Una Introducción al Análisis Numérico

Hans C. M¨ uller S.C.

Una Introducci´ on al An´ alisis Num´ erico

i


Una Introducci´ on al An´ alisis Num´ erico Con 55 figuras

ii

Hans C. M¨ uller Santa Cruz Departamento de Matem´ aticas Facultad de Ciencias y Tecnolog´ıa Universidad Mayor de San Simón Casilla 992, Cochabamba, Bolivia e-mail [email protected]

Pr´ ologo

La Facultad de Ciencias y Tecnolog´ıa tiene 17 a˜ nos de vida, per´ıodo que ha sido fruct´ıfero en el ámbito universitario, porque se han creado carreras tecnol´ ogicas, como cient´ıficas, haciendo énfasis a una investigación cient´ıfica seria como un mecanismo de garantizar una excelencia académica. La Carrera de Matem´ aticas, una de nuestras Carreras de reciente creación, est´ a inscrita dentro este marco. Ahora bien, la Universidad Mayor de San Simón consciente de esta situación, ha conseguido convenios de cooperaci´ on internacional, como es el caso del Programa MEMI, Programa de Mejoramiento de la Ense˜ nanza de la Matem´ atica y la Inform´ atica. De los objetivos principales de este programa es fortalecer el área de las matemáticas, incentivar la difusi´ on de las diferentes ramas de las matemáticas en el medio universitario y fuera de éste. La Universidad y sus autoridades, dentro de sus pol´ıticas académicas y de investigación, han tenido la visión de conseguir los servicios de los mejores profesionales en esta disciplina y Hans M¨ uller es uno de ellos. El autor del libro, Hans M¨ uller Santa Cruz, es un joven matem´ atico boliviano que ha regresado a su pa´ıs para compartir los conocimientos adquiridos en en la Universidad de Ginebra, Suiza. Actualmente es el Coordinador del Programa Magister en Matem´ aticas, programa implementado de manera conjunta entre la Universidad Mayor de San Simón y la Universidad Católica del Norte, Chile. Ha dictado un curso de Elementos Finitos, destinado a los docentes en nuestra superior Casa de Estudios; en La Paz, bajo invitaci´ on ha impartido cursos tutoriales en la Academia de Ciencias en temas relacionados a las matemáticas aplicadas. El y otros profesionales de su aréa, est´ an transformando la manera de hacer matemáticas en la Facultad de Ciencias y Tecnolog´ıa. Los tópicos tratados en este libro est´ an muy relacionados con los cambios estructurales que ha ocasionado la introducción masiva de sistemas inform´ aticos. En efecto, la utilizaci´ on másiva del computador ha permitido al Hombre efectuar c´ alculos que en otra época hubiese sido impensable realizarlos. En la actualidad es muy corriente simular numéricamente experiencias, que en laboratorio son muy complicadas, costosas o peligrosas, o simplemente imposible de experimentarlas. Los problemas de optimizaci´ on son abordables gracias a la utilizaci´ on del ordenador y no faltan situaciones en las cuales el uso de estos dispositivos de c´ alculo, no solamente son de gran ayuda, sino indispensables. El An´ alisis Numérico es la rama de las Matem´ aticas, cuyo campo de acci´ on es el estudio y análisis de los diferentes algoritmos

´ logo Pro

iv

y métodos numéricos que se utilizan para resolver los problemas mediante computadoras. El libro “Una Intruducción al An´ alisis Numérico” presenta los temas b´ asicos del An´ alisis Numérico de una manera rigurosa, permitiendo que el lector pueda adquirir los conocimientos matemáticos necesarios para profundizar en tópicos más especializados o simplemente pueda concebir e implementar métodos numéricos de una manera correcta y óptima. Finalmente, mi esperanza es que este libro sea el inicio de una larga serie de otras publicaciones de alto nivel que ofrezca el autor y su unidad académica.

Cochabamba, septiembre de 1996 Ing. Alberto Rodr´ıguez Méndez Rector de la Universidad Mayor de San Simón

Prefacio

Este libro nace ante el vacio existente de una bibliograf´ıa en espa˜ nol que trate los temas capitales del An´ alisis Numérico. El nombre que lleva, “Una Introducción al An´ alisis Numérico”, se debe esencialmente al car´ acter que deseo que tenga este libro. El An´ alisis Numérico es una disciplina de las Matem´ aticas en gran crecimiento gracias a la utilizaci´ on masiva de medios informáticos. D´ıa que pasa es más corriente el tratamiento numérico en las Ciencias, como en la Tecnolog´ıa; el modelaje, la simulación numérica son moneda corriente. Ahora bien, toda persona que pretenda tener como herramienta de trabajo, los métodos numéricos, debe conocer los tópicos introductorios del An´ alisis Numérico que son: Sistemas Lineales, Interpolaci´ on, Resoluci´ on de Ecuaciones no Lineales, Cálculo de Valores Propios y Soluci´ on Numérica de Ecuaciones Diferenciales, porque tarde o temprano se topar´ a con alguno de estos temas. Siguiendo la l´ınea trazada por este libro, éste contiene siete cap´ıtulos: el primero de car´ acter introductorio, donde se da los conceptos b´ asicos de error y estabilidad, seguido de un ejemplo mostrando que la aritmética del punto flotante no es un impedimento para efectuar c´ alculos de precisi´ on arbitraria; el segundo cap´ıtulo trata sobre los problemas lineales mas comunes y los métodos de solución de estos; el tercer cap´ıtulo aborda el tema de interpolaci´ on numérica y extrapolaci´ on, introduciendo el estudio de los splines c´ ubicos; el cap´ıtulo IV analiza los problemas no lineales y los métodos mas eficientes de resolución de estos; en el cap´ıtulo V se estudia el problema de valores propios y la implementación de métodos numéricos para el c´ alculo de valores propios; el cap´ıtulo sexto trata de la integración numérica y la transformada rápida de Fourier y finalmente el cap´ıtulo VII estudia los problemas diferenciales y los métodos numéricos de resolución mas usuales de estos problemas. Prácticamente el contenido de este libro ven los estudiantes de segundo a˜ no de las Carreras de M´ atematicas e Inform´ atica de la Universidad de Ginebra, Suiza, Universidad en la cual he sido formado. El pre-requisito para un buen aprovechamiento de este libro es conocer bien los principios b´ asicos del An´ alisis Real y Complejo, como también tener una buena base de Algebra Lineal. Por consiguiente, este libro est´ a destinado a estudiantes universitarios que siguen la asignatura de An´ alisis Numérico, como as´ı mismo toda persona interesada en An´ alisis Numérico que tenga los pre-requisitos y que desea cimentar sus conocimientos en esta disciplina. Este libro puede

vi

Prefacio

ser utilizado como texto base o bien como complemento bibliográfico. Debo agredecer a mis profesores de la Universidad de Ginebra, E. Hairer y G. Wanner cuyos cursos han servido de base para la elaboración de este libro. Por otro lado, sin el apoyo en material de trabajo del Programa MEMI, Programa de Mejoramiento de la Ense˜ nanza de las Matem´ aticas e Inform´ atica, de la Universidad Mayor de San Simón este libro no habr´ıa existido. As´ı mismo agradezco a mi familia, mis colegas y amigos que seguieron con inter´s la elaboración de este libro. El libro ha sido transcrito en TEX y las gráficas realidas en las subrutinas gráficas FORTRAN que G. Wanner me las cedió muy gentilmente. La transcripción, como la ejecución de los programas en sido realizados sobre una WorkStation HP-9000. Posiblemente este libro contenga muchos errores, me gustar´ıa que los hagan conocer, para que en una segunda edici´ on estos sean corregidos. Octubre, 1995


Contenido

I. Preliminares I.1 Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 I.2 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 I.3 Un ejemplo: C´ alculo de PI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

