Los sistemas de ecuaciones lineales se utilizan para resolver muchos problemas de la ciencia y la

ingeniera. La solucin numrica de dichos sistemas la forman una gran variedad de algoritmos,
como eliminacin de Gauss, Gauss-Jordan, Gauss-Seidel, Montante, Jacobi, Lu y Cholesky entre
otros, que de una manera u otra resuelven el sistema de ecuaciones lineales (si tiene solucin). Sin
embargo, cuando se trata de problemas muy complejos en donde intervienen muchas ecuaciones,
se requiere de muchas operaciones aritmticas que pueden provocar caer en el tedio y el
aburrimiento por tanto clculo, entonces, debe emplearse una alternativa para el aprendizaje.
Actualmente, los Mtodos Numricos tienen auge con la llegada de las computadoras y en
especial para resolver sistemas de ecuaciones lineales que requieren clculos matemticos
extremadamente complejos. Para el desarrollo de los algoritmos se ha empleado el paquete de
clculo numrico, simblico y grfico MatLab. Este software constituye una poderosa herramienta
para resolver problemas de ingeniera, dnde estn involucradas los sistemas lineales por sus
algoritmos implementados a travs de sus comandos y funciones. MatLab se debe usar
apropiadamente y no viene a sustituir el conocimiento impartido en el aula, se debe empelar
como un recurso didctico para hacer ms atractiva la enseanza aprendizaje de los Mtodos
Numricos.

Por sistema de ecuaciones lineales se entiende un conjunto de ecuaciones que deben

resolverse simultneamente y que presentan la siguiente estructura:

Este sistema de M ecuaciones algebraicas lineales con N incgnitas puede escribirse en forma
matricial como:

La matriz de coeficientes A se llama matriz del sistema. La matriz formada por A, a la que se le
ha agregado el vector de trminos independientes B como ltima columna, se le llama la
matriz ampliada o matriz aumentada del sistema de ecuaciones, que se representa por [A | B]
y X es el vector de incgnitas.
Al proceder a resolver un sistema de ecuaciones es necesario determinar si dicho sistema
tiene o no solucin y, en caso de tenerla, cuntas posibles soluciones tiene. A continuacin se
presentan las diversas alternativas:

Si el vector de trminos independientes B del sistema dado en (2) es diferente

de cero se dice que el sistema de ecuaciones es no homogneo y en caso
contrario el sistema es homogneo.

Sistema compatible o consistente. Es aqul que tiene solucin y en este caso se

cumple que (Teorema de Rouch-Frobenius):
rango[A] = rango [ A | B ]

El rango de una matriz es el nmero de columnas linealmente independientes.

Tambin es el orden de determinante no nulo de mayor orden que puede obtenerse
de esa matriz.

Sistema incompatible o inconsistente. Es aqul que no tiene solucin y cumple la

relacin:

rango[A] < rango [ A | B ]

Sistema determinado. Es un sistema compatible que presenta solucin nica y en
este caso se verifica que:
rango[A] = nmero de incgnitas
Un sistema homogneo que es determinado tiene nicamente la solucin trivial
X=0.
Un sistema compatible que presenta infinidad de soluciones se conoce como sistema
indeterminado y se caracteriza por:
rango[A] < nmero de incgnitas
EL MTODO DE GAUSS: consiste en transformar un sistema de ecuaciones en otro equivalente
de forma QUE este sea escalonado.
Para facilitar el clculo vamos a transformar el sistema en una matriz, en la que pondremos
LOS coeficientes de las variables y los trminos independientes (separados por una recta).
Ejemplo
Mtodo de Gauss Resolver sistemas de ecuaciones lineales con 3 incgnitas sistemas lineales de 3
ecuaciones con 3 incgnitas utilizando el mtodo de Gauss.

Otra forma de solucin con ceros

EL MTODO DE GAUSS JORDAN O TAMBIN LLAMADO ELIMINACIN DE GAUSS JORDAN: es

un mtodo por el cual pueden RESOLVERSE sistemas de ecuaciones lineales con n nmeros de
variables, encontrar matrices y matrices inversas, en este CASO desarrollaremos la primera
aplicacin mencionada.
Ejemplo
Matriz dada

3x

+ 2y

+ z

5x

+ 3y

+ 4z

+ y

Mtodo de Gauss-Seidel
En anlisis numrico el mtodo de Gauss -Seidel
es un mtodo iterativo utilizado para RESOLVER
sistemas de ecuaciones lineales. El mtodo se
llama as en honor a LOS matemticos alemanes

Carl Friedrich Gauss y Philipp Ludwig von Seidel y

es similar al mtodo de Jacobi.

