Métodos numéricos

1. Introducción
La ciencia y la tecnología describen los fenómenos reales
mediante modelos matemáticos. El estudio de estos
modelos permite un conocimiento más profundo del
fenómeno, así como de su evolución futura. La matemática
aplicada es la rama de las matemáticas que se dedica a
buscar y aplicar las herramientas más adecuadas a los
problemas basados en estos modelos.
Desafortunadamente, no siempre es posible aplicar
métodos analíticos clásicos por diferentes razones:

 No se adecúan al modelo concreto.

 Su aplicación resulta excesivamente compleja.
 La solución formal es tan complicada que hace
imposible cualquier interpretación posterior.
 Simplemente no existen métodos analíticos capaces
de proporcionar soluciones al problema.

En estos casos son útiles las técnicas numéricas, que

mediante una labor de cálculo más o menos intensa,
conducen a soluciones aproximadas que son siempre
numérica. El importante esfuerzo de cálculo que implica la
mayoría de estos métodos hace que su uso esté
íntimamente ligado al empleo de computadores. De hecho,
sin el desarrollo que se ha producido en el campo de la
informática resultaría difícilmente imaginable el nivel actual
de utilización de las técnicas numéricas en ámbitos cada
día más diversos1.
2. Errores
El concepto de error es consustancial con el cálculo
numérico. En todos los problemas es fundamental hacer un
seguimiento de los errores cometidos a fin de poder estimar
el grado de aproximación de la solución que se obtiene.

Los errores asociados a todo cálculo numérico tienen su

origen en dos grandes factores:

 Aquellos que son inherentes a la formulación del

problema.
 Los que son consecuencia del método empleado para
encontrar la solución del problema.

Dentro del grupo de los primeros, se incluyen aquellos en

los que la definición matemática del problema es sólo una
aproximación a la situación física real. Estos errores son
normalmente despreciables; por ejemplo, el que se comete
al obviar los efectos relativistas en la solución de un
problema de mecánica clásica. En aquellos casos en que
estos errores no son realmente despreciables, nuestra
solución será poco precisa independientemente de la
precisión empleada para encontrar las soluciones
numéricas.

Otra fuente de este tipo de errores tiene su origen en la

imprecisión de los datos físicos: constantes físicas y datos
empíricos. En el caso de errores en la medida de los datos
empíricos y teniendo en cuenta su carácter generalmente
aleatorio, su tratamiento analítico es especialmente
complejo pero imprescindible para contrastar el resultado
obtenido computacional-mente.

En lo que se refiere al segundo tipo de error (error

computacional), tres son sus fuentes principales:

1.
Equivocaciones en la realización de las operaciones
(errores de bulto). Esta fuente de error es bien
conocida por cualquiera que haya realizado cálculos
manualmente o empleando una calculadora. El empleo
de computadores ha reducido enormemente la
probabilidad de que este tipo de errores se produzcan.
Sin embargo, no es despreciable la probabilidad de
que el programador cometa uno de estos errores
(calculando correctamente el resultado erróneo). Más
aún, la presencia de bugs no detectados en el
compilador o en el software del sistema no es inusual.
Cuando no resulta posible verificar que la solución
calculada es razonablemente correcta, la probabilidad
de que se haya cometido un error de bulto no puede
ser ignorada. Sin embargo, no es esta la fuente de
error que más nos va a preocupar.

2.
El error causado por resolver el problema no como se
ha formulado, sino mediante algún tipo de
aproximación. Generalmente está causado por la
sustitución de un infinito (sumatorio o integración) o
un infinitesimal (diferenciación) por una aproximación
finita. Algunos ejemplos son:

 El cálculo de una función elemental (por ejemplo,

Seno x) empleando sólo n términos de los
infinitos que constituyen la expansión en serie de
Taylor.
 Aproximación de la integral de una función por
una suma finita de los valores de la función, como
la empleada en la regla del trapezoide.
  Resolución de una ecuación diferencial
reemplazando las derivadas por una
aproximación (diferencias finitas).
 Solución de la ecuación f(x) = 0 por el método de
Newton-Raphson: proceso iterativo que, en
general, converge sólo cuando el número de
iteraciones tiende a infinito.

Denominaremos a este error, en todas sus formas,

como error por truncamiento, ya que resulta de
truncar un proceso infinito para obtener un proceso
finito. Obviamente, estamos interesados en estimar, o
al menos acotar, este error en cualquier procedimiento
numérico.
3.
Por último, la otra fuente de error de importancia es
aquella que tiene su origen en el hecho de que los
cálculos aritméticos no pueden realizarse con precisión
ilimitada. Muchos números requieren infinitos
decimales para ser representados correctamente, sin
embargo, para operar con ellos es necesario
redondearlos. Incluso en el caso en que un número
pueda representarse exactamente, algunas
operaciones aritméticas pueden dar lugar a la
aparición de errores (las divisiones pueden producir
números que deben ser redondeados y las
multiplicaciones dar lugar a más dígitos de los que se
pueden almacenar). El error que se introduce al
redondear un número se denomina error de redondeo.
2.1 Definiciones
Ahora que disponemos de una idea correcta de qué es el
error y de cual es su origen, podemos formalizar el
concepto de error. Generalmente, no conocemos el valor de
una cierta magnitud y hemos de conformarnos con un
valor aproximado x. Para estimar la magnitud de este error
necesitamos dos definiciones básicas:

Error absoluto
de x:
(1
)

Error relativo
de x:
(2
)

En la práctica, se emplea la expresión:

(3
)

En general, no conocemos el valor de este error, ya que no

es habitual disponer del valor exacto de la magnitud, sino

sólo de una acotación de su valor, esto es, un número ,

tal que:
(4
)

o bien:
(5
)
De acuerdo con este formalismo, tenemos que un numero se representará del siguiente
modo:

(6
=
)
(7
=
)

2.2 Dígitos significativos

Sea x un número real que, en general, tiene una
representación decimal infinita. Podemos decir que x ha
sido adecuadamente redondeado a un número con d
decimales, al que denominaremos x(d), si el error de
redondeo, es tal que:
(8
)

Ejemplo 1: Exprese el número x=35.47846 correctamente

redondeado a cuatro (x(4)) y tres (x(3)) decimales. Calcular el
error cometido.

Solución: en el primer caso obtenemos:

x(4)=35.4785

En el segundo caso, la aproximación correcta es:

x(3)=35.478
 =

y no la siguiente:
x(3)=35.479

Es decir, no es correcto redondear por exceso cuando el

dígito anterior es 5 y proviene de un acarreo previo.

Otra forma de obtener el número de cifras significativas es

mediante truncamiento, en donde simplemente se eliminan los dígitos de
orden inferior. El error cometido en este caso es:

(9
)

y que, en general, conduce a peores resultados que el

método anterior.

Ejemplo 2: Exprese el número x=35.47846 truncado a

cuatro (x(4)) y tres (x(3)) decimales. Calcular el error
cometido.

Solución:

x(4)=35.4784
=

x(3)=35.478
=
2.3 Propagación de errores
Cuando se resuelve un problema matemático por métodos
numéricos y aunque las operaciones se lleven a cabo
exactamente, obtenemos una aproximación numérica del
resultado exacto. Es importante tratar de conocer el efecto
que sobre el resultado final del problema tiene cada una de
las operaciones realizadas.

Para estudiar como se propaga en error, veamos cual es el

efecto que cada una de las operaciones básicas tiene sobre
el error final cuando se aplican sobre dos números

y :

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

Cuando el problema consiste en calcular el resultado y =

f(x)tenemos la siguiente fórmula aproximada de
propagación del error:

(1
4)

En el caso más general, en que una función depende de

más de una variable ( ), la fórmula

aproximada de propagación del error maximal es:
 (1
5)

Ejemplo 3: Determinar el error máximo cometido en el

cálculo y = x1 x22 para y .

Solución: El error cometido, de acuerdo con la

ecuación (15), se puede calcular mediante:

Sustituyendo valores, obtenemos:

Por lo que el resultado final se debe expresar como:

Ejemplo 4: Sea el siguiente sistema de ecuaciones lineales:

en donde ; b = 1 / a y d = b - a¿Con qué

exactitud podemos determinar el producto xy?

Solución: Primero resolveremos el sistema de ecuaciones

por reducción:
Ecuaciones que conducen a la siguiente expresión para el
producto:

(1
6)

Resolveremos ahora el problema por dos métodos. Primero,

calcularemos el error asociado a cada una de las variables y
los términos de la expresión anterior:

Sustituyendo valores, obtenemos el siguiente resultado:

Una forma mucho más adecuada de resolver este problema

consiste en sustituir en la expresión (16) los valores de b y
d por sus correspondientes expresiones en función de a.
Sustituyendo y operando, obtenemos que el producto y el
error asociado vienen dados por:
que, sustituyendo valores, conduce al resultado:

Si ambos resultados son correctos ¿Por qué el error es

mucho menor en el segundo caso que en el primero? La
respuesta es simple: en el segundo caso hemos eliminado
operaciones intermedias, permitiendo que algunos errores
se cancelen mutuamente. En general, cuanto menor sea el
número de pasos intermedios que efectuemos para
alcanzar la solución, menor será el error cometido.

