z
eX + Y =

X
X+Y

e=
(X + Y) + Z

eX +

Y
X+Y

X+Y
X+Y+Z

e Y + r1 = r1

eX + Y +

r1: error de redondeo al almacenar la suma

(X + Y)r1 + (X + Y + Z)r2
Z
X+Y
e Z + r2
r1 + r2
=
=
X+Y+Z
X+Y+Z
X+Y+Z

r2: error de redondeo al almacenar la suma

Si cada resultado se almacena en un dispositivo que tiene m cifras su cota de error de
redondeo:
| r1,r2 |< 10 10 m

| e(X + Y)+ Z |<

(2X + 2Y + Z)10 10 m
X+Y+Z

Si la suma se hiciera en orden opuesto, se obtendra

| e(Z + Y)+ X |<

(2Z + 2Y + X)10 10 m
Z+Y+X

Si X > Z , se puede concluir que la suma de los nmeros debe realizarse comenzando con
los nmeros de menor magnitud, pues la cota del error ser menor.

29
2.2.5

Eficiencia de los mtodos directos

La eficiencia de un algoritmo y su programacin est relacionada con el tiempo necesario

para obtener la solucin. Este tiempo depende de la cantidad de operaciones que se deben
realizar. As, si se tienen dos algoritmos para resolver un mismo problema, es ms eficiente
el que requiere menos operaciones para producir el mismo resultado.
Sea n el tamao del problema, y T(n) una funcin que mide la eficiencia del algoritmo
(cantidad de operaciones requeridas). Para obtener T(n) se pueden realizar pruebas en el
computador con diferentes valores de n registrando el tiempo real de ejecucin. Este tiempo
es proporcional a la cantidad de operaciones que se realizaron, por lo tanto se puede usar
para estimar la funcin T(n).
Esta forma experimental para determinar T(n) tiene el inconveniente de usar la
instrumentacin computacional del algoritmo para realizar las pruebas. Es preferible conocer
la eficiencia del algoritmo antes de invertir el esfuerzo de la programacin computacional
para preveer que sea un algoritmo aceptable.
Para determinar la eficiencia de un algoritmo antes de su instrumentacin se puede analizar
la estructura del algoritmo o realizar un recorrido del mismo en forma abstracta.
Ejemplo. El siguiente algoritmo calcula la suma de los primeros n nmeros naturales.
Encontrar T(n)
Sea T la cantidad de sumas que se realizan
. . .
s = 0
for i in range(n):
s = s + i
La suma est dentro de una repeticin que se realiza n veces, por lo tanto,
T(n) = n
Ejemplo. El siguiente algoritmo suma los elementos de una matriz cuadrada a de orden n.
Encontrar T(n)
Sea T la cantidad de sumas
. . .
s = 0
for i in range(n):
for j in range(n):
s = s + a[i][j]
La suma est incluida en una repeticin doble. La variable i, cambia n veces y para cada
uno de sus valores, la variable j cambia n veces. Por lo tanto.
T(n) = n2

30
Ejemplo. El siguiente algoritmo es una modificacin del anterior. Suponga que se desea
sumar nicamente los elementos de la sub-matriz triangular superior. Obtener T(n)
. . .
s = 0
for i in range(n):
for j in range(i,n):
s = s + a[i][j]
Si no es evidente la forma de T(n), se puede recorrer el algoritmo y anotar la cantidad de
sumas que se realizan
Valor Cantidad de ciclos
i
j
0
n
1
n-1
2
n-2
...
...
n-1
1
Entonces, T(n) = 1 + 2 + ... + n =

n
n2 n
(n + 1) =
+
2
2 2

(suma de una serie aritmtica)

Otra manera de obtener la funcin T(n) consiste en programar el conteo de los ciclos de un
algoritmo para obtener puntos de su eficiencia.
Ejemplo. Programa para conteo de ciclos para el ejemplo anterior
n=int(input('Ingrese n: '))
c=0
for i in range(n):
for j in range(i,n):
c=c+1
print(c)
Debido a que son dos ciclos, T(n) debe ser un polinomio algebraico de segundo grado.
Para obtener este polinomio son suficientes tres puntos (n, c):
Se realizaron tres pruebas del programa de conteo y se obtuvieron los resultados :
>>>
Ingrese n: 4
10
>>>
Ingrese n: 5
15
>>>
Ingrese n: 6
21

31
Con estos resultados se puede construir el polinomio de interpolacin que representa a T(n).
Este polinomio se lo puede obtener manualmente o con un mtodo computacional.
El resultado que se obtiene es :
2

T(n) = t /2 + t/2
Resultado que coincide con el obtenido anteriormente con un conteo directo manual
Para medir el tiempo real de ejecucin de un proceso (programa o funcin) se puede usar la
funcin clock() de la librera time:
>>> from time import*
>>> clock(); proceso; clock()
2.2.6

La notacin O( )

Supongamos que para resolver un problema se han diseado dos algoritmos: A y B, con
eficiencias TA(n) = 10n+2, TB(n) = 2n2 + 3, respectivamente. Cual algoritmo es ms
eficiente?.
Para valores pequeos de n, TB(n) < TA(n), pero para valores grandes de n, TB(n) > TA(n).
Es de inters prctico determinar la eficiencia de los algoritmos para valores grandes de n,
por lo tanto el algoritmo A es ms eficiente que el algoritmo B como se puede observar en el
siguiente grfico:

Si T(n) incluye trminos de n que tienen diferente orden, es suficiente considerar el trmino
de mayor orden pues es el que determina la eficiencia del algoritmo cuando n es grande.
Para compararlos, no es necesario incluir los coeficientes y las constantes.

32
Ejemplo. Suponga T(n) = n2 + n + 10. Evaluar T para algunos valores de n
T(2)
T(5)
T(20)
T(100)

= 4 + 2 + 10
= 25 + 5 + 10
= 400 + 20 + 10
= 10000 + 100 + 10

Se observa que a medida que n crece, T depende principalmente del trmino dominante n2.
Este hecho se puede expresar usando la notacin O( ) la cual indica el orden de la
eficiencia del algoritmo, y se puede escribir: T(n) = O(n2) lo cual significa que la eficiencia
es proporcional a n2, y se dice que el algoritmo tiene eficiencia de segundo orden.
En general, dado un problema de tamao n, la medida de la eficiencia T(n) de un algoritmo
se puede expresar con la notacin O(g(n)) siendo g(n) alguna expresin tal como: n, n2, n3,
..., log(n), n log(n), ..., 2n, n!, ... etc, la cual expresa el orden de la cantidad de operaciones
que requiere el algoritmo.
Es de inters medir la eficiencia de los algoritmos antes de su instrumentacin
computacional. En el siguiente cuadro se ha tabulado T(n) con algunos valores de n y para
algunas funciones tpicas g(n).
Tabulacin de T(n) con algunos valores de n para algunas funciones tpicas g(n)

n [log(n)] n [n log(n)]
1
3
5
7
9
11
13
15
17
19
21
23
25
50
100

0
1
1
1
2
2
2
2
2
2
3
3
3
3
4

1
3
5
7
9
11
13
15
17
19
21
23
25
50
100

0
3
8
13
19
26
33
40
48
55
63
72
80
195
460

1
9
25
49
81
121
169
225
289
361
441
529
625
2500
10000

1
27
125
343
729
1331
2197
3375
4913
6859
9261
12167
15625
125000
1000000

2
8
32
128
512
2048
8192
32768
5
1.31x10
5
5.24x10
6
2.09x10
6
8.38x10
7
3.35x10
15
1.12x10
30
1.26x10

n!
1
6
120
5040
5
3.62x10
7
3.99x10
9
6.22x10
12
1.30x10
14
3.55x10
17
1.21x10
19
5.10x10
22
2.58x10
25
1.55x10
64
3.04x10
157
9.33x10

Los algoritmos en las dos ltimas columnas son de tipo exponencial y factorial
respectivamente. Se puede observar que an con valores relativamente pequeos de n el
valor T(n) es extremadamente alto. Los algoritmos con este tipo de eficiencia se denominan
no factibles pues ningn computador actual pudiera calcular la solucin en un tiempo
aceptable para valores de n grandes. La mayora de los algoritmos que corresponden a los
mtodos numricos son de tipo polinomial con g(n) = n, n2, n3

33
2.2.7

Ejercicios

1. Encuentre la cota del error relativo en la siguiente operacin aritmtica:

T = X(Y Z)
El error de redondeo relativo de los operandos es respectivamente eX, eY, ez, y el error
de redondeo relativo en el dispositivo de almacenamiento es rm
a) Primero se realiza la multiplicacin y luego la resta
b) Primero se realiza la resta y luego la multiplicacin
2. Suponga que tiene tres algoritmos: A, B, C con eficiencia respectivamente:
TA(n) = 5n + 50
TB(n) = 10n ln(n) + 5
TC(n) = 3n2 + 1
a) Determine n a partir del cual A es ms eficiente que B
b) Determine n a partir del cual B es ms eficiente que C
c) Coloque los algoritmos ordenados segn el criterio de eficiencia establecido
3. Exprese la eficiencia de los algoritmos A, B, C con la notacin O( )
4. Los computadores actuales pueden realizar 100 millones de operaciones aritmticas en
un segundo. Calcule cuanto tiempo tardara este computador para resolver un problema de
tamao n=50 si el algoritmo es de tipo:
a) Polinomial de tercer grado
b) Exponencial
c) Factorial
5. Determine la funcin de eficiencia T(n) del algoritmo triangular incluido en el captulo 1 y
exprsela con la notacin O( ). Suponga que es de inters conocer la cantidad total de ciclos
que se realizan.
6. Dado el siguiente algoritmo
Leer n
Mientras n>0 repita
d mod(n,2)
n fix(n/2)
Mostrar d
fin

Produce el residuo entero de la divisin n/2

Asigna el cociente entero de la divisin n/2

a) Recorra el algoritmo con n = 73

b) Suponga que T(n) representa la cantidad de operaciones aritmticas de divisin que se
realizan para resolver el problema de tamao n. Encuentre T(n) y exprsela con la notacin
O( ) Para obtener T(n) observe el hecho de que en cada ciclo el valor de n se reduce
aproximadamente a la mitad.

34
3

RACES REALES DE ECUACIONES NO-LINEALES

Sea f: RR. Dada la ecuacin f(x) = 0, se debe encontrar un valor real r tal que f(r) = 0.
Entonces r es una raz real de la ecuacin
Si no es posible obtener la raz directamente, entonces se debe recurrir a los mtodos
numricos iterativos para calcular r en forma aproximada con alguna precisin controlada.
Se han creado muchos mtodos numricos para resolver este problema clsico, pero con el
uso de computadoras para el clculo, conviene revisar solamente algunos de estos mtodos
que tengan caractersticas significativamente diferentes.

3.1

Mtodo de la biseccin

Sea f: RR. Suponer que f es continua en [a, b], y que adems f(a) y f(b) tienen signos
diferentes.
3.1.1

Existencia de la raz real

Si una funcin f es continua en un intervalo [a, b] y f(a) tiene signo diferente que f(b),
entonces existe por lo menos un punto r en (a, b) tal que f(r)=0. Si adems f'(x) no cambia
de signo en el intervalo [a, b], entonces la solucin es nica.
La validez de esta proposicin se basa en el Teorema del Valor Intermedio.
El mtodo de la biseccin es un mtodo simple y convergente para calcular r. Consiste en
calcular el punto medio c=(a+b)/2 del intervalo [a, b] y sustituirlo por el intervalo [a, c] [c,
b] dependiendo de cual contiene a la raz r. Este procedimiento se repite hasta que la
distancia entre a y b sea muy pequea, entonces el ltimo valor calculado c estar muy
cerca de r.
Interpretacin grfica del mtodo de la biseccin

En la figura se puede observar que luego de haber calculado c, para la siguiente iteracin
debe sustituirse el intervalo [a, b] por [c, b] debido a que f(a) y f(c) tienen igual signo y por
lo tanto la raz estar en el intervalo [c, b]

35
3.1.2

Convergencia del mtodo de la biseccin

Sean

ai, bi, ci los valores de a, b, c en cada iteracin i=1, 2, 3, . . . respectivamente

El mtodo de la biseccin genera a partir de [a, b] una sucesin de intervalos [a1, b1], [a2,
b2], , [ai, bi] tales que a a1 a2 ai constituyen una sucesin creciente y b b1 b2
, bi una sucesin decreciente con ai < bi. Adems por definicin del mtodo: ci, r [ai,
bi] en cada iteracin i

Sean

di = bi ai longitud del intervalo [ai, bi] en la iteracin i=1, 2, 3, . . .

d = b a longitud del intervalo inicial

Recorrido de las iteraciones

Iteracin
1
2
3
...
i

Longitud del intervalo

d1 = d /2
d2 = d1/2 = d/22
d3 = d2/2 = d/23
...
di = d/2i

Entonces
d
0 di 0 ai bi ci r i>0 | ci r |< E para algn valor positivo E
2i
i
i
i
i

Suponer que se desea que el ltimo valor calculado ci tenga error E = 0.001, entonces si el
algoritmo termina cuando bi ai < E, se cumplir que |ci r| < E y ci ser una
aproximacin para r con un error menor que 0.0001
Se puede predecir el nmero de iteraciones que se deben realizar con el mtodo de la
Biseccin para obtener la respuesta con error permitido E:
En la iteracin i:
Se desea terminar cuando:
Entonces se debe cumplir
De donde se obtiene:

di = d/2i
di < E
d/2i < E
log(d / E)
i>
log(2)

36
Ejemplo. La ecuacin f(x) = x ex - = 0 tiene una raz real en el intervalo [0, 2]. Determine
cuantas iteraciones deben realizarse con el mtodo de la biseccin para obtener un
resultado con error E=0.0001. Por simple inspeccin f(0) < 0, f(2) > 0 y f es contnua en
[0, 2]
El nmero de iteraciones que debern realizarse es:
i > log(2/0.0001)/log(2) i >14.287 15 iteraciones
3.1.3

Algoritmo del mtodo de la biseccin

Calcular una raz r real de la ecuacin f(x) = 0 con error E.

f es contnua en un intervalo [a, b] tal que f(a) y f(b) tienen signos diferentes
Algoritmo: Biseccin
Restriccin: No valida el intervalo inicial
Entra:
f, a, b, E
Sale:
c
(aproximacin a la raz r, con error E)
Mientras b-a > E
c (a+b)/2
Si f(c)=0
Terminar
Sino
Si signo f(c) = signo f(a)
a c
Sino
b c
Fin
Fin
Fin
El ltimo valor calculado c estar a no ms de una distancia E de la raz r.
Ejemplo. Calcule una raz real de f(x) = x ex - = 0 en el intervalo [0, 2] con error 0.01
Solucin
La funcin f es continua y adems por simple inspeccin: f(0)<0, f(2)>0, por lo tanto la
ecuacin f(x) = 0 debe contener alguna raz real en el intervalo [0, 2]
Cantidad de iteraciones
i>

log(d / E) log(2 / 0.01)

=
= 7.6439
log(2)
log(2)

8 iteraciones

37
Tabulacin de los clculos para obtener la raz con el mtodo de la Biseccin
iteracin
inicio
1
2
3
4
5
6
7
8

a
0
1
1
1
1
1.0625
1.0625
1.0625
1.0703

b
2
2
1.5
1.25
1.125
1.125
1.0938
1.0781
1.0781

c
1
1.5
1.25
1.125
1.0625
1.0938
1.0781
1.0703
1.0742

sign(f(a))
-

sign(f(c))
+
+
+
+
+
-

En la octava iteracin:
b a = 1.0781-1.0703 = 0.0078 |r c|<0.01
r = 1.074 con error menor que 0.01
En la ltima iteracin se observa que el intervalo que contiene a la raz se ha reducido a
[1.0703, 1.0781], por lo tanto el ltimo valor calculado de c = 1.074 debe estar cerca de r
con una distancia menor que 0.01
3.1.4

Eficiencia del mtodo de la biseccin

Suponer el caso ms desfavorable, en el que r est muy cerca de uno de los extremos del
intervalo [a, b]:
Sean

Ei = r ci :

error en la iteracin i

Ei+ 1= r ci+ 1 : error en la iteracin i+1

En cada iteracin la magnitud del error se reduce en no ms de la mitad respecto del error
en la iteracin anterior: Ei+1 0.5 Ei . Esta es una relacin lineal. Con la notacin O( ) se
puede escribir Ei+1 = O(Ei ) . Entonces, el mtodo de la Biseccin tiene convergencia lineal o
de primer orden y su factor de convergencia es 0.5 aproximadamente.

38
3.1.5

Instrumentacin computacional del mtodo de la Biseccin

Calcular una raz r real de la ecuacin f(x) = 0. f es contnua en un intervalo [a, b] tal que
f(a) y f(b) tienen signos diferentes
Para instrumentar el algoritmo de este mtodo se escribir una funcin en Python. El
nombre ser biseccin. Recibir como parmetros f, a, b, y entregar c como
aproximacin a la raz r.
Criterio para salir: Terminar cuando la longitud del intervalo sea menor que un valor
pequeo e especificado como otro parmetro para la funcin. Entonces el ltimo valor c
estar aproximadamente a una distancia e de la raz r.
def biseccion(f, a, b, e):
while b-a>=e:
c=(a+b)/2
if f(c)==0:
return c
else:
if f(a)*f(c)>0:
a=c
else:
b=c
return c

Ejemplo. Desde la ventana interactiva de Python use la funcin biseccin para calcular una
raz real de la ecuacin f(x) = xex - = 0. Suponer que se desea que el error sea menor
que 0.000001.
Por simple inspeccin se puede observar que f es continua y adems f(0) < 0, f(2) > 0. Por
lo tanto se elije como intervalo inicial: [0, 2]. Tambin se puede previamente graficar f.
En la ventana interactiva de Python:
>>> from math import*
>>> from biseccion import biseccion
>>> def f(x): return x*exp(x)-pi
>>> c=biseccion(f,0,2,0.000001)
>>> c
1.0736589431762695
>>> f(c)
4.540916178063729e-06

Resultado con E=0.000001

Verificar en la ecuacin

39
Ejemplo. Encontrar las intersecciones en el primer cuadrante de los grficos de las
funciones: f(x) = 4 + cos(x+1), g(x)=ex sen(x).
Graficar las funciones para visualizar las intersecciones:
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

x=arange(0,3.5,0.1)
f=4+x*cos(x+1)
g=exp(x)*sin(x)
plot(x,f,'b')
plot(x,g,'r')
grid(True)
show()

Las intersecciones son las races de la ecuacin h(x) = g(x)-f(x) = 0

El clculo de las races se realiza con el mtodo de la Biseccin con E= 0.000001
>>> from biseccion import biseccion
>>> def h(x): return exp(x)*sin(x)-4-x*cos(x+1)
>>> r=biseccion(h,1,1.5,0.000001)
>>> r
1.233719825744629
>>> r=biseccion(h,3,3.2,0.000001)
>>> r
3.0406669616699213

Nota. La librera sympy incluye las funciones matemticas de la librera math

40
3.2

Mtodo del punto fijo

Sea f: RR. Dada la ecuacin f(x) = 0, encuentre r tal que f(r) = 0

El mtodo del punto fijo, tambin conocido como mtodo de la Iteracin funcional es el
fundamento matemtico para construir mtodos eficientes para el clculo de races reales
de ecuaciones no lineales.
Este mtodo consiste en re-escribir la ecuacin f(x) = 0 en la forma x = g(x). Esta nueva
ecuacin debe ser equivalente a la ecuacin original en el sentido que debe satisfacerse con
la misma raz, es decir la existencia de un punto fijo r de la ecuacin x = g(x) es equivalente
a encontrar una raz real r de la ecuacin f(x) = 0: r = g(r) f(r)=0 como muestra el
grfico:
log(sin(x)+2)

sin(x)-exp(x)+2
2

1.5

1.5
g(x)

1
f(x)

Punto fijo r
0.5

Raiz r
0

-0.5

-1

3.2.1

0.5

1
x

1.5

0.5
x
0

-0.5

-1

0.5

1
x

1.5

Existencia del punto fijo

Sea g una funcin continua en un intervalo [a, b] tal que g(a) > a y g(b) < b.
Entonces la ecuacin x = g(x) tiene al menos un punto fijo en [a, b]
Demostracin
Sea h(x) = g(x) - x una funcin, tambin continua, en el intervalo [a, b]
Entonces:
h(a) = g(a) - a > 0
h(b) = g(b) - b < 0
Por la continuidad de h existe algn valor r en el intervalo [a, b], tal que h(r) = 0. Entonces
g(r) - r = 0. Por lo tanto r es un punto fijo de x=g(x) y r es una raz real de f(x) = 0

41
3.2.2

Convergencia del mtodo del punto fijo

Sea g una funcin continua en un intervalo [a, b] tal que g(a) > a y g(b) < b y sea r un
punto fijo en [a, b]. Si x(a,b)(|g(x)|<1), entonces la secuencia xi+1 = g(xi), i = 0, 1, 2, 3, ...
converge al punto fijo r y g(x) es el factor de convergencia:
Demostracin
Sean las ecuaciones equivalentes:
f(x) = 0, x = g(x)
Si r es una raz de f(x)=0 se cumple que r = g(r) f(r) = 0
La ecuacin x = g(x) sugiere una frmula iterativa xi+1 = g(xi), i = 0, 1, 2, 3, . . . siendo x0 el
valor inicial elegido para generar la secuencia {xi}
Definiciones:
Ei = r xi : Error de truncamiento en la iteracin i
Ei+1 = r xi+1: Error de truncamiento en la iteracin i + 1
Si g es continua en el intervalo que incluye a r y a cada punto calculado xi.
Analizamos el siguiente caso:

Por el Teorema del Valor Medio:

g(xi ) g(r)
g'(z) =
, para algn z (r, xi)
xi r
Sustituyendo las definiciones anteriores:
x r Ei+ 1
g'(z) = i+ 1
=
Ei+1 = g'(z)Ei , i = 0, 1, 2, 3, . . .
xi r
Ei
Si en cada iteracin, 0 < g(xi) < 1, entonces
Ei+ 1 0 y por lo tanto, r xi+ 1 0 xi+ 1 r .
i

El mtodo del punto fijo converge a r y g(x) (0, 1) es el factor de convergencia.

42
Se puede extender al caso en el cual g tiene pendiente negativa y deducir la condicin
necesaria de convergencia del mtodo del punto fijo: |g(x)| < 1.
3.2.3

Unicidad del punto fijo

Sea r un punto fijo de x = g(x). Si g(x) existe en el intervalo [a, b] y x[a,b](|g(x)|<1),

entonces el punto fijo r es nico
Demostracin
Sean r, p puntos fijos de x=g(x) con r p, es decir, r = g(r), p = g(p) en [a, b] tal que
x(a,b)(|g(x)|<1)
Por el Teorema del Valor Medio: z[r, p] tal que g'(z) =

g(p) g(r)
pr

g(z)(p-r) = g(p)-g(r) |g(z)| |(p-r)| = |p-r| |g(z)| = 1, pues r p

Pero en r, p [a, b] lo cual significa que x[p, r] |g(x)|<1
Esta contradiccin implica que p debe ser igual a r

3.2.4

Algoritmo del punto fijo

La ecuacin x=g(x) sugiere convertirla en una frmula iterativa xi+1 = g(xi), i = 0, 1, 2, 3, . . .

siendo x0 el valor inicial, elegido con algn criterio. En la frmula se usa un ndice para
numerar los valores calculados.
La frmula iterativa producir una sucesin de valores x: xi+1 = g(xi), i = 0, 1, 2, 3, ... y se
espera que tienda a un punto fijo de la ecuacin x = g(x) lo cual implica que este resultado
tambin satisface a la ecuacin f(x) = 0
Algoritmo: Punto Fijo
Restriccin: No verifica la condicin de convergencia
Entra:
g, x, E
Sale:
x
(aproximacin a la raz r, con error E)
Mientras |g(x)-x|>E
x g(x)
Fin

43
Ejemplo. Calcule una raz real de f(x) = ex - x = 0 con el mtodo del punto fijo.
Un grfico de f nos muestra que la ecuacin tiene dos races reales en el intervalo [0, 2]

Re-escribir la ecuacin en la forma x = g(x).

Tomando directamente de la ecuacin (puede haber varias opciones)
a) x = g(x) = ex/
b) x = g(x) = ln(x)
c) x = g(x) = ex x + x, etc
Usaremos la primera
Escribir la frmula iterativa:
xi+1 = g(xi) = e x i /, i = 0, 1, 2, 3, . . .
Elegir un valor inicial x0 = 0.6 (cercano a la primera raz, tomado del grfico)
Calcular los siguientes valores
x1 = g(x0) = e x0 / = e 0.6 /
x1

x2 = g(x1) = e / = e

0.5800

= 0.5800
/ = 0.5685

x3 = g(x2) = e

0.5685

= 0.5620

x4 = g(x3) = e

0.5620

= 0.5584

x5 = g(x4) = e

0.5584

= 0.5564

0.5564

x6 = g(x5) = e
/
= 0.5552
...
La diferencia entre cada par de valores consecutivos se reduce en cada iteracin. En los
ltimos la diferencia est en el orden de los milsimos, por lo tanto podemos considerar que
el mtodo converge y el error est en el orden de los milsimos.

44
Para calcular la segunda raz, usamos la misma frmula iterativa:
xi+1 = g(xi) = e

xi

/, i = 0, 1, 2, 3, . . .

El valor inicial elegido es x0 = 1.7 (cercano a la segunda raz, tomado del grfico)
Calcular los siguientes valores
x1 = g(x0) = e x0 /

= e1.7 /

x1

x2 = g(x1) = e /

= e

1.7424

= 1.7424
/

= 1.8179

x3 = g(x2) = e

1.8179

= 1.9604

x4 = g(x3) = e

1.9604

= 2.2608

x5 = g(x4) = e

2.2608

= 3.0528

x6 = g(x5) = e

3.0528

= 6.7399

x6 = g(x5) = e

6.7399

= 269.1367

...
La diferencia entre cada par de valores consecutivos aumenta en cada iteracin. Se
concluye que el mtodo no converge.
En el ejemplo anterior, las races reales de la ecuacin f(x)=0 son las intersecciones de f
con el eje horizontal. En el problema equivalente x=g(x), las races reales son las
intersecciones entre g y la recta x:

En el clculo de la primera raz, la pendiente de g es menor que la pendiente de x y se

observa que la secuencia de valores generados tiende a la raz. La interpretacin grfica del
proceso de clculo se describe en la siguiente figura.

45
x
0.6
0.59
0.58
0.57
0.56

0.55
0.54
0.53

g(x)

0.52
0.51
0.5
0.5

0.62

0.6

0.58

0.56
x

0.54

0.52

Para la segunda raz, la pendiente de g es mayor que la pendiente de x y se puede

constatar que la secuencia de valores generados se aleja de la raz.

Ejemplo. Encuentre el intervalo de convergencia para para calcular las races de la

x
ecuacin anterior: f(x) = e - x = 0 con el mtodo del punto fijo.
Ecuacin equivalente:
x
x = g(x) = e /
Condicin de convergencia:

|g(x)| < 1

g(x) = ex/ |e /| < 1

x < ln()

Intervalo de convergencia: (, ln( ))

Con lo que se concluye que la segunda raz no se puede calcular con esta frmula.
x

Ejemplo. Calcule una raz real de la misma ecuacin f(x) = e - x = 0 con el mtodo del
punto fijo con otra forma de la ecuacin de recurrencia x=g(x).
Para este ejemplo se decide usar la segunda forma: x = g(x)=ln(x)
x

Segn
la
condicin
de
convergencia
establecida,
el
grfico muestra que ser imposible
calcular la primera raz. La
segunda raz si podr ser
calculada, lo cual se puede
verificar numricamente.

1.8
1.6
1.4

g(x)
1.2
1

0.8
0.6
0.4
0.2
0

0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

46
Ejemplo. Calcular con Python la segunda raz de la ecuacin: f(x)=exp(x)-x mediante la
frmula de recurrencia: x=g(x)=ln(x)
>>> from math import*
>>> def g(x): return log(pi*x)
>>> x=1.6
>>> x=g(x)
>>> print(x)
1.6147335150951356
>>> x=g(x)
>>> print(x)
1.6238998227759673
>>> x=g(x)
>>> print(x)
1.62956044020348
. . .
. . .
>>> x=g(x)
>>> print(x)
1.6385043042098606
>>> x=g(x)
>>> print(x)
1.6385137019235614
3.2.5

Valor inicial para la segunda raz

Valor luego de 15 iteraciones

Eficiencia del mtodo del punto fijo

El mtodo del punto fijo tiene convergencia lineal o de primer orden debido a que Ei y Ei+1
estn relacionados directamente mediante el factor de convergencia: Ei+1 = g'(z) Ei , por lo
tanto este mtodo tiene convergencia lineal:

Ei+ 1 = O(Ei ) y

g'(z) es el factor de

convergencia. Si la magnitud de g'(z) permanece mayor a 1, el mtodo no converge.

47
3.3

Mtodo de Newton

Sean f: RR, y la ecuacin f(x) = 0. Sea r tal que f(r) = 0, entonces r es una raz real de
la ecuacin.
El mtodo de Newton es una frmula iterativa eficiente para encontrar r. Es un caso
especial del mtodo del punto fijo en el que la ecuacin f(x) = 0 se re-escribe en la forma x =
g(x) eligiendo g de tal manera que la convergencia sea de segundo orden.
3.3.1

La frmula de Newton

Suponer que g es una funcin diferenciable en una regin que incluye a la raz r y al valor xi
(calculado en la iteracin i). Desarrollando con la serie de Taylor:
g(xi) = g(r) + (xi - r) g(r) + (xi - r)2g(r)/2! + . . .
Con las definiciones del mtodo del punto fijo:
r = g(r)
xi+1 = g(xi), i = 0, 1, 2, 3, . . .
Se obtiene:
xi+1 = r + (xi - r) g(r) + (xi - r)2g(r)/2! + . . .
Si se define el error de truncamiento de la siguiente forma:
Ei

= xi - r:

Error en la iteracin i

Ei+ 1 = xi+1 - r: Error en la iteracin i + 1

Finalmente se obtiene:
Ei+ 1 = Ei g(r) + Ei2 g(r)/2! + . . .
Si se hace que g(r) = 0, y si g(r) 0, entonces se tendr:
Ei+ 1 = O( Ei2 ),
Con lo que el mtodo tendr convergencia cuadrtica.
El procedimiento para hacer que g(r) = 0, consiste en elegir una forma apropiada para g(x):
Sea g(x) = x - f(x) h(x), en donde h es alguna funcin que deber especificarse
Es necesario verificar que la ecuacin x = g(x) se satisface con la raz r de f(x) = 0
Si f(r) = 0, y h(r) 0: g(r) = r - f(r) h(r) = r g(r) = r

48
Derivar g(x) y evaluar en r
g(x) = 1 - f(x) h(x) - f(x) h(x)
g(r) = 1 - f(r) h(r) - f(r) h(r) = 1 - f(r) h(r)
Para que la convergencia sea cuadrtica se necesita que g(r) = 0
g(r) = 0 0 = 1 - f(r) h(r) h(r) = 1/f(r) h(x) = 1/f(x), f'(x)0
Con lo que h(x) queda especificada para que la convergencia sea cuadrtica.
Al sustituir en la frmula propuesta se obtiene x = g(x) = x - f(x)/f(x), y se puede escribir la
frmula iterativa de Newton:
Definicin: Frmula iterativa de Newton

f(xi )
xi + 1 =
xi
, f '(xi ) 0 , i = 0, 1, 2, . . .
f '(xi )

3.3.2

Algoritmo del mtodo de Newton

Para calcular una raz r real de la ecuacin f(x) = 0 con error E se usa la frmula iterativa .
f(xi )
xi + 1 =
xi
, f '(xi ) 0 . Comenzando con un valor inicial x0 se genera una sucesin de
f '(xi )
valores xi , i = 0, 1, 2, 3, ... esperando que converja a un valor que satisfaga la ecuacin.
Algoritmo: Newton
Restriccin: No detecta divergencia
Entra:
f
Ecuacin a resolver
x
Valor inicial
E
Error que se espera en la respuesta
Sale:
r
Aproximacin a la raz con error E
r x f(x)/f(x)
Mientras |r x| > E
x r
r x f(x)/f(x)
Fin
Mostrar(r)

49
Ejemplo. Calcule las races reales de f(x) = ex - x = 0 con el mtodo de Newton.
Un grfico de f nos muestra que la ecuacin tiene dos races reales en el intervalo [0, 2]

Para la primera raz tomamos el valor inicial: x0 = 0.5

x1 =
x0

f(x 0 )
e x0 x 0
e0.5 0.5
x0
0.5
0.5522
=
=

=
f '(x 0 )
e0.5
e x0

x 2 =
x1

f(x1 )
e x1 x1
e0.5522 0.5522
x1
0.5522
0.5538
=
=

=
f '(x1 )
e0.5522
e x1

x 3 =
x2

f(x 2 )
e x2 x 2
e0.5538 0.5538
=
=

=
x2
0.5538
0.5538
f '(x 2 )
e0.5538
e x2

En los resultados se observa la rpida convergencia. En la tercera iteracin el resultado

tiene cuatro decimales que no cambian.
Para la segunda raz tomamos el valor inicial: x0 = 1.8
x1 =
x0

f(x 0 )
e x0 x 0
e1.8 1.8
x0
1.8
1.6642
=
=
=
x0
f '(x 0 )
e1.8
e

x 2 =
x1

f(x1 )
e x1 x1
e1.6642 1.6642
=
x1
=
1.6642

=
1.6393
f '(x1 )
e1.6642
e x1

x 3 =
x2

f(x 2 )
e x2 x 2
e1.6393 1.6393
=
x2
=
1.6393

=
1.6385
f '(x 2 )
e1.6393
e x2

x 4 =
x3

f(x 3 )
e x3 x 3
e1.6385 1.6385
=
x3
=
1.6385

=
1.6385
f '(x 3 )
e1.6385
e x3

50
A diferencia del mtodo del Punto Fijo, la frmula de Newton converge a ambas races. Para
entender este importante comportamiento, una interpretacin grfica de la frmula nos
muestra la transformacin geomtrica que permite la convergencia en ambas races:
Grfico de la frmula de Newton interpretada como frmula del Punto Fijo para el ejemplo
anterior:
xi + 1 =
g(xi ) =
xi

f(xi )
e xi xi
=
xi
f '(xi )
e xi

2
1.8
1.6
g(x)

1.4
1.2
1
0.8

x
0.6
0.4
0.2
0

0.5

1
x

1.5

Grfico de x y g(x) con la frmula de Newton para el ejemplo anterior

Se observa que en la vecindad de cada raz, |g(x)|<1 y g(x) toma valores cercanos a
cero en la regin muy cercana a la raz, por lo cual la convergencia es segura, es muy
rpida y se puede llegar tan cerca de la raz como se desee.

51
3.3.3

Interpretacin grfica del mtodo de Newton

Sea f(x) = 0 la ecuacin que se desea resolver. La siguiente interpretacin grfica es til
para comprender el proceso de clculo con la frmula de Newton.
Suponer que f(x) tiene el siguiente grfico:

Se elige un valor aproximado inicial para la raz r, y se lo designa x0

Se traza una tangente a f(x) en el punto f(x0). El punto de interseccin con el eje horizontal
estar ms cerca de r, y se lo designa x1, mientras que el ngulo de interseccin se lo
designa como como se muestra en el grafico:

El valor de x1 se lo puede encontrar con la siguiente definicin:

tan(a0 ) = f '(x 0 ) =

f(x 0 )
x 0 x1

x1 = x 0

f(x 0 )
f '(x 0 )

El procedimiento anterior se puede repetir. Se traza una tangente a f(x) en el punto f(x1). El
punto de interseccin con el eje horizontal estar ms cerca de r, y se lo designa x2,
mientras que el ngulo de interseccin ser como se muestra en el siguiente grfico

52
El valor de x2 se lo puede encontrar con la siguiente definicin:
f(x1 )
f(x1 )
tan(a1 ) = f '(x1 ) =
x 2 = x1
x1 x 2
f '(x1 )
Si el procedimiento anterior se lo aplica repetdamente, se puede generalizar y escribir la
frmula iterativa:
f(xi )
f(xi )
tan(ai ) = f '(xi ) =
xi + 1 = xi
xi xi + 1
f '(xi )
Es la frmula iterativa de Newton-Raphson:
f(xi )
xi + 1 =
xi
, i=
0,1,2,...
f '(xi )
La interpretacin grfica permite observar que la secuencia de valores calculados con la
frmula de Newton sigue la trayectoria de las tangentes a f(x) en los puntos x0, x1, x2, ... Si
hay convergencia, esta secuencia tiende a la raz r. En la siguiente seccin se analiza la
propiedad de convergencia de ste mtodo.
3.3.4

Convergencia del mtodo de Newton

Se estableci en el mtodo del punto fijo que la ecuacin recurrente x=g(x) tiene la siguiente
propiedad de convergencia: | Ei+1 |=| g'(z) || Ei | , i = 0, 1, 2, 3, . . . La convergencia se
produce si se cumple que |g(x)|<1
Para el mtodo de Newton se obtuvo la siguiente ecuacin recurrente:
x= g(x)= x

Entonces,

g'(x) =

f(x)
f '(x)

f(x)f ''(x)
[f '(x)]2

f(xi ) 0

Si se supone que en alguna regin cercana a r en la cual se incluyen los valores

calculados x, se tiene que f(x)0, y si r es una raz de f(x)=0, entonces f(r) = 0, y por lo
tanto:
f(r)f ''(r)
=
g'(r) =
0
[f '(r)]2
Este resultado ya se estableci, pero demuestra que existe algn intervalo cercano r en el
que |g(x)|<1 siempre que g sea continua en ese intervalo La frmula de Newton converge
si los valores calculados se mantienen dentro de este intervalo.
Para obtener el intervalo de convergencia, no es prctico usar la definicin anterior pues
involucra resolver una desigualdad complicada. Existen otros procedimientos para
demostrar la convergencia de esta frmula como se muestra a continuacin.

53
3.3.5

Una condicin de convergencia local para el mtodo de Newton

Obtener un intervalo de convergencia de la definicin |g(x)| < 1 para el mtodo de Newton

f(x)f ''(x)
normalmente es un problema complicado. En esta seccin se
con: g'(x) =
[f '(x)]2
describe un procedimiento simple para obtener un intervalo de convergencia para algunos
casos de f(x).
Dada la ecuacin f(x)=0. Suponer que f(x), f(x), f(x) son continuas y limitadas en un
intervalo [a, b] que contiene a la raz r como se muestra en el siguiente grfico:

Para este caso, f(x) tiene las siguientes propiedades

a) f(x) > 0, x(r, b]
b) f(x) > 0, x(r, b]
c) f(x) > 0, x(r, b]
Partiendo de estas premisas se demuestra que la frmula de Newton converge para
cualquier valor inicial x0 elegido en el intervalo (r, b].
Demostracin
1) Las premisas a) y b) implican que xi+1 < xi :
En la frmula de Newton
f(xi )
xi+=
xi

1
f '(xi )

xi + 1 < xi

(1)

El enunciado es vlido pues f(x), f'(x) son positivos y se suma un trmino positivo a la
derecha
2) La premisa c) implica que r < xi+1 :
Desarrollamos f(x) con tres trminos de la serie de Taylor alrededor de xi
f(r)= f(xi ) + (r xi )f '(xi ) + (r xi )2 f ''(z) / 2!

f(r) > f(xi ) + (r xi )f '(xi ) 0 > f(xi ) + (r xi )f '(xi ) r < xi f(xi ) / f '(xi ) r < xi+ 1

(2)

El enunciado es vlido pues siendo f''(x) positivo, se resta un trmino positivo a la derecha

54
Combinando los resultados (1) y (2) se tiene
r < xi+ 1 < xi , i = 0, 1, 2,...

Este resultado define una sucesin numrica decreciente que tiende a

convergencia de la frmula iterativa de Newton: xi r

r y prueba la

Si se dispone del grfico de f es fcil reconocer visualmente si se cumplen las condiciones

a), b) y c) como el caso anterior y se puede definir un intervalo para la convergencia del
mtodo.
Si f tiene otra forma, igualmente se pueden enunciar y demostrar las condiciones para que
se produzca la convergencia en cada caso.
Ejemplo. Determine la convergencia del mtodo de Newton si f tuviese la siguiente forma

Su geometra se puede describir con:

a) f(x)>0, x[a, r)
b) f(x)<0, x[a, r)
c) f(x)>0, x[a, r)
Con un desarrollo similar al anterior, se puede probar que el mtodo converge para
cualquier valor inicial x0 elegido en el intervalo [a, r), (a la izquierda de la raz r).
El uso de esta propiedad es simple si se dispone de un grfico de la ecuacin. Se elige
como intervalo de convergencia aquella regin en la que se observa que la trayectoria de las
tangentes produce la convergencia a la raz. Si se elije un valor inicial arbitrario no se puede
asegurar que el mtodo converge.

55
Ejemplo. Una partcula se mueve en el espacio con el vector de posicin R(t) = (2cos(t),
sen(t), 0). Se requiere conocer el tiempo en el que el objeto se encuentra ms cerca del
punto P(2, 1, 0). Utilice el mtodo de Newton con cuatro decimales de precisin.
Solucin
Distancia entre dos puntos:
d(t) = (2cos(t) 2)2 + (sen(t) 1)2 + (0 0)2

Modelo matemtico: f(t) = d(t) = 0

f(t) = d (t) =

2 cos(t) (sen(t) 1) 4sen(t)(2 cos(t) 2)

2(2 cos(t) 2)2 + (sen(t) 1)2

=0

f(t) = cos(t) (sen(t) 1) 4 sen(t) (cos(t) 1) = 0

= 3sen(t) cos(t) 4sen(t) + cos(t) = 0

f (t) = 4 cos(t) + sen(t) 3cos(t)2 + 3sen(t)2

5

-1
0

0.2

0.4

0.6

0.8

1
t

1.2

1.4

1.6

1.8

Grfico de f(t)
Frmula de Newton
f(ti )
ti+ 1 =
ti
,
f '(ti )

i=
0,1,2,...

Sustitur las frmulas anteriores en la frmula de Newton y calcular:

t0 = 0.5
t1 = 0.5 938
t2 = 0.5873
t3 = 0.5 872
t4 = 0.5 872

Estimacin tomada del grfico

56
Ejemplo.- Si un crculo de radio a rueda en el plano a lo largo del eje horizontal, un punto
P de la circunferencia trazar una curva denominada cicloide. Esta curva puede expresarse
mediante las siguientes ecuaciones paramtricas
x(t) = a(t sen t),

y(t) = a(1 cos t)

Suponga que el radio es 1 metro, si (x, y) se miden en metros y t representa tiempo en

segundos, determine el primer instante en el que la magnitud de la velocidad es 0.5 m/s.
Use el mtodo de Newton, E=0.0001
Grfico de la cicloide

Su trayectoria:
u(t) = (x(t), y(t)) = (t sen t, 1 cos t)
Su velocidad:
u(t) = (1 cos t, sen t)
Magnitud de la velocidad:
u'(t) =
(1 cos t)2 + (sent)2

Grfico de la magnitud de la velocidad

Dato especificado:
(1 cos t)2 + (sent)2 = 0.5

f(t) = (1 cost)2 + (sent)2 0.25 = 0

Mtodo de Newton
ti+ 1 =
ti

f(ti )
(1 cos ti )2 + (senti )2 0.25
=
ti
f '(ti )
2(1 cos ti )(senti ) + 2(senti )(cos ti )

t0 = 0.5
t1 = ... = 0.505386
t2 = ... = 0.505360
t3 = ... = 0.505360

frmula iterativa
del grfico

57
3.3.6

Prctica computacional

En esta seccin se describe el uso de Python para usar el mtodo de Newton. Se lo har
directamente en la ventana interactiva.
Para calcular una raz debe elegirse un valor inicial cercano a la respuesta esperada de
acuerdo a la propiedad de convergencia estudiada para este mtodo.
Para realizar los clculos se usa la frmula de Newton en notacin algortmica:
f(xi )
xi+=
xi
, i = 0, 1, 2, 3,
1
f '(xi )
x0
x1, x2, x3,

es el valor inicial
son los valores calculados

En los lenguajes computacionales como Python no se requieren ndices para indicar que el
valor de una variable a la izquierda es el resultado de la evaluacin de una expresin a la
derecha con un valor anterior de la misma variable.
La ecuacin se puede definir como una expresin matemtica usando con la librera Sympy
La variable independiente se declara con Symbol. La derivada se obtiene con la funcin diff
y con la funcin float se evalan las expresiones matemticas.
Uso computacional de la frmula de Newton en Python:
>>> from sympy import*
>>> x=Symbol('x')
>>> f=
>>> df=diff(f,x)
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
En donde r es una estimacin de la raz de f(x)=0 y es sucesivamente modificada. La
frmula se la puede utilizar repetidamente para obtener los siguientes resultados y observar
la convergencia o divergencia.

Ejemplo. Calcule en la ventana interactiva de Python las races reales de f(x) = ex - x = 0

con la frmula de Newton.
Es conveniente graficar la ecuacin
>>>
>>>
>>>
>>>

from sympy import*

x=Symbol('x')
f=exp(x)-pi*x
plot(f,(x,0,2))

58

En el grfico se observan dos races reales

>>> df=diff(f,x)
>>> r=0.5
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
0.552198029112459
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
0.5538253947739784
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
0.5538270366428404
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
0.5538270366445136

Obtencin de f(x)
Valor inicial del grfico
float evala la expresin

>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
0.5538270366445136
>>> float(f.subs(x,r))
-1.5192266539886956e-17

Verificar si f(r) = 0

El ltimo resultado tiene dieciseis decimales fijos.

Se puede observar la rapidez con la que el mtodo se acerca a la respuesta duplicando
aproximadamente, la precisin en cada iteracin. Esto concuerda con la propiedad de
convergencia cuadrtica.
Finalmente, es necesario verificar que este resultado satisface a la ecuacin:

59

Si se comienza con r = 1.5 se puede calcular la otra raz real:

>>> r=1.5
. . .
. . .
. . .
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
1.6385284199703636
>>> float(f.subs(x,r))
4.591445985947165e-16

Verificar si f(r) = 0

Ejemplo. Se propone el siguiente modelo para describir la demanda de un producto, en

donde x es tiempo en meses:

d(x) = 20x e 0.075x

Encuentre el menor valor de x para el cual la demanda alcanza el valor de 80 unidades. Use
el mtodo de Newton para los clculos. Elija el valor inicial del grfico y muestre los valores
intermedios.
La ecuacin a resolver es:
=
f(x) 20x e 0.075x
=
80 0
>>> from sympy import*
>>> x=Symbol('x')
>>> f=20*x*exp(-0.075*x)-80
>>> plot(f,(x,0,50))
>>> r=5
>>> df=diff(f,x)
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
6.311945053556488
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
6.520455024943886
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
6.525360358429756
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
6.525363029068741
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
6.525363029069533
>>> r=r-float(f.subs(x,r))/float(df.subs(x,r))
>>> r
6.525363029069533

60
Ejemplo. Una partcula se mueve en el plano X - Y de acuerdo con las ecuaciones
paramtricas siguientes, donde t [0, 1] es tiempo:
x(t)=t*exp(t); y(t)=1+t*exp(2t)
Con la frmula de Newton calcule el tiempo en el que la partcula est ms cerca de (1,1)
Distancia de un punto (x, y) al punto (1, 1) :

=
d

(x(t) 1)2 + (y(t) 1)2

Para encontrar la menor distancia, debe resolverse la ecuacin: f(t) = d(t) = 0

>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

t=arange(0,1,0.01)
x=t*exp(t)
y=1+t*exp(2*t)
plot(x,y,'b')
grid(True)
show()

>>> from sympy import*

>>> t=Symbol('t')
>>> d=sqrt((t*exp(t)-1)**2+(1+t*exp(2*t)-1)**2)
>>> f=diff(d)
>>> df=diff(f)
>>> r=0.5
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
0.2782466390677125
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
0.25831052765669904
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
0.25677759974260406
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
0.2567682382596691
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
0.2567682379103996
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
0.2567682379103996
(tiempo para la menor distancia)
>>> d.subs(t,r)
0.794004939848305
(es la menor distancia)

61
Ejemplo. Encuentre una interseccin de las siguientes ecuaciones en coordenadas polares
r = 2+cos(3*t), r = 2 et
Ecuacin a resolver:
>>>
>>>
>>>
>>>
>>>
>>>

f(t) = 2+cos(3*t) (2 et) = 0

from pylab import*

t=arange(-pi,2*pi,0.01)
r=2+cos(3*t)
polar(t,r)
grid(True)
show()

Grfico en coordenadas polares

>>> from sympy import*

>>> t=Symbol('t')
>>> f=2+cos(3*t)-(2-exp(t))
>>> r=-1
>>> df=diff(f)
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.21374870355715347
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.8320496091165962
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.6696807111120446
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.696790503081824
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))

62
>>> r
-0.6973288907051911
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.6973291231341587
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.6973291231342021
>>> r=r-float(f.subs(t,r))/float(df.subs(t,r))
>>> r
-0.6973291231342021
(ngulo: -39.95. grados)
>>> 2+cos(3*r)
1.50208660521455
(radio)

3.3.7 Instrumentacin computacional del mtodo de Newton

Para evitar iterar desde la ventana interactiva, se puede instrumentar una funcin que reciba
la ecuacin a resolver f, la variable independiente v y el valor inicial u. Adicionalmente se
debe enviar un parmetro e para controlar la precisin requerida y otro parmetro m para
el mximo de iteraciones.
La funcin entrega la solucin calculada r y el nmero de iteraciones realizadas i. Si el
mtodo no converge en el mximo de iteraciones previsto, r contendr un valor nulo.
Variables de entrada
f: Ecuacin a resolver
v: Variable independiente
u: Valor inicial
e: Error esperado en la respuesta
m: Mximo de iteraciones permitido
Variables de salida
r: Valor aproximado para la raz
i: Cantidad de iteraciones realizadas
from sympy import*
def newton(f, v, u, e, m):
df=diff(f,v)
for i in range(m):
r=u-float(f.subs(v,u))/float(df.subs(v,u))
if abs(r-u)<e:
return [r,i]
u=r
return [None]

63
Ejemplo. Calcule las races reales de f(x) = ex - x = 0 con la funcin newton, E=10-6
Un grfico para estimar los valores iniciales
>>>
>>>
>>>
>>>

from sympy import*

x=Symbol('x')
f=exp(x)-pi*x
plot(f,(x,0,2))

La primera raz real est cerca de 0.5

>>> from sympy import*
>>> from newton import newton
>>> x=Symbol('x')
>>> f=exp(x)-pi*x
>>> [r,i]=newton(f,x,0.5,0.000001,10)
>>> print(r)
0.5538270366445136
>>> print(i)
3
Si se comienza con 1.5 se puede calcular la otra raz real:
>>> [r,i]=newton(f,x,1.5,0.000001,10)
>>> print(r)
1.6385284199703631
>>> print(i)
4

64
Uso de la funcin solve de Sympy para obtener las races de la ecuacion anterior:
>>> from sympy import*
>>> x=Symbol('x')
>>> f=exp(x)-pi*x
>>> r=solve(f)
>>> len(r)
1
>>> float(r[0])
0.5538270366445136

La funcin solve solo permiti calcular una raz

65
3.4 Ejercicios y problemas de ecuaciones no-lineales
1. La suma de dos nmeros reales positivos es 5 y el producto de sus cuadrados es 20.
Encuentre estos dos nmeros.
2. El producto de las edades en aos de dos personas es 677.35 y si se suman los cubos de
ambas edades se obtiene 36594.38 Encuentre cuales son estas edades.
3. Una empresa produce semanalmente una cantidad de artculos. El costo de produccin
semanal tiene un costo fijo de 250 y un coso de 2.50 por cada artculo producido. El ingreso
semanal por venta tiene un valor de 3.50 por cada artculo vendido, ms un costo de
oportunidad que se ha estimado directamente proporcional a la cantidad de artculos
producidos, multiplicado por el logaritmo natural. Encuentre el punto de equilibrio para este
modelo.
4. En una empresa de fertilizantes el modelo v(x) = 0.4x (30 - x) corresponde a las ventas
en miles de dlares cada mes, mientras que el costo de produccin mensual, en miles de
dlares es c(x) = 5 + 10 ln(x), siendo x la cantidad producida en toneladas, 1x30.
a) Determine la cantidad que debe producirse para que la ganancia mensual sea 40
b) Determine la cantidad mensual que se debe producir para obtener la mxima ganancia.
5. El costo semanal fijo por uso de un local para venta de cierto tipo de artculo es $50.
Producir cada Kg. del artculo cuesta $2.5. El ingreso por venta es 3x + 2 ln(x) en donde x
representa la cantidad de kg vendidos en cada semana. Determine la cantidad de Kg. que
se debe vender semanalmente a partir de la cual la empresa obtiene ganancias.
6. En una planta de abastecimiento de combustible se tiene un tanque de forma esfrica. El
volumen del lquido almacenado en el tanque se puede calcular mediante la siguiente
frmula: v(h) =
h2 (R h / 3) ,donde h representa la altura del lquido dentro del tanque
medida desde la parte inferior del tanque y R su radio (0 h 2R). Suponga que el tanque
tiene un radio de 2 m. Calcule la altura que debe tener el lquido para que el tanque
contenga 27 m3. Calcule el resultado con una tolerancia E=104.
7. Encuentre el punto de la curva dada por y =
2x 5 3xe x 10 ubicado en el tercer
cuadrante, donde su recta tangente sea paralela al eje X.
8. Determine la raz real de la ecuacin: sin(x) = ln(x)
9. Determine la segunda raz real positiva, con 4 decimales exactos de la ecuacin:
cos(x) = tan(x)
10. Calcule una raz real positiva de la ecuacin sin(x) + 1 = x.
11. Para que f sea una funcin de probabilidad se tiene que cumplir que su integral en el
dominio de f debe tener un valor igual a 1. Encuentre el valor de b para que la funcin
f(x)=2x2 + x sea una funcin de probabilidad en el dominio [0, b].

66

12. Calcule con cuatro decimales exactos la interseccin de la ecuacin (y 1)2 + x3 = 6,

con la recta que incluye a los puntos (-1, -1), (1, 1) en el plano.
13. Encuentre una frmula iterativa de convergencia cuadrtica y defina un intervalo de
convergencia apropiado para calcular la raz real n-sima de un nmero real. El algoritmo
solamente debe incluir operaciones aritmticas elementales.
14. El siguiente es un procedimiento intuitivo para calcular una raz real positiva de la
ecuacin f(x) = 0 en un intervalo [a, b] con precisin E:
A partir de x = a evale f(x) incrementando x en un valor d. Inicialmente d = (b a)/10
Cuando f cambie de signo, retroceda x al punto anterior x d, reduzca d al valor d/10
y evale nuevamente f hasta que cambie de signo Repita este procedimiento hasta que
d sea menor que E.
a) De manera formal escriba las condiciones necesarias para que la raz exista, sea nica y
pueda ser calculada.
b) Indique el orden de convergencia y estime el factor de convergencia del mtodo.
c) Describa el procedimiento anterior en notacin algortmica, o en MATLAB o en Python

15. Se propone resolver la ecuacin ( ) = con el mtodo del punto fijo

a) Obtenga la ecuacin f(x) = 0 resolviendo el integral

b) Mediante un grfico aproximado, o evaluando directamente, localice la races reales.
c) Proponga una ecuacin equivalente x = g(x) y determine el intervalo de convergencia
para calcular una de las dos races.
d) Del intervalo anterior, elija un valor inicial y realice 5 iteraciones. En cada iteracin
verifique que se cumple la condicin de convergencia del punto fijo y estime el error de
truncamiento en el ltimo resultado.
.
16. El valor neto C de un fondo de inversiones se lo ha modelado con C(t) = Ate-t/3 en
donde A es el monto inicial y t es tiempo.
a) Encuentre el tiempo t en el que el fondo de inversiones C(t) alcanzara el mximo
b) Determine el monto de la inversin inicial A necesaria para que el valor mximo de C(t)
sea igual a 1 en el tiempo especificado anteriormente.
c) Con la inversin inicial anterior A, encuentre el tiempo t en el que el fondo de inversiones
C(t) se reducira a 0.25. Use el mtodo de Newton, E = 104 .
17. La siguiente ecuacin relaciona el factor de friccin f y el nmero de Reynolds Re para
flujo turbulento que circula en un tubo liso: 1/f = 0.4 + 1.74 ln(Re f)
Calcule el valor de f para Re = 20000

67
18. Un ingeniero desea tener una cantidad de dlares acumulada en su cuenta de ahorros
para su retiro luego de una cantidad de aos de trabajo. Para este objetivo planea depositar
un valor mensualmente. Suponga que el banco acumula el capital mensualmente mediante
la siguiente frmula:
(1 + x)n 1 , en donde
A = P

A: Valor acumulado, P: Valor de cada depsito mensual

n: Cantidad de depsitos mensuales,
x: Tasa de inters mensual
Determine la tasa de inters anual que debe pagarle el banco si desea reunir 200000 en 25
aos depositando cuotas mensuales de 350
19. Una empresa compra una mquina en 20000 dlares pagando 5000 dlares cada ao
durante los prximos 5 aos. La siguiente frmula relaciona el costo de la mquina P, el
pago anual A, el nmero de aos n y el inters anual x:

A =P

x(1 + x)n
(1 + x)n 1

Determine la tasa de inters anual x que se debe pagar.

20. Una empresa vende un vehculo en P=$34000 con una entrada de E=$7000 y pagos
mensuales de M=$800 durante cinco aos. Determine el inters mensual x que la empresa
est cobrando. Use la siguiente frmula:
P =+
E

M
1
[1
],
x
(1 + x)n

en donde n es el nmero total de pagos mensuales

21. Un modelo de crecimiento poblacional est dado por: f(t) = 5t + 2e0.1t, en donde n es el
nmero de habitantes, t es tiempo en aos.
a) Calcule el nmero de habitantes que habrn en el ao 25
b) Encuentre el tiempo para el cual la poblacin es 200
22. Un modelo de crecimiento poblacional est dado por. f(x) = kx + 2e0.1x, siendo k una
constante que debe determinarse y x tiempo en aos. Se conoce que f(10)=50.
a) Determine la poblacin en el ao 25
b) Determine el ao en el que la poblacin alcanzar el valor 1000.
23. Un modelo de crecimiento poblacional est dado por f(t) = k1 t + k2 e0.1t
Siendo k1 y k2 constantes, y t tiempo en aos.
Se conoce que f(10)=25, f(20)=650.
Determine el ao en el que la poblacin alcanzar el valor 5000.
24. La concentracin de bacterias contaminantes c en un lago decrece de acuerdo con la
1.5 t

0.075 t

=
c 70e
+ 25e
relacin:
.
Se necesita determinar el tiempo para que la concentracin de bacterias se reduzca a 15
unidades o menos.
a) Determine un intervalo de existencia de la raz de la ecuacin. Use un grfico
b) Aproxime la raz indicando la cota del error.

68
25. En un modelo de probabilidad se usa la siguiente frmula para calcular la probabilidad
f(k) que en el intento nmero k se obtenga el primer resultado favorable:
f(k) = p(1-p)k-1 ,0p1, k=0, 1, 2, 3, .
a) Si en una prueba se obtuvo que f(5) = 0.0733, encuentre cuales son los dos posibles
valores de p posibles en la frmula.
b) Con el menor valor obtenido para p encuentre el menor valor de k para el que f(k)<0.1
26. Para simular la trayectoria de un cohete se usar el siguiente modelo:
y(t) =
6 + 2.13t 2 0.0013t 4
En donde y es la altura alcanzada, en metros y t es tiempo en segundos. El cohete est
colocado verticalmente sobre la tierra.
a) Encuentre el tiempo de vuelo.
b) Encuentre la altura mxima del recorrido.
27. El movimiento de una partcula en el plano, se encuentra representado por las
ecuaciones paramtricas:
x(t)= 3sen3 (t) 1; y(t)= 4sen(t) cos(t); t 0

Donde x, y son las coordenadas de la posicin expresadas en cm, t se expresa en seg.

a) Demuestre que existe un instante t [0, / 2] tal que sus coordenadas x e y
coinciden.
b) Encuentre con un error de 105 en qu instante las dos coordenadas sern iguales en el
intervalo dado en a).
28. Los polinomios de Chebyshev Tn(x) son utilizados en algunos mtodos numricos.
Estos polinomios estn definidos recursivamente por la siguiente formulacin:
To(x) = 1, T1(x) = x
Tn(x) = 2.x.Tn-1(x)-Tn-2(x), n= 0, 1, 2, 3,
Calcule todas las races reales positivas de T7(x).
29. La posicin del ngulo central en el da t de la luna alrededor de un planeta si su
perodo de revolucin es P das y su excentricidad es e, se describe con la ecuacin de
Kepler:
2 t - P + P e sen = 0
Encuentre la posicin de la luna (ngulo central) en el da 30, sabiendo que el perodo de
revolucin es 100 das y la excentricidad 0.5.
30. Una partcula se mueve en el plano XY (la escala est en metros) con una trayectoria

descrita por la funcin u(t) = (x(t), y(t)) = 2t e t + 4 t , 2t 3 , t[0,1], t medido en horas.

a) Grafique la trayectoria u(t)
b) Encuentre la posicin de la partcula cuando x=3.
c) En que el instante la partcula se encuentra a una distancia de 4 metros del origen.

69

31. En una regin se instalan 100 personas y su tasa de crecimiento es e0.2x, en donde x es
tiempo en aos. La cantidad inicial de recursos disponibles abastece a 120 personas. El
incremento de recursos disponibles puede abastecer a una tasa de 10x personas, en donde
x es tiempo en aos. Se desea conocer cuando los recursos no sern suficientes para
abastecer a toda la poblacin. Calcule la solucin con cuatro dgitos de precisin y
determine el ao, mes y da en que se producir este evento.
32. Suponga que el precio de un producto f(x) depende del tiempo x en el que se lo ofrece
al mercado con la siguiente relacin f(x) = 25x exp(-0.1x), 0x12, en donde x es tiempo
en meses. Se desea determinar el da en el que el precio sube a 80.
a) Evale f con x en meses hasta que localice una raz real (cambio de signo) y trace la
forma aproximada de f(x)
b) Calcule la respuesta (mes) con E=10-4. Exprese esta respuesta en das (1mes = 30 das)
c) Encuentre el da en el cual el precio ser mximo. E=10-4
33. Determine de ser posible, el valor del parmetro > 0 , tal que

xe dx = 10 .
x

34. Una partcula sigue una trayectoria elptica centrada en el origen (eje mayor 4 y eje
menor 3) comenzando en el punto ms alto, y otra partcula sigue una trayectoria parablica
ascendente hacia la derecha comenzando en el origen (distancia focal 5). El recorrido se
inicia en el mismo instante.
a) Encuentre el punto de interseccin de las trayectorias.
b) Si la primera partcula tiene velocidad uniforme y pasa por el punto ms alto cada minuto,
determine el instante en el cual debe lanzarse la segunda partcula con aceleracin 10 m/s2
para que intercepte a la primera partcula.
35. La velocidad V de un paracaidista est dada por la frmula:
=
V

En donde

gx
(1 e
c

ct
x

g=9.81 m/s2 (gravedad terrestre,

t: tiempo en segundos,

c=14 kg/s (coeficiente de arrastre)

x: masa del paracaidista en kg.

Cuando transcurrieron 7 segundos se detect que la velocidad es 35 m/s. Determine la

masa del paracaidista. E=0.001
36. Un tanquero de forma cilndrica de 2 metros de dimetro est lleno de agua y debe
entregar su contenido en partes iguales a tres lugares. El nico instrumento de medicin es
una tira de madera que el operador sumerge desde la parte superior hasta el fondo del
tanque. Encuentre las alturas en las que debe marcarse la tira para que el operador del
tanquero pueda conocer que ha entregado la misma cantidad de agua en los tres sitios.