Aunque este mtodo puede aplicarse a cualquier

sistema de ecuaciones lineales que produzca una
matriz (cuadrada, NATURALMENTE pues para que
exista solucin nica, el sistema debe tener
tantas
ecuaciones
como
incgnitas)
de
coeficientes con los elementos de su diagonal no nulos, la convergencia del mtodo solo se
garantiza
si
la
matriz
es
diagonalmente
dominante o si es simtrica y, a la vez, definida
positiva.

Ejemplo

Resuelva el siguiente sistema de ecuaciones lineales usando el mtodo

iterativo de Gauss Seidel
4x1 + 10x2 + 8x3 = 142
2x1 + 6x2 + 7x3 = 89.5
9x1 + 2x2 + 3x3= 56.5
Paso 1.
Ordenar los renglones para QUE pueda ser resuelto.
9x1 + 2x2 + 3x3= 56.5
4x1 + 10x2 + 8x3 = 142
2x1 + 6x2 + 7x3 = 89.5
Paso 2.

Determinar si puede ser resuelta por este mtodo, determinando si es

predominantemente DOMINANTE en su diagonal.
Paso 3.
Despejar las VARIABLES.
X1 = -2x2/9 3x3/9 + 56.5/9 = -0.2222x2 0.3333x3 + 6.2778
X2 = -4x1/10 8x3/10 +142/10 = - 0.4 0.8x3 + 14.2
X3 = - 2x1/7 6x2/7 + 89.5/7 = - 0.2857x1 0.8571x2 + 12.7857
Paso 4.
Se les asigna un valor inicial de 0 x0 = [0, 0, 0, 0]
Paso 5

Se sustituye esta solucin temporal en las ecuaciones

para OBTENER las nuevas xs., pero solo cuando no se cuente con la
anterior
Iteracin 1

X1 = - 0.2222(0) 0.3333(0) + 6.2778 = 6.2778

X2 = - 0.4(6.2778) 0.8(0) + 14.2 = 11.6888
X3 = - 0.2857(6.2778) 0.8571(11.6888) + 12.7857 = 0.9736
Se sustituye en alguna ecuacin y se observa si el RESULTADO ya es
adecuado:
4(6.2778) + 10(11.6888) + 8(0.9736) =
25.1112 + 116.888 + 7.7888 = 149.788 <> 142
error = abs(142 149.788) = 7.788
Pero si 1% = 1.42 entonces error = 7.78 = 5.48%
Aun el error es muy GRANDE. Se repite el paso 5, pero tomado los
valores obtenidos en la ecuacin anterior

Iteracin 2

X1 = - 0.2222(11.6888) 0.3333(0.9736) + 6.2778 = 3.356

X2 = - 0.4(3.356) 0.8(0.9736) + 14.2 = 12.0787
X3 = - 0.2857(3.356) 0.8571(12.0787) + 12.7857 = 1.4742
Se evala en una ecuacin en este CASO en la ecuacin 1
4(3.356) + 120.787 + 8(1.4742)= 146.0046 <> 142
Si 1% = 1.42
error = abs(142 146.0046) = 4.0046
entonces error = 2.82%
Iteracin 3.
X1 = - 0.2222(12.0787) 0.3333(1.4742) + 6.2778 = 5.0407
X2 = - 0.4(5.0407) 0.8(1.4742) + 14.2 = 11.0043
X3 = - 0.2857(5.0407) 0.8571(11.0043) + 12.7857 = 1.9137
Se sustituye
4(5.0407) + 110.043 + 8(1.9137)= 145.51, diferencia 3.51609
error = 2.47%
Iteracin 4.
X1 = - 0.2222(11.0043) 0.3333(1.9137) + 6.2778 = 3.1948
X2 = - 0.4(3.1948) 0.8(1.913) + 14.2 = 11.3916
X3 = - 0.2857(3.1948) 0.8571(11.3916) + 12.7857 = 2.1092
Se sustituye
4(3.1948) + 113.916 + 8(2.1092)= 143.5688, diferencia 1.5688
error = 1.10%

Iteracin 5.
X1 = - 0.2222(11.3916) 0.3333(2.1092) + 6.2778 = 3.0435
X2 = - 0.4(3.0435) 0.8(2.1092) + 14.2 = 11.2952
X3 = - 0.2857(3.0435) 0.8571(11.2952) + 12.7857 = 2.2350
Se sustituye
4(3.0435) + 112.952 + 8(2.235)= 143.006, diferencia 1.006
error = 0.7%
PROPIEDADES DE LOS DETERMINANTES.
Los determinantes tienen las siguientes propiedades QUE SON tiles para simplificar su
evaluacin. En los prrafos siguientes consideramos que A es una matriz cuadrada.
Propiedad 1.
Si una matriz A tiene un rengln (o una columna) de ceros, el DETERMINANTE

de A es cero.