2.4 Ejercicios adicionales

1.
¿Con qué exactitud es necesario medir el radio de una
esfera para que su volumen sea conocido con un error
relativo menor de 0.01%? ¿Cuantos decimales es
necesario emplear para el valor de ?

Soluciones: . El número debe

expresarse al menos con seis cifras decimales.

2.
Supongamos una barra de hierro de longitud l y
sección rectangular fija por uno de sus extremos.
Si sobre el extremo libre aplicamos una fuerza F
perpendicular a la barra, la flexión s que ésta
experimenta viene dada por la expresión:
 en donde E es una constante que depende sólo del
material denominada módulo de Young. Conociendo
que una fuerza de 140 Kp aplicada sobre una barra de
125 cm de longitud y sección cuadrada de 2.5 cm
produce una flexión de 1.71 mm, calcular el módulo de
Young y el intervalo de error. Suponer que los datos
vienen afectados por un error máximo correspondiente
al de aproximar por truncamiento las cifras dadas.

3. Aritmética de computadores
Los computadores no almacenan los números con precisión
infinita sino de forma aproximada empleando un número
fijo de bits (apócope del término inglés Binary Digit) o bytes
(grupos de ocho bits). Prácticamente todos los
computadores permiten al programador elegir entre varias
representaciones o 'tipos de datos'. Los diferentes tipos de
datos pueden diferir en el número de bits empleados, pero
también (lo que es más importante) en cómo el número
representado es almacenado: en formato fijo (también
denominado 'entero') o en punto flotante2 (denominado
'real').

3.1 Aritmética de punto fijo

Un entero se puede representar empleando todos los bits
de una palabra de computadora, con la salvedad de que se
debe reservar un bit para el signo. Por ejemplo, en una
máquina con longitud de palabra de 32 bits, los enteros
están comprendidos entre -(231 - 1) y 231 - 1 = 2147483647.
Un número representado en formato entero es 'exacto'. Las
operaciones aritméticas entre números enteros son también
'exactas' siempre y cuando:

1.
La solución no esté fuera del rango del número entero
más grande o más pequeño que se puede representar
(generalmente con signo). En estos casos se dice que
se comete un error de desbordamiento por exceso o
por defecto (en inglés: Overflow y Underflow) y es
necesario recurrir a técnicas de escalado para llevar a
cabo las operaciones.
2.
La división se interpreta que da lugar a un número
entero, despreciando cualquier resto.

Por estos motivos, la aritmética de punto fijo se emplea

muy raramente en cálculos no triviales.

3.2 Números en punto flotante

3.2.1 Notación científica normalizada

En el sistema decimal, cualquier número real puede
expresarse mediante la denominada notación científica
normalizada. Para expresar un número en notación
científica normalizada multiplicamos o dividimos por 10
tantas veces como sea necesario para que todos los dígitos
aparezcan a la derecha del punto decimal y de modo que el
primer dígito después del punto no sea cero. Por ejemplo:

En general, un número real x distinto de cero, se representa

en notación científica normalizada en la forma:
 (1
7)

en donde r es un número tal que y n es un entero

(positivo, negativo o cero).

Exactamente del mismo modo podemos utilizar la notación

científica en el sistema binario. En este caso, tenemos que:

(1
8)

donde m es un entero. El número q se denomina mantisa y

el entero m exponente. En un ordenador binario tanto q
como m estarán representados como números en base 2.
Puesto que la mantisa q está normalizada, en la
representación binaria empleada se cumplirá que:
(1
9)

3.2.2 Representación de los números

en punto flotante
En un ordenador típico los números en punto flotante se
representan de la manera descrita en el apartado anterior,
pero con ciertas restricciones sobre el número de dígitos de
q y m impuestas por la longitud de palabra disponible (es
decir, el número de bits que se van a emplear para
almacenar un número). Para ilustrar este punto,
consideraremos un ordenador hipotético que
denominaremos MARC-32 y que dispone de una longitud de
palabra de 32 bits (muy similar a la de muchos ordenadores
actuales). Para representar un número en punto flotante en
el MARC-32, los bits se acomodan del siguiente modo:
Signo del número
1 bit
real x:
Signo del 1 bit
 exponente m:
Exponente (entero | 7
m|): bits

Mantisa (número 23
real |q|): bits
En la mayoría de los cálculos en punto flotante las
mantisas se normalizan, es decir, se toman de forma que el
bit más significativo (el primer bit) sea siempre '1'. Por lo
tanto, la mantisa q cumple siempre la ecuación (19).

Dado que la mantisa siempre se representa normalizada, el

primer bit en q es siempre 1, por lo que no es necesario
almacenarlo proporcionando un bit significativo adicional.
Esta forma de almacenar un número en punto flotante se
conoce con el nombre de técnica del 'bit fantasma'.

Se dice que un número real expresado como aparece en la

ecuación (18) y que satisface la ecuación (19) tiene la
forma de punto flotante normalizado. Si además puede
representarse exactamente con |m| ocupando 7 bits y |q|
ocupando 24 bits, entonces es un número de máquina en
el MARC-323

La restricción de que |m| no requiera más de 7 bits significa

que:

Ya que , la MARC-32 puede manejar números tan

pequeños como 10-38 y tan grandes como 1038. Este no es
un intervalo de valores suficientemente generoso, por lo
que en muchos casos debemos recurrir a programas
escritos en aritmética de doble precisión e incluso de
precisión extendida.

Como q debe representarse empleando no más de 24 bits

significa que nuestros números de máquina tienen una
precisión limitada cercana a las siete cifras decimales, ya
que el bit menos significativo de la mantisa representa
unidades de . Por tanto, los números expresados
mediante más de siete dígitos decimales serán objeto de
aproximación cuando se almacenen en el ordenador.

Por ejemplo: 0.5 representado en punto flotante en el

MARC-32 (longitud de palabra de 32 bits) se almacena en la
memoria del siguiente modo:

Ejemplo 5: Suponga un ordenador cuya notación de punto

fijo consiste en palabras de longitud 32 bits repartidas del
siguiente modo: 1 bit para el signo, 15 bits para la parte
entera y 16 bits para la parte fraccionaria. Represente los
números 26.32, y 12542.29301 en base 2
empleando esta notación de punto fijo y notación de punto
flotante MARC-32 con 32 bits. Calcule el error de
almacenamiento cometido en cada caso.

Solución: El número 26.32 en binario se escribe del

siguiente modo:

Empleando las representaciones comentadas, obtenemos:

Si expresamos el error como la diferencia entre el valor y el

número realmente almacenado en el ordenador,
obtenemos:

En cuanto a los otros dos números, obtenemos:

Antes de entrar con detalle en la aritmética de los números
en punto flotante, es interesante notar una propiedad de
estos números de especial importancia en los cálculos
numéricos y que hace referencia a su densidad en la línea
real. Supongamos que p, el número de bits de la mantisa,

sea 24. En el intervalo (exponente f = 0) es posible

24
representar 2 números igualmente espaciados y
separados por una distancia 1/224. De modo análogo, en

cualquier intervalo hay 224 números

equiespaciados, pero su densidad en este caso es 2f/224. Por
ejemplo, entre 220 = 1048576 y 221 = 2097152 hay 224 =
16777216 números, pero el espaciado entre dos números

sucesivos es de sólo . De este hecho se deriva

inmediatamente una regla práctica: cuando es necesario
comparar dos números en punto flotante relativamente
grandes, es siempre preferible comparar la diferencia
relativa a la magnitud de los números. En la figura (1) se
representa gráficamente la separación entre dos números
consecutivos en función del exponente f en el rango f =
[20,30].
 Figure: Evolución de la
separación entre dos números
consecutivos en función del
exponente, f, de la
representación en punto
flotante de un número real.
[bb=55 60 455 410,
clip=true,
scale=0.7]eps/expon

3.3 Aritmética de punto flotante

En este apartado analizaremos los errores inherentes a la
aritmética de los números de punto flotante. Primero
consideraremos el error que surge como consecuencia de
que los números reales no se pueden almacenar, en
general, de forma exacta en un ordenador. Después
analizaremos las cuatro operaciones aritméticas básicas y
finalmente ampliaremos el estudio a un cálculo más
complejo.
 3.3.1 Números de máquina aproximados
Estamos interesados en estimar el error en que se incurre al
aproximar un número real positivo x mediante un número
de máquina del MARC-32. Si representamos el número
mediante:

en donde cada ai es 0 ó 1 y el bit principal es a1 = 1. Un

número de máquina se puede obtener de dos formas:
 Truncamiento: descartando todos los bits excedentes

. El número resultante, x' es siempre menor

que x (se encuentra a la izquierda de x en la recta
real).
 Redondeo por exceso: Aumentamos en una unidad
el último bit remanente a24 y después eliminamos el
exceso de bits como en el caso anterior.

Todo lo anterior, aplicado al caso del MARC-32, se resume

diciendo que si x es un número real distinto de 0 dentro del
intervalo de la máquina, entonces el número de máquina x*
más cercano a x satisface la desigualdad:

(2
0)

que se puede escribir de la siguiente forma:

Ejemplo 6: ¿Cómo se expresa en binario el número x = 2/3?