70
37. Una esfera de densidad 0.4 y radio 5 flota parcialmente sumergida en el agua.
Encuentre la profundidad h que se encuentra sumergida la esfera.
Nota: requiere conocer la densidad del agua y el volumen de un segmento esfrico.
38. En el siguiente grfico de dos circunferencias con radio igual a 2, el rea de la
interseccin es igual a . Determine la distancia entre los centros de las circunferencias,
E=10-6

39. Un empresario desea producir recipientes cilndricos de aluminio de un litro de

capacidad. Los bordes deben tener 0.5 cm. adicionales para sellarlos. Determine las
dimensiones del recipiente para que la cantidad de material utilizado en la fabricacin sea
mnima. Calcule una solucin factible con error 10-4

71
3.5

Races reales de sistemas de ecuaciones no-lineales

En general este es un problema difcil, por lo que conviene intentar reducir el nmero de
ecuaciones y en caso de llegar a una ecuacin, poder aplicar alguno de los mtodos
conocidos.
Si no es posible reducir el sistema, entonces se intenta resolverlo con mtodos especiales
para sistemas de ecuaciones no-lineales.
Debido a que el estudio de la convergencia de estos mtodos es complicado, se prefiere
utilizar algn mtodo eficiente, de tal manera que numricamente pueda determinarse la
convergencia o divergencia con los resultados obtenidos.
Una buena estrategia consiste en extender el mtodo de Newton, cuya convergencia es de
segundo orden, al caso de sistemas de ecuaciones no lineales. En esta seccin se describe
la frmula para resolver un sistema de n ecuaciones no lineales y se la aplica a la solucin
de un sistema de dos ecuaciones. Al final de este captulo se propone una demostracin
ms formal de esta frmula.
3.5.1

Frmula iterativa de segundo orden para calcular races reales de sistemas de

ecuaciones no-lineales

Sean F: f1, f2, , fn sistema de ecuaciones no lineales con variables X: x1, x2, , xn. Se
requiere calcular un vector real que satisfaga al sistema F
En el caso de que F contenga una sola ecuacin f con una variable x, la conocida frmula
iterativa de Newton puede escribirse de la siguiente manera:

df (k) 1 (k)
(iteraciones)
) f , k=0, 1, 2,
dx
Si F contiene n ecuaciones, la frmula se puede extender, siempre que las derivadas
existan:
F(k) 1 (k)
X (k + 1) =
X (k) (
) F =
X (k) (J(k) )1F(k)
X
En donde:
f1(k) f1(k)
f1(k)
...

x n
x 1 x 2
f1(k)
x1(k)
x1(k + 1)
f (k) f (k)
f2(k)
(k)
(k)
(k + 1)
2
2
...

f
x
x
x n
X (k + 1) = 2 , X (k) = 2 , F(k) = 2 , J(k) = x1 x 2
...
...
...
...
... ... ...
(k)
(k)
(k + 1)

fn
xn
xn
fn(k) fn(k)
fn(k)
...

x n
x 1 x 2
J es la matriz jacobiana. Esta ecuacin de recurrencia se puede usar iterativamente con
k = 0, 1, 2, partiendo de un vector inicial X (0) generando vectores de aproximacin:
X (1) , X (2) , X (3) ,
+ 1)
x (k=
x (k) (

72

3.5.2

Convergencia del mtodo de Newton para sistemas de ecuaciones no lineales

En forma general la convergencia de este mtodo para sistemas no lineales requiere que:
a) f1, f2, fn as como sus derivadas sean continuas en la regin de aplicacin.
b) El determinante del Jacobiano no se anule en esta regin
c) El valor inicial y los valores calculados pertenezcan a esta regin, la cual incluye a la
raz que se intenta calcular
3.5.3

Algoritmo del mtodo de Newton para sistemas de ecuaciones no lineales

Dado un sistema de ecuaciones F = 0, sea J su matriz Jacobiana. El siguiente algoritmo

genera una sucesin de vectores que se espera tienda al vector solucin.
Algoritmo: Newton
Restriccin:
Entra:
F
X
E
Sale:
U
J

para sistemas no lineales

No detecta divergencia
(Vector con las ecuaciones)
(Vector inicial)
(Error o tolerancia)
(Aproximacin al vector solucin, con error E)

F
X

(Construir la matriz Jacobiana)

U X (J)1F

(Evaluar con los valores iniciales de X)

Mientras ||U-X||>E
X U
U X (J)1F

(Evaluar con los valores actuales de X)

Fin

Ejemplo. Encuentre las races reales del sistema:

f1 (x, y) = (x 2)2 + (y 1)2 + xy 3 = 0

f 2 (x,=
y) xe x + y + y =
3 0
En el caso de dos ecuaciones con dos variables, sus grficos pueden visualizarse en el
plano. Las races reales son las intersecciones.

73
La siguiente figura obtenida con la librera SymPy de Python muestra las dos ecuaciones en
el plano X-Y:
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

xr = arange(0,4,0.01)
yr = arange(-2,4,0.01)
x, y = meshgrid(xr,yr)
f=(x-2)**2+(y-1)**2+x*y-3
g=x*exp(x+y)+y-3
contour(x, y, f,[0])
contour(x, y, g,[0])
grid(True)
show()

No es posible reducir el sistema a una ecuacin, por lo que se debe utilizar un mtodo
numrico para resolverlo como un sistema simultneo con la frmula propuesta:
Clculo manual con el mtodo de Newton

f1 (x, y) = (x 2)2 + (y 1)2 + xy 3 = 0

f 2 (x,=
y) xe x + y + y =
3 0

x (0) 0.5
X
Vector inicial =
=

(0)
y 1.0
(0)

(tomado del grfico)

74
Matriz jacobiana y vectores con las variables y las ecuaciones
f1 f1
x y 2x + y 4 x + 2y 2

J =
=

f2 f2 e x + y (1 + x) xe x + y + 1
x

f1 (x 2)2 + (y 1)2 + xy 3
x
F =
X = ,=

xe x + y + y 3
f2
y

Ecuacin de recurrencia
+ 1)
X (k=
X (k) (J(k) )1F(k)

Primera iteracin: k=0

(1)
X=
X (0) (J(0) )1F(0)

x (1) 0.5 2(0.5) + 1 4 0.5 + 2(1) 2 (0.5 2)2 + (1 1)2 + 0.5(1) 3

=

0.5 + 1 (1 + 0.5) 0.5e0.5 + 1 + 1

(1)
0.5e0.5 + 1 + 1 3

y 1.0 e

0.5 0.25
x (1) 0.5 2
=
1.0 6.7225 3.2408 0.2408
(1)

x (1) 0.5 0.3293 0.0508 0.25 0.4055

(1) =

y 1.0 0.6830 0.2032 0.2408 1.1218

75
3.5.4 Instrumentacin computacional del mtodo de Newton para un sistema de n
ecuaciones no-lineales.
Sea

F: f1, f2, , fn ecuaciones con variables independientes X: x1, x2, , xn.

Ecuacin de recurrencia:
+ 1)
X (k=
X (k) (J(k) )1F(k) , k=0, 1, 2,

En donde J es la matriz jacobiana del sistema

Entrada
F:
X:
U:

Vector con las ecuaciones

Vector con las variables independientes
Vector con valores iniciales para las variables

Salida
U:

Vector con los nuevos valores calculados para las variables

Nota: La convergencia ser controlada desde la ventana interactiva llamando

iterativamente a la funcin. Por las propiedades de este mtodo, la convergencia o
divergencia ser muy rpida.
Alternativamente, se puede mejorar la instrumentacin incorporando un ciclo con un mximo
de iteraciones para que las iteraciones se realicen dentro de la funcin.
Las derivadas parciales se obtienen con la funcin diff y la sustitucin de los valores de U
en las variables se realiza con la funcin subs. La solucin se la obtiene con la inversa de la
matriz de las derivadas parciales J. Estas funciones estn en libreras de Python que deben
cargarse.

76

import numpy as np
from sympy import Symbol
from sympy import diff
#Resolucin de Sistemas no lineales
def snewton(F, X, U):
n=len(F)
J=np.zeros([n,n],Symbol)
for i in range(n):
#Construir J
for j in range(n):
J[i][j]=diff(F[i],X[j])
for i in range(n):
#Evaluar J
for j in range(n):
for k in range(n):
J[i][j]=J[i][j].subs(X[k],float(U[k]))
for i in range(n):
#Evaluar F
for j in range(n):
F[i]=F[i].subs(X[j],float(U[j]))
U=U-np.dot(np.linalg.inv(J),F)
#Nuevo vector U
return U

Ejemplo. Use la funcin snewton para encontrar una raz real del sistema
f(x,=
y) xe x + y + y =
3 0
g(x, y) = (x 2)2 + (y 1)2 + xy 3 = 0

>>> from sympy import*

>>> from snewton import snewton
>>> x,y=symbols('x,y')
>>> f=x*exp(x+y)+y-3
>>> g=(x-2)**2+(y-1)**2+x*y-3
>>> F=[f,g]
>>> X=[x,y]
>>> U=[0.5,1]
>>> U=snewton(F,X,U)
>>> print(U)
[0.405451836483295 1.12180734593318]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[0.409618877363502 1.11619120947847]
>>> F=[f,g]
>>> U=snewton(F,X,U)

77
>>> print(U)
[0.409627787030011 1.11618013799184]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[0.409627787064807 1.11618013794281]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[0.409627787064807 1.11618013794281]
Se observa la rpida convergencia.
Para verificar que son races reales de las ecuaciones deben evaluarse f, g
>>> f.subs(x,U[0]).subs(y,U[1])
0
>>> g.subs(x,U[0]).subs(y,U[1])
3.62557206479153e-16
Los valores obtenidos son muy pequeos, por lo cual se aceptan las races calculadas
Para calcular la otra raz, tomamos del grfico los valores iniciales cercanos a esta raz.
>>> U=[2.4,-1.5]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[2.26184271829705 -1.53588073184920]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[2.22142100136910 -1.51230470581913]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[2.22041081429453 -1.51147810488742]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[2.22041032725647 -1.51147760884696]
>>> F=[f,g]
>>> U=snewton(F,X,U)
>>> print(U)
[2.22041032725637 -1.51147760884683]
>>> F=[f,g]

78
>>> U=snewton(F,X,U)
>>> print(U)
[2.22041032725637 -1.51147760884683]
Comprobar si es una solucin del sistema
>>> f.subs(x,U[0]).subs(y,U[1])
1.77635683940025e-15
>>> g.subs(x,U[0]).subs(y,U[1])
-4.44089209850063e-16
En su estado actual, la librera SymPy de Python no tiene instrumentado algn mtodo para
resolver sistemas no lineales como se puede encontrar en otros lenguajes como MATLAB,
sin embargo MATLAB solamente pudo calcular una de las dos races del ejemplo anterior.
Con esto concluimos que el conocimiento de los mtodos numricos permite resolver
problemas para los que el clculo manual o los programas computacionales disponibles no
permiten calcular todas las respuestas esperadas.
3.5.6

Obtencin de la frmula iterativa de segundo orden para calcular races reales

de sistemas de ecuaciones no lineales

Se considera el caso de dos ecuaciones y luego se generaliza a ms ecuaciones

Sean

f1(x1, x2) = 0, f2(x1, x2) = 0 dos ecuaciones no-lineales con variables x1, x2.

Sean r1, r2 valores reales tales que f1(r1, r2) = 0, f2(r1, r2) = 0, entonces (r1, r2) constituye
una raz real del sistema y es de inters calcularla.
Suponer que f1, f2 son funciones diferenciables en alguna regin cercana al punto (r1, r2)
Con el desarrollo de la serie de Taylor expandimos f1, f2 desde el punto (x1(k) , x 2(k) ) al punto
+ 1)
(x1(k + 1) , x (k
)
2

f1(k + 1) =
f1(k) + (x1(k + 1) x1(k) )

f1(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 1 + O(x1(k + 1) x1(k) )2 + O(x 2(k + 1) x 2(k) )2
x 1
x 2

f2(k + 1) =
f2(k) + (x1(k + 1) x1(k) )

f2(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 2 + O(x1(k + 1) x1(k) )2 + O(x 2(k + 1) x 2(k) )2
x 1
x 2

+ 1)
Por simplicidad se ha usado la notacin: f1(k) = f1 (x1(k) , x 2(k) ) , f1(k + 1) = f1 (x1(k + 1) , x (k
) , etc.
2

En los ltimos trminos de ambos desarrollos se han escrito nicamente los componentes
de inters, usando la notacin O( ).
Las siguientes suposiciones, son aceptables en una regin muy cercana a (r1, r2):

79

)
cercano a la raz (r1, r2)
(x1(k ) , x (k
2 )

+ 1)
Si el mtodo converge cuadrticamente entonces (x1(k + 1) , x (k
) estar muy cercano a (r1, r2)
2

Por lo tanto se puede aproximar:

+ 1)
f1 (x1(k +1) , x (k
) 0
2

f2 (x1(k + 1) , x 2(k + 1) ) 0
)
(k + 1)
+ 1)
Por otra parte, si (x1(k ) , x (k
, x (k
) , las diferencias sern pequeas y
2 ) es cercano a (x 1
2

al elevarse al cuadrado se obtendrn valores ms pequeos y se los omite.

Sustituyendo en el desarrollo propuesto se obtiene como aproximacin el sistema lineal:

0=
f1(k) + (x1(k + 1) x1(k) )

f1(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 1
x 1
x 2

0=
f2(k) + (x1(k + 1) x1(k) )

f2(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 2
x 1
x 2

En notacin matricial:

=
F(k) J(k) (X (k + 1) X (k) )
Siendo

f
F(k) = ,
f
(k)
1
(k)
2

x
X (k) =
,
x
(k)
1
(k)
2

x
X (k + 1) =
x

(k + 1)
1
(k + 1)
2

J(k)

f1(k)

x 1
= (k)
f
2
x1

f1(k)

x 2
f2(k)

x 2

J(k)=
X (k + 1) J(k) X (k) F(k)
+ 1)
X (k=
X (k) (J(k) )1F(k) ,

| J(k) | 0

Es la ecuacin de recurrencia que se puede usar iterativamente con k=0, 1, 2, partiendo

de un vector inicial X (0) generando vectores de aproximacin: X (1) , X (2) , X (3) ,
La notacin matricial y la ecuacin de recurrencia se extienden directamente a sistemas de
n ecuaciones no lineales f1, f2, , fn con variables x1, x2, , xn. La matriz de las derivadas
parciales J se denomina Jacobiano. La ecuacin de recurrencia se reduce a la frmula de
Newton si se tiene una sola ecuacin.

80
3.5.7

Ejercicios y problemas de sistemas de ecuaciones no-lineales

1. Encuentre las soluciones del sistema de ecuaciones dado:

sin(x) + ey - xy = 5
x2 + y3 - 3xy = 7
a) Grafique las ecuaciones en el intervalo [-4, 4, -4, 4] y observe que hay dos races reales.
Elija del grfico, valores aproximados para cada raz.
b) Use iterativamente la funcin snewton
c) Compruebe que las soluciones calculadas satisfacen a las ecuaciones
2. Encuentre las soluciones del sistema de ecuaciones dado:
cos(x+y) + xy=3
3(x - 2)2 - 2(y - 3)2 = 5xy
a) Grafique las ecuaciones en el intervalo [-6, 6, -6, 6] y observe que hay dos races reales.
Elija del grfico, valores aproximados para cada raz.
b) Use iterativamente la funcin snewton:
c) Compruebe que las soluciones calculadas satisfacen a las ecuaciones
3. Dada la funcin f(x, y) = (x2 - y) sen(2x+y) se desea localizar y calcular las coordenadas
de un mximo local.
Plantee un sistema de dos ecuaciones no lineales con las derivadas parciales de f igualadas
a cero. Grafique las ecuaciones en el plano X,Y. Elija un punto inicial y use iterativamente la
funcin snewton para calcular una solucin.
4. Determine el valor de los coeficientes a, b para que la funcin f(x) = (ax+b)eax+b + a
incluya a los puntos (1,3), (2,4)
a) Plantee un sistema de dos ecuaciones no lineales para obtener la respuesta
b) Elija (0, 1) como valores iniciales para (a, b). Obtenga la respuesta con E = 10-6
5. El siguiente grfico es el brazo de un robot compuesto de dos segmentos articulados en
los puntos A y B. Las longitudes de los brazos son L1 y L2. Determine los ngulos X y Y
para que el extremo C coincida con el punto P de coordenadas (u, v).

a) Construya el modelo matemtico mediante un sistema de dos ecuaciones no lineales

+ 1)
b) Plantee la formulacin X (k=
X (k) (J(k) )1F(k) , k=0, 1, 2, para resolver el sistema

c) Elija valores para L1, L2, u, v. Elija valores iniciales y use la funcin snewton para
obtener la solucin. E=0.0001.
d) Analice las implicaciones de esta solucin en el movimiento del brazo.

81
4

MTODOS DIRECTOS PARA RESOLVER SISTEMAS DE

ECUACIONES LINEALES

En este captulo se estudia el componente algortmico y computacional de los mtodos

directos para resolver sistemas de ecuaciones lineales.
Ejemplo. Un comerciante compra tres productos: A, B, C, pero en las facturas nicamente
consta la cantidad comprada en Kg. y el valor total de la compra. Se necesita determinar el
precio unitario de cada producto. Para esto dispone de tres facturas con los siguientes
datos:
Factura Cantidad de A Cantidad de B Cantidad de C
1
4
2
5
2
2
5
8
3
2
4
3

Valor pagado
$18.00
$27.30
$16.20

Solucin
Sean x1,x 2 ,x 3 variables que representan al precio unitario de cada producto en dlares por
Kg. Entonces, se puede escribir:
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20

El modelo matemtico resultante es un sistema lineal de tres ecuaciones con tres variables.

En general, se desea resolver un sistema de n ecuaciones lineales con n variables

a1,1x1 + a1,2 x 2 + ... + a1,n xn =
b1
a2,1x1 + a2,2 x 2 + ... + a2,n xn =
b2
...
an,1x1 + an,2 x 2 + ... + an,n xn =
bn

En donde
ai,j : Coeficientes
bi : Constantes
xi : Variables cuyo valor debe determinarse

En notacin matricial:
a1,1
a
2,1
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,n x1 b1
a2,n x 2 b2
=
... ... ...

an,n xn bn

82
Simblicamente
AX = B
Siendo
a1,1
a
2,1
=
A
...

an,1

4.1

a1,2

...

a2,2

...

an,1

...

a1,n
a2,n
=
; B
...

an,n

b1
b
2
=
; X
...

bn

x1
x
2
...

xn

Determinantes y sistemas de ecuaciones lineales

Sea A la matriz de coeficientes del sistema AX = B. Sea A-1 su inversa y |A| su

determinante. La relacin entre |A| y la existencia de la solucin X se establece con la
siguiente definicin:
A 1 =

[adj(A)]T
,
|A|

En donde [adj(A)]T es la transpuesta de la adjunta de la matriz A.

Si |A| 0 , entonces A 1 existe, y se puede escribir:
AX =
B A 1AX =
A 1B

=
X A 1B =
X A 1B

En donde es la matriz identidad. En resumen, si |A| 0 entonces X existe y adems es

nico.

4.2

Mtodo de Gauss - Jordan

La estrategia de este mtodo consiste en transformar la matriz A del sistema AX = B y

reducirla a la matriz identidad. Segn el enunciado anterior, esto es posible si | A | 0.
Aplicando simultneamente las mismas transformaciones al vector B, este se convertir en
el vector solucin A 1B .
En caso de que esta solucin exista, el procedimiento debe transformar las ecuaciones
mediante operaciones lineales que no modifiquen la solucin del sistema original:
a) Intercambiar ecuaciones
b) Multiplicar ecuaciones por alguna constante no nula
c) Sumar alguna ecuacin a otra ecuacin

83
Ejemplo. Con el Mtodo de Gauss-Jordan resuelva el siguiente sistema de ecuaciones
lineales
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20

Solucin: Se define la matriz aumentada A | B para transformar simultneamente A y B:

4 2 5 18.00
A | B = 2 5 8 27.30
2 4 3 16.20

Las transformaciones sucesivas de la matriz aumentada se describen en los siguientes

pasos:
Dividir fila 1 para 4
1.0000
2.0000
2.0000

0.5000 1.2500 4.5000

5.0000 8.0000 27.3000
4.0000 3.0000 16.2000

Restar de cada fila, la fila 1 multiplicada por el elemento de la columna 1

1.0000 0.5000 1.2500 4.5000
0
4.0000 5.5000 18.3000
0 3.0000 0.5000 7.2000
Dividir fila 2 para 4
1.0000 0.5000
0
1.0000
0
3.0000

1.2500
1.3750
0.5000

4.5000
4.5750
7.2000

Restar de cada fila, la fila 2 multiplicada por el elemento de la columna 2

1.0000
0
0.5625
0
1.0000 1.3750
0
0
-3.6250

2.2125
4.5750
-6.5250

Dividir fila 3 para -3.625

1.0000
0
0.5625 2.2125
0 1.0000 1.3750 4.5750
0
0
1.0000 1.8000

84
Restar de cada fila, la fila 3 multiplicada por el elemento de la columna 3
1.0000
0
0

0
0
1.0000
0
0
1.0000

1.2000
2.1000
1.8000

La matriz de los coeficientes ha sido transformada a la matriz identidad.

Simultneamente, las mismas transformaciones han convertido a la ltima columna en el
vector solucin:
1.2
X = 2.1
1.8

Como siempre, la solucin debe verificarse en el sistema:

4 2 5 1.2
2.1
=
A * X 2 5 8 =

2 4 3 1.8

4.2.1

18.0
=

27.3 B
16.2

Formulacin del mtodo de Gauss-Jordan

Para establecer la descripcin algortmica, conviene definir la matriz aumentada A con el

vector B pues deben realizarse simultneamente las mismas operaciones:
a1,1 a1,2 ... a1,n a1,n+1
a

2,1 a 2,2 ... a 2,n a 2,n+ 1

A |B =
...
... ... ...
...

an,1 an,2 ... an,n an,n+ 1

En donde se ha agregado la columna n+1 con el vector de las constantes:
ai,n+1 = bi, i = 1, 2, 3, ..., n

(columna n+1 de la matriz aumentada)

El objetivo es transformar esta matriz y llevarla a la forma de la matriz identidad I:

a1,1 a1,2
a
2,1 a 2,2
A |B =
...
...

a
a
n,1 n,2

... a1,n
... a2,n
... ...
... an,n

a1,n+1
1 0 ... 0 a1,n+ 1

a2,n+1
0 1 ... 0 a2,n+ 1
. . .
...
... ... ... ... ...

an,n+ 1
0 0 ... 1 an,n+ 1

Si es posible realizar esta transformacin, entonces los valores que quedan en la ltima
columna constituirn el vector solucin X

85
Las transformaciones deben ser realizadas en forma sistemtica en n etapas, obteniendo
sucesivamente en cada etapa, cada columna de la matriz identidad, de izquierda a derecha.
En cada etapa, primero se har que el elemento en la diagonal tome el valor 1. Luego se
har que los dems elementos de la columna tomen el valor 0.
1 0 ... 0 a1,n+ 1

0 1 ... 0 a2,n+ 1
... ... ... ... ...

0 0 ... 1 an,n+ 1
Etapa 1

Etapa n
Etapa 2

Etapa 1
Normalizar la fila 1:

(transformar el elemento a 1,1 a 1)

t a1,1 , a1,j a1,j / t ,

j=1, 2, ..., n+1; suponer que a1,1 0

Reducir las otras filas: (transformar los otros elementos de la columna 1 a 0)

t ai,1 , ai,j ai,j t a1,j ,

A |B

a1,1

a2,1
...

an,1

a1,2
a2,2

...
...

an,1

...

j=1, 2, ..., n+1; i=2, 3, ..., n

a1,n a1,n+ 1
1

a2,n a2,n+ 1
0

...
...
...

an,n an,n+ 1
0

a1,2
a2,2

...
...

an,1

...

a1,n a1,n+ 1

a2,n a2,n+ 1
...
...

an,n an,n+ 1

Valores
transformados

Etapa 2
Normalizar la fila 2: (transformar el elemento a2,2 a 1)
t a2,2 , a2,j a2,j / t ,

j=2, 3, ..., n+1; suponer que

a 2,2 0

Reducir las otras filas: (transformar los otros elementos de la columna 2 a 0)

t ai,2 , ai,j ai,j t a2,j , j=2, 3, ..., n+1; i=1, 3, ..., n

1
0

a1,2
a2,2

...
...

...
0

an,1

...

1
a1,n a1,n+ 1

a2,n a2,n+1
0

...
... ...

an,n an,n+1
0

0
1

...
...

...

a1,n a1,n+ 1

a2,n a2,n+1
... ...

an,n an,n+1

Valores
transformados

86
La formulacin obtenida en estas dos etapas se puede generalizar
Para cada columna e=1, 2, , n
Normalizar la fila e
t a e,e , a e,j a e,j / t , j=e+1, e+2, e+3, ..., n+1;

( a e,e 0 )

Reducir las otras filas

t ai,e , ai,j ai,j t a e,j ; i=1, 2, 3, ..., n; j=e+1, e+2, e+3, ..., n+1; i e
La ltima columna de la matriz transformada contendr la solucin

4.2.2

Algoritmo de Gauss-Jordan bsico

Algoritmo: Gauss-Jordan bsico
Restriccin: No se verifica unicidad y existencia de la solucin
Entra:
n Cantidad de ecuaciones
ai,j
Coeficientes
Constantes
bi
Solucin calculada
Sale:
xi
Para i 1, 2, , n
Matriz aumentada
ai,n+1 bi
Fin
Para

e = 1, 2, . . ., n
t a e,e

Para j=e, e+1, ..., n+1

Normalizar la fila

a e,j a e,j / t

Fin
Para i=1, 2, , n;

( a e,e 0 )

i e

t ai,e

Para j=e, e+1, ..., n+1

ai,j ai,j t a e,j

Reducir las otras filas

Fin
Fin
Fin
Para i=1,2,...,n
xi ai,n+ 1

Fin

La ltima columna contendr la solucin

87
4.2.3

Eficiencia del mtodo de Gauss-Jordan

El mtodo de Gauss-Jordan es un mtodo directo. Los mtodos directos pueden ser

afectados por el error de redondeo, es decir los errores en la representacin de los nmeros
que se producen en las operaciones aritmticas. Para cuantificar la magnitud del error de
redondeo se define la funcin de eficiencia del mtodo.
Sea n el tamao del problema y T(n) la cantidad de operaciones aritmticas que se realizan
En la normalizacin: T(n) = O(n2)
(Dos ciclos anidados)
(Tres ciclos anidados)
En la reduccin:
T(n) = O(n3)
Por lo tanto, este mtodo es de tercer orden: T(n) = O(n3)
Mediante un conteo recorriendo los ciclos del algoritmo, se puede determinar la funcin de
eficiencia para este mtodo directo, considerando solamente la seccin crtica que incluye
los tres ciclos:
e
1
2
.
.
.
n-1
n

i
n-1
n-1
.
.
.
n-1
n-1

j
n+1
n
.
.
.
3
2

T(n) = (n-1)(2 + 3 + n + (n+1)) = (n-1) (3 + n ) (n/2) = n3/2 + n2 - 3n/2

Ejemplo. Una funcin en Python para conteo de los ciclos del mtodo de Gauss-Jordan
Tambin se puede obtener computacionalmente T(n) mediante una funcin que realice el
conteo de ciclos. Por la estructura del algoritmo T(n) debe ser un polinomio cbico, por lo
tanto se necesitan cuatro puntos y con estos cuatro puntos se puede construir el polinomio
cbico.
def conteogaussjordan(n):
c=0
for e in range(n):
for i in range(n):
if i!=e:
for j in range(e,n+1):
c=c+1
return c

%Ciclos en la seccin crtica

88
Mediante cuatro pruebas se obtuvieron los puntos:
(n, c): (10, 585), (20, 4370), (30, 14355), (40, 33540)
Con estos cuatro puntos se construye el polinomio cbico:
T(n) = n3/2 + n2 - 3n/2 = O(n3)
El polinomio es exacto. Si se usaran ms puntos el resultado sera igual.

4.2.4

Instrumentacin computacional del mtodo de Gauss-Jordan bsico

En esta primera versin del algoritmo se supondr que el determinante de la matriz es

diferente de cero y que no se requiere intercambiar filas.
La codificacin en el lenguaje Python sigue la formulacin matemtica y el algoritmo
descritos anteriormente. Se usan listas numricas para representar los datos.

#Solucin de un sistema lineal: Gauss-Jordan bsico

def gaussjordan1(a,b):
n=len(b)
for i in range(n):
a[i]=a[i]+[b[i]]
for e in range(n):
t=a[e][e]
for j in range(e,n+1):
a[e][j]=a[e][j]/t
for i in range(n):
if i!=e:
t=a[i][e]
for j in range(e,n+1):
a[i][j]=a[i][j]-t*a[e][j]
x=[]
for i in range(n):
x=x+[a[i][n]]
return x

89
Ejemplo. Desde la ventana interactiva de Python, use la funcin Gauss-Jordan para
resolver el sistema:
2 3 7 x1 3
2 5 6 x =

2 5
8 9 4 x 3 8

Solucin
Escriba en la ventana interactiva de Python
>>> from gaussjordan1 import*
>>> a=[[2,3,7],[-2,5,6],[8,9,4]]
Matriz de coeficientes
>>> b=[3,5,8]
Vector de constantes
>>> x=gaussjordan1(a,b)
>>> x
[-0.05555555555555556, 0.9150326797385621, 0.05228758169934641]

Cuando se tiene nicamente la instrumentacin computacional de un algoritmo, se puede

obtener experimentalmente su eficiencia registrando, para diferentes valores de n, el tiempo
de ejecucin del algoritmo. Este tiempo depende de la velocidad del procesador del
dispositivo computacional, pero es proporcional a T(n).
Para medir el tiempo real de ejecucin de un proceso (programa o funcin) se puede usar la
funcin clock() de la librera time:
>>> from time import*
>>> clock(); ...proceso... ; clock()
Para las pruebas se pueden generar matrices y vectores con nmeros aleatorios.

90
4.2.5

Obtencin de la inversa de una matriz

Para encontrar la matriz inversa se puede usar el mtodo de Gauss-Jordan.

Sea A una matriz cuadrada cuyo determinante es diferente de cero.
Sean t 1 ,t 2 , . . . ,t m1,t m las transformaciones lineales del mtodo de Gauss-Jordan que
transforman la matriz A en la matriz identidad I incluyendo intercambios de filas

t m t m-1 . . . t 2 t1 A = I
Entonces se puede escribir

t m t m-1 . . . t 2 t1 A 1 A = A 1 I

t m t m-1 . . . t 2 t1 I = A 1

Lo cual significa que las mismas transformaciones que convierten A en la matriz I,

convertirn la matriz I en la matriz A 1 .
Para aplicar este algoritmo, suponiendo que se desea conocer la matriz A 1 , se debe
aumentar la matriz anterior con la matriz I: A | B | I
Las transformaciones aplicadas simultneamente proporcionarn finalmente el vector
solucin X y la matriz identidad A 1

Ejemplo. Con el Mtodo de Gauss-Jordan resuelva el sistema de ecuaciones siguiente y

simultneamente obtenga la matriz inversa:
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20

Solucin. La matriz aumentada es:

4 2 5
A | B = 2 5 8
2 4 3

18.00
27.30
16.20

1 0 0
0 1 1
0 0 1

Clculos
Normalizar fila 1 y reducir filas 2 y 3
1.0000
0
0

0.5000
4.0000
3.0000

1.2500
5.5000
0.5000

4.5000
18.3000
7.2000

0.2500
-0.5000
-0.5000

0
0
1.0000
0
0
1.0000

91

Normalizar fila 2 y reducir filas 1 y 3

1.0000
0
0

0
0.5625
1.0000 1.3750
0
-3.6250

2.2125
4.5750
-6.5250

0.3125 -0.1250
0
-0.1250 0.2500
0
-0.1250 -0.7500 1.0000

Normalizar fila 3 y reducir filas 1 y 2

1.0000
0
0

0
0
1.0000
0
0
1.0000

1.2000
2.1000
1.8000

0.2931 -0.2414 0.1552

-0.1724 -0.0345 0.3793
0.0345 0.2069 -0.2759

Solucin del sistema

1.2
X = 2.1
1.8
Matriz inversa
A

0.2931 0.2414 0.1552

0.1724 0.0345 0.3793
=

0.2069 0.2759
0.0345

92
4.3

Mtodo de Gauss

El mtodo de Gauss es similar al mtodo de Gauss-Jordan. Aqu se trata de transformar la

matriz del sistema a una forma triangular superior. Si esto es posible entonces la solucin
se puede obtener resolviendo el sistema triangular resultante.
Ejemplo. Con el Mtodo de Gauss resuelva el sistema de ecuaciones lineales del problema
planteado al inicio de este captulo
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20

Solucin: Se define la matriz aumentada A | B para transformar simultneamente A y B:

4 2 5 18.00
A | B = 2 5 8 27.30
2 4 3 16.20
Las transformaciones sucesivas de la matriz aumentada se describen en los siguientes
cuadros

Dividir fila 1 para 4

1.0000
2.0000
2.0000

0.5000 1.2500 4.5000

5.0000 8.0000 27.3000
4.0000 3.0000 16.2000

Restar de cada fila, la fila 1 multiplicada por el elemento de la columna 1

1.0000 0.5000 1.2500 4.5000
0
4.0000 5.5000 18.3000
0
3.0000 0.5000 7.2000
Dividir fila 2 para 4
1.0000 0.5000
0
1.0000
0
3.0000

1.2500
1.3750
0.5000

4.5000
4.5750
7.2000

Restar de la fila, la fila 2 multiplicada por el elemento de la columna 2

1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0
0
-3.6250 -6.5250

93

Dividir fila 3 para -3.625

1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0
0
1.0000 1.8000
La matriz de los coeficientes ha sido transformada a la forma triangular superior
De este sistema se obtiene la solucin mediante una sustitucin directa comenzando por el
final:
x 3 = 1.8
x2 =
4.575 1.375(1.8) =
2.1
x1 =
4.5 0.5(2.1) 1.25(1.8) =
1.2
4.3.1

Formulacin del mtodo de Gauss

Para unificar la descripcin algortmica, es conveniente aumentar la matriz A con el vector B

pues deben realizarse las mismas operaciones simultneamente:
a1,1

a2,1
A |B =
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,n a1,n+ 1

a2,n a2,n+ 1
...
...

an,n an,n+ 1

En donde la columna de los coeficientes se define:

ai,n+ 1 = bi , i=1, 2, 3,. . ., n
La formulacin se obtiene directamente del mtodo de Gauss-Jordan, pero la reduccin de
las filas nicamente se realiza en la sub-matriz triangular inferior.
Para cada columna e = 1, 2, , n
Normalizar la fila e
t a e,e , a e,j a e,j / t , j=e+1, e+2, e+3, ..., n+1;

( a e,e 0 )

Reducir las otras filas debajo de la diagonal

t ai,e , ai,j ai,j t a e,j , i=e+1, e+2, ..., n; j=e+1, e+2, e+3, ..., n+1
Las transformaciones convierten la matriz aumentada en la forma triangular superior:
a1,1

a2,1
=
A |B
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,n a1,n+ 1

a2,n a2,n+ 1
. . . .
...
...

an,n an,n+ 1

1
0
...
0

a1,2
1

...
...

...

a1,n a1,n+ 1

a2,n a2,n+ 1
...
...

1 an,n+ 1

94
De sistema triangular se puede obtener directamente la solucin. Para facilitar la notacin
expandimos la forma triangular final obtenida:

1 a1,2

1
0
... ...

0
0
0
0

0
0

... a1,n 2

a1,n1

a1,n

... a2,n 2

a2,n1

a2,n

...

...

...
...

...

an 2,n1 an 2,n
1

an1,n

...

a1,n+ 1
a2,n+ 1
...

an 2,n+ 1
an1,n+ 1

an,n+ 1

La solucin se obtiene comenzando desde el final:

xn an, n+ 1
xn1 an1, n+ 1 an1, n xn

xn 2 an 2, n+ 1 (an 2, n1xn1 an 2, n xn )

. . . etc
Con la formulacin anterior se define el algoritmo para el mtodo de Gauss bsico:
4.3.2 Algoritmo de Gauss bsico
Algoritmo: Gauss bsico
Restriccin: No se verifica unicidad y existencia de la solucin
Entra: n:
Nmero de ecuaciones
Coeficientes
ai,j
Constantes
bi
Solucin calculada
Sale: xi
Para i 1, 2, , n
Matriz aumentada
ai,n+1 bi
Fin
Para

e = 1, 2, . . ., n
t a e,e

Para j = e, e+1, ..., n+1

a e,j a e,j / t

Fin
Para

Normalizar la fila

( a e,e 0 )

i = e + 1, e + 2, n
t ai,e

Para j = e+1,e+2,..., n+1

ai,j ai,j t a e,j

Fin
Fin
Fin

Reducir las filas debajo

95
Resolver el sistema triangular

xn an, n+ 1

Para i = n-1, n-2, ..., 1

s0

Para j = i+1, i+2, ..., n

s s + ai,j x j

Fin
xi ai,n+ 1 s

Fin

4.3.3

Eficiencia del mtodo de Gauss

Sea n el tamao del problema y T(n) la cantidad de operaciones aritmticas que se realizan
En la normalizacin:
T(n) = O(n2)
(dos ciclos anidados)
3
(tres ciclos anidados)
En la reduccin:
T(n) = O(n )
En la obtencin de la solucin: T(n) = O(n2)
(dos ciclos anidados)
Por lo tanto, este mtodo es de tercer orden: T(n) = O(n3)
La obtencin de T(n) puede ser realizada mediante el anlisis matemtico de la formulacin
o con un recorrido detallado de los ciclos del algoritmo. Se puede determinar que: T(n) =
n3/3 + O(n2) con lo que se concluye que el mtodo de Gauss es ms eficiente que el
mtodo de Gauss-Jordan para n grande. Esta diferencia se la puede constatar
experimentalmente resolviendo sistemas grandes y registrando el tiempo real de ejecucin.
Proponemos un mtodo computacional para obtener T(n). Es suficiente escribir cdigo
computacional solamente para contar la cantidad de ciclos para diferentes valores de n. Los
puntos (n, T(n) permiten obtener matemticamente la funcin T(n), la cual, por la estructura
del algoritmo debe ser un polinomio cbico, por lo tanto son suficientes cuatro puntos.
Ejemplo. Una funcin en Python para conteo de los ciclos del mtodo de Gauss
def conteogauss(n):
c=0
for e in range(n):
for i in range(e+1,n):
for j in range(e,n+1):
c=c+1
return c

%Ciclos en la seccin crtica

Mediante cuatro pruebas se obtuvieron los puntos

(n, c): (10, 375), (20, 2850), (30, 9425), (40, 22100)
Con estos puntos se construye la funcin T(n) = n3/3 + n2/2 - (5n)/6 = O(n3)
El polinomio es exacto. Si se usaran ms puntos, el resultado sera igual.

96
4.3.4

Instrumentacin computacional de mtodo de Gauss bsico

En esta primera versin del algoritmo se supondr que el determinante de la matriz es

diferente de cero y que no se requiere intercambiar filas. La codificacin en Python sigue
directamente la formulacin matemtica y el algoritmo descritos anteriormente.

#Solucin de un sistema lineal: Gauss bsico

def gauss1(a,b):
n=len(b)
for i in range(n):
#Matriz aumentada
a[i]=a[i]+[b[i]]
for e in range(n):
t=a[e][e]
for j in range(e,n+1):
#Normalizar fila e
a[e][j]=a[e][j]/t
for i in range(e+1,n):
#Reducir filas deabajo
t=a[i][e]
for j in range(e,n+1):
a[i][j]=a[i][j]-t*a[e][j]
x=[]
for i in range(n):
#Celdas para el vector solucin
x=x+[0]
x[n-1]=a[n-1][n]
for i in range(n-1,-1,-1):
#Sistema triangular
s=0
for j in range(i+1,n):
s=s+a[i][j]*x[j]
x[i]=a[i][n]-s
return x

Ejemplo. Desde la ventana interactiva de Python, use la funcin Gauss1 para resolver
2 3 7 x1 3
2 5 6 x =

2 5
8 9 4 x 3 8

Solucin
Escriba en la ventana interactiva de Python
>>> from gauss1 import*
>>> a=[[2,3,7],[-2,5,6],[8,9,4]]
>>> b=[3,5,8]
>>> x=gauss1(a,b)
>>> x
[-0.05555555555555558, 0.9150326797385621, 0.05228758169934641]

97
4.3.5

Estrategia de pivoteo

Al examinar la eficiencia de los mtodos directos para resolver sistemas de ecuaciones

lineales se observa que la operacin de multiplicacin est en la seccin crtica del algoritmo
con eficiencia O(n3).
Formulacin del mtodo de Gauss:
Etapa e = 1, 2, . . ., n
Normalizar la fila e:
t a e,e , a e,j a e,j / t , j=e+1, e+2, e+3, ..., n+1; ( a e,e 0 )
Reducir las otras filas debajo de la diagonal
t ai,e , ai,j ai,j t a e,j , i=e+1, e+2, ..., n; j=e+1, e+2, e+3, ..., n+1

Etapa e:

Columna e
Transformaciones

Fila e

Tansformaciones

1 a1,2
0
1

... ...

0
0
... ...

0
0
0
0

...
...

a1,e
a2,e

...
...
... a e,e
...
...
... an1,e
... an,e

...
...

a1,n
a2,n

...
...
... a e,n
...
...
... an1,n
... an,n

a1,n+ 1
a2,n+ 1
...

a e,n+ 1
...

an1,n+ 1
an,n+ 1

Recordando la definicin del error de redondeo propagado en la multiplicacin:

EXY = X EY + Y EX
Una estrategia para disminuir el error de redondeo consiste en reducir el valor de los
operandos que intervienen en la multiplicacin.
En la estrategia de Pivoteo Parcial, antes de normalizar la fila e se busca en la columna
e de cada fila i = e, e+1, . . ., n cual es el elemento con mayor magnitud. Si se usa este
elemento como divisor para la fila e, el cociente a e,j tendr el menor valor. Este factor
permite disminuir el error cuando se realiza la etapa de reduccin de las otras filas.
Por otra parte, si en esta estrategia de bsqueda, el valor elegido como el mayor divisor no
es diferente de cero, se concluye que en el sistema existen ecuaciones redundantes o
incompatibles, entonces el sistema no tiene solucin nica y el algoritmo debe terminar

98
4.3.6 Algoritmo de Gauss con pivoteo
Algoritmo: Gauss bsico con pivoteo parcial
Entra: n:
Nmero de ecuaciones
ai,j
Coeficientes
bi
Constantes
Solucin calculada o un vector nulo si la solucin no es nica
Sale: xi
Para i 1, 2, , n
Matriz aumentada
ai,n+1 bi
Fin
Para e = 1, 2, . . ., n
pe
Para i = e+1,e+2, ..., n
Si |ai,e| > |ae,p|
pi
Fin
Fin
Intercambiar las filas e y p
Si ae,e = 0
X nulo
Terminar
Fin

Buscar el pivote entre las filas e hasta n

La solucin no existe o no es nica

t a e,e

Para j = e, e+1, ..., n+1

a e,j a e,j / t

Normalizar la fila e ( a e,e 0 )

Fin
Para i = e + 1, e + 2, n
t ai,e

Para j = e+1,e+2,..., n+1

ai,j ai,j t a e,j

Reducir las filas debajo de la diagonal

Fin
Fin
Fin
xn an, n+ 1

Para i=n-1, n-2, ..., 1

s0

Para j=i+1, i+2, ..., n

s s + ai,j x j

Fin
xi ai,n+ 1 s

Fin

Resolver el sistema triangular superior

99
4.3.7

Instrumentacin computacional del mtodo de Gauss con pivoteo

La siguiente instrumentacin en Python del mtodo de eliminacin de Gauss incluye la

formulacin descrita y la estrategia de pivoteo parcial vista anteriormente. En esta
instrumentacin final se incluye un chequeo del divisor para prevenir el caso de que el
sistema sea singular aunque, por los errores de redondeo, no sea exactamente igual a cero.

#Solucin de un sistema lineal: Gauss con

def gauss(a,b):
n=len(b)
for i in range(n):
a[i]=a[i]+[b[i]]
for e in range(n):
p=e
for i in range(e+1,n):
if abs(a[i][e])>abs(a[p][e]):
p=i
a[e],a[p]=a[p],a[e]
t=a[e][e]
if abs(t)<1e-10:
return []
for j in range(e,n+1):
a[e][j]=a[e][j]/t
for i in range(e+1,n):
t=a[i][e]
for j in range(e,n+1):
a[i][j]=a[i][j]-t*a[e][j]
x=[]
for i in range(n):
x=x+[0]
x[n-1]=a[n-1][n]
for i in range(n-1,-1,-1):
s=0
for j in range(i+1,n):
s=s+a[i][j]*x[j]
x[i]=a[i][n]-s
return x

pivoteo

#Matriz aumentada
#Etapas
#Pivoteo

#Sistema singular

#Normalizar fila e
#Reducir filas debajo

#Definir vector solucin

#Resolver sistema
#Triangular

100
Ejemplo. Desde la ventana interactiva de Python use la funcin Gauss para resolver:
2 3 7 x1 3
2 5 6 x =

2 5
8 9 4 x 3 8
Solucin
Escriba en la ventana interactiva de Python
>>> from gauss import*
>>> a=[[2,3,7],[-2,5,6],[8,9,4]]
>>> b=[3,5,8]
>>> x=gauss(a,b)
>>> x
[-0.05555555555555558, 0.9150326797385622, 0.05228758169934641]

4.3.8

Funciones de Python para sistemas de ecuaciones lineales

Resolucin de un sistema de ecuaciones lineales con las funciones de la librera NumPy

Ejemplo. Resolver el sistema
2 4 5
3 1 4 X =

5 2 4

5
6

7

>>> from numpy import*

>>> a=array([[2,4,5],[3,1,4],[5,2,4]])
>>> b=array([[5],[6],[7]])
>>> linalg.det(a)
28.999999999999989
>>> x=dot(linalg.inv(a),b)
>>> x
array([[ 0.72413793],
[-0.44827586],
[ 1.06896552]])

Matriz de coeficientes
Vector columna de constantes
Determinante de la matriz
Mltipilcar la inversa de a por b
Vector solucin

Con la opcin set_printoptions(precision=d) se puede controlar la cantidad de decimales

d al imprimir los arreglos de la librera NumPy
>>> set_printoptions(precision=4)
>>> x
array([[ 0.7241],
[-0.4483],
[ 1.069 ]])

101
Verificar que la solucin calculada satisface al sistema de ecuaciones:
>>> dot(a,x)
array([[ 5.],
[ 6.],
[ 7.]])
En lugar de usar la inversa, se puede usar directamente el mtodo solve de NumPy:
>>> x=linalg.solve(a,b)
>>> x
array([[ 0.72413793],
[-0.44827586],
[ 1.06896552]])

4.3.9

Clculo del determinante de una matriz

El algoritmo de Gauss transforma la matriz cuadrada de los coeficientes a la forma triangular

superior. En una matriz triangular, el determinante es el producto de los coeficientes de la
diagonal principal. Por lo tanto, el determinante se puede calcular multiplicando los divisores
colocados en la diagonal principal, considerando adems el nmero de cambios de fila que
se hayan realizado en la estrategia de pivoteo.
Sean
A:
matriz cuadrada
T:
Matriz triangular superior obtenida con el algoritmo de Gauss, sin normalizar
ai,i :
Elementos en la diagonal de la matriz T. Son los divisores
k:
Nmero de cambios de fila realizados
det(A): Determinante de la matriz A
Entonces
n

det(A) = (1)k ai,i

i=1

102
4.4

Sistemas mal condicionados

Al resolver un sistema de ecuaciones lineales usando un mtodo directo, es necesario

analizar si el resultado calculado es confiable. En esta seccin se estudia el caso especial
de sistemas que son muy sensibles a los errores en los datos o en los clculos y que al
resolverlos producen resultados con mucha variabilidad.
Para describir estos sistemas se considera el siguiente ejemplo:
Ejemplo. Un comerciante compra cuatro productos: A, B, C, D pero en las facturas
nicamente consta la cantidad comprada en Kg. y el valor total de la compra en dlares. Se
necesita determinar el precio unitario de cada producto. Se dispone de cuatro facturas con
los siguientes datos:
Factura Kg. de A Kg. de B Kg. de C Kg. de D
1
2.6
0.3
2.4
6.2
2
7.7
0.4
4.7
1.4
3
5.1
9.9
9.5
1.5
4
6.0
7.0
8.5
4.8

Valor pagado
50.78
47.36
91.48
98.17

Solucin
Sean x1,x 2 ,x 3 ,x 4 variables que representan al precio unitario ($/kg) de cada producto.
Entonces, se puede escribir:
2.6x1 + 0.3x 2 + 2.4x 3 + 6.2x 4 =
50.78
7.7x1 + 0.4x 2 + 4.7x 3 + 1.4x 4 =
47.36
5.1x1 + 9.9x 2 + 9.5x 3 + 1.5x 4 =
91.48
6.0x1 + 7.0x 2 + 8.5x 3 + 4.8x 4 =
98.17

En notacin matricial
2.6
7.7

5.1

6.0

0.3 2.4 6.2 x1 50.78

0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

Si se resuelve este sistema con un mtodo directo se obtiene:

X = [2.5, 3.2, 4.1, 5.4]T

Supondremos ahora que el digitador se equivoca al ingresar los datos en la matriz y registra
6.1 en lugar del valor correcto 6.0, de tal manera que el nuevo sistema es:

103
2.6
7.7

5.1

6.1

0.3 2.4 6.2 x1 50.78

0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

Si se resuelve este sistema con un mtodo directo se obtiene:

X = [0.1494, 0.4182, 8.3432, 4.8778]T

Un cambio menor en un coeficiente produjo un cambio muy significativo en la solucin. El
resultado fue afectado fuertemente por este error. Esto es un indicio de que el sistema es de
un tipo especial denominado mal condicionado.
En la siguiente prueba, se modifica el ltimo coeficiente 4.8 y se lo sustituye por 4.7
2.6
7.7

5.1

6.0

0.3
0.4
9.9
7.0

2.4
4.7
9.5
8.5

6.2 x1 50.78
1.4 x 2 47.36
=
1.5 x 3 91.48

4.7 x 4 98.17

Si se resuelve este sistema nuevamente con un mtodo directo se obtiene una solucin
incoherente:

X=
[ 31.5482, 37.0942, 65.5637, 2.1644]T
Los resultados obtenidos con este tipo de sistemas no son confiables para tomar decisiones.
Es necesario detectar si un sistema es mal condicionado. Para esto, se debe cambiar
ligeramente el valor de algn coeficiente y observar el cambio en el vector solucin. Si la
solucin cambia significativamente, entonces es un sistema mal condicionado y debe
revisarse la elaboracin del modelo matemtico.
Esta situacin se origina en el hecho de que algunas ecuaciones pueden depender de otras
ecuaciones, lo cual puede afectar a la confianza en la solucin calculada. Este hecho se
puede asociar al valor del determinante de la matriz. En el ejemplo, si la matriz se normaliza
dividindola para la magnitud del mayor elemento, el determinante es .
Si el determinante fuera cero no habra una solucin nica, pero este valor muy pequeo es
un indicio que algunas ecuaciones son bastante dependientes de otras ecuaciones.

En esta seccin se establece una medida para cuantificar el nivel de mal condicionamiento
de un sistema de ecuaciones lineales.

104
4.4.1

Definiciones

La norma de un vector o de una matriz es una manera de expresar la magnitud de sus

componentes
Sean X: vector de n componentes
A: matriz de nxn componentes
Algunas definiciones comunes para la norma:
X =

x
i=1

=
X max
=
xi , i 1,2,...,n
n

X = ( x 2 )1/ 2
i=1

=
A max(
=
ai,j , i 1,2,...,n)
j=1

=
A max(
=
ai,j , j 1,2,...,n)
i=1

A = (

=i 1=j 1

2 1/ 2
i,j

Las dos primeras, tanto para vectores como para matrices, se denominan norma 1
norma infinito. La tercera es la norma euclideana.

Ejemplo. Dada la siguiente matriz

2
5 3

A 4
8 4
=
2
6
1
Calcule la norma infinito (norma de fila).
Solucin
Esta norma es el mayor valor de la suma de las magnitudes de los componentes de cada
fila
Fila 1: |5| + |-3| + |2| = 10
Fila 2: |4| + |8| + |-4| = 16
Fila 3: |2| + |6| + |1| = 9
Por lo tanto, la norma por fila de la matriz es 16

105
4.4.2

Algunas propiedades de normas

Sea A: matriz de nxn componentes.

a) A 0
b) kA =|k| A , k
c) A + B A + B
d) AB A B
e) ||(kA)-1|| = ||1/k A-1||, k
4.4.3

Nmero de condicin

El nmero de condicin de una matriz se usa para cuantificar su nivel de mal

condicionamiento.
Definicin: Nmero de condicin
Sea AX = B un sistema de ecuaciones lineales, entonces
cond(A) = || A || || A-1 || es el nmero de condicin de la matriz A.

Cota para el nmero de condicin:

cond(A) = || A || || A-1 || || A A-1 || = || I || = 1 cond(A) 1
El nmero de condicin no cambia si la matriz es multiplicada por alguna constante:
cond(kA)=||kA|| ||(kA)-1|| = k ||A|| ||1/k A-1|| = ||A|| ||A-1||
Ejemplo. Calcule la norma, determinante y nmero de condicin de las matrices y analice
los resultados
10 5
0.010 0.005
=
=
A=
; B 1000A

25 32
0.025 0.032
Solucin
Determinante
Norma1 de la matriz
Norma1 de la inversa
Nmero de condicin

A
0.000195
0.0370
292.3077
10.8154

B
195
37
0.2923
10.8154

La matriz B es 1000 veces la matriz A. El determinante y la norma de ambas matrices y de

su inversas son diferentes, pero el nmero de condicin es igual.
Este resultado muestra que la norma no es suficiente para medir el nivel de mal
condicionamiento de una matriz.

106
Si la matriz tiene filas bastante dependientes de otras filas, su determinante tomar un
valor muy pequeo y su inversa tendr valores muy grandes, siendo esto un indicio de que
la matriz es mal condicionada o es casi singular. Este valor interviene en el nmero de
condicin de la matriz.
Por otra parte, si la matriz tiene valores muy pequeos, su determinante ser muy pequeo
y su inversa contendr valores grandes aunque la matriz no sea mal condicionada.
Si el nmero de condicin solo dependiera de la norma de la matriz inversa, esta norma
tendra un valor grande en ambos casos. Por esto, y usando la propiedad anotada
anteriormente, es necesario multiplicar la norma de la matriz inversa por la norma de la
matriz original para que el nmero de condicin sea grande nicamente si la matriz es mal
condicionada.

Ejemplo. Calcule y analice el nmero de condicin de la matriz del ejemplo inicial

2.6
7.7
A=
5.1

6.0

A 1

0.3 2.4 6.2

0.4 4.7 1.4
9.9 9.5 1.5

7.0 8.5 4.8

91.1455 20.3769 107.6454 157.3120

107.8389 24.3503 127.2826 186.1699

=
164.4788
37.0436
194.3121 283.9787

34.9495
4.6161
23.9171
20.0676

cond(A) = || A || || A-1 || = 17879.09

Es un valor muy alto, respecto al valor mnimo que es 1
Una matriz puede considerarse mal condicionada si una ligera perturbacin, error o cambio
en la matriz de coeficientes produce un cambio muy significativo en el vector solucin.

107
4.4.4

El nmero de condicin y el error de redondeo

Dado un sistema de ecuaciones lineales AX = B cuya solucin existe y es X

Suponer que debido a errores de medicin, la matriz A de los coeficientes tiene un error E.
Sea A= A + E , la matriz con los errores de medicin. Suponer que el vector B es exacto
Entonces, al resolver el sistema con la matriz A se tendr una solucin X diferente a la
solucin X del sistema con la matriz A. Esta solucin X satisface al sistema: A X = B
Es importante determinar la magnitud de la diferencia entre ambas soluciones: X X
Sustituyendo A X = B en la solucin del sistema original AX = B:
X = A 1B
= A 1 ( AX )
= A 1 (A + E)X
= A 1A X + A 1EX
= I X + A 1EX
= X + A 1EX

X X = A 1EX

X X A 1 E X

X X A 1 A

E
X
A

De donde se puede escribir, sustituyendo E y el nmero de condicin de A:

Definicin: Cota para el error relativo de la solucin
|| X X ||
|| X ||

cond(A)

|| A A ||
|| A ||

|eX| cond(A) |(eA)|

Cota para el error relativo de la solucin

X es el vector solucin calculado con la matriz inicial A

X es el vector solucin calculado con la matriz modificada A

E = A A es la matriz con las diferencias entre los componentes de las matrices.

eX es el error relativo del vector solucin
eA es el error relativo de la matriz
La expresin establece que la magnitud del error relativo de la solucin est relacionada con
el error relativo de la matriz del sistema, ponderada por el nmero de condicin. El nmero
de condicin es un factor que amplifica el error en la matriz A aumentando la dispersin y la
incertidumbre de la solucin calculada X

108
Ejemplo. Encuentre una cota para el error en la solucin del ejemplo inicial

Matriz original

2.6
7.7
A=
5.1

6.0

0.3 2.4 6.2

0.4 4.7 1.4
9.9 9.5 1.5

7.0 8.5 4.8

Matriz modificada

2.6
7.7
A=
5.1

6.1

0.3 2.4 6.2

0.4 4.7 1.4
9.9 9.5 1.5

7.0 8.5 4.8

Error en la matriz:

0
0
EA = A - A =
0

0.1

0 0 0
0 0 0
0 0 0

0 0 0

Norma del error relativo de la matriz:

|eA| =

0.1
|| E A ||
=
= 0.0038 = 0.38%
26.3
|| A ||

Nmero de condicin:
cond(A) = 17879.09
Cota para el error relativo de la solucin:
| |e X | cond(A) |e A | = 17879.09 (0.0038) = 67.94 = 6794%
Indica que la magnitud del error relativo de la solucin puede variar hasta en 6794%, por lo
tanto no se puede confiar en ninguno de los dgitos de la respuesta calculada.

109
Ejemplo. Encuentre el error relativo de la solucin en el ejemplo inicial y compare con el
error relativo de la matriz de los coeficientes.

Sistema original:

2.6
7.7

5.1

6.0

0.3 2.4 6.2 x1 50.78

0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

2.5
3.2

Solucin: X =
4.1

5.4

Sistema modificado:

2.6
7.7

5.1

6.1

0.3 2.4 6.2 x1 50.78

0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

0.1494
0.4182
_

Solucin: X =
8.3432

4.8778

Error en la solucin:

0.1494
0.4182
EX = X - X =
8.3432

4.8778

2.5 -2.3506
3.2

= -2.7818
4.1 4.2432

5.4 -0.5222

Norma del error relativo de la solucin:

|eX| =

|| E X ||
|| X ||

4.2432
= 0.5086 = 50.86%
8.3432

Norma del error relativo de la matriz:

|eA| =

0.1
|| E A ||
=
= 0.0038 = 0.38%
26.3
|| A ||

La variacin en el vector solucin es muy superior a la variacin de la matriz de coeficientes.

Se concluye que es un sistema mal condicionado.

110
Ejemplo. Una empresa compra tres materiales A, B, C en cantidades en kg. como se
indica en el cuadro. Se dispone de dos facturas en las que consta el total pagado en
dlares. Se desconoce el total pagado en la segunda factura:
Factura
1
2
3

A
2
3
2

B
5
9
3

C
4
8
1

Total
35
k
17

Solucin
Sean x1,x 2 ,x 3 variables que representan al precio unitario de cada producto. Entonces, se
puede escribir:

2x1 + 5x 2 + 4x 3 =
35
3x1 + 9x 2 + 8x 3 =
k
2x1 + 3x 2 + x 3 =
17
Con el mtodo de Gauss-Jordan encuentre la solucin en funcin de k
35 / 2
2 5 4 35 1 5 / 2 2
=
A | B 3 9 =
8 k 0 3 / 2 2 k 105
=
/ 2
18
2 3 1 17 0 2 3

1 0 4 / 3 105 5k / 3
0 1 4 / 3 2k / 3=
35

0 0 1/ 3 4k / 3 88

1 0 0 457 7k
0 1 0 6k 387

0 0 1 264 4k

457 7k

=
X 6k 387
264 4k

Suponga que el valor pagado en la segunda factura es 65 dlares. Entonces la solucin

exacta
2
X = 3
4

Para verificar que la solucin es confiable, en la matriz de coeficientes se sustituye 5 por 5.1
y se obtiene nuevamente la solucin con el mtodo anterior con k=65.
2 51/ 10 4 35 1 51/ 20 2 35 / 2
A | B 3
9 =
8 65 0 27 / 20 2=
25 / 2
=
2
3
1 17 0 21/ 10 3 18
17
X = 10
13

1 0 16 / 9 55 / 9 1 0 0 17

250 / 27 0 1 0 10
0 1 40 / 27 =
0 0
1/ 9
13 / 9 0 0 1 13

111
El error de 0.1 en un coeficiente distorsion completamente la solucin, por lo tanto la
solucin no es confiable.
Error relativo de la solucin y error relativo de la matriz
|=
ex |

X X
= 3.75
= 375%,
X

|e A |
=

A A
= 0.005
= 0.5%
A

0.5% de distorsin en la matriz produjo una distorsin de 375% en la solucin. Estos

resultados confirman que el sistema es muy sensible a cambios o errores en los datos. Se
concluye que es un sistema mal condicionado y no se puede tener confianza en ninguno de
los dgitos de la solucin calculada.

4.4.5

Funciones de Python para normas y nmero de condicin

Clculo de normas de vectores y matrices en Python

Sea a un vector o una matriz. El mdulo linalg de la librera NumPy tiene varias
definiciones para norma y nmero de condicin. Se muestran algunas:
linalg.norm(a, 1)
linalg.norm(a, inf)
linalg.cond(a, 1)
linalg.cond(a, inf)

para obtener la norma 1 (norma de columna)

para obtener la norma infinito (norma de fila)
nmero de condicin con la norma 1
nmero de condicin con la norma infinito
4

Ejemplo. Calcule norma, inversa y nmero de condicin de la matriz A =

4.1 5
Solucin
Escribimos en la pantalla interacftiva de Python:
>>> from numpy import*
>>> a=array([[4,5],[4.1,5]])
>>> linalg.norm(a,inf)
9.0999999999999996
>>> linalg.inv(a)
array([[-10. , 10. ],
[ 8.2, -8. ]])
>>> linalg.cond(a,inf)
182.00000000000

112
4.5

Sistemas singulares

En esta seccin se describe un mtodo directo para intentar resolver un sistema lineal
propuesto de n ecuaciones con m variables, n<m. Estos sistemas tambin se obtienen
como resultado de la reduccin de un sistema dado originalmente con m ecuaciones y m
variables, en los que algunas ecuaciones no son independientes. En ambos casos la matriz
de coeficientes contendr una o ms filas nulas y por lo tanto no tienen inversa y se dice
que la matriz es singular, en este caso tambin diremos que el sistema es singular. Estos
sistemas no admiten una solucin nica.
Sin embargo, si el sistema es un modelo que representa algn problema de inters, es
importante detectar si el sistema es incompatible para el cual no existe solucin, o se trata
de un sistema incompleto para el cual existe infinidad de soluciones. Ms an, es til
reducirlo a una forma en la cual se facilite determinar las variables libres, a las que se
pueden asignar valores arbitrarios analizar las soluciones resultantes en trminos de stas
variables y su relacin con el problema.
Para facilitar el anlisis de estos sistemas, es conveniente convertirlo en una forma ms
simple. La estrategia que usaremos es llevarlo a la forma de la matriz identidad hasta donde
sea posible
4.5.1 Formulacin matemtica y algoritmo
Se desea resolver el sistema de n ecuaciones lineales con m variables, siendo nm
a1,1x1 + a1,2 x1 + ... + a1,m x m =
b1
a2,1x1 + a2,2 x1 + ... + a2,m x m =
b2
...
an,1x1 + an,2 x1 + ... + an,m x m =
bn

En donde
ai,j : Coeficientes
bi : Constantes
xi : Variables cuyo valor debe determinarse

En notacin matricial:
a1,1
a
2,1
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,m x1 b1
a2,m x 2 b2
=
... ... ...

an,m x m bn

113
Simblicamente: AX = B, en donde
a1,1
a
2,1
=
A
...

an,1

a1,2

...

a2,2

...

an,1

...

a1,m
a2,m
=
; B
...

an,m

b1
b
2
=
; X
...

bn

x1
x
2
...

xm

Para unificar la descripcin algortmica, es conveniente aumentar la matriz A con el vector B

pues en ambos deben realizarse simultneamente las mismas operaciones:
a1,1 a1,2
a
2,1 a 2,2
A |B =
...
...

an,1 an,2

... a1,m
... a2,m
...

...

... an,m

a1,m+ 1
a2,m+ 1
...

an,m+ 1

Siendo ai,m+1 = bi, i = 1, 2, 3, ..., n

El procedimiento consiste en transformar la matriz aumentada, de manera similar al mtodo
de Gauss-Jordan. El objetivo es reducir la matriz aumentada a una forma escalonada con
1s en la diagonal mediante intercambios de filas, hasta donde sea posible hacerlo.
Si n<m la matriz transformada finalmente tendr la siguiente forma
a1,1 a1,2
a
2,1 a 2,2
A |B =
...
...

an,1 an,2

... a1,m
... a2,m
... ...
... an,m

1 0 ... 0 a1,n+ 1 ... a1,m a1,m+ 1

a1,m+ 1

0 1 ... 0 a2,n+ 1 ... a2,m a2,m+ 1

a2,m+ 1
. . .
...
... ... ... ... ... ... ...
...

an,m+ 1
0 0 ... 1 an,n+ 1 ... an,m an,m+ 1

En el sistema resultante, las variables xn+1, xn+2, , xm se denominan variables libres y

pueden tomar valores arbitrarios, normalmente asociados al problema que se analiza,
mientras que las otras variables x1, x2, , xn pueden tomar valores dependientes de las
variables libres. Los valores ai,j que aparecen en la matriz reducida, son los valores
resultantes de las transformaciones aplicadas. La forma final facilita asignar valores a estas
variables.
En cada etapa, primero se har que el elemento en la diagonal tome el valor 1. Luego se
har que los dems elementos de la columna correspondiente, tomen el valor 0. Realizando
previamente intercambios de filas para colocar como divisor el elemento de mayor magnitud.
Esta estrategia se denomina pivoteo parcial y se usa para determinar si el sistema es
singular.
La formulacin es similar al mtodo de Gauss-Jordan descrito en una seccin anterior, pero
el algoritmo incluye el registro de las variables libres que se detectan como variables libres.