Ejemplo 1.

Sea
Desarrollando por cofactores del PRIMER rengln se tiene

Propiedad 2.

El DETERMINANTE de una matriz A es igual al determinante de la transpuesta de A.

Esto es

Ejemplo 2.

Sea

La transpuesta de A es

Propiedad 3.
Si se intercambian dos renglones (o dos columnas) de una matriz A entonces elDETERMINANTE
cambia de signo.
Ejemplo 3.

Sea

con

Intercambiando LOS renglones 1 y 2 la matriz queda

con
Note que LOS determinantes se calcularon expandiendo por cofactores de la primera columna.
Propiedad 4.
Si una matriz A tiene dos renglones (o dos columnas) iguales entonces det A = 0.

Ejemplo 4.

Sea

entonces

Propiedad 5.
Cuando un SOLO rengln (o columna) de una matriz A se MULTIPLICA por un escalar r el
determinante de la matriz RESULTANTE es r veces el determinante de A, r det A.

Ejemplo 5.

Sea

cuyo DETERMINANTE se calcul en el ejemplo 2,

Multiplicando el tercer rengln de A por el escalar r = 3 se tiene la matriz B siguiente

cuyo DETERMINANTE, desarrollado por cofactores de la primera columna de B es

Propiedad 6.

Si un rengln de la matriz A se MULTIPLICA por un escalar r y se suma a otro

rengln de A, entonces el DETERMINANTE de la matriz RESULTANTE es igual al determinante
de A, det A. Lo mismo se cumple para las columnas de A.

Ejemplo 6.

Sea

cuyo determinante se calcul en el ejemplo 2,

Multiplicando la segunda columna de A por el escalar 2 y sumndola a la columna 3 se obtiene la

matriz B siguiente

EXPANDIENDO por cofactores de la primera columna se tiene

Propiedad 7.
Si A y B son matrices de
, el DETERMINANTE del producto AB es igual al producto
de LOS determinantes de A y de B.

Esto es

Ejemplo 7.

Sean

con

El producto
Y su DETERMINANTE es
Entonces

Propiedad 8
El DETERMINANTE de la matriz identidad I es igual a 1 (uno)
Ejemplo 8.

I=

det I = (1)(1) (0)(0) = 1

Propiedad 9.
El DETERMINANTE de una matriz singular, es decir, QUE no tiene inversa, es igual a 0 (cero)
Ejemplo 9.

J=

|J| = (1)(-12) (-3)(4) = -12 +12 = 0

Se puede fcilmente comprobar que la matriz J no tiene inversa.

Uso de las propiedades para calcular DETERMINANTES de alto orden.
Al utilizar las operaciones elementales sobre renglones, se puede reducir un determinante a
una FORMA mas fcil de evaluar. Si se REDUCE a una forma triangular superior o inferior, el
determinante es el producto de los elementos de la diagonal principal. Al hacerlo hay que tomar
en cuenta las propiedades 3, 5 y 6, como en el siguiente ejemplo.
Ejemplo 10.
Calcular el determinante de la matriz A de

Simplificamos el clculo del determinante de A REDUCIENDO POR renglones

Entonces, la permutacin P14 cambia el signo de det A , las operaciones

y

no cambian el valor del determinante.

De esta forma

Se podra seguir REDUCIENDO a la forma triangular, pero observando que hay varios ceros en el
tercer rengln resulta fcil desarrollar por cofactores, primero de la primera columna, y despus
del tercer rengln:

COMO VERIFICAR SI EL SISTEMA TIENE SOLUCIN NICA , NUMERO INFINITO O NO TIENE

SOLUCIN
Soluciones de sistemas de dos ecuaciones lineales con dos incgnitas
Una solucin de una ecuacin lineal con dos incgnitas x y y consiste en una pareja de nmeros:
un valor de x y un valor de y, que satisfacen la ecuacin. En un sentido ms amplio, una solucin
de un sistema de dos o ms ecuaciones lineales es una solucin que satisface a la vez todas las
ecuaciones en el sistema.