II. Sistemas Lineales II.1 Condici´ on del Problema Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 25 Normas de Vectores y Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 La Condición de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 II.2 M´ etodos Directos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 El Algoritmo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 El Algoritmo de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 II.3 M´ etodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Métodos de Jacobi y Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . 48 El Teorema de Perron-Frobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 Método de Sobrerelajaci´ on SOR . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 Estudio de un Problema Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 II.4 M´ etodos Minimizantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 Método del Gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Método del Gradiente Conjugado . . . . . . . . . . . . . . . . . . . . . . . . . . 69 Polinomios de Chebichef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Método del Gradiente Conjugado Precondicionado . . . . . . . . . 75 Resultados Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 II.5 M´ınimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 La descomposici´ on QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 La Pseudo-Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 92 Error del Método de los M´ınimos Cuadrados . . . . . . . . . . . . . . . 96 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

viii

Contenido

III. Interpolaci´ on III.1 Interpolaci´ on de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bases Te´ oricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Construcción del Polinomio de Interpolaci´ on . . . . . . . . . . . . . . El Error de Interpolaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Polinomios de Chebichef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estudio de los Errores de Redondeo . . . . . . . . . . . . . . . . . . . . . . Convergencia de la Interpolaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.2 Splines C´ ubicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Construcción del Spline Interpolante . . . . . . . . . . . . . . . . . . . . . . El Error de la Aproximación Spline . . . . . . . . . . . . . . . . . . . . . . . Aplicación de Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.3 Extrapolaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

104 104 106 111 113 115 119 129 131 133 136 142 143 145 150

IV. Ecuaciones No Lineales IV.1 Ecuaciones Polinomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ecuaciones Resolubles por Radicales . . . . . . . . . . . . . . . . . . . . . . Ecuaciones No Resolubles por Radicales . . . . . . . . . . . . . . . . . . Localización de Ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Método de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sucesiones de Sturm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.2 M´ etodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Posici´ on del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Método de la Falsa Posici´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sistema de Ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Un Método Iterativo Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.3 M´ etodo de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . El Teorema de Newton-Misovski . . . . . . . . . . . . . . . . . . . . . . . . . . Método de Newton Simplificado . . . . . . . . . . . . . . . . . . . . . . . . . . Método de Newton con Relajaci´ on . . . . . . . . . . . . . . . . . . . . . . . . Aproximación de Broyden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.4 M´ etodo de Gauss Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . Convergencia del Método de Gauss-Newton . . . . . . . . . . . . . . . Modificaciones del Método de Gauss-Newton . . . . . . . . . . . . . El Método de Levenber-Marquandt . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

152 152 155 155 157 159 161 163 163 165 168 169 173 174 179 184 193 197 199 203 204 207 210 211

Contenido

ix

V. C´ alculo de Valores Propios V.1 Teor´ıa Cl´ asica y Condici´ on del Problema .......... La Condición del Problema a Valores Propios . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.2 Determinaci´ on de Valores Propios . . . . . . . . . . . . . . . . . . . El Método de la Potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Formas Tridiagonales y Formas de Hessenberg . . . . . . . . . . . . Teorema de Sturm y el Algoritmo de la Bisecci´ on . . . . . . . . . Generalizaci´ on del Método de la Potencia . . . . . . . . . . . . . . . . . El Método QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

214 217 221 223 223 227 229 233 237 241

VI. Integraci´ on Num´ erica VI.1 Bases Te´ oricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fórmulas de Cuadratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . El Orden de una Fórmula de Cuadratura . . . . . . . . . . . . . . . . . Estimación del Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios ............................................... VI.2 Cuadraturas de Orden Elevado . . . . . . . . . . . . . . . . . . . . . . Polinomios Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Los Polinomios de Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Las Fórmulas de Cuadratura de Gauss . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VI.3 Implementaci´ on Num´ erica . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tratamiento de Singularidades . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

244 248 249 250 256 258 259 263 264 267 269 273 282

VI.4 Transformaci´ on de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estudio del Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Interpolaci´ on Trigonométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Transformación R´ apida de Fourier FFT . . . . . . . . . . . . . . . . . . Aplicaciones de FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

284 287 288 290 292 293

VII. Ecuaciones Diferenciales VII.1 Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teoremas de Existencia y Unicidad . . . . . . . . . . . . . . . . . . . . . . . Problemas con Valores en la Frontera . . . . . . . . . . . . . . . . . . . . . Diferenciabilidad respecto a los Valores Iniciales . . . . . . . . . . Simple Shooting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Shooting M´ ultiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

296 297 300 300 303 307 311

x

Contenido

VII.2 M´ etodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Efectos de los Errores de Redondeo . . . . . . . . . . . . . . . . . . . . . . . Estabilidad del Método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . Método de Euler Imp´ıcito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.3 M´ etodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Construcción de un Método de Orden 4 . . . . . . . . . . . . . . . . . . Métodos Encajonados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Soluciones Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Convergencia de los Métodos de Runge-Kutta . . . . . . . . . . . . Experiencias Numéricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.3 M´ etodos Multipasos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Métodos de Adams Expl´ıcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . Métodos de Adams Impl´ıcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . Métodos Predictor-Corrector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Métodos BDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estudio del Error Local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Convergencia de los Métodos Multipaso . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bibliograf´ıa

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

Indice de S´ımbolos Indice Alfab´ etico

313 317 319 321 322 323 327 330 333 335 338 340 341 341 343 344 345 346 348 350 353 355

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

359

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

361

Cap´ıtulo I Preliminares

Con la utilizaci´ on masiva de sistemas informáticos en la resolución de problemas a todo nivel, el An´ alisis Numérico ha tenido un gran desarrollo en las u ´ltimas décadas, como una rama integrante de las Matem´ aticas. En este primer cap´ıtulo se expondr´ a las nociones de base que sustentan el An´ alisis Numérico, para ser utilizadas en los cap´ıtulos posteriores. La primera sección estar´ a dedicada a estudiar los algoritmos como una composici´ on de operaciones elementales, partiendo de un dispositivo ideal de c´ alculo. Se analizar´ a las nociones de eficiencia y error de un algoritmo. En la segunda sección se analizar´ a el problema algor´ıtmico a partir de los dispositivos materiales con que se cuenta en la actualidad, es decir ordenadores o computadoras. En esta sección se estudiar´ a la representación en punto flotante de un n´ umero real y su redondeo en la computadora. Se introducir´ a la noción de precisi´ on de una computadora y la relación de ésta con el concepto de estabilidad, en sus diferentes versiones, de un algoritmo. En la tercera y u ´ltima sección de este cap´ıtulo, se ver´ a que las limitaciones impuestas por la representación en punto flotante, no es una restricci´ on para calcular con la precisi´ on que se requiera. Prueba de esto, π ser´ a calculado, como un ejemplo ilustrativo, con 10000 decimales de precisi´ on.

I.1 Algoritmos

En esta sección se supondr´ a que se cuenta con un dispositivo ideal de c´ alculo, es decir una computadora de precisi´ on exacta, situación que no sucede en la realidad. El cuerpo de base ser´ a R, a menos que se especifique lo contrario. Este dispositivo est´ a provisto de ciertas operaciones cuya acci´ on se efectua en un tiempo finito, por ejemplo es capaz de realizar las 4 operaciones aritméticas elementales, más algunas como la radicación, la exponenciaci´ on y las otras funciones elementales que se estudian en un curso de Cálculo I. Por consiguiente, se tiene la primera definición. Definici´ on I.1.1.- Una operaci´ on elemental es una operaci´ on matemática o funci´ on cuya acci´ on se la efectua en un tiempo finito y que adem´ as el dispositivo ideal la puede realizar. Inicialmente se supondr´ a que las cuatro operaciones aritméticas como: la adición, la multiplicación, la sustracci´ on y la división son posibles en este dispositivo de c´ alculo. De esta manera es posible evaluar toda funci´ on polinomial, toda función racional, en una cantidad finita de pasos o composici´ on de operaciones elementales. Definici´ on I.1.2.- Un algoritmo es una sucesión finita de operaciones elementales. Si se denota por fi una operaci´ on elemental, un algoritmo es la composici´ on de n operaciones elementales, es decir f = fn ◦ fn−1 ◦ · · · ◦ f2 ◦ f1 .