114
Algoritmo: Gauss-Jordan para sistemas singulares
Entra
a: matriz aumentada del sistema de n ecuaciones lineales
v: vector de variables libres (inicialmente nulo)
Sale
x: Solucin calculada o un vector nulo si la solucin no es nica
a: Matriz reducida a la forma diagonal
Para e = 1, 2, . . ., n
Elegir el valor de mayor magnitud de la columna e en las filas e, e+1, ..., n
Si este valor es cero
agregar e al vector v de las variable libres
avanzar a la siguiente etapa e
Sino (continuar con la transformacin matricial)
t a e,e

Para j=e, e+1, ..., n+1

Normalizar la fila e ( a e,e 0 )

a e,j a e,j / t

Fin
Para i=1, 2, , n; i e
t ai,e

Para j=e, e+1, ..., n+1

ai,j ai,j t a e,j

Reducir las otras filas

Fin
Fin
Fin
Fin
Si el vector v no contiene variables libres
El vector solucin x es la ltima columna de la matriz a
Sino
Entregar un vector x nulo
Entregar la matriz a reducida
Fin
Ejemplo. Una empresa produce cuatro productos: P1, P2, P3, P4 usando tres tipos de
materiales M1, M2, M3. Cada Kg. de producto requiere la siguiente cantidad de cada
material, en Kg.:
M1
M2
M3

P1
0.2
0.3
0.5

P2
0.5
0
0.5

P3
0.4
0.5
0.1

P4
0.2
0.6
0.2

La cantidad disponible de cada material es: 10, 12, 15 Kg. respectivamente, los cuales
deben usarse completamente. Se quiere analizar alguna estrategia de produccin factible.

115
Solucin
Sean x1, x2, x3, x4 cantidades en Kg. producidas de P1, P2, P3, P4, respectivamente
Se obtienen las ecuaciones:
0.2x1 + 0.5x2 + 0.4x3 + 0.2x4 = 10
+ 0.5x3 + 0.6x4 = 12
0.3x1
0.5x1 + 0.5x2 + 0.1x3 + 0.2x4 = 15

Si fuesen desigualdades tipo menor o igual, este problema se puede interpretar como un
problema de bsqueda de la mejor solucin y cae en el mbito de la programacin lineal.
Es un sistema de tres ecuaciones y cuatro variables. En notacin matricial
x1
0.2 0.5 0.4 0.2 10
0.3 0 0.5 0.6 x 2 = 12

x
0.5 0.5 0.1 0.2 3 15
x 4

Reduccin con el mtodo de Gauss-Jordan usando pivoteo

1.00
0

1.00
-0.30
0.30

0.20
0.44
0.36

0.40
0.48
0.12

30.00
3.00
4.00

1.00
0

0
1.00
0

1.66
-1.46
0.80

2.00
-1.60
0.60

40.00
-10.00
7.00

1.00
0

0
1.00
0

0
0
1.00

0.75
-0.50
0.75

25.41
2.83
8.75

Sistema equivalente reducido:

x1
x2
x3

+ 0.75x4 = 25.41
- 0.50x4 = 2.83
+ 0.75x4 = 8.75

La variable x4 queda como variable libre:

Sea

x4 = t, t0, t

(variable libre)

Conjunto solucin: X = [25.41 - 0.75 t, 2.83 + 0.50 t, 8.75 - 0.75 t, t]T

116
Dependiendo del problema se pueden afinar los rangos para las variables. En este ejemplo,
las variables no pueden tomar valores negativos:
Rango para la variable libre:
x3 = 8.75 - 0.75 t 0 t 11.66
x2 = 2.83 + 0.50 t 0 t 0
x1 = 25.41 - 0.75 t 0 t 33.88
Se concluye que el rango factible para x4 es: 0 t 11.66
Rango para las otras variables
0 t 11.66
x3 = 8.75 - 0.75 t
0 x3 8.75
x2 = 2.83 + 0.50 t
2.83 x2 8.66
x1 = 25.41 - 0.75 t
16.66 x1 25.41
Esta informacin puede ser til para decidir la cantidad que debe producirse de cada artculo
usando todos los recursos disponibles y usando cualquier artculo como referencia.
Ejemplo. Si se decide producir 10 Kg del producto P4, entonces para que no sobren
materiales, la produccin ser:
x4 = 10 t = x4 = 10, x3 = 1.25, x2 = 7.83, x1 = 17.91
Ejemplo. Si se decide producir 20 Kg del producto P1, entonces para que no sobren
materiales, la produccin ser:
x1 = 20 t = x4 = 7.21, x3 = 3.34, x2 = 6.43
4.5.2

Instrumentacin computacional para sistemas singulares

La instrumentacin se realiza mediante una funcin con el nombre slin. La matriz es

estandarizada dividiendo por el elemento de mayor magnitud para reducir el error de
truncamiento y detectar en forma consistente si el sistema es singular.
Por los errores de redondeo se considerar que el elemento de la diagonal es nulo si su
valor tiene una magnitud menor que 10-10.
Parmetros de entrada
a: matriz de coeficientes
b: vector de constantes
Parmetros de salida
x: vector solucin
c: matriz de coeficientes reducida a la forma escalonada
Uso de slin
[x, c] = slin(a, b)

117
def slin(a,b):
n=len(a)
m=len(a[0])
z=max(max(a))
v=[]
if m>n:
for i in range(n,m):
v=v+[i]
for i in range(n):
a[i]=a[i]+[b[i]]
if n>m:
return [[],[]]
for i in range(n):
for j in range(m+1):
a[i][j]=a[i][j]/z
for e in range(n):
p=e
for i in range(e+1,n):
if abs(a[i][e])>abs(a[p][e]):
p=i

#Nmero de filas
#Nmero de columnas

#Variables libres

#Eestandarizar sistema

#Pivoteo

a[e],a[p]=a[p],a[e]
t=a[e][e]
if abs(t)<1e-10:
#Detectar variable libre
v=v+[e]
else:
for j in range(e,m+1):
#Normalizar fila e
a[e][j]=a[e][j]/t
for i in range(n):
#Reducir otras filas
if i!=e:
t=a[i][e]
for j in range(e,m+1):
a[i][j]=a[i][j]-t*a[e][j]
x=[]
if v==[] and n==m:
#Solucin
for i in range(n):
x=x+[a[i][n]]
return [x,a]

118
Ejemplo. El ejemplo anterior usando slin
>>> from numpy import*
>>> from slin import*
>>> a=[[0.2,0.5,0.4,0.2],[0.3,0.0,0.5,0.6],[0.5,0.5,0.1,0.2]]
>>> b=[10,12,15]
>>> [x,c]=slin(a,b)
>>> print(array(x))
[]
>>> print(array(c))
[[ 1. 0.
0.
0.75
25.41666667]
[ 0. 1.
0. -0.5
2.83333333]
[ 0. 0.
1.
0.75
8.75
]]

En los siguientes ejemplos se utiliza una notacin informal para identificar cada tipo de
sistema que se resuelve. Los resultados obtenidos deben interpretarse segn lo descrito en
la instrumentacin computacional de la funcin slin.
Sistema completo:
Sistema incompleto:

Tiene n ecuaciones y n variables

Tiene n ecuaciones y m variables, n<m. Puede ser dado inicialmente
o puede ser resultado del proceso de transformacin matricial en el
que algunas ecuaciones desaparecen pues son linealmente
dependientes.

Sistema consistente: Tiene una solucin nica

Sistema redundante: Tiene variables libres y por lo tanto, infinidad de soluciones
Sistema incompatible: Contiene ecuaciones incompatibles. La transformacin matricial
reduce el sistema a uno conteniendo proposiciones falsas
Las variables libres se reconocen porque no estn diagonalizadas, es decir que no
contienen 1 en la diagonal principal de la matriz transformada.
1) Sistema consistente
x1

+ 2x3 + 4x4 = 1
x2 + 2x3
=0
=0
x1 + 2x2 + x3
x 1 + x2
+ 2x4 = 2

>>>
>>>
>>>
>>>
>>>

from numpy import*

from slin import*
a=[[1,0,2,4],[0,1,2,0],[1,2,1,0],[1,1,0,2]]
b=[1,0,0,2]
[x,c]=slin(a,b)

119
>>> print(array(x))
[-3.
2. -1.
1.5]
>>> print(array(c))
[[ 1.
0.
0.
0. -3. ]
[ 0.
1.
0.
0.
2. ]
[ 0.
0.
1.
0. -1. ]
[ 0.
0.
0.
1.
1.5]]
2) Sistema completo reducido a incompleto redundante
>>> from numpy import*
>>> from slin import*
>>> a=[[1,1,2,2],[1,2,2,4],[2,4,2,4],[1,3,0,2]]
>>> b=[1,2,2,1]
>>> [x,c]=slin(a,b)
>>> print(array(x))
[]
>>> print(array(c))
[[ 1. 0. 0. -4. -2.]
[ 0. 1. 0. 2. 1.]
[ 0. 0. 1. 2. 1.]
[ 0. 0. 0. 0. 0.]]
Se obtiene un sistema equivalente. Las soluciones se asignan mediante la variable libre x4 :
x1
- 4x4 = -2
x1 = 4x4 - 2
x2
- 2x4 = 1
x2 = 2x4 + 1
x3 + 2x4 = 1
x3 = -2x4 + 1
Sea x4 = t, t R, entonces el conjunto solucin es {4t-2, 2t+1, -2t +1}
3) Sistema incompleto
>>> from numpy import*
>>> from slin import*
>>> a=[[1,0,2,4],[4,1,2,4],[2,4,5,2]]
>>> b=[1,0,2]
>>> [x,c]=slin(a,b)
>>> print(array(x))
[]
>>> print(array(c))
[[ 1.
0.
0.
0.64 -0.28]
[ 0.
1.
0.
-1.92 -0.16]
[ 0.
0.
1.
1.68 0.64]]

120
Se obtiene un sistema equivalente. Las soluciones se asignan mediante la variable libre x4:
x1
x2

+ 0.64x4 = -0.28
- 1.92x4 = -0.16
x3 + 1.68x4 = 0.64

4) Sistema completo reducido a incompleto incompatible

>>> from numpy import*
>>> from slin import*
>>> a=[[1,1,2,2],[1,2,2,4],[2,4,2,4],[1,3,0,2]]
>>> b=[1,2,2,4]
>>> [x,c]=slin(a,b)
>>> print(array(x))
[]
>>> print(array(c))
[[ 1.
0.
0.
-4.
-2. ]
[ 0.
1.
0.
2.
1. ]
[ 0.
0.
1.
2.
1. ]
[ 0.
0.
0.
0.
0.75]]
Sistema equivalente:
- 4x4 = -2
x1
x2
- 2x4 = 1
x3 + 2x4 = 1
0x4 = 3
Sistema incompatible

5. Resolver el sistema incompleto

1
0

0
0

0 1
0 0
0 1
1 1
0 0

0 0
1 0
0 1
0 0
1 0

x1
0 2
x2
1 30
x3
0 = 4
x4

0 10
x5
0 50
x 6

>>> from numpy import*

>>> from slin import*
>>> a=[[1,0,-1,0,0,0],[0,0,0,1,0,-1],[0,0,1,0,-1,0],
[0,1,-1,0,0,0],[0,0,0,1,0,0]]
>>> b=[2,30,-4,10,50]
>>> [x,c]=slin(a,b)
>>> print(array(x))
[]

121
>>>
[[
[
[
[
[

print(array(c))
1.
0.
0.
0.
0.
1.
0.
0.
0.
0.
1.
0.
0.
0.
0.
1.
0.
0.
0.
0.

-1.
-1.
-1.
0.
0.

0.
0.
0.
-1.
1.

-2.]
6.]
-4.]
30.]
20.]]

La variable libre es x5
Del sistema reducido se puede obtener:
x6 = 20
x4 = 50
x5 = t, t 0
(variable libre)
x3 = -4 + t
x2 = 6 + t
x1 = -2 + t
Los resultados obtenidos tambin establecen que t 4

122
4.6

Sistemas tridiagonales

En un sistema tridiagonal la matriz de los coeficientes contiene todos sus componentes

iguales a cero excepto en las tres diagonales principales. Estos sistemas se presentan en la
aplicacin de cierto tipo de mtodos numricos como el caso de los trazadores cbicos y en
la solucin de ecuaciones diferenciales con diferencias finitas.
Se puede disear un mtodo directo para resolver un sistema tridiagonal con eficiencia de
primer orden: T(n)=O(n) lo cual representa una enorme mejora respecto a los mtodos
directos generales para resolver sistemas de ecuaciones lineales, cuya eficiencia es
T(n)=O(n3).
4.6.1 Formulacin matemtica y algoritmo
Un sistema tridiagonal de n ecuaciones expresado en notacin matricial:
b1 c1
x1 d1
a b c
x d
2
2
2
2 2

x 3 = d3
a 3 b3 c 3

... ... ... ... ...

an bn xn dn

Para obtener la formulacin se puede considerar nicamente un sistema de tres ecuaciones

para luego extenderla al caso general. Las transformaciones son aplicadas a la matriz
aumentada:
d1
b1 c1

a2 b2 c 2 d2

a3 b3 d3
1) Sea w 1 = b1 . Dividir la primera fila para w1

a2

2) Sea g1 =

c1
w1
b2
a3

c2
b3

d1
w1

d2

d3

d1
. Restar de la segunda fila, la primera multiplicada por a2
w1

0 b2

c1
w1
a2
a3

d2 a2 g1

d3

g1

c1
w1

c2
b3

123

3) Sea w=
b2 a 2
2
c1

1 w
1

0 1

a3

4) Sea g2 =

c1
. Dividir la segunda fila para w2
w1

d2 a2 g1

w2

d3

g1

c2
w2
b3

d2 a2 g1
. Restar de la tercera fila, la segunda multiplicada por a3
w2

c1
1
w1

c2
0 1
w
2

0 b3 a 3 2
w
2

5) Sea w=
b3 a 3
3

c1
1
w
1

0 1

6) Sea g3 =

g2

d3 a3 g2

g1

c2
. Dividir la tercera fila para w3
w2

g2

d3 a3 g2

w3

g1

c2
w2
1

d3 a3 g2
. Finalmente se obtiene:
w3

c1

1 w
1

0 1

c2
w2
1

g1

g2

g3

De donde se puede hallar directamente la solucin

x 3 = g3
x=
g2
2

c2
x3
w2

x=
g1
1

c1
x2
w1

124
La formulacin se extiende al caso general (2)
Transformacin matricial de un sistema tridiagonal de n ecuaciones lineales
w 1 = b1
g1 =

d1
w1

ac
wi =
bi i i1 ,
w i1
gi
=

i=
2,3,...,n

di aigi1
,
i 2,3,...,n
=
wi

Obtencin de la solucin
xn = gn
xi =
gi
(2)

ci x i + 1
,
wi

i =
n 1, n 2,...,2,1

Algoritmo de Thomas

El algoritmo incluye un ciclo dependiente del tamao del problema n para reducir la matriz y
otro ciclo separado para obtener la solucin, ambos dependientes de n. Por lo tanto este
algoritmo tiene eficiencia T(n)=O(n).

4.6.2

Instrumentacin computacional del Mtodo de Thomas

Con la formulacin anterior se escribe una funcin para resolver un sistema tridiagonal de n
ecuaciones lineales. La funcin recibe los coeficientes y las constantes en los vectores a, b,
c, d. La solucin es entregada en el vector x
def tridiagonal(a, b, c, d):
n=len(d)
w=[b[0]]
g=[d[0]/w[0]]
for i in range(1,n):
w=w+[b[i]-a[i]*c[i-1]/w[i-1]]
g=g+[(d[i]-a[i]*g[i-1])/w[i]]
x=[]
for i in range(n):
x=x+[0]
x[n-1]=g[n-1]
for i in range(n-2,-1,-1):
t=x[i+1]
x[i]=g[i]-c[i]*t/w[i]
return x

125
Ejemplo. Resuelva el siguiente sistema tridiagonal de ecuaciones lineales usando la
funcin anterior en la ventana interactiva de Python
7 5
x1 6
2 8 1 x 5

2 =

6 4 3 x3 7

9 8 x 4 8

>>> from tridiagonal import*

>>> a=[0,2,6,9]
Vectores con las diagonales (completas)
>>> b=[7,-8,4,8]
>>> c=[5,1,3,0]
>>> d=[6,5,7,8]
>>> x=tridiagonal(a,b,c,d)
>>> x
[0.7402402402402403, 0.16366366366366353, 4.8288288288288275,
-4.432432432432431]

126

Mtodos iterativos para resolver sistemas de ecuaciones lineales

La resolucin de sistemas de ecuaciones lineales tambin puede hacerse con frmulas

iterativas que permiten acercarse a la respuesta mediante aproximaciones sucesivas, sin
embargo desde el punto de vista prctico es preferible usar mtodos directos que con el
soporte computacional actual resuelven grandes sistemas en forma eficiente y con mucha
precisin, a diferencia de los sistemas de ecuaciones no-lineales cuya solucin no se puede
obtener mediante mtodos directos.
Las frmulas iterativas no siempre convergen, su anlisis puede ser complicado, la
convergencia es de primer orden y se requiere elegir algn vector inicial para comenzar el
proceso iterativo. En la poca actual el estudio de estos mtodos iterativos se puede
considerar principalmente como de inters terico matemtico, excepto para resolver
grandes sistemas de ecuaciones lineales con matrices esparcidas y cuya convergencia se
puede determinar fcilmente.
Para definir un mtodo iterativo, se expresa el sistema AX = B en la forma X = G(X) con el
mismo fundamento descrito en el mtodo del Punto Fijo para resolver ecuaciones no
lineales.

5.1

Mtodo de Jacobi

5.1.1

Formulacin matemtica

Dado un sistema de ecuaciones lineales

a1,1x1 + a1,2x2 + ... + a1,nxn = b1
a2,1x1 + a2,2x2 + ... + a2,nxn = b2
. . . .

an,1x1 + an,2x2 + ... + an,nxn = bn

Expresado abreviadamente en notacin matricial: AX = B
Una forma simple para obtener la forma X = G(X) consiste en re-escribir el sistema
despejando de la ecuacin i la variable xi a condicin de que ai,i sea diferente de 0:
x1 = 1/a1,1 (b1 a1,2x2 a1,3x3 - ... a1,nxn)
x2 = 1/a2,2 (b2 a2,1x1 a2,3x3 - ... a2,nxn)
. . . .

xn = 1/an,n (bn an,1x1 an,2x2 - ... an,n-1xn-1)

El cual puede escribirse con la notacin de sumatoria:

xi =

1
(bi
ai,i

i1

j= 1

j= i + 1

ai,jx j ai,jx j ) =

1
(bi
ai,i

=j 1,ji

ai,j x j ); i = 1, 2, ..., n;

El sistema est en la forma X = G(X) la cual sugiere su uso iterativo.

127
Utilizamos un ndice arriba para indicar iteracin:
X(k+1) = G(X(k)), k=0, 1, 2, .... (iteraciones)
Frmula iterativa de Jacobi:

xi(k +1) =

1
(bi
ai,i

=j 1,ji

ai,j x (k)
j ); i = 1, 2, ..., n; k = 0, 1, 2, ...

X(0) es el vector inicial. A partir de este vector se obtienen los vectores X(1), X(2), ...
Si el mtodo converge, entonces X(k) tiende a la solucin X a medida que k crece:

X (k) X
k

Ejemplo. Dadas las ecuaciones:

5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
a) Formule un sistema iterativo con el mtodo de Jacobi
b) Realice dos iteraciones, comenzando con los valores iniciales: x1(0) = x2(0) = x3(0) = 1
Solucin
x1(k+1) = 1/5 (5 + 3x2(k) x3(k))
x2(k+1) = 1/4 (6 2x1(k) + x3(k))
x3(k+1) = 1/8 (4 2x1(k) + 3x2(k))

k = 0, 1, 2, ...

k=0:

x1(1) = 1/5 (5 + 3x2(0) x3(0)) = 1/5 (5 + 3(1) (1)) = 1/5 (7) = 1.4
x2(1) = 1/4 (6 2x1(0) + x3(0)) = 1/4 (6 2(1) + (1)) = 1/4 (5) = 1.25
x3(1) = 1/8 (4 2x1(0) + 3x2(0)) = 1/8 (4 2(1) + 3(1)) = 1/8 (5) = 0.625

k=1:

x1(2) = 1/5 (5 + 3x2(1) x3(1)) = 1/5 (5 + 3(1.25) (0.625)) = 1.6250

x2(2) = 1/4 (6 2x1(1) + x3(1)) = 1/4 (6 2(1.4) + (0.625)) = 0.9563
x3(2) = 1/8 (4 2x1(1) + 3x2(1)) = 1/8 (4 2(1.4) + 3(1.25)) = 0.6188

128
5.1.2

Manejo computacional de la frmula de Jacobi

La siguiente funcin en Python recibe un vector X y entrega un nuevo vector X calculado

con la frmula iterativa
def jacobi(a,b,x):
n=len(x)
t=x.copy()
for i in range(n):
s=0
for j in range(n):
if i!=j:
s=s+a[i][j]*t[j]
x[i]=(b[i]-s)/a[i][i]
return x
Nota: La funcin copy() asigna a t una copia de x en celdas diferentes
Uso de la funcin Jacobi para el ejemplo anterior:
>>> from jacobi import*
>>> a=[[5,-3,1],[2,4,-1],[2,-3,8]]
>>> b=[5,6,4]
>>> x=[1,1,1]
Vector inicial
>>> x=jacobi(a,b,x);print(x)
Repetir y observar la convergencia
[1.4, 1.25, 0.625]
>>> x=jacobi(a,b,x);print(x)
[1.625, 0.95625, 0.61875]
>>> x=jacobi(a,b,x);print(x)
[1.45, 0.8421875, 0.45234375000000004]
>>> x=jacobi(a,b,x);print(x)
[1.41484375, 0.8880859375000001, 0.4533203125]
>>> x=jacobi(a,b,x);print(x)
[1.4421875, 0.905908203125, 0.47932128906250004]
>>> x=jacobi(a,b,x);print(x)
[1.4476806640625, 0.8987365722656251, 0.479168701171875]
>>> x=jacobi(a,b,x);print(x)
[1.443408203125, 0.8959518432617187, 0.4751060485839844]
>>> x=jacobi(a,b,x);print(x)
[1.4425498962402343, 0.8970724105834962, 0.4751298904418945]
>>> x=jacobi(a,b,x);print(x)
[1.4432174682617187, 0.8975075244903564, 0.4757646799087525]
>>> x=jacobi(a,b,x);print(x)
[1.4433515787124633, 0.8973324358463288, 0.47576095461845397]
>>> x=jacobi(a,b,x);print(x)
[1.4432472705841064, 0.8972644492983818, 0.4756617687642575]

129
5.1.3

Algoritmo de Jacobi

En este algoritmo se incluye el criterio de convergencia y un conteo de iteraciones. Si no

converge entrega un vector nulo
Algoritmo: Jacobi
Entra
a: matriz de coeficientes,
b: vector de constantes del sistema de n ecuaciones lineales
e: estimacin del error para la solucin,
m: mximo de iteraciones permitidas
x: vector inicial para la solucin, k es el conteo de iteraciones
Sale
x: vector solucin
tx
Para k = 1, 2, . . ., m
Calcular el vector x con la frmula de Jacobi
Si la norma del vector x t es menor que e
x es el vector solucin con error e
Terminar
sino
tx
fin
fin

130

5.1.4

Instrumentacin computacional del mtodo de Jacobi

La siguiente funcin en Python recibe la matriz de coeficientes a y el vector de constantes

b de un sistema lineal. Adicionalmente recibe un vector inicial x, la estimacin del error e
y el mximo de iteraciones permitidas m. Esta funcin utiliza dentro de un ciclo, la funcin
jacobi definida anteriormente. Entrega el vector x calculado y el nmero de iteraciones
realizadas k. Si el mtodo no converge, x contendr un vector nulo.
from jacobi import*
from numpy import*
def jacobim(a,b,x,e,m):
n=len(x)
t=x.copy()
for k in range(m):
x=jacobi(a,b,x)
d=linalg.norm(array(x)-array(t),inf)
if d<e:
return [x,k]
else:
t=x.copy()
return [[],m]

Nota: La funcin copy() asigna a t una copia de x en celdas diferentes

Ejemplo. Use la funcin jacobim para encontrar el vector solucin del ejemplo anterior
con un error de 0.0001 Determine cuntas iteraciones se realizaron. Comenzar con el
vector inicial x=[1; 1; 1]
>>> from jacobim import*
>>> a=[[5,-3,1],[2,4,-1],[2,-3,8]]
>>> b=[5,6,4]
>>> x=[1,1,1]
>>> [x,k]=jacobim(a,b,x,0.0001,20)
>>> print(x)
[1.4432263158261776, 0.8972918068990112, 0.47566235084086655]
>>> print(k)
11

131
5.1.5

Forma matricial del mtodo de Jacobi

Dado el sistema de ecuaciones lineales

AX = B
La matriz A se re-escribe como la suma de tres matrices:
A=L+D+U
D es una matriz diagonal con elementos iguales a los de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
U es una matriz triangular superior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
En forma desarrollada:

a1,1 a1,2
a
2,1 a 2,2
A=
... ...

an,1 an,2

... a1,n
0
0

... a2,n
a2,1 0
=L + D + U =
... ...
... ...

... an,n
an,1 an,2

...
...
...
...

0 a1,1 0
0 0 a 2,2
+
... ... ...

0 0
0

0 0 0 a1,2
0 0 0 0
+
... ... ... ...

0 an,n 0 0

Sustituyendo en la ecuacin:
(L + D + U)X = B
LX + DX + UX = B
X = D-1B - D-1LX - D-1UX,

Siempre que D-1 exista

Ecuacin recurrente del mtodo de Jacobi segn el mtodo del Punto Fijo X = G(X)
X = D-1B - D-1 (L + U)X
En donde

1
D 1 =
ai,i nxn
Ecuacin recurrente desarrollada
x1
x
2
=
:

x2

0
b1 / a1,1
b / a a / a
2 2,2 2,1 2,2

:
:

bn / an,n an,1 / an,n

a1,2 / a1,1
0
:
an,2 / an,n

a1,3 / a1,1
a2,3 / a2,2
:
an,3 / an,n

... a1,n / a1,1 x1

... a2,n / a2,2 x 2

:
...
:

...
0
xn

... a1,n
... a2,n
... ...

0 0

132
Frmula recurrente iterativa:

X (k +1) =D1B D1 (L + U)X (k) , k =0,1,2,...

(iteraciones)

Frmula iterativa con las matrices desarrolladas

x1(k + 1)
(k + 1)
x2
=

:
x (k + 1)
n

0
b1 / a1,1
b / a a / a
2 2,2 2,1 2,2

:
:

b
/
a
a
/
n n,n n,1 an,n

a1,2 / a1,1
0
:
an,2 / an,n

a1,3 / a1,1
a2,3 / a2,2
:
an,3 / an,n

(k)
... a1,n / a1,1 x1

... a2,n / a2,2 x (k)

2
:
...
:

...
0
xn(k)

X(0) es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores
X(1), X(2), ... Si el mtodo converge, entonces la sucesin { X(k) }k=0,1,2,.. tiende al vector
solucin X
Ejemplo. Resuelva el sistema anterior con el mtodo de Jacobi en notacin matricial:
5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
Solucin
5 3 1
A 2 4 1 ,
=
2 3 8

5
B = 6 ,
4

5 0 0
D = 0 4 0 ,
0 0 8

0 0 0
,
L = 2 0 0=
U

2 3 0

0 3 1
0 0 1 ,

0 0 0

X (k +1) =D1B D1 (L + U)X (k) , k =0,1,2,...

(1)

(2)

(3)

3 1 1
0 1 1
3 0 1
0 0 3 1 1
0 2 0 1 1
1/ 8 2 3 0 1
0.2 1 1.4
0.6
1 0

1.25
0
=
0.25 1 =
1.5 0.5

0.5 0.25 0.375

0 1 0.625

5 0
1
1
(0)
=D B D (L + U)X = 0 4
0 0
1/ 5
= 0
0

0
0
8

5 5 0 0
6 0 4 0

4 0 0 8
0
0 5 1/ 5
1/ 4 0 6 0
0 1/ 8 4 0

0
2

2
0
1/ 4
0

0.6
0.2 1.4 1.625
1 0

0.9562
0
=
0.25 1.25 =
1.5 0.5

0.5 0.25 0.375

0 0.625 0.6187
0.6
0.2 1.625 1.45
1 0

0.8422 , Etc.
=
0
0.25 0.9562 =
1.5 0.5

0.5 0.25 0.375

0 0.6187 0.4523

(0)

1
= 1
1

133
Manejo matricial computacional en Python del mtodo de Jacobi
>>> from numpy import*
>>> a=[[5,-3,1],[2,4,-1],[2,-3,8]]
>>> b=[5,6,4]
>>> d=diag(diag(a))
>>> di=linalg.inv(d)
>>> l=tril(a)-d
>>> u=triu(a)-d
>>> x=[1,1,1]
>>> x=dot(di,b)-dot(di,dot((l+u),x));print(x)
[ 1.4
1.25
0.625]
>>> x=dot(di,b)-dot(di,dot((l+u),x));print(x)
[ 1.625
0.95625 0.61875]

5.2

Mtodo de Gauss-Seidel

Se diferencia del mtodo anterior al usar los valores ms recientes del vector X, es decir
aquellos que ya estn calculados, en lugar de los valores de la iteracin anterior como en el
mtodo de Jacobi. Por este motivo, podemos suponer que el mtodo de Gauss-Seidel en
general converge o diverge ms rpidamente que el mtodo de Jacobi.
5.2.1

Formulacin matemtica

La frmula de Gauss-Seidel se la obtiene directamente de la frmula de Jacobi separando la

sumatoria en dos partes: los componentes que an no han sido calculados se los toma de la
iteracin anterior k, mientras que los ya calculados, se los toma de la iteracin k+1:

xi(k +1) =

1
(bi ai,i

i1

j= 1

j= i + 1

ai,jx(kj +1) - ai,jx(k)

j );

i = 1, 2, ..., n; k = 0, 1, 2, ...

En general, el mtodo de Gauss-Seidel requiere menos iteraciones que el mtodo de Jacobi

en caso de que converja
Ejemplo. Dadas las ecuaciones:
5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
a) Formule un sistema iterativo con el mtodo de Gauss-Seidel:
b) Comenzando con el vector inicial: x1(0) = x2(0) = x3(0) = 1, realice dos iteraciones:
Solucin
x1= 1/5 (5 + 3x2 x3 )
x2= 1/4 (6 2x1+ x3 )
x3= 1/8 (4 2x1+ 3x2)

134
Frmula iterativa:
x1(k+1) = 1/5 (5 + 3x2(k) x3(k))
x2(k+1) = 1/4 (6 2x1(k+1) + x3(k))
x3(k+1) = 1/8 (4 2x1(k+1) + 3x2(k+1))
k=0:

x1(1) = 1/5 (5 + 3x2(0) x3(0)) = 1/5 (5 + 3(1) (1)) = 1.4

x2(1) = 1/4 (6 2x1(1) + x3(0)) = 1/4 (6 2(1.4) + (1)) = 1.05
x3(1) = 1/8 (4 2x1(1) + 3x2(1)) = 1/8 (4 2(1.4) + 3(1.05)) = 0.5438

k=1:

x1(2) = 1/5 (5 + 3x2(1) x3(1)) = 1/5 (5 + 3(1.05) (0.5438))=1.5212

x2(2) = 1/4 (6 2x1(2) + x3(1)) = 1/4 (6 2(1.5212) + (0.5438)) = 0.8753
x3(2) = 1/8 (4 2x1(2) + 3x2(2)) =1/8 (4 2(1.5212) + 3(0.8753))=0.4479

5.2.2

Manejo computacional de la frmula de Gauss-Seidel

La siguiente funcin en Python recibe un vector X y entrega un nuevo vector X calculado

en cada iteracin
def gaussseidel(a,b,x):
n=len(x)
for i in range(n):
s=0
for j in range(n):
if i!=j:
s=s+a[i][j]*x[j]
x[i]=(b[i]-s)/a[i][i]
return x
Resuelva el ejemplo anterior usando la funcin gaussseidel:
>>> from gaussseidel import*
>>> a=[[5,-3,1],[2,4,-1],[2,-3,8]]
>>> b=[5,6,4]
>>> x=[1,1,1]
>>> x=gaussseidel(a,b,x); print(x)
[1.4, 1.05, 0.5437500000000001]
>>> x=gaussseidel(a,b,x); print(x)
[1.52125, 0.8753125, 0.4479296875]
>>> x=gaussseidel(a,b,x); print(x)
[1.4356015625, 0.8941816406249999, 0.476417724609375]
>>> x=gaussseidel(a,b,x); print(x)
[1.441225439453125, 0.8984917114257812, 0.4766280319213867]
>>> x=gaussseidel(a,b,x); print(x)
[1.4437694204711913, 0.897272297744751, 0.4755347565364838]
...
En general, la convergencia es ms rpida que con el mtodo de Jacobi

135
5.2.3

Instrumentacin computacional del mtodo de Gauss-Seidel

Similar al mtodo de Jacobi , conviene instrumentar el mtodo incluyendo el control de

iteraciones dentro de la funcin, suministrando los parmetros apropiados.
Los datos para la funcin son la matriz de coeficientes a y el vector de constantes b de un
sistema lineal. Adicionalmente recibe un vector inicial x, el criterio de error e y el mximo
de iteraciones permitidas m. Esta funcin utiliza dentro de un ciclo, la funcin gaussseidel
definida anteriormente. Entrega el vector x calculado y el nmero de iteraciones realizadas
k. Si el mtodo no converge, x contendr un vector nulo y el nmero de iteraciones k ser
igual al mximo m.

from gaussseidel import*

from numpy import*
def gaussseidelm(a,b,x,e,m):
n=len(x)
t=x.copy()
for k in range(m):
x=gaussseidel(a,b,x)
d=linalg.norm(array(x)-array(t),inf)
if d<e:
return [x,k]
else:
t=x.copy()
return [[],m]

Ejemplo. Use la funcin gaussseidelm para encontrar el vector solucin del ejemplo
anterior con E=0.0001. Determine cuntas iteraciones se realizaron. Use X(0: [1, 1, 1]
>>> from gaussseidelm import*
>>> a=[[5,-3,1],[2,4,-1],[2,-3,8]]
>>> b=[5,6,4]
>>> x=[1,1,1]
>>> [x,k]=gaussseidelm(a,b,x,0.0001,20)
>>> print(x)
[1.4432219459857583, 0.897303201123181, 0.47568321392475327]
>>> print(k)
6

136
5.2.4

Forma matricial del mtodo de Gauss-Seidel

Dado el sistema de ecuaciones lineales

AX = B
La matriz A se re-escribe como la suma de tres matrices:
A=L+D+U
D es una matriz diagonal con elementos iguales a los de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
U es una matriz triangular superior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
Sustituyendo en la ecuacin:
(L + D + U)X = B
LX + DX + UX = B
X = D-1B - D-1LX - D-1UX,

Siempre que D-1 exista

Ecuacin recurrente con las matrices desarrolladas

0
0
0
x1 b1 / a1,1
x b / a a / a
0
0
2 2,2 2,1 2,2
2 =

:
:
:
:
:


x 2 bn / an,n an,1 / an,n an,2 / an,n an,3 / an,n

... 0 x1 0 a1,2 / a1,1 a1,3 / a1,1

... 0 x 2 0
0
a2,3 / a2,2

... : : :
:
:

... 0 xn 0
0
0

... a1,n / a1,1 x1

... a2,n / a2,2 x 2
:
...
:

...
0
xn

El sistema est en la forma recurrente del punto fijo X = G(X) que sugiere su uso iterativo.
En el mtodo de Gauss-Seidel se utilizan los valores recientemente calculados del vector X.
Frmula iterativa

X (k +1) =
D1B D1LX (k +1) D1UX (k) , k =
0,1,2,...
X(0) es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores
X(1), X(2), ...
Si el mtodo converge, entonces la sucesin { X(k) }k=0,1,2,.. tiende al vector solucin X
Frmula matricial iterativa del mtodo de Gauss-Seidel:
x1(k +1) b1 / a1,1
0
0
0
(k + 1)

0
0
x 2 b2 / a2,2 a2,1 / a2,2

:
:
:
:
:

(k
1)
+
b /a
a /a
an,2 / an,n an,3 / an,n
x

n n n,n n,1 n,n

...
...
...
...

(k + 1)
0 x1 0 a1,2 / a1,1 a1,3 / a1,1

+ 1)
0 x (k
0
a2,3 / a2,2
0
2

: : :
:
:

(k
1)
+
0 x
0
0
0
n

(k)
... a1,n / a1,1 x1

... a2,n / a2,2 x (k)

2
:
...
:
(k)
...
0
xn

137
La frmula iterativa de Gauss-Seidel:

X (k +1) =
D1B D1LX (k +1) D1UX (k) , k =
0,1,2,...
Se la puede escribir de la siguiente forma, apropiada para usarla iterativamente:

X(k+1) = (I + D-1L)-1D-1(B UX(k)), k = 0, 1, 2, ...

X(k+1) = (I + D-1L)-1(D-1B) (I + D-1L)-1(D-1U)X(k), k = 0, 1, 2, ...

5.3

Mtodo de relajacin

Es un dispositivo para acelerar la convergencia (o divergencia) de los mtodos iterativos

5.3.1

Formulacin matemtica

Se la obtiene de la frmula de Gauss-Seidel incluyendo un factor de convergencia

xi(k +1) = xi(k) +

(bi ai,i

i1

j= 1

j= i

ai,jx(kj +1) - ai,jx(k)

j );

i = 1, 2, ..., n; k = 0, 1, 2, ...

0 < < 2 es el factor de relajacin

Si =1 la frmula se reduce a la frmula iterativa de Gauss-Seidel
Ejemplo. Dadas las ecuaciones:
5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
a) Formule un sistema iterativo con el mtodo de Gauss-Seidel:
b) Comenzando con el vector inicial: x1(0) = x2(0) = x3(0) = 1, realice una iteracin con =1.1
Solucin
x1(k+1) = x1(k) + /5 (5 5x1(k) + 3x2 (k) x3 (k))
x2(k+1) = x2(k) + /4 (6 2x1(k+1) 4x2(k) x3(k))
x3 (k+1)= x3(k) + /8 (4 2x1(k+1) + 3x2(k+1) 8x3(k))
k=0:
x1(1) = x1(0) + 1.1/5 (5 5x1(0) + 3x2 (0) x3 (0)) = 1 + 1.1/5 (5 5(1) + 3(1) 1)
= 1.4400;
x2(1) = x2(0) + 1.1/4 (6 2x1(1) 4x2(0) + x3(0)) = 1 + 1.1/4 (6 2(1.6) 4(1) + 1)
= 1.0330
x3 (1 )= x3(0) + 1.1/8 (4 2x1(1) + 3x2(1) 8x3(0)) = 1 + 1.1/8 (4 2(1.6) 3(0.925) 8(1))
= 0.4801

138
5.3.2

Manejo computacional de la frmula de relajacin

La siguiente funcin en Python recibe un vector X y el factor de relajacin w. Entrega un

nuevo vector X calculado en cada iteracin
def relajacion(a,b,x,w):
n=len(x)
for i in range(n):
s=0
for j in range(n):
s=s+a[i][j]*x[j]
x[i]=x[i]+w*(b[i]-s)/a[i][i]
return x

Resuelva el ejemplo anterior usando la funcin relajacin con k=1.2:

>>> from relajacion import*
>>> a=[[5,-3,1],[2,4,-1],[2,-3,8]]
>>> b=[5,6,4]
>>> x=[1,1,1]
>>> x=relajacion(a,b,x,1.2);print(x)
[1.48, 1.012, 0.4114000000000001]
>>> x=relajacion(a,b,x,1.2);print(x)
[1.5339039999999997, 0.8006776000000003, 0.4178537200000002]
>>> x=relajacion(a,b,x,1.2);print(x)
[1.3694221792000003, 0.9435672884799996, 0.5302078820559997]
Etc.

139
5.3.3

Forma matricial del mtodo de relajacin

Dado el sistema de ecuaciones lineales

AX = B
La matriz A se re-escribe como la suma de las siguientes matrices:
A=L+D+S-D
D es una matriz diagonal con elementos iguales a los de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
S es una matriz triangular superior con todos sus elementos iguales a los elementos
respectivos de la matriz A
Sustituyendo en la ecuacin:
(L + D + S - D)X = B
LX + DX + SX - D X = B
X = D-1B - D-1LX - D-1SX + D-1DX,
X = X + D-1B - D-1LX - D-1SX

siempre que D-1 exista

Ecuacin recurrente con las matrices desarrolladas

0
0
x1 x1 b1 / a1,1 0
x x b / a a / a
0
0
2 =
2 + 2 2,2 2,1 2,2
: : :
:
:
:


x 2 x 2 bn / an,n an,1 / an,n an,2 / an,n an,3 / an,n

...
...
...
...

0 x1 1 a1,2 / a1,1 a1,3 / a1,1

0 x 2 0
1
a2,3 / a2,2

: : :
:
:

0 xn 0
0
0

... a1,n / a1,1 x1

... a2,n / a2,2 x 2
:
...
:

...
1 xn

El sistema est en la forma recurrente del punto fijo X = G(X) que sugiere su uso iterativo.
En el mtodo de Relajacin se agrega un factor
Frmula iterativa en forma matricial
+ 1)
X (k=
X (k) + (D1B D1LX (k +1) D1SX (k) ), =
k 0,1,2,...

es el factor de relajacin. Este factor modifica al residual tratando de reducirlo a cero con

mayor rapidez que el mtodo de Gauss-Seidel.

Si =1 la frmula iterativa se reduce a la frmula del mtodo de Gauss-Seidel
Si (0,1) se denomina mtodo de subrelajacin.
Si (1,2) se denomina mtodo de sobrerelajacin.
X(0) es el vector inicial.
A partir de este vector se obtienen sucesivamente los vectores X(1), X(2), ...

140
5.4 Convergencia de los mtodos iterativos para sistemas lineales
Dado el sistema de ecuaciones lineales

AX = B
Se puede re-escribir en un sistema equivalente con forma similar al Punto Fijo: X = G(X)
X= C + TX

En donde C es un vector constante y T se denomina matriz de transicin o matriz de

iteracin del mtodo iterativo.
El sistema con la matriz de transicin se puede usar para definir la forma recurrente del
mtodo iterativo:
X (k +1) =
C + TX (k) , k =
0,1,2,...

Estas dos ecuaciones se pueden restar para relacionar el error de truncamiento:

X - X(k+1) = T (X - X(k))
Estas diferencias constituyen el error de truncamiento vectorialmente entre dos iteraciones
consecutivas:
E(k) = X - X(k)
E(k+1) = X - X(k+1)
Sustituyendo en la ecuacin anterior
E(k+1) = T E(k)
Esta relacin muestra que la matriz de transicin T interviene en la convergencia del mtodo
iterativo actuando como factor de convergencia.
La siguiente definicin permite establecer una medida para la matriz de transicin T para
que intervenga como factor de convergencia:

Definicin: Radio espectral

Si A es una matriz cuadrada, entonces su radio espectral se define como
r(A)
= max { l i | l i es un valor caracterstico de A}
1 i n

Teorema de convergencia para los mtodos iterativos

La sucesin { X(k) }k=0,1,2,.. definida con la frmula iterativa X (k +1) =
C + TX (k) , k =
0,1,2,...
converge con cualquier vector inicial X (0) R n al vector solucin X si y solo si (T) < 1

141
5.4.1 Matriz de transicin para los mtodos iterativos
Forma general recurrente de los mtodos iterativos

X (k + 1) =
C + TX (k) , k =
0,1,2,...
Para obtener T se usar la relacin del error de truncamiento
E(k+1) = T E(k)
Matriz de transicin para el mtodo de Jacobi
Sistema de ecuaciones lineales
AX = B
Ecuacin recurrente equivalente con la sustitucin A = L + D + U

X =D1B D1 (L + U)X ,

Siempre que D-1 exista

Ecuacin recurrente iterativa del mtodo de Jacobi

X (k +1) =D1B D1 (L + U)X (k) , k =0,1,2,...

Restar las ecuaciones para aplicar la definicin de convergencia: E(k+1) = T E(k)
X X(k+1) = -D-1(L+U)(X X(k))
E(k+1) = -D-1(L+U)E(k)
Matriz de transicin:
T=
D1(L + U)
0

a / a
2,1
2,2
=

an,1 / an,n

a1,2 / a1,1

a1,3 / a1,1

0
:

a2,3 / a2,2
:

an,2 / an,n

an,3 / an,n

... a1,n / a1,1

... a2,n / a2,2

...
:

...
0

En la matriz de transicin del mtodo de Jacobi se puede establecer una condicin

suficiente de convergencia, ms dbil que la condicin general de convergencia:
Si la matriz de coeficientes A es de tipo diagonal dominante, entonces el mtodo de Jacobi
converge a la solucin X para cualquier vector inicia X (0) R n
Convergencia definida con el error de truncamiento y la matriz de transicin:
E(k+1) = T E(k)
Su norma:
|| E(k+1) || || T || || E(k) ||, k = 0, 1, 2, ...

142
Esta relacin define una condicin suficiente para la convergencia del mtodo de Jacobi si
se cumple que la norma de la matriz de transicin es menor que 1: || T || < 1
Se conoce tambin la relacin (A) || T ||
La forma de la matriz T establece que si en cada fila de la matriz A la magnitud de cada
elemento en la diagonal es mayor que la suma de la magnitud de los otros elementos de la
fila respectiva, entonces || T || < 1 usando la norma de fila. Si la matriz A cumple esta
propiedad se dice que es diagonal dominante y constituye una condicin suficiente para
la convergencia
n

i (|ai,i| >

=j 1,ji

| ai,j | ) || T || < 1

Ejemplo. Se plantea resolver el siguiente sistema con el mtodo iterativo de Jacobi y se

desea determinar la convergencia examinando la matriz de transicin:
8x1 + 9x 2 + 2x 3 =
69
2x1 + 7x 2 + 2x 3 =
47
2x1 + 8x 2 + 6x 3 =
68

Solucin
Frmula iterativa de Jacobi
X (k + 1) =
C + TX (k) =
D1B D1 (L + U)X (k) , k =
0,1,2,...

Matriz de transicin T
D1(L + U)
T=

0
a1,2 / a1,1 a1,3 / a1,1
0 9 / 8 2 / 8

T=
a2,1 / a2,2
0
a2,3 / a2,2 =
2 / 7 0 2 / 7
a3,1 / a3,3 a3,2 / a3,3

2 / 6 8 / 6 0
0

Norma de T:
|| T=
|| 5 / 3 > 1

Por lo tanto, la convergencia del mtodo de Jacobi no se puede asegurar

Usando el teorema de convergencia con el radio espectral:

r(T)
= max { l i | l i es un valor caracterstico de T}
1 i n

Los valores propios l de T se pueden calcular con las races del polinomio caracterstico:

p( ) = det(T I) = 3 + 11/ 14 17 / 84 = 0
Los valores propios son: 0.287968, 0.706615, -0.994583

143

Por lo tanto r(T) < 1 y se puede concluir que el mtodo de Jacobi si converge
Clculos con Python para hallar los valores propios con la matriz de transicin:
>>> from numpy import*
>>> T=array([[0,9/8,2/8],[2/7,0,2/7],[2/6,8/6,0]])
>>> [val,vect]=linalg.eig(T)
>>> val
array([ 0.99458399, -0.28796854, -0.70661544])
>>> ro=max(abs(val))
>>> ro
0.99458398589455355

Matriz de transicin
Valores y vectores propios

Radio espectral

Matriz de transicin para el mtodo de Gauss-Seidel

Sistema de ecuaciones lineales
AX = B
Ecuacin recurrente equivalente sustituyendo A = L + D + U
X = D-1B D-1LX D-1UX,

Siempre que D-1 exista

Ecuacin recurrente iterativa del Mtodo de Gauss-Seidel

X(k+1) = D-1B D-1LX(k+1) D-1UX(k)
Restar las ecuaciones para aplicar la definicin de convergencia: E(k+1) = T E(k)
X X(k+1) = -D-1L(X X(k+1)) D-1U(X X(k))
E(k+1) = -D-1LE(k+1) D-1UE(k)
(I + D-1L) E(k+1) = D-1UE(k)
E(k+1) = (I + D-1L)-1(D-1U)E(k)
Matriz de transicin:
T = (I + D-1L)-1(D-1U)

144
Matriz de transicin para el mtodo de Relajacin
Sistema de ecuaciones lineales
AX = B
Ecuacin recurrente equivalente sustituyendo A = L + D + S D incluyendo el factor
X = X + D-1B D-1LX D-1SX,

siempre que D-1 exista

Ecuacin recurrente iterativa del Mtodo de Relajacin

X(k+1) = X(k) + D-1B D-1LX(k+1) D-1SX(k)
Restar las ecuaciones para aplicar la definicin de convergencia: E(k+1) = T E(k)
X X(k+1) = X X(k) D-1L(X X(k+1)) D-1S(X X(k))
E(k+1) = E(k) D-1LE(k+1) D-1SE(k)
(I + D-1L) E(k+1) = E(k)( I D-1S)
E(k+1) = (I + D-1L)-1( I D-1S)E(k)
Matriz de transicin:
T = (I + D-1L)-1( I D-1S)

145
5.5

Eficiencia de los mtodos iterativos

La frmula del error de truncamiento expresa que la convergencia de los mtodos iterativos
es de primer orden:
E(k+1) = O(E(k))
Cada iteracin requiere multiplicar la matriz de transicin por un vector, por lo tanto la
cantidad de operaciones aritmticas realizadas T en cada iteracin es de segundo orden:
T(n)=O(n2 )
Si k representa la cantidad de iteraciones que se realizan hasta obtener la precisin
requerida, entonces la eficiencia de clculo de los mtodos iterativos es: T(n) = k O(n2)

5.6

Estimacin del error en los mtodos iterativos

Si la frmula iterativa converge, se puede escribir:

X(k) X, si k
X(k+1) X, si k

|| X(k+1) - X(k) || 0, si k

Entonces, si el mtodo converge, se tendr que para cualquier valor positivo E

arbitrariamente pequeo, en alguna iteracin k:
|| X(k+1) - X(k) || < E
Se dice que el vector calculado tiene error E
Para que el error sea independiente de la magnitud de los resultados se puede usar la
definicin de error relativo:

|| X (k + 1) X (k) ||
< e , en donde e puede expresarse como porcentaje
|| X (k + 1) ||

146
5.7

Instrumentacin del mtodo de Jacobi con el radio espectral

La siguiente instrumentacin del mtodo de Jacobi usa el radio espectral para determinar la
convergencia. En caso de existir convergencia entrega la solucin, la cantidad de
iteraciones realizadas y el radio espectral. Caso contrario, entrega un vector nulo, el conteo
nulo de iteraciones y el valor del radio espectral.
Uso:

[x,i,ro]=jacobie(a,b,e)

Entrada
a:
b:
e:

matriz de coeficientes
vector de constantes
error permitido

Salida
x:
i:
ro:

vector solucin
conteo de iteraciones realizadas
radio espectral

from numpy import*

def jacobie(a,b,e):
d=diag(diag(a))
l=tril(a)-d
u=triu(a)-d
T=dot(-linalg.inv(d),l+u)
[val,vect]=linalg.eig(T)
ro=max(abs(val))
if ro>=1:
return [[],0,ro]
x=[1,1,1]
di=linalg.inv(d)
for i in range(1000000):
r=dot(di,b)-dot(dot(di,l+u),x)
if linalg.norm(r-x,inf)<e:
return[r,i,ro]
x=r.copy()

Radio espectral
No converge

147
Ejemplo. Resolver el siguiente sistema de ecuaciones con el mtodo iterativo de Jacobi con
el radio espectral. En caso de que converja determine la cantidad de iteraciones realizadas
hasta que los resultados tengan error E=104
8x1 + 9x 2 + 2x 3 =
69
2x1 + 7x 2 + 2x 3 =
47
2x1 + 8x 2 + 6x 3 =
68

>>> from jacobie import*

>>> a=[[8,9,2],[2,7,2],[2,8,6]]
>>> b=[69,47,68]
>>> [x,i,ro]=jacobie(a,b,0.0001)
>>> print(x)
[ 1.99995757 4.99997354 3.9999503 ]
>>> print(i)
2095
>>> print(ro)
0.994583985895

NOTA: La gran cantidad de iteraciones utilizadas demuestra lo ineficiente que puede ser
este mtodo iterativo cuando el radio espectral es cercano a 1

>> a=[8 9 2; 2 7 2; 2 8 6]
a =
8
9
2
2
7
2
2
8
6
>> b=[69; 47; 68]
b =
69
47
68
>> x=[0;0;0];
>> [x,k]=jacobim(a,b,x,0.0001,10000)
x =
2.0000
5.0000
4.0000
k =
2148

148
>> x=[0;0;0];
>> [x,k]=gaussseidelm(a,b,x,0.0001,10000)
x =
1.9999
5.0000
4.0000
k =
14

>> aa=[3 4 5;9 7 2; 2 8 6]

aa =
3
4
5
9
7
2
2
8
6
>> bb=[5;6;7]
bb =
5
6
7
>> t=[0 4/3 5/3;9/7 0 2/7;2/6 8/6 0]
t =
0
1.3333
1.6667
1.2857
0
0.2857
0.3333
1.3333
0
>> r=max(abs(eig(t)))
r =
2.0300
Jacobi NO converge
>> norm(t,inf)
ans =
3
>> x=[0;0;0];
>> [x,k]=gaussseidelm(aa,bb,x,0.0001,10000)
x =
0.2202
0.4226
0.5298
k =
12

CONVERGE pues la matriz T de Gauss-Seidel es diferente y ro<1

149
5.8 Prctica computacional con los mtodos iterativos
Ejemplo
La siguiente matriz es del tipo que aparece en algunas aplicaciones de los
mtodos numricos:

4 1 1 1
1 4 1 1

a=
1 1 4 1

1 1 1 4
Use el Teorema de convergencia: (T) < 1, para determinar el mtodo iterativo ms
favorable para realizar los clculos con esta matriz.
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from numpy import*

a=[[4, -1, -1, -1],[-1, 4, -1, -1],[-1, -1, 4, -1],[-1, -1, -1, 4]]
d=diag(diag(a))
l=tril(a)-d
u=triu(a)-d
s=triu(a)
di=linalg.inv(d)

Matriz de transicin del mtodo de Jacobi:

T = -D-1(L+U)

>>> T=dot(-di,l+u)
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> print(ro)
0.75
Matriz de transicin del mtodo de Gauss-Seidel:

T = (I + D-1L)-1( -D-1U)

>>> T=dot(linalg.inv(identity(4)+dot(di,l)),dot(-di,u))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> print(ro)
0.569944948814
Matriz de transicin del mtodo de Relajacin:

T = (I + D-1L)-1( I - D-1S)

>>> w=0.8
>>> T=dot(linalg.inv(identity(4)+w*dot(di,l)),(identity(4)-w*dot(di,s)))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> ro
0.70510569776388976

150
>>> w=0.9
>>> T=dot(linalg.inv(identity(4)+w*dot(di,l)),(identity(4)-w*dot(di,s)))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> ro
0.64378493913940837
>>> w=1.1
>>> T=dot(linalg.inv(identity(4)+w*dot(di,l)),(identity(4)-w*dot(di,s)))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> print(ro)
0.475406826544
>>> w=1.2
>>> T=dot(linalg.inv(identity(4)+w*dot(di,l)),(identity(4)-w*dot(di,s)))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> print(ro)
0.331237712223
>>> w=1.3
>>> T=dot(linalg.inv(identity(4)+w*dot(di,l)),(identity(4)-w*dot(di,s)))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> print(ro)
0.374013357241
>>> w=1.4
>>> T=dot(linalg.inv(identity(4)+w*dot(di,l)),(identity(4)-w*dot(di,s)))
>>> [val,vect]=linalg.eig(T)
>>> ro=max(abs(val))
>>> print(ro)
0.46816927085
Estos resultados muestran que para esta matriz, los tres mtodos convergeran. Para los
datos de estas pruebas se observa que la convergencia ser ms rpida si se usa el
mtodo de relajacin con = 1.2. Se puede verificar realizando las iteraciones con las
funciones respectivas escritas en Python
Tambin se puede verificar que si = 1, el mtodo de Relajacin es igual al mtodo de
Gauss-Seidel.

151
5.9

Ejercicios y problemas con sistemas de ecuaciones lineales

1. Dado el sistema lineal de ecuaciones:

3x 1 x 3 = 5

x 1 + 2x 2 x 3 = 2
x 1 + x 2 + ( + 1)x 3 = 1
Indique para cuales valores de a el sistema tiene una solucin
2. Dado el sistema [ai, j] x = [bi], i, j = 1, 2, 3
Siendo ai, j = i/(i + j), bi = 2i
a) Escriba el sistema de ecuaciones lineales correspondiente
b) Resuelva el sistema con el Mtodo de Gauss-Jordan
3. Los puntos (x,y): (1,3), (2,5), (4,2), (5,4) pertenecen a la siguiente funcin:
f(x) = a1x2 + a2 e0.1x + a3 x + a4
a) Escriba el sistema de ecuaciones con los puntos dados,
b) Resuelva el sistema con el Mtodo de Gauss usando la estrategia de pivoteo con 4
decimales
4. Demuestre mediante un conteo que la cantidad de multiplicaciones que requiere el
mtodo de directo de Gauss-Jordan para resolver un sistema de n ecuaciones lineales es
n3/2 + O(n2) y que para el Mtodo de Gauss es n3/3 + O(n2)
5. En el mtodo de Gauss con pivoteo parcial, en cada etapa e de la transformacin, se
elige como divisor el coeficiente con mayor magnitud de los coeficiente ubicados en la
columna e y en las filas e, e+1, e+2, , n.
Describa en seudocdigo un algoritmo para realizar el pivoteo total que consiste en elegir
como divisor el coeficiente de mayor magnitud en la submatriz ubicada desde la fila e hasta
la fila n y desde la columna e hasta la columna n. Su algoritmo debe describir nicamente el
intercambio de filas y columnas indicando los ciclos y los ndices para comparar e
intercambiar filas y columnas.
6. Describa, en notacin simblica o en cdigo Python, un algoritmo que reciba una matriz
Anxn y entregue como resultado las matrices L, D, U tales que A = L+D+U. Describa la
descomposicin matricial mediante ciclos e ndices. L: sub matriz debajo de la diagonal, D:
matriz diagonal, U: submatriz sobre la diagonal. No use diag, tril, triu de Python
7. Considere la matriz de los coeficientes del ejercicio 3 de la seccin anterior
a) Use el mtodo de Gauss-Jordan para encontrar la matriz inversa
b) Calcule el nmero de condicin. Es una matriz mal condicionada?

152
8. Dado el siguiente sistema de ecuaciones
1 1/ 2 1/ 3 x1 4
1/ 4 1/ 5 1/ 6 x = 5

2
1/ 7 1/ 8 1/ 9 x 3 6
a) Resuelva el sistema usando el mtodo de Gauss-Jordan. Simultneamente encuentre la
inversa de la matriz
b) Modifique la matriz de coeficientes sustituyendo el valor de elemento a1,1 con el valor 0.9
Resuelva nuevamente el sistema. Encuentre la variacin en la solucin calculada.
c) Obtenga el nmero de condicin de la matriz original.
d) Suponga que el error en los coeficientes no excede a 0.01. Use la definicin indicada
para encontrar una cota para el error en la solucin
9. Un comerciante compra tres productos: A, B, C. Estos productos se venden por peso en
Kg. pero en las facturas nicamente consta el total que debe pagar. El valor incluye el
impuesto a las ventas y supondremos, por simplicidad que es 10%. El comerciante desea
conocer el precio unitario de cada artculo, para lo cual dispone de tres facturas con los
siguientes datos:
Factura Kg. de A Kg. de B Kg. de C Valor pagado
1
4
2
5
$19.80
2
2
5
8
$30.03
3
2
4
3
$17.82
Formule el modelo matemtico y encuentre la solucin con un mtodo directo.
10. El siguiente programa se puede usar para construir una matriz Anxn mal condicionada
con nmero de condicin mayor a 1000. Los valores son enteros aleatorios entre 0 y 20.
from numpy import*
from random import*
n=int(input('Ingrese la dimensin '))
a=zeros([n,n])
c=0
while c<=1000:
for i in range(n):
for j in range(n):
a[i][j]=randint(0,20)
c=linalg.cond(a,inf)
print(c)
print(array(a))
a) Use este programa para construir una matriz mal condicionada de dimensin 5x5
b) Defina un vector de constantes y con la matriz anterior, defina un sistema de ecuaciones.
c) Use un mtodo directo computacional para obtener la solucin del sistema anterior.
d) Modifique ligeramente algn coeficiente de la matriz, recalcule la solucin y verifique la
sensibilidad de la solucin a este cambio.
e) Use el nmero de condicin para establecer una cota para el error relativo de la solucin
en trminos del error relativo de la matriz de coeficientes.

153
11. Suponga que el siguiente modelo describe la cantidad de personas que son infectadas
por un virus, en donde x es tiempo en das: f(x) = k1 x + k2 x2 + k3 e0.15X. Se conoce
adems que la cantidad de personas infectadas fue 25, 130 y 650 en los das 10, 15 y 20
respectivamente. En el modelo, k1, k2 y k3 son coeficientes que deben determinarse.
a) Plantee el sistema de ecuaciones lineales que permitira determinar los coeficientes
b) Verifique que el vector K = [-17.325094, -2.242168, 94.265303]T es la solucin
c) Suponga que el dato 650 realmente corresponda al da 21. Al resolver nuevamente el
sistema se obtiene el vector solucin K = [-14.427522, -0.897956, 57.8065182]T.
Es confiable la solucin calculada?
d) Determine la variacin relativa de la solucin con respecto a la variacin relativa de la
matriz de coeficientes, sabiendo que la inversa de la matriz original es:
. . .
. . .
. . .

12. Dado el siguiente sistema de ecuaciones

2 5 4 x1 35
3 9 8 x = 65

2
2 3 1 x 3 17
a) Obtenga la solucin con un mtodo directo
b) En la matriz de coeficientes sustituya 5 por 5.1 y obtenga nuevamente la solucin con un
mtodo directo y compare con la solucin del sistema original
c) Encuentre el error relativo de la solucin y compare con el error relativo de la matriz.
Comente acerca del tipo de sistema
13. Use la funcin slin para resolver el siguiente sistema. Identifique las variables libres.
Escriba el conjunto solucin en trminos de la variable libre. Asigne un valor a la variable
libre y determine el valor de cada una de las otras variables:
8
5

1
9
6
2

2
5
3
9
8
9

9
3
2
1
5
9

7
2
6
3
8
9

6
2
4
3
6
1

7 1
1
4 2 4

2 3 = 2
1 4 4
6 5 6
8 6 5

14. Determine si el sistema de ecuaciones lineales obtenido con la siguiente frmula

converge a la solucin con el Mtodo de Jacobi
3kXk-1 - 6kXk + 2kXk + 1 = 2k-1
X0 = -3, Xn = 4, k=1, 2, 3, ..., n-1,

n>3

154

2 X1 X 3 =
1

15. Sea el sistema lineal de ecuaciones: X 1 + 2 X 2 X 3 =

2
X + X + X =
1
2
3
1

a) Para que valores de a y se puede asegurar la convergencia con el mtodo de Jacobi?

b) Realice 3 iteraciones del mtodo de Jacobi, con X(0) = [1, 2, 3]T usando valores de a y
que aseguren la convergencia.
16. Una empresa produce semanalmente cuatro productos: A, B, C, D usando tres tipos de
materiales M1, M2, M3. Cada Kg. de producto requiere la siguiente cantidad de cada
material, en Kg.:
M1
M2
M3

P1
0.1
0.2
0.7

P2
0.3
0.6
0.1

P3
0.6
0.3
0.1

P4
0.4
0.4
0.2

La cantidad disponible semanal de cada material es: 100, 120, 150 Kg. respectivamente, los
cuales deben usarse completamente. Se quiere analizar la estrategia de produccin.
a) Formule un sistema de ecuaciones lineales siendo x1, x2, x3, x4 cantidades en Kg.
producidas semanalmente de los productos A, B, C, D respectivamente
b) Obtenga una solucin con la funcin slin y re-escriba el sistema de ecuaciones
resultante.
c) Escriba el conjunto solucin expresado mediante la variable libre.
d) Encuentre el rango factible para la variable libre
e) Encuentre el rango factible para las otras variables
f) Defina cuatro casos de produccin eligiendo un valor para cada una de las cuatro
variables y estableciendo el nivel de produccin para las restantes variables.
17. Un ingeniero que tiene a cargo una obra de construccin requiere 4800 m3 de arena,
5800 m3 de grava fina y 5700 m3 de grava gruesa. Hay tres canteras de las que pueden
obtenerse dichos materiales. La composicin del 100% de dichas canteras es:
Arena %
Cantera 1
Cantera 2
Cantera 3

52
20
25

Grava fina %

Grava gruesa %

30
50
20

18
30
55

Ejemplo. Un m3 extraido de la Cantera 1 contiene 52% de arena, 30% de grava fina y 18%
de grava gruesa.