Podemos resolver un sistema de ecuaciones lineales grficamene, por dibujar las grficas y
determinar donde se cruzan, o algebricamente, por combinar las ecuaciones para eliminar cada
incgnita salvo que una, y entonces despejarla.

Un sistema de dos ecuaciones lineales tiene:

(1) Una sola (nica) solucin. Ocurre este CASO CUANDO las dos rectas correspondientes no
estn paralelas, y entonces se cruzan en un solo punto.

(2) Ninguna solucin. Ocurre este caso cuando las dos rectas son paralelas y distintas.

(3) Un nmero infinito de soluciones. Ocurre este caso cuando las dos ecuaciones representan la
misma recta. En este caso, se represente las soluciones por designar una variable como arbitraria y
despejar a la otra.

El metodo de Newton-Raphson para sistemas de n ecuaciones no lineales

Considerese nuevamente el sistema de n ecuaciones no lineales con n incognitas
representado por

Al igual que se hizo en el caso de una variable, supongamos que en un dominio

cerrado D IRn f (x) es una funcion de clase (C2(D))n. Y supongamos ademas

que la ecuacion anterior admite una solucion x en el dominio D. Para cualquier

otro vector x(0) D , denotando por _x al vector tal que x = x(0) + _x, la
expresion del desarrollo en serie de Taylor nos permitir afirmar, para cada una
de las ecuaciones del sistema, que existen valores _j [0, 1] (j = 1, 2, .., n) tales
que:

Donde
es la matriz hessiana de la funcion fj(x).
Si conocido x(0) se fuese capaz de determinar _x resolviendo el sistema formado
para j = 1, 2, .., n, por las ecuaciones:

podra determinarse x como x = x(0) + _x. Pero para resolver este sistema
primero deberamos conocer los valores de _j (lo cual no es obvio) y, una vez
conocidos, resolver un sistema, en general, no lineal pues observese que _x
interviene en la expresion de las matrices hessianas
Por tanto,
salvo en situaciones muy particulares, no se ganara gran cosa remplazando el
problema de resolver f (x) = 0 por el de resolver el sistema anterior.
El metodo de Newton-Raphson (o metodo de linealizacion de Newton) se sustenta
en simplificar las expresiones anteriores linealizandolas. Para ello considera que
si se esta suficientemente cerca de la solucion (es decir si
suficientemente pequeo) los terminos

es

podran despreciarse
fente a los otros terminos de cada ecuacion del sistema. Por ello, denotando por
[Jf (x)] a la matriz jacobiana de f en el punto x, en este metodo se resuelve el
sistema lineal:

del que se obtiene que:

al ser diferente el sistema linealizado que el proporcionado por el desarrollo de

Taylor, se tendra que
y por tanto x = x(0)+_x 6= x(1) =
De una forma intuitiva (que despues deberemos precisar cuando es
correcta) puede pensarse que aunque
sea diferente de x sera un vector mas proximo a x que x(0) pues lo hemos
obtenido aproximando el valor _x que nos llevaba de x(0) a x. Con ello el metodo
de Newton-Raphson propone repetir este proceso de forma recursiva hasta estar
lo suficientemente cercanos a la solucin buscada. Mas concretamente el metodo
de Newton-Raphson consiste en: Dado un vector x(0), generar la sucesion:

Sobre este metodo, en primer lugar, puede observarse que si denotamos por:

estamos en presencia de un caso particular del metodo de aproximaciones

sucesivas antes contemplado en el aparatado 1.4.1.. En otros terminos, se tiene la
siguiente propiedad:
Propiedad 3.1. Si la funcion g(x) = x [Jf (x)]1 f (x) es, para alguna norma
matricial, una contraccion definida en D la sucesion dada por

obtenida a partir de cualquier vector x(0) D converge hacia la unica solucion de la

ecuacion f (x) = 0 en D.
ejemplo
Calcular el vector x(k) de la iteracin k-sima cuando k=4 si se utiliza el mtodo de Newton-Raphson en
la
resolucin del sistema no lineal: 2 xcos( y ) = 0, 2 ysin( x ) = 0, tomando x(0) = [0,0]T.
Calcular en cada iteracin k el valor de la estimacin del error absoluto ||e(k)|| = || x(k) x(k1) ||
y tambin del error relativo || x(k) x(k1) || / || x(k) ||. Dar los resultados con cuatro decimales
exactos.
You have not attempted this yet

Queremos resolver un sistema de ecuaciones del tipo:

f1(x1,x2,...,xn) = 0, f2(x1,x2,...,xn) = 0 , ... fn(x1,x2,...,xn) = 0
donde las funciones fi(x), i=1,2,...,n son arbitrarias. Llamando entonces a F(x) = [f1(x),f2(x), ...,
fn(x)]T
queremos resolver F(x) = 0, con F:Rn Rn. Si se usa el mtodo de Newton-Raphson, esto se traduce en
usar
el esquema iterativo:
x(k+1) = x(k) (J(x(k)))1 F(x(k)), k=0,1,2,...