¿Cuáles son los números de máquina x' y x'' próximos en el
MARC-32?

El número 2/3 en binario se expresa como:

Los dos números de máquina próximos, cada uno con 24 bits, son:
x' =
x'' =

en donde x' se ha obtenido por truncamiento y x'' mediante

redondeo por exceso. Calculamos ahora las diferencias x -
x' y x'' - x para estimar cual es el error cometido:

x - x' =

x'' - x =

Por tanto, el número más próximo es fl(x) = x'' y los errores

de redondeo absoluto y relativo son:

|fl(x) - x| =

= 2-25 < 2-24

3.3.2 Las operaciones básicas

Vamos a analizar el resultado de operar sobre dos números
en punto flotante normalizado de l-dígitos de longitud, x e
y, que producen un resultado normalizado de l-dígitos.
Expresaremos esta operación como:
en donde op es +, -, ó . Supondremos que en cada caso
la mantisa del resultado es primero normalizada y después
redondeada (operación que puede dar lugar a un
desbordamiento que requeriría renormalizar el número). El
valor de la mantisa redondeada a p bits, qr, se define como
(de una forma más rigurosa que en el caso anterior):

en donde la función redondeo por defecto es el mayor

entero menor o igual a x y la función redondeo por exceso

es el menor entero mayor o igual a x. Para números

enteros, esta función se traduce en la bien conocida regla
de sumar 1 en la posición p + 1. Teniendo en cuenta sólo la
mantisa, redondear de este modo da lugar a un intervalo
máximo del error de:
(2
1)

y un error relativo máximo en el intervalo:

(2
2)

Analizaremos ahora el error generado por cada una de las

operaciones básicas:

Multiplicación.
La operación de multiplicar dos números expresados
en punto flotante implica sumar los exponentes y
multiplicar las mantisas. Si la mantisa resultante no
está normalizada, se recurre a renormalizar el
resultado ajustando adecuadamente el exponente.
Después, es necesario redondear la mantisa a p bits.
Para analizar el error de esta operación supongamos
dos números:
Tenemos entonces que el producto será:
xy = qx qy 2fx + fy

en donde el valor de la mantisa se encontrará en el

rango:

ya que tanto x como y satisfacen la ecuación (19). Por

tanto, la normalización del producto qx qy implica un
desplazamiento a la derecha de, como máximo, una
posición. La mantisa redondeada será entonces uno de
estos dos posibles valores:

en donde , que es el error de redondeo, cumple la

ecuación (21). Tenemos entonces:

en donde, de acuerdo con la ecuación (22), tenemos:

Por tanto, la cota del error relativo en la multiplicación

es la misma que la que surge por redondear la
mantisa.
División.
Para llevar a cabo la división en punto flotante, se
divide la mitad de la mantisa del numerador por la
mantisa del denominador (para evitar cocientes
mayores de la unidad), mientras que los exponentes
se restan. Esto es:

Puesto que ambas mantisas satisfacen la

ecuación (18), el valor del cociente estará acotado
entre los límites:

Aplicando un análisis similar al empleado en el caso de

la multiplicación, obtenemos:

en donde, de acuerdo con la ecuación (22), tenemos:

Es decir, la cota máxima del error relativo en la

división, como en el caso anterior, es la misma que la
que surge por redondear la mantisa.

Adición y sustracción.
La operación de suma o resta se realiza del siguiente
modo: se toma la mantisa del operando de menor
magnitud (supongamos que es y) y se desplaza fx - fy
posiciones a la derecha. La mantisa resultante es
sumada (o restada) y el resultado se normaliza y
después se redondea. Es decir:
 El análisis del error cometido en esta operación es más
complejo que los estudiados hasta ahora, por lo que
no lo vamos a ver en detalle. Sin embargo, el resultado
final indica que la cota máxima del error cometido en
la adición y la sustracción viene dado por:

En conclusión, en todas las operaciones aritméticas

elementales en punto flotante, el error absoluto del
resultado es no mayor de 1 en el bit menos significativo de
la mantisa.

Sin embargo, los errores de redondeo se acumulan a

medida que aumenta el número de cálculos. Si en el
proceso de calcular un valor se llevan a cabo N operaciones
aritméticas es posible obtener, en el mejor de los casos, un
4
error de redondeo total del orden de (que coincide
con el caso en que los errores de redondeo están
aleatoriamente distribuidos, por lo que se produce una
cancelación parcial). Desafortunadamente, este error puede
crecer muy rápidamente por dos motivos:

 Es muy frecuente que la regularidad del cálculo o las

peculiaridades del computador den lugar a que el error
se acumule preferentemente en una dirección; en cuyo
caso el error de redondeo se puede aproximar a .
 En circunstancias especialmente desfavorables
pueden existir operaciones que incremente
espectacularmente el error de redondeo.
Generalmente, este fenómeno se da cuando se calcula
la diferencia entre dos números muy próximos, dando
lugar a un resultado en el cual los únicos bits
significativos que no se cancelan son los de menor
orden (en los únicos en que difieren). Puede parecer
que la probabilidad de que se de dicha situación es
 pequeña, sin embargo, algunas expresiones
matemáticas fomentan este fenómeno.

Veamos con un ejemplo los problemas comentados

anteriormente. Hay dos formas de calcular las soluciones de
la familiar ecuación cuadrática:

ax2 + bx + c = 0

que son:
(2
3)

(2
4)

Cualquiera de estas dos expresiones da problemas cuando

a, c o ambos, son pequeños. En estos casos, el valor del
discriminante es muy próximo al valor de b:

por lo que la diferencia viene afectada de un

error de redondeo importante. En efecto, la ecuación (23)
evalúa bien la raíz más grande en valor absoluto, pero da
pésimos resultados al estimar la raíz menor en valor
absoluto. Por otra parte, la ecuación (24) calcula bien la raíz
menor (siempre en valor absoluto) pero no la raíz más
grande.

La solución del problema pasa por emplear una expresión

mejor condicionada. En este caso, es preferible calcular
previamente:
 (2
5)

y las dos raíces a partir de valor de q como:

(2
6)

Ejemplo: Calcular las raíces de la siguiente ecuación

cuadrática:

ax2 + bx + c = 0

siendo:

Solución: Empleando la ecuación (23), obtenemos:

Sin embargo, empleando la expresión (24):

Por último, empleando las expresiones (25) y (26) se

obtienen ambas soluciones correctas:
 3.4 Desbordamiento por exceso y
desbordamiento por defecto
En la discusión anterior, hemos ignorado la posibilidad de
que el resultado de una operación del punto flotante pueda
no ser representable mediante el esquema fijo (l-bits)
empleado por el ordenador. La magnitud más grande que
puede representarse mediante la fórmula general (18) es:

(2
7)

en donde F es el mayor exponente positivo representable

(generalmente 27 - 1) y M es la mantisa que tiene todos sus
bits puestos a 1 ( M = 1 - 224). Un desbordamiento por
exceso de punto flotante (overflow en inglés) se origina
cuando el resultado de una operación de punto flotante
tiene una magnitud mayor que la representada por la
ecuación (27).

Ejemplo: Con q = 8 (y por tanto F = 27 - 1 = 127), las

siguientes operaciones aritméticas dan lugar a
desbordamiento por exceso:

El desbordamiento por defecto (underflow en inglés) se

produce cuando el resultado de una operación en punto
flotante es demasiado pequeño, aunque no nulo, como para
que se pueda expresar en la forma dada por la
ecuación (18). El número más pequeño representable
suponiendo que siempre trabajamos con mantisas

normalizadas es , en donde -F es el exponente

negativo más grande permitido (generalmente -2-q-1). Por
ejemplo, con q=8 resulta -F = -128.
Ejemplo: Con q = 8 (y por tanto -F = -128), la siguiente
operación aritmética da lugar a desbordamiento por
defecto:

El desbordamiento por exceso es casi siempre resultado de

un error en el cálculo. Sin embargo, en el caso del
desobordamiento por defecto, en muchas ocasiones es
posible continuar el cálculo reemplazando el resultado por
cero.

3.5 Condicionamiento y estabilidad

La 'inestabilidad' en un cálculo es un fenómeno que se
produce cuando los errores de redondeo individuales se
propagan a través del cálculo incrementalmente. Veamos
brevemente este fenómeno y el problema relacionado con
este: el 'condicionamiento' del método o del problema.