155
Se desea determinar cuantos metros cbicos tienen que extraerse de cada cantera para
satisfacer las necesidades del ingeniero.
a) Formule el sistema de ecuaciones lineales
b) Determine la convergencia del mtodo de Jacobi.
c) Aplicar el mtodo de Gauss-Seidel comenzando con un vector cero. Estime el error
absoluto y el error relativo en la quinta iteracin
18. Dado el sistema siguiente. Reordene las ecuaciones tratando de acercarlo a la forma
diagonal dominante.
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20

a) Escriba la matriz de transicin del mtodo de Jacobi y determine si se cumple la

condicin suficiente de convergencia al ser de tipo diagonal dominante.
b) Determine si la matriz de transicin de Jacobi cumple la condicin general de
convergencia. Puede calcular los valores caractersticos con la funcin eig de Python
c) Escriba la matriz de transicin del mtodo de Gauss-Seidel y verifique que cumple la
condicin general de convergencia. Puede calcular los valores caractersticos con la funcin
eig de Python
b) Use la funcin Gaussseidel para realizar 15 iteraciones. Comente los resultados
obtenidos.
19. Con el propsito de analizar las preferencias de los consumidores una empresa ha
dividido la ciudad en 16 cuadrculas. Los resultados de las mediciones se incluyen en el
siguiente cuadro. Sin embargo, en algunas cuadrculas no se pudo realizar la medicin y sus
valores se los estimar mediante un promedio de las cuadrculas que estn inmediatamente
a su alrededor. En el clculo de cada promedio incluya tambin los valores
desconocidos adyacentes.
25
28
34
27

30
40
32
35

20
26
43
50

a) Plantee un sistema de ecuaciones para obtener la solucin (valores de las casillas

vacas).
b) Si se utiliza el mtodo de Jacobi, determine si se cumple alguna condicin de
convergencia
c) Usando notacin matricial y comenzando con un vector con sus cuatro valores iguales
al promedio de los 12 datos conocidos, realice una iteracin con el mtodo de Jacobi.

156
20. Considere el siguiente sistema [ai,j][xi] = [bi], i = 1, 2, 3; j = 1, 2, 3
En donde ai,j = 1/(i+j),
bi = i
a) Sustituya los valores y formule un sistema de ecuaciones lineales
b) Encuentre la solucin transformando la matriz de coeficientes a la forma de la matriz
identidad. Al mismo tiempo aplique las transformaciones al vector de las constantes y a la
matriz identidad, de tal manera que la matriz identidad se convierta en la inversa de la matriz
de coeficientes.
c) Obtenga el nmero de condicin de la matriz de coeficientes. Indique si es un sistema mal
condicionado.
d) Encuentre una cota para el error relativo de la solucin dependiente del error relativo de
la matriz de coeficientes
21. La distribucin de dinero a 16 comunidades se describe en el siguiente cuadro. No fue
posible contactar a cinco comunidades X1, X2, X3, X4, X5 por lo que se decidi asignar a
ellas el promedio del valor asignado a las comunidades que estn a su alrededor, por
ejemplo, X1 recibir el promedio de 30 + X2 + X3 + 45 + 50.
Determine cuales son los valores que sern asignados a estas cinco comunidades.
50
45
60
55

X1
X3
X4
20

30
X2
X5
15

40
25
10
35

22. Suponga que en el siguiente modelo f(x) describe la cantidad de personas que son
infectadas por un virus, en donde x es tiempo en das:
f(x) = k1 x + k2 x2 + k3 e0.15X
En el modelo k1 , k2 y k3 son coeficientes que deben determinarse.
Se conoce la cantidad de personas infectadas en los das 10, 15 y 20:
f(10)=25, f(15)=130, f(20)=650
Plantee un sistema de ecuaciones lineales para determinar los coeficientes y use la solucin
para definir el modelo f(x) para determinar el da ms cercano en el cual la cantidad de
personas infectadas por el virus ser mayor a 10000. Muestre el grfico de la ecuacin y los
valores intermedios calculados.

157
23. En una regin se desean instalar tres nuevos distribuidores X1, X2, X3 de un producto.
En las cercanas ya existen otros distribuidores: A, B, C, D, E, F, G del mismo producto. En
el grfico, los crculos indican el precio de venta del producto en cada distribuidor. Las lneas
indican con que otros distribuidores estn directamente conectados. Determine el precio de
venta que deben establecer los distribuidores de tal manera que sean el promedio de los
precios de los distribuidores con los que estn directamente conectados.

24. Para probar las propiedades de tres nuevos productos (1, 2, 3) se mezclarn tres
ingredientes (A, B, C) de los que se dispone respectivamente de 23.92, 20.68 y 31.40 Kg.
Cada Kg. del producto se obtiene mezclando los ingredientes de la siguiente forma:
1 Kg. de Producto 1: 0.70 Kg. de A, 0.25 Kg. de B, 0.05 Kg.de C
1 Kg. de Producto 2: 0.20 kg. de A, 0.60 Kg. de B, 0.20 Kg. de C
1 Kg. de Producto 3: 0.16 kg. de A, 0.04 Kg. de B, 0.80 Kg. de C
Se necesita conocer la cantidad de Kg. que se obtendr de cada producto sin que hayan
sobrantes de ingredientes
a) Con los datos formule un sistema de ecuaciones lineales.
b) Determine si el mtodo de Jacobi cumple alguna condicin de convergencia.
c) Use notacin matricial para obtener la solucin con el mtodo de Jacobi. Comience con
valores iniciales iguales al promedio de la cantidad disponible de los ingredientes y realice
las iteraciones necesarias hasta que la norma de la diferencia del vector solucin en dos
iteraciones consecutivas sea menor a 0.01
25. La matriz insumo-producto propuesto por W. Leontief, es un modelo muy importante en
Economa. En esta matriz se describe la produccin de los diferentes sectores econmicos
y la demanda interna para satisfacer a estos mismos sectores, expresada como una fraccin
de su produccin. Ejemplo. Suponga que hay tres sectores, A: agricultura, M: manufactura,
y S: servicios y su demanda interna es:
Demanda
Produccin
A
M
S

0.42
0.06
0.12

0.03
0.37
0.15

0.02
0.10
0.19

Sea T el nombre de esta matriz. Para los datos propuestos, en la primera columna de la
matriz T, el sector A requiere 0.42 de su propia produccin, 0.06 del sector M, y 0.12 del
sector S, etc.

158
Sea D el vector de demanda externa de cada sector y X el vector de la produccin total de
cada sector requerida para satisfacer las demandas interna y externa:

x1
x , en donde x , x , x representan la produccin total de cada sector.
1
2
3
2
x 3
Entonces la ecuacin X = TX + D proporciona la produccin total X para satisfacer las
demandas externa e interna.
a) Formule un mtodo iterativo en notacin vectorial para usar la ecuacin anterior. Indique
cual es el nombre de la matriz T. Determine si el mtodo iterativo es convergente. Norma
por filas.
b) Comience con un vector inicial X = [200, 300, 400]T realice las iteraciones necesarias
hasta que la norma de la tolerancia sea menor a 1.
c) Resuelva el sistema con el mtodo de eliminacin de Gauss, para lo cual la ecuacin
inicial se la reescribe en la siguiente forma: (I T)X = D, en donde I es la matriz identidad.
d) Calcule el nmero de condicin de la matriz de coeficientes y comente al respecto.

90
=
D =
140 , X
200

26. Las cerchas son estructuras reticuladas con elementos triangulares, usualmente
metlicas, que se utilizan para soportar grandes cargas. Es importante conocer las fuerzas
que actan en cada nodo. Para ello se plantean ecuaciones de equilibrio de fuerzas
verticales y horizontales para cada nodo, las cuales conforman un sistema de ecuaciones
lineales.
Determine las fuerzas que actan en cada nodo en la siguiente cercha con las cargas
verticales, en Kg, especificadas en los nodos 2 y 4. La cercha est sostenida en los nodos 1
y 5:

F1, F2, F3, F4, F5, F6, F7 son las fuerzas en los elementos que actan para mantener la
estructura unida, juntando los nodos y evitando que se separen. Sus valores son
desconocidos. Se convendr que si las fuerzas en cada nodo actan hacia la derecha y
hacia arriba tienen signo positivo. H es la fuerza horizontal y V1, V2 son las fuerzas
verticales que soportan la estructura. Sus valores son desconocidos.
Ecuaciones de equilibrio en cada nodo:
Nodo 1:

V1 + F1 sen(45) = 0
H + F1 cos(45) + F2 = 0

159
Nodo 2:

-F1 sen(45) F3 sen(70) 250 = 0

-F1 cos(45) + F4 + F3 cos(70) = 0

Nodo 3:

F3 sen(70) + F5 sen(60) = 0
-F2 F3 cos(70) + F5 cos(60) + F7 = 0

Nodo 4:

-F5 sen(60) F6 sen(70) 250 = 0

-F4 - F5 cos(60) + F6 cos(70) = 0

Nodo 5:

V2 + F6 sen(70) = 0
-F7 F6 cos(70) = 0

Use una de las funciones instrumentadas en Python para obtener la solucin.

27. Se desea conocer la corriente i que fluye en un circuito que incluye una fuente de voltaje
V y resistencias R como se indica en el grfico:

El anlisis se basa en leyes bsicas de la fsica:

a) La suma de la cada de voltaje en un circuito cerrado es cero
b) El voltaje a travs de una resistencia es el producto de su magnitud multiplicado por el
valor de la corriente.
Para determinar el valor de la corriente en cada uno de los ciclos cerrados se conviene que
la corriente es positiva si el sentido es opuesto al sentido del reloj.
Circuito cerrado a la izquierda:
Circuito cerrado arriba a la derecha:
Circuito cerrado abajo a la derecha:
Obtenga la solucin con el mtodo de Gauss

10 i1 + 20 i1 10 i2 20 i3 = 0
30 i2 + 20 i2 10 i1 = 0
20 i3 + 40 i3 20 i2 = 120

160
28. El siguiente problema con el que concluye esta seccin es para diversin. Formule el
modelo matemtico y obtenga la solucin con un mtodo numrico directo. El grfico
representa una balanza con el registro del peso en Kg.

46 Kg

36 Kg

38 Kg

28 Kg

44 Kg

Kg?

161
6

INTERPOLACIN

Para introducir este captulo se analiza un problema para el cual se requiere como modelo
un polinomio de interpolacin.
Problema. La inversin en la promocin para cierto producto en una regin ha producido
los siguientes resultados:
(x, f): (5, 1.2), (10, 2.5), (15, 4.3), (20, 4.0)
En donde x: tiempo invertido en la promocin del producto en horas
f: porcentaje de incremento en las ventas del producto
Se desea usar los datos para determinar la cantidad ptima de horas deberan invertirse en
regiones similares para maximizar la eficiencia de las ventas.
Con los datos obtenidos se debe construir alguna funcin que permita obtener la respuesta
y tambin estimar el error en el resultado.

6.1

El Polinomio de Interpolacin

La interpolacin es una tcnica matemtica que permite describir un conjunto de puntos

mediante alguna funcin. Tambin tiene utilidad cuando se desea aproximar una funcin
por otra funcin matemticamente ms simple.
Dados los puntos (xi, fi), i = 0, 1, 2, . . ., n que pertenecen a alguna funcin f que
supondremos desconocida pero diferenciable, se debe encontrar alguna funcin g para
aproximarla.

La funcin g debe incluir a los puntos dados: g(xi) = fi, i = 0, 1, 2, . . . , n

Por simplicidad se elegir como funcin g, un polinomio de grado no mayor a n:

g(x) = pn (x) = a0 xn + a1xn-1 +. . .+ an-1x + an

Este polinomio se denomina polinomio de interpolacin

162
En las siguientes secciones se revisan algunos fundamentos bsicos muy conocidos
relacionados con el polinomio de interpolacin.
6.1.1

Existencia del polinomio de interpolacin

El polinomio de interpolacin p debe incluir a cada punto dado:

x=x0:

pn (x 0 ) = a0 xn0 +a1xn0 -1 +. . .+an-1x 0 +an = f0

x=x1:

pn (x1 ) = a0 x1n +a1x1n-1 +. . .+an-1x1 +an = f1

...

pn (xn ) = a0 xnn +a1xnn-1 +. . .+an-1xn +an = fn

x=xn:

Expresado en notacin matricial

xn0
n
x1
...
n
xn

xn0 1
xn1 1
...
xnn 1

... x 0 1 a0 f0

... x1 1 a1 f1
=
... ... ... ... ...

... xn 1 an fn

La matriz de los coeficientes es muy conocida y tiene nombre propio: Matriz de

Vandermonde. Su determinante se lo puede calcular con la siguiente frmula. La
demostracin puede ser hecha con induccin matemtica.

Sea

xn0
n
x
D= 1
...
n
xn

xn0 1
xn1 1
...
xnn 1

... x 0
... x1
... ...
... xn

1
...

entonces

(x j - xi ), i = 1,2,...,n
j 0, j < i
=

|D|=

Ejemplo. Formule el determinante de la matriz de Vandermonde con n=2

x 20

D = x12
x 22

x 0 1

x1 1
x 2 1

|D|=

(x j - xi )
=j 0,j< i

= (x0 - x1)(x0 - x2)(x1 - x2)

De la definicin anterior, se concluye que el determinante de esta matriz ser diferente de

cero si los valores de X dados no estn repetidos. Por lo tanto, una condicin necesaria
para la existencia del polinomio de interpolacin es que las abscisas de los datos dados
sean diferentes entre si.

163
Una funcin en Python para construir la matriz de Vandermonde, su determinante y el
nmero de condicin.

from numpy import*

def vand(x):
n=len(x)
d=zeros([n,n])
for i in range(n):
for j in range(n):
d[i][j]=x[i]**(n-j-1)
dt=1
for i in range(n):
for j in range(n):
if j<i:
dt=dt*(x[j]-x[i])
c=linalg.cond(d,inf)
return [d,dt,c]

Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
Con la matriz de Vandermonde, encuentre de interpolacin, calcule el determinante y el
nmero de condicin.
>>> from numpy import*
>>> from vand import*
>>> x=[2,4,5]
>>> f=[5,6,3]
>>> [d,dt,c]=vand(x)
>>> print(d)
[[ 4.
2.
1.]
[ 16.
4.
1.]
[ 25.
5.
1.]]
>>> print(dt)
-6
>>> print(c)
341.0
>>> a=linalg.solve(d,f)
>>> print(a)
[-1.16666667, 7.5, -5.33333333]

Matriz de Vandermonde

Determinante
Nmero de condicin
Obtencin de la solucin

Los resultados son los coeficientes del polinomio de interpolacin:

22
2
4
52

2 1 a0 5

4 1 a1 = 6
5 1 a2 3

a0 -1.1666...
a = 7.5
1

a2 -5.3333...

164
Polinomio de interpolacin:
p(x) = 1.666x2 + 7.5x 5.3333
Su grfico:

En general, la matriz de Vandermonde es una matriz mal condicionada, por lo tanto la

solucin obtenida es muy sensible a los errores en los datos. Adems, los clculos
involucran el uso de un algoritmo de tercer orden: T(n)=O(n3)
Existen mtodos para encontrar el polinomio de interpolacin que no utilizan la matriz
anterior y tienen mejor eficiencia.
6.1.2

Unicidad del polinomio de interpolacin con diferentes mtodos

Dados los datos (xi, fi), i = 0, 1, 2, . . ., n, el polinomio de interpolacin que

incluye a todos los puntos es nico.
Demostracin
Suponer que usando los mismos datos y con mtodos diferentes se han obtenido dos
polinomios de interpolacin: p(x), y q(x). Ambos polinomios deben incluir a los puntos
dados:
p(xi) = fi , i=0, 1, 2, . . ., n
q(xi) = fi , i=0, 1, 2, . . ., n
Sea la funcin h(x) = p(x) - q(x). Esta funcin tambin debe ser un polinomio y de grado no
mayor a n. Al evaluar la funcin h en los puntos dados se tiene:
h(xi) = p(xi) - q(xi) = fi - fi = 0, i=0, 1, 2, . . ., n
Esto significara que el polinomio h cuyo grado no es mayor a n tendra n+1 races,
contradiciendo el teorema fundamental del lgebra. La nica posibilidad es que la funcin h
sea la funcin cero, por lo tanto, x[h(x)=0] x[p(x)-q(x)=0] x[p(x) = q(x)]

165
6.2

El polinomio de interpolacin de Lagrange

Dados los datos (xi, fi), i = 0, 1, 2, . . ., n. La siguiente frmula permite obtener el polinomio
de interpolacin:
Definicin: Polinomio de Interpolacin de Lagrange
n

pn (x) =

fi Li (x)

i=0

Li (x) =

x-x j
, i = 0, 1, . . . , n

j=0,j i xi -x j
n

Para probar que esta definicin proporciona el polinomio de interpolacin, la expresamos en

forma desarrollada:
pn (x) = f0L0 (x) + f1L1 (x) + . . . + fi-1Li -1 (x) + fiLi (x) + fi+1Li + 1 (x) + . . . + fnLn (x)
Li (x) =

(x-x 0 )(x-x1 ) . . . (x-xi-1 )(x-xi+1 ) . . . (x-x n )

, i = 0,1,...,n
(xi -x 0 )(xi -x1 ) . . . (xi -xi-1 )(xi -xi+1 ) . . . (xi -x n )

(1)
(2)

De la definicin (2):
Li (xi ) = 1, i=0,1,...,n

(Por simplificacin directa)

Li (xk ) = 0 , k=0,1,...,n; k i ,

(Contiene un factor nulo para algn j = 0, 1, . . . , n; ji)

Sustituyendo en la definicin (1) de pn(x) se obtiene

pn (x 0 ) = f0L0 (x 0 ) + f=
f=
f0
1L1 (x 0 ) + . . . + fnLn (x 0 )
0 (1) + f1 (0) + . . . + fn (0)
pn (x1 ) = f0L0 (x1 ) + =
f1L1 (x1 ) + . . . + fnLn (x 1 ) f=
f1
0 (0) + f1 (1) + . . . + fn (0)
...
pn (xn ) = f0L0 (xn ) + f=
f=
fn
0 (0) + f1 (0) + . . . + fn (1)
1L1 (x n ) + . . . + fnLn (x n )

En general:
pn (xi ) = fi ; i = 0, 1, . . . , n

Por otra parte, cada factor Li(x) es un polinomio de grado n, por lo tanto pn(x) tambin
ser un polinomio de grado n con lo cual la demostracin est completa.

166
6.2.1 Algoritmo del polinomio de interpolacin de Lagrange
Algoritmo: Lagrange
Restriccin: No se verifica la existencia del polinomio de interpolacin
Entra: xi, fi
Puntos (datos)
Sale: p
Polinomio de interpolacin
n numeracon del ltimo punto
p0
Para i 0, 1, , n
L1
Para j 0, 1, , n; (j i)

LL

Fin
p p + fi L
Fin

Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3). Con la frmula de Lagrange,
encuentre el polinomio de interpolacin que incluye a estos puntos.
Solucin
2

p2 (x) =

fL (x) = f L
i

(x) + f1L1 (x) + f2L2 (x) = 5L0 (x) + 6L1 (x) + 3L2 (x)

i=0

Li (x) =

(x-x j )

j=0,j i

(xi -x j )

L0 (x) =
L1 (x) =

(x-x j )

j=0,j 0

(x 0 -x j )

(x-x j )

j=0,j 1
2

L2 (x) =

, i=0, 1, 2

j=0,j 2

(x1 -x j )
(x-x j )
(x 2 -x j )

(x-x1 )(x-x 2 )
(x-4)(x-5)
x 2 - 9x+20
=
=
(x 0 -x1 )(x 0 -x 2 )
(2-4)(2-5)
6

(x-x 0 )(x-x 2 )
(x-2)(x-5)
x 2 - 7x+10
=
=
(x1 -x 0 )(x1 -x 2 )
(4-2)(4-5)
-2

(x-x 0 )(x-x1 )
(x-2)(x-4)
x 2 - 6x+8
=
=
(x 2 -x 0 )(x 2 -x1 )
(5-2)(5-4)
3

Sustituir en el polinomio y simplificar:

p2 (x) = 5(

x 2 - 9x+20
x 2 - 7x+10
x 2 - 6x+8
7
15
16
) + 6(
) + 3(
) = - x2 +
x6
-2
3
6
2
3

Se puede verificar que este polinomio incluye a los tres puntos dados.
Si nicamente se desea evaluar el polinomio de interpolacin, entonces no es necesario
obtener las expresiones algebraicas Li(x). Conviene sustituir desde el inicio el valor de x
para obtener directamente el resultado numrico.

167
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3). Con la frmula de Lagrange,
evale en x=3, con el polinomio de interpolacin que incluye a estos tres puntos dados.
Solucin
2

p2 (3) =

fL (3) = f L
i

(3) + f1L1 (3) + f2L2 (3) = 5L0 (3) + 6L1 (3) + 3L2 (3)

i=0

(3-x j )

j=0,j i

(xi -x j )

Li (3) =

(3-x j )

(3-x j )

L0 (3) =
L1 (3) =

j=0,j 0 (x 0 -x j )

j=0,j 1

L2 (3) =

, i=0, 1, 2

(x1 -x j )

(3-x j )

j=0,j 2 (x 2 -x j )

(3-x1 )(3-x 2 )
(3-4)(3-5)
=
=1/3
(x 0 -x1 )(x 0 -x 2 )
(2-4)(2-5)

(3-x 0 )(3-x 2 )
(3-2)(3-5)
=
=1
(x1 -x 0 )(x1 -x 2 )
(4-2)(4-5)

(3-x 0 )(3-x1 )
(3-2)(3-4)
=
= -1/3
(x 2 -x 0 )(x 2 -x1 )
(5-2)(5-4)

Finalmente se sustituyen los valores dados de f

p2 (3) = 5(1/3) + 6(1) + 3(-1/3) = 20/3

6.2.2

Eficiencia del mtodo de Lagrange

La frmula de Lagrange involucra dos ciclos anidados que dependen del nmero de datos n:
n

pn (x) =

fi Li (x)

i=0

Li (x) =

j=0,j i x -x

x-x j
i

i = 0, 1, . . . , n

La evaluacin de esta frmula es un mtodo directo que incluye un ciclo para sumar n+1
trminos. Cada factor Li(x) de esta suma requiere un ciclo con 2n multiplicaciones, por lo
tanto, la eficiencia de este algoritmo es T(n) = 2n(n+1) = O(n2), significativamente mejor que
el mtodo matricial que involucra la resolucin de un sistema lineal cuya eficiencia es
T(n) = O(n3).

168
6.2.3

Instrumentacin computacional del mtodo de Lagrange

La siguiente funcin recibe un conjunto de puntos y entrega el polinomio de interpolacin en

forma algebraica usando la frmula de Lagrange. Opcionalmente, si la funcin recibe como
parmetro adicional el valor a interpolar, el resultado entregado es un valor numrico,
resultado de la interpolacin.
x, y:
u:
t:

puntos base para la interpolacin

valor para interpolar (parmetro opcional).
variable simblica para construir el polinomo de interpolacin

from sympy import*

def lagrange(x,y,u=None):
n=len(x)
if u==None:
t=Symbol('t')
else:
t=u
p=0
for i in range(0,n):
L=1
for j in range(0,n):
if j!=i:
L=L*(t-x[j])/(x[i]-x[j])
p=p+y[i]*L
p=expand(p)
return p

Esta instrumentacin permite explorar algunas de las caractersticas de Python para manejo
matemtico simblico:
Ejemplo. Dados los puntos: (2, 5), (4, 6), (5, 3) use la funcin Lagrange para encontrar el
polinomio de interpolacin.
>>> from lagrange import*
>>> x=[2,4,5]
>>> y=[5,6,3]
>>> p=lagrange(x,y)
>>> print(p)
-7*t**2/6 + 15*t/2 - 16/3
>>> r=lagrange(x,y,4.25)
>>> print(r)
5.46875000000000

Polinomio de interpolacin

Evaluar el polinomio en otro punto

169
Grfico del polinomio con la librera Pylab de Python:
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

Librera para graficar
def f(t): return -7*t**2/6 + 15*t/2 - 16/3
t=arange(2,5.1,0.1)
plot(t,f(t))
Grfico del polinomio
plot(x,y,'o')
Grfico de los puntos
grid(True)
show()

Encuentre el valor de x para el cual p(x) = 4:

>>> g=p-4
>>> g
-7*t**2/6 + 15*t/2 - 28/3
>>> from biseccion import*
>>> s=biseccion(g,4,5,0.0001)
>>> s
4.74127197265625
>>>

Ecuacin a resolver: g(x) = p(x)-4 = 0

Uso del mtodo de la biseccin

170
6.3 Interpolacin mltiple
Se puede extender la interpolacin a funciones de ms variables. El procedimiento consiste
en interpolar en una variable, fijando los valores de las otras variables y luego combinar los
resultados. En esta seccin se usar el polinomio de Lagrange en un ejemplo que contiene
datos de una funcin que depende de dos variables. No es de inters encontrar la forma
analtica del polinomio de interpolacin que tendra trminos con ms de una variable.
Ejemplo. Se tienen tabulados los siguientes datos f(x,y) de una funcin f que depende de
las variables independientes x, y. Usar todos los datos disponibles para estimar mediante
interpolacin polinomial el valor de f(3,12)
y

10

15

20

3.7

4.2

5.8

7.1

4.1

5.3

6.1

7.9

5.6

6.7

7.4

8.2

Solucin
Existen solo tres datos en la direccin X, por lo tanto conviene interpolar primero en X con
los datos de cada columna. Se requiere un polinomio de grado dos:
2

p2 (x) =

f L (x) = f L
i

(x) + f1L1 (x) + f2L2 (x) ;

i=0

Li (x) =

(x-x j )

j=0,j i

(xi -x j )

, i=0, 1, 2

No es necesario costruir el polinomio. Se sustituye directamente el valor x=3.

2

L0 (3) =

j=0,j 0

L1 (3) =
L2 (3) =

(3-x j )
(x 0 -x j )

(3-x j )

j=0,j 1

(x1 -x j )

(3-x j )

j=0,j 2 (x 1 -x j )

(3-x1 )(3-x 2 )
(3-4)(3-6)
=
= 3/8
(x 0 -x1 )(x 0 -x 2 )
(2-4))(2-6)

(3-x 0 )(3-x 2 )
(3-2)(3-6)
=
= 3/4
(x1 -x 0 )(x1 -x 2 )
(4-2))(4-6)

(3-x 0 )(3-x1 )
(3-2)(3-4)
=
= -1/8
(x 2 -x 0 )(x 2 -x1 )
(6-2))(6-4)

p2 (3) = f0L0 (3) + f1L1 (3) + f2L2=

(3) f0 (3 / 8) + f1 (3 / 4) + f2 (1/ 8)

Para completar la interpolacin en x, ahora se deben sustituir los datos de cada columna:
y=5:

p2 (3) = 3.7(3 / 8) + 4.1(3 / 4) + 5.6(1/ 8) =

3.7625

y=10: p2 (3) = 4.2(3 / 8) + 5.3(3 / 4) + 6.7(1/ 8) =

4.7125
y=15: p2 (3) = 5.8(3 / 8) + 6.1(3 / 4) + 7.4(1/ 8) =
5.8250
y=20: p2 (3) = 7.1(3 / 8) + 7.9(3 / 4) + 8.2(1/ 8) =
7.5625

171
Con los cuatro resultados se interpola en y = 12 con un polinomio de tercer grado:
y

f(3, y)

10

3.7625

4.7125

p3 (y) =

fL (y) = f L
i

15
5.8250

20
7.5625

(y) + f1L1 (y) + f2L2 (y) + f3L3 (y) ;

i=0

Li (y) =

(y-y j )

j=0,j i

(yi -y j )

, i=0, 1, 2, 3

Se sustituye directamente el valor para interpolar con la otra variable: y = 12

(12-y j )

j=0,j 0

(y0 -y j )

(12-y j )

j=0,j 1

(y1 -y j )

(12-y j )

(12-y j )

L0 (12) =
L1 (12) =
L2 (12) =
L3 (12) =

j=0,j 2 (y2 -y j )

j=0,j 3

(y2 -y j )

(12-y1 )(12-y2 )(12-y3 )

(12-10)(12-15)(12-20)
=
= -8/125
(y0 -y1 )(y0 -y2 )(y0 -y3 )
(5-10)(5-15)(5-20)

(12-y0 )(12-y2 )(12-y3 )

(12-5)(12-15)(12-20)
=
= 84/125
(y1 -y0 )(y1 -y2 )(y1 -y3 )
(10-5)(10-15)(10-20)

(12-y0 )(12-y1 )(12-y3 )

(12-5)(12-10)(12-20)
=
= 56/125
(y2 -y0 )(y2 -y1 )(y0 -y3 )
(15-5)(15-10)(15-20)

(12-y0 )(12-y1 )(12-y2 )

(12-5)(12-10)(12-15)
=
= -7/125
(y3 -y0 )(y3 -y1 )(y3 -y2 )
(20-5)(20-10)(20-15)

Resultado final:
y=12: p3 (12) = f0L0 (12) + f1L1 (12) + f2L2 (12) + f3L3 (12)
= (3.7625)(-8/125) + (4.7125)(84/125) + (5.8250)(56 / 125) + (7.5625)(-7 / 125) = 5.1121

f(3, 12) 5.1121

172
6.3.1 Instrumentacin computacional del mtodo de Lagange con dos variables
Para interpolar en dos o ms variable, se puede usar la funcin lagrange para interpolar en
una variable. Al aplicarla en cada direccin se obtienen los resultados parciales.
Interpolando con estos resultados producir el resultado final.
Para el ejemplo anterior:
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from lagrange import*

x=[2,4,6]
f=[3.7,4.1,5.6]
r1=lagrange(x,f,3)
f=[4.2,5.3,6.7]
r2=lagrange(x,f,3)
f=[5.8,6.1,7.4]
r3=lagrange(x,f,3)
f=[7.1,7.9,8.2]
r4=lagrange(x,f,3)

>>> y=[5,10,15,20]
>>> f=[r1,r2,r3,r4]
>>> p=lagrange(y,f,12)
>>> p
5.11210000000000

Interpolaciones parciales en x para cada columna de y

Interpolacin en y con los resultados parciales

Resultado final

173
6.4

Error en la interpolacin

Para entender este concepto usaremos un polinomio de interpolacin para aproximar a una
funcin conocida. As puede determinarse en forma exacta el error en la interpolacin.
Ejemplo. Suponga que se desea aproximar la funcin f(x)=ex, 0x2, con un polinomio
de segundo grado.
a) Encuentre el error en la aproximacin cuando x = 0.5
b) Encuentre el mximo error en la aproximacin
Solucin
Para obtener este polinomio tomamos tres puntos de la funcin f: (0, e0), (1, e1),
(2, e2) y usamos la frmula de Lagrange para obtener el polinomio de interpolacin, con
cinco decimales:
p2(x) = 1.4762x2 + 0.24204x+1

Si se aproxima f(x) con p2(x) se introduce un error cuyo valor es f(x) p2(x)
f(0.5)p2(0.5) = e0.51.4762(0.5)20.24204(0.5)1 = 0.1587
Si se desea conocer cual es el mximo error en la aproximacin, se debe resolver la
ecuacin
d
(f(x) p2 (x)) = 0 ex 2.9524x 0.2420 = 0
dx
Con un mtodo numrico se encuentra que el mximo ocurre cuando x = 1.6064.
Entonces el mximo valor del error es: f(1.6064) p2(1.6064) = 0.2133

174
En el caso general, se tienen los puntos (xi, fi), i=0, 1, ..., n, pero f es desconocida
Sea pn(x) el polinomio de interpolacin, tal que pn(xi) = fi , i=0, 1, ..., n
Suponer que se desea evaluar f en un punto t usando pn como una aproximacin:
f(t) pn(t), t xi, i=0, 1, ..., n
Definicin. Error en la interpolacin

En(t) = f(t) - pn(t)

Representacin grfica del error en la interpolacin

pn(t)

...

f(t)

Siendo f desconocida, no es posible conocer el error pues el valor exacto f(t) es

desconocido.
En los puntos dados el error es cero: En(xi) = f(xi) pn(xi) = 0, i=0,1,..., n, pero es
importante establecer una cota para el error en la interpolacin en cualquier punto t: En(t) =
f(t) pn(t)

175
6.4.1

Una frmula para aproximar el error en la interpolacin

En las aplicaciones normalmente se conocen puntos de la funcin f. Si estos puntos se usan

para realizar interpolaciones, es importante estimar la magnitud del error. A continuacin se
desarrolla un procedimiento para aproximarlo.
n

Sean

g(x) =

(x x ) = (x-x0)(x-x1) ... (x-xn),

i

g es un polinomio de grado n+1

i=0

Se define una funcin con algunas propiedades de inters:

h(x) = f(x) pn(x) g(x)En(t)/g(t)
1) h es diferenciable si suponemos que f es diferenciable
2) h(t) = 0
3) h(xi) = 0, i = 0, 1, ..., n
Por lo tanto, h es diferenciable. La ecuacin
h(x) = 0
tendr n+2 ceros en el intervalo [x0, xn]
Aplicando sucesivamente el Teorema de Rolle:
h(n+1)(x) = 0
tendr al menos 1 cero en el intervalo [x0, xn]
Sea z[x0, xn] el valor de x tal que h(n+1)(z) = 0
La n+1 derivada de h:
h(n+1)(x) = f(n+1)(x) 0 (n+1)! En(t)/g(t)
Al evaluar esta derivada en z:
h(n+1)(z) = 0 = f(n+1)(z) 0 (n+1)! En(t)/g(t)
Se obtiene finalmente:
En(t) = g(t) f(n+1)(z)/(n+1)!, txi, z[x0, xn]
Definicin. Frmula para aproximar el error en el polinomio de interpolacin
En(x) = g(x) f(n+1)(z)/(n+1)!, xxi, z[x0, xn ]
n

Siendo g(x) =

(x x )
i

= (x-x0)(x-x1) ... (x-xn)

i=0

Para utilizar esta frmula es necesario poder estimar el valor de f(n+1)(z).

En el siguiente captulo se introduce una tcnica para estimar f(n+1)(z) con los puntos de f.

176
6.5

Diferencias finitas

Las siguientes definiciones establecen algunas relaciones simples entre los puntos dados.
Estas definiciones tienen varias aplicaciones en anlisis numrico.
Suponer que se tienen los puntos (xi, fi), i=0, 1, ..., n,
espaciadas regularmente en una distancia h: xi+1 - xi = h,

tales que las abscisas estn

i=0, 1, ..., n-1

...

Definiciones
Primera diferencia finita avanzada:

1fi = fi+1 - fi ,

i = 0,1,2, ...

1f0 = f1 - f0
1f1 = f2 - f1, etc
Segunda diferencia finita avanzada: 2fi = 1fi+1 - 1fi , i = 0,1,2, ...
2f0 = 1f1 - 1f0
2f1 = 1f2 - 1f1, etc
Las diferencias finitas se pueden expresar con los puntos dados:
2f0 = 1f1 - 1f0 = (f2 - f1) - (f1 - f0) = f2 - 2f1 + f0
K-sima diferencia finita avanzada:
kfi = k-1fi+1 - k-1fi , i=0,1,2, ..., k=1, 2, 3, ... con 0 fi = fi
Es til tabular las diferencias finitas en un cuadro como se muestra a continuacin:
i
0
1
2
3
...

xi
x0
x1
x2
x3
...

fi
f0
f1
f2
f3
...

1fi
1f0
1f1
1f2
...
...

2fi
2f0
2f1
...
...
...

3fi
3f0
...
...
...
...

4fi
...
...
...
...
...

177
Cada diferencia finita se obtiene restando los dos valores consecutivos de la columna
anterior.
Ejemplo. Tabule las diferencias finitas correspondientes a los siguientes datos
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8)
i
0
1
2
3

6.5.1

xi
1.0
1.5
2.0
2.5

fi
5
7
10
8

1fi
2
3
-2

2fi
1
-5

3fi
-6

Relacin entre derivadas y diferencias finitas

Desarrollo de la serie de Taylor de una funcin que suponemos diferenciable, f alrededor de

un punto x0 a una distancia h, con un trmino:
f(x0+h) = f1 = f0 + h f(z), para algn z[x0, x1]
De donde:
=
f '(z)

f1 f 0 1f0
, para algn z[x0, x1]
=
h
h

Es el Teorema del Valor Medio. Este teorema de existencia, con alguna precaucin, se usa
como una aproximacin para la primera derivada en el intervalo especificado:
1f0
es una aproximacin para f en el intervalo [x0, x1].
h

Desarrollo de la serie de Taylor de la funcin f, que suponemos diferenciable, alrededor del

punto x1 hacia ambos a una distancia h, con dos trminos:
(1)

f2 = f1 + hf 1 +

h2
f ''(z1 ) , para algn z1[x1, x2]
2!

h2
f ''(z 2 ) , para algn z2[x0, x1]
2!
Sumando (1) y (2), sustituyendo la suma f(z1) + f(z2) por un valor promedio 2f(z) y
despejando:

(2)

f0 = f1 - hf 1 +

=
f ''(z)

f2 2f1 + f0 2 f0
=
, para algn z[x0, x2]
h2
h2

2 f0
es una aproximacin para f en el intervalo [x0, x2]
h2

178
En general
Definicin. Relacin entre derivadas y diferencias finitas
f (n) (z) =

n f0
hn

, para algn z en el intervalo [x0, xn].

n f0
es una aproximacin para f(n) en el intervalo [x0, xn].
hn

Si suponemos que f tiene derivadas cuyos valores no cambian significativamente en el

intervalo considerado, esta frmula puede usarse para aproximar sus derivadas. El valor de
h debe ser pequeo, pero si es demasiado pequeo puede aparecer el error de redondeo al
restar nmeros muy cercanos y la estimacin de las derivadas de orden alto no ser
aceptable.
Si se usa esta aproximacin para acotar el error, se debera tomar el mayor valor de la
diferencia finita tabulada respectiva. En general, esta aproximacin es aceptable si los
valores de las diferencias finitas en cada columna no cambian significactivamente y tienden
a reducirse.
6.5.2

Diferencias finitas de un polinomio

Si la funcin f de donde provienen los datos es un polinomio de grado n, entonces la nsima diferencia finita ser constante y las siguientes diferencias finitas se anularn.
Demostracin:
Sea f un polinomio de grado n:

f(x) = a0xn + a1xn-1 + . . . + an

Su n-sima derivada es una constante:

f(n)(x) = n! a0

Por lo tanto, la n-sima diferencia finita tambin ser constante: nfi = hn f(n)(x) = hn n! a0

179
Ejemplo. Tabule las diferencias finitas de f(x) = 2x2 + x + 1, para x = -2, -1, 0, 1, 2, 3
I
0
1
2
3
4
5

xi
-2
-1
0
1
2
3

1fi
-5
-1
3
7
11

fi
7
2
1
4
11
22

2fi
4
4
4
4

3fi
0
0
0

4fi
0
0

El polinomio de interpolacin, por la propiedad de unicidad, coincidir con el polinomio f.

Ejemplo. Verifique si la siguiente funcin puede expresarse mediante un polinomio en el
mismo dominio.
x

f(x) = 2x +

i2

, x = 1, 2, 3, ...

i=1

Solucin
La funcin con el sumatorio expresado en forma desarrollada:
f(x) = 2x + (12 + 22 + 32 + ... + x2), x = 1, 2, 3,
Tomando algunos puntos de esta funcin, tabulamos las diferencias finitas:
I
0
1
2
3
4
5

xi
1
2
3
4
5
6

fi
3
9
20
38
65
103

1fi
6
11
18
27
38

2fi
5
7
9
11

3fi
2
2
2

4fi
0
0

Siendo f una expresin algebraica, y observado que la tercera diferencia finita es constante,
se puede concluir que es un polinomio de grado tres. Para encontrar el polinomio de
interpolacin podemos usar la conocida frmula de Lagrange tomando cuatro puntos
tabulados:
>>> from lagrange import*
>>> x=[1,2,3,4]
>>> f=[3,9,20,38]
>>> p=lagrange(x,f)
>>> p
t**3/3 + t**2/2 + 13*t/6
>>> r=lagrange(x,f,100)
>>> r
338550.000000000

Polinomio que representa a f

Evaluar f(100)

180
6.6

El polinomio de interpolacin de diferencias finitas avanzadas

Se puede obtener el polinomio de interpolacin desde la tabla de diferencias finitas.

Dado un conjunto de puntos (xi, fi), i=0, 1,, n espaciados en forma regular en una
distancia h y que provienen de una funcin desconocida f(x), pero supuestamente
diferenciable, se desea obtener el polinomio de interpolacin. Si se tienen tabuladas las
diferencias finitas se puede obtener el polinomio de interpolacin mediante un procedimiento
de generalizacin.
Suponer que se tienen dos puntos (x0, f0), (x1, f1) con los cuales se debe obtener el
polinomio de primer grado, es decir, la ecuacin de una recta:
p1(x) = a0 + a1(x-x0)
Sustituyendo los dos puntos y despejando a0 y a1 se obtienen, agregando la notacin
anterior:
a0 = f0
=
a1

f0
f1 f0
=
x1 x 0
h

p 1(x) =
f0 +

f0
(x x 0 )
h

En el caso de tener tres puntos (x0, f0), (x1, f1), (x2, f2), se debe obtener un polinomio de
segundo grado. Se propone la siguiente forma algebraica para este polinomio:
p2(x) = a0 + a1(x-x0) + a2(x-x0)(x-x1)
Sustituyendo los tres puntos y despejando a0, a1 y a2 se obtienen, incluyendo la notacin
anterior:
a0 = f0
=
a1

=
a2

f0
f1 f0
=
x1 x 0
h
f f
f2 f1
1 0
x 2 x1 x 1 x 0
=
x2 x0

p2 (x) =f0 +

f1 f0

f1 f0 2 f0
h
h
=
=
2h
2h2
2h2

f0
2 f0
(x x 0 ) +
(x x 0 )(x x1 )
h
2h2

Se puede generalizar para un conjunto de puntos (xi, fi), i=0, 1,, n:

181
Definicin. Polinomio de diferencias finitas avanzadas o polinomio de Newton
f0
2 f0
3 f0
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 ) + ...

+
0
1
h
2!h2
3!h3

pn (x) =f0 +
+

n f0
n!hn

(x x 0 )(x x1 )...(x xn1 )

Si las diferencias finitas estn tabuladas en forma de un tringulo, los coeficientes del
polinomio de interpolacin se toman directamente de la primera fila del cuadro de datos (fila
sombreada):
i

xi

fi

fi

2fi

3fi

x0

f0

1f0

2f0

3f0

nf0

x1

f1

1f1

2f1

3fn

f2

f2

f2

x2

nfi

x3

f3

f3

xn

fn

Ejemplo. Dados los siguientes puntos: (2, 5), (3, 6), (4, 3), (5, 2), encuentre el polinomio de
interpolacin que incluye a los cuatro datos usando el mtodo de diferencias finitas
Solucin
El mtodo de diferencias finitas es aplicable pues h es constante e igual a 1
Tabla de diferencias finitas:
i

xi

fi

fi

2fi

3fi

-4

-3

-1

Polinomio de tercer grado de diferencias finitas:

p3 (x) =+
f0

f0
2 f0
3 f0
(x x 0 ) +
(x

x
)(x

x
)
+
(x x 0 )(x x1 )(x x 2 )
0
1
h
2!h2
3!h3

Reemplazando los coeficientes, tomados de la primera fila, y simplificando:

p3 (x) =
5 +

4
1
6
(x 2) +
(x 2)(x 3) +
(x 2)(x 3)(x 4)
1
2(12 )
3!(13 )

=x 3 11x 2 + 37x 33

182
6.6.1

Prctica computacional

Obtencin del polinomio de diferencias finitas en la ventana interactiva de Python

Dados los puntos: (2, 5), (3, 6), (4, 3), (5, 2)
Obtenga el polinomio de interpolacin en la ventana interactiva de Python mediante
sustitucin directa en la frmula:
p3 (x) =+
f0

f0
2 f0
3 f0

+
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 )
0
1
h
2!h2
3!h3

>>> from sympy import*

>>> t=Symbol('t')
>>> p=5+1/1*(t-2)+(-4)/(2*1**2)*(t-2)*(t-3)+6/(6*1**3)*(t-2)*(t-3)*(t-4)
>>> p
1.0*t + (-2.0*t + 4.0)*(t - 3) + (t - 4)*(t - 3)*(1.0*t - 2.0) + 3.0
>>> p=simplify(p)
>>> p
1.0*t**3 - 11.0*t**2 + 37.0*t - 33.0
Graficacin del polinomio y los puntos
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

def f(t): return t**3 - 11*t**2 + 37*t - 33
t=arange(2,5.1,0.1)
plot(t,f(t))
Grfico del polinomio
x=[2,3,4,5]
y=[5,6,3,2]
plot(x,y,'o')
Grfico de los puntos
grid(True)
show()

183
6.6.2

Eficiencia del polinomio de interpolacin de diferencias finitas

Forma original del polinomio de interpolacin de diferencias finitas avanzadas:

f0
2 f0
3 f0
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 ) + ...

+
0
1
h
2!h2
3!h3
n f0
+
(x x 0 )(x x1 )...(x xn1 )
n!hn

pn (x) =f0 +

La evaluacin de este polinomio es un mtodo directo en el que se suman n+1 trminos.

Cada trmino de esta suma requiere una cantidad variable de multiplicaciones en las que
aparece el valor x que se interpola. Entonces la eficiencia de este algoritmo es: T(n) = O(n2),
similar a la frmula de Lagrange, y significativamente mejor que el mtodo matricial que
involucra la resolucin de un sistema de ecuaciones lineales cuya eficiencia es T(n) = O(n3).
El polinomio de diferencias finitas puede escribirse en forma recurrente:
pn (x) = f0 +

(x x 0 )
h

( f0 +

(x x1 )
2h

( 2 f0 +

(x x 2 )
3h

( 3 f0 + ... +

(x xn 2 )
(n 1)h

( n 1f0 +

(x xn 1 )
nh

n f0 )...)))

Entonces, el polinomio puede expresarse mediante un algoritmo recursivo:

p0 = n f0
n 1f0 +
p1 =

(x x n 1 )

p0
nh
(x x n 2 )
n 2 f0 +
p2 =
p1
(n 1)h
.
.
1f0 +
pn 1 =
pn

(x x 1 )

pn 2
2h
(x x 0 )
=
0 f0 +
pn 1 ,
h

siendo 0 f0 =
f0

La evaluacin del polinomio con este procedimiento requiere 2n sumas y restas y 3n

multiplicaciones y divisiones: T(n) = O(n). Esto constituye una mejora significativa con
respecto a los mtodos anteriores. Sin embargo, la tabulacin de las diferencias finitas tiene
eficiencia O(n2) pero nicamente contiene restas y debe calcularse una sola vez para
interpolar en otros puntos.

184
Ejemplo. Dados los siguientes puntos: (1.2, 5), (1.4, 6), (1.6, 3), (1.8, 2), use el algoritmo
recursivo anterior para evaluar en x=1.5 el polinomio de interpolacin que incluye a los
cuatro datos.
Solucin
Tabla de diferencias finitas:
i

xi

fi

1fi

2fi

3fi

1.2

-4

1.4

-3

1.6

-1

1.8

p0 = 6

p 0 = 3 f0
p1 =
2 f0 +
p2 =
1f0 +
p3 =
0 f0 +

6.6.3

(x x 2 )
3h
(x x 1 )
2h
(x x 0 )
h

p1 =4 +

p0
p1
p2

p2 =
1+
p3 =
5+

(1.5 1.6)

6 =5

3(0.2)

(1.5 1.4)

( 5) =
0.25

2(0.2)
(1.5 1.2)

( 0.25) =
4.625

0.2

El error en el polinomio de interpolacin de diferencias finitas

Polinomio de interpolacin de diferencias finitas avanzadas:

f0
2 f0
3 f0
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 ) + ...

+
0
1
h
2!h2
3!h3
n f0
+
(x x 0 )(x x1 )...(x xn1 )
n!hn

pn (x) =f0 +

Se tiene el error en el polinomio de interpolacin:

En (x) = g(x)

f (n+ 1) (z)
, xxi, z[x0, xn ],
(n + 1)!

siendo g(x) = (x-x0)(x-x1) ... (x-xn)

Si los puntos estn regularmente espaciados a una distancia h, se estableci una relacin
entre las derivadas de f y las diferencias finitas:
f (n) (t) =

n f0
hn

, para algn t en el dominio de los datos dados

Se usa como una aproximacin para la derivada si no cambia significativamente y h es

pequeo.

185

Extendiendo esta relacin a la siguiente derivada y sustituyendo en la frmula del error en la

interpolacin
En (x) =
g(x)

n+ 1f
n+ 1f
f (n+ 1) (z)
g(x) n+ 1 0
=
(x x 0 )(x x1 )...(x xn ) n+ 1 0
(n + 1)!
h (n + 1)!
h (n + 1)!

Si se compara con el polinomio de diferencias finitas avanzadas se observa que el error en

la interpolacin es aproximadamente igual al siguiente trmino que no es incluido en el
polinomio de interpolacin.
Definicin. Estimacin del error en el polinomio de interpolacin de diferencias finitas
En (x)

n+ 1f0

hn+ 1(n + 1)!

(x x 0 )(x x1 )...(x xn )

Si se toman n+1 puntos para construir el polinomio de interpolacin de grado n, y los puntos
provienen de un polinomio de grado n, entonces el f(n+1)( ) es cero y tambin n f , por lo
tanto En(x) tambin es cero, en forma consistente con la propiedad de unicidad del
polinomio de interpolacin.
Ejemplo. Aplicar la definicin para estimar el error en la interpolacin con los datos:
i
0
1
2
3
4

xi
0.0
0.1
0.2
0.3
0.4

fi
1.000000
1.110517
1.244281
1.404958
1.596730

1fi
0.110517
0.133764
0.160677
0.191772

2fi
0.023247
0.026913
0.031095

3fi
0.003666
0.004182

4fi
0.000516

En la tabla puede observarse que las diferencias finitas tienden a reducir su valor, entonces
un polinomio de interpolacin es una aproximacin adecuada para esta funcin.
Adicionalmente, las diferencias finitas en cada columna tienen valores de similar magnitud,
por lo tanto se pueden usar para estimar a las derivadas.
El grado del polinomio de interpolacin depende del error que toleramos y su valor est
relacionado directamente con el orden de la diferencia finita incluida.
Supongamos que deseamos evaluar el polinomio de interpolacin en x = 0.08 usando el
polinomio de diferencias finitas avanzadas de segundo grado.
f0
2 f0
(x x 0 ) +
(x x 0 )(x x1 )
h
2!h2
0.110517
0.023247
f(0.08) p2 (0.08) =
1+
(0.08 0) +
(0.08 0)(0.08 0.1) =
1.086554
0.1
2(0.1)2

f(x) p2 (x) =f0 +

186
Estimar el error en la interpolacin:
E2 (x)

3 f0

(x x 0 )(x x1 )(x x 2 )
3!h3
0.003666
E2 (0.08)
(0.08 0)(0.08 0.1)(0.08 0.2) =
0.0001173
3!0.13

Para comparar, calculemos el valor exacto de f(0.08) con la funcin de la cual fueron
tomados los datos: f(x) = x ex + 1
f(0.08) = 0.08 e0.08 + 1 = 1.086663
El error exacto es
1.083287 1.086554 = 0.0001089
El valor calculado con el polinomio de interpolacin de segundo grado concuerda muy bien
con el valor exacto.

6.6.4

Forma estndar del polinomio de interpolacin de diferencias finitas

El polinomio de interpolacin de diferencias finitas avanzadas:

f0
2 f0
3 f0
(x x 0 ) +
(x

x
)(x

x
)
+
(x x 0 )(x x1 )(x x 2 ) + ...
0
1
h
2!h2
3!h3
n f0
+
(x x 0 )(x x1 )...(x xn1 )
n!hn

pn (x) =f0 +

Puede re-escribirse usando la siguiente sustitucin: S =

x x0
h

f0
(x x 0 ) =
f0 S
h

2 f0
2!h2

(x x 0 )(x x1 )=

2 f0

2 f0 (x x 0 ) (x x 0 h) 2 f0
(x
x
)(x
(x
h))
S(S 1)

+
=
=
0
0
h
h
2!
2!h2
2!h2

.
. (sucesivamente)
.
Mediante recurrencia se puede generalizar:
pn (S) =
f0 + f0 S +

2 f0
3 f0
n f0
S(S 1) +
S(S 1)(S 2) + ... +
S(S 1)(S 2)...(S n + 1)
2!
3!
n!

Con la definicin del coeficiente binomial

S S(S 1)(S 2)...(S i + 1)
=
i!
i

Se obtiene una forma compacta para el polinomio de interpolacin de diferencias finitas:

187
Definicin. Forma estndar del polinomio de interpolacin de diferencias finitas
S
S
S
S
pn (S) =f0 + f0 + 2 f0 + 3 f0 + ... + n f0 =
1
2
3
n

i i f0
i= 0

Tambin se puede expresar con esta notacin el error en la interpolacin:

En (x)

n+ 1f0

hn+ 1(n + 1)!

(x x 0 )(x x1 )...(x xn )

Sustituyendo la definicin S =

x x0
h

En (S) S(S 1)(S 2)...(S n)

n+ 1f0
(n + 1)!

Finalmente se puede expresar de la siguiente forma

Definicin. Estimacin del error en el polinomio de interpolacin de diferencias
finitas
x x0
S n+ 1
, x xi
En (S)
f0 , S
=
n
1
+
h

6.6.5

Otras formas del polinomio de interpolacin de diferencias finitas

Para algunas aplicaciones es de inters definir el polinomio de interpolacin con referencia a

un punto xi con las diferencias finitas expresadas con puntos anteriores:
S
S + 1 2
S + 2 3
S + n 1 n
pn (x) =
pn (S) =+
fi fi1 +
fi 2 +
fi 3 + ... +
fin
n
1
2
3

x xi
S + n n+ 1 (n+ 1)
=
E =
(z),
s
h y
h
n + 1

Si el punto de referencia es xi+1 con las diferencias finitas expresadas con los puntos
anteriores, el polinomio de interpolacin toma la siguiente forma:
S
S + 1 2
S + 2 3
S + n 1 n
pn (x)= pn (S)= fi+ 1 + fi +
fi1 +
fi 2 + ... +
fin+ 1
n
1
2
3

x xi + 1
S + n n+ 1 (n+ 1)
=
E =
(z),
s
h y
n
+
1
h

188
6.7

El polinomio de interpolacin de diferencias divididas

Dado un conjunto de puntos (xi, fi), i=0, 1,, n espaciados en forma arbitraria y que
provienen de una funcin desconocida f(x) pero supuestamente diferenciable, se desea
obtener el polinomio de interpolacin.
Una forma alternativa al mtodo de Lagrange es el polinomio de diferencias divididas cuya
frmula se la puede obtener mediante un procedimiento de recurrencia. La frmula
resultante es ms eficiente que la frmula de Lagrange pues en promedio requiere menos
operaciones aritmticas.
Suponer que se tienen dos puntos (x0, f0), (x1, f1) con los cuales se debe obtener el
polinomio de primer grado, es decir, la ecuacin de una recta:
p1(x) = a0 + a1(x-x0)
Sustituyendo los dos puntos, despejando a0 y a1 y adoptando una nueva notacin se
obtiene:
a=
f=
f[x 0 ]
0
0
a1
=

f1 f0
f[x 0:1 ]
=
x1 x 0

p1(x) =
f[x 0 ] + f[x 0:1 ](x x 0 )
=
f[x 0:1 ]

f1 f0
f[x1 ] f[x 0 ]
denota la primera diferencia dividida en el rango [x0, x1]
=
x1 x 0
x1 x 0

La diferencia dividida f[x 0:1 ] es una aproximacin para f( ) en el intervalo [x0, x1]
En el caso de tener tres puntos (x0, f0), (x1, f1), (x2, f2), se debe obtener un polinomio de
segundo grado. Se propone la siguiente forma para este polinomio:
p2(x) = a0 + a1(x-x0) + a2(x-x0) (x-x1)
Sustituyendo los tres puntos y despejando a0, a1 y a2 se obtienen:
a=
f=
f[x 0 ]
0
0
=
a1

=
a2

f1 f0
f[x1 ] f[x 0 ]
=
= f[x 0:1 ]
x1 x 0
x1 x 0
f f
f2 f1
1 0
x 2 x1 x 1 x 0 f[x1:2 ] f[x 0:1 ]
= = f[x 0:2 ]
x2 x0
x2 x0

p2 (x)= f[x 0 ] + f[x 0:1 ](x x 0 ) + f[x 0:2 ](x x 0 )(x x1 )

189
f[x 0:2 ] =

f[x1:2 ] f[x 0:1 ]

denota la segunda diferencia dividida en el rango [x0, x2]
x2 x0

Al extender la recurrencia y generalizar al conjunto de puntos (xi, fi), i=0, 1,, n se tiene:

f[x 0 : n ] =

f[x1 : n ] - f[x 0 : n-1 ]

xn - x 0

n-sima diferencia dividida en el punto x0 en el rango [x0, xn]

Definicin. Polinomio de diferencias divididas

pn (x)= f[x 0 ] + f[x 0 : 1 ](x x 0 ) + f[x 0 : 2 ](x x 0 )(x x1 ) + f[x 0 : 3 ](x x 0 )(x x1 )(x x 2 ) + ...
+ f[x 0 : n ](x x 0 )(x x1 ) ... (x xn1 )

Es conveniente tabular las diferencias divididas en forma de un tringulo en el que cada

columna a la derecha se obtiene de la resta de los dos valores inmediatos de la columna
anterior. Este resultado debe dividirse para la longitud del rango de los datos incluidos en el
rango.
Los coeficientes del polinomio de interpolacin sern los valores resultantes colocados en la
primera fila del cuadro tabulado (fila sombreada):
Para la tabulacin, la frmula se puede extender a cada punto i:

f[xi : i+k ] =

f[xi+1 : i+k ] - f[xi : i+k-1 ]

xi+k - xi

k-sima diferencia dividida en el punto i en el rango [xi, xi+k]

i

xi

f[xi]

f[xi:i+1]

f[xi:i+2]

f[xi:i+3]

f[xi:i+4]

x0

f[x0]

f[x0:1]

f[x0:2]

f[x0:3]

f[x0:4]

x1

f[x1]

f[x1:2]

f[x1:3]

f[x1:4]

x2

f[x2]

f[x2:3]

f[x2:4]

x3

f[x3]

f[x3:4]

x4

f[x4]

190
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3), (7, 2), encuentre y grafique el
polinomio de interpolacin que incluye a los cuatro datos, usando el mtodo de diferencias
divididas:
Tabla de diferencias divididas:
i

xi

f[xi]

65 1
=
42 2

3 1/ 2
7
=
52
6

36
= 3
54

1/ 2 (3) 5
=
74
6

23
1
=
75
2

f[xi : i+1]

f[xi : i+2]

f[xi : i+3]
5 / 6 (7 / 6) 2
=
72
5

Polinomio de tercer grado de diferencias divididas:

p3 (x) = f[x 0 ] + f[x 0 : 1 ](x x 0 ) + f[x 0 : 2 ](x x 0 )(x x1 ) + f[x 0 : 3 ](x x 0 )(x x1 )(x x 2 )

Reemplazando los coeficientes, tomados de la primera fila, y simplificando:

p3 (x) =+
5 (1/ 2)(x 2) + (7 / 6)(x 2)(x 4) + (2 / 5)(x 2)(x 4)(x 5)
2
167 2 227
64
x +
x
= x3
5
30
10
3

Grfico del polinomio:

(

8
7
6
5
4
3
2
1
0

4
x

191
6.7.1

El error en el polinomio de interpolacin de diferencias divididas

Polinomio de diferencias divididas

pn (x)= f[x 0 ] + f[x 0:1 ](x x 0 ) + f[x 0:2 ](x x 0 )(x x1 ) + f[x 0:3 ](x x 0 )(x x1 )(x x 2 ) + ...
+ f[x 0:n ](x x 0 )(x x1 )...(x xn1 )

Error en el polinomio de interpolacin:

En (x) = g (x)

f (n+ 1) (z)
, xxi, z[x0, xn ], siendo g(x) = (x-x0)(x-x1) ... (x-xn)
(n + 1)!

Si los puntos estuviesen igualmente espaciados en una distancia h se tendra

f[x
=
0:n ]

f[x1:n ] f[x 0:n1 ] n f0 f (n) (z)

=

xn x 0
n!hn
n!

En el polinomio de diferencias divididas, h sera el cociente promedio de las n distancias

entre las abscisas de los datos.
Extendiendo esta relacin a la siguiente derivada y sustituyendo en la frmula del error en la
interpolacin
En (x) =
g(x)

f (n+ 1) (z)
g(x)f[x 0:n+ 1 ] =
(x x 0 )(x x1 )...(x xn )f[x 0:n+ 1 ]
(n + 1)!

Si se compara con el polinomio de diferencias divididas se observa que el error en el

polinomio de interpolacin es aproximadamente igual al siguiente trmino del polinomio que
no es incluido.

192
6.8

El polinomio de mnimos cuadrados

Dados los puntos (xi, fi), i = 1, 2,..., n, que corresponden a observaciones o mediciones. Si
se considera que estos datos contienen errores y que es de inters modelar nicamente su
tendencia, entonces el polinomio de interpolacin no es una buena opcin. Una alternativa
es el polinomio de mnimos cuadrados. Estos polinomios tienen mejores propiedades para
realizar predicciones o extrapolaciones.
Si los datos tienen una tendencia lineal, la mejor recta ser aquella que se coloca entre los
puntos de tal manera que se minimizan las distancias de los puntos dados a esta recta, la
cual se denomina recta de mnimos cuadrados y se la obtiene con el siguiente
procedimiento:
Para cada valor xi se tiene el dato fi y el valor p(xi) obtenido con la recta de mnimos
cuadrados.
Sea p(x) = a1 + a2x la recta de mnimos cuadrados
Si ei = fi - p(xi) es la diferencia entre el dato y el punto de la recta de mnimos cuadrados.,
2

entonces, el objetivo es minimizar e i

para todos los puntos.

El cuadrado es para

considerar distancia, no importa si el punto est sobre o debajo de la recta

Criterio de para obtener la recta de mnimos cuadrados
n

n
2
i
=i 1=i 1

Minimizar

S=

n
2
i
=i 1

e = (f p(x )) = (f a
i

a 2 x)2

Para minimizar esta funcin S cuyas variables son a1, a2 se debe derivar con respecto a
cada variable e igualar a cero:
n
n
S
n
2
=0:
( fi a1 a2 xi ) =0 na1 + a2 xi = fi

a 1
a 1 i 1
=
=i 1=i 1
n
n
n
n
S
2
= 0:
( fi a1 a2 xi ) =0 a1 xi + a2 xi2 = xi fi

a 2 i 1
a 2
=
=i 1 =i 1=i 1

De esta manera se obtiene el sistema de ecuaciones lineales:

n

a1n + a 2 xi =
fi
=i 1=i 1

a1 xi + a 2 xi2 =
xi fi

=i 1

=i 1=i 1

De donde se obtienen los coeficientes a1 y a2 para la recta de mnimos cuadrados:

p(x) = a1 + a2 x

193
Ejemplo. Los siguientes datos corresponden a una muestra de 5 estudiantes que han
tomado cierta materia. Los datos incluyen la calificacin parcial y la calificacin final. Se
pretende encontrar un modelo que permita predecir la calificacin final que obtendra un
estudiante dada su calificacin parcial.
Estudiante
1
2
3
4
5

Nota Parcial
43
64
38
57
30

Nota final
75
82
70
76
68

Representacin de los datos en un diagrama

Se observa que los datos tienen aproximadamente una tendencia lineal

El polinomio de interpolacin no es til pues no muestra de manera simple la tendencia de

los datos. Los datos son obervaciones contenidos en una muestra, por lo tanto no
representan de manera exacta a todo el posible conjunto de datos, pero es de inters la
tendencia.