(I.1.1)

Por otro lado, el dispositivo de c´ alculo con el que se cuenta tiene la finalidad de evaluar la o las soluciones de un problema matem´ atico, siempre que sea posible hacerlo. Ahora bien, lo que cuenta en este estudio es el resultado, de donde la: Definici´ on I.1.3.- Un problema es darse un dato x ∈ Rn y obtener un resultado P(x) ∈ R. En consecuencia, son problemas todas las funciones cuyo dominio es un espacio vectorial real de dimensión finita, cuya imagen est´ a incluida en la recta real. Una función cuya imagen est´ a incluida en un espacio de dimensión más grande que 1, puede ser interpretada como un conjunto de problemas, donde cada problema es la función proyección correspondiente. Las ecuaciones pueden ser vistas como problemas, pero antes aclarando cual de las soluciones se est´ a tomando.

3

I.1 Algoritmos

Es necesario recalcar que problema y algoritmo son conceptos diferentes, aunque de alguna manera ligados. Considérese el problema siguiente, P(x) = an xn + an−1 xn−1 + · · · + a1 x + a0 .

(I.1.2)

P(x) puede ser obtenido de muchas maneras, en particular utilzando los 2 siguientes algoritmos: El primero consiste en evaluar el polinomio (I.1.2) tal como est´ a definido, con la convención que: x1 = x; xn = x · xn−1 ,

para n ≥ 2.

(I.1.3)

La segunda manera de evaluar el polinomio consiste en utilizar el algoritmo de H¨ orner, el cual est´ a dado por: q0 (x) = an , q1 (x) = q0 (x)x + an−1 , q2 (x) = q1 (x)x + an−2 , .. . qn (x) = qn−1 (x)x + a0 .

(I.1.4)

Como puede observarse ambos algoritmos eval´ uan el polinomio P(x), sin embargo en el primero se requiere: 1 + · · · + n − 1 multiplicaciones para evaluar las potencias, n multiplicaciones para evaluar los términos de la forma ai xi y finalmente n adiciones, lo cual hace un total de n(n + 3) operaciones elementales. 2

(I.1.5)

El algoritmo de Hörner requiere a cada paso de una multiplicación y una adición lo cual es igual a 2n operaciones elementales.

(I.2.6)

Por lo tanto, puede observarse claramente que el algoritmo de Hörner es más eficiente que el primero, pues la implementación de éste efectua menos operaciones elementales. El concepto de eficiencia de un algoritmo est´ a ligado por consiguiente al costo en operaciones elementales que se requiere para ejecutar un algoritmo. Ahora bien, en la realidad una computadora requiere menos tiempo para evaluar una adición que para una multiplicaci´ on. Cada operación elemental toma cierto tiempo en efectuarse, que en general depende de la computadora y el lenguaje en el que est´ a escrito el programa. Es

4

I Preliminares

por eso, que es más conveniente medir la eficiencia en términos de tiempo ejecutado, en lugar del n´ umero de operaciones elementales ejecutadas. Con lo argumentado se puede formular una primera definición de eficiencia. Definici´ on I.1.4.- El costo del algoritmo fn ◦ · · · ◦ fn , est´ a dado por C = m1 + m2 + . . . + mn ,

(I.1.7)

donde mi es el tiempo de ejecución de fi . Si C1 y C2 son los costos en tiempo de dos algoritmos que resuelven el mismo problema, se dirá que el primer algoritmo es más eficiente que el segundo si C1 ≤ C2 . Tal como se dijo al inicio de esta sección, el dispositivo ideal con el que se cuenta, puede efectuar una cantidad finita de operaciones elementales. Suponiendo nuevamente, que solamente se cuenta con las cuatro operaciones aritméticas, las u ńicas funciones que pueden evaluarse utilizando un algoritmo son las funciones polinomiales y racionales. Ahora bien, existe una cantidad ilimitada de funciones y se puede mostrar que no existe ning´ un algoritmo que sea la composici´ on de adiciones, multiplicaciones, sustracciones o divisiones, que permita calcular una raiz cuadrada; evaluar funciones trigonométricas, exponenciales o logar´ıtmicas. Sin embargo, existen procedimientos matemáticos que permiten aproximar estas funciones de manera arbitraria. Los más com´ unmente utilizados: son las series de Taylor, las fracciones continuas y algunos métodos iterativos. Todos estos métodos est´ an sustentados en las nociones de l´ımite, de continuidad, derivabilidad dados en los cursos de Cálculo y An´ alisis. A continuación se ver´ a un ejemplo ilustrativo, donde se introducir´ a la noci´ on del error de truncación. Considérese la funci´ on exponencial, cuyo desarrollo en serie de Taylor est´ a dada por ex =

∞ X xk k=0

k!

.

(I.1.8)

Es evidente que ex no puede evaluarse en un n´ umero finito de pasos, para un x dado, sin embargo en lugar de evaluar ex , uno se puede contentar evaluando una cantidad finita de términos de la serie de Taylor, es decir p(x) =

n X xk

k=0

k!

,

(I.1.9)

para un n fijado de antemano. La diferencia entre ex y p(x) es el error de truncación de ex respecto a p(x). Este error de truncación es del orden O(xn+1 ) cuando x tiende a 0. El nombre de truncación proviene del hecho que para evaluar ex se ha despreciado una parte de la serie. Por consiguiente, el error de truncación puede definirse como:

5

I.1 Algoritmos

Definici´ on I.1.5.- Sean P(x), P ′ (x) dos problemas. El error de truncación de P(x), respecto de P ′ (x) est´ a dado por P(x) − P ′ (x).

(I.1.10)

El nombre que tiene este error, como se dijo más arriba, es debido a que la la serie de Taylor es truncada a un n´ umero finito de términos. No obstante, existe una gran diversidad de métodos que aproximan a la solución del problema utilizando otro tipo de argumentos, en este caso es más conveniente utilizar el nombre de error de aproximaci´ on o error del método; de todas formas es cuestión de gusto. El concepto de eficiencia ha sido definido para aquellos problemas donde se puede encontrar la solución mediante un algoritmo. Para aquellos problemas, donde no es posible encontrar un algoritmo que de la solución y suponiendo que es posible aproximar la solución de manera arbitraria mediante un método algor´ıtmico, la eficiencia est´ a ligada al costo en operaciones, como también al error del método. En esta situación la eficiencia es un concepto más subjetivo que depende de alguna manera del usuario, pues existen problemas donde el error de aproximación debe ser lo más peque˜ no posible, y otros problemas donde la exactitud no es un requisito primordial. Ejemplos 1.- Considérese el problema, determinar π. Utilizando la identidad π arctan 1 = 4 y que la serie de Taylor en el origen est´ a dada por ∞ X (−1)k 2k+1 arctan x = x , (I.1.11) 2k + 1 k=0

se puede obtener un método que aproxime π, pero el problema de este método es su convergencia demasiado lenta; es mas, para x = 1 la serie (I.1.11) no es absolutamente convergente. Otro método que permitir´ıa aproximar π, consiste en utilizar el hecho que π arccos(1/2) = 3 y desarrollando arccos en serie de Taylor, se obtiene un método cuya convergencia es mucho más rápida. √ 2.- Consid´ √ erese el problema, determinar 2. La primera manera de determinar 2 es tomar un intervalo cuya extremidad inferior tenga un cuadrado inferior a 2 y la extremidad superior tenga un cuadrado más grande a 2. Se subdivide el intervalo en dos subintervalos de igual longitud, se elige aquel cuyas extremidades al cuadrado contengan 2. En la tabla siguiente se da algunas de las iteraciones de este método.