La mejor forma de ver este fenómeno es a través de un

ejemplo. Supongamos el siguiente sistema de ecuaciones
diferenciales:

que tiene la siguiente solución general:

En el caso particular en que las condiciones iniciales de

nuestro problema son:
y1(0) = -y2(0) = 1

es posible determinar que el valor de las constantes a1 y a2

es: a1 = 0 & y & a2 = 1
Hasta este punto, las soluciones son exactas. Sin embargo,
supongamos que el sistema de ecuaciones anterior se
resuelve empleando un método numérico cualquiera con el
fin de calcular los valores de las funciones y1 y y2 en una
secuencia de puntos y que el error del método
da lugar a un valor de . Ya que a1 multiplica a un
exponencial creciente cualquier valor, por pequeño que sea,
de a1 dará lugar a que el término ex domine sobre el
término e-x para valores suficientemente grandes de x (ver
figura (2)). La conclusión que se obtiene es que no es
posible calcular una solución al sistema de ecuaciones
diferenciales anterior que, para valores suficientemente
grandes de x, no de lugar a un error arbitrariamente grande
en relación con la solución exacta.
 Figure: Representación
gráfica de las funciones y = e-
x
e en
donde se pone de manifiesto
que ambas funciones difieren
rápidamente a partir de un
cierto valor de la ordenada x.
[scale=0.7]eps/sinu

El problema anterior se dice que es inherentemente

inestable, o empleando una terminología más común en
cálculo numérico, se dice que está 'mal condicionado' (ill-
conditioned).

4. Cálculo de raíces de
ecuaciones
El objeto del cálculo de las raíces de una ecuación es
determinar los valores de x para los que se cumple:

f(x) = 0 (2
 8)

La determinación de las raíces de una ecuación es uno de

los problemas más antiguos en matemáticas y se han
realizado un gran número de esfuerzos en este sentido. Su
importancia radica en que si podemos determinar las raíces
de una ecuación también

podemos determinar máximos y mínimos, valores propios

de matrices, resolver sistemas de ecuaciones lineales y
diferenciales, etc...

La determinación de las soluciones de la ecuación (28)

puede llegar a ser un problema muy difícil. Si f(x) es una
función polinómica de grado 1 ó 2, conocemos expresiones
simples que nos permitirán determinar sus raíces. Para
polinomios de grado 3 ó 4 es necesario emplear métodos
complejos y laboriosos. Sin embargo, si f(x) es de grado
mayor de cuatro o bien no es polinómica, no hay ninguna
fórmula conocida que permita determinar los ceros de la
ecuación (excepto en casos muy particulares).

Existen una serie de reglas que pueden ayudar a

determinar las raíces de una ecuación:

 El teorema de Bolzano, que establece que si una

función continua, f(x), toma en los extremos del
intervalo [a,b] valores de signo opuesto, entonces la
función admite, al menos, una raíz en dicho intervalo.
 En el caso en que f(x) sea una función algebraica
(polinómica) de grado n y coeficientes reales,
podemos afirmar que tendrá n raíces reales o
complejas.
 La propiedad más importante que verifican las raíces
racionales de una ecuación algebraica establece que si
p/q es una raíz racional de la ecuación de coeficientes
enteros:
entonces el denominador q divide al coeficientes an y
el numerador p divide al término independiente a0.

Ejemplo: Pretendemos calcular las raíces racionales de

la ecuación:

3x3 + 3x2 - x - 1 = 0

Primero es necesario efectuar un cambio de variable x

= y/3:

y después multiplicamos por 32:

y3 + 3y2 -3y -9 = 0

con lo que los candidatos a raíz del polinomio son:

Sustituyendo en la ecuación, obtenemos que la única

raíz real es y = -3, es decir, (que es además

la única raíz racional de la ecuación). Lógicamente,
este método es muy poco potente, por lo que sólo nos
puede servir a modo de orientación.
La mayoría de los métodos utilizados para el cálculo de las
raíces de una ecuación son iterativos y se basan en
modelos de aproximaciones sucesivas. Estos métodos
trabajan del siguiente modo: a partir de una primera
aproximación al valor de la raíz, determinamos una
aproximación mejor aplicando una determinada regla de
cálculo y así sucesivamente hasta que se determine el valor
de la raíz con el grado de aproximación deseado.

4.1 Método de la bisección

Es el método más elemental y antiguo para determinar las
raíces de una ecuación. Está basado directamente en el
teorema de Bolzano explicado con anterioridad. Consiste en
partir de un intervalo [x0,x1]tal que f(x0)f(x1) < 0, por lo que
sabemos que existe, al menos, una raíz real. A partir de
este punto se va reduciendo el intervalo sucesivamente
hasta hacerlo tan pequeño como exija la precisión que
hayamos decidido emplear.
 Figure: Diagrama de flujo
correspondiente a la
implementación del método
de la bisección.
[scale=0.9]eps/bisecc

El algoritmo empleado se esquematiza en la figura (3).

Inicialmente, es necesario suministrar al programa el
número máximo de iteraciones MaxIter, la tolerancia , que
representa las cifras significativas con las que queremos
obtener la solución y dos valores de la variable
independiente, x0 y x1, tales que cumplan la
relación f(x0)f(x1) < 0. Una vez que se comprueba que el
intervalo de partida es adecuado, lo dividimos en dos
subintervalos tales que y y
determinamos en qué subintervalo se encuentra la raíz
(comprobando de nuevo el producto de las funciones).
Repetimos el proceso hasta alcanzar la convergencia (hasta
que ) o bien hasta que se excede

el número de iteraciones permitidas (Iter > MaxIter), en

cuyo caso es necesario imprimir un mensaje de error
indicando que el método no converge.

Dos operaciones representadas en el esquema de la figura

(3) requieren una explicación adicional:

 El punto medio del intervalo se calcula

como en lugar de emplear .

Se sigue de este modo una estrategia general al
efectuar cálculos numéricos que indica que es mejor
calcular una cantidad añadiendo un pequeño término
de corrección a una aproximación obtenida
previamente. Por ejemplo, en un computador de
precisión limitada, existen valores de x0 y x1 para los

cuales xm calculado mediante se sale del

intervalo [x0,x1].
 La convergencia ( ) se calcula mediante la

expresión . De este modo, el

término , representa el número de cifras
significativas con las que obtenemos el resultado.

4.2 Método de las aproximaciones

sucesivas
Dada la ecuación f(x) = 0, el método de las aproximaciones
sucesivas reemplaza esta ecuación por una equivalente,
x=g(x), definida en la forma g(x)=f(x)+x. Para encontrar la
solución, partimos de un valor inicial x0 y calculamos una
nueva aproximación x1=g(x0). Reemplazamos el nuevo valor
obtenido y repetimos el proceso. Esto da lugar a una

sucesión de valores , que si converge, tendrá

como límite la solución del problema.

Figure: Interpretación
geométrica del método de las
aproximaciones sucesivas.
[scale=0.9]eps/as-1

En la figura (4) se representa la interpretación geométrica

del método. Partimos de un punto inicial x0 y calculamos y
= g(x0). La intersección de esta solución con la recta y=x
nos dará un nuevo valor x1 más próximo a la solución final.

Sin embargo, el método puede divergir fácilmente. Es fácil

comprobar que el método sólo podrá converger si la
derivada g'(x) es menor en valor absoluto que la unidad
(que es la pendiente de la recta definida por y=x). Un
ejemplo de este caso se muestra en la figura (5). Esta
condición, que a priori puede considerarse una severa
restricción del método, puede obviarse fácilmente. Para ello
basta elegir la función g(x) del siguiente modo:

de forma que tomando un valor de adecuado, siempre

podemos hacer que g(x) cumpla la condición de la
derivada.
 Figure: Demostración gráfica
de que el método de las
aproximaciones sucesivas
diverge si la derivada g'(x) >
1.
[scale=0.9]eps/as-2

4.3 Método de Newton

Este método parte de una aproximación inicial x0 y obtiene
una aproximación mejor, x1, dada por la fórmula:
(2
9)

La expresión anterior puede derivarse a partir de un

desarrollo en serie de Taylor. Efectivamente, sea r un cero
de f y sea x una aproximación a r tal que r=x+h. Si f'' existe
y es continua, por el teorema de Taylor tenemos:

(3
0 = f(r) = f(x+h) = f(x) + hf'(x) + O(h2)
0)
en donde h=r-x. Si x está próximo a r (es decir hes
pequeña), es razonable ignorar el término O(h2):

(3
0 = f(x) + hf'(x)
1)

por lo que obtenemos la siguiente expresión para h:

(3
2)

A partir de la ecuación (32) y teniendo en cuenta que

r=x+h es fácil derivar la ecuación (29).

Figure: Interpretación
geométrica del método de
Newton.
[scale=0.9]eps/new-1

El método de Newton tiene una interpretación geométrica

sencilla, como se puede apreciar del análisis de la figura
(6). De hecho, el método de Newton consiste en una
linealización de la función, es decir, f se reemplaza por
una recta tal que contiene al punto (x0,f(x0)) y cuya
pendiente coincide con la derivada de la función en el
punto,
f'(x0). La nueva aproximación a la raíz, x1, se obtiene de la
intersección de la función linear con el eje X de ordenadas.

Veamos como podemos obtener la ecuación (29) a partir de

lo dicho en el párrafo anterior. La ecuación de la recta que
pasa por el punto (x0,f(x0)) y de pendiente f'(x0) es:

(3
y - f(x0) = f'(x0)(x-x0)
3)

de donde, haciendo y=0 y despejando x obtenemos la

ecuación de Newton-Raphson (29).