194
Obtencin de la recta de mnimos cuadrados
5

5a1 + a 2 xi =
fi
=i 1=i 1

a1 xi + a 2 xi2 =
xi fi

=i 1

=i 1=i 1

5a1 + 232a 2 = 371

232a1 + 11538a 2 = 17505

De donde se obtiene la recta de mnimos cuadrados

p(x) = a1 + a2 x = 56.7610 + 0.3758 x
Cuyo forma se muestra en el siguiente grfico:

La recta de mnimos cuadrados representa mejor la tendencia de los datos, considerando

adems que no son observaciones exactas. Las interpolaciones o predicciones con esta
recta seran apropiadas
El estudio detallado de este modelo se denomina Regresin Lineal y permite establecer
criterios acerca de la calidad de la representacin de los datos con la recta de mnimos
cuadrados.
Adicionalmente, mediante una transformacin se puede representar mediante la recta de
mnimos cuadrados, algunos conjuntos de datos que tienen tendencia aproximadamente
lineal.

195
6.9 Ejercicios y problemas con el polinomio de interpolacin
1. Los siguientes datos son observaciones de los ingresos f en base al monto de inversin
x realizada en cierto negocio (miles de dlares):
(5.5, 83.0), (8.2, 94.5), (12.4, 105.0), (19.0, 92.0)
a) Encuentre el polinomio de interpolacin de tercer grado con la frmula de Lagrange
Con este polinomio determine:
b) La ganancia que se obtiene si la inversin fuese 15.0
c) Cuanto habra que invertir si se desea una ganancia de 100.0
d) Para que valor de inversin se obtiene la mxima ganancia.
2. Encuentre un polinomio de interpolacin para expresar en forma exacta la suma de los
cubos de los primeros k nmeros naturales:
s(k) = 13 + 23 + 33 + . . . + k3,

k = 1, 2, 3, 4,

Obtenga puntos de s(k), k=1,2,3,4 Construya sucesivamente el polinomio de interpolacin

con 2, 3, 4, puntos, hasta que el polinomio no cambie. Este polinomio ser exacto pues
s(k) es una expresin algebraica.
3. Los siguientes datos pertenecen a la curva de Lorentz, la cual relaciona el porcentaje de
ingreso econmico global de la poblacin en funcin del porcentaje de la poblacin:
% de poblacin
25
50
75
100

% de ingreso global
10
25
70
100

Ej. El 25% de la poblacin tiene el 10% del ingreso econmico global.

a) Use los cuatro datos para construir un polinomio para expresar esta relacin
b) Con el polinomio determine el porcentaje de ingreso econmico que le corresponde al
60% de la poblacin
c) Con el polinomio determine a que porcentaje de la poblacin le corresponde el 60% de
ingreso econmico global. Resuelva la ecuacin resultante con el mtodo de Newton

196
4. Se han registrado los siguientes datos del costo total c(x), en dlares, de fabricacin de x
unidades de cierto artculo:
(x, c(x)): (10, 358), (20, 1268), (30, 2778), (40, 4888), (50, 7598)
a) Mediante el polinomio de interpolacin encuentre una funcin para expresar c(x)
b) El costo medio por unidad q(x) es el costo total c(x) dividido por el nmero de unidades
producidas: q(x) = c(x)/x. Encuentre el nivel de produccin x en el cual el costo medio por
unidad es el menor
5. Los siguientes datos representan la medicin de la demanda f de un producto durante
cinco semanas consecutivas t:
t = [1, 2 , 3, 4, 5]
f = [24, 45, 62, 65, 58]
Use todos los datos dados para calcular los siguientes resultados y estimar el error en sus
respuestas:
a) Encuentre la demanda en la semana 3.5
b) Encuentre en que da la demanda fue 50
c) Encuentre en que da se tuvo la mayor demanda
6. Suponga que en el siguiente modelo f(x) describe la cantidad de personas que son
infectadas por un virus: f(x) = a x + b x2 + c e0.1X , en donde x es tiempo en das.
Siendo a, b, c coeficientes que deben determinarse.
Se conoce que la cantidad de personas infectadas en los das 0, 5 y 10 son
respectivamente: f(0)=1, f(5)=4, f(10)=20
a) Plantee un sistema de ecuaciones lineales y resulvalo para determinar los coeficientes.
b) Use el modelo f(x) para determinar en cual da la cantidad de personas infectadas por el
virus ser 1000. Obtenga la solucin con el mtodo de la Biseccin. Previamente encuentre
un intervalo de convergencia y obtenga la respuesta con un decimal exacto. Muestre los
valores intermedios calculados hasta llegar a la solucin.
7. La funcin de variable real f(x)=cos(x)ex + 1, , ser aproximada con el
polinomio de segundo grado p(x) que incluye a los tres puntos f(0), f(/), f().
a) Determine el error en la aproximacin si x = /4
b) Encuentre la magnitud del mximo error E(x)=f(x)-p(x), que se producira al usar p(x)
como una aproximacin a f(x). Resuelva la ecuacin no lineal resultante con la frmula de
Newton con un error mximo de 0.0001
5. Dados los puntos que corresponden a una funcin diferenciable
(x, f(x)): (0.1, 0.501105), (0.2, 0.504885), (0.3, 0.512148), (0.4, 0.523869), (0.5, 0.541218)
a) Encuentre el valor aproximado de f(0.12) con un polinomio de tercer grado.
b) Estime el error en la interpolacin con la frmula del error en la interpolacin.

197
8. Dados los puntos (x,f(x)) de una funcin:
x : 1.0000 1.1000 1.2000 1.3000 1.4000 1.5000 1.6000
f(x) : 2.2874 2.7726 3.2768 3.7979 4.3327 4.8759 5.4209
a) Encuentre el valor de f(1.55) con un polinomio de tercer grado.
b) Estime el error en el resultado obtenido con la frmula del error en la interpolacin.
9. Luego de efectuarse un experimento se anotaron los resultados f(x) y se tabularon las
diferencias finitas. Accidentalmente se borraron algunos valores quedando nicamente lo
que se muestra a continuacin:
xi
fi
fi
2fi
3fi
4fi
1.3
3.534
-------0.192
0.053
0.002
1.5
----------------------------1.7
---------------------1.9
--------------2.1
-------Tambin se haba hecho una interpolacin con un polinomio de primer grado en x = 1.4
obtenindose como resultado de la interpolacin el valor 4.0755
a) Con los datos suministrados reconstruya la tabla de diferencias finitas
b) Encuentre el valor de f(1.62) con un polinomio de interpolacin de diferencias finitas de
tercer grado, y estime el error en la interpolacin.
c) Encuentre el valor de x tal que f(x) = 5.4 con un polinomio de interpolacin de diferencias
finitas de tercer grado. Para obtener la respuesta debe resolver una ecuacin cbica. Use el
mtodo de Newton y obtenga el resultado con cuatro decimales exactos. Previamente
encuentre un intervalo de convergencia.
10. La suma de los cuadrados de los primeros k nmeros pares:
s(k) = 22 + 42 + 62 + . . . . + (2k)2
Se puede expresar exactamente mediante un polinomio de interpolacin.
a) Encuentre el polinomio de interpolacin con el polinomio de diferencias finitas
b) Calcule s(100) usando el polinomio.
11. Se registraron los siguientes datos de la cantidad de producto obtenido
experimentalmente en parcelas de cultivo en las que se suministraron tres cantidades
diferentes de fertilizante tipo 1 y cuatro cantidades diferentes de fertilizante tipo 2:
Fertilizante 2
Fert. 1
1.2
1.4
1.6
1.8
1.0
7.2
7.8
7.5
7.3
1.5
8.2
8.6
9.2
9.0
2.0
9.5
9.6
9.3
8.6
Use todos los datos dados para determinar mediante una interpolacin polinomial con el
mtodo de Lagrange, la cantidad de producto que se obtendra si se usaran 1.2 de
fertilizante 1 y 1.5 de fertilizante 2.

198
12. Una empresa que vende cierto producto ha observado que su demanda depende del
precio al que lo vende (P en $/unidad) y tambin del precio al que la competencia vende un
producto de similares caractersticas (Q en $/unidad). Recopilando informacin histrica
respecto a lo que ha sucedido en el pasado se observ que la demanda diaria (unidades
vendidas por da) de este producto fueron de:
P

1
1.1
1.2
1.3

1.1

1.2

100
110
120
130

91
100
109
118

83
92
100
108

Use todos los datos dados y el polinomio de interpolacin de Lagrange para estimar los
ingresos mensuales de la empresa por la venta de este producto si decide venderlo a $1.15
por unidad y conoce que la competencia estableci un precio de $1.25 por unidad.
13. Se han registrado los siguientes datos del crecimiento demogrfico V de los individuos
en una regin en donde x es tiempo en meses
x = [5, 10, 15, 20]
V = [12, 25, 80, 200]
Observando el crecimiento rpido de los valores de V se ha propuesto el siguiente modelo
exponencial: V = c (d)x
a) Encuentre las constantes c, d del modelo propuesto con el siguiente procedimiento:
Grafique los puntos (x, ln(V)) y observe que estos puntos tienen una tendencia lineal, por
lo tanto se puede usar el mtodo de mnimos cuadrados para obtener la recta Y = a + bx
con los puntos (x, y), siendo y = ln(V).
Para determinar c, d tome logaritmo natural a la ecuacin V = c (d)x. Se obtendr la
ecuacin de una recta. Compare esta recta con la recta de mnimos cuadrados que
obtuvo anteriormente y deduzca finalmente el valor para las constantes c, d del modelo
propuesto.
b) Con el modelo propuesto, pronostique cuantos individuos habrn en el mes 25
c) Con el modelo propuesto, determine en que mes habrn 150 individuos

199
6.10 El trazador cbico
El polinomio de interpolacin es til si se usan pocos datos y estos tienen un
comportamiento tipo polinomial. En este caso un polinomio de grado bajo es una
representacin adecuada para los datos. Si no se cumplen estas condiciones, el polinomio
puede tomar una forma distorsionada y en algunos casos puede ser inaceptable como un
modelo para representar a los datos, como se muestra en el siguiente ejemplo:
Ejemplo. Se tienen cinco observaciones y se desea construir con estos datos un modelo
cuyo perfil tenga una forma tipo campana aproximadamente: (2, 4), (4,6), (5,8), (6,7), (8,4)
Con el mtodo de Lagrange obtenemos el polinomio de interpolacin
p(x) = 19/144 x4 389/144 x3 + 1375/72 x2 484/9 x + 164/3
El grfico se muestra a continuacin

2
2

5
t

Se observa que en los intervalos izquierdo y derecho la forma del polinomio no es apropiada
para expresar la tendencia de los datos.
Una opcin pudiera ser colocar polinomios de interpolacin de menor grado en tramos. Por
ejemplo un polinomio de segundo grado con los puntos (2, 4), (4, 6), (5, 8), y otro polinomio
de segundo grado con los puntos (5, 8), (6, 7), (8, 4). Sin embargo, en el punto intermedio
(5, 8) en el que se unen ambos polinomios se perdera la continuidad de la pendiente.
Una mejor opcin consiste en usar el trazador cbico. Este dispositivo matemtico
equivale a la regla flexible que usan algunos dibujantes y que permite acomodarla para
seguir de una manera suave la trayectoria de los puntos sobre un plano.

200
6.10.1 El trazador cbico natural
Dados los puntos (xi, yi), i = 1, 2, ..., n, el trazador cbico natural es un conjunto de n-1
polinomios de grado tres colocados en los intervalos de cada par de puntos consecutivos,
de tal manera que haya continuidad hasta la segunda derivada con los polinomios en los
intervalos adyacentes.
Definicin:

Trazador cbico natural T(x)

a1(x - x 1)3 + b1(x - x1 )2 + c1(x - x1 ) + d1,

x1 x x 2

3
2
x2 x x3
a (x - x 2 ) + b2 (x - x 2 ) + c2 (x - x 2 ) + d2 ,
T(x) = 2
...

3
2
1 (x - x n 1) + bn 1 (x - xn 1 ) + cn 1 (x - xn 1 ) + dn 1 , xn-1 x xn
an-------

Formulacin del trazador cbico natural

Polinomio para cada intervalo:
p(x) = ai (x xi )3 + bi (x xi )2 + ci (x xi ) + di
xi x xi+1, =i 1,2,...,n 1

(0)

Para cada uno de estos polinomios deben determinarse los coeficientes

ai, bi, ci, di, i = 1, 2, ..., n-1
Los puntos no necesariamente estn espaciados en forma regular por lo que conviene
asignar un nombre a cada una de las distancias entre puntos consecutivos:
hi = xi+1 xi , i = 1, 2, ..., n-1

201
El siguiente desarrollo basado en las condiciones requeridas para permite obtener los
coeficientes del polinomio.
Sea el polinomio en cualquier intervalo i:
y = p(x) = ai(x xi)3 + bi(x xi)2 + ci(x xi) + di

i=1, 2, ..., n-1

Este polinomio debe incluir a los extremos de cada intervalo i:

x=xi: yi = ai(xI xi)3 + bi(xI xi)2 + ci(xI xi) + di = di di = yi
x=xi+1: yi+1 = ai(xI+1 xi)3 + bi(xI+1 xi)2 + ci(xI+1 xi) + di
= ai hi3 + bi hi2 + ci hi + di

(1)
(2)

Las dos primeras derivadas de y = p(x):

y = 3ai(x xi)2 + 2bi(x xi) + ci
y = 6ai(x xi) + 2bi

(3)
(4)

Por simplicidad se usa la siguiente notacin para la segunda derivada

S = y = 6ai(x xi) + 2bi
Evaluamos la segunda derivada en los extremos del intervalo i:
S
= 2bi bi = i
x=xi: yi = Si = 6ai(xi xi) + 2bi
2
x=xi+1: yi+1 = Si+1 = 6ai(xi+1 xi) + 2bi
= 6ai hi + 2bi
De donde se obtiene ai =

Si + 1 Si
6hi

(5)

(6)

Sustituimos (1), (5), y (6) en (2)

yi+1 =

Si + 1 Si 3 Si 2
hi +
hi + ci hi + yi
2
6hi

De donde se obtiene:
ci =

yi + 1 yi 2hi Si + hi Si + 1

hi
6

(7)

Con lo que los coeficientes de p(x) quedan expresados mediante los datos dados y los
valores de las segundas derivadas S

202
Coeficientes del trazador cbico

ai =

Si + 1 Si
6hi

Si
2
y yi 2hi Si + hi Si + 1
ci = i + 1

hi
6

bi =

di = yi

(8)

i = 1, 2, ..., n-1

En el punto intermedio entre dos intervalos adyacentes, la pendiente de los polinomios debe
ser igual:

Pendiente en el intervalo [xi, xi+1], de (3):

y = 3ai(x xi)2 + 2bi(x xi) + ci
Evaluamos en el extremo izquierdo
x=xi:

yi = 3ai(xi xi)2 + 2bi(xi xi) + ci = ci

Pendiente en el intervalo [xi-1, xi], de (3):

y = 3ai-1(x xi-1)2 + 2bi-1(x xi-1) + ci-1
Evaluamos en el extremo derecho
x=xi:

yi = 3ai-1(xi xi-1)2 + 2bi-1(xi xi-1) + ci-1 = 3ai-1 hi-12 + 2bi-1 hi-1 + ci-1

En el punto xi ambas pendientes deben tener el mismo valor:

ci = 3ai-1 hi21 + 2bi-1 hi-1 + ci-1
Finalmente, se sustituyen las definiciones de ci, ai-1, bi-1, ci-1
S
yi + 1 yi 2hi Si + hi Si + 1
S Si 1 2
y yi 1 2hi 1Si 1 + hi 1Si
= 3( i
) hi 1 + 2( i 1 )hi-1 + i

2
6hi 1
hi
6
6hi
6

203
Despus de simplificar se obtiene:
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (

yi + 1 yi yi yi 1

) , i = 2, 3, ..., n-1
hi
hi 1

(9)

Esta ecuacin debe evaluarse con los datos, con lo que se obtiene un sistema de n 2
ecuaciones lineales con las n variables: S1, S2, ..., Sn
Para obtener dos datos adicionales se considera que en el trazador cbico natural los
puntos extremos inicial y final estn sueltos por lo que no tienen curvatura. Con esta
suposicin el valor de la segunda derivada tiene un valor nulo en los extremos, y se puede
escribir:

S1 = 0, Sn = 0

(10)

6.10.2 Algoritmo del trazador cbico natural

Dados los puntos: (xi, yi), i = 1, 2, ..., n
1. Reemplace los datos en la ecuacin (9) y con las definiciones dadas en (10) obtenga
un sistema tridiagonal de n-2 ecuaciones lineales con incgnitas S2, S3, ..., Sn-1
2. Resuelva el sistema y obtenga los valores de S2, S3, ..., Sn-1
3. Con las definiciones dadas en (8) obtenga los coeficientes para el trazador cbico.
4. Sustituya los coeficientes en la definicin dada en (0) y obtenga el polinomio del
trazador cbico en cada uno de los intervalos.

hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (

yi + 1 yi yi yi 1

) , i = 2, 3, ..., n-1
hi
hi 1

S1 = 0, Sn = 0

ai =

(9)
(10)

Si + 1 Si
6hi

Si
2
y yi 2hi Si + hi Si + 1
ci = i + 1

hi
6

bi =

di = yi

(8)

i = 1, 2, ..., n-1

y = p(x) = ai (x xi )3 + bi (x xi )2 + ci (x xi ) + di
x i x x i+ 1, =
i 1,2,...,n 1

(0)

204
Ejemplo. Dados los datos (2, 5), (4,6), (5,9), (8,5), (10,4) encuentre el trazador cbico
natural
Solucin
Anotamos los datos en la terminologa del trazador cbico. n = 5
i
1
2
3
4
5

xi
2
4
5
8
10

yi
5
6
9
5
4

hi = xi+1 - xi
2
1
3
2

S1 = 0, S5 = 0, de acuerdo a la definicin (10)

Al sustituir los datos en (9) se obtiene un sistema de ecuaciones lineales
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (
i = 2:

yi + 1 yi yi yi 1

) , i = 2, 3, 4
hi
hi 1

h1S1 + 2(h1 + h2)S2 + h2S3 = 6 (

y3 y2 y2 y1

)
h2
h1

96 65

)
6S2 + S3 = 15
1
2
y y3 y3 y2

)
h2S2 + 2(h2 + h3)S3 + h3S4 = 6 ( 4
h3
h2

2(0) + 2(2 + 1)S2 + 1S3 = 6 (

i = 3:

59 96

)
S2 + 8S3 + 3S4 = -26
3
1
y y 4 y 4 y3
h3S3 + 2(h3 + h4)S4 + h4S5 = 6 ( 5

)
h4
h3

1S2 + 2(1 + 3)S3 + 3S4 = 6 (

i = 4:

3S3 + 2(3 + 2)S4 + 2(0) = 6 (

6 1 0 S2
1 8 3 S =

3
0 3 10 S4

59 96

)
3
1

S3 + 10S4 = 5

15
26 Resolviendo este sistema resulta

S2
S =
3
S 4

3.2212
4.3269

1.7981

Sustituyendo estos valores en las definiciones (8) se obtienen los coeficientes:

ai
0.2684
-1.2580
0.3403
-0.1498

bi
0
1.6106
-2.1635
0.8990

ci
-0.5737
2.6474
2.0946
-1.6987

di
5
6
9
5

205
Los coeficientes corresponden a los cuatro polinomios segmentarios del trazador cbico
natural segn la definicin inicial en la ecuacin (0):
y = p(x) = ai(x xi)3 + bi(x xi)2 + ci(x xi) + di , i = 1, 2, 3, 4
i=1:
i=2:
i=3:
i=4:
6.10.3

y = p(x) = a1(x xi)3 + b1(x xi)2 + c1(x xi) + d1

= 0.2684(x 2)3 + 0(x 2)2 0.5737(x 2) + 5,
y = p(x) = -1.2580(x 4)3 + 1.6106(x 4)2 + 2.6474(x 4) + 6,
y = p(x) = 0.3403(x 5)3 2.1635(x 5)2 + 2.0946(x 5) + 9,
y = p(x) = -0.1498(x 8)3 + 0.8990(x 8)2 1.6987(x 8) + 6,

2x4
4x5
5x8
8 x 10

Instrumentacin computacional del trazador cbico natural

La formulacin del trazador cbico natural se ha instrumentado en Python mediante una

funcin denominada trazador. La versin instrumentada entrega los polinomios
segmentarios almacenados en los componentes de un vector de celdas. Opcionalmente se
puede enviar un parmetro adicional conteniendo un valor o un vector.
Uso de la funcin trazador_natural
Entra: x, y:
z:
Sale:

Puntos (deben haber al menos 3)

Parmetro adicional para evaluar el trazador (puede ser un vector)

Polinomios segmentarios del trazador natural o resultados de la evaluacin

Debido a que el sistema resultante es de tipo tridiagonal, se usa el mtodo especfico

deducido anteriormente por ser muy eficiente para resolver estos sistemas.
from tridiagonal import tridiagonal
from sympy import*
def trazador_natural(x,y,z=[]):
n=len(x)
h=[0];s=[0];a=[0];b=[0];c=[0];d=[0];A=[0];B=[0];C=[0];D=[0];p=[0]
for i in range(n-2):
h=h+[0];a=a+[0];b=b+[0];c=c+[0];d=d+[0];p=p+[0]
for i in range(n-1):
s=s+[0]
for i in range(n-3):
A=A+[0];B=B+[0];C=B+[0];D=D+[0]
if n<3:
p=[]
return
for i in range(n-1):
h[i]=x[i+1]-x[i]
s[0]=0
s[n-1]=0

206
B[0]=2*(h[0]+h[1])
C[0]=h[1]
D[0]=6*((y[2]-y[1])/h[1]-(y[1]-y[0])/h[0])-h[0]*s[0]
for i in range(1,n-3):
A[i]=h[i]
B[i]=2*(h[i]+h[i+1])
C[i]=h[i+1]
D[i]=6*((y[i+2]-y[i+1])/h[i+1]-(y[i+1]-y[i])/h[i])
A[n-3]=h[n-3]
B[n-3]=2*(h[n-3]+h[n-2])
D[n-3]=6*((y[n-1]-y[n-2])/h[n-2]-(y[n-2]-y[n-3])/h[n-3])-h[n-2]*s[n-1]
u=tridiagonal(A,B,C,D)
for i in range(1,n-1):
s[i]=u[i-1]
for i in range(0,n-1):
a[i]=(s[i+1]-s[i])/(6*h[i])
b[i]=s[i]/2
c[i]=(y[i+1]-y[i])/h[i]-(2*h[i]*s[i]+h[i]*s[i+1])/6
d[i]=y[i]
try:
if len(z)==0:
#Detecta si es un vector
pass
except TypeError:
z=[z]
#Vector con un nmero
if len(z)==0:
#Construir el trazador
t=Symbol('t')
for i in range(n-1):
p[i]=expand(a[i]*(t-x[i])**3+b[i]*(t-x[i])**2+c[i]*(t-x[i])+d[i])
return p
else:
#Evaluar el trazador
m=len(z)
q=list(range(m))
for k in range(m):
t=z[k]
for i in range(n-1):
if t>=x[i] and t<=x[i+1]:
q[k]=a[i]*(t-x[i])**3+b[i]*(t-x[i])**2+c[i]*(t-x[i])+d[i]
if m>2:
k=m-1
i=n-2
q[k]=a[i]*(t-x[i])**3+b[i]*(t-x[i])**2+c[i]*(t-x[i])+d[i]
if len(q)==1:
return q[0]
#Retorna un valor
else:
return q
#Retorna un vector

207
Ejemplo. Encuentre el trazador cbico natural usando la funcin anterior para los siguientes
puntos: (2, 4), (4, 6), (5, 8), (6, 7), (8, 4)
>>> from trazador_natural import*
>>> x = [2,4,5,6,8]
>>> y = [4,6,8,7,4]
>>> pt=trazador_natural(x,y)
>>> print(pt[0])
0.1534*t**3 - 0.9204*t**2 + 2.2272*t + 2.0
>>> print(pt[1])
-1.1477*t**3 + 14.6931*t**2 - 60.2272*t + 85.2727
>>> print(pt[2])
0.8977*t**3 - 15.9886*t**2 + 93.1818*t - 170.4090
>>> print(pt[3])
-0.0284*t**3 + 0.6818*t**2 - 6.8409*t + 29.6363
Se puede evaluar el trazador en puntos especficos. Ejemplo. Evaluar con x = 3:
>>> r=trazador_natural(x,y,3)
>>> print(r)
4.5397
En los resultados, por simplicidad se muestran nicamente los cuatro primeros decimales.
Para observar el perfil del trazador, se pueden usar puntos del trazador. Se deben obtener
ms puntos y conectarlos con segmentos de recta con la funcin plot de la librera Pylab.
Ejemplo. Dibujar el perfil del trazador cbico natural sobre los puntos dados y el polinomio
de interpolacin
>>> from trazador_natural import*
>>> from lagrange import*
>>> from pylab import*
>>> x=[2,4,5,6,8]
>>> y=[4,6,8,7,4]
>>> u=arange(2,8.1,0.1)
>>> v=trazador_natural(x,y,u)
>>> p=lagrange(x,y)
>>> p
19*t**4/144 - 389*t**3/144 + 1375*t**2/72 - 484*t/9 + 164/3
>>> def f(t): return 19*t**4/144-389*t**3/144+1375*t**2/72-484*t/9+164/3
>>> plot(x,y,'o')
>>> plot(u,v,'-r')
>>> plot(u,f(u),'-b')
>>> grid(True)
>>> show()

208

Puede observarse la mejora en el modelo para representar a los datos dados.

6.10.4

El trazador cbico sujeto

Puede ser de inters asignar alguna pendiente especfica a los extremos inicial y final del
trazador cbico. Esta versin se denomina trazador cbico sujeto o fijo. Por lo tanto, ya no
se aplica la definicin del trazador cbico natural en el que se supone que los extremos
estn sueltos o libres con pendiente constante, y sus segundas derivadas tienen un valor
nulo.
Formulacin del trazador cbico sujeto
Dados los puntos (xi, yi), i = 1, 2, ..., n.
Adicionalmente se especifica como datos, la inclinacin del trazador en los extremos:
y(x1) = u
y(xn) = v
Utilizamos la expresin (3) del anlisis anterior:
y = 3ai(x xi)2 + 2bi(x xi) + ci
Sustituimos los datos dados para los polinomios en el primero y ltimo intervalo:
En el primer intervalo:
x = x1: y(x1) = u = 3a1(x1 x1)2 + 2b1(x1 x1) + c1 = c1

209
Se sustituye la definicin de c1
u=

y2 y1 2h1S1 + h1S2

h1
6

De donde se obtiene:
y y1
1
1
h1S1 h1S2 =
u 2
3
6
h1

(11)

En el ltimo intervalo:
x = xn: y(xn) = v = 3an-1(xn xn-1)2 + 2bn-1(xn xn-1) + cn-1
= 3an-1 hn2 1 + 2bn-1 hn-1 + cn-1
Se sustituyen las definiciones de los coeficientes:
=
v 3(

Sn Sn 1 2
S
y yn 1 2hn 1Sn 1 + hn 1Sn
)hn 1 + 2( n 1 )hn 1 + n

6hn 1
2
hn 1
6

De donde se tiene
v (
=

Sn Sn 1
y yn 1 2hn 1Sn 1 + hn 1Sn
)hn 1 + Sn 1hn 1 + n

2
hn 1
6

Finalmente:
y yn 1
1
1
hn 1Sn 1 + hn 1Sn =
v n
6
3
hn 1

(12)

Las ecuaciones (11) y (12) junto con las ecuaciones que se obtienen de (9) conforman un
sistema tridiagonal de n ecuaciones lineales con las n variables S1, S2, ..., Sn
El resto del procedimiento es similar al que corresponde al trazador cbico natural.

210
6.10.5 Algoritmo del trazador cbico sujeto
Dados los puntos: (xi, yi), i = 1, 2, ..., n
1. Con las ecuaciones (9), (11) y (12) obtenga un sistema de n ecuaciones lineales con
las incgnitas S1, S2, ..., Sn, (Sistema tridiagonal de ecuaciones lineales)
2. Resuelva el sistema y obtenga los valores de S1, S2, ..., Sn
3. Con las definiciones dadas en (8) obtenga los coeficientes para el trazador cbico.
4. Sustituya los coeficientes en la definicin dada en (0) y obtenga el polinomio del
trazador cbico en cada uno de los intervalos.

1
1
y y1
h1S1 h1S2 = u 2
3
6
h1

hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (

(11)
yi + 1 yi yi yi 1

) , i = 2, 3, ..., n-1
hi
hi 1

1
1
y yn 1
hn 1Sn 1 + hn 1Sn = v n
6
3
hn 1

ai =

(9)
(12)

Si + 1 Si
6hi

Si
2
yi + 1 yi 2hi Si + hi Si + 1
ci =

hi
6

bi =

di = yi

(8)

i = 1, 2, ..., n-1

y = p(x) = ai (x xi )3 + bi (x xi )2 + ci (x xi ) + di
x i x x i+ 1, =
i 1,2,...,n 1

(0)

211
6.10.6

Instrumentacin computacional del trazador cbico sujeto

La formulacin del trazador cbico natural se ha instrumentado en Python mediante una

funcin denominada trazadorsujeto. La versin instrumentada entrega los polinomios
segmentarios almacenados en los componentes de un vector de celdas. Opcionalmente se
puede enviar un parmetro adicional conteniendo un valor o un vector para evaluar el
trazador cbico.
Debido a que el sistema resultante es de tipo tridiagonal, se usa un mtodo especfico muy
eficiente para resolver estos sistemas. Deben haber por lo menos 3 puntos datos.

from tridiagonal import tridiagonal

from sympy import*
def trazador_sujeto(x,y,u,v,z=[]):
n=len(x)
h=[0];s=[0];a=[0];b=[0];c=[0];d=[0];A=[0];B=[0];C=[0];D=[0];p=[0]
for i in range(n-2):
h=h+[0];a=a+[0];b=b+[0];c=c+[0];d=d+[0];p=p+[0]
for i in range(n-1):
s=s+[0]
for i in range(n-1):
A=A+[0];B=B+[0];C=B+[0];D=D+[0]
if n<3:
p=[]
return
for i in range(n-1):
h[i]=x[i+1]-x[i]
B[0]=-2*h[0]/6
C[0]=-h[0]/6
D[0]=u-(y[1]-y[0])/h[0]
for i in range(1,n-1):
A[i]=h[i-1]
B[i]=2*(h[i-1]+h[i])
C[i]=h[i]
D[i]=6*((y[i+1]-y[i])/h[i]-(y[i]-y[i-1])/h[i-1])
A[n-1]=h[n-2]/6
B[n-1]=h[n-2]/3
D[n-1]=v-(y[n-1]-y[n-2])/h[n-2]
s=tridiagonal(A,B,C,D)
for i in range(0,n-1):
a[i]=(s[i+1]-s[i])/(6*h[i])
b[i]=s[i]/2
c[i]=(y[i+1]-y[i])/h[i]-(2*h[i]*s[i]+h[i]*s[i+1])/6
d[i]=y[i]

212
try:
if len(z)==0:
pass
except TypeError:
z=[z]
if len(z)==0:
t=Symbol('t')
for i in range(n-1):
p[i]=expand(a[i]*(t-x[i])**3+b[i]*(t-x[i])**2+c[i]*(t-x[i])+d[i])
return p
else:
m=len(z)
q=list(range(m))
for k in range(m):
t=z[k]
for i in range(n-1):
if t>=x[i] and t<=x[i+1]:
q[k]=a[i]*(t-x[i])**3+b[i]*(t-x[i])**2+c[i]*(t-x[i])+d[i]
if m>2:
k=m-1
i=n-2
q[k]=a[i]*(t-x[i])**3+b[i]*(t-x[i])**2+c[i]*(t-x[i])+d[i]
if len(q)==1:
return q[0]
else:
return q
Ejemplo. Corregir el perfil del trazador cbico del ejemplo anterior para que la curva
comience y termine con pendiente nula. De esta manera se acercar ms al perfil de una
distribucin tipo campana, lo cual fue el objetivo inicial. Usar los mismos datos:
(2, 4), (4, 6), (5, 8), (6, 7), (8, 4)
>>> from trazador_sujeto import*
>>> x = [2,4,5,6,8]
>>> y = [4,6,8,7,4]
>>> pt=trazador_sujeto(x,y,0,0)
>>> print(pt[0])
0.0687*t**3 - 0.0500*t**2 - 0.6249*t + 4.9
>>> print(pt[1])
-1.05*t**3 + 13.375*t**2 - 54.325*t + 76.5
>>> print(pt[2])
0.7*t**3 - 12.875*t**2 + 76.925*t - 142.25
>>> print(pt[3])
0.25625*t**3 - 4.8875*t**2 + 29.0*t - 46.4

213
Se puede evaluar el trazador en puntos especficos. Ejemplo. Evaluar con x = 3:
>>> r=trazador_sujeto(x,y,0,0,3)
>>> print(r)
4.43125
Igual que en el trazador cbico natural, para observar el perfil del trazador sujeto, es mejor
generar ms puntos y conectarlos con segmentos de recta usando la funcin plot de Pylab
Ejemplo. Dibujar el perfil del trazador cbico sujeto sobre los puntos dados y el polinomio de
interpolacin.
>>> from trazador_sujeto import*
>>> from lagrange import*
>>> from pylab import*
>>> x=[2,4,5,6,8]
>>> y=[4,6,8,7,4]
>>> u=arange(2,8.1,0.1)
>>> v=trazador_sujeto(x,y,0,0,u)
>>> p=lagrange(x,y)
>>> p
19*t**4/144 - 389*t**3/144 + 1375*t**2/72 - 484*t/9 + 164/3
>>> def f(t): return 19*t**4/144-389*t**3/144+1375*t**2/72-484*t/9+164/3
>>> plot(x,y,'o')
>>> plot(u,v,'-r')
>>> plot(u,f(u),'-b')
>>> grid(True)
>>> show()

El perfil del trazador cbico sujeto generalmente suaviza los bordes y proporciona un
modelo que se acopla mejor en los extremos.

214
6.10.7 Ejercicios con el trazador cbico
1. Con los siguientes datos (x, y):
(1.2, 4.6), (1.5, 5.3), (2.4, 6.0), (3.0, 4.8), (3.8, 3.1)
a) Encuentre el trazador cbico natural
b) Encuentre el valor interpolado para x=2.25
2. Con los siguientes datos (x, y):
y(1.2) = 1, (1.5, 5.3), (2.4, 6.0), (3.0, 4.8),
a)
b)

y(3.8) = -1

Encuentre el trazador cbico sujeto

Encuentre el valor interpolado para x=2.25

Use las funciones instrumentadas en Python para comprobar sus resultados

3. Dados los siguientes datos obtenidos mediante observacin:
(2, 3), (4, 5), (5, 8), (7, 3), (8, 1), (9, 1)
a) Obtenga y grafique un polinomio de interpolacin incluyendo todos los datos. Use la
funcin Lagrange instrumentada en este curso.
b) Obtenga y grafique el trazador cbico natural con los mismos datos, usando la funcin
trazador desarrollada en este curso. Observe y evale los resultados obtenidos.

215
7

INTEGRACIN NUMRICA

Introducimos este captulo mediante un problema de inters prctico en el que el modelo

matemtico resultante es la evaluacin de un integral. El objetivo es evaluar numricamente
un integral y estimar la precisin del resultado.
Problema.
La siguiente funcin es bsica en estudios estadsticos y se
denomina funcin de densidad de la distribucin Normal
Estndar: Esta funcin permite calcular la probabilidad que la
variable Z pueda tomar algn valor en un intervalo [a, b] segn
la siguiente definicin:

f(z) =

1
2

1
z2
2

P(a Z b) = f(z)dz
a

Debido a que esta funcin no es integrable analticamente, es necesario utilizar mtodos

numricos para estimar el valor de P.
Sea f una funcin integrable y acotada definida en un intervalo [a, b] con a<bR.
Es de inters calcular el valor de A:
b

A =

f(x)dx
a

En general hay dos situaciones en las que son tiles los mtodos numricos:
1) El integral existe pero es muy difcil o no se puede evaluar analticamente.
2) nicamente se conocen puntos de f(x) pero se requiere calcular en forma
aproximada el integral debajo de la curva que incluye a los puntos dados
En ambos casos se trata de sustituir f(x) por alguna funcin ms simple, siendo importante
adems estimar la precisin del resultado obtenido.

216
7.1

Frmulas de Newton-Cotes

El enfoque bsico para obtener frmulas de integracin numrica consiste en aproximar la

funcin a ser integrada por el polinomio de interpolacin. Las frmulas as obtenidas se
denominan de Newton-Cotes.
Si los puntos estn espaciados regularmente, se puede usar el conocido polinomio de
diferencias finitas o de Newton y para estimar el error se incluye el trmino del error del
polinomio de interpolacin:
x x0
f(x) = pn(s) + En(s), s =
h
1
1
1
pn(s) = f0 + f0s + 2f0 s(s-1) + 3f0 s(s-1)(s-2) ++ nf0s(s-1)(s-2)...(s-n+1)
3!
n!
2!
s n+1 (n+1)
En(s) =
(z), x0<x<xn
h f
n + 1
El uso de polinomios de diferente grado para aproximar a f genera diferentes frmulas de
integracin numrica
7.1.1

Frmula de los trapecios

Esta frmula usa como aproximacin para f un polinomio de primer grado:

f(x) p1(s) = f0 + f0 s
En general, la aproximacin mediante una sola recta en el intervalo [a, b] tendra poca
precisin por lo que conviene dividir el intervalo [a, b] en m sub-intervalos y colocar en cada
uno, una recta cuyos extremos coinciden con f(x).
La figura geomtrica en cada intervalo es un trapecio. Sea Ai el rea del trapecio i y sea Ti
el error de truncamiento respectivo, es decir la diferencia entre el rea debajo de f(x) y el
rea de cada trapecio i, i = 1, 2, 3, , m. El rea se puede aproximar con:
b

A = f(x)dx A1 + A2 + A3 + . . .+ Am =
a

A
i=1

Mientras que el error de truncamiento total ser:

T = T 1 + T2 + T3 + . . . + T m
Si no hay discontinuidades en el intervalo [a, b] , es claro que
m T 0

A
i=1

217
Por simplicidad se usarn puntos regularmente espaciados a una distancia h
b

A=

x1

x2

xm

x0

x1

x m 1

f(x)dx p 1(s)dx +

p1(s)dx + . +

p1(s)dx

A = A1 + A2 + . . . + Am
m: cantidad de franjas espaciadas regularmente en h, siendo h =

ba
m

Aproximacin del integral con el rea de trapecios

Para obtener la frmula es suficiente encontrar el valor del rea de un trapecio y luego
extender este resultado a las dems, como se indica a continuacin.
rea del primer trapecio:
A1 =

x1

x1

x0

x0

p1(s)dx =

(f0 + f0 s)dx

Mediante las sustituciones:

s = (x x0)/h
x = x0 S = 0
x = x1 S = 1
dx = h ds
1

A1 =

(f0 + f0 s)hds = h
0

A1 =

f0s +

1
f0s2
2

= h [f0 +
0

1
(f1 f0)]
2

h
[f0 + f1], es la conocida frmula de la geometra para el rea de un trapecio
2

El resultado anterior se extiende directamente a los restantes intervalos:

h
h
h
[f0 + f1] +
[f1 + f2] + .. +
[fm-1 + fm]
A A1 + A2 + . + Am =
2
2
2
h
A
[f0 + 2f1 + 2f2 + .. + 2fm-1 + fm]
2

218
Definicin: Frmula de los trapecios
A

m-1
h
h
[f0 + 2f1 + 2f2 + .. + 2fm-1 + fm] = [f0 + 2 fi + fm],
2
2
i=1

m es la cantidad de trapecios.

Ejemplo. La siguiente funcin no es integrable analticamente. f(x) =

x sen(x) , 0x2

Use la frmula de los trapecios con m = 4, para obtener una respuesta aproximada del
integral
Solucin

A=

0 f(x)dx = 0

xsen(x)dx

h
ba 20
[f0 + 2f1 + 2f2 + 2f3 + f4],=
h = = 0.5
2
m
4
0.5
[f(0) + 2f(0.5) + 2f(1) + 2f(1.5) + f(2)] = 1.5225
=
2

Sin embargo, es necesario poder contestar una pregunta fundamental: Cul es la precisin
del resultado calculado?
7.1.2

Error de truncamiento en la frmula de los trapecios

Es necesario estimar el error en el resultado obtenido con los mtodos numricos

Error al aproximar f(x) mediante p1(x) en el primer sub-intervalo:
s
E1(s) = h2f(2)(z1), x0<z1<x1
2
Clculo del rea correspondiente al error en el uso del polinomio para aproximar a f
x1

T1 =

E1(s)dx =

x0

x1

s 2 (2)
2 h f (z1)dx =
x0

Usando las sustituciones anteriores:

s = (x x0)/h
x = x0 S = 0
x = x1 S = 1
dx = h ds
T1 =

h3
2

s(s 1)f ''(z1)ds ,

0

x1

2 s(s 1)h f

x0

2 (2)

(z1 )dx

219
Con el teorema del valor medio para integrales, puesto que s(s-1) no cambia de signo en el
intervalo [0,1], se puede sacar del integral la funcin f evaluada en algn punto z1,
desconocido, en el mismo intervalo.
1
h3
f(z1) s(s 1)ds , x0<z1<x1
2
0

T1 =

Luego de integrar se obtiene

T1 = -

h3
f(z1), x0<z1<x1
12

Este resultado se extiende a los m sub-intervalos en la integracin

T = T1 + T 2 + + Tm
T=-

h3
h3
h3
f(z1) f(z2) - . f(zm)
12
12
12

T=-

h3
[ f(z1) + f(z2) + . + f(zm)]
12

h3
mf(z), siendo z algn valor en el intervalo (a, b)
12
ba
, la frmula se puede expresar de la siguiente forma
Mediante la sustitucin h =
m

T=-

Definicin. Frmula del error de truncamiento en la frmula de los trapecios

T=

h2
(b a) f(z), a z b
12

Esta frmula se utiliza para acotar el error de truncamiento.

Siendo z desconocido, para acotar el error se puede usar un criterio conservador tomando el
mayor valor de |f(z)|, azb. Este criterio no proporciona una medida muy precisa para el
error y su aplicacin puede ser un problema ms complicado que la misma integracin, por
lo cual se puede intentar usar como criterio para estimar el error, la definicin de
convergencia indicada al inicio de esta seccin, siempre que f sea una funcin integrable y
acotada:
m

A
i=1

Sean Am =

Ai , Am' =
i=1

A
m'

A
i=1

dos aproximaciones sucesivas con m' > m trapecios

Entonces, se puede estimar el error de truncamiento absoluto del resultado con:

T |Am - Am'|
Mientras que el error de truncamiento relativo se puede estimar con:
t

| Am Am' |
| Am' |

220
Hay que tener la precaucin de no usar valores muy grandes para m por el efecto del error
de redondeo acumulado en las operaciones aritmticas y que pudiera reducir la precisin en
el resultado.
En caso de conocer nicamente puntos de f, al no disponer de ms informacin para
estimar el error de truncamiento, un criterio simple puede ser tomar el mayor valor de las
segundas diferencias finitas como una aproximacin para la segunda derivada en la frmula
del error, siempre que no cambien significativamente:

T=-

h2
(b a) f(z), a z b
12

2 fi
h2
(b-a)
| max(| 2 fi |)
T |12

f(z)

Esta frmula tambin pudiera usarse para estimar el error de truncamiento en el caso de
que f(x) se conozca explcitamente y m haya sido especificado. Habra que tabular las
diferencias finitas para los puntos usados en la integracin numrica y estimar el error con la
frmula anterior.
Ejemplo. Estime cuantos trapecios deben usarse para integrar f(x) = sen(x) en el intervalo
[0,2] de tal manera que la respuesta tenga el error absoluto menor a 0.0001
Solucin
Se requiere que error de truncamiento cumpla la condicin:
| T | < 0.0001
h2
(b a) f(z) | < 0.0001
12
Siendo el valor de z desconocido se debe usar el mximo valor de f(z) = -sen(z), 0<z<2

max | f(z) | = 1
|
De donde

Entonces

h2
(2 0) (1)| < 0.0001
12

h2 < 0.0006
h < 0.0245
ba
< 0.0245
m
m > (2 0)/0.0245
m > 81.63 m = 82 trapecios

221
Ejemplo. Estime cuantos trapecios deben usarse para integrar f(x) =

x sen(x)

en el intervalo [0,2] de tal manera que la respuesta tenga el error absoluto menor a 0.0001
Solucin
Se requiere que error de truncamiento cumpla la condicin:
| T | < 0.0001
h2
(b a) f(z) | < 0.0001
12
Siendo el valor de z desconocido se debe usar el mximo valor de

f=
''(z)

cos(z)
sen(z)
zsen(z)
,
z
4 z3

0<z<2

Problema demasiado complicado pues se requerira derivar para estimar el mayor valor de
la derivada y acotar el error.
En esta situacin, se puede estimar el error comparando resultados con valores sucesivos
de m hasta que la diferencia sea suficientemente pequea. Para los clculos conviene
instrumentar una funcin en Python.
En este ejemplo no se pueden tabular las diferencias finitas para estimar f''(x) con 2f(x)
pues m no est especificado
Ejemplo. Estime el error de truncamiento en la integracin de f(x) = x sen(x) , 0x2 con
la frmula de los trapecios con m = 4
Solucin
En este caso, se tabulan los cinco puntos de f(x) para estimar el error, aproximando la
derivada con la diferencia finita respectiva:
X
0.0
0.5
1.0
1.5
2.0
T |-

f
0.0000
0.3390
0.8415
1.2217
1.2859

f
0.3390
0.5025
0.3802
0.0643

2f
0.1635
-0.1223
-0.3159

(b-a)
(2-0)
| max(| 2 fi |) =
(0.3159) = 0.0527
12
12

222
Ejemplo. Dados puntos de una funcin f: (0.1, 1.8), (0.2, 2.6), (0.3, 3.0), (0.4, 2.8), (0.5, 1.9)
Calcule el rea A debajo de f aproximada mediante cuatro trapecios y estime el error en el
resultado obtenido.
Solucin
0.1
[1.8 + 2(2.6) + 2(3.0) + 2(2.8) + 1.9] = 1.0250
2
Al no disponer de ms informacin, se usarn las diferencias finitas para estimar el error

A=

X
0.1
0.2
0.3
0.4
0.5
T |-

f
1.8
2.6
3.0
2.8
1.9

f
0.8
0.4
-0.2
-0.9

2f
-0.4
-0.6
-0.7

(0.5-0.1)
(b-a)
| max(| 2 fi |) =
(0.7) = 0.0233
12
12

Esto indicara que solamente podemos tener confianza en el primer decimal

7.1.3

Instrumentacin computacional de la frmula de los trapecios

Si se quiere integrar debajo de una funcin dada en forma explcita, conviene definir una
funcin de Python para evaluar el integral dejando como dato el nmero de trapecios m. Los
resultados calculados pueden usarse como criterio para estimar el error de truncamiento.
En la siguiente instrumentacin debe suministrarse la funcin f (definida en forma simblica
y en formato inline), el intervalo de integracin a, b y la cantidad de franjas o trapecios m
def trapecios(f,a,b,m):
h=(b-a)/m
s=0
for i in range(1,m):
s=s+f(a+i*h)
r=h/2*(f(a)+2*s+f(b))
return r

223
Ejemplo. Probar la funcin trapecios para integrar f(x)=sen(x), 0x2 con 5 trapecios
>>> from trapecios import*
>>> from math import*
>>> def f(x): return sin(x)
>>> r=trapecios(f,0,2,5)
>>> r
1.3972143342518983
Se puede probar con ms trapecios para mejorar la aproximacin
>>> r=trapecios(f,0,2,100)
>>> r
1.4160996313378889
>>> r=trapecios(f,0,2,200)
>>> r
1.4161350353038356
Los resultados tienden hacia el valor exacto a medida que se incrementa el nmero de
trapecios. Estos resultados pueden usarse como criterio para estimar la precisin.
Compare con el resultado calculado con la funcin integrate de la librera SymPy de Python
>>> from sympy import*
>>> x=Symbol('x')
>>> f=sin(x)
>>> r=integrate(f,(x,0,2))
>>> r
-cos(2) + 1
>>> r.evalf(6)
1.41615

Respuesta analtica simblica

Respuesta numrica con 6 dgitos

Ejemplo. La siguiente funcin no es integrable analticamente: S =

x s en(x)dx

Use la frmula de los trapecios computacionalmente para obtener la respuesta aproximada

y estimar el error.
>>> from trapecios import*
>>> from math import*
>>> def f(x):return sqrt(x)*sin(x)
>>> r=trapecios(f,0,2,20);print(r)
1.5323419014333037
>>> r=trapecios(f,0,2,40);print(r)
1.5325751387611677

224
>>> r=trapecios(f,0,2,60);print(r)
1.5326151217909427
>>> r=trapecios(f,0,2,80);print(r)
1.5326285905297556
>>> r=trapecios(f,0,2,100);print(r)
1.5326346742219736
>>> r=trapecios(f,0,2,120);print(r)
1.5326379217488284
El ltimo resultado tiene cinco decimales que no cambian y se pueden considerar correctos.
Compare con el valor calculado con la funcin integrate de la librera SymPy de Python
>>> from sympy import*
>>> x=Symbol('x')
>>> f=sqrt(x)*sin(x)
>>> r=integrate(f,(x,0,2))
>>> r
-5*sqrt(2)*cos(2)*gamma(5/4)/(4*gamma(9/4))+5*sqrt(2)*sqrt(pi)*
fresnelc(2/sqrt(pi))*gamma(5/4)/(8*gamma(9/4))
>>> r.evalf(6)
1.53264
La respuesta analtica en el mtodo de Python es aproximada mediante funciones
especiales que requieren desarrollos en series de potencias.

7.1.4

Frmula de Simpson

Esta frmula usa como aproximacin para f un polinomio de segundo grado, o parbola:
f(x) p2(s) = f0 + f0 s +

1 2
f0 s(s-1)
2

La integracin se realiza dividiendo el intervalo de integracin [a, b], en subintervalos,

incluyendo tres puntos en cada uno para colocar una parbola.
Por simplicidad se usarn puntos regularmente espaciados a una distancia h

A=

x2

x4

xm

x0

x2

x m 2

f(x)dx p2 (s)dx +

A A1 + A2 + . + Am/2

p2 (s)dx + . +

p 2 (s)dx

225
El rea de dos intervalos consecutivos es aproximada mediante el rea debajo de
parbolas. Los puntos son numerados desde cero: x0, x1, ..., xm, e donde m debe ser un
nmero par, as la cantidad de parbolas es m/2.

h=(b-a)/m

Para obtener la frmula se debe encontrar el valor del rea para una parbola:
x2

A1 =

p2 (s)dx =

x0

x2

[f0 + fs s + 2

f0 s(s 1)] dx

x0

Mediante las sustituciones:

s = (x x0)/h
x = x0 s = 0
x = x2 s = 2
dx = h ds
2

A1 =

(f0 + f0 s + 2

f0 s(s 1)hds

Luego de integrar, sustituir las diferencias finitas y simplificar se tiene

h
A1 = [f0 + 4 f1 + f2 ] es el rea debajo de la parbola en la primera franja
3
Por lo tanto, habiendo m/2 franjas, el rea total es la suma:
A = A1 + A2 + . + Am/2
Despus de sustituir y simplificar se obtiene la frmula de integracin
Definicin.

Frmula de Simpson (frmula de las parbolas)

h
[f0 + 4f1 + 2f2 + 4f3 +.. + 2fm-2 + 4fm-1 + fm]
3
m es un parmetro para la frmula (debe ser un nmero par)

A=

226
7.1.5

Error de truncamiento en la frmula de Simpson

Del anlisis del error se llega a

h4
(ba) f(4)(z), a<z<b
180
Esta frmula puede usarse para acotar el error de truncamiento. Bajo ciertas
consideraciones y si se fija m, se puede estimar la derivada con la diferencia finita
correspondiente:

T=

f(4)(z)

4 fi
,
h4

(b-a)
max| 4 fi |
180

Ejemplo. Dados puntos de una funcin f: (0.1, 1.8), (0.2, 2.6), (0.3, 3.0), (0.4, 2.8), (0.5, 1.9)
Calcule el rea debajo de f mediante una aproximacin con parbolas.
Solucin

La suma del rea debajo de las dos parbolas, con la frmula anterior:
h
A = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
0.1
(1.8 + 4(2.6) + 2(3.0) + 4(2.8) + 1.9) = 1.0433
A=
3
Este resultado es aproximadamente igual al rea debajo de f.
Estimar el error en el resultado obtenido
Al no disponer de ms informacin, se usarn las diferencias finitas para estimar el error
X
0.1
0.2
0.3
0.4
0.5

f
1.8
2.6
3.0
2.8
1.9

f
0.8
0.4
-0.2
-0.9

2f
-0.4
-0.6
-0.7

3f
-0.2
-0.1

4f
0.1

227
h4
(b a) f(4)(z), a<z<b
180
(b-a)
(0.5-0.1)
| max| 4 fi | =
(0.1) = 0.00022
T |180
180

T=

Esto indicara que podemos tener confianza en la respuesta hasta el tercer decimal.
Resultado mejor que el obtenido con la Regla de los Trapecios

Ejemplo. Si f es una funcin diferenciable en el intervalo [a,b], la longitud del arco de la

=
S
curva f(x) en ese intervalo se puede calcular con el integral

b
a

1 + [f '(x)]2 dx

Calcular la longitud del arco de la curva f(x)=sen(x), x[0, 2] usando 2 parbolas (m = 4) y

estime el error en el resultado:
Solucin

=
S
Longitud del arco:
=
s

g(x)dx
=

b
a

1 + [f '(x)]2 dx
1 + cos2 (x)dx

ba 20
= = 0.5
m
4
h
S = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
0.5
[g(0) + 4g(0.5) + 2g(1) + 4g(1.5) + g(2)]
S=
3
S = 2.3504

=
h

Estimacin del error

Dado que m est especificado, se usa una aproximacin de diferencias finitas para
aproximar la derivada en la frmula del error de truncamiento
T=
X
0.0
0.5
1.0
1.5
2.0

h4
(b a) f(4)(z), a<z<b
180
f
f
1.4142
-0.0837
1.3305
-0.1938
1.1366
-0.1341
1.0025
0.0806
1.0831

T|-

2f
-0.1101
0.0597
0.2148

3f
0.1698
0.1551

(b-a)
(2-0)
| max( 4 fi )=
(0.0148) = 0.00016
180
180

Es una cota aproximada para el error de truncamiento

4f
-0.0148

228
7.1.6

Instrumentacin computacional de la frmula de Simpson

La funcin recibir a la funcin f definida en forma simblica, el intervalo de integracin a, b

y la cantidad de franjas m

def simpson(f, a, b, m):

h=(b-a)/m
s=0
x=a
for i in range (1,m):
s=s+2*(i%2+1)*f(x+i*h)
s=h/3*(f(a)+s+f(b))
return s

#Coeficientes 4, 2, 4, 2, ...

Ejemplo. Integrar f(x)= 1+cos2 (x) 0x2, con la frmula de Simpson iterativamente hasta
que el error de truncamiento sea menor que 0.0001
>>> from math import*
>>> from simpson import*
>>> def f(x): return sqrt(1+cos(x)**2)
>>> r=simpson(f,0,2,4)
>>> r
2.3504136916156644
>>> r=simpson(f,0,2,8)
>>> r
2.351646207253357
>>> r=simpson(f,0,2,12)
>>> r
2.3516805638227076
>>> r=simpson(f,0,2,16)
>>> r
2.3516862293406477

Respuesta con la precisin requerida

229
7.1.7

Error de truncamiento vs. Error de redondeo

En las frmulas de integracin numrica el error de truncamiento depende de h

Frmula de los Trapecios:

T=

h2
(b a) f(z) = O(h2)
12

Frmula de Simpson:

T=

h4
(b a) f(4)(z) = O(h4)
180

ba
m
Para ambas frmulas, cuando h 0 T 0

Adems

h=

Est claro que la frmula de Simpson converge ms rpido, supuesto que h<1
Por otra parte, al evaluar cada operacin aritmtica se puede introducir un error de
redondeo Ri si no se conservan todos los dgitos decimales en los clculos numricos. La
suma de estos errores es el error de redondeo acumulado R. Mientras ms sumas se
realicen, mayor es la cantidad de trminos que acumulan error de redondeo.
R = R1 + R2 + R3 + . + Rm
Estos errores de redondeo pueden tener signos diferentes y anularse, pero tambin puede
ocurrir que tengan igual signo, por lo tanto el valor puede crecer
Siendo m =

ba
, cuando h 0 m R puede crecer
h

En conclusin, para prevenir el crecimiento de R, es preferible usar frmulas que no

requieran que m sea muy grande para obtener el resultado con una precisin requerida.
Este es el motivo para preferir la frmula de Simpson sobre la frmula de los Trapecios.

230
Ejemplo. Encontrar el rea entre f(x) = 4 + cos(x+1), y g(x)=ex sen(x), que incluya el rea
entre las intersecciones de f y g en el primer cuadrante. Use la Regla de Simpson, m=10.
Graficar las funciones para visualizar las intersecciones:
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

x=arange(0,3.5,0.1)
f=4+x*cos(x+1)
g=exp(x)*sin(x)
plot(x,f,'b')
plot(x,g,'r')
grid(True)
show()

Las intersecciones son las races de la ecuacin h(x) = g(x)-f(x) = 0

El clculo de las races se realiza con el mtodo de la Biseccin con E= 0.000001
>>> from biseccion import biseccion
>>> def h(x): return exp(x)*sin(x)-4-x*cos(x+1)
>>> a=biseccion(h,1,1.5,0.000001);print(a)
1.233719825744629
>>> b=biseccion(h,3,3.2,0.000001);print(b)
3.0406669616699213
Finalmente se integra:
>>> from simpson import*
>>> def f(x): return sqrt(1+cos(x)**2)
>>> r=simpson(h,a,b,10)
>>> r
6.539105419936795

231
7.2

Obtencin de frmulas de integracin numrica con el mtodo de

coeficientes indeterminados

En esta seccin se describe una tcnica para obtener frmulas de integracin numrica.
El procedimiento consiste en proponer una frmula conteniendo algunas incgnitas. Esta
frmula es aplicada a casos conocidos con el propsito de obtener ecuaciones, de las
cuales se determinan finalmente los valores para las incgnitas.
El ejemplo usa este mtodo para obtener una frmula de tres puntos espaciados en h:

Frmula propuesta
2h

A=

f(x)dx =

c0 f(0) + c1f(h) + c2 f(2h)

Deben determinarse los coeficientes c0, c1, c2. Para obtenerlos, se usarn tres casos con
polinomios de grado 0, 1 y 2 con los cuales queremos que se cumpla la frmula. Es
suficiente considerar la forma ms simple de cada caso:
1) f(x) = 1,
2h

A=

(1)dx =

2h = c0 f(0) + c1f(h) + c2 f(2h) = c0 (1) + c1(1) + c2 (1) c0 + c1 + c2 = 2h

2) f(x) = x,
2h

A=

xdx =

2h2 = c0 f(0) + c1f(h) + c2 f(2h) = c0 (0) + c1(h) + c2 (2h) c1 + 2c2 = 2h

3) f(x) = x ,
2h

A=

x
0

dx=

8 3
8
h = c0 f(0) + c1f(h) + c2 f(2h)= c0 (0) + c1(h2 ) + c2 (4h2 ) c1 + 4c2=
h
3
3

h
4h
h
=
, c1
=
, c2
3
3
3
Reemplazando en la frmula propuesta se llega a la conocida frmula de Simpson

=
c0
Resolviendo las tres ecuaciones resultantes se obtienen:

A=

h
(f(0) + 4f(h) + f(2h))
3

La obtencin de la frmula implica que es exacta si f es un polinomio de grado menor o igual

a dos. Para otra f, ser una aproximacin equivalente a sustituir f por un polinomio de grado
dos.

232
7.3

Cuadratura de Gauss

Las frmulas de Newton-Cotes estudiadas utilizan polinomios de interpolacin construidos

con puntos fijos equidistantes. Estas frmulas son exactas si la funcin es un polinomio de
grado menor o igual al polinomio de interpolacin respectivo.
Si se elimina la restriccin de que los puntos sean fijos y equidistantes, entonces las
frmulas de integracin contendrn incgnitas adicionales.
La cuadratura de Gauss propone una frmula general en la que los puntos incluidos no son
fijos como en las frmulas de Newton-Cotes:
b

=
A

=
f(x)dx

c0 f(t 0 ) + c1f(t1 ) + ... + cm f(t m )

Los puntos t0, t1, ..., tm, son desconocidos. Adicionalmente tambin deben determinarse los
coeficientes c0, c1, ..., cm
El caso simple es la frmula de dos puntos. Se usa el mtodo de los coeficientes
indeterminados para determinar las cuatro incgnitas
7.3.1

Frmula de la cuadratura de Gauss con dos puntos

Frmula propuesta
b

=
A

=
f(x)dx

c0 f(t 0 ) + c1f(t1 )

Por simplicidad se usar el intervalo [-1, 1] para integrar. Mediante una sustitucin ser
extendido al caso general:
1

=
A

f(t)dt
=

c0 f(t 0 ) + c1f(t1 )

Habiendo cuatro incgnitas se tomarn cuatro casos en los que la frmula sea exacta. Se
usarn polinomios de grado 0, 1, 2, 3. Es suficiente considerarlos en su forma ms simple:
1

1) f(t)=1, A =

(1)dt = 2 = c0 f(t0 ) + c1f(t1) =c0 (1) + c1(1) 2 = c0 + c1

1
1

2) f(t)=t, A =

tdt = 0 = c0 f(t0 ) + c1f(t1) =c0 t0 + c1t1 0 = c0 t0 + c1t1

1
1

3) f(t)=t2, A =

2
2
= c0 f(t 0 ) + c1f(t1 ) =c0 t 20 + c1t12 = c0 t 20 + c1t12
3
3

dt =

dt = 0 = c0 f(t 0 ) + c1f(t1 ) =c0 t 30 + c1t13 0 = c0 t 30 + c1t13

4) f(t)=t3, A =

Se genera un sistema de cuatro ecuaciones no-lineales. Una solucin para este sistema se
obtiene con facilidad mediante simple sustitucin:
Los valores c0 = c1 = 1 satisfacen a la ecuacin 1.

233
De la ecuacin 2 se tiene t0 = -t1. Esto satisface tambin a la ecuacin 4.
Finalmente, sustituyendo en la ecuacin 3: 2/3 = (1)(-t1)2 + (1)(t1)2 se obtiene:
1
1
t1 =
, entonces, t 0 =
y se reemplazan en la frmula propuesta:
3
3
Definicin:

Frmula de cuadratura de Gauss con dos puntos

1

A=
c0 f(t 0 ) + c1f(t1 ) =
f(
f(t)dt =

) + f(

1
3

Esta simple frmula es exacta si f es un polinomio de grado menor o igual a tres. Para otra f
es una aproximacin equivalente a sustituir f con un polinomio de grado tres.
1

(2t

Ejemplo. Calcule =
A

+ t 2 1)dt con la Cuadratura de Gauss

Solucin
1

1
1
1 3
1 2
1
1
-4/3
A=
f(
) + f( ) =
[2(
) + (
) 1] + [2( )3 + ( )2 1] =
f(t)dt =
3
3
3
3
3
3
1

La respuesta es exacta pues f es un polinomio de grado 3

Mediante un cambio de variable se extiende la frmula al caso general:
b

=
A

=
f(x)dx

c0 f(t 0 ) + c1f(t1 )

=
x
Sea

ba
b+a
t+
2
2

Se tiene que t = 1 x = b,

t = -1 x = a,

dx =

ba
dt
2

Sustituyendo se tiene
Definicin:

Frmula general de Cuadratura de Gauss con dos puntos

.