Por tanto, al resolver el sistema por Newton-Raphson, debemos resolver en cada iteracin el sistema

y obtener luego la siguiente iteracin usando este vector de correccin recin calculado:

En nuestro caso la funcin es:

y la matriz de Jacobi:

Como la aproximacin inicial es x(0) = [0,0]T, calculamos:

Y por tanto, el sistema lineal a resolver es:

Una vez resuelto es vc(0) = [1/2,1/4]T , por lo que entonces:

Con x(1) continuaramos el proceso y obtendramos x(2), etc., comprobando la convergencia con cada x(k)
calculado (es e(k)=vc(k1)). Las iteraciones son:

A continuacin viene la grfica donde aparecen las funciones que intervienen en el sistema, el punto de
interseccin pedido, la iteracin solicitada en el enunciado y el conjunto de puntos calculados en las
diferentes iteraciones. La aproximacin inicial aparece con un pequeo crculo rojo.

El mtodo de Bairstow es utilizado para encontrar las n-races de un polinomio. El mtodo de

Bairstow es un proceso iterativo relacionado con los mtodos de Mller y Newton-Raphson.
Es importante que recuerde la forma factorizada de un polinomio:

f 5 ( x) ( x 1)( x 4)( x 5)( x 3)( x 2)

El mtodo de Bairstow es un proceso iterativo relacionado con los mtodos de Mller y NewtonRaphson

f 5 ( x) ( x 1)( x 4)( x 5)( x 3)( x 2)

Se basa en
Por lo general, en esta aproximacin el proceso matemtico depende de dividir el
polinomio entre un factor (que no sea raz). Por ejemplo, el polinomio general

f n ( x) a0 a1 x a2 x 2 ... an x n

Dado el polinomio f5(x) = x5 - 3.5x4

+ 2.75x3
+ 2.125x2 - 3.875x + 1.25, determinar los valores de r y s
que hacen el resido igual a cero. Considere r0 = -1 y s0 = 2.
Solucin.
Iteracin 1.
La divisin sinttica con el polinomio f2(x) = x2 -x + 2.0 da como resultado
f3(x) = x3 - 4.5x2
+ 9.25x - 16.125 Residuo = {30.75, -61.75}
Aplicando el mtodo de Newton tenemos

de donde
r1 = -1.0 + 2.7636812508572213 =1.7636812508572213
s1 = 2.0 + 5.403374022767796 =7.403374022767796
Iteracin 2.
La divisin sinttica con el polinomio f2(x) = x2 -1.7636812508572213x 7.403374022767796
da como resultado
f3(x) = x3 - 1.7363187491427787x2
+ 7.091061199392814x - 1.776754563401905
Residuo = {51.75640698828836, 105.68578319650365}
Aplicando el mtodo de Newton tenemos

Iteracin 3.
La divisin sinttica con el polinomio f2(x)= x2 - 1.7164010597228012x 3.934267834965644
da como resultado
f3(x) = x3 - 1.7835989402771988x2
+ 3.622896723753395x + 1.3261878347051992
Residuo = {12.654716254544885, 28.1881465309956}
Aplicando el mtodo de Newton tenemos

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

La solucin es:
f3(x) = x3 - 2.53x2
+ 2.25x - 0.625 y f2(x) = x2 - x - 2
Las races de f2(x) = x2 - x - 2, son

Si repetimos el ejemplo pero ahora considerando el polinomio f3(x) = x3 - 2.53x2

+ 2.25x - 0.625 ,
podemos calcular el total de las races del polinomio original.
Diferencia numrica
A la ecuacin 1 se le conoce con el nombre especial en el anlisis numrico, se le llama diferencias divididas
finitas. Se puede representar generalmente como:

Se puede representar generalmente como:

Donde al diferencial se le conoce como la primera diferencia hacia adelante y a h se le llama tamao del
paso, esto es, la longitud del intervalo sobre el cual se hace la aproximacin.Se le llama diferencia "
hacia adelante " ya que usa los datos(i) e (i+1) para estimar la derivada.Al termino completo (o sea, la
diferencial entre h ) se le conoce como primera diferencia dividida finita.Esta diferencia dividida hacia
adelante no es sino una de tantas que se pueden desarrollar mediante la serie de Taylor para la
aproximacin de derivadas numricas.Por ejemplo, las aproximaciones a primeras derivadas,
utilizando las diferencias hacia atrs o las diferencias centrales se pueden desarrollar de una manera
similar a la de la ecuacin 2.Las primeras usan a , mientras x con sub-indice i+1 que las segundas usan
informacin igualmente espaciada alrededor del punto donde esta estimada la derivada.

EJERCICIO:
Dada la siguiente funcin discreta,

Encontrar f(0) aplicando las frmulas de 2, 3 y 4 puntos

de la tabla, es decir:

Solucin:

Encontrar f(0) aplicando las frmulas de 5 puntos de la tabla, es decir:

No son aplicables las formulas 19 y 20 que son tambin de 5

puntos.
Solucin:
i0123456
x 0 0.1 0.2 0.3 0.4 0.5 0.6
f(x) 1 0.90484 0.81873 0.74082 0.67032 0.60653 0.54881
i i+1 i+2 i+3 factor orden error
-1 1 1/h 1 frmula 1
-3 4 -1 1/2h 2 frmula 2
-11 18 -9 2 1/6h 3 frmula 3
segn frmula 1 f'(0) es = ( -1 + 0.9048 + 0 + 0 ) *1/ 0.1 = -0.9516
segn frmula 2 f'(0) es = ( -3 + 3.6194 + -0.8187 + 0 ) *1/ 0.2 = -0.9969
segn frmula 3 f'(0) es = ( -11 + 16.287 + -7.3686 + 1.5 ) *1/ 0.6 = -0.9997
i i+1 i+2 i+3 i+4 factor orden error
-5 18 -24 14 -3 1/2(h*h*h) 2 frmula 17
segn frmula 17 f'''(0) es = ( -5 + 16.287 + -19.65 + 10 + -2 ) *1/ 0.002 = -0.9400
Encontrar fiv (0) aplicando las frmulas de 5 puntos de
la tabla, es decir:

Solucin
segn frmula 21 der4(0) es = ( 1 + -3.6194 + 4.9124 + -3 + 1 ) *1/ 0.00010 = 0.6000

Mtodo del Trapecio

La regla del trapecio es la primera de las formulas cerradas de integracin de Newton
Cotes. Corresponde al caso donde el polinomio de la ecuacin es de primer grado:

Una lnea recta se puede representar como:

1

El rea bajo esta lnea recta es una aproximacin de la integral de () entre los limites
y b:

El resultado de la integracin es:

Que se denomina regla del trapecio.

Obtencin de la regla del trapecio
Antes de la integracin, la ecuacin se puede expresar como:

Agrupando los ltimos 2 trminos:

La cual puede integrarse entre x= y x =b para obtener:

Este resultado se evala para dar:

Ahora como b = (b ) (b + ).

Multiplicando y agrupando trminos se tiene:

Que es la frmula para la regla del trapecio.

Geomtricamente, la regla del trapecio es equivalente a aproximar el rea del trapecio
bajo la lnea recta que une () y (b). Recuerde que la formula para calcular el area
de un trapezoide es la altura por el promedio de las bases. En nuestro caso, el concepto
es el mismo, pero el trapezoide esta sobre su lado. Por lo tanto, la integral aproximada
se representa como:

Error de la regla del trapecio

Cuando empleamos la integral bajo un segmento de lnea recta para aproximar la
integral bajo una curva, obviamente se tiene un error que puede ser importante. Una
estimacin al error de truncamiento local para una sola aplicacin de la regla del
trapecio es:

Donde est en algn lugar en el intervalo de a b. La ecuacin indica que si la

funcin sujeta a integracin es lineal, la regla del trapecio ser exacta. De otra manera,
para funciones con derivadas de segundo orden y de orden superior (es decir, con
curvatura), puede ocurrir algn error.
Ejemplo

Aplicacin simple de la regla del trapecio.

*Planteamiento del problema.