Figure: Dos situaciones en

las que el método de Newton
no funciona adecuadamente:
(a) el método no alcanza la
convergencia y (b) el método
converge hacia un punto que
no es un cero de la ecuación.
[scale=0.9]eps/new-2

El método de Newton es muy rápido y eficiente ya que la

convergencia es de tipo cuadrático (el número de cifras
significativas se duplica en cada iteración). Sin embargo, la
convergencia depende en gran medida de la forma que
adopta la función en las proximidades del punto de
iteración. En la figura (7) se muestran dos situaciones en
las que este método no es capaz de alcanzar la
convergencia (figura (7a)) o bien converge hacia un punto
que no es un cero de la ecuación (figura (7b)).

4.4 Método de la secante

El principal inconveniente del método de Newton estriba en
que requiere conocer el valor de la primera derivada de la
función en el punto. Sin embargo, la forma funcional de f(x)
dificulta en ocasiones el cálculo de la derivada. En estos
casos es más útil emplear el método de la secante.

El método de la secante parte de dos puntos (y no sólo uno

como el método de Newton) y estima la tangente (es decir,
la pendiente de la recta) por una aproximación de acuerdo
con la expresión:

(3
4)

Sustituyendo esta expresión en la ecuación (29) del método

de Newton, obtenemos la expresión del método de la
secante que nos proporciona el siguiente punto de
iteración:

(3
5)
 Figure: Representación
geométrica del método de la
secante.
[scale=0.9]eps/secante

En la siguiente iteración, emplearemos los puntos x1 y

x2para estimar un nuevo punto más próximo a la raíz de
acuerdo con la ecuación (35). En la figura (8) se representa
geométricamente este método.

En general, el método de la secante presenta las mismas

ventajas y limitaciones que el método de Newton-Raphson
explicado anteriormente.

4.5 Método de Steffensen

El método de Steffensen presenta una convergencia rápida
y no requiere, como en el caso del método de la secante, la
evaluación de derivada alguna. Presenta además, la ventaja
adicional de que el proceso de iteración sólo necesita un
punto inicial. Este método calcula el siguiente punto de
iteración a partir de la expresión:
 4.6 Método de la falsa posición
El método de la falsa posición pretende conjugar la
seguridad del método de la bisección con la rapidez del
método de la secante. Este método, como en el método de
la bisección, parte de dos puntos que rodean a la raíz f(x) =
0, es decir, dos puntos x0 y x1tales que f(x0)f(x1) < 0. La
siguiente aproximación, x2, se calcula como la intersección
con el eje X de la recta que une ambos puntos (empleando
la ecuación (35) del método de la secante). La asignación
del nuevo intervalo de búsqueda se realiza como en el
método de la bisección: entre ambos intervalos, [x0,x2] y
[x2,x1], se toma aquel que cumpla f(x)f(x2) < 0. En la figura
(9) se representa geométricamente este método.

Figure: Representación
geométrica del método de la
falsa posición.
[scale=0.9]eps/falpos

La elección guiada del intervalo representa una ventaja

respecto al método de la secante ya que inhibe la
posibilidad de una divergencia del método. Por otra parte y
respecto al método de la bisección, mejora notablemente la
elección del intervalo (ya que no se limita a partir el
intervalo por la mitad).
 Figure: Modificación del
método de la falsa posición
propuesta por Hamming. La
aproximación a la raíz se
toma a partir del punto de
intersección con el eje X de la
recta que une los puntos
( x0,f(x0)/2) y (x1,f(x1)) si la
función es convexa en el
intervalo (figura a) o bien a
partir de la recta que une los
puntos (x0,f(x0)) y (x1, f(x1)/2)
si la función es cóncava en el
intervalo (figura b).
[scale=0.9]eps/hamming

Sin embargo, el método de la falsa posición tiene una

convergencia muy lenta hacia la solución. Efectivamente,
una vez iniciado el proceso iterativo, uno de los extremos
del intervalo tiende a no modificarse (ver figura (9)). Para
obviar este problema, se ha propuesto una modificación del
método, denominada método de Hamming. Según este
método, la aproximación a una raíz se encuentra a partir de
la determinación del punto de intersección con el eje X de
la recta que une los puntos ( x0,f(x0)/2) y (x1,f(x1)) si la
función es convexa en el intervalo o bien a partir de la recta
que une los puntos (x0,f(x0)) y (x1, f(x1)/2) si la función es
cóncava en el intervalo. En la figura (10) se representa
gráficamente el método de Hamming.
Como hemos comentado, el método de Hamming requiere
determinar la concavidad o convexidad de la función en el
intervalo de iteración. Un método relativamente sencillo
para determinar la curvatura de la función consiste en
evaluar la función en el punto medio del intervalo, f(xm) (en
donde xm se calcula como en el método de la bisección) y
comparar este valor con la media de los valores de la

función en los extremos del intervalo, .

Tenemos entonces que:

5. Puntos fijos e iteración

funcional
El método de Newton y el de Steffenson son ejemplos de
procedimientos mediante los cuales se calcula una sucesión
de puntos empleando una fórmula de recurrencia como la
siguiente:

(3
xn+1 = F(xn)
7)

El algoritmo definido de este modo se denomina iteración

funcional.

Ejemplo: En el caso del método de Newton, la

expresión (37) se escribiría del modo:

en tanto que para el método de Steffensen resulta ser:

La fórmula (37) puede utilizarse para generar sucesiones
que no convergen, como por ejemplo la sucesión 1, 3, 9,
27,..., que se obtiene con x0=1 y F(x)=3x. Sin embargo,
estamos interesados en aquellos casos para los que existe
. Es decir, aquellos casos para los que se cumple:

Es fácil comprobar que si F es continua se cumple la

siguiente relación entre F y s:

Tenemos, por tanto, que F(s)=s y denominamos a s punto

fijo de la función F. Podemos considerar al punto fijo como
un valor al que se fija la función durante el proceso
iterativo.

Como hemos visto en el apartado anterior, con frecuencia

un problema matemático puede reducirse al problema de
encontrar un punto fijo de una función. En este caso,

nos limitaremos a analizar el caso más sencillo en que F

envía en sí mismo algún conjunto cerrado y además
se trata de una aplicación contractiva. Se dice que una
transformación es contractiva si existe un número menor
que 1 que satisfaga la relación:

(3
8)
para todos los puntos x e y en el dominio de F.

Las aplicaciones contractivas cumplen una propiedad de

gran importancia, que se puede expresar del siguiente
modo:

Sea F una aplicación contractiva que va de un conjunto

cerrado a C. Entonces F tiene un punto fijo. Más aún,
este punto fijo es el límite de toda sucesión que se obtenga
a partir de la ecuación (37) con cualquier punto inicial
.

El enunciado anterior, conocido como teorema de la

aplicación contractiva se puede demostrar fácilmente.
Para ello, primero escribimos xn en la forma:

De acuerdo con la expresión anterior, vemos que la

sucesión [xn]converge si y sólo si la serie

converge. Para demostrar que esta serie converge, basta

con demostrar que la serie
(3
9)

converge.

Por otra parte, usando la propiedad de las aplicaciones

contractivas expresada por (38) junto con la ecuación (37),
podemos escribir:
 (4
0)

La relación expresada por (40) puede repetirse para

obtener:
(4
1)

Para comprobar que la sucesión (39) converge, podemos

utilizar el criterio de comparación, de modo que a partir de
la expresión (41) obtenemos:

Es decir, la sucesión converge tal como establece el

teorema de la aplicación contractiva expresado
anteriormente.

Comprobemos ahora que el punto fijo es efectivamente

único. Para ello, supongamos que existen dos puntos fijos, x
e y. De acuerdo con la relación (38), tenemos:

Ya que es un número finito menor que uno, la única forma

de que la ecuación anterior se cumpla es si |x-y| = 0; es
decir, si el punto fijo es único.

Ejemplo: Demuestre que la sucesión [xn] definida

recursivamente de acuerdo con:

es contractiva y tiene un punto fijo.

Para comprobar que la función anterior es contractiva,
calculemos la diferencia entre dos términos cualesquiera de
la sucesión anterior:

(por la desigualdad triangular). Por tanto, de acuerdo con el

teorema de la aplicación contractiva, la sucesión debe
converger a un único punto fijo, cuyo valor es 2
(compruébelo).

6. Resolución de sistemas de
ecuaciones lineales
El objetivo de este apartado es examinar los aspectos
numéricos que se presentan al resolver sistemas de
ecuaciones lineales de la forma:

(4
2)

Se trata de un sistema de n ecuaciones con n incógnitas, x1,

x2, ..., xn. Los elementos aij y bi son números reales fijados.

El sistema de ecuaciones (42) se puede escribir, empleando

una muy útil representación matricial, como:
 (4
3)

Entonces podemos denotar estas matrices por A, x y b de

forma que la ecuación se reduce simplemente a:

(4
Ax=b
4)

Los métodos de resolución de sistemas de ecuaciones se

pueden dividir en dos grandes grupos:

 Los Métodos exactos o algoritmos finitos que

permiten obtener la solución del sistema de manera
directa.
 Los Métodos aproximados que utilizan algoritmos
iterativos e infinitos y que calculan las solución del
sistema por aproximaciones sucesivas.