A=

f(x)dx=
a

ba
ba
b+a
ba
ba 1 b+a
ba 1 b+a
f(
t+
)dt=
f(
+
) + f(
+
)

2 1
2
2
2
2
2
2
2
3
3

234
2

Ejemplo. Calcule A = xe x dx con la frmula de la Cuadratura de Gauss con dos puntos

1
b

A = f(x)dx =
a

ba
ba b+a
ba
f(
t+
)dt
[f(t 0 ) + f(t1 )],
2 1
2
2
2
ba 1 b+a

+
t0 =
,
2
2
3

t0 =

=
t1

21
2
21
2

ba 1 b+a
t1 = +
2
2
3

2+1
1
3
=

+ =
1.2113
2
2
3
2 3
1 2+1
1
3
+ =
+= 1.7886
2
2
3
2 3
1

1
[ f(1.2113) + f(1.7886)] = 7.3825
2

La respuesta exacta con cuatro decimales es 7.3890. Se observa que usando nicamente
dos puntos se tiene una precisin mejor que usando la frmula de Simpson con tres puntos.
1/ 2

Ejemplo. Calcule el valor del integral A =

1 + 5u + u du
2

Aplique la cuadratura de Gauss con m = 1, 2, 3. Con estos resultados haga una estimacin
de la precisin de la respuesta.
1/ 2

A=

1 + 5u + u du ,

f(u) =

A=

ba
ba 1 b+a
ba 1 b+a
f(
) + f(
)
+
+

2
2
2
2
2
3
3

f(x)dx=
a

1/ 2

m=1: A

5
1 + 5u + u2

f(u)du =

1/ 2 0
1/ 2 0 1 1/ 2 + 0
1/ 2 0 1 1/ 2 + 0
f(
+
) + f(
+
)
2
2
2
2
2
3
3

= 0.25(3.2479 + 1.598) = 1.2117

1/ 4

m=2 : A

1/ 2

f(u)du +

f(u)du

1/ 4

1/ 4 0
1/ 4 0 1 1/ 4 + 0
1/ 4 0 1 1/ 4 + 0
f(
) + f(
)
+
+

2
2
2
2
2
3
3

1/ 2 0
1/ 2 1/ 4 1 1/ 2 + 1/ 4
1/ 2 1/ 4 1 1/ 2 + 1/ 4
f(
) + f(
)
+
+

2
2
2
2
2
3
3

= 1.2237

235
1/ 6

m=3 : A

2/6

f(u)du +

3/6

f(u)du +

1/ 6

f(u)du

2/6

= 1.2251
E1 = 1.2237 1.2117 = 0.0120
E2 = 1.2251 1.2237 = 0.0014
La respuesta tiene el error en el orden 10-3 aproximadamente

7.3.2

Instrumentacin computacional de la cuadratura de Gauss

from math import*
def cgauss(f,a,b):
t1=-(b-a)/2*1/sqrt(3)+(b+a)/2
t2= (b-a)/2*1/sqrt(3)+(b+a)/2
s = (b-a)/2*(f(t1) + f(t2))
return s
2

Ejemplo. Use la funcin cgauss para calcular A = xe x dx

1

>>> from cgauss import*

>>> from math import*
>>> def f(x): return x*exp(x)
>>> s=cgauss(f,1,2)
>>> s
7.3832726466092975
Para mejorar la precisin de sta frmula se la puede aplicar ms de una vez dividiendo el
intervalo de integracin en sub-intervalos.
Ejemplo. Aplique dos veces la cuadratura de Gauss en el ejemplo anterior
2

A = xe x dx = A1 + A2 =
1

1.5

xe x dx +

xe x dx

1.5

En cada subintervalo se aplica la frmula de la Cuadratura de Gauss:

>>> s=cgauss(f,1,1.5)+cgauss(f,1.5,2)
>>> s
7.388682930054991

236
7.3.3

Instrumentacin extendida de la cuadratura de Gauss

Se puede dividir el intervalo en ms sub-intervalos para obtener mayor precisin. Conviene

definir una funcin en Python con m como parmetro. m es la cantidad de sub-intervalos
Para estimar la precisin del resultado, se compararn valores consecutivos, observando la
convergencia del integral.

from cgauss import*

def cgaussm(f,a,b,m):
h=(b-a)/m
s=0
x=a
for i in range(m):
a=x+i*h
b=x+(i+1)*h
s=s+cgauss(f,a,b)
return s
Ejemplo. Aplicar sucesivamente la Cuadratura de Gauss incrementando el nmero de subintervalos, hasta que la respuesta tenga cuatro decimales exactos
>>> from cgaussm import*
>>> from math import*
>>> def f(x): return x*exp(x)
>>> s=cgaussm(f,1,2,1);print(s)
7.3832726466092975
>>> s=cgaussm(f,1,2,2);print(s)
7.388682930054991
>>> s=cgaussm(f,1,2,3);print(s)
7.388981945691469
>>> s=cgaussm(f,1,2,4);print(s)
7.389032587252556
>>> s=cgaussm(f,1,2,5);print(s)
7.389046459210758
En el ltimo clculo se han usado 5 sub-intervalos. El valor obtenido tiene cuatro decimales
fijos
Para obtener frmulas de cuadratura de Gauss con ms puntos no es prctico usar el
mtodo de coeficientes indeterminados. Se puede usar un procedimiento general basado
en la teora de polinomios ortogonales. En la bibliografa se pueden encontrar estas
frmulas as como expresiones para estimar el error de truncamiento pero imprcticas para
su uso.

237
7.4

Integrales con lmites no acotados

Estos integrales se denominan integrales impropios del Tipo I. Adicionalmente debe

verificarse si el integral definido converge a un valor finito.
Ocasionalmente puede ser de inters calcular integrales cuyos lmites no estn acotados,
por lo tanto no se pueden aplicar directamente las frmulas de integracin . Mediante alguna
sustitucin deben reducirse a una forma simple eliminando estos lmites impropios.

Ejemplo. Calcule A =

dx

(1 + x2 )3

con la Cuadratura de Gauss, m = 1, 2, 4

Antes de la sustitucin conviene separar el integral en dos sub-intervalos

dx
dx
dx
A=
A1 + A 2
(1 + x2 )3 =
(1 + x2 )3 + (1 + x2 )3 =
0
0
1

A1 se puede calcular inmediatamente con la Cuadratura de Gauss

Para A2 se hace la sustitucin
x = 1/t
x t 0, x = 1 t = 1, dx = -1/t2 dt

A2
=

dx
(1 +=
x 2 )3
1

dt
2)
(1 + 1/ t2 )3 (=
t
1

t4

(1 + t2 )3 dt
0

Ahora se puede aplicar tambin la Cuadratura de Gauss

Resultados calculados:
m=1: A = A1+A2 = 0.6019
m=2: A = A1+A2 = 0.5891
m=4: A = A1+A2 = 0.5890
El ltimo resultado tiene un error en el orden de 0.0001
La librera Sympy de Python incorpora mtodos para resolver directamente integrales con
lmites no acotados:
>>> from sympy import*
>>> x=Symbol('x')
>>> f=1/(1+x**2)**3
>>> r=integrate(f,(x,0,oo))
>>> float(r)
0.5890486225480862

El smbolo son dos letras o juntas

238
7.5

Integrales con rango no acotado

Estos integrales se denominan integrales impropios de Tipo II. Adicionalmente debe

verificarse si el integral definido converge a un valor finito. Mediante alguna sustitucin
deben reducirse a una forma integrable eliminando los puntos singulares.
1

Ejemplo. Calcule A =

sen(x)

(x 1)2 / 3 dx

con la frmula de Simpson, m = 4, y estimar el error

No se puede aplicar directamente la frmula de Simpson por el punto singular. Mediante una
sustitucin adecuada se debe tratar de eliminarlo:
(x-1)1/3 = u
x = u3 + 1: x = 1 u = 0; x = 0 u = -1; dx = 3u2du
1

A
=

sen(x)

dx
(x 1)2 / 3=
0

sen(u3 + 1)

u2

(3u2=
du)

3sen(u3 + 1)du
=

f(u)du

Integral bien definido en [-1,0]

Regla de Simpson, m = 4
h
A = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
m = 4 h = 0.25
A = 0.25/3(f(-1)+4f(-0.75)+2f(-0.5)+4f(-0.25)+f(0)) = 1.9735...
Estimacin del error
Al no disponer de ms informacin, se usarn las diferencias finitas para estimar el error:
X
-1
-0.75
-0.5
-0.25
0
T|-

f
0
1.6394
2.3026
2.4988
2.5244

f
1.6394
0.6633
0.1961
0.0256

2f
-0.9761
-0.4671
-0.1705

3f
0.5090
0.2966

4f
-0.2124

(b-a)
(0 - (-1))
| max(| 4 fi |) =
(-0.2124) = -0.0012
180
180

Nota. Este integral no puede evaluarse analticamente. Si se usa la frmula de Simpson

incrementando el nmero de franjas, el resultado tiende a 1.9730... consistente con el error
calculado con la frmula anterior.

239
Python no resuelve directamente el integral con el punto singular:
>>>
>>>
>>>
>>>
...

from sympy import*

x=Symbol('x')
f=sin(x)/(x-1)**(2/3)
r=integrate(f,(x,0,1))
Produce una respuesta compleja

Respuesta obtenida con mtodos numricos de la librera Sympy de Python

>>> from sympy import*
>>> u=Symbol('u')
>>> f=3*sin(u**3+1)
>>> r=integrate(f,(u,-1,0))
>>> float(r)
1.9729653832914493
1

Ejemplo. Calcule A =

sen(x)
dx con la Cuadratura de Gauss con m = 1, 2
x
0

La frmula de la Cuadratura de Gauss no requiere evaluar f en los extremos, por lo tanto se

puede aplicar directamente:
b

A=

f(x)dx=
a

ba
ba 1 b+a
ba 1 b+a
f(
+
) + f(
+
)

2
2
2
2
2
3
3

Aplicando la frmula en el intervalo [0, 1]:

A = 0.94604
Aplicando la frmula una vez en cada uno de los intervalos [0, 0.5] y [0.5, 1] y sumando:
A = 0.94608
Comparando ambos resultados se puede estimar el error en el quinto decimal.
NOTA: Para calcular el integral no se puede aplicar la frmula de Simpson pues sta
requiere evaluar f(x) en los extremos.
Python tiene una funcin especial para resolver este tipo de integrales
>>> from sympy import*
>>> x=Symbol('x')
>>> f=sin(x)/x
>>> r=integrate(f,(x,0,1))
>>> r
Si(1)
>>> float(r)
0.946083070367183

240

Ejemplo. Calcule S =

e1/ x
2 x 5 / 3 dx con la frmula de Simpson, m=4.

Solucin
Esta expresin no es integrable ni analtica, ni numricamente con las frmulas anteriores.
La solucin requiere sustituciones para ambos tipos de integrales impropios
Resolver el integral impropio tipo I
Sustitucin: u=1/x: x u0, x=2 u=1/2, dx=-du/u2

S=

e1/ x
2 x 5 / 3 dx =

1/ 2

eu
2
5 / 3 (du / u )=
1/ 2 1/ u

eu
du
u1/ 3

Igualmente se llega a un integral impropio de tipo II, no integrable analtica o numricamente

con las frmulas anteriores.
Resolver el integral impropio tipo II
Sustitucin: t=u1/3:
1/ 2

=
S

eu
=
0 u1/ 3 du

u=0 t=0, u=1/2 t=(1/2)1/3, du=3t2dt

(1/ 2)1/ 3

et 2
=
3t dt
t

(1/ 2)1/ 3

3te t dt

La expresin final no es integrable analticamente pero si numricamente:

Regla de Simpson, m=4
S=

h
t3
[f0 + 4f1 + 2f2 + 4f3 + f4], f(t) = 3te
3

m=4 h=

(1/2)1/3
= 0.198425
4

S 0.066141 (f(0)+4f(0.198425)+2f(0.396850)+4f(0.595275)+f(0.793700)) = 1.169439

Python tiene mtodos para integrar numricamente este integral

>>> from sympy import*
>>> x=Symbol('x')
>>> f=exp(1/x)/x**(5/3)
>>> r=integrate(f,(x,2,oo))
>>> float(r)
1.1674203419719458

241
7.6

Integrales mltiples

Para evaluar integrales mltiples se pueden usar las reglas de integracin numrica
anteriores integrando separadamente con cada variable:
db

f(x,
y)dxdy
=

f(x, y)dx dy con la regla de
=
y c=
x a
ca

Suponer que se desea integrar V =

Simpson con m subintervalos en ambas direcciones.

La regla se aplicar integrando en la direccin X fijando Y en cada punto. Los smbolos x
y y denotan la distancia entre los puntos en las direcciones X, Y respectivamente.

b
b
b
b

f(x,y
)dx
+
4
f(x,y
)dx
+
2
f(x,y
)dx
+
4
f(x,y
)dx
+
.
.
.+
0
1
2
3

f(x,ym )dx
a
a
a
a
a

f(x, y0 )dx

a
b

f(x, y1)dx

a
b

f(x, y2 )dx

a
b

f(x, y3 )dx
a

x
( f(x0 , y0 ) + 4f(x1, y0 ) + 2f(x2 , y0 ) + 4f(x3 , y0 ) + . . . + f(xm , y0 ) )
3
x
( f(x0 , y1 ) + 4f(x1, y1 ) + 2f(x2 , y1) + 4f(x3 , y1) + . . . + f(xm , y1 ) )
3
x
( f(x0 , y2 ) + 4f(x1, y2 ) + 2f(x2 , y2 ) + 4f(x3 , y2 ) + . . . + f (xm , y2 ) )
3
x
( f(x0 , y3 ) + 4f(x1, y3 ) + 2f(x2 , y3 ) + 4f(x3 , y3 ) + . . . + f(xm , y3 ) )
3

. . .
b

f(x, ym )dx
a

x
( f(x0 , ym ) + 4f(x1, ym ) + 2f(x2 , ym ) + 4f(x3 , ym ) + . . . + f(xm , ym ) )
3

Ejemplo. Calcule el integral de f(x,y)=sen(x+y), 0x1, 2y3, con m = 2 en x, y

3 1

sen(x
+
y)dxdy
=

sen(x + y)dx dy,
=
y 2=
x 0
20

=
V

1
1
1

0.5
sen(x+2)dx + 4 sen(x+2.5)dx + sen(x+3)dx
3 0

0
0
1

sen(x + 2)dx
0
1

0.5
0.5741
( sen(0 + 2) + 4sen(0.5 + 2) + sen(1 + 2) ) =
3

sen(x + 2.5)dx
0
1

sen(x + 3)dx
0

x =y =0.5

0.5
0.1354
( sen(0 + 2.5) + 4sen(0.5 + 2.5) + sen(1 + 2.5) ) =
3

0.5
-0.3365
( sen(0 + 3) + 4sen(0.5 + 3) + sen(1 + 3) ) =
3

0.5
0.1299
[ 0.5741+ 4(0.1354) +(-0.3365)] =
3

242
Ejemplo. Un lago tiene forma aproximadamente rectangular de 200m x 400m. Se ha
trazado un cuadriculado y se ha medido la profundidad en metros en cada cuadrcula de la
malla como se indica en la tabla siguiente:
X
Y
0
50
100
150
200

100

200

300

400

0
0
1
0
0

0
3
5
2
0

4
5
6
3
1

6
7
9
5
2

0
3
5
1
0

Con todos los datos de la tabla estime el volumen aproximado de agua que contiene el lago.
Utilice la frmula de Simpson en ambas direcciones.
400 200

V=

f(x, y)dydx

=
x 0=
y 0

V
=

=
V

x y
f(x 0 , y0 ) + 4f(x 0 , y1 ) + 2f(x 0 , y2 ) + 4f(x 0 , y3 ) + f(x 0 , y4 )
3 3
y
+4
f(x1 , y0 ) + 4f(x1 , y1 ) + 2f(x1 , y2 ) + 4f(x1 , y3 ) + f(x1 , y3 )
3
y
+2
f(x 2 , y0 ) + 4f(x 2 , y1 ) + 2f(x 2 , y2 ) + 4f(x 2 , y3 ) + f(x 2 , y4 )
3
y
+4
f(x 3 , y0 ) + 4f(x 3 , y1 ) + 2f(x 3 , y2 ) + 4f(x 3 , y3 ) + f(x 3 , y4 )
3
y
+
f(x 4 , y0 ) + 4f(x 4 , y1 ) + 2f(x 4 , y2 ) + 4f(x 4 , y3 ) + f(x 4 , y4 )
3
100 50
[ 0 + 4(0) + 2(1) + 4(0) + 0]
3 3
50
+4
[ 0 + 4(3) + 2(5) + 4(2) + 0]
3
50
+ 2 [ 4 + 4(5) + 2(6) + 4(3) + 1]
3
50
+4
[ 6 + 4(7) + 2(9) + 4(5) + 2]
3
50
+
[ 0 + 4(3) + 2(5) + 4(1) + 0] }
3

V = 287777.78 m

243
7.6.1

Instrumentacin computacional de la frmula de Simpson en dos direcciones

Se instrumenta el mtodo de Simpson para una funcin de dos variables f(x,y). Primero se
integra en la direccin X y despus, con los resultados obtenidos, se aplica nuevamente la
frmula de Simpson en la direccin Y.
f(x,y):
funcin de dos variables
ax, bx, ay, by: lmites de integracin en las direcciones x, y respectivamente
mx, my:
cantidad de franjas en cada direccin
from sympy import*
from simpson import*
def simpson2(f,ax,bx,ay,by,mx,my):
x=Symbol('x')
dy=(by-ay)/my
v=ay
r=[]
for i in range (0,my+1):
def g(x): return f(x,v)
u=simpson(g,ax,bx,mx)
r=r+[u]
v=v+dy
s=0
for i in range(1,my):
s=s+2*(2-(i+1)%2)*r[i]
s=dy/3*(r[0]+s+r[my])
return s

=
V
Ejemplo. Calcule

cos(x 2 + y)(x + y)dxdy con la regla de Simpson instrumentada

=
y 0=
x 0

en la funcin anterior. Use m = 4,8,12, en ambas variables para verificar la convergencia.

Solucin con la funcin simpson2
>>> from math import*
>>> from simpson2 import*
>>> def f(x,y): return cos(x**2+y)*(x+y)
>>> r=simpson2(f,0,1,0,1,4,4);print(float(r))
0.5004153166122363
>>> r=simpson2(f,0,1,0,1,8,8);print(float(r))
0.500269266271819
>>> r=simpson2(f,0,1,0,1,12,12);print(float(r))
0.500258596816339

244
>>> r=simpson2(f,0,1,0,1,16,16);print(float(r))
0.5002567143287567
>>> r=simpson2(f,0,1,0,1,20,20);print(float(r))
0.5002561913044187
Si se incrementa el nmero de franjas, el resultado tiende a un valor fijo que esperamos sea
el valor del integral.

Nota. Este integral no se puede resolver por mtodos analticos:

>>> from sympy import*
>>> x,y=symbols('x,y')
>>> f=cos(x**2+y)*(x+y)
>>> r=integrate(f,(x,0,1),(y,0,1))
>>> r
Integral(-x*sin(x**2) + x*sin(x**2 + 1) + sin(x**2 + 1) - cos(x**2) +
cos(x**2 + 1), (x, 0, 1))

La librera Sympy de Python en algunos casos usa mtodos numricos para proporcionar
una respuesta aproximada y se la puede encontrar evaluando como en el ejemplo:
>>> from sympy import*
>>> x,y=symbols('x,y')
>>> f=cos(x+y)+exp(x-y)
>>> r=integrate(f,(x,0,1),(y,0,1))
>>> r
-3 + exp(-1) - cos(2) + 2*cos(1) + E
>>> float(r)
1.5829127179139093

245
7.7

Casos especiales

7.7.1

Integrales dobles con lmites variables

Ejemplo. Calcule el integral de f(x,y)=(x2+y3), 0x1, xy2x. Use la frmula de Simpson

con m = 2 en cada direccin.
1

2x

=
V

=
x 0=
y x

2x

f(x,=
y)dydx

(x 2 + y3 )dydx ,

=
x 0=
y x

Frmula de Simpson con una parbola en cada direccin (m=2): x = 0.5: x = 0, 0.5, 1

2(0)

2(0.5)

f(0,y)dy + 4

2(1)

f(0.5,y)dy +

0.5

f(1,y)dy

Los lmites para integrar en Y as como la longitud y de los intervalos, cambian segn X:
=
V

0.5 0
{ [ f(0,0) + 4f(0,0) + f(0,0)] +
3 3
0.25
0.5
4
[ f(0.5,0.5) + 4f(0.5,0.75) + f(0.5,1)] +
[ f(1,1) + 4f(1,1.5) + f(1,2)] } = 1.03125
3
3

7.7.2

Integrales dobles con puntos singulares

Ejemplo. Calcule el valor del siguiente integral con la frmula de Simpson con m = 4 en
cada direccin.

e y x
V = 1/ 3 dx dy
x
=
y 0=
x 0
0.5 0.5

Solucin
Es un integral impropio no integrable analticamente. Para aplicar la frmula de Simpson se
debe transformar
Sea u = x1/3 x = u3, dx = 3u2du, x = 0 u = 0, x = 0.5 u = 0.51/3
0.5 0.51/ 3

V=

3u e y u du dy
3

Esta funcin aunque es acotada, no es integrable analticamente. Ahora se puede integrar

numricamente

246
>>> from math import*
>>> from simpson2 import*
>>> def f(x,y): return 3*x*exp(y-x**3)
>>> r=simpson2(f,0,0.5**(1/3),0,0.5,4,4);print(float(r))
0.5075301074265403
>>> r=simpson2(f,0,0.5**(1/3),0,0.5,8,8);print(float(r))
0.5074524699204189
>>> r=simpson2(f,0,0.5**(1/3),0,0.5,16,16);print(float(r))
0.5074477527225879
Comparar con el resultado de Python con la librera Sympy aproximado mediante funciones
especiales:
>>> from sympy import*
>>> x,y=symbols('x,y')
>>> f=3*x*exp(y-x**3)
>>> r=integrate(f,(x,0,0.5**(1/3)),(y,0,0.5))
>>> r
0.216240423566709*(-2*gamma(2/3)*lowergamma(2/3,0)+
2*gamma(2/3)*lowergamma(2/3, 0.5))/gamma(5/3)
>>> float(r)
0.5074474416154765

Python no puede resolver directamente este integral debido al punto singular:

>>> from sympy import*
>>> x,y=symbols('x,y')
>>> f=exp(y-x)/x**(1/3)
>>> r=integrate(f,(x, 0, 0.5),(y, 0, 0.5))
Traceback (most recent call last):
File "<pyshell#236>", line 1, in <module>
r=integrate(f,(x,0,0.5),(y,0,0.5))
File "C:\Python34\lib\site-packages\sympy\utilities\decorator.py",
35, in threaded_func
. . .

line

247
7.7.3

Integrales dobles con puntos singulares y lmites variables

y

Ejemplo. Calcule el valor del integral

f(x, y) dx dy con f(x, y) =

sen(x + y)

=
= 1
y 1x

2x

aproximada

con una parbola en cada direccin (Frmula de Simpson con m = 2).

Es un integral impropio no integrable analticamente. Para aplicar la frmula de Simpson se
debe transformar

2 x : x = 1 u = 1, x = y =
u

Sea =
u
2

=
V

2 y

sen(2 u2 + y)
(2udu)
=
dy
u

2 y , x = 2 u2, dx = -2udu

2sen(2 u2 + y)du dy

2 y

Ahora se puede aplicar el mtodo numrico de integracin, considerando lmites variables:

2sen(2-u2 +1)du + 4

2-1

2-1.5

0.5
2sen(2-u2 +1)du + 4
3 1

2sen(2-u2 +2)du

2-2
1

2sen(2-u2 +1.5)du +

2
2
2sen(2-u
+1.5)du
+

2sen(2-u +2)du
0
0.5

2sen(2-u

+1)du = 0

2sen(2-u

+1.5)du=

0.5

0.1464
2sen(2 - 0.70712 + 1.5) + 4(2sen(2 - 0.8535 2 + 1.5)) + 2sen(2 - 12 + 1.5) =
0.2133

3
1

2sen(2-u

+2)du=

0.5
2sen(2 - 02 + 2) + 4(2sen(2 - 0.52 + 2)) + 2sen(2 - 12 + 2) =
-0.9673
3

0.5
-0.0190
[ 0 + 4(0.2133)+(-0.9673)] =
3

248
7.8

Ejercicios y problemas de integracin numrica

2

1. Se desea calcular numricamente A = ln(x)dx con la Regla de los Trapecios. Use la

1

frmula del error de truncamiento respectiva y sin realizar la integracin, estime la cantidad
de trapecios que tendra que usar para que la respuesta tenga cinco decimales exactos.
2. Se desea integrar f(x) = exp(x) + 5x3 , x [0, 2]
a) Use la frmula del error para determinar la cantidad de trapecios que se deberan usar
para obtener la respuesta con 2 decimales exactos.
b) Calcule la respuesta usando la cantidad de trapecios especificada
3. a) Encuentre en forma aproximada el rea debajo de f(x), 0x1.6 Use la frmula de
Simpson incluyendo los cinco puntos tomados mediante aproximacin visual del grfico.

b) Estime el error en el resultado obtenido con una aproximacin de diferencias finitas.

4. En el siguiente grfico se muestra delineada la zona de un derrame de petrleo ocurrido
en cierta regin. Las mediciones han sido obtenidas a distancias de 4 Km.

Con la frmula de Simpson, encuentre en forma aproximada el rea total cubierta por el
derrame de petrleo.

249

5. La siguiente definicin se denomina funcin error: erf(x) =

e t dt
2

Esta funcin se usa para definir la funcin de densidad de probabilidad de la distribucin

normal estndar. Calcule erf(1) con la frmula de Simpson con m=2,4,6. Con estos
resultados estime la precisin en la respuesta.
6. Una empresa est vendiendo una licencia para manejo de un nuevo punto de venta. La
experiencia indica que dentro de t aos, la licencia generar utilidades segn f(t) =
14000+490t dlares por ao. Si la tasa de inters r permanece fija durante los prximos n
aos, entonces el valor presente de la licencia se puede calcular con
n

V = f(t)e rt dt
0

Calcule V si n=5 aos y r=0.07. Use la frmula de Simpson con m=4,6,8. Con estos
resultados estime el error de truncamiento
7. Un comerciante usa el siguiente modelo para describir la distribucin de la proporcin x
del total de su mercadera que se vende semanalmente:
f(x )=20x3(1-x), 0x1
El rea debajo de f(x) representa entonces la probabilidad que venda una cantidad x en
cualquier semana.
Se desea conocer la probabilidad que en una semana venda ms de la mitad de su
mercadera (debe integrar f entre 0.5 y 1). Use la Frmula de Simpson con m=4
8. Segn la teora de Kepler, el recorrido de los planetas es una elipse con el Sol en uno de
sus focos. La longitud del recorrido total de la rbita esta dada por
/2

s = 4 a 1 k 2 sen 2 t dt ,
0

Siendo k: excentricidad de la rbita y a: longitud del semieje mayor

Calcule el recorrido del planeta Mercurio sabiendo que k=0.206, a=0.387 UA
(1 UA = 150 millones de km). Use la frmula de Simpson con m=4 (cantidad de franjas)
9. Una placa rectangular metlica de 0.45 m por 0.60 m pesa 5 Kg. Se necesita recortar este
material para obtener una placa de forma elptica, con eje mayor igual a 50 cm, y eje menor
igual a 40 cm. Calcule el rea de la elipse y determine el peso que tendr esta placa. Para
calcular el rea de la elipse use la frmula de Simpson con m = 4. Finalmente, estime cual
es el el error de truncamiento en el valor del rea calculada.
10. Una curva C puede darse en forma paramtrica con las ecuaciones:
x = f(t)
y = g(t), t [a, b]
Si no hay intersecciones entre f y g, entonces, la longitud del arco de C se puede calcular
con la integral:
b

=
S

(x '(t))2 + (y '(t))2 dt

250
Use la frmula de Simpson, m=4, para calcular la longitud del arco de la curva dada con las
siguientes ecuaciones paramtricas

=
x 2 cos(t),
=
y

3sen(t), t [0, / 2]

11. Calcule el integral A =

1

12. Calcule A =

dx

1/ 2 (2x

1)1/ 3

dx . Use la Cuadratura de Gauss con dos puntos.

3x + 2
2

a) Use directamente la Cuadratura de Gauss de dos puntos

b) Use la Regla de Simpson con m=4. Previamente debe usar l transformacin: t3 = 2x-1

13. Calcule A =

dx

1 + x4

Use la regla de Simpson, m=1,2,4 y estime el error

14. Calcule A = x 2 e x Use la Regla de Simpson con m=4 y estime el error

2

15. Calcule A =

dx

x2 + x 2 .

Aplique dos veces la cuadratura de Gauss de dos puntos

16. De una funcin contnua y diferenciable se conocen los siguientes puntos:

(x, f(x)): (3, 5.1), (4, 6.4), (6, 6.8), (7, 6.9), (8, 6.7)
En donde x representa tiempo y f(x) es ganancia (miles de dlares)
Coloque el trazador cbico sobre los puntos y calcule el rea en el primer intervalo
a) Analticamente con la funcin integrate( ) de Python
b) Con la funcin simpson desarrollada en este curso, m=4
c) Con la funcin cgaussm desarrollada en este curso, m=2
d) Explique la precisin de los resultados obtenidos

17. La funcin () =

1 x

dx se denomina Funcin Gamma y es usada en algunos

0
modelos de probabilidad. Encuentre un valor aproximado de (2) aplicando la Cuadratura

de Gauss.
Sugerencia: Separe el intervalo de integracin en dos intervalos: [0,1], [1, ]. Luego, para
el segundo intervalo use un cambio de variable para eliminar el lmite superior .
Finalmente aplique la Cuadratura de Gauss una vez en cada intervalo.

251
18. Escriba una tabla con los cinco puntos del grfico, para x = 0.2, 0.6, 1.0, 1.4, 1.8
aproximando visualmente con una precisin de tres decimales.

0.42

0.4

0.38

0.36

0.34

0.32

0.3
0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

a) Encuentre en forma aproximada el rea debajo de f(x), 0.2x1.8 con la frmula de

Simpson incluyendo los cinco puntos tabulados.
b) Encuentre aproximadamente el rea debajo de f(x), 0.2x1.8 aplicando una vez la
cuadratura de Gauss. Estime t0 y t1 mediante una aproximacin visual con tres decimales.
1.8 2.5

19. Calcule
=
A

(x + y) sin(x)dxdy .

Use la regla de Simpson en ambas direcciones,

1 0.5

con m=4
20. Calcular la siguiente integral, con el algoritmo de la integral doble de Simpson:
=
S

9 y2 dA

Donde R es la regin acotada por: x2 + y2 = 9. Usar m=4 en ambas direcciones

21. El siguiente cuadro contiene valores de una funcin f(x,y). Use la frmula de Simpson
para calcular el volumen entre el plano X-Y y la superficie f(x,y), 0.1 x 0.5, 0.2 y 1.0 .
Use todos los datos disponibles.

Y
X
0.1
0.2
0.3
0.4
0.5

0.2

0.4

0.6

0.8

1.0

0.04
0.41
0.81
0.76
0.06

0.08
0.47
0.83
0.70
0.02

0.12
0.53
0.84
0.62
0.01

0.16
0.58
0.83
0.53
0.01

0.20
0.62
0.82
0.42
0.02

252
22. Cuando un cuerpo de masa m se desplaza verticalmente hacia arriba desde la superficie
de la tierra, si prescindimos de toda fuerza de resistencia (excepto la fuerza de la gravedad),

la velocidad de escape v est dada

por:
=
v 2 2=
gR z 2dz; z
1

x
R

Donde R = 6371 km. es el radio promedio de la tierra, g = 9.81 m/s2 es la constante

gravitacional. Utilice cuadratura Gaussiana para hallar v.
23. El siguiente integral no puede resolverse analticamente. Aplique la frmula de Simpson
con 2, 4, 6, 8 subintervalos. Con estos resultados estime la precisin del resultado de la
integracin.
2

A = e sen(x)dx
0

24. El siguiente integral no puede resolverse analticamente y tampoco pueden aplicarse las
frmulas comunes de integracin numrica.:
1

sen(x)
dx
x

Aplique la Cuadratura de Gauss con uno, dos y tres subintervalos. Con estos resultados
estime la precisin del resultado de la integracin.

sin(x)
dx
1 x
a) Use una sustitucin para eliminar el punto singular y aplique la regla de Simpson, m=4.
b) Estime el error en el resultado obtenido

25. Encuentre un valor aproximado del siguiente integral

26. Evale de forma aproximada el siguiente integral impropio usando la frmula de

Simpson con 5 puntos:

cos(x) -1
dx . Estime el error en la aproximacin.
0
x

2y

27. Se requiere calcular el valor del integral

11

cada direccin para aproximar a f(x, y) =

sen(x y)
2x

dxdy usando dos parbolas en

sen(x + y)

2x
a) Escriba la formulacin matemtica del mtodo numrico que utilizar
b) Realice los clculos con cuatro decimales.

Transforme previamente el integral con alguna sustitucin que permita eliminar el punto
singular que se produce al evaluar f(x,y) en el lmite superior.

253
28. En el techado de las casas se utilizan planchas corrugadas con perfil ondulado. Cada
onda tiene la forma f(x) = sen(x), con un periodo de 2 pulgadas
El perfil de la plancha tiene 8 ondas y la longitud de cada onda se la puede calcular con
la siguiente integral:

= + ( ())

Este integral no puede ser calculado por mtodos analticos.

a) Use la frmula de Simpson con m = 4, 6, 8, 10 para calcular y estime el error en el

ltimo resultado
b) Con el ltimo resultado encuentre la longitud del perfil de la plancha.

ex

29. Dado el siguiente integral: A = 2

3x

dx

a) Realice alguna sustitucin para eliminar la singularidad en x=3

b) Use la funcin simpson de este curso para calcular el resultado. Encuentre el menor
valor de m tal que E=0.0001 Calcule este resultado computacionalmente probando valores
de m.
30. Para que una funcin pueda usarse como un modelo matemtico para clcular
probabilidad debe cumplir que el valor del integral en el dominio de la funcin sea igual a 1
Considere la funcin bivariada continua y diferenciable en el intervalo especificado:

f(x, y)= k(x + y) x 2 + y, 0 x y, 0 y 1

Determine el valor de la constante k para que esta funcin cumpla la definicin anterior.
Obtenga la respuesta con la frmula de Simpson usando una parbola en cada direccin.

f(x) e x cos(x 2 + 1) + 5 , 0 x 1.2

31. Con la librera Pylab de Python graficar la funcin:=
a) Del grfico aproxime cinco puntos de f(x) equidistantes
b) Calcule el rea debajo de f(x) usando los cinco puntos (x,f(x)) con la frmula de Simpson.
c) Intente calcular la respuesta exacta con la funcin de Python: integrate( )
d) Calcule la respuesta con la funcin simpson desarrollada en este curso, m=4
e) Con este ltimo resultado encuentre el error en el resultado obtenido en el literal b)

254
8

DIFERENCIACIN NUMRICA

En este captulo se describen con algunas frmulas para evaluar derivadas. Estas frmulas
son de especial inters para algunos mtodos usados en la resolucin de ecuaciones
diferenciales y que se estudiarn posteriormente.

8.1

Obtencin de frmulas de diferenciacin numrica

Dados los puntos (xi, fi), i=0, 1, 2, ..., n, siendo f desconocida pero supuestamente
diferenciable. E es de inters evaluar alguna derivada de f en alguno de los puntos xi.
Un procedimiento para obtener frmulas aproximadas para las derivadas de f consiste en
usar los puntos dados para construir el polinomio de interpolacin y luego derivar el
polinomio y evaluar la derivada en el punto de inters:
f(x) pn(x) f(k)(xi)

dk
[pn (x)]x = xi
dxk

Adicionalmente, con la frmula del error en la interpolacin se puede estimar el error para
las frmulas de las derivadas.
Un procedimiento ms simple consiste en usar la serie de Taylor, bajo la suposicin de que
la funcin f se puede expresar mediante este desarrollo. Mediante artificios algebraicos se
pueden obtener frmulas para aproximar algunas derivadas y su error de truncamiento:
Desarrollo de la serie de Taylor a una distancia h a la derecha y a la izquierda del punto xi :
(1)

fi+1 = fi + hf i +

(2)

fi-1 = fi - hf i +

hn + 1 (n+1)
h2
hn
f i + ... + f (n)i +
f
(z), xi z xi+1
2!
n!
(n + 1)!
hn + 1 (n+1)
h2
hn (n)
f i - ... +
f if
(z), xi-1 z xi
2!
n!
(n + 1)!

Por simplicidad se usa la notacin f(xi) fi,

8.2

Una frmula para la primera derivada

Tomando tres trminos de (1) y despejando f se obtiene una aproximacin para la primera
derivada en el punto xi, y el error de truncamiento respectivo:
f f h
h2
f (z) f i = i + 1 i - f (z), xi z xi+1
fi+1 = fi + hf i +
2
h
2!
Definicin: Una frmula para la primera derivada con el error de truncamiento
fi + 1 fi fi
=
h
h
h
E = - f (z) = O(h), xi z xi+1
2

f i

255
Esta aproximacin significa que la pendiente
de la tangente a f en el punto xi es aproximada
mediante la pendiente de la recta que incluye a
los puntos xi y xi+1, como se muestra en la
figura.
Para que la aproximacin sea aceptable,
debe ser suficientemente pequeo:
h0 E =

h
f (z) 0
2

Sin embargo, si h es demasiado pequeo, puede introducirse el error de redondeo como se

describe a continuacin. Este error se debe a la imprecisin en los clculos aritmticos o a
la limitada capacidad de representacin de los dispositivos de memoria de almacenamiento
de los nmeros reales.
Suponer que se debe evaluar f en un punto xi. Por lo mencionado anteriormente no se
obtendr exactamente fi sino una aproximacin f i . Sea Ri el error de redondeo: fi = f i + Ri
Si se sustituye en la frmula para la derivada se tiene:
fi + 1 fi h
f i+ 1 f i Ri+1 Ri h
f i + 1 + R i + 1 (f i + R i ) h
f (z) =
f (z) =
+
f (z)
2
2
2
h
h
h
h
Debido a que el error de redondeo solamente depende del dispositivo de almacenamiento y
h
no de h entonces, mientras el error de truncamiento E = f (z) se reduce si h 0, puede
2
ocurrir que el componente del error de redondeo: Ri+1 y Ri crezca significativamente
anulando la precisin que se obtiene al reducir el error de truncamiento E.

fi =

El siguiente programa escrito en Python incluye la frmula para estimar la primera derivada
de f(x) = x ex para x = 1 con valores de h = 0.1, 0.01, 0.001, 0.0001, ..., y su comparacin
con el valor exacto f(1) = 5.436563656918091

#Comportamiento del error en diferenciacin numrica

from math import*
def f(x):return x*exp(x)
r=5.436563656918091
#Valor exacto con 16 decimales
h=0.1
for i in range(15):
d=(f(1+h)-f(1))/h
e=abs(r-d)
print('%18.15f %18.15f %18.15f %18.15f'%(h,r,d,e))
h=h/10

256
Resultados obtenidos
0.100000000000000
0.010000000000000
0.001000000000000
0.000100000000000
0.000010000000000
0.000001000000000
0.000000100000000
0.000000010000000
0.000000001000000
0.000000000100000
0.000000000010000
0.000000000001000
0.000000000000100
0.000000000000010
0.000000000000001

5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091

5.863007978820320
5.477519670804032
5.440642892414527
5.436971417318581
5.436604431396929
5.436567733774210
5.436564070038229
5.436563643712588
5.436564087801797
5.436566752337056
5.436584515905450
5.437428285404166
5.435651928564766
5.417888360170763
6.217248937900876

0.426444321902229
0.040956013885941
0.004079235496436
0.000407760400490
0.000040774478838
0.000004076856119
0.000000413120138
0.000000013205503
0.000000430883706
0.000003095418965
0.000020858987359
0.000864628486075
0.000911728353326
0.018675296747328
0.780685280982785

Se observa que la precisin mejora cuando se reduce h, pero a partir de cierto valor de h el
resultado pierde precisin.
La aproximacin propuesta para fi es una frmula de primer orden cuyo error de
truncamiento es E=O(h). Por lo tanto, si se desea una aproximacin con alta precisin, se
debe elegir para h un valor muy pequeo, pero ya hemos mencionado que esto puede hacer
que el error de redondeo sea significativo.
Adicionalmente, si nicamente se tienen puntos de f, no se puede elegir h. Entonces es
preferible usar frmulas con mayor precisin usando los puntos dados.

8.3

Una frmula de segundo orden para la primera derivada

Una frmula ms precisa para la primera derivada se obtiene restando (1) y (2) con cuatro
trminos:
(1)

fi+1 = fi + hf i +

(2)

fi-1 = fi - hf i +

h2
h3
f i +
f (z1) ,
2!
3!
h2
h3
f i f (z2) ,
2!
3!

xi z1 xi+1
xi-1 z2 xi

h3
h3
f (z1) +
f (z2)
3!
3!
f f
f f
h2
h2
f i = i + 1 i 1 - (f (z1) + f (z2)) = i + 1 i 1 - (2f (z)), xi-1 z xi+1
2h
2h
12
12

(1) (2):

fi+1 - fi-1 = 2hf i +

Definicin: Una frmula de segundo orden para la primera derivada

f i

fi + 1 fi 1
,
2h

E=-

h2
f (z) = O(h2), xi-1 z xi+1
6

257
Ejemplo. Usar las frmulas para evaluar f'(1.1) dados los siguientes datos:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
f2 f1 3.9841 3.3046
=
= 6.7950,
h
0.1
f f 3.9841 2.7183
f 1 2 0 =
= 6.3293,
2h
2(0.1)

f 1

E=O(h)=O(0.1)
E=O(h2)=O(0.01)

Para comparar, estos datos son tomados de la funcin f(x) = x ex. El valor exacto es
f (1.1) = 6.3087. El error en la primera frmula es -0.4863 y para la segunda es -0.0206
En la realidad, nicamente se conocen puntos de f(x) con los cuales se debe intentar
estimar el error en los resultados de las frmulas mediante las aproximaciones de
diferencias finitas, recordando que esta aproximacin es aceptable si los valores de las
diferencias finitas en cada columna no cambian significactivamente y tienden a reducirse.
Ejemplo. Estime el error en los resultados del ejemplo anterior, con los dados dados:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
Tabulacin de las diferencias finitas:
i
xi
fi
fi
0
1.0
2.7183 0.5863
1
1.1
3.3046 0.6795
2
1.2
3.9841 0.7860
3
1.3
4.7701

2fi
0.0932
0.1065

3fi
0.0133

f2 f1 3.9841 3.3046
=
= 6.7950,
h
0.1
h
2 fi
h 2 fi
0.1066
E = - f (z)
=

=
0.5325
2
2 h2
2h
2(0.1)

f 1

f 1
E=-

f2 f0 3.9841 2.7183
=
= 6.3293,
2h
2(0.1)
3 fi
h2
h2 3 fi
0.0133
f (z)
=

=
0.0222
3
6
6 h
6h
6(0.1)

En el primer resultado, el error est en el primer decimal. En el segundo resultado, el error

est en el segundo decimal. Esto coincide bien con los valores calculados.

258
8.4

Una frmula para la segunda derivada

Una frmula para la segunda derivada se obtiene sumando (1) y (2) con 5 trminos:
(1)

fi+1 = fi + hf i +

(2)

fi-1 = fi - hf i +

(1) + (2):

h2
h3
h4
f i +
f i + f iv(z1),
2!
4!
3!
h2
h3
h4
f i f i + f iv(z2),
2!
3!
4!

fi+1 + fi-1 = 2fi + 2(

f i =

xi z1 xi+1
xi-1 z2 xi

h2
h4 iv
f i)+
(f (z1) + f iv(z2))
2!
4!

fi 1 2fi + fi + 1 h2
(2f iv(z)), xi-1 z xi+1
h2
4!

Definicin: Una frmula para la segunda derivada con el error de truncamiento

fi 1 2fi + fi + 1
h2

f i
E=-

h2 iv
f (z) = O(h2), xi-1 z xi+1
12

Ejemplo. Use la frmula para calcular f''(1.1) dados los siguientes datos:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
f0 2f1 + f2 2.7183 2(3.3046) + 3.9841
=
= 9.32,E=O(h2)=O(0.01)
h2
0.12
Estos datos son tomados de la funcin f(x) = x ex. El valor exacto es f(1.1) = 9.3129. El
error de truncamiento es -0.0071. Si se tuviese un punto adicional, se pudiera estimar el
error con la frmula, usando los datos y una aproximacin de diferencias finitas para la
cuarta derivada.

f 1

8.5

Obtencin de frmulas de diferenciacin numrica con el mtodo

de coeficientes indeterminados

Este mtodo permite obtener frmulas para derivadas usando como base cualquier grupo
de puntos.
Dados los puntos (xi, fi), i= 0, 1, 2, ..., n, encontrar una frmula para la k-sima derivada
de f(x) con la siguiente forma:
f(k)(xj) = cofi + c1fi+1 + c2fi+2 + ..., + cmfi+m + E,

j {i, i+1, i+2, ..., i+m}

La derivada debe evaluarse en el punto j que debe ser alguno de los puntos que intervienen
en la frmula.

259
Para determinar los coeficientes y el error de truncamiento se sigue el procedimiento:
1) Desarrollar cada trmino alrededor del punto xj con la serie de Taylor
2) Comparar los trminos en ambos lados de la ecuacin
3) Resolver el sistema resultante y obtener los coeficientes y la frmula para E
Ejemplo. Con el Mtodo de Coeficientes Indeterminados obtenga una frmula para f en el
punto xi usando los puntos xi y xi+1 :
fi = cofi + c1fi+1 + E
1) Desarrollar cada trmino alrededor del punto xi
fi = cofi + c1 (fi + hf i +

h2
f (z))+ E
2!

fi = (c0 + c1)fi + c1hf i + c1

h2
f (z)+ E
2!

2) Comparar trminos
0 = c 0 + c1
1 = c1h
0 = c1

h2
f (z) + E
2!

3) Con las dos primeras ecuaciones se obtiene:

c1 = 1/h, c0 = -1/h
Con la tercera ecuacin se obtiene:
h
h2
E = - (1/h) f (z)) = - f (z)
2
2!
Sustituyendo en la frmula propuesta:
f f h
f i =(-1/h)fi + (1/h)fi+1 + E = i+ 1 i - f (z), xi z xi+1
2
h
Igual a la frmula que se obtuvo directamente con la serie de Taylor.

8.6

Algunas otras frmulas de inters para evaluar derivadas

Frmulas para la primera derivada

3f(x 0 ) + 4f(x1 ) f(x 2 )
+ O(h2 )
2h
3f(xn 2 ) 4f(xn1 ) + f(xn )
=
f '(xn )
+ O(h2 )
2h
f(xi+ 2 ) + 8f(xi+ 1 ) 8f(xi1 ) + f(xi 2 )
f '(xi )
+ O(h4 )
12h
=
f '(x 0 )

260
8.7

Extrapolacin para diferenciacin numrica

Esta tcnica se puede aplicar a la diferenciacin numrica para mejorar la exactitud del valor
de una derivada usando resultados previos de menor precisin.
Examinamos el caso de la primera derivada, comenzando con una frmula conocida:
f(xi + h) f(xi h)
+ O(h2 )
2h
Si se define el operador D:

f '(xi )
=

El error de truncamiento es de segundo orden

f(xi + h) f(xi h)
2h
f '(x
=
D(h) + O(h2 )
i)

D(h) =

Reduciendo h, la aproximacin mejora pero el error sigue de segundo orden:

f '(xi ) D(h / 2) + O(h2 )
=

La tcnica de extrapolacin permite combinar estas aproximaciones para obtener un

resultado ms preciso, es decir con un error de truncamiento de mayor orden
Para aplicar la extrapolacin se utiliza la serie de Taylor con ms trminos:

h2 (2) h3 (3) h4 (4)

fi +
fi +
fi + O(h5 )
2
6
6
h2 (2) h3 (3) h4 (4)
+
fi
fi +
fi + O(h5 )
2
6
6

f(xi + h) =
fi + hfi(1) +
f(xi h) =fi hfi(1)

Restando y dividiendo para 2h

D(h) =
fi(1) +

h2 (3)
fi + O(h4 )
6

Definiendo

fi(3)
(1)
2
4
D(h) =fi + Ah + O(h )
6
Si se puede evaluar en h/2:
h2
D(h / 2) =
fi(1) + A
+ O(h4 )
4
Para eliminar A se combinan estas dos expresiones:
A=

D(h) 4D(h / 2) =+
fi(1) Ah2 + O(h4 ) 4fi(1) Ah2 + O(h2 ) =
3fi(1) + O(h2 )

De donde se obtiene
4D(h / 2) D(h)
=
fi(1) f=
'(xi )
+ O(h4 )
3
Es una frmula mayor precisin que la frmula inicial, para evaluar la primera derivada.
Este procedimiento puede continuar para encontrar frmulas de mayor orden.

261
Ejemplo. Dados los puntos (0.1, 0.1105), (0.2, 0.2442), (0.3, 0.4049), (0.4, 0.5967), (0.5,
0.8243) de una funcin f(x), calcule f'(0.3) usando extrapolacin en la diferenciacin
h = 0.2, xi = 0.3
f '(xi ) D(h) =
1.7845;
f '(xi ) D(h / 2) =
1.7625;
f '(xi )

4D(h / 2) D(h)
=
1.7551
3

Para comparacin, estos datos fueron tomados de la funcin f(x)=x ex

Valor exacto f'(0.3) = 1.7548.... Se verifica que usando resultados con precisin limitada, se
obtuvo un resultado con mayor precisin.

8.8

Ejercicios de diferenciacin numrica

1. Se tomaron los siguientes datos en Km. para las coordenadas del recorrido de un cohete:
(50, 3.5), (80, 4.2), (110, 5.7), (140, 3.8), (170, 1.2). Mediante aproximaciones de segundo
orden determine
a) Velocidad en el centro de la trayectoria
b) Aceleracin en el centro de la trayectoria
fi + 1 fi 1
para aproximar la primera derivada no puede
2h
aplicarse en los puntos extremos del conjunto de datos pues se requiere un punto a cada
lado. Use el mtodo de coeficientes indeterminados para encontrar frmulas de segundo
orden para la primera derivada con los siguientes puntos:

2. La frmula de segundo orden f i

a) f0 = C0f0 + C1f1 + C2f2 + ET

b) fn = Cnfn + Cn-1fn-1 + Cn-2fn-2 + ET
3. Con el mtodo de los coeficientes indeterminados demuestre la siguiente frmula que
relaciona la segunda derivada con la segunda diferencia finita:
f ''(z) =

2 fi
h2

, para algn z(xi, xi+2)

262
9

MTODOS NUMRICOS PARA RESOLVER ECUACIONES

DIFERENCIALES ORDINARIAS

El anlisis matemtico de muchos problemas en ciencias e ingeniera conduce a la

obtencin de ecuaciones diferenciales ordinarias (EDO). El estudio clsico de estas
ecuaciones ha enfatizado el estudio de mtodos analticos para resolverlas pero que no son
aplicables a un gran nmero de EDO, especialmente si son del tipo no-lineal.
Los mtodos numricos son una opcin importante para resolver estas ecuaciones cuando
la solucin analtica es muy complicada o no se puede aplicar. Estos mtodos
instrumentados computacionalmente proporcionan soluciones aproximadas para analizar el
comportamiento de la solucin. Adicionalmente se puede usar para experimentar
numricamente con algunos aspectos de convergencia y estabilidad del mtodo.
Por otra parte, programas como Python disponen de procedimientos simblicos y numricos
para obtener y graficar las soluciones de este tipo de ecuaciones.
Un problema importante es determinar las condiciones para que la solucin exista y sea
nica, y conocer el dominio en el que la solucin tiene validez. Otros temas relacionados
son la sensibilidad de la solucin a los cambios en la ecuacin o en la condicin inicial y la
estabilidad de la solucin calculada, es decir el estudio de la propagacin de los errores en
el clculo numrico. Sin embargo, el objetivo principal es resolver la ecuacin.
Una ecuacin diferencial ordinaria de orden n es una ecuacin del tipo:
F(x, y, y, y, ..., y(n-1), y(n)) = 0
En donde y es una funcin de una variable independiente. El orden de la ecuacin
diferencial es el orden de su derivada ms alta.
Si es que es posible expresar la ecuacin diferencial en la forma:
y(n) + a1y(n-1) + + an-1y' + any = b
en donde los coeficientes a1, a2,an, b son constantes o trminos que contienen la variable
independiente. Esta ecuacin se denomina ecuacin diferencial lineal explcita de orden n
En una EDO es de inters encontrar la funcin y que satisface a la ecuacin en cierto
dominio y a las condiciones que normalmente se suministran para particularizar la ecuacin.
Los mtodos numricos proporcionan puntos de esta funcin como una aproximacin a la
solucin analtica, y adems deben permitir estimar la precisin.

263
Ejemplo. Un cuerpo de masa m sujeto a un extremo de un resorte con constante de
amortiguacin k, con el otro extremo fijo, se desliza sobre una mesa con un coeficiente de
friccin c. A partir de un estado inicial, las oscilaciones decrecen hasta que se detiene. La
ecuacin del movimiento es
ma =
cv ks
Fs =

En donde a es la aceleracin, v es la velocidad, s es desplazamiento, t es tiempo.

Del planteamiento fsico del problema se obtiene la ecuacin:

d2 s c ds k
+
+ s=0
dt 2 m dt m
Es una ecuacin diferencial ordinaria lineal de segundo orden. Su solucin describe el
desplazamiento s en funcin del tiempo t partiendo de alguna condicin inicial.

9.1

Ecuaciones diferenciales ordinarias lineales de primer orden

con la condicin en el inicio

Estas ecuaciones tienen la forma general

F(x, y, y) = 0, con la condicin inicial y(x0) = y0
Si es una ecuacin diferencial explcita, se puede escribir de la siguiente manera:
y(x) = f(x, y), y(x0) = y0
En la notacin de derivada:
dy
= f(x, y) , y(x0) = y0
dx
Su solucin es una funcin y(x) definida en algn intervalo, que satisface a la ecuacin e
incluye a la condicin inicial. La solucin de esta ecuacin se puede expresar integrando:

x
x0

dy = f(x, y)dx
x0

y(x) =y(x 0 ) + f(x, y(x))dx

x0

Los mtodos numricos permiten obtener una solucin aproximada cuando no es posible o
es muy complicado obtenerla en forma explcita.
Para adquirir confianza al resolver ecuaciones complicadas para las cuales ya no pueda
obtener la solucin analtica, es conveniente comenzar con ecuaciones que si tengan
solucin analtica y comparar la solucin numrica con la solucin conocida. Tambin se
puede comparar con los resultados de los mtodos numricos incluidos en las libreras del
lenguaje computacional utilizado.

264
9.1.1

Existencia de la solucin

Condicin de Lipschitz
Sea la funcin f : A R, A R. Si existe una constante kR+ tal que

| f(a) f(b) | k | a b | , para a,b A, entonces f satisface la condicin de Lipschitz en A

La condicin de Lipschitz se puede interpretar geomtricamente re-escribindola:
f(a) f(b)
k , para a,b A, a b
ab
Entonces, una funcin f satisface la condicin de Lipschitz si y solo si las pendientes de
todos los segmentos de recta que unen dos puntos de la grfica de y=f(x) en A, estn
acotadas por algn nmero positivo k
Teorema.- Si f : A R, A R es una funcin de Lipschitz, entonces el dominio y el rango
de f son conjuntos acotados.
Sea una ecuacin diferencial de primer orden con una condicin inicial:
y'(x)=f(x,y), y(x0)=y0, x0xxn
Teorema.- Si f es continua en x0xxn, -<y<. Si f satisface la condicin de Lipschitz en la
variable -<y<, entonces la ecuacin diferencial y'(x)=f(x,y), y(x0)=y0 tiene una solucin
nica y(x) en x0xxn
Es decir que f debe ser continua en el rectngulo x0xxn, -<y<, y el cambio de
y'(x)=f(x,y) para diferentes valores de y debe estar acotado.
Adicionalmente, es importante verificar si la solucin calculada es muy sensible a los errores
en la formulacin de la ecuacin diferencial o en la condicin inicial. Se puede detectar esta
situacin calculando numricamente el problema original y el problema modificado con
alguna perturbacin.

265
9.1.2

Mtodo de la serie de Taylor

Dada la ecuacin diferencial de primer orden con la condicin en el inicio:

y(x) = f(x, y), y(x0) = y0
El desarrollo de la Serie de Taylor se usa para obtener puntos de la solucin a una distancia
elegida h, a partir de la condicin inicial conocida, y estimar el error de truncamiento.

hn+1
h2
hn (n)
yi + ... +
y i+
y (n+1)(z), xi z xi+1
yi+1 = yi + hy i +
(n + 1)!
2!
n!
h es el parmetro para obtener puntos de la solucin
Este procedimiento permite mejorar la precisin incluyendo ms trminos de la serie. En la
expresin resultante se usan las derivadas de y(x) por lo que las frmulas resultantes son
aplicables nicamente para la ecuacin especificada. El objetivo de los mtodos numricos
es proporcionar frmulas y algoritmos generales.
Ejemplo. Obtenga dos puntos de la solucin de la siguiente ecuacin diferencial utilizando
los tres primeros trminos de la serie de Taylor con h = 0.1
y - y - x + x2 - 1 = 0, y(0) = 1
Solucin
yi+1 = yi + hy i +

h2
yi,
2!

E=

h3
y(z) = O(h3) = O(0.001) (Error de truncamiento)
3!

xi+1 = xi + h, i = 0, 1, 2, ...
Obtencin de las derivadas
y = f(x, y) = y - x2 + x + 1,
y = f(x, y) = y - 2x + 1 = (y - x2 + x + 1) - 2x + 1 = y - x2 - x + 2
x0 = 0, y0 = 1, h = 0.1
Al desarrollar la Serie de Taylor en el punto xi se obtiene una frmula para obtener puntos
de la solucin para la ecuacin diferencial propuesta:
yi+1 = yi + h(yi - x2i + xi + 1) +

h2
( yi - x2i - xi + 2)
2

xi+1 = xi + h, i = 0, 1, 2, ...
Puntos calculados:
i=0:

y1 = y0 + h(y0 - x20 + x0 + 1) +
= 1 + 0.1(1 02 + 0 + 1) +
x1 = x0 + h = 0 + 0.1 = 0.1

h2
( y0 - x20 - x0 + 2)
2

0.12
( 1 - 02 0 + 2) = 1.2150
2

266

i=1:

y2 = y1 + h(y1 - x21 + x1 + 1) +

h2
( y1 - x21 - x1 + 2)
2

= 1.2150 + 0.1(1.2150 0.12 + 0.1 + 1) +

0.12
( 1.2150 0.12 0.1 + 2) = 1.4610
2

x2 = x1 + h = 0.1 + 0.1 = 0.2

Para comprobar la exactitud comparamos con la solucin exacta: y(x) = ex + x + x2
y(0.1) = 1.2152
y(0.2) = 1.4614
El error concuerda con el orden del error de truncamiento para esta frmula
En el siguiente grfico se muestran los dos puntos obtenidos junto con el grfico de la
solucin analtica exacta. La concordancia es muy buena.

267
9.1.3

Instrumentacin computacional del mtodo de la Serie de Taylor

La siguiente funcin en Python permite obtener puntos de la solucin de una EDO de primer
orden con tres trminos de la Serie de Taylor. La funcin requiere especificar f(x,y), f(x,y),
el punto inicial (x0, y0) y los parmetros h (paso o distancia entre puntos), y m (cantidad de
puntos).
Ecuacin diferencial: y'(x)=f(x,y), y(x0)=y0, x0xxn
Serie de Taylor:

yi+1 = yi + hy i +

h2
h2
yi = yi + hf(xi,yi) +
f (xi,yi)
2!
2!

xi+1 = xi + h, i = 0, 1, 2, ...
def taylor3(f,df,x,y,h,m):
u=[]
v=[]
for i in range(m):
y=y+h*f(x,y)+h**2/2*df(x,y)
x=x+h
u=u+[x]
v=v+[y]
return [u,v]

Ejemplo. Con la funcin taylor3, obtenga 5 puntos de la solucin de la siguiente ecuacin

diferencial. Tabule y grafique los puntos. Use h = 0.1
y - y - x + x2 - 1 = 0, y(0) = 1
Solucin
f(x, y) = y - x2 + x + 1
f(x, y) = y - x2 - x + 2
x0 = 0, y0 = 1,
h = 0.1,
m=5
>>> from taylor3 import*
>>> def f(x,y):return y-x**2+x+1
>>> def df(x,y):return y-x**2-x+2
>>> [u,v]=taylor3(f,df,0,1,0.1,5)
>>> u
[0.1, 0.2, 0.3, 0.4, 0.5]
>>> v
[1.2149, 1.4610, 1.7392, 2.0509, 2.3974]
Por simplicidad se muestran solamente cuatro decimales

268
Grfico de los puntos de con la funcin plot de la libreria Pylab
>>>
>>>
>>>
>>>

from pylab import*

plot(u,v,'o')
grid(True)
show()

Solucin numrica con el mtodo odeint de la librera Scipy de Python

>>> from numpy import*
>>> from scipy.integrate import odeint
>>> def f(y,x):return y-x**2+x+1
>>> x=arange(0,0.6,0.1)
>>> y=odeint(f,1,x)
>>> x
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5])
>>> y
array([[ 1.
],
[ 1.21517091],
[ 1.46140275],
[ 1.73985882],
[ 2.05182469],
[ 2.39872127]])

Note el orden de x, y
Dominio de y(x). Incluye x0
Integrar. Se incluye y(x0)

269
Solucin analtica con el mtodo dsolve de la librera simblica Sympy de Python
Resolver la ecuacin diferencial:
y - y - x + x2 - 1 = 0
Con la condicin inicial
y(0) = 1
>>> from sympy import*
>>> x=Symbol('x')
>>> y=Function('y')
>>> dsolve(Derivative(y(x),x)-y(x)-x+x**2-1)
y(x) == (C1 + x*(x + 1)*exp(-x))*exp(x)
Para determinar la constante se aplica la condicin inicial
y(0) = 1 = (C1 + 0*(0 + 1)*e-0)*e0 = C1(1) C1 = 1
Sustituyendo se obtiene la solucin analtica
y(x) = (1 + x(x+1)e-x)ex = ex + x2 + x
Grfico de la solucin analtica con la funcin plot de la librera Sympy, en el intervalo [0,1]
>>> y=exp(x)+x**2+x
>>> plot(y,(x,0,1))

Si la ecuacin diferencial es de tipo no-lineal, entonces el mtodo simblico no puede llegar

a una solucin analtica exacta.
Nota. En la fecha actual, el mtodo dsolve de la librera sympy de Python an est en
desarrollo si se compara con mtodos similares de otros programas existentes para manejo
simblico.

270
La instrumentacin de la funcin taylor3 requiere enviar como parmetros f(x,y) y f(x,y).
La derivada de f debe obtenerse previamente y debe ser enviada como parmetro.
En la siguiente seccin se decribe una funcin para obtener las derivadas de y(x) = f(x,y)
computacionalmente.

9.1.4

Obtencin de derivadas de funciones implcitas

Desarrollo de una funcin para obtener las derivadas sucesivas de una funcin implcita
usando el manejo simblico de la librera Sympy. La expresin resultante queda en formato
simple y directamente evaluable, por lo tanto puede incorporarse en un mtodo numrico
para evaluar trminos de la serie de Taylor y evitar el envo de derivadas desde fuera del
mtodo numrico. Esta funcin no est disponible en Python por lo que la funcin propuesta
en esta seccin es una contribucin de inters para este tema.
Uso de la funcin derive:
derive(f,nd)
f:
nd:

funcin f(x,y) en la cual y=y(x) siendo x la variable independiente

orden de la derivada

from sympy import*

x,y=symbols('x,y')
def derive(f,nd):
t=f
for j in range(1,nd+1):
d=diff(f.subs(y,y(x)),x)
f=d.subs(Derivative(y(x),x),(t)).subs(y(x),y)
return f

Ejemplo. Sea y = y(x), obtenga y(x) = f(x,y) = y2sen(y)-x2+x+1

>>> from derive import derive
>>> from sympy import*
>>> x,y=symbols('x,y')
>>> f=y**2*sin(y)-x**2+x+1
>>> d=derive(f,1)
>>> print(d)
-2*x + y**2*(-x**2 + x + y**2*sin(y) + 1)*cos(y) + 2*y*(-x**2 + x +
y**2*sin(y) + 1)*sin(y) + 1

271
Evaluacin de la derivada
Ejemplo. Evaluar la derivada obtenida anteriormente. Use x = 1.5, y = 2.3
>>> d=d.subs(x,1.5).subs(y,2.3)
>>> d
-2.39580345631014
>>> d.evalf(6)
-2.39580

Sustitucin de variables

Funcin para mostrar

una cantidad fija de dgitos

272
9.1.5

Instrumentacin de un mtodo general para resolver una E.D.O con la serie

de Taylor

Con la funcin derive se puede instrumentar una funcin para obtener puntos de la solucin
de una ecuacin diferencial ordinaria de primer orden, lineal o no lineal, con una cantidad
arbitraria de trminos de la serie de Taylor con lo cual, en teora, la precisin puede ser
ilimitada:
Uso de la funcin:

taylorg(f, a, b, h, m, k)

La funcin requiere especificar f = f(x,y) definida en forma simblica, el punto inicial (a=x0,
b=y0) y los parmetros h (paso o distancia entre puntos), m (cantidad de puntos que se
calcularn), k ( orden de la derivada de y(x) que se desea incluir en el desarrollo, k1 ).
Ecuacin diferencial:
y'(x) = f(x,y), y(x0) = y0, x0 x xn
Desarrollo de la serie de Taylor:
yi+1 = yi + hf(xi, yi) +

k +1
h3 (2)
h2 (1)
f (xi, yi) +
f (xi, yi) + ... + h
f(k)(xi, yi)
3!
2!
(k + 1)!

xi+1 = xi + h, i = 0, 1, 2, ...
Error de truncamiento en cada paso: E = O(hk+2)
from sympy import*
from derive import derive
x,y=symbols('x,y')
def taylorg(f,a,b,h,m,k):
D=[ ]
for j in range(1,k+1):
D=D+[derive(f,j)]

#Vector de derivadas simblicas

u=[ ]
v=[ ]
for i in range(m):
g=f.subs(x,a).subs(y,b)
t=b+h*g
for j in range(1,k+1):
z=D[j-1].subs(x,a).subs(y,b)
t=float(t+h**(j+1)/factorial(j+1)*z)
b=t
a=a+h
u=u+[a]
v=v+[b]
return [u,v]

#Evalua expresin

273
Ejemplo. Calcule 5 puntos de solucin de la ecuacin y - y - x + x2 - 1 = 0, y(0) = 1. Use
el desarrollo de la serie de Taylor hasta la tercera derivada de y(x) = f(x,y), con h = 0.1

h2 (1)
h3 (2)
h4 (3)
f (xi, yi) +
f (xi, yi) +
f (xi, yi)
2!
3!
4!
xi+1 = xi + h, i = 0, 1, 2, 4, 5
yi+1 = yi + hf(xi, yi) +

El error de truncamiento en cada paso ser O(h5)

Solucin
Con la funcin taylorg:
>>> from sympy import*
>>> from taylorg import taylorg
>>> x,y=symbols('x,y')
>>> f=y+x-x**2+1
>>> [u,v]=taylorg(f,0,1,0.1,5,3)
>>> u
[0.1, 0.2, 0.3, 0.4, 0.5]
>>> v
[1.215170, 1.461402, 1.739858, 2.051824, 2.398720]
Por simplicidad se muestran nicamente seis decimales. Este resultado tiene un error de
truncamiento en el orden 10-6

En las siguientes secciones se describirn algunos mtodos numricos clsicos

equivalentes a usar ms trminos de la serie de Taylor y que no requieren construir las
derivadas de f(x,y) ni usar variables de tipo simblico.
Estos mtodos usan aproximaciones para las derivadas y tienen la ventaja que pueden
extenderse a sistemas de ecuaciones diferenciales y a ecuaciones diferenciales con
derivadas de mayor orden, incluyendo el importante caso de las ecuaciones diferenciales
no-lineales.