Con la ecuacin integre numricamente

Desde a=0 hasta b=0.8. recuerde de la seccin PT6.2 que el valor exacto de la integral
se puede determinar en forma analtica y es 1.640533.
SOLUCION: al evaluar la funcin en los limites
f(0)=0.2
f(0.8)=0.232
sustituyendo la ecuacin se tiene que

La cual representa un error de

Que corresponde a un error relativo porcentual de 1=89.5%.

En situaciones
reales, tal vez no conozcamos previamente el valor verdadero. Por lo tanto, se requiere

una estimacin del error aproximado.

Problema del mtodo de los trapecios(MetTrape)
Integrar numricamente la funcin erf(x) para x=0,34 utilizando su definicin. Se busca
tener un error inferior a la tercera cifra decimal.
Utilizando el mtodo de los trapecios, se tiene:

Solucin:
Es interesante constatar, desde el punto de vista numrico, la evolucin de la precisin
con respecto al tiempo de clculo(tiempo en segundos para un IBM 50, 10 MHz con
coprocesador matemtico):
Influencia del numero de intervalos en el mtodo de los trapecios.
Resultado

Tiempo(s)

0.369362921747236
0.369364127446088
0.369364428870065
0.369364504226013
0.369364523064997
0.369364527774743
0.369364528952180
0.369364529246539
0.369364529320128
0.369364529338524
0.369364529343126
0.369364529344273
0.369364529344566
0.369364529344642
0.369364529344647
0.369364529344678

0,05
0,11
0,17
0,33
0,71
1,48
2,91
5,77
11,58
23,18
46,36
92,55
184,88
369,71
741,16
1478,32

# de divisiones
64
128
256
512
1024
2048
4096
8192
16384
32768
65536
131072
262144
524288
1048576
2097152

Mtodo de Simpson
Adems de aplicar la regla del trapecio con una segmentacin mas fina, otra forma de
obtener una estimacin ms exacta de una integral consiste en usar polinomios de grado
superior para unir los puntos. Por ejemplo, si hay otro punto a la mitad entre () y
(b), los tres puntos se pueden unir con una parbola. Si hay dos puntos igualmente
espaciados entre () y (b), los cuatro puntos se pueden unir mediante un polinomio

de tercer grado. Las formulas que resultan de tomar las integrales bajo esos polinomios
se conocen como reglas de Simpson.
REGLA DE SIMPSON
La regla se Simpson resulta cuando un polinomio de interpolacin de segundo grado
se sustituye en la ecuacin:
Si se designan y b como x y x , y (x) se representan por un polinomio de Lagrange
de segundo grado, la integral se transforma en:

Despus de la integracin y de las manipulaciones algebraicas se obtiene la siguiente

formula:

donde, en este caso, h=(b - )/2. Esta ecuacin se conoce como regla de Simpson 1/3, y
es la segunda frmula de integracin cerrada de Newton-Cotes. La especificacin 1/3
se origina del hecho de que h est dividida en 3 en la ecuacin.
OBTENCIN Y ESTIMACIN DEL ERROR DE LA REGLA DE SIMPSON 1/3
Como se hizo en el cuadro 21.2 para la regla del trapecio, la regla de Simpson 1/3 se
obtiene al integrar el polinomio de interpolacin de Newton-Gregory hacia adelante:

Observe que se escribi el polinomio hasta el trmino de cuarto grado, en lugar de

hasta el de tercer grado como se esperara. La razn de esto se vera un poco despus.
Advierta tambin

Ejemplo
Estime, mediante el mtodo de Simpson, el valor de la siguiente

integral DEFINIDA
y estime el error cometido:

, con una particin de siete (7) ELEMENTOS,

Para aplicar el mtodo de Simpson, la particin debe ser regular y el nmero de

subintervalos debe ser par, como la particin debe tener siete ELEMENTOS se
cumple est condicin y determinamos, entonces, la longitud de los subintervalos:

construyendo la particin
correspondiente,
Empleando la frmula del mtodo de Simpson, se obtiene una estimacin de la
integral DEFINIDA

Para estimar el error cometido, empleamos la FRMULA

correspondiente
, con
,
, es decir QUE
es el mximo en valor ABSOLUTO de la cuarta derivada de la funcin
. Determinamos entonces el valor de
. Para
obtenemos:
;

;
Con la quinta derivada de la funcin, determinamos los nmeros crticos de la
cuarta derivada en el INTERVALO de integracin
, y calculamos los
extremos relativos que en ese intervalo se pueda alcanzar.
Nmeros crticos de la cuarta derivada:

Se evaluan estos nmeros crticos, y los extremos del intervalo de integracin en

la cuarta derivada de la funcin, para OBTENER el mximo en valor absoluto
de

Por tanto,

Al sustituir en la FRMULA

de error, se obtiene

Mtodo de trapecio

Mtodo del Trapecio

La regla del trapecio es la primera de las formulas cerradas de integracin de Newton Cotes.
Corresponde al CASO donde el polinomio de la ecuacin es de primer grado:

Una lnea recta se puede representar COMO :

1

El rea bajo esta lnea recta es una aproximacin de la integral de () entre los limites y b:

El resultado de la integracin es:

Que se denomina regla del trapecio.