6

I Preliminares

Iteraci´ on 0 1 2 3 4 5 16 17 18 19 20

Ext. Inferior 1.0 1.25 1.375 1.375 1.40625 1.40625 1.41420745849609 1.41421127319336 1.41421318054199 1.41421318054199 1.41421318054199

Ext. Superior 1.5 1.5 1.5 1.4375 1.4375 1.421875 1.41421508789063 1.41421508789063 1.41421508789063 1.41421413421631 1.41421365737915

La segunda posibilidad es utilizar la sucesión definida recursivamente por: a0 = 1, 1 1 an+1 = an + . 2 an Esta sucesión es convergente √ y se deja al lector la demostración para que verifique que el l´ımite es 2. En la tabla siguiente se tiene los seis primeros términos de la sucesión. Efectuando unas cuantas iteraciones se obtiene: Iteraci´ on an 0 1.0 1 1.5 2 1.41666666666667 3 1.41421568627451 4 1.41421356237469 5 1.4142135623731

Puede observarse inmediatamente, que el segundo método para determinar √ 2 es más eficiente que el primer algoritmo.

Ejercicios 1.- Supóngase que, el dispositivo de c´ alculo, con el que se cuenta, puede efectuar la división con resto; es decir, para a, b enteros no negativos, con b 6= 0, el dispositivo calcula p, q satisfaciendo: a = pb + r

y

0 ≤ r < b.

a) Implementar un algoritmo que calcule el maximo com´ un divisor de a y b. b) Utilizando el inciso precedente, implementar otro algoritmo que permita calcular m, n ∈ Z, tales que mcd(a, b) = ma + nb.

7

I.1 Algoritmos

c) Estudiar la situación más desfavorable, aquélla donde el costo en operaciones es el más alto. Deducir una estimación de la eficiencia del algoritmo. 2.- Suponiendo que, el dispositivo de c´ alculo puede efectuar la división con resto, con la particularidad siguiente: a = pb + r

y

−

|b| |b|
a) Mostrar que el algoritmo implementado en el ejercicio 1a), puede implementarse para esta nueva división con resto. b) Verificar que, el nuevo algoritmo es más eficiente que aquél con divisi´ on con resto normal. Encontrar una estimación de costo del algoritmo. 3.- Para el polinomio p(x) = a0 + a1 x + · · · + an xn , el algoritmo de Hörner (I.1.9) est´ a definido por: bn = an ; bi = ai + x0 bi+1 ,

i = n − 1, . . . , 1, 0.

Se plantea q(x) = b1 + xb2 + · · · + xn−1 bn . a) Mostrar que p′ (x0 ) = q(x0 ). Verificar que p(x) = b0 + (x − x0 )q(x). b) Generalizar el algoritmo de Hörner, de tal forma que se pueda calcular p(x0 ) y p′ (x0 ) al mismo tiempo. 4.- Una regla y comp´ as constituyen un dispositivo de c´ alculo. Supóngase que se conocen dos puntos O y P tales que OP sea de longitud 1. a) Mostrar que, adem´ as de las 4 operaciones aritméticas elementales, la radicación puede obtenerse a partir de un n´ umero finito de manipulaciones de regla y comp´ as. p √ b) Construir 1 + √ 10. c) Intentar construir 3 2. ¿Es posible?

I.2 Estabilidad

En esta sección, a diferencia de la precedente, se analizar´ a el problema de los algoritmos y métodos numéricos desde el punto de vista de un dispositivo material real, más conocido como computadora. Para comenzar existen esencialmente dos tipos de n´ umeros en la aritmética de un ordenador: el tipo entero cuya aritmética es igual a la de los numéros enteros, con la diferencia que el tipo entero de un ordenador es un conjunto finito, motivo por el cual se tiene que tener cuidado con los overflows en las operaciones aritméticas; el segundo tipo de n´ umero es el real, en sus diferentes versiones, la idea de este tipo de n´ umero es la representación de un n´ umero real en punto flotante, es decir todo n´ umero real no nulo x se puede escribir de manera u ńica como x = a · 10b ,

donde |a| < 1, b ∈ Z;

(I.2.1)

a se llama mantisa y b el exponente. Los n´ umeros reales solo tienen una representación parcial en el tipo real de un ordenador por limitaciones f´ısicas del dispositivo, por consiguiente un n´ umero real estar´ a en una clase de equivalencia de tipo de n´ umero real. Esta representación de n´ umero real est´ a dada por la precisi´ on de la computadora. Cuando se trabaja sobre un computador, se tiene a disposici´ on un n´ umero finito de cifras, por ejemplo l, para la mantisa, Si a ¯ denota el redondeado de a, se trabaja en realidad con arr(x) = a ¯ · 10b

(I.2.2)

√ en lugar de x. De esta manera, el n´ umero 2 = 1.414213562 . . . est´ a representado por √ arr( 2) = 0.141421356 · 101 , si se calcula con l = 8 cifras en base 10. Como se dijo más arriba, el redondeo est´ a determinado por la precisi´ on de la computadora. Esta precisi´ on est´ a dada por un n´ umero dado por la: Definici´ on I.2.1.- Se denota por eps, el n´ umero positivo más peque˜ no tal que arr(1 + eps) > 1. (I.2.3) Este n´ umero eps llamado precisi´ on de la computadora est´ a dado por los siguientes hechos: si los c´ alculos se hacen en base 10 y con l cifras en la

9

I.2 Estabilidad mantisa, se tiene arr(0. |10 {z . . . 0} 49 . . . · 101 ) = 1, l

arr(0. |10 {z . . . 0} 50 . . . · 101 ) = . 10 . . . 1} ·101 > 1, | {z l

l

deduciendose, por consiguiente

eps = 5.10−l ;

(I.2.4)

si se realiza el mismo c´ alculo en base 2, como todas las computadoras lo hacen, se obtiene eps = 2−l . (I.2.5) Para el FORTRAN sobre una HP-9000, se tiene: REAL∗4, REAL∗8, REAL∗16,

eps = 2−24 ≈ 5.96 · 10−8 ; eps = 2−55 ≈ 1.39 · 10−17 ; eps = 2−113 ≈ 9.63 · 10−35 .

Ahora bien, un n´ umero real y su representación en punto flotante en una computadora est´ an relacionados por el: Teorema I.2.2.- Para x 6= 0, se tiene |arr(x) − x| ≤ eps. |x|

(I.2.6)

Demostraci´ on.- Sea x = a · 10b y arr(x) = a ¯ · 10b . Si se redondea a l cifras significativas se tiene |¯ a − a| ≤ 5 · 10−l−1 , de donde |arr(x) − x| 5.10−l−1 |¯ a − a| · 10b ≤ = 5 · 10−l = eps = b |x| 10−1 |a| · 10 por que |a| ≥ 1/10.

La estimación dada por (I.2.6) puede ser escrita bajo la forma arr(x) = x(1 + ǫ),

donde

|ǫ| ≤ eps.

(I.2.7)

Como se ver´ a más adelante, la relación (I.2.7) es la base fundamental para todo estudio de los errores de redondeo.

10

I Preliminares

Cuando se trabaja en un computador, se tiene que ser cuidadoso en la solución de los problemas, pues ya no se resuelve con los datos exactos, si no con los datos redondeados. Considérese la ecuación de segundo grado √ x2 − 2 2x + 2 = 0, √ cuya solución x = 2 es un cero de multiplicidad 2. Resolviendo en simple precisi´ on, la computadora da un mensaje de error, debido a que √ arr( 2) = 0.141421 · 10, √ arr(arr( 2)2 − 2) = −0.119209 · 10−6 . Como puede observarse, la manipulaci´ on de ciertos problemas utilizando la aritmética del punto flotante puede ocasionar grandes dificultades, como en el ejemplo anterior. Es por eso necesario introducir el concepto de condici´ on de un problema, el cual est´ a dado en la: Definici´ on I.2.3.- Sea P(x) un problema dado por P : Rn → R. La condici´ on κ del problema P es el n´ umero mas peque˜ no positivo κ, tal que |¯ xi − xi | ≤ eps |xi |

⇒

|P(¯ x) − P(x)| ≤ κ eps. |P(x)|

(I.2.8)