274
9.1.6

Frmula de Euler

Las siguientes frmulas constituyen los mtodos clsicos para resolver numricamente
ecuaciones diferenciales ordinarias. Son equivalentes a usar varios trminos de la serie de
Taylor pero sustituyen las derivadas por aproximaciones, de tal manera que no se requiere
especificarlas o usar el mtodo de derivacin implcita anterior. Las frmulas y los algoritmos
resultantes son independientes de una EDO particular.
Sea una ecuacin diferencial ordinaria explcita de primer orden con una condicin en el
inicio:
y(x) = f(x, y), y(x0) = y0
La frmula de Euler usa los dos primeros trminos de la serie de Taylor:
yi+1 = yi + hyi +

h2
h2
y(z) = yi + hf(xi, yi) +
y(z), xi z xi+1
2!
2!

Definicin: Frmula de Euler

yi+1 = yi + h f(xi ,yi)

xi+1 = xi + h,
2

E=

h
y(z) = O(h2),
2!

i = 0, 1, 2, ...
xi z xi+1

(Error de truncamiento en cada paso)

Algoritmo para calcular puntos de la solucin de una EDO de primer orden con la
frmula de Euler
1)
2)
3)
4)
5)
6)

Defina f(x,y) y la condicin incial (x0, y0)

Defina h y la cantidad de puntos a calcular m
Para i = 1, 2, ..., m
yi+1 = yi + h f(xi ,yi)
.
xi+1 = xi + h
fin

Ejemplo. Obtenga dos puntos de la solucin de la siguiente ecuacin diferencial con la

frmula de Euler. Use h = 0.1
y - y - x + x2 - 1 = 0, y(0) = 1
Ecuacin diferencial
y = f(x, y) = y + x - x2 + 1, x0 = 0, y0 = 1, h = 0.1

275
Clculo de los puntos
i=0:

y1 = y0 + h f(x0, y0) = 1 + 0.1 f(0, 1) = 1 + 0.1(1 + 0 - 02 + 1) = 1.2000;

x1 = x0 + h = 0 + 0.1 = 0.1

i=1:

y2 = y1 + h f(x1, y1) = 1.2 + 0.1 f(0.1, 1.2) = 1.2 + 0.1 (1.2 + 0.1 - 0.12 + 1] = 1.4290
x2 = x1 + h = 0.1 + 0.1 = 0.2

Para comprobar comparamos con la solucin exacta: y(x) = x + x2 + ex

y(0.1) = 1.2152
y(0.2) = 1.4614
El error es significativo. Para reducirlo se pudiera reducir h. Esto hara que el error de
truncamiento se reduzca pero si la cantidad de clculos es muy grande, pudiera acumular
error de redondeo. Una mejor estrategia es usar mtodos ms precisos que no requieran
que h sea muy pequeo.

9.1.7

Error de truncamiento y error de redondeo

La frmula de Euler utiliza la pendiente de la recta en cada punto para predecir y estimar la
solucin en el siguiente punto, a una distancia elegida h. La diferencia del punto calculado,
con respecto al valor exacto es el error de truncamiento, el cual puede crecer al proseguir el
clculo.

En cada paso el error de truncamiento es:

E=

h2
y(z) = O(h2),
2

Para reducir E se debe reducir h puesto que h 0 E0. Sin embargo, este hecho
matemticamente cierto, al ser aplicado tiene una consecuencia importante que es
interesante analizar

276
Suponer que se desea calcular la solucin y(x) en un intervalo fijo x0 x xf mediante m
puntos xi = x0, x1, x2, ..., xm espaciados regularmente en una distancia h:
h=

x f x0
m

Sea Ei el error de truncamiento en el paso i, entonces

y1 = y0 + h f(x0, y0) + E1
y2 = y1 + h f(x1, y1) + E2 = y0 + hf(x0, y0) + hf(x1, y1) + E1 + E2
y3 = y2 + h f(x2, y2) + E3 = y0 + hf(x0, y0) + hf(x1, y1) + hf(x2, y2) + E1 + E2 + E3
...
ym = y0 + hf(x0, y0) + hf(x1, y1) + hf(x2, y2) + . . . + hf(xm-1, ym-1) + E1 + E2 + E3 + ... + Em
Siendo Ei =

h2
y(zi )
2

El error de truncamiento acumulado es:

E = E1 + E2 + E3 + ... + Em = mh2( D ) =

xf x0 2
h ( D ) = h[( x f x 0 ) D ]
h

y"(zi )
,
2
independiente de h. Se muestra que el error de truncamiento acumulado es solamente de
orden O(h), por lo tanto h debe ser un valor mas pequeo que el previsto para asegurar que
la solucin calculada sea suficientemente precisa hasta el final del intervalo.

En donde suponemos que existe un valor promedio D de los valores de

Por otra parte, cada vez que se evala f(xi, yi) se puede introducir el error de redondeo Ri
debido a los errores en la aritmtica computacional y al dispositivo de almacenamiento.
Entonces, el error de redondeo se pudiera acumular en cada paso y al final del intervalo se
tendr:
x x0
1
( R ) = [( x f x 0 ) R ]
R = R1 + R2 + R3 + . . . + Rm = m ( R ) = f
h
h

R es algn valor promedio del error de redondeo en cada paso, independiente de h.

El error total acumulado al realizar los clculos con la frmula de Euler hasta el final del
intervalo:
1
EA = E + R = h[( x f x 0 ) D ] + [( x f x 0 ) R ]
h
Si m es muy grande, h ser muy pequeo y E ser pequeo, pero al reducir h, el error de
redondeo R puede crecer y llegar a ser mayor al error de truncamiento, por lo tanto el
resultado perder precisin en vez de aumentarla, lo cual se acepta equivocadamente como
verdadero porque solamente se considera el error de truncamiento.
Como conclusin de lo anterior, es preferible usar frmulas cuyo error de truncamiento E
sea de mayor orden para que el valor de h no requiera ser muy pequeo si se buscan
resultados con alta precisin. Esto retardar tambin el efecto del error de redondeo
acumulado R.

277
9.1.8

Instrumentacin computacional de la frmula de Euler

Se define una funcin para obtener puntos de la solucin de una EDO de primer orden con
dos trminos de la Serie de Taylor. La funcin requiere especificar f(x,y), el punto inicial (x0,
y0) y los parmetros h (paso o distancia entre puntos), y m (cantidad de puntos).
La funcin entrega los vectores u, v conteniendo los puntos x, y(x)
Ecuacin diferencial: y'(x)=f(x,y), y(x0)=y0, x0xxn
Frmula de Euler:
yi+1 = yi + hy i = yi + hf(xi,yi)
xi+1 = xi + h, i = 0, 1, 2, ...
def euler(f,x,y,h,m):
u=[]
v=[]
for i in range(m):
y=y+h*f(x,y)
x=x+h
u=u+[x]
v=v+[y]
return [u,v]

Ejemplo. Calcule 20 puntos de la solucin de la ecuacin y - y - x + x2 - 1 = 0, y(0) = 1

espaciados en una distancia h = 0.1, usando la funcin euler.
Grafique y compare con la solucin analtica.
Solucin
f(x, y) = y - x2 + x + 1
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from euler import*
def f(x,y):return y-x**2+x+1
[u,v]=euler(f,0,1,0.1,20)
plot(u,v,'or')
def y(x):return exp(x)+x**2+x
x=arange(0,2.1,0.1)
plot(x,y(x),'ob')
grid(True)
show()

Ecuacin diferencial
Grfico de la solucin con Euler
Solucin analtica
Grfico de la solucin analtica

278

Puntos de la solucin analtica y la solucin numrica con la frmula de Euler

9.1.9

Frmula mejorada de Euler o frmula de Heun

Sea la ecuacin diferencial de primer orden con condicin en el inicio:

y(x) = f(x, y), y(x0) = y0
La frmula de Heun o frmula mejorada de Euler es aproximadamente equivalente a usar
los tres primeros trminos de la serie de Taylor con un artificio para sustituir la primera
derivada de f(x, y)
yi+1 = yi + hy i +

h2
h3
h2
h3
yi +
y(z) = yi + hf(xi, yi) + f(xi, yi) +
y(z), xi z xi+1
2!
3!
2!
3!

yi+1 = yi + hf(xi, yi) +

h2
f(xi, yi) + O(h3)
2

fi + 1 fi
+ O(h)
h
h
h
h2 f f
yi+1 = yi + hfi + [ i+ 1 i + O(h)] + O(h3) = yi + hfi + fi+1 - fi + O(h3)
2
2
h
2
h
yi+1 = yi + (fi + fi+1) + O(h3)
2

Para evaluar f(xi, yi) usamos una aproximacin simple: fi =

Para evaluar fi+1 = f(xi+1, yi+1) se usa yi+1 calculado con la frmula de Euler como
aproximacin inicial:
yi+1 = yi + hf(xi, yi)
h
yi+1 = yi + (f(xi, yi) + f(xi+1, yi+1))
2
xi+1 = xi + h,
i = 0, 1, 2, ...

Valor usado como una aproximacin (Euler)

Valor mejorado con la frmula de Heun

279
Esta frmula se puede escribir con la notacin que se muestra en la siguiente definicin
Definicin:

Frmula de Heun

K1 = hf(xi, yi)
K2 = hf(xi + h, yi + K1)
1
yi+1 = yi + (K1 + K2)
2
xi+1 = xi + h,
i = 0, 1, 2, ...
E=

h3
y(z) = O(h3), xi z xi+1
3!

(Error de truncamiento en cada paso)

Grficamente, se puede interpretar que esta frmula calcula cada nuevo punto usando un
promedio de las pendientes en los puntos inicial y final en cada intervalo de longitud h.
El error de truncamiento en cada paso es de tercer orden O(h3), y el error de truncamiento
acumulado es de segundo orden O(h2), mejor que la frmula de Euler.

Algoritmo para resolver una EDO de primer orden con la frmula de Heun
1) Defina f(x,y) y la condicin incial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i = 1, 2, ..., m
4)
K1 = hf(xi, yi)
5)
K2 = hf(xi + h, yi + K1))
1
.
6)
yi+1 = yi + (K1 + K2)
2
7)
xi+1 = xi + h
8) fin
Ejemplo. Obtener dos puntos de la solucin de la siguiente ecuacin diferencial con la
frmula de Heun. Use h = 0.1
y - y - x + x2 - 1 = 0, y(0) = 1
Solucin
y = f(x, y) = x - x2 + y + 1, x0 = 0, y0 = 1, h = 0.1
Clculos
i=0:

K1 = hf(x0, y0) = 0.1 f(0, 1) = 0.1 (0 - 02 +1 + 1) = 0.2000;

K2 = hf(x0 + h, y0 + K1) = 0.1 f(0.1, 1.2) = 0.1 [ 0.1 0.12 + 1.2 +1] = 0.2290
1
y1 = y0 + (K1 + K2) = 1 + 0.5(0.2000 + 0.2290) = 1.2145
2
x1 = x0 + h = 0 + 0.1 = 0.1

280

i=1:

K1 = hf(x1, y1) = 0.1 f(0.1, 1.2145) = 0.1 (0.1 0.12 + 1.2145 + 1) =0.2305;
K2 = hf(x1 + h, y1 + K1) = 0.1 f(0.2, 1.4450) = 0.1 [ 0.2 0.22 + 1.4450 + 1] = 0.2605
1
y2 = y1 + (K1 + K2) = 1.2145 + 0.5(0.2305 + 0.2605) = 1.4600
2
x2 = x1 + h = 0.1 + 0.1 = 0.2

Para comprobar comparamos con la solucin exacta: y(x) = x + x2 + ex

y(0.1) = 1.2152
y(0.2) = 1.4614
El error de truncamiento en cada paso est en el orden de los milsimos, coincidiendo
aproximadamente con E=O(h3)

9.1.10 Instrumentacin computacional de la frmula de Heun

Una funcin para obtener puntos de la solucin de una EDO de primer orden con una
frmula equivalente a usar tres trminos de la Serie de Taylor pero sin construir la derivada
f(x,y). La funcin requiere nicamente f(x,y), el punto inicial (x0, y0) y los parmetros h
(paso o distancia entre puntos), y m (cantidad de puntos).
La funcin entrega los vectores u, v conteniendo los puntos x, y(x)
Ecuacin diferencial: y'(x)=f(x,y), y(x0)=y0, x0xxn
Frmula de Heun:

K1 = hf(xi, yi)
K2 = hf(xi + h, yi + K1)
1
yi+1 = yi + (K1 + K2),
2
i = 0, 1, 2, ...
xi+1 = xi + h,

def heun(f,x,y,h,m):
u=[]
v=[]
for i in range(m):
k1=h*f(x,y)
k2=h*f(x+h,y+k1)
y=y+0.5*(k1+k2)
x=x+h
u=u+[x]
v=v+[y]
return [u,v]

281
Ejemplo. Calcule 20 puntos de la solucin de la ecuacin y - y - x + x2 - 1 = 0, y(0) = 1
espaciados en una distancia h = 0.1, usando la funcin Heun
Grafique y compare con la solucin analtica.
Solucin
f(x, y) = y - x2 + x + 1
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from heun import*
def f(x,y):return y-x**2+x+1
[u,v]=heun(f,0,1,0.1,20)
plot(u,v,'or')
def y(x):return exp(x)+x**2+x
x=arange(0,2.1,0.1)
plot(x,y(x),'ob')
grid(True)
show()

Ecuacin diferencial
Grfico de la solucin con Heun
Solucin analtica
Grfico de la solucin analtica

Puntos de la solucin analtica y numrica con la frmula de Heun

La diferencia en el grfico no es significativa

282
9.1.11 Frmulas de Runge-Kutta
Estas frmulas utilizan artificios matemticos para incorporar ms trminos de la serie de
Taylor. Describimos la ms popular, denominada frmula de Runge-Kutta de cuarto orden,
la cual es aproximadamente equivalente a incluir los cinco primeros trminos de la Serie de
Taylor:
yi+1 = yi + hf(xi, yi) +

h2
h4
h3
f(xi, yi) +
f (xi, yi) +
f(xi, yi) + O(h5)
2
4!
3!

xi+1 = xi + h, i = 0, 1, 2, ...
Mediante sustituciones de las derivadas por aproximaciones, se desarrolla una frmula que
no requiere especificar las derivadas de f(x,y)
Dada una ecuacin diferencial de primer orden con una condicin en el inicio: y(x) = f(x, y),
y(x0) = y0, se define la frmula de Runge-Kutta de cuarto orden:
Definicin:

Frmula de Runge-Kutta de cuarto orden

K1 = hf(xi, yi)
K2 = hf(xi + h/2, yi + K1/2)
K3 = hf(xi + h/2, yi + K2/2)
K4 = hf(xi + h, yi + K3)
1
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
i = 0, 1, 2, ...
xi+1 = xi + h,
E=

h5 (5)
y (z) = O(h5), xi z xi+1
5!

(Error de truncamiento en cada paso)

Grficamente, se puede interpretar que esta frmula calcula cada nuevo punto usando un
promedio ponderado de las pendientes en los puntos inicial, medio y final en cada intervalo
de longitud h. El error de truncamiento en cada paso es de quinto orden O(h5), y el error de
truncamiento acumulado es de cuarto orden O(h4), suficientemente exacto para problemas
comunes.
Algoritmo para resolver una EDO de primer orden con la frmula de Runge-Kutta
1) Defina f(x,y) y la condicin inicial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i = 1, 2, ..., m
4)
K1 = hf(xi, yi)
5)
K2 = hf(xi + h/2, yi + K1/2)
6)
K3 = hf(xi + h/2, yi + K2/2)
7)
K4 = hf(xi + h, yi + K3)
1
.
8)
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
9)
xi+1 = xi + h
10) fin

283
Ejemplo. Obtenga un punto de la solucin de la siguiente ecuacin diferencial con la
frmula de Runge-Kutta de cuarto orden. Use h = 0.1
y - y - x + x2 - 1 = 0, y(0) = 1
Solucin
y = f(x, y) = x - x2 + y + 1, x0 = 0, y0 = 1, h = 0.1
Clculo de puntos
i=0:
K1 = hf(x0, y0) = 0.1 f(0, 1) = 0.1 (0 - 02 +1 + 1) = 0.2000;
K2 = hf(x0 + h/2, y0 + K1/2) = 0.1 f(0.05, 1.1) = 0.1 (0.05-0.052+1.1+1) = 0.2148
K3 = hf(x0 + h/2, y0 + K2/2) = 0.1 f(0.05, 1.1074) = 0.1 (0.05-0.052+1.1074+1) = 0.2155
K4 = hf(x0 + h, y0 + K3) = 0.1 f(0.1, 1.2155) = 0.1 (0.1-0.12+1.2155+1) = 0.2305
1
1
y1 = y0 + (K1 + 2K2 + 2K3 + K4 ) = 1 + [0.2 + 2(0.2148)+2(0.2155)+0.2305] = 1.2152
6
6
x1 = x0 + h = 0 + 0.1 = 0.1
Para comprobar comparamos con la solucin exacta: y(x) = x + x2 + ex
y(0.1) = 1.2152
El error de truncamiento en cada paso est en el orden de los cienmilsimos, coincidiendo
aproximadamente con E=O(h5). Los resultados tienen una precisin aceptable para la
solucin de problemas prcticos, por lo cual esta frmula es muy utilizada

284
9.1.12 Instrumentacin computacional de la frmula de Runge-Kutta
Una funcin en Python para obtener puntos de la solucin de una EDO de primer orden con
una frmula equivalente a usar cinco trminos de la Serie de Taylor pero sin describir las
derivadas de f(x,y). La funcin requiere especificar f(x,y), el punto inicial (x0, y0) y los
parmetros h (paso o distancia entre puntos), y m (cantidad de puntos).
La funcin entrega los vectores u, v conteniendo los puntos x, y(x)
Ecuacin diferencial: y'(x) = f(x,y), y(x0) = y0, x0 x xn
Frmula de Runge_kutta:
K1 = hf(xi, yi)
K2 = hf(xi + h/2, yi + K1/2)
K3 = hf(xi + h/2, yi + K2/2)
K4 = hf(xi + h, yi + K3)
1
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
i = 0, 1, 2, ...
xi+1 = xi + h,

def rungekutta(f,x,y,h,m):
u=[]
v=[]
for i in range(m):
k1=h*f(x,y)
k2=h*f(x+h/2,y+k1/2)
k3=h*f(x+h/2,y+k2/2)
k4=h*f(x+h,y+k3)
y=y+1/6*(k1+2*k2+2*k3+k4)
x=x+h
u=u+[x]
v=v+[y]
return [u,v]

285
Ejemplo. Calcule 20 puntos de la solucin de la ecuacin y - y - x + x2 - 1 = 0, y(0) = 1
espaciados en una distancia h = 0.1, usando la funcin rungekutta
Grafique y compare con la solucin analtica.
Solucin
f(x, y) = y - x2 + x + 1
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from rungekutta import*
def f(x,y):return y-x**2+x+1
[u,v]=rungekutta(f,0,1,0.1,20)
plot(u,v,'or')
def y(x):return exp(x)+x**2+x
x=arange(0,2.1,0.1)
plot(x,y(x),'ob')
grid(True)
show()

Ecuacin diferencial
Grfico de la solucin con R-K
Solucin analtica
Grfico de la solucin analtica

Puntos de la solucin analtica y numrica con la frmula de Heun

Los grficos de las dos soluciones coinciden

286
Para verificar la alta precisin, se calcula la diferencia entre la solucin numrica y analtica
cuando x=1
>>> v[9]
4.718276340387802
>>> y(1)
4.7182818284590446
>>> v[9]-y(1)
-5.4880712427873846e-06

La celda v[9] corresponde a y(1)

Solucin analtica
Diferencia

287
9.2

Sistemas de ecuaciones diferenciales ordinarias de primer orden

con condiciones en el inicio

Los mtodos numricos desarrollados para una ecuacin diferencial ordinaria de primer
orden pueden extenderse directamente a sistemas de ecuaciones diferenciales de primer
orden.
Analizamos el caso de dos ecuaciones diferenciales ordinarias de primer orden con
condiciones en el inicio
F(x, y, z, y) = 0, y(x0) = y0
G(x, y, z, z) = 0, z(x0) = z0
Se deben escribir en la notacin adecuada para usar los mtodos numricos
y = f(x, y, z), y(x0) = y0
z = g(x, y, z), z(x0) = z0
9.2.1

Frmula de Heun extendida a dos E. D. O. de primer orden

La frmula de Heun o frmula mejorada de Euler para un sistema de dos EDOs de primer
orden con condiciones en el inicio, es una extensin directa de la frmula para una EDO:
Definicin:

Frmula de Heun para un sistema de dos EDO de primer orden

con condiciones en el inicio

K1,y = hf(xi, yi, zi)

K1,z = hg(xi, yi, zi)
K2,y = hf(xi + h, yi + K1,y, zi + K1,z)
K2,z = hg(xi + h, yi + K1,y, zi + K1,z)
1
yi+1 = yi + (K1,y + K2,y)
2
1
zi+1 = zi + (K1,z + K2,z)
2
i = 0, 1, 2, ...
xi+1 = xi + h,
3
E = O(h ), xi z xi+1
(Error de truncamiento en cada paso)

Ejemplo. Obtenga dos puntos de la solucin del siguiente sistema de ecuaciones

diferenciales con la frmula de Heun. Use h = 0.1
y x y z = 0, y(0) = 1
z + x y + z = 0, z(0) = 2
Solucin
y = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2

288
Clculo de dos puntos de la solucin
i=0:

K1,y = hf(x0, y0, z0) = 0.1 f(0, 1, 2) = 0.1 (0 +1 + 2) = 0.3

K1,z = hg(x0, y0, z0) = 0.1 g(0, 1, 2) = 0.1 (-0 +1 - 2) = -0.1
K2,y = hf(x0+h, y0+K1,y, z0+K1,z) = 0.1 f(0.1, 1.3, 1.9) = 0.1 (0.1 + 1.3 + 1.9) = 0.33
K2,z = hg(x0+h, y0+K1,y, z0+K1,z) = 0.1 f(0.1, 1.3, 1.9) = 0.1 (-0.1 + 1.3 - 1.9) = -0.07
1
y1 = y0 + (K1,y + K2,y) = 1 + 0.5(0.3 + 0.33) = 1.3150
2
1
z1 = z0 + (K1,z + K2,z) = 2 + 0.5(-0.1 + (-0.07)) = 1.9150
2
x1 = x0 + h = 0 + 0.1 = 0.1

i=1:

K1,y = hf(x1, y1, z1) = 0.1 f(0.1, 1.3150, 1.9150) = 0.333

K1,z = hg(x1, y1, z1) = 0.1 g(0.1, 1.3150, 1.9150) = -0.07
K2,y = hf(x1+h, y1+K1,y, z1+K1,z) = 0.1 f(0.2, 1.648, 1.845) = 0.3693
K2,z = hg(x1+h, y1+K1,y, z1+K1,z) = 0.1 f(0.2, 1.648, 1.845) = -0.0397
1
y2 = y1 + (K1,y + K2,y) = 1.6662
2
1
z2= z1+ (K1,z + K2,z) = 1.8602
2
x2= x1+ h = 0.1 + 0.1 = 0.2

Para comprobar comparamos con la solucin exacta

y(0.1) = 1.3160, z(0.1) = 1.9150
y(0.2) = 1.6684, z(0.2) = 1.8604
Los resultados calculados con la frmula de Heun tienen al menos dos decimales exactos, y
coinciden aproximadamente con E=O(h3)

289
9.2.2 Instrumentacin computacional de la frmula de Heun para dos E. D. O. de
primer orden
Una funcin para calcular puntos de la solucin de un sistema de dos ecuaciones
diferenciales ordinarias de primer orden con condiciones en el inicio con la frmula de Heun.
La funcin requiere f(x,y), g(x,y), los puntos iniciales (x0, y0), (x0, z0) y los parmetros h , m
(cantidad de puntos).
La funcin entrega tres vectores u, v, w conteniendo los puntos de x, y(x), z(x)
def heun2(f,g,x,y,z,h,m):
u=[]
v=[]
w=[]
for i in range(m):
k1y=h*f(x,y,z)
k1z=h*g(x,y,z)
k2y=h*f(x+h,y+k1y,z+k1z)
k2z=h*g(x+h,y+k1y,z+k1z)
y=y+0.5*(k1y+k2y)
z=z+0.5*(k1z+k2z)
x=x+h
u=u+[x]
v=v+[y]
w=w+[z]
return [u,v,w]

Ejemplo. Con la frmula de Heun obtenga 20 puntos de la solucin del siguiente sistema de
ecuaciones diferenciales. Use h = 0.1 Grafique y compare con la solucin numrica de
Python.
y x y z = 0, y(0) = 1
z + x y + z = 0, z(0) = 2
Solucin
y = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from heun2 import*
def f(x,y,z):return x+y+z
def g(x,y,z):return -x+y-z
[u,v,w]=heun2(f,g,0,1,2,0.1,20)
plot(u,v,'sk')
plot(u,w,'*k')
grid(True)
show()

Ecuaciones diferenciales
Puntos de la solucin
Grfico de y(x)
Grfico de z(x)

290

Solucin numrica con el mtodo Odeint de la librera SciPy de Python

>>>
>>>
>>>
>>>

>>>
>>>
>>>
>>>
>>>
>>>

from numpy import*

from pylab import*
from scipy.integrate import odeint
def fun(v0,x):
y=v0[0]
z=v0[1]
vec=[x+y+z,-x+y-z]
return vec
x=arange(0,2.1,0.1)
v0=[1,2]
vsol=odeint(fun,v0,x)
plot(x,vsol,'o')
grid(True)
show()

Definicin del sistema de EDO

Variable independiente
Vectores solucin
Grficos de los vectores

291
9.2.3

Frmula de Runge-Kutta para dos EDO de primer orden y condiciones en el

inicio

Las frmulas de Runge-Kutta igualmente se pueden extender a sistemas de dos o ms

EDOs de primer orden con condiciones en el inicio.
Analizamos el caso de dos ecuaciones diferenciales ordinarias de primer orden con
condiciones en el inicio, en las que y(x) y z(x) aparecen en forma explcita
F(x, y, z, y) = 0, y(x0) = y0
G(x, y, z, z) = 0, z(x0) = z0
Se pueden escribir en la notacin para uso de los mtodos numricos
y = f(x, y, z), y(x0) = y0
z = g(x, y, z), z(x0) = z0
Definicin:

Frmula de Runge-Kutta de cuarto orden para un sistema de dos EDO

de primer orden con condiciones en el inicio

K1,y = hf(xi, yi, zi)

K1,z = hg(xi, yi, zi)
K2,y = hf(xi + h/2, yi + K1,y/2, zi+ K1,z/2)
K2,z = hg(xi + h/2, yi + K1,y/2, zi+ K1,z/2)
K3,y = hf(xi + h/2, yi + K2,y/2, zi+ K2,z/2)
K3,z = hg(xi + h/2, yi + K2,y/2, zi+ K2,z/2)
K4,y = hf(xi + h, yi + K3,y, zi + K3,z)
K4,z = hg(xi + h, yi + K3,y, zi + K3,z)
1
yi+1 = yi + (K1,y + 2K2,y + 2K3,y + K4,y)
6
1
zi+1 = zi + (K1,z + 2K2,z + 2K3,z + K4,z)
6
i = 0, 1, 2, ...
xi+1 = xi + h,
5
E = O(h ), xi z xi+1
(Error de truncamiento en cada paso)

292
9.2.4 Instrumentacin computacional de la frmula de Runge-Kutta para dos EDO de
primer orden
Una funcin para calcular puntos de la solucin de un sistema de dos ecuaciones
diferenciales ordinarias de primer orden con condiciones en el inicio con la frmula de
Runge-Kutta.
La funcin requiere f(x,y), g(x,y), los puntos iniciales (x0, y0), (x0, z0) y los parmetros h , m
(cantidad de puntos).
La funcin entrega tres vectores u, v, w conteniendo los puntos de x, y(x), z(x)
def rungekutta2(f,g,x,y,z,h,m):
u=[]
v=[]
w=[]
for i in range(m):
k1y=h*f(x,y,z)
k1z=h*g(x,y,z)
k2y=h*f(x+h/2,y+k1y/2,z+k1z/2)
k2z=h*g(x+h/2,y+k1y/2,z+k1z/2)
k3y=h*f(x+h/2,y+k2y/2,z+k2z/2)
k3z=h*g(x+h/2,y+k2y/2,z+k2z/2)
k4y=h*f(x+h,y+k3y,z+k3z)
k4z=h*g(x+h,y+k3y,z+k3z)
y=y+1/6*(k1y+2*k2y+2*k3y+k4y)
z=z+1/6*(k1z+2*k2z+2*k3z+k4z)
x=x+h
u=u+[x]
v=v+[y]
w=w+[z]
return [u,v,w]
Ejemplo. Con la frmula de Heun obtenga 20 puntos de la solucin del siguiente sistema de
ecuaciones diferenciales. Use h = 0.1 Grafique y compare con la solucin numrica de
Python.
y x y z = 0, y(0) = 1
z + x y + z = 0, z(0) = 2
Solucin
y = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2
>>>
>>>
>>>
>>>

from pylab import*

from rungekutta2 import*
def f(x,y,z):return x+y+z
def g(x,y,z):return -x+y-z

Ecuaciones diferenciales

293
>>>
>>>
>>>
>>>
>>>

[u,v,w]=rungekutta2(f,g,0,1,2,0.1,20)
plot(u,v,'sk')
plot(u,w,'*k')
grid(True)
show()

Puntos de la solucin
Grfico de y(x)
Grfico de z(x)

294
9.3

Ecuaciones diferenciales ordinarias de mayor orden y condiciones en el inicio

Mediante sustituciones estas ecuaciones se transforman en sistemas de ecuaciones

diferenciales ordinarias de primer orden con condiciones en el inicio y se aplican los
mtodos numricos como en la seccin anterior.
Analizamos el caso de una ecuacin diferencial ordinaria de segundo orden con condiciones
en el inicio, en la que y(x) y y(x) aparecen en forma explcita
G(x, y, y, y) = 0,

y(x0) = y0, y(x0) = y0

Mediante la sustitucin
z = y
Se tiene
G(x, y, z, z) = 0
Se puede escribir como un sistema de dos ecuaciones diferenciales de primer orden
siguiendo la notacin anterior:
y = f(x, y, z) = z
z = g(x, y, z)
expresin que se obtiene despejando z de G
Con las condiciones iniciales
y(x0) = y0
z(x0) = y0 = z0
Es un sistema de dos ecuaciones diferenciales de primer orden con condiciones en el inicio.
Ejemplo. Calcule un punto de la solucin de la siguiente ecuacin diferencial de segundo
orden con condiciones en el inicio, con la frmula de Runge-Kutta de cuarto orden, h = 0.1
y y x + y + 1 = 0, y(0) = 1, y(0) = 2
Solucin
Mediante la sustitucin z = y se obtiene
z z x + y + 1 = 0
Constituyen un sistema de dos ecuaciones diferenciales de primer orden que se puede
escribir
y = f(x,y,z) = z, y(0) = 1
z = g(x,y,z) = x y + z 1, z(0) = 2

295
Clculo de los puntos de la solucin
i=0:
x0 = 0, y0 = 1, z0 = 2
K1,y = hf(x0, y0, z0) = 0.1 f(0, 1, 2) = 0.1 (2) = 0.2
K1,z = hg(x0, y0, z0) = 0.1 g(0, 1, 2) = 0.1 (0 1 + 2 1) = 0
K2,y = hf(x0 + h/2, y0 + K1,y/2, z0+ K1,z/2)= 0.1f(0.05, 1.1, 2) = 0.1( 2) = 0.2
K2,z = hgx0 + h/2, y0 + K1,y/2, z0+ K1,z/2)= 0.1g(0.05, 1.1, 2) =0.1(0.05-1.1+2-1) = -0.005
K3,y = hf(x0 + h/2, y0 + K2,y/2, z0+ K2,z/2) = 0.1 f( 0.05, 1.1, 1.9975) = 0.1998
K3,z = hg(x0 + h/2, y0 + K2,y/2, z0+ K2,z/2) = 0.1 g( 0.05, 1.1, 1.9975) = -0.0052
K4,y = hf(x0 + h, y0 + K3,y, z0 + K3,z) = 0.1 f(0.1, 1.1998, 1.9948) = 0.1995
K4,z = hgx0 + h, y0 + K3,y, z0 + K3,z) = 0.1 g0.1, 1.1998, 1.9948) = -0.0105
1
(K1,y + 2K2,y + 2K3,y + K4,y) = 1 +
6
1
z1 = z0 + (K1,z + 2K2,z + 2K3,z + K4,z) = 2 +
6
x1 = x0 + h = 0 + 0.1 = 0.1

y1 = y0 +

1
[0.2+2(0.2)+2(0.1998)+0.1995] = 1.1998
6
1
[0+2(-0.005)+2(-0.0052)-0.0105]=1.9948
6

296
9.3.1

Instrumentacin computacional

Al transformar la ecuacin diferencial de segundo orden a un sistema de dos ecuaciones

diferenciales de primer orden se pueden usar las mismas funciones desarrolladas
anteriormente. Para el ejemplo anterior se usar funcin rungekutta2
Solucin
Mediante la sustitucin z = y se obtiene
z z x + y + 1 = 0
Constituyen un sistema de dos ecuaciones diferenciales de primer orden que se puede
escribir
y = f(x,y,z) = z,
y(0) = 1
z = g(x,y,z) = x y + z 1,
z(0) = 2
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from rungekutta2 import*
def f(x,y,z):return z
def g(x,y,z):return x-y+z-1
[u,v,w]=rungekutta2(f,g,0,1,2,0.1,20)
plot(u,v,'ob')
grid(True)
show()

Ecuaciones diferenciales
Puntos de la solucin
Grfico de y(x)

297
Solucin numrica de la ecuacin diferencial de segundo orden del ejemplo anterior
transformada a dos de primer orden, con el mtodo Odeint de la librera Scipy de Python
y = f(x,y,z) = z,
z = g(x,y,z) = x y + z 1,
>>>
>>>
>>>
>>>

>>>
>>>
>>>
>>>
>>>
>>>

y(0) = 1
z(0) = 2

from numpy import*

from pylab import*
from scipy.integrate import odeint
def fun(v0,x):
y=v0[0]
z=v0[1]
vec=[z, x-y+z-1]
return vec
x=arange(0,2.1,0.1)
v0=[1,2]
vsol=odeint(fun,v0,x)
plot(x,vsol,'o')
grid(True)
show()

>>> shape(vsol)
(21, 2)
>>> vsol
array([[ 1.
,
[ 1.19982918,
[ 1.39860011,
[ 1.59516358,

Definicin del sistema de EDO

Variable independiente x = 0, 0.1,..2.0

Vectores solucin
Grficos de los vectores

El arreglo vsol contiene dos columnas

de 21 elementos. La primera es y(x)
2.
],
1.99483344],
1.97866944],
1.95052131],

Fila 0, columnas 0 y 1
Fila 1, columnas 0 y 1

. . . . . . . . . . .
[ 3.24934419, -0.39055822],
[ 3.19585332, -0.68155148],
[ 3.11260243, -0.98547847]])

Fila 20, columnas 0 y 1

298
Solucin numrica de la ecuacin diferencial de segundo orden del ejemplo anterior con el
mtodo dsolve de la librera simblica SymPy de Python
y y x + y + 1 = 0, y(0) = 1, y(0) = 2
>>> from sympy import*
>>> x=Symbol('x')
>>> y=Function('y')
>>> dsolve(Derivative(y(x),x,x)-Derivative(y(x),x)-x+y(x)+1)
y(x) == x + (C1*sin(sqrt(3)*x/2) + C2*cos(sqrt(3)*x/2))*sqrt(exp(x))

299
9.4

Ecuaciones diferenciales ordinarias no lineales

Los mtodos numricos pueden aplicarse igualmente para calcular la solucin aproximada
de ecuaciones diferenciales ordinarias no lineales, para las cuales no es posible o pudiese
ser muy laborioso obtener la solucin analtica
Ejemplo. Obtenga numricamente la solucin de la ecuacin
y + yy - x + y - 3 = 0, y(0) = 1, y(0) = 2, 0x2
Mediante la sustitucin z = y, se obtiene:

z + yz - x + y - 3 = 0

Es un sistema de dos ecuaciones diferenciales de primer orden que se puede escribir

y = f(x,y,z) = z, y(0) = 1
z = g(x,y,z) = x - y - yz + 3, z(0) = 2
Solucin con el mtodo runkekutta2
>>> from rungekutta2 import*
>>> def f(x,y,z):return z
Ecuaciones diferenciales
>>> def g(x,y,z):return x-y-y*z+3
>>> [u,v,w]=rungekutta2(f,g,0,1,2,0.1,5)
Puntos de la solucin
>>> u
[0.1, 0.2, 0.3, 0.4, 0.5]
>>> v
[1.199189, 1.393761, 1.579876, 1.754709, 1.916509]
Solucin con el mtodo odeint de Python para sistemas de EDOs
>>> from numpy import*
>>> from scipy.integrate import odeint
>>> def fun(v0,x):
Definicin del sistema de EDO
y=v0[0]
z=v0[1]
vec=[z, x-y-y*z+3]
return vec
>>> x=arange(0,0.6,0.1)
Variable independiente
>>> v0=[1,2]
>>> vsol=odeint(fun,v0,x)
Vectores solucin
>>> x
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5])
>>> vsol
array([[ 1.
, 2.
],
[ 1.19919072, 1.97599116],
[ 1.3937634 , 1.90902847],
[ 1.57987764, 1.80854407],
[ 1.75471089, 1.68521327],
[ 1.91651026, 1.54953843]])

300
9.5 Convergencia y estabilidad numrica
Los mtodos numricos que se utilizan para resolver una ecuacin diferencial, como se
muestra en los ejemplos anteriores, proporcionan una solucin discreta aproximada. Para
algunas ecuaciones diferenciales ordinarias, nicamente se tiene esta solucin discreta por
lo que es de inters verificar de alguna manera su existencia y convergencia.
La convergencia numrica puede hacerse variando el parmetro h del mtodo numrico
seleccionado y cuantificando la tendencia de algunos puntos de control de la solucin
calculada
Un indicio de la existencia de la solucin se puede observar en los resultados grficos y
numricos verificando que no contenga puntos singulares.
Adicionalmente, es importante verificar si la solucin obtenida es muy sensible a los errores
en la formulacin de la ecuacin diferencial o en la condicin inicial. Se puede detectar esta
situacin calculando numricamente el problema original y el problema con alguna
perturbacin. Si la solucin cambia significativamente puede interpretarse que el problema
no est bien planteado.

301
9.6

Ecuaciones diferenciales ordinarias con condiciones en los bordes

En esta seccin revisaremos los mtodos numricos para resolver ecuaciones diferenciales
ordinarias para las cuales se proporcionan condiciones iniciales en los bordes, siendo de
inters conocer la solucin en el interior de esta regin, como en el siguiente ejemplo:
y - y + y - 2ex - 3 = 0, y(0) = 1, y(1) = 5, 0 x 1

9.6.1

Mtodo de prueba y error (mtodo del disparo)

Una opcin para obtener la solucin numrica consiste en realizar varios intentos
suponiendo una condicin adicional en el inicio para poder usar los mtodos vistos
anteriormente. Para el ejemplo anterior probamos:
y - y + y - 2ex - 3 = 0, y(0) = 1, y(0) = 1, 0 x 1
Esta es ahora una ecuacin diferencial de segundo orden con condiciones en el inicio, la
cual se puede re-escribir como dos ecuaciones diferenciales de primer orden:
y = f(x,y,z) = z, y(0) = 1
z = g(x,y,z) = 2ex - y + z + 3, z(0) = 1
Aqu se puede aplicar alguno de los mtodos estudiados (Heun, Runge-Kutta, etc.). El
clculo debe continuar hasta llegar al otro extremo del intervalo de inters. Entonces se
debe comparar el resultado obtenido en el extremo derecho con el dato dado para ese
borde: y(1) = 5.
Esto permite corregir la condicin inicial supuesta y volver a calcular todo nuevamente. Este
procedimiento se puede repetir varias veces.
En la siguiente figura se observan tres intentos con el mtodo de Runge-Kutta de cuarto
orden probando con valores iniciales z(0) = y(0) = 1, 0.5, 0.8
Usamos nuestra conocida funcin rungekutta2 para resolver el ejemplo. Se calculan 20
puntos de la solucin espaciados en una distancia 0.05
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from rungekutta2 import*
def f(x,y,z):return z
def g(x,y,z):return 2*exp(x)-y+z+3
[u,v,w]=rungekutta2(f, g, 0, 1, 1, 0.05, 20)
plot(u,v,'ob')
grid(True)
show()

Ecuaciones diferenciales
Puntos de la solucin
Grfico de y(x)

302

En este primer intento el valor que se obtiene para y(x) en el extremo x = 1 es

>>> v[19]
5.614229

Contiene el valor de y(1)

Este valor es mayor a la codicin dada en el extremo derecho: y(1) = 5, por lo tanto, en el
siguiente intento reducimos el valor de z(0) = y(0) a 0.5:
>>> [u,v,w]=rungekutta2(f, g, 0,1, 0.5, 0.05, 20)
Se obtiene
>>> v[19]
4.889117
Para sistematizar la eleccin del valor inicial es preferible usar una interpolacin para
asignar el siguiente valor de y(0) en los siguientes intentos.
Sean

ya, yb
ya, yb
yn
y0

valores elegidos para y(0) en dos intentos realizados

valores obtenidos para y en el extremo derecho del intervalo, en los intentos
valor suministrado como dato para el extremo derecho del intervalo
nuevo valor corregido para y(0) para realizar un nuevo intento

Usamos una recta para predecir el valor para y0:

yb ya
y' y'a
y'b b
(yb yn )
=
yb yn
(y'b y'0 ) y'0 =
y' b y'a
yb ya
Para el ejemplo anterior, se tienen
ya = 1
yb = 0.5
ya = 5.614229
(valor obtenido en el extremo derecho, con ya = 1)
yb = 4.889117
(valor obtenido en el extremo derecho, con yb = 0.5)
yn = 5
(dato)

303
Con lo que resulta
0.5 1
y'0 =
0.5
(4.889117 5) = 0.5765
4.889117 5.614229

Al realizar la siguiente prueba con este valor de y(0) se comprueba que la solucin
calculada est muy cerca de la solucin analtica. Se puede verificar que el punto final
calculado y(xn) coincide en cinco decimales con el dato suministrado y(1) = 5:
>>> [u,v,w]=rungekutta2(f, g, 0,1, 0.5765, 0.05, 20)
Se obtiene
>>> v[19]
5.000059
Este mtodo tambin se puede usar para resolver ecuaciones diferenciales ordinarias no
lineales con condiciones en los bordes.

304
9.6.2

Mtodo de diferencias finitas

Este es un enfoque ms general para resolver ecuaciones diferenciales ordinarias con

condiciones en los bordes. Consiste en sustituir las derivadas por aproximaciones de
diferencias finitas. La ecuacin resultante se denomina ecuacin de diferencias y puede
resolverse por mtodos algebraicos.
Es importante usar en la sustitucin aproximaciones del mismo orden para las derivadas, de
tal manera que la ecuacin de diferencias tenga consistencia en el error de truncamiento.
Aproximaciones de diferencias finitas de segundo orden O(h2) conocidas:
y yi 1
y i = i + 1
+ O(h2)
2h
y 2yi + yi 1
+ O(h2)
y i = i + 1
h2
Ejemplo. Sustituya las derivadas por diferencias finitas en la EDO del ejemplo anterior
y - y + y - 2ex - 3 = 0, y(0) = 1, y(1) = 5
Solucin
La sustitucin convierte la ecuacin original en una ecuacin discretizada:
yi + 1 2yi + yi 1 yi + 1 yi 1
+ yi - 2 e xi - 3 = 0, i = 1, 2, ..., n-1
2h
h2
Siendo n la cantidad de divisiones espaciadas en h en que se ha dividido el intervalo 0x1
La ecuacin resultante se denomina ecuacin de diferencias con error de truncamiento
O(h2).
Esta ecuacin es consistente pues su lmite, cuando
original.

h0

es la ecuacin diferencial

Para facilitar los clculos es conveniente expresar la ecuacin de diferencias en forma

estndar agrupando trminos:
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 1, 2, ..., n-1

305
Para describir el uso de esta ecuacin, supondremos que h=0.25. En la realidad debera
ser ms pequeo para que el error de truncamiento se reduzca. Con este valor de h el
problema se puede visualizar de la siguiente manera

y0 = y(0) = 1, (dato en el borde izquierdo)

y4 = y(1) = 5, (dato en el borde derecho)
y1, y2, y3 , son los puntos que se calcularn
A continuacin se aplica la ecuacin de diferencias en los puntos especificados
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 1, 2, 3
i=1:
i=2:
i=3:

(2+0.25)y0 + (2(0.252)-4)y1 + (2-0.25)y2 = 4(0.252) e0.25 + 6(0.252)

-3.875y1 + 1.75y2 = -1.5540
(2+0.25)y1 + (2(0.252)-4)y2 + (2-0.25)y3 = 4(0.252) e0.5 + 6(0.252)
2.25y1 - 3.875y2 + 1.75y3 = 0.7872
(2+0.25)y2 + (2(0.252)-4)y3 + (2-0.25)y4 = 4(0.252) e0.75 + 6(0.252)
2.25y2 - 3.875y3 = -7.9628

Estas tres ecuaciones conforman un sistema lineal

0 y1 1.5540
3.875 1.75
2.25 3.875 1.75 y =

2 0.7872
0
2.25 3.875 y3 7.9628

Cuya solucin es:

y1 = 1.3930, y2 = 2.1964, y3 = 3.4095

306
En el siguiente grfico se visualizan los resultados calculados

Comparacin de la solucin numrica y la solucin analtica

La aproximacin no es muy buena. Esto se debe a que la cantidad de puntos es muy
pequea. Si se desea una mejor aproximacin se debe reducir h.
El siguiente grfico muestra la solucin calculada con n=20. A este valor de n le
corresponde h=0.05.
Se obtiene un sistema de 19 ecuaciones lineales cuyas incgnitas son los puntos interiores.
Se observa que los resultados tienen una aproximacin aceptable

Las ecuaciones que se obtienen con el mtodo de diferencias conforman un sistema

tridiagonal de ecuaciones lineales. Estos sistemas pueden resolverse con un algoritmo
definido en un captulo anterior el cual tiene eficiencia tipo T(n) = O(n)

307
9.6.3 Instrumentacin computacional del mtodo de diferencias finitas para una EDO.
Dada la ecuacin diferencial de segundo orden con condiciones en los bordes:
F(x, y(x), y(x), y(x)) = 0, (x0, y0), (xn, yn)
La siguiente instrumentacin computacional del mtodo de diferencias finitas corresponde a
la solucin de la ecuacin de diferencias que resulta despus del reemplazo de las
derivadas y luego de ser escrita en forma estandarizada:
(P)yi-1 + (Q)yi + (R)yi+1 = (S), i = 1, 2, 3, . . . , n-1
En donde P, Q, R, S son expresiones que pueden contener xi y h, siendo x la variable
independiente. Para esta instrumentacin, estas expresiones deben definirse como
funciones.
La funcin entrega los puntos calculados de la solucin x, y en los vectores u, v.
Los puntos en los bordes: (x0, y0) y (xn, yn) son dados como datos, n es la cantidad de
sub intervalos espaciados a una distancia h.

from tridiagonal import *

def edodif(P,Q,R,S,x0,y0,xn,yn,n):
h=(xn-x0)/n
u=[];a=[];b=[];c=[];d=[]
for i in range(0,n-1):
x=x0+h*i
a=a+[P(x,h)]
#diagonales del sistema tridiagonal
b=b+[Q(x,h)]
c=c+[R(x,h)]
d=d+[S(x,h)]
u=u+[x]
d[0]=d[0]-a[0]*y0
#correccin para la primera ecuacin
d[n-2]=d[n-2]-c[n-2]*yn
#correccin para la ltima ecuacin
v=tridiagonal(a,b,c,d)
return [u,v]

308
Ejemplo. Use la funcin edodif para resolver la ecuacin diferencial con condiciones en
los bordes; y - y + y - 2ex - 3 = 0, y(0) = 1, y(1) = 5, con n=20 sub intervalos
Solucin
Forma estndar de la ecuacin de diferencias para el ejemplo anterior, luego del reemplazo
de las derivadas:
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i=1, 2,..., n-1; y0=y(0)=1; yn=y(1)=5
Escribimos directamente en la ventana interactiva:
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from edodif import*
def P(x,h): return 2+h
def Q(x,h): return 2*h**2-4
def R(x,h): return 2-h
def S(x,h): return 4*h**2*exp(x)+6*h**2
[u,v]=edodif(P,Q,R,S,0,1,1,5,20)
plot(u,v,'ob')
grid(True)
show()

Los puntos de la solucin estn almacenados en los vectores u, v

309
9.6.4

Ecuaciones diferenciales ordinarias con condiciones en los bordes con

derivadas

Consideremos una variacin del problema anterior:

y - y + y - 2ex - 3 = 0, y(0) = 0.5, y(1) = 5, 0 x 1
Luego de sustituir las derivadas y simplificar se tiene la ecuacin de diferencias como antes:
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 1, 2, ..., n-1
Por simplicidad, consideremos que h = 0.25

El punto y0 tambin es desconocido. Ahora aplicamos la ecuacin de diferencias en cada

uno de los puntos desconocidos, incluyendo el punto y0
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 0, 1, 2, 3
(2+0.25)y-1 + (2(0.252)-4)y0 + (2-0.25)y1 = 4(0.252) e0 + 6(0.252)
2.25y-1- 3.875y0 + 1.75y1 = 0.6250
i=1:
(2+0.25)y0 + (2(0.252)-4)y1 + (2-0.25)y2 = 4(0.252) e0.25 + 6(0.252)
2.25y0 - 3.875y1 + 1.75y2 = 0.6960
i=2:
(2+0.25)y1 + (2(0.252)-4)y2 + (2-0.25)y3 = 4(0.252) e0.5 + 6(0.252)
2.25y1 - 3.875y2 + 1.75y3 = 0.7872
i=3:
(2+0.25)y2 + (2(0.252)-4)y3 + (2-0.25)y4 = 4(0.252) e0.75 + 6(0.252)
2.25y2 - 3.875y3 = -7.8475
Se obtiene un sistema de cuatro ecuaciones con cinco incgnitas: y-1, y0, y1, y2, y3 .
Se ha introducido un punto ficticio y-1
i=0:

Usamos una aproximacin central de segundo orden para la primera derivada

y y 1
y 0 = 0.5 = 1
de donde se obtiene que y-1 = y1 - 2h(0.5) = y1 - 0.25
2h
Esto permite eliminar el punto ficticio y-1 en la primera ecuacin anterior:

310
i=0:
2.25(y1 - 0.25) - 3.875y0 + 1.75y1 = 0.6250 -3.875y0 + 4y1 = 1.1875
Finalmente, el sistema se puede escribir:
4
0
0 y0 1.1875
3.875
2.25
3.875 1.75
0 y1 0.6960

=
0
2.25
3.875 1.75 y2 0.7872

0
2.25
3.875 y3 7.8475
0

Cuya solucin es: y0 = 1.4738, y1 = 1.7246, y2 = 2.3216, y3 = 3.3732

El sistema resultante tiene forma tridiagonal, y por lo tanto se puede usar un algoritmo
especfico muy eficiente para resolverlo.
Otra alternativa sera la aplicacin de la ecuacin de diferencias en los puntos interiores. Se
obtendra un sistema de tres ecuaciones con las cuatro incgnitas: y0, y1, y2, y3. La cuarta
ecuacin se la obtendra con una frmula de segundo orden para la derivada en el punto
izquierdo definida con los mismos puntos desconocidos:
3y0 + 4y1 y2
y 0 = 0.5 =
2h
Este sistema no tendr la forma tpica tridiagonal, conveniente para resolver
computacionalmente el sistema de ecuaciones con eficiencia.

9.6.5

Instrumentacin computacional del mtodo de diferencias finitas con

derivadas en los bordes

La siguiente instrumentacin del mtodo de diferencias finitas permite resolver problemas de

tipo similar al ejemplo anterior, con una derivada en el borde izquierdo. Instrumentaciones
similares pueden desarrollarse si la derivada est en el borde derecho, o si ambos bordes
contienen derivadas. La funcin entrega los n-1 puntos calculados de la solucin x, y en
los vectores u, v
Dada la ecuacin diferencial de segundo orden con condiciones en los bordes:
F(x, y(x), y(x), y(x)) = 0, dados (x0, y0), (xn, yn)
Se conocen los datos en los bordes: (x0, y0) y (xn, yn), n es la cantidad de sub intervalos
espaciados a una distancia h.
La ecuacin de diferencias que se obtiene luego de la sustitucin de las derivadas debe
escribirse en forma estandarizada
(P)yi-1 + (Q)yi + (R)yi+1 = (S), i = 1, 2, 3, . . . , n-1, con los datos (x0, y0), (xn, yn)
En donde P, Q, R, S son expresiones que pueden contener xi y h

311

Dato de la derivada en el borde izquierdo:

y y 1
y 0 = 1
de donde se obtiene y-1 = y1 - 2h(y 0)
2h
Ecuacin de diferencias aplicada en el borde izquierdo: i = 0
(P)(y-1) + (Q)y0 + (R)y1 = (S)
Reemplazando el dato de la derivada
(P)(y1 - 2hy0) + (Q)y0 + (R)y1 = (S)
Se obtiene la primera ecuacin:
(Q)y0 + (P + R)y1 = (S) + (P)2hy0

from tridiagonal import tridiagonal

def edodifdi(P,Q,R,S,x0,dy0,xn,yn,n):
h=(xn-x0)/n
u=[];a=[];b=[];c=[];d=[]
for i in range(0,n):
x=x0+h*i
a=a+[P(x,h)]
b=b+[Q(x,h)]
c=c+[R(x,h)]
d=d+[S(x,h)]
u=u+[x]
x=h
c[0]=P(x,h)+R(x,h)
d[0]=S(x,h)+P(x,h)*2*h*dy0
d[n-1]=d[n-1]-c[n-1]*yn
v=tridiagonal(a,b,c,d)
return [u,v]

Uso de la funcin EDODIFDI para resolver el ejemplo anterior, con n=20 subintervalos
y - y + y - 2ex - 3 = 0, y(0) = 0.5, y(1) = 5, 0 x 1
Forma estndar de la ecuacin de diferencias
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2

312
(P)yi-1 + (Q)yi + (R)yi+1 = (S),
Escribimos directamente en la ventana interactiva:
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>
>>>

from pylab import*

from edodifdi import*
def P(x,h): return 2+h
def Q(x,h): return 2*h**2-4
def R(x,h): return 2-h
def S(x,h): return 4*h**2*exp(x)+6*h**2
[u,v]=edodifdi(P,Q,R,S,0,0.5,1,5,20)
plot(u,v,'ob')
grid(True)
show()

313
9.6.6

Normalizacin del dominio de la E.D.O

Previamente a la aplicacin de los mtodos numricos es conveniente normalizar la

ecuacin diferencial llevndola al dominio [0, 1] mediante las siguientes sustituciones. De
esta manera es adecuado considerar el error de truncamiento en trminos de h.
Ecuacin diferencial original
F(x, y(x), y(x), y(x) ) = 0, y(a) = u, y(b) = v, a x b
Mediante las sustituciones:
x = (b a)t + a: t = 0 x = a, t = 1 x = b,

dt
1
=
dx b a

y'(x)
=

dy dy dt
1 dy
1
y'(t)
=
=
=
dx dt dx b a dt b a

y ''(x)
=

d2 y
d dy
d dy dt
d
1 dy dt
1
d2 y
1
=
(
=
)
(
)
=
(
)
=
=
y ''(t)
dt dx dx dt b a dt dx (b a)2 dt 2
dx 2 dx dx
(b a)2

Se obtiene la ecuacin diferencial normalizada

F(t , y(t), y'(t) , y ''(t) ) = 0, y(0) = u, y(1) = v, 0 t 1

314
9.7

Ecuaciones diferenciales ordinarias con condiciones en el inicio: Frmulas de

pasos mltiples

Los mtodos de un paso como Runge-Kutta calculan cada punto de la solucin de una
E.D.O. a una distancia h utllizando la informacin del punto anterior. Los mtodos de pasos
mltiples son frmulas que utilizan varios puntos calculados y disponibles para calcular la
solucin en un nuevo punto.
9.7.1

Frmulas de pasos mltiples de prediccin

Estas frmulas se usan para calcular la solucin en un punto mediante un polinomio de

interpolacin colocado en varios puntos anteriores conocidos espaciados a una distancia h.
En el siguiente grfico se supondrn conocidos los puntos yi-k . . . yi-3, yi-2, yi-1, yi mientras
que se desea calcular el punto yi+1

yi-3

y0

yi-2

yi-1

yi

yi+1

y1

x0 x1

xi-3 xi-2 xi-1 xi xi+1

Obtencin de la frmula de pasos mltiples:

Dada la E. D. O.
y(x) = dy/dx = f(x,y), y(x0) = y0
Reescribir como
dy = f(x,y) dx = y(x) dx
Integrando desde un punto conocido y(xi-k) hasta un nuevo punto y(xi+1)

xi+ 1
x ik

xi+ 1

dy =
y'(x)dx
x ik

yi + 1 =
yi k +

xi+ 1
x ik

y'(x)dx

Para obtener una frmula aproximada se usa el polinomio de diferencias finitas regresivas
incluyendo al punto i y los puntos anteriores:
S
S + 1 2
S + 2 3
S + n 1 n
y'(x) =
pn (x) =
pn (S) =+
fi fi1 +
fi 2 +
fi 3 + ... +
fin
n
1
2
3

x xi
S + n n+ 1 (n+ 1)
E =
(z),
s
h y
h
n + 1

315
Sustituyendo el polinomio y cambiando los lmites y el diferencial
xi+ 1

x ik

yi + 1 =
yi k + pn (x)dx =
yi k + h pn (s)ds

Se obtiene la siguiente expresin con la que se pueden generar frmulas de pasos mltiples
denominadas de prediccin:
1

y=
yi k + h pn (s)ds
i+1
k

La frmula tiene dos parmetros para elegir: n, k

Ejemplos:
1

yi + 1 = yi + h fids = yi + hfi = yi + hf(xi , yi )

1) n =0, k =0 :

Es la conocida frmula de Euler

1

yi + 1 = yi + h [fi + sfi 1 +

2) n = 2, k = 0 :

= yi + h[fi +

s(s 1) 2
fi 2 ]ds
2

fi 1 5 2
+
fi 2 ]
2
12

Sustituyendo las diferencias finitas:

fi 1 = fi fi 1 ,

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

Se obtiene finalmente:
yi + 1 =+
yi

h
[23fi 16fi 1 + 5fi 2 ],
12

E=
O(h2 )

Observaciones importantes
1) Las frmulas de prediccin requieren tener puntos disponibles antes de su aplicacin.
Estos puntos deben ser calculados con mucha precisin. El mtodo adecuado para esto es
el mtodo de Runge-Kutta
2) La integracin extiende el polinomio de interpolacin hasta el punto i+1 que no pertenece
al dominio del polinomio. Por lo tanto se ha realizado una extrapolacin, que en general no
no produce resultados confiables.

316
9.7.2

Frmulas de pasos mltiples de correccin

Estas frmulas son el complemento a las frmulas de prediccin. En las frmulas de pasos
mltiples de correccin se coloca el polinomio de interpolacin incluyendo el punto i+1
calculado como una primera estimacin con la frmula de prediccin. El nuevo resultado
corrige el resultado y produce una mejor aproximacin.
Dada la ecuacin diferencial ordinaria de primer orden:
y(x) = dy/dx = f(x,y), y(x0) = y0
Reescribir como
dy = f(x,y) dx = y(x) dx
Integrando desde un punto arbitrario y(xi-k) hasta el punto desconocido y(xi+1)

xi+ 1
x ik

xi+ 1

dy =
y'(x)dx
x ik

yi + 1 =
yi k +

xi+ 1
x ik

y'(x)dx

Para obtener una frmula aproximada de correccin se usa el polinomio de diferencias

finitas regresivas incluyendo al punto i+1 y puntos anteriores:
S
S + 1 2
S + 2 3
S + n 1 n
pn (x)= pn (S)= fi+ 1 + fi +
fi1 +
fi 2 + ... +
fin+ 1
n
1
2
3

x xi + 1
S + n n+ 1 (n+ 1)
E =
(z),
s
h y
h
n + 1

Sustituyendo y(x) por el polinomio y cambiando los lmites y el diferencial

y=
yi k + h
i+1

0
k 1

pn (s)ds

Esta expresin se usa para generar frmulas de pasos mltiples de correccin:

La frmula tiene dos parmetros para elegir: n, k

Ejemplo:
n=
1, k =0 :

h
yi + 1 =yi + [fi + fi + 1 ]
2

Es la conocida frmula mejorada de Euler o frmula de Heun

317
9.7.3

Mtodos de Prediccin Correccin

La combinacin de una frmula de pasos mltiples de prediccin con una frmula de pasos
mltiples de correccin constituye un mtodo de Prediccin Correccin. Uno de estos
mtodos que ha sido estudiado se denomina mtodo de AdamsMoulton. Se lo obtiene con
los parmetros n=3, k=0 en las frmulas establecidas anteriormente. El desarrollo detallado
permite tambin conocer el error de truncamiento correspondiente.
Frmula de Prediccin de Adams-Moulton:
yi + 1 =+
yi

h
[55fi 59fi 1 + 37fi 2 + 9fi 3 ],
24

251
EP = h5 y v (z)
720

Frmula de Correccin de Adams-Moulton:

yi + 1 =
yi +

h
[9fi + 1 + 19fi 5fi 1 + fi 2 ],
24

19 5 v
EC =

h y (z)
720

Esta combinacin de frmulas permite establecer un esquema de exactitud para el error de

truncamiento con el planteamiento siguiente:
Sean
valor exacto, desconocido
yi+1:
yi+1,p: valor calculado con la frmula de prediccin de Adams Moulton
yi+1,c: valor calculado con la frmula de correccin de Adams Moulton
Suponer la siguiente disposicin:
yi+1

Yi+1,p
Ep
| yi + 1,c yi + 1 |
| yi + 1,p yi + 1 | + | yi + 1,c

yi+1,c
Ec

Ec
19 / 720
1
=

yi + 1 | | yi + 1,c yi + 1,p | 251/ 720 + 19 / 729 14

Suponiendo que los valores de las derivadas en los trminos del error son aproximadamente
iguales
De donde se puede establecer el siguiente criterio para la exactitud del mtodo:
| yi + 1,c yi + 1,p | 14 Ec

Suponer que se desea que el error en el resultado final de yi+1 caculado con la frmula de
correccin, no exceda a Ec<10-m, (m: cantidad de decimales exactos), entonces deber
cumplirse:
| yi + 1,c yi + 1,p |< 14x10 m

Si no se cumple, debe entenderse que el valor de h tendra que reducirse para mejorar la
exactitud.