Obtencin de la regla del trapecio
Antes de la integracin, la ecuacin se puede expresar como:

Agrupando los ltimos 2 trminos:

La cual puede integrarse entre x= y x =b para obtener:

Este resultado se evala para dar:

Ahora como b = (b ) (b + ).

Multiplicando y agrupando trminos se tiene:

Que es la FRMULA para la regla del trapecio.

Geomtricamente, la regla del trapecio es equivalente a aproximar el rea del trapecio bajo la
lnea recta que une () y (b). Recuerde que la formula para calcular el area de un trapezoide
es la altura por el promedio de las bases. En nuestro CASO , el concepto es el mismo, pero el
trapezoide esta sobre su lado. Por lo tanto, la integral aproximada se representa como:

Error de la regla del trapecio

Cuando empleamos la integral bajo un segmento de lnea recta para aproximar la integral bajo
una curva, obviamente se tiene un error que PUEDE SER importante. Una estimacin al error de
truncamiento local para una sola aplicacin de la regla del trapecio es:

Donde est en algn lugar en el INTERVALO de a b. La ecuacin indica que si la funcin

sujeta a integracin es lineal, la regla del trapecio ser exacta. De otra manera, para funciones
con derivadas de segundo orden y de orden superior (es decir, con curvatura), puede ocurrir algn
error.
Ejemplo

Aplicacin simple de la regla del trapecio.

*Planteamiento del problema.

Con la ecuacin integre numricamente

Desde a=0 hasta b=0.8. recuerde de la seccin PT6.2 QUE

puede determinar en forma analtica y es 1.640533.
SOLUCION: al evaluar la funcin en LOS limites
f(0)=0.2
f(0.8)=0.232
sustituyendo la ecuacin se tiene que

el valor exacto de la integral se

La cual representa un error de

Que corresponde a un error relativo porcentual de 1=89.5%.

En situaciones reales, tal vez
no conozcamos previamente el valor verdadero. Por lo tanto, se requiere una estimacin del error
aproximado.
Problema del mtodo de LOS trapecios(MetTrape)
Integrar numricamente la funcin erf(x) para x=0,34 utilizando su definicin. Se BUSCA tener
un error inferior a la tercera cifra decimal.
Utilizando el mtodo de LOS trapecios, se tiene:

Solucin:
Es interesante constatar, desde el punto de vista numrico, la evolucin de la precisin con
respecto al TIEMPO de clculo(tiempo en segundos para un IBM 50, 10 MHz con coprocesador
matemtico):
Influencia del numero de intervalos en el mtodo de LOS trapecios.
RESULTADO

TIEMPO (s)

0.369362921747236
0.369364127446088
0.369364428870065
0.369364504226013
0.369364523064997
0.369364527774743
0.369364528952180
0.369364529246539
0.369364529320128
0.369364529338524
0.369364529343126

0,05
0,11
0,17
0,33
0,71
1,48
2,91
5,77
11,58
23,18
46,36

# de divisiones
64
128
256
512
1024
2048
4096
8192
16384
32768
65536

131072
262144
524288
1048576
2097152

0.369364529344273
0.369364529344566
0.369364529344642
0.369364529344647
0.369364529344678

92,55
184,88
369,71
741,16
1478,32

BIBLIOGRAFIA
http://www.aragon.unam.mx/investigacion/CIMA/Eventos/Memoria7/Ponencia%20Luis%20Loren
zo.pdf
http://recursostic.educacion.es/descartes/web/materiales_didacticos/sistemas_de_ecuaciones_li
neales_2bcnt/regla_de_cramer.htm
http://ocw.upm.es/matematica-aplicada/programacion-y-metodosnumericos/contenidos/TEMA_8/Apuntes/EcsNoLin.pdf
https://www.google.com.mx/?gws_rd=ssl#q=metodo+de+bairstow