Se dice que el problema P es bien condicionado si κ no es demasiado grande, sino el problema es mal condicionado. En la definición, eps representa un n´ umero peque˜ no. Si eps es la precisi´ on de la computadora entonces x ¯i puede ser interpretado como el redondeo de xi . Por otro lado, es necesario resaltar que κ depende solamente del problema, de x y no as´ı del algoritmo con el que se calcula P(x). Para comprender más sobre la condici´ on de un problema se analizar´ a los siguientes dos ejemplos. Ejemplos 1.- Multiplicaci´ on de dos n´ umeros reales. Sean x1 y x2 reales, considérese el problema calcular P(x1 , x2 ) = x1 · x2 . Para los dos valores perturbados x ¯1 = x1 (1 + ǫ1 ),

x ¯2 = x2 (1 + ǫ2 ),

|ǫi | ≤ eps;

se obtiene x ¯1 · x ¯ 2 − x1 · x2 = (1 + ǫ1 )(1 + ǫ2 ) − 1 = ǫ1 + ǫ2 + ǫ1 · ǫ2 . x1 · x2

(I.2.9)

Puesto que eps es un n´ umero peque˜ no, el producto ǫ1 . · ǫ2 es despreciable respecto a |ǫ1 | + |ǫ2 |, de donde x ¯2 − x1 · x2 ¯1 · x (I.2.10) ≤ 2 · eps. x 1 · x2

11

I.2 Estabilidad

Por consiguiente, κ = 2. El problema es bien condicionado. 2.- Adición de numeros reales. Para el problema P(x1 , x2 ) = x1 + x2 , por analog´ıa al ejemplo precedente, se obtiene (¯ ¯2 ) − (x1 + x2 ) x1 ǫ1 − x2 ǫ2 |x1 | + |x1 | x1 + x (I.2.11) = x1 + x2 ≤ |x1 + x2 | eps. x1 + x2 Si x1 y x2 son de signos iguales, se tiene κ = 1, de donde el problema es bien condicionado. |x1 | + |x1 | Pero, si x1 ≈ −x2 , la condici´ on κ = se convierte en |x1 + x2 | una cantidad muy grande. Motivo por el cual el problema est´ a mal condicionado. Para mejor ilustrar el efecto de condici´ on muy grande, considérese el siguiente ejemplo numérico. x1 =

1 , 51

x2 = −

1 , 52

para el cual κ ≈

2/50 = 100. (1/50)2

Realizando el c´ alculo con 3 cifras significativas en base 10, se obtiene x ¯1 = .196 · 10−1 , x ¯2 = −.192 · 10−1 y x ¯1 + x ¯2 = .400 · 10−1 . Como las dos primeras cifras son las mismas para x ¯1 y x2 , la adición las ha hecho desaparecer y no hay más que una cifra que es significativa. El resultado exacto es 1/(51 · 52) = 0.377 · 10−3 . Respecto a la definición de condici´ on, se debe observar dos situaciones. La primera, si uno de los xi = 0, entonces se tiene x ¯i = 0; la segunda sucede cuando P(x) = 0, la condici´ on se la calcula pasando al l´ımite. Una vez definida la condici´ on de un problema, el siguiente paso es ver la incidencia que tienen los errores de redondeo en la implementación de un algoritmo para resolver un problema dado. Tal como se dijo en la sección precedente, un algoritmo es una sucesión finita de operaciones elementales, es decir P(x) = fn (fn−1 (. . . f2 (f1 (x)) . . .)). (I.2.12) La amplificaci´ on del error, efectuando la operaci´ on fi , est´ a dada por la condici´ on κ(fi ). Por consiguiente: Proposici´ on I.2.4.- El algoritmo que resuelve el problema dado por (I.2.12), tiene la estimación siguiente κ(P) ≤ κ(f1 ) · κ(f2 ) · · · κ(fn ).

(I.2.13)

Demostraci´ on.- Por inducción sobre n. Para n = 1, el resultado es trivial. Supóngase, que es cierto para n, por lo tanto, si el problema es de la forma P(x) = fn+1 (fn (fn−1 (. . . f2 (f1 (x)) . . .))),

12

I Preliminares

puede escribirse como P(x) = fn+1 (P ′ (x)), utilizando la definición de condici´ on se tiene |P ′ (x) − P ′ (¯ x)| ≤ κ(P ′ )eps ′ |P (x)| |fn+1 (P ′ (x)) − fn+1 (P ′ (¯ x))| ≤ κ(fn+1 )κ(P ′ )eps. ⇒ |fn+1 (P ′ (x))| Finalmente utilizando la hipótesis de inducción, se tiene (I.2.13).

Definici´ on I.2.5.- Un algoritmo es numéricamente estable, en el sentido de forward analysis, si κ(f1 ) · κ(f2 ) · · · κ(fn ) ≤ Const · κ(P)

(I.2.14)

donde Const no es demasiado grande. La fórmula (I.2.14) expresa el hecho de que la influencia de los errores de redondeo durante el c´ alculo de P(x) no es mucho más grande que la influencia de los errores en los datos, lo que en realidad es inevitable. Ejemplo Sea x = 104 y considérese el problema de calcular 1/(x(1 + x)). Se examinar´ a los dos algoritmos siguientes: El primero definido por

x

ր ց

x

x+1

ց ր

x(x + 1) −→

1 . x(x + 1)

Las operaciones efectuadas son muy bien condicionadas, por consiguiente, este algoritmo es numéricamente estable. El segundo algoritmo definido por

x

ր ց

1/x

x + 1 −→ 1/(x + 1)

ց ր

1 1 1 − = . x x+1 x(x + 1)

En este algoritmo, solamente las tres primeras operaciones son bien condicionadas. Sin embargo la u ´ltima operaci´ on, la sustracci´ on, es muy

13

I.2 Estabilidad

mal condicionada, porque 1/x ≈ 1/(x + 1). Entonces, este algoritmo es numéricamente inestable. La verificaci´ on, si un algoritmo es estable en el sentido de forward analysis, sobre todo si el n´ umero de operaciones es elevado, es a menudo muy compleja y dificil. Por esta razon, Wilkinson introdujó otra definición de la estabilidad de un algoritmo. Definici´ on I.2.6.- Un algoritmo para resolver el problema P(x) es numéricamente estable en el sentido de backward analysis si el resultado numérico y¯ puede ser interpretado como un resultado exacto para los datos perturbados x ¯, es decir y¯ = P(¯ x), y si |¯ xi − xi | ≤ Const · eps, |xi |

(I.2.15)

donde Const no es demasiado grande y eps es la precisi´ on de la computadora. De la definición I.2.6 y (I.2.15) se deduce que, en el estudio de este tipo de estabilidad no se requiere conocer de antemano la condici´ on del problema. Ejemplo Considérese el problema de calcular el producto escalar x1 · x2 + x3 · x4 . Para calcular éste, se utiliza el algoritmo

(x1 , x2 , x3 , x4 )

ր ց

x1 · x2 x1 · x2

ց ր

x 1 · x 2 + x3 · x 4 .

(I.2.16)

El resultado numérico bajo la influencia de los errores de redondeo es x1 (1 + ǫ1 ) · x2 (1 + ǫ2 )(1 + η1 ) + x3 (1 + ǫ3 ) · x4 (1 + ǫ4 )(1 + η2 ) (1 + η3 ),

donde |ǫi | , |ηj | ≤ eps. Este resultado es igual a x ¯1 · x ¯2 + x ¯3 · x ¯4 , si se plantea x ¯1 = x1 (1 + ǫ1 )(1 + η1 ),

x ¯3 = x3 (1 + ǫ3 )(1 + η2 ),

x ¯2 = x2 (1 + ǫ2 )(1 + η3 ),

x ¯4 = x4 (1 + ǫ4 )(1 + η3 ).

Despreciando los productos de la forma ηi · ǫj , la relación (I.2.15) es satisfecha con Const = 2. Por lo tanto, el algoritmo (I.2.16) siempre es numéricamente estable en el sentido de backward analysis. El ejemplo precedente muestra que un algoritmo puede ser estable, incluso si el problema est´ a mal condicionado. En consecuencia, es necesario bien distinguir las nociones de estabilidad y condici´ on.