318
9.8

Ejercicios con ecuaciones diferenciales ordinarias

1. Obtenga dos puntos de la solucin de la siguiente ecuacin diferencial utilizando tres

trminos de la Serie de Taylor. Use h = 0.1
y- 2x + 2y2 + 3=0, y(0)=1
2. Dada la siguiente ecuacin diferencial ordinaria de primer orden
y- 2y + 2x2 x + 3 = 0, y(0)=1.2
a) Obtenga dos puntos de la solucin con la frmula de Euler. Use h = 0.1
b) Obtenga dos puntos de la solucin con la frmula de Heun. Use h = 0.1
c) Obtenga dos puntos de la solucin con la frmula de Runge-Kutta de cuarto orden.
Use h = 0.1
d) Compare con la solucin exacta: y(x) = x/2 + x2 11/20 e2x + 7/4
3. Al resolver una ecuacin diferencial con un mtodo numrico, el error de truncamiento
tiende a acumularse y crecer. Use el mtodo de Euler con h=0.1 para calcular 10 puntos de
la solucin de la ecuacin: y' 2x + 5y 1 = 0, y(0) = 2
Compare con la solucin analtica y(x) = 2x/5 + 47/25 e-5x +3/25. Observe que el error de
truncamiento tiende a reducirse. Explique este comportamiento.
4. La solucin exacta de la ecuacin diferencial: y' 2xy = 1, y(0)=y0 es

1 x t2

erf(x) + y0 ) , donde erf(x) =

e dt
2
0
Encuentre y(0.4) de la ecuacin diferencial: y' 2xy = 1, y(0)=1
2

y(x) e x (
=

a) Con la frmula de Runge-Kutta, h=0.2

b) Evaluando la solucin exacta con la cuadratura de Gauss con dos puntos
5. Dada la siguiente ecuacin diferencial ordinaria de segundo orden
y- y - sen(x) + y + 1 = 0, y(0)=1.5, y(0) = 2.5
a) Obtenga dos puntos de la solucin con la frmula de Heun. (h = 0.1)
b) Obtenga dos puntos de la solucin con la frmula de Runge-Kutta de cuarto orden.
(h = 0.1)
c) Compare con la solucin computacional obtenida con el mtodo odeint de Python

319
6. Dada la siguiente ecuacin diferencial
2y(x) 3y(x) + 2x = 5, y(1) = 2, y(3) = 4
a) Normalice la ecuacin diferencial en el intervalo [0, 1]
b) Use el mtodo de diferencias finitas y obtenga la solucin, h = 0.2 en el intervalo
normalizado.
7. Dada la siguiente ecuacin diferencial
y'' + y' - y + 2x2 - 3x - 4 = 0, 2x5, y(2) = 11, y(5) = 56
a) Normalice la ecuacin al intervalo 0 t 1
b) Sustituya las derivadas por aproximaciones de diferencias finitas de segundo orden y
simplifique a la forma : P yi-1 + Q yi + R yi+1 = S
c) Resuelva el sistema resultante y obtenga la solucin. Use h=0.2
8. La siguiente es una ecuacin diferencial no lineal conocida con el nombre de Ecuacin de
Van der Pol y describe un sistema vibratorio masa-resorte-amortiguador:
x(t):

mx ''+ m(x 2 1)x '+ kx =

0,

x(0)=0.75, x'(0)=0

En donde x es la amplitud de vibracin, t es tiempo, m es masa, k es la constante elstica

del resorte y m es el coeficiente de amortiguamiento.
Con la frmula de Heun (Euler Mejorado) calcule x(t), t=0.1, 0.2, 0.3. ..., 1.0
Use m = 4, k=1, m=1
9. La distribucin de temperatura u(x) en estado estable de una barra de longitud L con una
fuente de calor Q(x), temperatura constante en el extremo derecho y aislada en el extremo
izquierdo, est dada por
u''+ Q(x) =
0 , u'(0) = 0 , u(L) = T
Resuelva para T=100, Q(x)=x2, L=1. Use el mtodo de diferencias finitas, h=0.2
10. Para resolver la siguiente ecuacin diferencial ordinaria no lineal
y = x(y)2, 1x2
y(1) = 1.1071, y(1) = -0.4
Use la frmula mejorada de Euler (frmula de Heun) con h = 0.25, 1x2
Tabule los resultados obtenidos junto con los valores de la solucin exacta:
y(x) = arc cot(x/2). Comente el resultado de esta comparacin.

320
11. Un problema importante en ingeniera es la deflexin de una viga de seccin transversal
uniforme sujeta a una carga distribuida y colocada con sus extremos apoyados de forma tal
que no pueden deflectarse, como se muestra en la figura:

La ecuacin que describe esta situacin fsica es:

d 2w
S
qx
=
w+
( x L)
2
2 EI
EI
dx

Siendo w(x): deflexin a una distancia x desde el extremo izquierdo.

q: intensidad de carga por unidad de longitud.
E: mdulo de elasticidad.
S: tensin en los puntos extremos. I: momento principal de inercia. L: longitud de la viga.
La condicin de no deflexin en los extremos se expresa con: w(0) = w(L) = 0.
Suponga una viga de acero con las siguientes caractersticas:
L = 10 m, q = 1460 N/m, E = 20.7 x 107 kPa, S = 4.4 kN, I = 5 m4.
Calcule con un mtodo numrico la deflexin de la viga cada 2 m.
12. Una masa m = 1/8 se suspende en un resorte de constante k = 2. Inicialmente se la
estira hacia abajo 1.0 y se aplica una fuerza externa f(t) = 8sen(t). Entonces el
desplazamiento vertical Y(t) se describe con la siguiente ecuacin, en donde t es tiempo:

Y ''+

k
f(t)
Y=
m
m

Con el mtodo de diferencias finitas, h=0.1, encuentre Y(t) entre: Y(0) = -1 y Y(1) = 3
13. Al integrar una ecuacin diferencial de primer orden y(x) = f(x,y) entre xi-1 y xi+1

xi +1

xi +1

se obtiene la expresin: yi+1 =

yi1 +
f(x,y) dx =
yi1 +
y '(x) dx ,
x i 1

a) Use la aproximacin: y '(x) p2 (s) = fi + sfi1 +

en donde s =

x i 1

(s + 1)s 2
fi2
2

x xi
.
h

Obtenga una frmula aproximada con la cual pueda obtener puntos de la solucin.
b) Con la frmula calcule y(0.08) de la solucin de la ecuacin (1 + 2x) y + 0.9 y = 0,
dados la condicin inicial (0, 1) y dos puntos de la solucin: (0.02,0.9825), (0.04, 0.9660).
Use h=0.02

321
10

MTODO DE DIFERENCIAS FINITAS PARA RESOLVER

ECUACIONES DIFERENCIALES PARCIALES

En este captulo se estudiar el mtodo de diferencias finitas aplicado a la resolucin de

ecuaciones diferenciales parciales.
Sea u una funcin que depende de dos variables independientes x, y. La siguiente
ecuacin es la forma general de una ecuacin diferencial parcial de segundo orden:
u(x,y):

F(x, y, u,

u u 2 u 2 u 2 u
, ,
,
,
)=0
x y x 2 y 2 xy

Una forma de clasificar estas ecuaciones es por su tipo: parablicas, elpticas e hiperblicas,
En forma similar a las ecuaciones diferenciales ordinarias, el mtodo numrico que
usaremos consiste en sustituir las derivadas por aproximaciones de diferencias finitas. El
objetivo es obtener una ecuacin denominada ecuacin de diferencias que pueda resolverse
por mtodos algebraicos. Esta sustitucin discretiza el dominio con espaciamiento que debe
elegirse.

10.1 Aproximaciones de diferencias finitas

Las siguientes son algunas aproximaciones de diferencias finitas de uso comn para
aproximar las derivadas de u en un punto xi, yj, siendo x, y el espaciamiento entre los
puntos de x, y respectivamente. El trmino a la derecha en cada frmula representa el
orden del error de truncamiento.

ui,j ui + 1,j u i,j

=
+ O(x)
x
x
ui,j ui,j+ 1 u i,j
=
+ O(y)
y
y

(8.1)
(8.2)

ui,j ui,j u i,j1

=
+ O(y)
y
y

(8.3)

ui,j ui + 1,j u i 1,j

=
+ O(x)2
x
2(x)

(8.4)

u0,j 3u0,j + 4u 1,j u2,j

=
+ O(x)2
x
2(x)

(8.5)

2ui,j ui + 1,j 2u i,j +ui 1,j

=
+ O(x)2
x 2
(x)2

(8.6)

2ui,j ui,j+ 1 2u i,j +ui,j1

=
+ O(y)2
y 2
(y)2

(8.7)

322
10.2 Ecuaciones diferenciales parciales de tipo parablico
Estas ecuaciones se caracterizan porque en su dominio una de las variables no est
delimitada. Para aplicar el mtodo de diferencias finitas usaremos un ejemplo bsico para
posteriormente interpretar los resultados obtenidos.
Ejemplo. Resolver la ecuacin de difusin en una dimensin con los datos suministrados
u(x,t):

2u
u
=k
t
x 2

Suponer que u es una funcin que depende de x, t, en donde u representa valores de

temperatura, x representa posicin, mientras que t es tiempo,
Solucin
Esta ecuacin se puede asociar al flujo de calor en una barra muy delgada aislada
transversalmente y sometida en los extremos a alguna fuente de calor. La constante k
depende del material de la barra. La solucin representa la distribucin de temperaturas en
cada punto x de la barra y en cada instante t
u(x, t)
Ta

Tb
L

To

Ta, Tb son valores de temperatura de las fuentes de calor aplicadas en los extremos. En
este primer ejemplo suponer que son valores constantes. To es la temperatura inicial y L es
la longitud de la barra.
Estas condiciones se pueden expresar de manera simblica en un sistema de coordenadas
u(0, t) = Ta, t 0
u(L, t) = Tb, t 0
u(x, 0) = To, 0 < x < L
Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u mediante
una malla con puntos en un plano en el cual el eje horizontal representa la posicin xi
mientras que el eje vertical representa el tiempo tj.
u = u(x,t), 0 x L, t 0

u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....

El mtodo de diferencias finitas permitir aproximar estos puntos de u

Para el ejemplo supondremos los siguientes datos, en las unidades que correspondan
Ta = 60
Tb = 40
To = 25
k=4
L=1

323
Decidimos adems, para simplificar la aplicacin del mtodo que x = 0.25, t = 0.1
Con esta informacin se define el dominio de ui,j. En la malla se representan los datos en
los bordes y los puntos interiores que cuyo valor debe calcularse:

10.2.1

Un esquema de diferencias finitas explcito

Para el primer intento elegimos las frmulas (8.6) y (8.2) para sustituir las derivadas de la
ecuacin diferencial:
ui + 1,j 2u i,j +ui 1,j
u
u i,j
2u
u

+ O(x)2 = k i,j+ 1
+ O(t)
=k
2
2
t
t
x
(x)
Se obtiene la ecuacin de diferencias
ui + 1,j 2u i,j +ui 1,j
u i,j
u
= k i,j+ 1
, cuyo error de truncamiento es T = O(x)2 + O(t).
2
t
(x)
Si x, t 0 T 0 y la ecuacin de diferencias tiende a la ecuacin diferencial parcial
Para que esta sustitucin sea consistente, todos los trminos de la ecuacin deben tener un
error de truncamiento de orden similar. Esto significa que t debe ser menor que x,
aproximadamente en un orden de magnitud.
Es conveniente analizar cuales puntos estn incluidos en la ecuacin de diferencias. Para
esto consideramos un segmento de la malla y marcamos los puntos de la ecuacin.

Los puntos que estn incluidos en la ecuacin de diferencia conforman un tringulo. Este
tringulo puede colocarse en cualquier lugar de la malla asignando a i, j los valores
apropiados.

324
Por ejemplo, si i=1, j=0, la ecuacin de diferencias se ubica en el extremo inferior izquierdo
de la malla. Los puntos en color rojo son los datos conocidos. Los puntos en amarillo son los
puntos que deben calcularse.

Se puede observar que solo hay un punto desconocido en la ecuacin. Por lo tanto, esta
ecuacin de diferencias proporciona un mtodo explcito de clculo. Esto significa que
cada punto de la solucin puede obtenerse en forma individual y directa cada vez que se
aplica la ecuacin.
Despejamos el punto desconocido ui,j+1
=
ui,j+ 1

t
(ui 1,j 2ui,j + ui + 1,j ) + ui,j
k(x)2

Definiendo =

t
k(x)2

ui,j+ 1 =
(ui 1,j 2ui,j + ui + 1,j ) + ui,j

La ecuacin de diferencias se puede escribir

ui,j+ 1 = ui 1,j + (1 2 )ui,j + ui + 1,j , i = 1, 2, 3; j = 0, 1, 2, . . .

La forma final de la ecuacin de diferencias se obtiene sustituyendo los datos del ejemplo:
t
==
2
k(x)

0.1
= 0.4
4(0.25)2

ui,j+ 1 = 0.4ui 1,j + 0.2ui,j + 0.4ui + 1,j , i = 1, 2, 3; j = 0, 1, 2, . . .

La solucin se debe calcular sucesivamente para cada nivel tj hasta donde sea de inters
analizar la solucin de la ecuacin diferencial. Calculemos dos niveles de la solucin:
j = 0, i = 1:
i = 2:
i = 3:

u1,1 = 0.4u0,0 + 0.2u1,0 + 0.4u2,0 = 0.4(60) + 0.2(25) + 0.4(25) = 39

u2,1 = 0.4u1,0 + 0.2u2,0 + 0.4u3,0 = 0.4(25) + 0.2(25) + 0.4(25) = 25
u3,1 = 0.4u2,0 + 0.2u3,0 + 0.4u4,0 = 0.4(25) + 0.2(25) + 0.4(40) = 31

325
j = 1, i = 1:
i = 2:
i = 3:

u1,2 = 0.4u0,1 + 0.2u1,1 + 0.4u2,1 = 0.4(60) + 0.2(39) + 0.4(25) = 41.8

u2,2 = 0.4u1,1 + 0.2u2,1 + 0.4u3,1 = 0.4(39) + 0.2(25) + 0.4(31) = 33
u3,2 = 0.4u2,1 + 0.2u3,1 + 0.4u4,1 = 0.4(25) + 0.2(31) + 0.4(40) = 32.2

En el siguiente grfico se anotan los resultados para registrar el progreso del clculo

Para que la precisin de la solucin sea aceptable, los incrementos x y t deberan ser
mucho ms pequeos, pero esto hara que la cantidad de clculos involucrados sea muy
grande para hacerlo manualmente.

10.2.2 Estabilidad del mtodo de diferencias finitas

Existen diferentes mtodos para determinar la estabilidad del mtodo de diferencias finitas
en el proceso de clculo de la solucin. Si el mtodo es estable, entonces la solucin de la
ecuacin de diferencias ser estable, es decir no se degenera en el proceso de clculo.
Criterio de Von Newman
Supondremos que x se ha fijado y se desea determinar t para que el mtodo de
diferencias finitas sea estable.
Para analizar la estabilidad se asocia una forma exponencial compleja al error de
truncamiento Ei, j en cada punto (xi ,tj). El objetivo es establecer alguna relacin entre x y
t tal que mantenga la solucin se mantenga estable en el proceso de clculo.

Ei, j = e

1 xi +t j

Se define el coeficiente de amplificacin del error en dos iteraciones consecutivas:

=
M

Ei, j+ 1 e 1xi + (t j + t)
=
= e t
1 xi +t j
Ei,j
e

Entonces, si | e t | 1 el error no crecer en t y el mtodo de diferencias finitas es estable.

Ecuacin de diferencias del mtodo explcito:
ui,j+ 1 =
(ui 1,j 2ui,j + ui + 1,j ) + ui,j ,

t
k(x)2

326
Ecuacin de los errores introducidos (se la obtiene restando de la ecuacin de diferencias,
la ecuacin de diferencias con cada trmino incluyendo el error de truncamiento respectivo):

1 xi + (t j + t)

Dividiendo por e

1 (x + x) +t j

i
=
(e

2e

1 xi +t j

+e

1 (xi x) +t j

)+e

1 xi +t j

k xi + t j

e t = (e

1x

2+e

1i ( x)

)+1

Sustituyendo las frmulas equivalentes conocidas:

1x
e =
cos(x) 1sen(x)

Se obtiene luego de simplificar

e t = (2 cos(x) 2) + 1
La estabilidad est condicionada a: | e t | 1

| (2 cos(x) 2) + 1| 1
Sustituyendo los valores extremos de cos(x) = 1, cos(x) = 1
Se obtiene la restriccin para que este mtodo sea estable:

1
2

t
1

k(x)2 2

Si se cumple esta condicin, el error propagado no crecer. Si se fija k y x, debera

elegirse t para que se mantenga la condicin anterior.
Se puede verificar que si no se cumple esta condicin, el mtodo se hace inestable
rpidamente y los resultados obtenidos son incoherentes. Esto puede interpretarse como
que la ecuacin de diferencias ya no es consistente con la ecuacin original.
Desde el punto de vista del error de truncamiento x debera ser suficientemente pequeo
para que la informacin sea suficientemente precisa. Por otra parte, t debera ser
aproximadamente un orden de magnitud menor que x. Pero, desde el punto de vista del
error de redondeo x y t no deberan ser demasiado pequeos para evitar la acumulacin
del error de redondeo

327
10.2.3 Instrumentacin computacional del mtodo explcito de diferencias finitas para
una E.D.P. de tipo parablico
El siguiente programa es una instrumentacin en Python para resolver el ejemplo anterior y
es una referencia para aplicarlo a problemas similares. Los resultados obtenidos se
muestran grficamente.
Para la generalizacin es conveniente expresar la ecuacin de diferencias en forma
estndar
ui, j+1 = (P) ui-1, j + (Q)ui, j + (R)ui+1,j, i = 1, 2, 3, . . . , n-1; j = 1, 2, 3, . . .
En donde P, Q, R dependen de los datos de la ecuacin que se desea resolver.
Para el ejemplo propuesto se tiene:

ui, j+ 1 = ui1, j + (1 2 )ui, j + ui+ 1, j

# Mtodo explcito de diferencias finitas

# U(i,j+1)=(P)U(i-1,j) + (Q)U(i,j) + (R)U(i+1,j)
def edpdif(P,Q,R,U,m):
u=[U[0]]
for i in range(1,m):
u=u+[P*U[i-1]+Q*U[i]+R*U[i+1]]
u=u+[U[m]]
return u
from pylab import*
m=11
n=100
Ta=60; Tb=40
To=25
dx=0.1; dt=0.01
L=1
k=4
U=[Ta]
for i in range(1,m):
U=U+[To]
U=U+[Tb]
lamb=dt/(k*dx**2)
P=lamb
Q=1-2*lamb
R=lamb

#
#
#
#
#
#
#
#

# Clculo de puntos

Nmero de puntos en x
Nmero de niveles en t
Condiciones en los bordes
Condicin en el inicio
incrementos
longitud
dato especificado
Asignacin inicial

#Parmetro lambda

328
title('Curvas de distribucin trmica');
xlabel('X (distancia)');
ylabel('U (temperatura)')
x=[0]
for i in range(1,m+1):
x=x+[i*dx]
# Coordenadas para el grfico
plot(x,U,'or')
# Distribucin inicial
for j in range(n):
U=edpdif(P,Q,R,U,m)
if j%10==0:
plot(x,U,'-r');
# curvas cada 10 niveles de t
plot(x,U,'.r')
# puntos
grid(True)
show()

Resultado grfico

Curvas de distribucin trmica para el ejemplo. La distribucin tiende a una forma estable.
Los resultados numricos estn almacenados en los vectores x, U
Con la instrumentacin se puede verificar que al incrementar t a un valor tal que > 0.5 ,
ya no se cumple la condicin de lambda y el mtodo se hace inestable. En este caso, los
resultados que se obtienen son incoherentes.

329
10.2.4 Un esquema de diferencias finitas implcito
En un segundo intento elegimos las aproximaciones (8.6) y (8.3) para sustituir las derivadas
de la ecuacin diferencial
ui + 1,j 2u i,j +ui 1,j
u u i,j1
2u
u

+ O(x)2 = k i,j
+ O(t)
=k
2
2
t
t
x
(x)
Se obtiene la ecuacin de diferencias
ui + 1,j 2u i,j +ui 1,j
u u i,j1
= k i,j
2
t
(x)
Su error de truncamiento es igualmente T = O(x)2 + O(t), debiendo cumplirse que t < x
Marcamos los puntos incluidos en esta ecuacin de diferencias.

Los puntos marcados conforman un tringulo de puntos invertido. Este tringulo

correspondiente a los puntos incluidos en la ecuacin de diferencias y puede colocarse en
cualquier lugar de la malla asignando a i, j los valores apropiados. Por ejemplo, si i=1, j=1,
la ecuacin de diferencias se aplicada en el extremo inferior izquierdo de la malla:

La ecuacin de diferencias ahora contiene dos puntos desconocidos. Si la ecuacin se

aplica sucesivamente a los puntos i=2, j=1 e i=3, j=1, se obtendr un sistema de tres
ecuaciones lineales y su solucin proporcionar el valor de los tres puntos desconocidos.
Esta ecuacin de diferencias genera un mtodo implcito para obtener la solucin.
ui + 1,j 2u i,j +ui 1,j
(x)

=k

ui,j u i,j1
t

T = O(x)2 + O(t), t < x

t
(ui + 1, j 2ui, j + ui 1, j ) = ui,j ui,j 1
k(x)2

330
Definiendo =

t
, la ecuacin se puede escribir
k(x)2

ui 1,j + (1 2 )ui,j + ui + 1,j = ui,j1 , i = 1, 2, 3; j = 1, 2, 3, . . .

t
Finalmente con los datos ==
2
k(x)

0.1
=
0.4 , se obtiene la forma final
4(0.25)2

0.4ui 1,j 1.8ui,j + 0.4ui + 1,j =

ui,j1 , i = 1, 2, 3; j = 1, 2, 3, . . .

La cual genera un sistema de ecuaciones lineales para obtener la solucin en cada nivel tj
Calcular un nivel de la solucin con este mtodo:
j = 1, i = 1:
i = 2:
i = 3:

0.4u0,1 1.8u1,1 + 0.4u2,1 = -u1,0

0.4(60) 1.8u1,1 + 0.4u2,1 = -25
0.4u1,1 1.8u2,1 + 0.4u3,1 = -u2,0
0.4u1,1 1.8u2,1 + 0.4u3,1 = -25
0.4u2,1 1.8u3,1 + 0.4u4,1 = -u3,0
0.4u2,1 1.8u3,1 + 0.4(40) = -25

-1.8 u1,1 + 0.4u2,1 = -49

0.4u1,1 - 1.8 u2,1 + 0.4u3,1 = -25
0.4u2,1 - 1.8 u3,1 = -41

Se tiene el sistema lineal

0 u1,1 49
1.8 0.4
0.4 1.8 0.4 u =

2,1 25
0
0.4 1.8 u3,1 41

Cuya solucin es
u1,1 33.0287

u2,1 = 26.1290
u3,1 28.5842

Un anlisis de estabilidad demuestra que el mtodo implcito no est condicionado a la

t
como en el mtodo explcito. Sin embargo, x y t con t < x
k(x)2

magnitud de =

deberan ser suficientemente pequeos para que la ecuacin de diferencias sea consistente
con la ecuacin original.

331
10.2.5

Instrumentacin computacional del mtodo implcito para una E.D.P. de tipo

parablico

La siguiente instrumentacin del mtodo de diferencias finitas implcito permite resolver

problemas de tipo similar al ejemplo anterior. La ecuacin de diferencias debe escribirse en
forma estandarizada
(P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1, i = 1, 2, 3, . . . , m-1; j = 1, 2, 3, . . .
En donde P, Q, R dependen de los datos de la ecuacin que se desea resolver.
Para el ejemplo propuesto se tiene:

ui1,j + (1 2 )ui,j + ui+1,j = ui,j1

Se define una funcin EDPDIFPI que genera y resuelve el sistema de ecuaciones lineales
en cada nivel. El sistema de ecuaciones lineales resultante tiene forma tridiagonal, y por lo
tanto se puede usar un algoritmo especfico muy eficiente, la funcin tridiagonal cuya
instrumentacin fue realizada en captulos anteriores.

# Solucin una EDP con condiciones constantes en los bordes

# (P)U(i-1,j) + (Q)U(i,j) + (R)U(i+1,j) = -U(i,j-1)
from tridiagonal import*
def edpdifpi(P, Q, R, U, m):
# Mtodo de Diferencias Finitas Implcito
a=[];b=[];c=[];d=[]
for i in range(m-2):
a=a+[P]
b=b+[Q]
c=c+[R]
d=d+[-U[i+1]]
d[0]=d[0]-a[0]*U[0]
d[m-3]=d[m-3]-c[m-3]*U[m-1]
u=tridiagonal(a,b,c,d)
U=[U[0]]+u+[U[m-1]]
return U
from pylab import*
m=11
n=100
Ta=60; Tb=40
To=25
dx=0.1; dt=0.01
L=1
k=4
U=[Ta]

#
#
#
#
#
#
#
#

Nmero ecuaciones: m-1

Nmero de niveles en t
Condiciones en los bordes
Condicin en el inicio
incrementos
longitud
dato especificado
Asignacin inicial

332
for i in range(1,m-1):
U=U+[To]
U=U+[Tb]
lamb=dt/(k*dx**2)
P=lamb
Q=-1-2*lamb
R=lamb
title('Curvas de distribucin trmica');
xlabel('X (distancia)');
ylabel('U (temperatura)')
x=[]
for i in range(m):
x=x+[i*dx]
# Coordenadas para el grfico
plot(x,U,'or')
# Distribucin inicial
for j in range(n):
U=edpdifpi(P,Q,R,U,m)
if j%10==0:
plot(x,U,'-r');
# curvas cada 5 niveles de t
plot(x,U,'.r')
grid(True)
show()

Resultado grfico

Curvas de distribucin trmica para el ejemplo. La distribucin tiende a una forma estable.
Los resultados numricos estn almacenados en los vectores x, U

333
10.2.6 Prctica computacional
Probar los mtodos explcito e implcito instrumentados computacionalmente para resolver
el ejemplo anterior cambiando
diferencias finitas.

x y t para analizar la convergencia de los esquemas de

Realizar pruebas para verificar la condicin de estabilidad condicionada para el mtodo

explcito e incondicional para el mtodo implcito. Probar con = 0.4, 0.5, 0.6

10.2.7 Condiciones variables en los bordes

Analizamos la ecuacin anterior cambiando las condiciones inicial y en los bordes.
Suponer que inicialmente la barra se encuentra a una temperatura que depende de la
posicin mientras que en el borde derecho se aplica una fuente de calor que depende del
tiempo y en el extremo izquierdo hay una prdida de calor, segn las siguientes
especificaciones:
u(x,t):

2u
u
, 0 x 1, t 0
=k
t
x 2
u(0,t)
= 5 ,
t0
x

u(1, t) = 20 + 10 sen(t), t 0
u(x, 0) = 40 x,
0<x<1
x = 0.25, t = 0.1, k = 4
Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u
u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....
La red con los datos incluidos en los bordes inferior y derecho:

Los puntos en color amarillo, en el borde izquierdo y en el centro, son desconocidos

334
Usamos el esquema de diferencias finitas implcito visto anteriormente:
ui + 1,j 2u i,j +ui 1,j
(x)

=k

ui,j u i,j1
t

, E = O(x)2 + O(t), t < x

t
(ui + 1, j 2ui, j + ui 1, j ) = ui,j ui,j 1
k(x)2

Definiendo =

t
, la ecuacin se puede escribir
k(x)2

ui 1,j + (1 2 )ui,j + ui + 1,j = ui,j1 , i = 1, 2, 3; j = 1, 2, 3, . . .

t
Finalmente se tiene la ecuacin de diferencias con los datos ==
2
k(x)

0.1
= 0.4 ,
4(0.25)2

Ahora la ecuacin es aplicada en cada punto desconocido, incluyendo el borde izquierdo:

0.4ui 1,j 1.8ui,j + 0.4ui + 1,j =
ui,j1 , i = 0, 1, 2, 3; j = 1, 2, 3, . . .

La cual genera un sistema de ecuaciones lineales para obtener la solucin en cada nivel tj
A continuacin calculamos un nivel de la solucin con este mtodo:
j = 1,
i = 0:
i = 1:
i = 2:
i = 3:

0.4u-1,1 1.8u0,1 + 0.4u1,1 = -u1,0

0.4u0,1 1.8u1,1 + 0.4u2,1 = -u1,0
0.4u1,1 1.8u2,1 + 0.4u3,1 = -u2,0
0.4u2,1 1.8u3,1 + 0.4u4,1 = -u3,0
0.4u2,1 1.8u3,1 + 0.4(20.99) = -30

0.4u-1,1 1.8u0,1 + 0.4u1,1 = 0

0.4u0,1 1.8u1,1 + 0.4u2,1 = -10
0.4u1,1 1.8u2,1 + 0.4u3,1 = -20

(1)
(2)
(3)

0.4u2,1 1.8 u3,1 = -38.4

(4)

Se tiene un sistema de cuatro ecuaciones y cinco puntos desconocidos: u-1,1, u0,1, u1,1, u2,1,
u3,1 incluyendo el punto ficticio u-1,1
El dato adicional conocido:

u(0,t)
= 5 es aproximado ahora mediante una frmula de
x

diferencias finitas central:

u0,j
x

u1,j u1,j
2(x)

= 5,

j = 1, 2, 3, . . . , E = O(x)2

De donde se obtiene u-1,j = u1,j + 5(2x) para sustituir en la ecuacin (1) anterior:
j = 1,

i = 0:

0.4u-1,1 1.8u0,1 + 0.4u1,1 = 0

0.4[u1,j + 5(2x)] -1.8u0,1 + 0.4u1,1 = 0 -1.8u0,1 + 0.8u1,1 = -1

335

En notacin matricial:
0
0 u0,1 1
1.8 0.8

0.4 1.8 0.4

0 u1,1 10

=
0
0.4 1.8 0.4 u2,1 20

0
0.4 1.8 u3,1 38.4
0

Cuya solucin es:

u0,1 = 5.4667, u1,1 = 11.0500, u2,1 = 19.2584, u3,1 = 25.6130

El sistema de ecuaciones lineales resultante tiene forma tridiagonal, y por lo tanto se puede
usar un algoritmo especfico muy eficiente para resolverlo.

10.2.8 Instrumentacin computacional para una E.D.P. con derivadas en los bordes
La siguiente instrumentacin del mtodo de diferencias finitas implcito permite resolver
problemas con una derivada en el borde izquierdo. Instrumentaciones similares se pueden
desarrollar si la derivada est a la derecha o en ambos bordes.
Dada la ecuacin diferencial parcial parablica con condiciones en los bordes:
u 2 u
u(0,t)
u=u(x,t), F(t, x, u,
, 2 ) = 0, u(x,t0)=T0,
= 0, u(1,t)=Tb
t x
x
Luego de sustituir las derivadas para el mtodo implcito se escribe la ecuacin de
diferencias estandarizada:
(P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1,

i = 1, 2, 3, . . . , m-1

Dato de la derivada en el borde izquierdo (i=0)

u0,j
x

u1,j u1,j
2(x)

= 0

u-1,j = u1,j - 2(x)0

Ecuacin de diferencias aplicada en el borde izquierdo: i = 0

(P)u-1,j + (Q)u0,j + (R)u1,j = -ui,j-1
Reemplazo de la derivada:
(P)(u1,j - 2(x)0) + (Q)u0,j + (R)u1,j = -ui,j-1
(Q)u0,j + (P+R)u1,j = -ui,j-1 + (P) 2(x)0

336
Ejemplo. Resolver computacionalmente la siguiente ecuacin diferencial parcial con una
derivada en el borde izquierdo
u(x,t):

2u
u
, 0 x 1, t 0
=k
t
x 2

u(0,t)
= 5 ,
t0
x
u(1, t) = 60, t 0
u(x, 0) = 40, 0 < x < 1
x = 0.1, t = 0.1, k = 4

# Solucin de una EDP con una dervada en un borde

from tridiagonal import*
def edpdifpid(P,Q,R,U,der0,dx,m):
# Mtodo de Diferencias Finitas Implcito
a=[];b=[];c=[];d=[]
for i in range(m-1):
a=a+[P]
b=b+[Q]
c=c+[R]
d=d+[-U[i+1]]
c[0]=P+R;
d[0]=d[0]+2*dx*P*der0
d[m-2]=d[m-2]-c[m-2]*U[m-1]
u=tridiagonal(a,b,c,d)
U=u+[U[m-1]]
return U
from pylab import*
m=11
n=50
der0=-5
Tb=60
To=40
dx=0.1
dt=0.1
L=1
k=4
U=[]
for i in range(m-1):
U=U+[To]
U=U+[Tb]
lamb=dt/(k*dx**2)
P=lamb
Q=-1-2*lamb
R=lamb

#
#
#
#
#
#

Nmero ecuaciones: m-1

Nmero de niveles en t
Derivada en el borde izquierdo
Condiciones en los bordes
Condicin en el inicio
incrementos

# longitud
# dato especificado
# Asignacin inicial

337
title('Curvas de distribucin trmica');
xlabel('X (distancia)');
ylabel('U (temperatura)')
x=[]
for i in range(m):
x=x+[i*dx]
# Coordenadas para el grfico
plot(x,U,'or')
# Distribucin inicial
for j in range(n):
U=edpdifpid(P,Q,R,U,der0,dx,m)
plot(x,U,'-r');
# curvas cada 5 niveles de t
plot(x,U,'.r')
grid(True)
show()

Resultado grfico

Curvas de distribucin trmica

338
10.2.9 Mtodo de diferencias finitas para EDP no lineales
Si la ecuacin tiene trminos no lineales, se puede adaptar un mtodo de diferencias finitas
explcito como una primera aproximacin. Si se usa un mtodo implcito, se obtendr un
sistema de ecuaciones no lineales el cual es un problema numrico complejo de resolver.
Ejemplo. Formule un esquema de diferencias finitas explcito para resolver la siguiente
ecuacin diferencial parcial no lineal del campo de la acstica:
u(x,t):

u
u
2u
=
u
k 2
t
x
x

Solucin
Se usarn las siguientes aproximaciones:
ui,j ui,j+ 1 u i,j
=
+ O(t)
t
t
ui,j ui + 1,j u i 1,j
=
+ O(x)2
x
2(x)

2ui,j ui + 1,j 2u i,j +ui 1,j

=
+ O(x)2
x 2
(x)2

Sustituyendo en la EDP

ui,j+ 1 ui,j
t

ui+ 1,j ui1,j

ui1,j 2ui,j + ui+ 1,j
=
ui,j
k
2(x)
(x)2

Se obtiene un esquema explcito de diferencias finitas que permitir calcular cada punto en
la malla que represente al dominio de la ecuacin diferencial siempre que estn previamente
definidas las condiciones en los bordes as como los parmetros k, t, x . Tambin
debera analizarse la estabilidad del mtodo.

ui,j+ 1 =t(ui,j

ui+ 1,j ui1,j

2(x)

ui1,j 2ui,j + ui+ 1,j

(x)2

) + ui,j

Con error de truncamiento: T = O(t) + O(x)2 , esto requiere que t < x

339
10.3 Ecuaciones diferenciales parciales de tipo elptico
Este tipo de ecuaciones se caracteriza porque su dominio es una regin cerrada. Para
aplicar el mtodo de diferencias finitas usaremos un ejemplo particular para posteriormente
interpretar los resultados obtenidos.
Ejemplo. Resolver la ecuacin de difusin en dos dimensiones:
2u 2u
u(x,y):
+
=
0
x 2 y 2
Suponer que u es una funcin que depende de x, y, en donde u representa valores de
temperatura, x, y representan posicin.
Solucin
Esta ecuacin se puede asociar al flujo de calor en una placa muy delgada aislada
trmicamente en sus caras superior e inferior y sometida en los bordes a alguna condicin.
La solucin representa la distribucin final de temperaturas en la placa en cada punto (x, y)

Ta, Tb, Tc, Td son valores de temperatura, suponer constantes, de alguna fuente de calor
aplicada en cada borde de la placa. L1, L2 son las dimensiones de la placa.
Estas condiciones se pueden expresar simblicamente en un sistema de coordenadas X-Y:
u(0, y) = Ta,
0 < y < L2
u(L1, y) = Tb,
0 < y < L2
u(x, 0) = Tc,
0 < x < L1
u(x, L2) = Td,
0 < x < L1
Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u mediante
una malla con puntos u(xi, yj), en la cual xi , yj representan coordenadas
u=u(x,y), 0 x L1, 0 y L2

u(xi, yj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ..., m

El mtodo de diferencias finitas permitir encontrar u en estos puntos.

Para el ejemplo supondremos los siguientes datos, en las unidades que correspondan
Ta = 60,
Tb = 40
Tc = 50,
Td = 80
L1 = 2,
L2 = 1.5

340
Supondremos adems que x = 0.5, y = 0.5
Con esta informacin describimos el dominio de u mediante una malla con puntos en dos
dimensiones en la cual el eje horizontal representa la posicin xi mientras que el eje vertical
representa yj. En esta malla se representan los datos en los bordes y los puntos interiores
que deben ser calculados

10.3.1

Un esquema de diferencias finitas implcito

Elegimos las siguientes aproximaciones de diferencias finitas para sustituir las derivadas de
la ecuacin diferencial
2ui,j ui + 1,j 2u i,j +ui 1,j
=
+ O(x)2
x 2
(x)2
2ui,j ui,j+ 1 2u i,j +ui,j1
=
+ O(y)2
y 2
(y)2
ui + 1,j 2u i,j +ui 1,j
(x)

+ O(x)2 +

ui,j+ 1 2u i,j +ui,j1

(y)2

+ O(y)2 = 0

Se obtiene la ecuacin de diferencias

ui + 1,j 2u i,j +ui 1,j
(x)

ui,j+ 1 2u i,j +ui,j1

(y)2

=0

Con error de truncamiento E = O(x)2 + O(y)2

Para que esta sustitucin sea consistente, x debe ser muy cercano a y en magnitud.

341
Es conveniente analizar los puntos incluidos en la ecuacin de diferencias. Para esto
consideramos un segmento de la malla y marcamos los puntos de la ecuacin.

Los puntos marcados conforman un rombo. Este rombo describe los puntos incluidos en la
ecuacin de diferencias y puede colocarse en cualquier lugar de la malla asignando a i, j los
valores apropiados.
Por ejemplo, si i=1, j=1, la ecuacin de
diferencias se aplica al extremo inferior
izquierdo de la malla.
Se puede observar que la ecuacin de
diferencias contiene tres puntos
desconocidos

Si se aplica a todos los puntos interiores: i = 1, 2, 3 con j = 1, 2 se obtendr un sistema de

seis ecuaciones lineales con los seis puntos desconocidos cuyos valores se pueden
determinar resolviendo el sistema. Por lo tanto, la ecuacin de diferencias proporciona un
mtodo implcito para obtener la solucin. Una simplificacin adicional se obtiene
haciendo x = y
ui + 1,j 2u i,j +ui 1,j
(x)

ui,j+ 1 2u i,j +ui,j1

(y)2

=0

Forma final de la ecuacin de diferencias:

ui 1,j + ui + 1,j + ui,j 1 + ui,j+ 1 4ui,j =

0 , i = 1, 2, 3; j = 1, 2

Esta ecuacin se aplica en cada punto desconocido de la malla

342

j = 1, i = 1: 60 + 50 + u2,1 + u1,2 - 4u1,1 = 0

i = 2: 50 + u1,1 + u3,1 + u2,2 - 4u2,1 = 0
i = 3: 50 + 40 + u3,2 + u2,1 - 4u3,1 = 0

-4u1,1 + u2,1
+ u1,2
= -110
u1,1 - 4u2,1 + u3,1
+ u2,2
= -50

u2,1 - 4u3,1
+ u3,2 = -90

j = 2, i = 1: 60 + 80 + u1,1 + u2,2 - 4u1,2 = 0

i = 2: 80 + u1,2 + u2,1 + u3,2 - 4u2,2 = 0
i = 3: 80 + 40 + u2,2 + u3,1 - 4u3,2 = 0

u1,1
u2,1

- 4u1,2 + u2,2
= -140
+ u1,2 - 4u2,2 + u3,2 = -80
u3,1
+ u2,2 -4u3,2 = -120

Se tiene obtiene un sistema de ecuaciones lineales

1 0
0 u1,1 110
4 1 0

1 4 1 0
1 0 u2,2 50

0
1 4 0
0
1 u3,2 90
=

0 4 1 0 u1,2 140
1 0
0
1 0
1 4 1 u2,2 80

0
1 0
1 4 u3,2 120
0

Cuya solucin es
u1,1 57.9917
u

2,1 56.1491
u 3,1 51.3251

u1,2 65.8178
u2,2 65.2795

u3,2 59.1511
Se ha usado un mtodo directo para resolver el sistema cuya forma es diagonal dominante,
por lo que tambin se podran usar mtodos iterativos dado que la convergencia es segura.

343
10.3.2

Instrumentacin computacional para una E.D.P. de tipo elptico

La siguiente instrumentacin en Python est diseada para resolver una ecuacin

diferencial parcial elptica con condiciones constantes en los bordes. Se supondr adems
que x = y
Al aplicar la ecuacin de diferencias en los puntos de la malla, cada ecuacin tiene no ms
de cuatro componentes y tiene una forma adecuada para instrumentar un mtodo iterativo
para obtener la solucin.
Ecuacin de diferencias
ui 1, j + ui + 1, j + ui, j 1 + ui, j+ 1 4ui, j =
0 , i = 1, 2, 3,

; j = 1, 2, 3,

Frmula iterativa
(k + 1)
ui,j
=

1 (k)
(k)
(k)
(ui 1,j + ui(k)
+ 1,j + ui,j 1 + ui,j + 1 ) , k = 0, 1, 2, ...
4

(iteraciones)

En la siguiente instrumentacin se usa el mtodo de Gauss-Seidel para calcular la solucin

partiendo de valores iniciales iguales al promedio de los valores de los bordes.

# Programa para resolver una

# con condiciones constantes
from numpy import*
Ta=60;Tb=60;Tc=50;Td=70
#
n=10
#
m=10
#
miter=100
#
e=0.001
#
u=zeros([n+2,m+2])
for i in range(n+2):
u[i][0]=Tc
u[i][m+1]=Td
for j in range(m+2):
u[0][j]=Ta
u[n+1][j]=Tb
p=0.25*(Ta+Tb+Tc+Td)
for i in range(1,n-1):
for j in range(1,m-1):
u[i][j]=p

EDP Elptica
en los bordes
Bordes izquierdo, derecho, abajo, arriba
Puntos interiores en direccin hor. (X)
Puntos interiores en direccin vert.(Y)
Mximo de iteraciones
Error de truncamiento relativo 0.1%

# valor inicial interior promedio

344
k=0
# conteo de iteraciones
converge=0
# seal de convergencia
while k<miter and converge==0:
k=k+1
t=u.copy()
for i in range(1,n+1):
for j in range(1,m+1):
u[i][j]=0.25*(u[i-1][j]+u[i+1][j]+u[i][j+1]+u[i][j-1])
if linalg.norm((u-t),inf)/linalg.norm(u,inf)<e:
converge=1
if converge==1:
for i in range(n+2):
# Malla con la solucin final
print([float('%5.2f' % (u[i][j])) for j in range(m+2)])
print('Conteo de iteraciones: ',k)

# Conteo de iteraciones

from pylab import*

from mpl_toolkits.mplot3d import Axes3D
# Grfico 3D
fig=figure()
ax=Axes3D(fig)
x=arange(0,1.2,0.1)
y=arange(0,1.2,0.1)
X,Y=meshgrid(x,y)
ax.plot_surface(X,Y,u,rstride=1,cstride=1,cmap='hot')
show()
else:
print('No converge')

Cuadro de resultados de u (temperaturas en los nodos de la malla)

[60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0]
[50.0, 55.06, 57.11, 58.15, 58.82, 59.36, 59.88, 60.48, 61.26, 62.47, 64.73, 70.0]
[50.0, 53.15, 55.29, 56.75, 57.86, 58.81, 59.77, 60.85, 62.17, 63.93, 66.44, 70.0]
[50.0, 52.31, 54.26, 55.83, 57.17, 58.42, 59.68, 61.08, 62.71, 64.7, 67.14, 70.0]
[50.0, 51.93, 53.71, 55.3, 56.76, 58.17, 59.63, 61.21, 63.01, 65.08, 67.44, 70.0]
[50.0, 51.78, 53.48, 55.08, 56.59, 58.07, 59.62, 61.29, 63.16, 65.25, 67.56, 70.0]
[50.0, 51.79, 53.51, 55.11, 56.63, 58.12, 59.66, 61.33, 63.19, 65.27, 67.57, 70.0]
[50.0, 51.97, 53.78, 55.4, 56.87, 58.29, 59.74, 61.32, 63.1, 65.14, 67.47, 70.0]
[50.0, 52.37, 54.35, 55.97, 57.33, 58.58, 59.85, 61.22, 62.83, 64.78, 67.18, 70.0]
[50.0, 53.2, 55.39, 56.89, 58.01, 58.98, 59.94, 60.99, 62.29, 64.01, 66.49, 70.0]
[50.0, 55.09, 57.18, 58.24, 58.92, 59.47, 59.99, 60.58, 61.34, 62.53, 64.75, 70.0]
[60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0, 60.0]
Conteo de iteraciones: 41

345
Representacin grfica en tres dimensiones de la solucin calculada u

Con el cursor se puede rotar el grfico en la pantalla y observarlo desde diferentes

perspectivas. La vista superior en el siguiente grfico muestra la malla con los colores. Los
colores mas claros representan mayor temperatura

346
Ejemplo. Use el mtodo de diferencias finitas para resolver la ecuacin diferencial parcial
de tipo elptico:

2u 2u
+
+ cos
x 2 y 2

0, 0 < x <
( x + y ) + cos ( x y ) =

2, 0< y < 4

Sujeta a las condiciones de frontera:

u ( 0, y ) = cos ( y ) , u ( 2, y ) = 0 , 0 y 4
u ( x, 0 ) = cos ( x ) , u ( x, 4 ) =

cos ( x )

, 0 x 2
2
Utilice como tamao de paso x =
6 y y =
12
Solucin
Los datos se colocan en la malla
0.3536

0.6124
y3
0.866
y2

y3

y2

U2

U3

U4

3/12

0.9659
y1

U1

2/12
0.5

0.866

y0

0
x0

/6
x1

2/6
x2

3/6
x3

2ui,j ui + 1,j 2u i,j +ui 1,j

=
+ O(x)2
x 2
(x)2
2ui,j ui,j+ 1 2u i,j +ui,j1
=
+ O(y)2
(y)2
y 2

ui + 1,j 2u i,j +ui 1,j

(x)

ui,j+ 1 2u i,j +ui,j1

(y)2

+ cos(xi + y j ) + cos(xi y j ) = 0,

E = O(x)2 + O(y)2

(y ) 2 (ui +1. j 2ui , j + ui 1, j ) + (x) 2 (ui. j +1 2ui , j + ui , j 1 ) =

(x) 2 (y ) 2 (cos( xi + y j ) + cos( xi y j ))
(y ) 2 (ui +1. j + ui 1, j ) + (x) 2 (ui. j +1 + ui , j 1 ) 2((y ) 2 + (x) 2 )ui , j =
(x) 2 (y ) 2 (cos( xi + y j ) + cos( xi y j ))

347
Por simplicidad se usar la notacin incluida en los puntos de la malla en el grfico
i=1, j=1:

( /12) 2 (U 4 + 0.9659) + ( / 6) 2 (U1 + 0.8660) 2(( /12) 2 + ( / 6) 2 )U 3 =

( / 6) 2 ( /12) 2 (cos( / 6 + /12) + cos( / 6 /12))
0.2742U1 0.6854U3 + 0.0685U4 = -0.3350
i=2, j=1:

( /12) 2 (0 + U 3 ) + ( / 6) 2 (U 2 + 0.5) 2(( /12) 2 + ( / 6) 2 )U 4 =

( / 6) 2 ( /12) 2 (cos(2 / 6 + /12) + cos(2 / 6 /12))
0.2742U2 + 0.0685U3 0.6854U4 = -0.1553
i=1, j=2:

( /12) 2 (0.6124 + U 3 ) + ( / 6) 2 (0.8660 + U 2 ) 2(( /12) 2 + ( / 6) 2 )U1 =

( / 6) 2 ( /12) 2 (cos( / 6 + 2 /12) + cos( / 6 2 /12))
-0.6854U1 + 0.2742U2 + 0.0685U3 = -0.3076
i=2, j=2:

( /12) 2 (0 + U1 ) + ( / 6) 2 (0.3536 + U 4 ) 2(( /12) 2 + ( / 6) 2 )U 2 =

( / 6) 2 ( /12) 2 (cos(2 / 6 + 2 /12) + cos(2 / 6 2 /12))
0.2742U1 0.6854U2 + 0.2742U4 = -0.1133

0
0.6854 0.0685
0.2742
0.3350
0

0.1553
0.2742 0.0685 0.6854

U =
0.6854 0.2742 0.0685
0.3076
0

0
0.2742
0.2742 0.6854
0.1133
0.8350
0.7445

U =
0.8840

0.6128

348
10.4 Ecuaciones diferenciales parciales de tipo hiperblico
En este tipo de ecuaciones el dominio est abierto en uno de los bordes Para aplicar el
mtodo de diferencias finitas usaremos un ejemplo particular para posteriormente interpretar
los resultados obtenidos.
Ejemplo. Ecuacin de la onda en una dimensin: u(x, t):

2
2u
2 u
=
c
t 2
x 2

Suponer que u es una funcin que depende de x, t en donde u representa el

desplazamiento vertical de la cuerda en funcin de la posicin horizontal x, y el tiempo t,
mientras que c es una constante. L es la longitud de la cuerda.
Suponer que los extremos de la cuerda estn sujetos y que la longitud es L = 1
u = u(x, t), 0 < x < 1, t 0
u(0, t) = 0,
t0
u(1, t) = 0,
t0
Inicialmente la cuerda es estirada desplazando su punto central una distancia de 0.25
0 < x 0.5
0.5x,
u(x, 0) =
0.5(x 1), 0.5 < x < 1

Al soltar la cuerda sin velocidad, desde la posicin indicada en el instante inicial:

u(x,0)
=0, 0<x<1
t

10.4.1 Un esquema de diferencias finitas explcito para resolver la EDP hiperblica

Para resolver el ejemplo propuesto se usar un mtodo de diferencias finitas explcito
El dominio se discretiza mediante una malla con puntos en dos dimensiones en la cual el eje
horizontal representa la posicin xi mientras que el eje vertical representa el tiempo tj.
u=u(x,t), 0 < x < L, t 0

u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....

Elegimos las siguientes aproximaciones de diferencias finitas para las derivadas:

2ui,j ui + 1,j 2u i,j +ui 1,j
=
+ O(x)2
(x)2
x 2
2ui,j ui,j+ 1 2u i,j +ui,j1
=
+ O(t)2
t 2
(t)2
ui,j+ 1 2u i,j +ui,j1
(t)

+ O(x)2 = c2

ui + 1,j 2u i,j +ui 1,j

(x)2

+ O(t)2

349
Se obtiene la ecuacin de diferencias:
ui,j+ 1 2u i,j +ui,j1
(t)

= c2

ui + 1,j 2u i,j +ui 1,j

(x)2

Cuyo error de truncamiento es E = O(x)2 + O(t)2

Esta ecuacin se puede expresar en la forma:

c2 (t)2
ui,j+ 1 2u i,j + ui,j1 =
( ui + 1,j 2u i,j + ui 1,j )
(x)2
Mediante un anlisis se demuestra que si

c2 (t)2
1, la solucin calculada con este mtodo
(x)2

explcito de diferencias finitas es estable.

Para el ejemplo, suponer que c = 2, x = 0.2, entonces de la condicin anterior se tiene:
22 (t)2
= 1 t = 0.1
(0.2)2
Esta sustitucin permite adems simplificar:
ui,j+ 1 + ui,j1 = ui + 1,j + ui 1,j

La ecuacin incluye cuatro puntos dispuestos en un rombo.

La solucin progresa en la direccin t por lo que despejamos el punto en el vrtice superior.

ui,j+ 1 = ui + 1,j + ui 1,j ui,j1 ,

i = 1, 2, 3, 4;

j = 1, 2, 3, . . .

(1)

Se puede notar observando el grfico que para obtener cada nuevo punto de la solucin se
requieren conocer dos niveles previos de la solucin
Describimos el dominio de u mediante una malla con puntos en dos dimensiones en la cual
el eje horizontal representa la posicin xi mientras que el eje vertical representa tiempo tj.
En esta malla se representan los datos en los bordes y los puntos interiores que van a ser
calculados

350

Siguiendo una estrategia usada anteriormente, expresamos el dato adicional

mediante una frmula de diferencias central:
ui,0 ui,1 ui,1
= = 0 ui,-1 = ui,1
t
2(t)

u(x,0)
=0
t

(2)

Esta ecuacin incluye el punto ui,-1 entonces debe evaluarse la ecuacin (1) en t = 0:
j = 0:

ui,1 = ui + 1,0 + ui 1,0 ui,1 , i = 1, 2, 3, 4

Sustituyendo en esta ecuacin el resultado (2) se elimina el punto ficticio ui,-1

ui,1 = ui + 1,0 + ui 1,0 ui,1

ui,1 =

1
(ui + 1,0 + ui 1,0 ) , i = 1, 2, 3, 4
2

(3)

La ecuacin (3) debe aplicarse nicamente cuando t = 0, para encontrar ui,j en el nivel j=1
1
1
0.1
j = 0, i = 1: u1,1 =(u2,0 + u0,0 ) =(0.2 + 0) =
2
2
1
1
i = 2: u2,1 = (u3,0 + u1,0 ) = (0.2 + (0.1)) =0.15
2
2
1
1
i = 3: u3,1 = (u4,0 + u2,0 ) = (0.1 + (0.2)) =0.15
2
2
1
1
i = 4: u4,1 = (u5,0 + u3,0 ) = (0 + (0.2)) =0.1
2
2
Los valores calculados son colocados en la malla:

351
Ahora se tienen dos niveles con puntos conocidos. A partir de aqu se debe usar nicamente
la ecuacin (1) como un esquema explcito para calcular directamente cada punto en los
siguientes niveles j, cada nivel a una distancia t = 0.1
ui,j+ 1 = ui + 1,j + ui 1,j ui,j1 , i = 1, 2, 3, 4;

j = 1,

j = 2,

j = 3,

j = 1, 2, 3, . . .

i = 1:

u1,2 =u2,1 + u0,1 u1,0 =0.15 + 0 (0.1) =0.05

i = 2:

u2,2 =u3,1 + u1,1 u2,0 =0.15 + (0.1) (0.2) =0.05

i = 3:

u3,2 =u4,1 + u2,1 u3,0 =0.1 + (0.15) (0.2) =0.05

i = 4:

u4,2 =u5,1 + u3,1 u4,0 = 0 + (0.15) (0.1) =0.05

i = 1:

u1,3 =u2,2 + u0,2 u1,1 =0.05 + 0 (0.1) = 0.05

i = 2:

u2,3 =u3,2 + u1,2 u2,1 =0.05 + (0.05) (0.15) = 0.05

i = 3:

u3,3 =u4,2 + u2,2 u3,1 =0.05 + (0.05) (0.15) = 0.05

i = 4:

u4,3 = u5,2 + u3,2 u4,1 = 0 + (0.05) (0.1) = 0.05

i = 1:

u1,4= u2,3 + u0,3 u1,2= 0.05 + 0 (0.05)

= 0.1

i = 2:

u2,4= u3,3 + u1,3 u2,2= 0.05 + 0.05 (0.05)

= 0.15

i = 3:

= u4,3 + u2,3 u3,2

= 0.05 + 0.05 (0.05)
= 0.15
u3,4

i = 4:

u4,4 = u5,3 + u3,3 u4,2 = 0 + 0.05 (0.05) = 0.1

etc.

10.4.2 Instrumentacin computacional para una E.D.P. de tipo hiperblico

La siguiente instrumentacin del mtodo de diferencias finitas permite resolver problemas de
tipo similar al ejemplo anterior: extremos fijos, estiramiento central, velocidad inicial nula y
c2 (t)2
condicin
= 1 cuya ecuacin de diferencias es:
(x)2
ui,1 =

ui,j+ 1

1
(ui + 1,0 + ui 1,0 ) ,
i = 1, 2, 3, . . . , m-1 (Para el primer nivel j = 1)
2
= ui + 1,j + ui 1,j ui,j1 i = 1, 2, 3, . . . , m-1 (Para los siguientes niveles j = 2, 3, 4, ...)

El esquema de clculo utilizado es explcito. Cada punto es calculado directamente.

Se muestra la solucin calculada numrica y grficamente luego de calcular n niveles en la
variable t.
Los datos se especifican en el programa y se describen mediante anotaciones su significado
para realizar otras pruebas.
# Mtodo de Diferencias Finitas explcito: EDP Hiperblica

352
from numpy import*
from pylab import*
m=11
n=10
c=2
L=1
dx=L/(m-1)
dt=sqrt(dx**2/c**2)
U0=zeros([m])
x=0
for i in range(1,m-1):
x=x+dx
if x<L/2:
U0[i]=-0.5*x
else:
U0[i]= 0.5*(x-1)

#
#
#
#
#
#
#

Nmero de puntos en x
Nmero de niveles en t
dato especificado
longitud
incremento
para cumplir la condicin
Extremos fijos

# Nivel inicial

# Expresin para el desplazamiento

U1=[U0[0]]
# Primer nivel
for i in range (1,m-1):
U1=U1 + [0.5*(U0[i-1]+U0[i+1])]
U1=U1+[U0[m-1]]
for j in range(1,n+1):
# Siguientes niveles
Uj=[U1[0]]
for i in range(1,m-1):
Uj=Uj + [U1[i+1]+U1[i-1]-U0[i]]
Uj=Uj + [U1[m-1]]
U0=U1.copy()
# Actualizar niveles anteriores
U1=Uj.copy()
# Mostrar la solucin en cada nivel
print('%4d'%j,[float('%5.2f' % (Uj[j])) for j in range(m)])
# Mostrar el grfico de la solucin en el ltimo nivel
x=[]
for i in range(m):
x=x+[i*dx]
# Coordenadas para el grfico
grid(True)
plot(x,Uj,'or')
plot(x,Uj,'-r')
show()

# Graficar puntos y cuerda

353
Resultados numricos en cada nivel (posicin de los puntos de la cuerda)
1
2
3
4
5
6
7
8
9
10

[0.0, -0.05, -0.1, -0.15, -0.15, -0.15, -0.15, -0.15, -0.1, -0.05, 0.0]
[0.0, -0.05, -0.1, -0.1, -0.1, -0.1, -0.1, -0.1, -0.1, -0.05, 0.0]
[0.0, -0.05, -0.05, -0.05, -0.05, -0.05, -0.05, -0.05, -0.05, -0.05, 0.0]
[0.0, 0.0, -0.0,
0.0, -0.0,
0.0,
0.0,
0.0,
0.0,
0.0, 0.0]
[0.0, 0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.0]
[0.0, 0.05, 0.1,
0.1,
0.1,
0.1,
0.1,
0.1,
0.1,
0.05, 0.0]
[0.0, 0.05, 0.1,
0.15, 0.15, 0.15, 0.15, 0.15, 0.1,
0.05, 0.0]
[0.0, 0.05, 0.1,
0.15, 0.2,
0.2,
0.2,
0.15, 0.1,
0.05, 0.0]
[0.0, 0.05, 0.1,
0.15, 0.2,
0.25, 0.2,
0.15, 0.1,
0.05, 0.0]
[0.0, 0.05, 0.1,
0.15, 0.2,
0.2,
0.2,
0.15, 0.1,
0.05, 0.0]

Resultado grfico en el nivel n = 10 (posicin de los puntos de la cuerda)

En la siguiente prueba el desplazamiento inicial es asimtrico. En el punto x=0.25, se tensa

0.25 hacia abajo y se suelta la cuerda. Las otras condiciones se mantienen igual.
Ecuacin que describa la cuerda en el instante inicial:
0 < x 0.25
x,

u(x, 0) = 1
3 (x 1), 0.25 < x < 1

354
En el programa anterior debe hacerse la siguiente sustitucin en las lneas para el
desplazamiento inicial de la cuerda. Adicionalmente cambiar n = 14

for i in range(1,m-1):
x=x+dx
if x<L/4:
U0[i]=-x
else:
U0[i]= 1/3*(x-1)

Resultados numricos en cada nivel (posicin de los puntos de la cuerda)

1
2
3
4
5
6
7
8
9
10
11
12
13
14

[0.0, -0.07, -0.1, -0.13, -0.17,

[0.0, -0.0, -0.03, -0.07, -0.1,
[0.0, 0.03, 0.03, 0.0, -0.03,
[0.0, 0.03, 0.07, 0.07, 0.03,
[0.0, 0.03, 0.07, 0.1,
0.1,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.13,
[0.0, 0.03, 0.07, 0.1,
0.1,
[0.0, 0.03, 0.07, 0.07, 0.03,

-0.17,
-0.13,
-0.07,
-0.0,
0.07,
0.13,
0.17,
0.17,
0.17,
0.17,
0.17,
0.13,
0.07,
0.0,

-0.13,
-0.13,
-0.1,
-0.03,
0.03,
0.1,
0.17,
0.2,
0.2,
0.2,
0.17,
0.1,
0.03,
-0.03,

-0.1,
-0.1,
-0.1,
-0.07,
0.0,
0.07,
0.13,
0.2,
0.23,
0.2,
0.13,
0.07,
0.0,
-0.07,

-0.07,
-0.07,
-0.07,
-0.07,
-0.03,
0.03,
0.1,
0.17,
0.2,
0.17,
0.1,
0.03,
-0.03,
-0.07,

Resultado grfico en el nivel n = 14 (posicin de los puntos de la cuerda)

-0.03,
-0.03,
-0.03,
-0.03,
-0.03,
-0.0,
0.07,
0.1,
0.1,
0.1,
0.07,
0.0,
-0.03,
-0.03,

0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]
0.0]

355
10.5 Ejercicios con ecuaciones diferenciales parciales
1. Dada la siguiente ecuacin diferencial parcial de tipo parablico

2u
u
=
C =
, u u(x, t), 0 < x < 2, t > 0 , con las condiciones
2
x
t
1) u(x,0)=25 sen(x), 0<x<2
2) u(0,t)=10 t, t0
3)

u(2, t)
= 5, t 0
x

a) Calcule manualmente dos niveles de la solucin con el mtodo explcito de diferencias

finitas. Utilice x=0.5, C=1.6
Para que el mtodo sea estable use la condicin

t
1
=
C(x)2 2

Use una aproximacin de diferencias finitas de segundo orden para la condicin 3)

b) Calcule dos niveles de la solucin con el mtodo implcito de diferencias finitas.
Use las mismas especificaciones dadas en 1.

2. Con el criterio de Von Newman, analice la estabilidad del mtodo implcito de diferencias
finitas para resolver la EDP de tipo parablico. Demuestre que es incondicionalmente
estable.

2u
u
=C
2
t
x
cui 1,j + (1 2c)ui,j + cui + 1,j =ui,j1 ,

c=

t
C(x)2

3. Resuelva la siguiente ecuacin diferencial parcial de tipo elptico con el mtodo de

diferencias finitas.

2u 2u
+
=0
x 2 y 2
u(0, y) = 10,
u(2, y) = 20 sen (y),
uy (x, 0) = 20,
u(x, 3) = 25x,

0y3
0y3
0x2
0x2

Determine u en los puntos interiores. Use x = y = 0.5

356
4. La siguiente ecuacin diferencial parcial de tipo hiperblico describe la posicin u de
cierta cuerda en cada punto x, en cada instante t

2u
2u
=
(1
+
2x)
, 0<x<1, t>0
t 2
x 2
Use las siguientes condiciones iniciales y de borde:
u(x, 0) = 0; 0x1
u(x,0)
= x(1 x)
t
Use x = t = 0.25, y encuentre la solucin cuando t = 1

5. Resolver el siguiente problema de valor en la frontera:

2u 2u
x 2 + y 2 = x + y , 0 < x < 1 , 0 < y < 1

y2
y ) 0 , u (1,=
y)
, 0 y 1
u ( 0,=
6

1 3

x , 0 x 1
, 0 ) u ( x=
,1)
u ( x=
6

a) Sustituya las derivadas por aproximaciones de diferencias finitas de segundo orden y

simplifique
b) Construya la malla de nodos. Use x=y=1/3
c) Obtenga el sistema de ecuaciones aplicando las condiciones de frontera
d) Resuelva el sistema y especifique el valor de u en cada nodo interior de la malla

357
BIBLIOGRAFA

[1] Burden R., Faires J. Anlisis Numrico, Thomson Learning, 2002, Mexico
[2] Gerald, C., Applied Numerical Anlysis, Addison-Wesley Publishing Company
[3] Conte S., Boor C., Anlisis Numrico Elemental, McGraw-Hill
[4] Carnahan B., Luther H. Wilkes J., Applied Numerical Methods, John Wiley & Sons, Inc
[5] Nakamura S., Anlisis Numrico y Visualizacin Grfica con MATLAB, Prentice-Hall
[6] Rodrguez, L., Python Programacin, 2014
[7] Rodrguez, L., Anlisis Numrico Bsico con el soporte de MATLAB, 2012