Al contrario de lo que pueda parecer, en muchas ocasiones

los métodos aproximados permiten obtener un grado de
exactitud superior al que se puede obtener empleando los
denominados métodos exactos, debido fundamentalmente
a los errores de truncamiento que se producen en el
proceso.

De entre los métodos exactos analizaremos el método de

Gauss y una modificación de éste denominado método de
Gauss-Jordan. Entre los métodos aproximados nos
centraremos en el estudio de los métodos de Richardson,
Jacobi y Gauss-Seidel
6.1 Métodos de resolución exacta
Antes de abordar el estudio de los métodos de resolución
exacta de sistemas de ecuaciones lineales, analizaremos
algunas propiedades y relaciones útiles que caracterizan a
estos sistemas.

6.1.1 Sistemas fáciles de resolver

Analizaremos previamente un sistema que sea fácil de
resolver. Por ejemplo, supongamos que la matriz A de
presenta estructura diagonal, es decir, todos los
componentes distintos de cero se encuentran sobre la
diagonal principal. El sistema de ecuaciones (43) toma por
tanto la forma:

(4
5)

En este caso el sistema se reduce a n ecuaciones simples y

la solución es:

(4
6)

Continuando con la búsqueda de sistemas con soluciones

fáciles, supongamos ahora que A tiene una estructura
triangular inferior, es decir, todos los elementos de
Adistintos de cero se sitúan bajo la diagonal principal:
 (4
7)

Es fácil ver que el valor de x1 se obtiene directamente a

partir de la primera ecuación. Sustituyendo el valor
conocido de x1 en la segunda ecuación es posible obtener el
valor de x2. Procediendo de la misma forma para el resto de
las ecuaciones, es posible obtener todos los valores x1 , x2,
x3, ..., xn uno tras otro y en ese orden. El algoritmo formal
para encontrar la solución se denomina sustitución
progresiva y se puede expresar como:

(4
8)

Se puede emplear el mismo razonamiento para el caso en

que la estructura de la matriz A sea triangular superior. En
este caso el sistema matricial adopta la forma:

(4
9)

y es posible obtener las soluciones en el orden xn, xn-1, ...,

x1, empleando en este caso una modificación del algoritmo
expresado por la ecuación (48) y que denominados
algoritmo de sustitución regresiva:
 (5
0)

Como es lógico, los métodos descritos se pueden aplicar a

todos aquellos sistemas que se pueden convertir en un
sistema triangular permutando filas y columnas de forma
adecuada.

6.1.2 La factorización LU
Supongamos que A se puede factorizar como el producto de
una matriz triangular inferior L con una matriz triangular
superior U:

(5
A = LU
1)

En este caso, el sistema de ecuaciones dado por (44) podría

representarse en la forma:

(5
LUx=b
2)

Si denominamos z a la matriz columna de n filas resultado

del producto de las matrices Ux, tenemos que la
ecuación (52) se puede reescribir del siguiente modo:

(5
Lz=b
3)

A partir de las ecuaciones (52) y (53), es posible plantear

un algoritmo para resolver el sistema de ecuaciones
empleando dos etapas:
  Primero obtenemos z aplicando el algoritmo de
sustitución progresiva en la ecuación (53).
 Posteriormente obtenemos los valores de x aplicando
el algoritmo de sustitución regresiva a la ecuación

Ux = z

El análisis anterior nos muestra lo fácil que es resolver

estos dos sistemas de ecuaciones triangulares y lo útil que
resultaría disponer de un método que nos permitiera llevar
a cabo la factorización A=LU. Si disponemos de una matriz
A de , estamos interesados en encontrar aquellas
matrices:

tales que cumplan la ecuación (51). Cuando esto es posible,

decimos que A tiene una descomposición LU. Se puede
ver que las ecuación anterior no determina de forma única
a Ly a U. De hecho, para cada i podemos asignar un valor
distinto de cero a lii o uii (aunque no ambos). Por ejemplo,
una elección simple es fijar lii=1 para haciendo
de esto modo que L sea una matriz triangular inferior
unitaria. Otra elección es hacer U una matriz triangular
superior unitaria (tomando uii=1 para cada i).

Para deducir un algoritmo que nos permita la factorización

LU de Apartiremos de la fórmula para la multiplicación de
matrices:
 (5
4)

en donde nos hemos valido del hecho de que lis=0 para s >i
y usj=0 para s>j.

En este proceso, cada paso determina una nueva fila de U y

una nueva columna de L. En el paso k, podemos suponer
que ya se calcularon las filas de U, al igual que
las columnas de L. Haciendo i=j=k en la
ecuación (54) obtenemos

(5
5)

Si especificamos un valor para lkk (o para ukk), a partir de la

ecuación (55) es posible determinar un valor para el otro
término. Conocidas ukk y lkk y a partir de la ecuación (54)
podemos escribir las expresiones para la k-ésima fila (i=k) y
para la k-ésima columna (j=k), respectivamente:

(5
6)

(5
7)

Es decir, las ecuaciones (57) se pueden emplear para

encontrar los elementos ukj y lik.

El algoritmo basado en el análisis anterior se denomina

factorización de Doolittle cuando se toman los términos
lii = 1 para (L triangular inferior unitaria) y
factorización de Crout cuando se toman los términos
uii=1 (U triangular superior unitaria).

Una implementación en pseudocódigo del algoritmo para

llevar a cabo la factorización LU se muestra en la
figura (11).

Figure: Implementación del algoritmo de la

factorización LU.

Es interesante notar que los bucles que permiten el

cómputo de la k-ésima fila de U y de la k-ésima columna de
L se pueden llevar a cabo en paralelo, es decir, pueden
evaluarse simultáneamente sobre dos procesadores, lo que
redunda en un importante ahorro del tiempo de cálculo.

Ejemplo: Encuentre las factorizaciones de Doolittle y Crout

de la matriz:
La factorización de Doolittle es, a partir del algoritmo:

En vez de calcular la factorización de Crout directamente, la

podemos obtener a partir de la factorización de Doolittle
que acabamos de ver. Efectivamente, si tenemos en cuenta
que la matriz A es simétrica, es posible comprobar que se
cumple la relación:

A = LU = UTLT

por lo que la factorización de Crout resulta ser:

6.1.3 Eliminación gaussiana básica

Ilustraremos el método de Gauss aplicando el
procedimiento a un sistema de cuatro ecuaciones con
cuatro incógnitas:

(5
8)
En el primer paso, multiplicamos la primera ecuación por

y la restamos a la segunda, después multiplicamos la

primera ecuación por y la restamos a la tercera y

finalmente multiplicamos la primera ecuación por y

la restamos a la cuarta. Los números 2, y -1 son los

multiplicadores del primer paso del proceso de
eliminación. El número 6 es el elemento pivote de este
primer paso y la primera fila, que no sufre modificación
alguna, se denomina fila pivote. El sistema en estos
momentos tiene el siguiente aspecto:

(5
9)

En el siguiente paso del proceso, la segunda fila se emplea

como fila pivote y -4 como elemento pivote. Aplicamos
del nuevo el proceso: multiplicamos la segunda fila por

y la restamos de la tercera y después multiplicamos

la segunda fila por y la restamos a la cuarta. Los

multiplicadores son en esta ocasión 3 y y el sistema de

ecuaciones se reduce a:

(6
0)
El último paso consiste en multiplicar la tercera ecuación

por y restarla a la cuarta. El sistema resultante resulta

ser:

(6
1)

El sistema resultante es triangular superior y equivalente al

sistema original (las soluciones de ambos sistemas
coinciden). Sin embargo, este sistema es fácilmente

resoluble aplicando el algoritmo de sustitución regresiva

explicado en el apartado 6.1.1. La solución del sistema de
ecuaciones resulta ser:

Si colocamos los multiplicadores utilizados al transformar el

sistema en una matriz triangular inferior unitaria (L)
ocupando cada uno de ellos la posición del cero que
contribuyó a producir, obtenemos la siguiente matriz:

Por otra parte, la matriz triangular superior (U) formada por

los coeficientes resultantes tras aplicar el algoritmo de
Gauss (ecuación 61), es:
Estas dos matrices nos dan la factorización LU de la matriz
inicial de coeficientes, A, expresada por la ecuación (58):

Figure: Implementación del algoritmo

de eliminación gaussiana.

En la figura (12) se muestra un algoritmo en pseudocódigo

para llevar a la práctica el proceso básico de eliminación
gaussiana que acabamos de describir. En este algoritmo se
supone que todos los elementos pivote son distintos de
cero.
6.1.4 Método de Gauss-Jordan
Como hemos visto, el método de Gauss transforma la
matriz de coeficientes en una matriz triangular superior. El
método de Gauss-Jordan continúa el proceso de
transformación hasta obtener una matriz diagonal unitaria
(aij=0 para cualquier ).