14

I Preliminares

Ejercicios 1.- ¿Cual es la condici´ on de la sustracci´ on de dos n´ umeros? 2.- Determinar la condici´ on del problema P(x1 , x2 ) = x1 /x2 con x2 6= 0. 3.- Hallar la condici´ on del c´ alculo del producto escalar hx, yi =

n X

xi yi .

i=1

4.- Mostrar que el sistema lineal (

ax + by = 1 , cx + dy = 0

con ad 6= bc

es numéricamente estable en el sentido de backward analysis. 5.- Las raices del polinomio x2 − 2px − q = 0 son: λ1 = p +

p p2 + q,

λ2 = p −

p p2 + q.

Mostrar que para p > 0, grande, y q ≥ 0, muy peque˜ no, este algoritmo es numéricamente inestable. Utilizando la relación λ1 λ2 = q, encontrar un algoritmo que es numéricamente estable en el sentido de backward analysis.

I.3 Un ejemplo: C´ alculo de Pi

En las sección precedente se ha visto que el dispositivo material que efectua los c´ alculos numéricos tiene en general dos tipos de n´ umeros: los enteros que se asemejan mucho a los enteros matemáticos y el tipo real que es una representación del n´ umero real. Tal como se mostró, ambos tipos de n´ umero presentan ciertas particularidades, por ejemplo son en cantidad finita, para el tipo real existe el redondeo de los n´ umeros. Por consiguiente si se utiliza el tipo real para determinar π, se tendrá una precisi´ on de 8 decimales; para doble precisi´ on se obtendra 16 decimales de precisi´ on; para cuadruple precisi´ on, que algunos lenguajes de programaci´ on cuentan, se obtendrá 32 decimales de precisi´ on. Por lo tanto, la precisi´ on para obtener π est´ a determinada por el lenguaje de programaci´ on y en algunos casos por el tipo de computadora con que se cuenta. En esta sección se pretende mostrar que estas limitaciones no constituyen necesariamente un impedimento para determinar un n´ umero, en particular π, con la precisi´ on que se desee. Una de las maneras más usuales de determinar π es utilizar el desarrollo en serie de Taylor en el origen de arctan x, el cual est´ a dado por arctan x =

∞ X (−1)k 2k+1 x . 2k + 1

(1.3.1)

k=0

De (I.3.1) se deduce, para x = 1, que π=4

∞ X (−1)k . 2k + 1

(I.3.2)

k=0

Como se recalcó en la sección I.2, utilizar la serie (I.3.2) no es conveniente, por que la convergencia de esta serie es muy lenta. Utilizando la relación tan(α + β) =

tan α + tan β , 1 − tan α tan β

una verificaci´ on inmediata conduce a π 1 1 1 = 12 arctan + 8 arctan − 5 arctan . 4 18 57 239 Remplazando (I.3.1) en (I.3.3), da como resultado

(I.3.3)

16

I Preliminares

∞ X (−1)k 1 2k+1 ( ) 2k + 1 18 k=0 | {z }

π = 48

A

∞ ∞ X X (−1)k 1 2k+1 (−1)k 1 2k+1 + 32 − 20 . ( ) ( ) 2k + 1 57 2k + 1 239 k=0 k=0 {z } | {z } | B

(I.3.4)

C

Ahora bien, se desea obtener una representación de π en notación decimal con N decimales de precisi´ on. Si cada serie del lado derecho de (I.3.4) es calculada con una precisi´ on de 10−(N +1) se tiene largamente la precisi´ on ˆ el valor calculado de A; B, ˆ el valor calculado de deseada. Denotando por A, ˆ el valor calculado de C, se tiene: B y C, Aˆ = 48

MA X (−1)k 1 2k+1 ( ) , 2k + 1 18

k=0

ˆ = 32 B

MB X (−1)k 1 2k+1 ( ) , 2k + 1 57

k=0

Cˆ = 20

MC X (−1)k 1 2k+1 ( ) . 2k + 1 239

k=0

De donde:

∞ X (−1)k 1 (1/18)2MA +3 ˆ 2k+1 ( ) , ≤ 48 A − A = 48 2k + 1 18 1 − (1/18)2 k=MA +1 ∞ X (−1)k 1 (1/57)2MB +3 ˆ 2k+1 , ( ) B − B = 32 ≤ 32 2k + 1 57 1 − (1/57)2 k=MB +1 ∞ X (−1)k 1 (1/239)2MC +3 ˆ 2k+1 . ( ) C − C = 20 ≤ 20 2k + 1 239 1 − (1/239)2 k=MC +1 Por hip´ otesis, se tiene por ejemplo que A − Aˆ ≤ 10−(N +1) , por lo tanto para asegurar esta precisi´ on es suficiente que 48

(1/18)2MA +3 ≤ 10−(N +1) , 1 − (1/18)2

remplazando el signo ≤ por =, se tiene 48

(1/18)2MA +3 = 10−(N +1) , 1 − (1/18)2

(I.3.5)

´ lculo de Pi I.3 Un ejemplo: Ca

17

obteniendo de esta manera log10 (48) − (2MA + 3) log10 (18) − log10 (1 − (1/18)2 ) = −(N + 1). Despejando MA , se obtiene MA =

N + 1 + log10 (48) − 3 log10 (18) + (1/18)2 . 2 log10 (18)

(I.3.6)

Del mismo modo se llega a: N + 1 + log10 (32) − 3 log10 (57) + (1/57)2 , 2 log10 (57) N + 1 + log10 (20) − 3 log10 (239) + (1/239)2 MC = . 2 log10 (239)

MB =

(I.3.7) (I.3.8)

Una vez determinada la cantidad de términos en cada serie para calcular ˆ B ˆ y C, ˆ es necesario definir una representación de los n´ A, umeros reales y ˆ B ˆ y Cˆ con la precisi´ su respectiva aritmética que permita calcular A, on requerida. Sea b > 1, entonces todo n´ umero positivo x se escribe de manera u ńica como ∞ X 1 (I.3.9) x= ak k , b k=0

donde 0 ≤ ak < b para k ≥ 1. Suponiendo que b = 10m , para obtener una representación de x con N decimales de precisi´ on, es suficiente conocer ak para 0 ≤ k ≤ N/m + 2. Se suma 2 a la cota anterior por seguridad. Por lo tanto, para todo n´ umero positivo x,el redondeado x ˆ con N cifras decimales de precisi´ on puede escribirse como N/m+2

x ˆ=

X

a ¯k /10m k ,

(I.3.10)

k=0

con 0 ≤ a ¯k < 10m para k ≥ 1. Comparando (I.3.9) con (I.3.10) se tiene que ak = a ¯k para 0 ≤ k ≤ N/m + 1 y |ak − a ¯k | ≤ 1 para k = N/m + 2, deduciendose de esta manera la: Proposici´ on I.3.1.- Sea x un n´ umero no negativo y x ¯ su representación dada por (I.3.10), entonces |ˆ x − x| ≤ 10−(N +2m) .

(I.3.11)

18

I Preliminares

Con los elementos presentados, se est´ a en la capacidad de formular un ˆ B, ˆ y C; ˆ por razones obvias el algoritmo algoritmo que permita calcular A, ser´ a el mismo. Por consiguiente, es suficiente dar el método que permita calcular Aˆ con la precisi´ on requerida. De la fórmula (I.3.4) se puede observar que las operaciones efectuadas son adiciones o sustracciones, divisiones por expresiones de la forma (2k + 1) y divisiones por 18 o 182 . La aritmética ser´ a consiguientemente definida en tres pasos o étapas. El primer paso ser´ a definir la division por un entero p. Sea x un real positivo, su redondeo se escribe como en (I.3.10), por consiguiente x/q redondeado se escribe N/m+2 X x b = bk /10m k , (I.3.12) q k=0 donde los bk se los define de manera recursiva, utilizando la división euclidiana, as´ı:

a0 = b0 q + r0 , a1 + r0 · 10m = b1 q + r1 , (I.3.13) .. . aN/m+2 + rN/m+1 · 10m = bN/m+2 + rN/m+2 . El segundo paso ser´ a definir la adición y la sustracci´ on para dos reales positivos x y y. Si se denota los redondeados por x ˆ y yˆ, sus representaciones en punto fijo est´ an dadas por: N/m+2

N/m+2

x ˆ=

X

ak /10m k ,

yˆ =

X

bk /10m k .

k=0

k=0

La suma redondeada se escribe por lo tanto N/m+2

x ˆ[ ± yˆ =

X

ck /10m k ,

(I.3.14)

k=0

donde los ck est´ an definidos recursivamente, utilizando la división euclidiana, por: cN/m+2 + dN/m+2 10m = aN/m+2 ± bN/m+2 ,

cN/m+1 + dN/m+1 10m = aN/m+1 ± bN/m+1 + dN/m+2 , (I.3.15) .. . c0 = a0 ± b0 + d1 . El tercer paso ser´ a definir la multiplicación de un real positivo con un entero q. Sea el productovskip-3pt N/m+2

qc x ˆ=

X

k=0

bk /10m k ,

(I.3.16)

´ lculo de Pi I.3 Un ejemplo: Ca

19

donde x ˆ est´ a dado por (I.3.10), los coeficientes bk est´ an definidos recursivamente, utilizando la división euclidiana, de la manera siguiente: qaN/m+2 = bN/m+2 + dN/m+2 10m , qaN/m+1 + dN/m+2 = bN/m+1 + dN/m+1 10m , .. . b0 = qa0 + d1 .

(I.3.17)

Habiendo definido las operaciones requeridas para calcular π con la ˆ y por precisi´ on requerida, se puede definir el algoritmo que calculará A, consiguiente π ˆ. Algoritmo 1.- Se define x := 1/18, a = x, k = 0. 2.- Hacer para k = 1 hasta k = MA : x := x/182 , y := x/(2k + 1), a; = a + (−1)k y. 3.- a := 48 · a.

Finalmente, se debe hacer un análisis de la propagación de errores de ˆ para asegurar que el resultado que redondeo, cometidos en el c´ alculo de A, de la computadora corresponde con lo esperado. Este estudio se lo efectuará en tres partes. Sea x ˆ2k+1 el resultado realizado por el algoritmo al calcular 2k+1 x para x = 1/18. Utilizando la proposici´ on I.3.1, se tiene, x ˆ = x + ǫ,

|ǫ| ≤ 10−N −2m :

(I.3.18)

deduciendose inmediatamente: x ˆ3 = (x + ǫ)/182 + η, x ˆ5 = x ˆ3 /182 + δ, .. .

(I.3.19)

Utilizando desigualdades triangulares y considerando series geométricas, se obtiene 2k+1 1 x ˆ − x2k+1 ≤ 10−N −2m . (I.3.20) 1 − (1/18)2

La segunda operaci´ on, que aparece en el algoritmo, es la división por los enteros de la forma 2k + 1. Por el mismo procedimiento que antes, se llega a 2k+1\ (I.3.21) /(2k + 1) − x2k+1 /(2k + 1) ≤ 2 · 10−N −2m . x

20

I Preliminares

ˆ se tiene una suma de MA + 1 términos y un Por ultimo para obtener A, producto por 48. En cada suma se comete un error menor a 2 · 10−N −2m , de donde se tiene como estimación del error acumulado ˆ (I.3.22) A − A ≤ 192(MA + 1)10−N −2m

Ahora bien, si 192(MA + 1) es más peque˜ no que 102m−1 , entonces el objetivo es satisfecho largamente. Como ilustraci´ on de lo expuesto, se ha calculado π con 10000 decimales de precisi´ on, utilizando una HP-9000. π con 10000 decimales 3.1415926535 5820974944 8214808651 4811174502 4428810975 4564856692 7245870066 7892590360 3305727036 0744623799 9833673362 6094370277 0005681271 1468440901 4201995611 5187072113 5024459455 7101000313 5982534904 1857780532 3809525720 0353018529 5574857242 8175463746 8583616035 9448255379 9331367702 2533824300 6782354781 5570674983 3211653449 6369807426 8164706001 1613611573 4547762416 5688767179 8279679766 7392984896 0674427862 4677646575 9465764078 2671947826 4962524517 5709858387 6868386894 8459872736 4390451244 4169486855 0168427394 6456596116 1507606947 2287489405 9009714909 2265880485

8979323846 5923078164 3282306647 8410270193 6659334461 3460348610 0631558817 0113305305 5759591953 6274956735 4406566430 0539217176 4526356082 2249534301 2129021960 4999999837 3469083026 7838752886 2875546873 1712268066 1065485863 6899577362 4541506959 4939319255 6370766010 7747268471 8989152104 3558764024 6360093417 8505494588 8720275596 5425278625 6145249192 5255213347 8625189835 0494601653 8145410095 0841284886 2039194945 7396241389 9512694683 8482601476 4939965143 4105978859 2774155991 4469584865 1365497627 5848406353 5226746767 3548862305 9451096596 6010150330 6759852613 7564014270

2643383279 0628620899 0938446095 8521105559 2847564823 4543266482 4881520920 4882046652 0921861173 1885752724 8602139494 2931767523 7785771342 4654958537 8640344181 2978049951 4252230825 5875332083 1159562863 1300192787 2788659361 2599413891 5082953311 0604009277 4710181942 0404753464 7521620569 7496473263 2164121992 5869269956 0236480665 5181841757 1732172147 5741849468 6948556209 4668049886 3883786360 2694560424 0471237137 0865832645 9835259570 9909026401 1429809190 5977297549 8559252459 3836736222 8079771569 4220722258 8895252138 7745649803 0940252288 8617928680 6554978189 4775551323

5028841971 8628034825 5058223172 6446229489 3786783165 1339360726 9628292540 1384146951 8193261179 8912279381 6395224737 8467481846 7577896091 1050792279 5981362977 0597317328 3344685035 8142061717 8823537875 6611195909 5338182796 2497217752 6861727855 0167113900 9555961989 6208046684 6602405803 9141992726 4586315030 9092721079 4991198818 4672890977 7235014144 4385233239 9219222184 2723279178 9506800642 1965285022 8696095636 9958133904 9825822620 3639443745 6592509372 8930161753 5395943104 6260991246 1435997700 2848864815 5225499546 5593634568 7971089314 9208747609 3129784821 7964145152

6939937510 3421170679 5359408128 5493038196 2712019091 0249141273 9171536436 9415116094 3105118548 8301194912 1907021798 7669405132 7363717872 6892589235 4771309960 1609631859 2619311881 7669147303 9375195778 2164201989 8230301952 8347913151 8890750983 9848824012 4676783744 2590694912 8150193511 0426992279 2861829745 7509302955 3479775356 7727938000 1973568548 0739414333 2725502542 6085784383 2512520511 2106611863 4371917287 7802759009 5224894077 5305068203 2169646151 9284681382 9972524680 0805124388 1296160894 8456028506 6672782398 1743241125 5669136867 1782493858 6829989487 3746234364

E-00050 E-00100 E-00150 E-00200 E-00250 E-00300 E-00350 E-00400 E-00450 E-00500 E-00550 E-00600 E-00650 E-00700 E-00750 E-00800 E-00850 E-00900 E-00950 E-01000 E-01050 E-01100 E-01150 E-01200 E-01250 E-01300 E-01350 E-01400 E-01450 E-01500 E-01550 E-01600 E-01650 E-01700 E-01750 E-01800 E-01850 E-01900 E-01950 E-02000 E-02050 E-02100 E-02150 E-02200 E-02250 E-02300 E-02350 E-02400 E-02450 E-02500 E-02550 E-02600 E-02650 E-02700

´ lculo de Pi I.3 Un ejemplo: Ca 5428584447 2135969536 0374200731 8687519435 8191197939 9839101591 5679452080 6638937787 0306803844 6660021324 1005508106 4011097120 2305587631 7321579198 7229109816 5725121083 6711136990 3515565088 8932261854 6549859461 2332609729 5836041428 1809377344 4492932151 2131449576 2807318915 6655730925 4769312570 3348850346 8455296541 7002378776 1127000407 6343285878 2021149557 0990796547 2996148903 9389713111 0480109412 8530614228 7716692547 9769265672 8888007869 6171196377 4252308177 6222247715 7805419341 5695162396 4786724229 4037014163 2168895738 5578297352 9906655418 3162499341 3220777092 3166636528 7723554710 9456127531 3114771199 0408591337 7152807317 8350493163 4781643788 9562586586 8584783163 4803048029 2742042083 2901618766 9914037340 2540790914 8798531887 2784768472 3503895170 1960121228