Veamos el método de Gauss-Jordan siguiendo con el

ejemplo empleado en el apartado anterior. Aplicando el
método de Gauss habíamos llegado a la siguiente ecuación:

Ahora seguiremos un procedimiento similar al empleado en

el método de Gauss. Tomaremos como pivote el elemento

a44=-3; multiplicamos la cuarta ecuación por y la

restamos a la primera:

Realizamos la misma operación con la segunda y tercera

fila, obteniendo:
Ahora tomamos como pivote el elemento a33=2,

multiplicamos la tercera ecuación por y la restamos a

la primera:

Repetimos la operación con la segunda fila:

Finalmente, tomamos como pivote a22=-4, multiplicamos la

segunda ecuación por y la sumamos a la primera:

El sistema de ecuaciones anterior es, como hemos visto,

fácil de resolver. Empleando la ecuación (46) obtenemos las
soluciones:

6.1.5 Pivoteo
Sin embargo, los algoritmos de Gauss y Gauss-Jordan que
acabamos de describir pueden dar lugar a resultados
erróneos fácilmente. Por ejemplo, analicemos el siguiente
sistema de ecuaciones, en el que es un número muy
pequeño pero distinto de cero:

Al aplicar el algoritmo gaussiano se obtiene el siguiente

sistema triangular superior:

y la solución es:

En el computador, si es suficientemente pequeño, los

términos y se computarán como un mismo

número, por lo que y . Sin embargo, la solución
correcta es:

Tenemos entonces que la solución calculada es exacta para

x2 pero extremadamente inexacta para x1.

El problema anterior no radica en la pequeñez del término

aii, sino en su pequeñez relativa respecto de los otros
elementos de su fila. La conclusión que podemos extraer es
que un buen algoritmo debe incluir el intercambio de
ecuaciones cuando las circunstancias así lo exijan. Un
algoritmo que cumple este requisito es el denominado
eliminación gaussiana con pivoteo de filas escaladas.
6.2 Métodos iterativos
El método de Gauss y sus variantes se conocen con el
nombre de métodos directos: se ejecutan a través de un
número finito de pasos y dan lugar a una solución que sería
exacta si no fuese por los errores de redondeo.

Por contra, un método indirecto da lugar a una sucesión

de vectores que idealmente converge a la solución. El
cálculo se detiene cuando se cuenta con una solución
aproximada con cierto grado de precisión especificado de
antemano o después de cierto número de iteraciones. Los
métodos indirectos son casi siempre iterativos: para
obtener la sucesión mencionada se utiliza repetidamente un
proceso sencillo.

6.2.1 Conceptos básicos

En general, en todos los procesos iterativos para resolver el
sistema Ax=b se recurre a una cierta matriz Q, llamada
matriz descomposición, escogida de tal forma que el
problema original adopte la forma equivalente:

(6
Qx = (Q-A)x+b
2)

La ecuación (62) sugiere un proceso iterativo que se

concreta al escribir:
(6
3)

El vector inicial x(0) puede ser arbitrario, aunque si se

dispone de un buen candidato como solución éste es el que
se debe emplear. La aproximación inicial que se adopta, a
no ser que se disponga de una mejor, es la idénticamente
nula . A partir de la ecuación (63) se
puede calcular una sucesión de vectores x(1), x(2), .... Nuestro
objetivo es escoger una matriz Q de manera que:
(k)
 se pueda calcular fácilmente la sucesión [x ].
  la sucesión [x(k)] converja rápidamente a la solución.

Como en todo método iterativo, deberemos especificar un

criterio de convergencia y un número máximo de
iteraciones M, para asegurar que el proceso se detiene si no
se alcanza la convergencia. En este caso, puesto que x es
un vector, emplearemos dos criterios de convergencia que
se deberán satisfacer simultáneamente:

1.

El módulo del vector diferencia, , partido

por el módulo del vector x, deberá ser menor que

la convergencia deseada:

2.
La diferencia relativa del mayor elemento en valor

absoluto del vector x(k), , deberá ser diez

veces menor que :

6.2.2 Método de Richardson

El método de Richardson toma como matriz Q la matriz
identidad (I). En este caso la ecuación (63) queda en la
forma:

(6
Ix(k) = (I-A)x(k-1)+b = x(k-1)+r(k-1)
4)

en donde r(k-1) es el vector residual definido mediante r(k-

1)
=b-Ax(k-1).
La matriz identidad es aquella matriz diagonal cuyos
elementos no nulos son 1, es decir:

y cumple que
IA = A

para cualquier valor de A; es decir, es el elemento neutro

del producto matricial. De acuerdo con esto, la
ecuación (64) se puede escribir como:
x(k) = x(k-1) - Ax(k-1) + b = x(k-1) + r(k-1)

en donde un elemento cualquiera del vector r(k-1) vendrá

dado por la expresión:

En la figura (13) se muestra un algoritmo para ejecutar la

iteración de Richardson. Este método recibe también el
nombre de método de relajación o método de los residuos.

Figure: Implementación del

algoritmo iterativo de
Richardson.
 6.2.3 Método de Jacobi
En la iteración de Jacobi, se escoge una matriz Q que es
diagonal y cuyos elementos diagonales son los mismos que
los de la matriz A. La matriz Q toma la forma:

y la ecuación general (63) se puede escribir como

(6
Qx(k) = (Q-A)x(k-1) + b
5)

Si denominamos R a la matriz A-Q:

la ecuación (65) se puede reescribir como:

 Qx(k) = -Rx(k-1) + b

El producto de la matriz Q por el vector columna x(k) será un

vector columna. De modo análogo, el producto de la matriz
R por el vector columna x(k-1) será también un vector
columna. La expresión anterior, que es una ecuación
vectorial, se puede expresar por necuaciones escalares
(una para cada componente del vector). De este modo,
podemos escribir, para un elemento i cualquiera y teniendo
en cuenta que se trata de un producto matriz-vector:

Si tenemos en cuenta que en la matriz Q todos los

elementos fuera de la diagonal son cero, en el primer
miembro el único término no nulo del sumatorio es el que
contiene el elemento diagonal qii, que es precisamente aii.
Más aún, los elementos de la diagonal de Rson cero, por lo
que podemos eliminar el término i=j en el sumatorio del
segundo miembro. De acuerdo con lo dicho, la expresión
anterior se puede reescribir como:

de donde despejando xi(k) obtenemos:

que es la expresión que nos proporciona las nuevas
componentes del vector x(k) en función de vector anterior
x(k-1) en la iteración de Jacobi. En la figura (14) se presenta
un algoritmo para el método de Jacobi.

Figure: Implementación del método de

Jacobi.

El método de Jacobi se basa en escribir el sistema de

ecuaciones en la forma:

(6
6)

Partimos de una aproximación inicial para las soluciones al

sistema de ecuaciones y sustituimos estos valores en la
ecuación (66). De esta forma, se genera una nueva
aproximación a la solución del sistema, que en
determinadas condiciones, es mejor que la aproximación
inicial. Esta nueva aproximación se puede sustituir de
nuevo en la parte derecha de la ecuación (66) y así
sucesivamente hasta obtener la convergencia.

6.2.4 Método de Gauss-Seidel

La iteración de Gauss-Seidel se define al tomar Q como
la parte triangular inferior de A incluyendo los elementos de
la diagonal:

Si, como en el caso anterior, definimos la matriz R=A-Q

y la ecuación (63) se puede escribir en la forma:

Qx(k) = -Rx(k-1) + b

Un elemento cualquiera, i, del vector Qx(k) vendrá dado por

la ecuación:

Si tenemos en cuenta la peculiar forma de las matrices Q y

R, resulta que todos los sumandos para los que j > i en la
parte izquierda son nulos, mientras que en la parte derecha
son nulos todos los sumandos para los que . Podemos
escribir entonces:

de donde despejando xi(k), obtenemos:

Obsérvese que en el método de Gauss-Seidel los valores

actualizados de xi sustituyen de inmediato a los valores
anteriores, mientras que en el método de Jacobi todas las
componentes nuevas del vector se calculan antes de llevar
a cabo la sustitución. Por contra, en el método de Gauss-
Seidel los cálculos deben llevarse a cabo por orden, ya que
el nuevo valor xi depende de los valores actualizados de x1,
x2, ..., xi-1.

En la figura (15) se incluye un algoritmo para la iteración de

Gauss-Seidel.

Figure: Algoritmo para la iteración de

Gauss-Seidel.
7. Interpolación
Nos centraremos ahora en el problema de obtener, a partir de una
tabla de parejas (x,f(x)) definida en un cierto intervalo [a,b], el valor
de la función para cualquier xperteneciente a dicho intervalo.

Supongamos que disponemos de las siguientes parejas de datos:

x x0 x1 x2 xn
y y0 y1 y2 yn
El objetivo es encontrar una función continua lo más sencilla posible
tal que

(6
f(xi) = yi
7)

Se dice entonces que la función f(x) definida por la ecuación (67) es

una función de interpolación de los datos representados en la
tabla.

Existen muchas formas de definir las funciones de interpolación, lo

que da origen a un gran número de métodos (polinomios de
interpolación de Newton, interpolación de Lagrange, interpolación de
Hermite, etc). Sin embargo, nos centraremos exclusivamente en dos
funciones de interpolación:

1.
Los polinomios de interpolación de Lagrange.
2.
 Las funciones de interpolación splines. Estas funciones son
especialmente importantes debido a su idoneidad en los
cálculos realizados con ordenador.

7.1 Polinomios de interpolación de

Lagrange
Un polinomio de interpolación de Lagrange, p, se define en
la forma:

(6
8)

en donde son polinomios que dependen sólo de

los nodos tabulados , pero no de las ordenadas
. La fórmula general del polinomio es:
(6
9)

Para el conjunto de nodos , estos polinomios son

conocidos como funciones cardinales. Utilizando estos
polinomios en la ecuación (68) obtenemos la forma exacta
del polinomio de interpolación de Lagrange.

Ejemplo: Suponga la siguiente tabla de datos:

x 5 -7 -6 0
- - -
y1
23 54 954
Construya las funciones cardinales para el conjunto de
nodos dado y el polinomio de interpolación de Lagrange
correspondiente.
Las funciones cardinales, empleando la expresión (69),
resultan ser:

El polinomio de interpolación de Lagrange es:

7.2 Interpolación de splines

Una función spline está formada por varios polinomios, cada
uno definido sobre un subintervalo, que se unen entre sí
obedeciendo a ciertas condiciones de continuidad.

Supongamos que disponemos de n+1 puntos, a los que

denominaremos nudos, tales que .
Supongamos además que se ha fijado un entero .
Decimos entonces que una función spline de grado k con
nudos en es una función S que satisface las
condiciones:

(i)

en cada intervalo , S es un polinomio de grado

menor o igual a k.
(ii)

S tiene una derivada de orden (k-1) continua en .

Los splines de grado 0 son funciones constantes por zonas.
Una forma explícita de presentar un spline de grado 0 es la
siguiente:
Los intervalos no se intersectan entre sí, por lo que
no hay ambigüedad en la definición de la función en los
nudos. Un spline de grado 1 se puede definir por:

En las figuras (16) y (17) se muestran las gráficas

correspondientes a los splines de grado cero y de grado 1
respectivamente.

Figure: Spline de grado 0

con seis puntos.
[scale=1.0]eps/spline-1

Figure: Spline de grado 1

con seis puntos.
[scale=1.0]eps/spline-2
 7.3 Splines cúbicos
El spline cúbico (k=3) es el spline más empleado, debido a
que proporciona un excelente ajuste a los puntos tabulados
y su cálculo no es excesivamente complejo.

Sobre cada intervalo , S está definido

por un polinomio cúbico diferente. Sea Si el polinomio
cúbico que representa a S en el intervalo [ti,ti+1], por tanto:

Los polinomios Si-1 y Si interpolan el mismo valor en el punto

ti, es decir, se cumple:

Si-1(ti) = yi = Si(ti)

por lo que se garantiza que S es continuo en todo el

intervalo. Además, se supone que S' y S'' son continuas,
condición que se emplea en la deducción de una expresión
para la función del spline cúbico.

Aplicando las condiciones de continuidad del spline S y de

las derivadas primera S' y segunda S'', es posible encontrar
la expresión analítica del spline. No vamos a obtener esta
expresión, ya que su demostración queda fuera del ámbito
de estos apuntes. Simplemente diremos que la expresión
resultante es:
En la expresión anterior, hi=ti+1-ti y son
incógnitas. Para determinar sus valores, utilizamos las
condiciones de continuidad que deben cumplir estas
funciones. El resultado (que tampoco vamos a demostrar)
es:

La ecuación anterior, con genera un sistema

de n-1ecuaciones lineales con n+1 incógnitas .
Podemos elegir z0 y z1 de forma arbitraria y resolver el
sistema de ecuaciones resultante para obtener los valores
de . Una elección especialmente adecuada es
hacer z0=z1=0. La función spline resultante se denomina
spline cúbico natural y el sistema de ecuaciones lineal
expresado en forma matricial es:

(7
0)

en donde:

hi = ti+1-ti
 ui =

bi =

(7
=
1)

Figure: Algoritmo para encontrar

los coeficientes zi de un spline
cúbico.

Este sistema de ecuaciones, que es tridiagonal, se puede

resolver mediante eliminación gaussiana sin pivoteo como
se muestra en la figura (18). El código acepta como entrada
un conjunto de nodos (ti) y el conjunto de los valores de la
función correspondiente (yi) y produce un vector con los
vectores zi. Por último, el valor del spline S en un punto
xcualquiera interpolado se puede calcular de forma
eficiente empleando la siguiente expresión:

(7
2)

en donde

Ai =

Bi =

(7
Ci =
3)

Veamos un ejemplo para ilustrar el empleo de los splines

cúbicos para interpolar los valores de una tabla. En la tabla
(1) se muestran algunos valores de una serie de valores

tabulados a intervalos regulares de la función en

el intervalo [0,2.25]. También se indican los valores
interpolados empleando el correspondiente spline cúbico
así como el error absoluto cometido. Obsérvese que el error
es cero para los nudos. En la figura (19) se representan
gráficamente los valores tabulados.

Table: Valores interpolados mediante un spline cúbico para

la función e indicación del error cometido (en valor absoluto).

x Si(x)

0.00 0.00 0.00 0.0000E

00 00 00 +00
0.06 0.14 1.0732E-
25 26 01
0.12 0.27 7.5266E-
50 82 02
0.18 0.39 3.3261E-
75 97 02
0.25 0.50 0.50 0.0000E
00 00 00 +00
0.31 0.57 1.5440E-
25 44 02
0.37 0.62 1.6155E-
50 85 02
0.43 0.67 8.6732E-
75 01 03
0.50 0.70 0.70 0.0000E
00 71 71 +00

1.75 1.32 1.32 0.0000E

00 28 28 +00
1.81 1.34 6.8994E-
25 62 07
1.87 1.36 5.9953E-
50 93 06
1.93 1.39 8.7004E-
75 19 06
2.00 1.41 1.41 0.0000E
00 42 42 +00
2.06 1.43 2.4522E-
25 61 05
2.12 1.45 4.7329E-
50 77 05
2.18 1.47 4.6215E-
75 90 05
2.25 1.50 1.50 0.0000E
00 00 00 +00

En la figura (20) se muestra otro ejemplo. Se representan

gráficamente los puntos interpolados mediante una función
spline cúbica para la función y=sen(x).
Figure: Representación de la

función . Los círculos

representan los valores
tabulados de la función y la
línea continua los puntos
interpolados mediante una
función spline cúbica.
[bb=560 195 70
580,scale=0.60,clip=true]eps
/spline-3
 Figure: Representación de la
función y=sen(x). Los círculos
representan los valores
tabulados de la función y la
línea continua los puntos
interpolados mediante una
función spline cúbica.
[bb=560 195 70
580,scale=0.60,clip=true]eps
/spline-4

8. Integración numérica
Dada una función f definida sobre un intervalo [a,b],
estamos interesados en calcular
 (7
4)

suponiendo que esta integral tenga sentido para la función

f. La cuadratura o integración numérica consiste en obtener
fórmulas aproximadas para calcular la integral J(f) de f.
Estos métodos son de gran utilidad cuando la integral no se
puede calcular por métodos analíticos, su cálculo resulta
muy costoso y estamos interesados en una solución con
precisión finita dada o bien sólo disponemos de una tabla
de valores de la función (es decir, no conocemos la forma
analítica de f).

8.1 Integración vía interpolación

polinomial
Una estrategia muy útil para calcular el valor numérico de
la integral dada por la ecuación (74) consiste en reemplazar
fpor otra función g, fácil de integrar, que aproxima a f de
forma adecuada. Si , se deduce que

Los polinomios son buenos candidatos para el papel de g.

De hecho, g puede ser un polinomio que interpola a f en
cierto conjunto de nodos5.

Supongamos que deseamos calcular la integral (74).

Podemos elegir una serie de nudos, en el
intervalo [a,b] e iniciar un proceso de interpolación de
Lagrange (ver apartado 7.1 para una descripción de los
polinomios de interpolación de Lagrange). El polinomio de
grado menor o igual a n que interpola a f en los nudos es:

(7
5)
La integral (74) se puede escribir entonces como:

Es decir, tenemos una fórmula general que se puede

emplear para cualquier f y que tiene la forma:
(7
6)

en donde

8.2 Regla del trapecio

Si en la expresión (76) empleamos polinomios de grado
n=1 y tomamos como nudos x0=a y x1=b, tenemos el caso más
sencillo posible, en donde los polinomios de interpolación son:

por lo que:

La fórmula de cuadratura correspondiente es:

Esta expresión se conoce como regla del trapecio y
proporciona un resultado exacto para todas las funciones de
grado menor o igual a 1.

8.3 Regla de Simpson

Empleando un razonamiento similar al anterior y tomando
un polinomio de grado n=2 para interpolar a f, obtenemos
la conocida regla de Simpson:

(7
7)

que es exacta para todos los polinomios de grado 2y

curiosamente, exacta para todos los polinomios de grado
3.

En los cálculos prácticos se emplea, generalmente, la regla

de Simpson compuesta, en la que el intervalo de
integración [a,b] se divide en un número par, n, de
subintervalos. Tenemos entonces:

en donde
h = (b-a)/n
Aplicando la regla de Simpson (77) en cada uno de los subintervalos se
obtiene la expresión final:

(7
8)