9526586782 2314429524 0578539062 0643021845 9520614196 9561814675 9514655022 0830390697 7734549202 3408819071 6587969981 6280439039 7635942187 4148488291 9091528017 5791513698 8658516398 4909989859 8963213293 6371802709 9712084433 1388303203 4030707469 6084244485 8572624334 4411010446 4711055785 5863566201 1136576867 2665408530 5913440171 8547332699 5698305235 6158140025 3761255176 0463994713 7904297828 1472213179 8137585043 4873898665 1463853067 2560290228 9213375751 0367515906 8915049530 4473774418 5864573021 2465436680 1496589794 3798623001 3344604281 7639792933 9131814809 1201905166 6193266863 5859548702 8134078330 2606381334 4641442822 6790770715 1284042512 5185290928 5570552690 0577775606 0058760758 2085661190 7952406163 4328752628 5135711136 7058429725 6860849003 2989392233 5993716231

1051141354 8493718711 1983874478 3191048481 6342875444 1426912397 5231603881 9207734672 6054146659 0486331734 6357473638 7595156771 3125147120 6447060957 3506712748 8209144421 3150197016 9823873455 3089857064 8199430992 5732654893 8249037589 2112019130 9637669838 4189303968 8232527162 3763466820 8558100729 5324944166 6143444318 2749470420 3908145466 8089330657 0126228594 5675135751 2962107340 5647503203 4764777262 0633217518 4949450114 3609657120 4721040317 1495950156 7350235072 9844489333 4263129860 6315981931 0980676928 0924323789 5937764716 5126272037 4419521541 2777710386 0962804909 3606273567 7908143562 3362542327 6776879695 7726346594 7213444730 1925651798 5452011658 4965209858 8887644624 2510474709 6254543372 4252257719 8896399587 9410911939 9167781314 3770242429 4517220138 3017114448

21 7357395231 0145765403 0847848968 0053706146 0643745123 4894090718 9301420937 2182562599 2520149744 6496514539 4052571459 5770042033 5329281918 5270695722 5832228718 0067510334 5151168517 2833163550 2046752590 4488957571 8239119325 8524374417 2033038019 9522868478 6426243410 0105265227 6531098965 3606598764 8039626579 5867697514 5622305389 4645880797 5740679545 1302164715 7829666454 4375189573 1986915140 2414254854 2979866223 6540628433 9180763832 2118608204 6049631862 8354056704 0963408780 8099888687 9516735381 2382806899 6907069779 5122893578 3431465319 3418994854 3877343177 2636019759 6303544776 4014517180 8394497538 9703098339 7047458784 6057007334 0694113528 3934196562 0338507224 8246857926 1643961362 1315359584 5429162991 9475729174 3251910760 9699009019 1651300500 1280696501 4640903890

1342716610 5902799344 3321445713 8067491927 7181921799 6494231961 6213785595 6615014215 2850732518 0579626856 1028970641 7869936007 2618612586 0917567116 3520935396 6711031412 1437657618 7647918535 7091548141 2828905923 9746366730 0291327656 7621101100 3123552658 7732269780 2111660396 2691862056 8611791045 7877185560 5661406800 9456131407 2708266830 7163775254 5097925923 7791745011 5961458901 2870808599 5403321571 7172159160 6639379003 7166416274 1900042296 9472654736 0386743513 7693259939 4132604721 2974167729 6400482435 4223625082 6015881617 7777416031 4473456738 2075456545 8828161332 2803504507 6246436267 2437205835 1307710987 7787201927 9243693113 0131470130 1349143415 2648293972 0395352773 6760449256 5068772460 9306455377 6426357455 2082520261 2116971737 5168323364 1784408745 6449544400

E-02750 E-02800 E-02850 E-02900 E-02950 E-03000 E-03050 E-03100 E-03150 E-03200 E-03250 E-03300 E-03350 E-03400 E-03450 E-03500 E-03550 E-03600 E-03650 E-03700 E-03750 E-03800 E-03850 E-03900 E-03950 E-04000 E-04050 E-04100 E-04150 E-04200 E-04250 E-04300 E-04350 E-04400 E-04450 E-04500 E-04550 E-04600 E-04650 E-04700 E-04750 E-04800 E-04850 E-04900 E-04950 E-05000 E-05050 E-05100 E-05150 E-05200 E-05250 E-05300 E-05350 E-05400 E-05450 E-05500 E-05550 E-05600 E-05650 E-05700 E-05750 E-05800 E-05850 E-05900 E-05950 E-06000 E-06050 E-06100 E-06150 E-06200 E-06250 E-06300 E-06350

22

I Preliminares 6198690754 2283345085 8282949304 4611996653 2827892125 2183564622 3685406643 9567302292 1920419947 2711172364 8856986705 0516553790 8757141595 4460477464 1465741268 3634655379 9113679386 0126901475 1965362132 2772190055 3610642506 2276930624 0861533150 3776700961 5189757664 9164219399 3338945257 1266830240 8475651699 9104140792 7180653556 9598470356 8788202734 5771028402 6407655904 5178609040 7367812301 6161528813 7634757481 9203767192 4366199104 8244625759 1509682887 3408005355 5848358845 4043523117 9748442360 7267507981 3025494780 7429958180 2673430282 9289647669 2609275249 9588970695 4525564056 6909411303 9695946995 6922210327 9279068212 2248261177 0037279839 2543709069 2314593571 5510500801 2339086639 1596131854 7360411237 3084076118 7065874882 5020141020 2162484391 2645600162 4610126483

8516026327 0486082503 1377655279 8581538420 0771262946 0134967151 1939509790 1913933918 4553859381 3435439478 4315470696 6866273337 7811196358 9159950549 0492564879 4986419270 2708943879 4668476535 3926406160 6148425551 3904975008 7435363256 4452127473 2071512491 5216413767 4907236234 4239950829 2929525220 9811614101 8862150784 7252532567 2226293486 2092222453 7998066365 2909945681 7086671149 4587687126 8437909904 1935670911 2033229094 0337511173 1633303910 4782656995 9849175417 3142775687 6006651012 8007193045 2554709589 2490114195 7247162591 4418604142 7583183271 6035799646 3653494060 4482465151 1509526179 5657612186 4889218654 0738837781 1858963814 4004152970 7939612257 9849225284 9086996033 3833952942 3475464955 3599843452 3013052793 2569815793 6723585020 4035998953 3742880210 6999892256

5052983491 9302133219 3975175461 5685338621 3229563989 8819097303 1906996395 5680344903 0234395544 2218185286 5747458550 9958511562 3300594087 7374256269 8556145372 5638729317 9362016295 7616477379 1363581559 8792530343 6562710953 9160781547 9245449454 4043027253 9690314950 6468441173 6591228508 1187267675 0029960783 2451670908 5328612910 0034158722 3985626476 8254889264 5065265305 6558343434 6034891390 2317473363 0137751721 3346768514 5471918550 7225383742 9957449066 3818839994 9002909517 4120065975 7618932349 0455635792 2123828153 6685451333 6363954800 3142517029 9256504936 3402166544 8754711962 3780029741 5619673378 3648022967 4233562823 0918390367 0287830766 1429894671 7160504922 0276347870 5786905076 6978103829 2516105070 2054274628 6789766974 0724522563 5394590944 9276457931 9596881592

8740786680 7155184306 3953984683 8672523340 8989358211 8119800497 5245300545 9820595510 9597783779 2408514006 3323233421 5784322988 3068121602 0104903778 3478673303 4872332083 1541337142 4675200490 0742202020 5139844253 5919465897 8181152843 2368288606 8607648236 1910857598 9403265918 5558215725 6220415420 8690929160 7000699282 4248776182 9805349896 6914905562 8802545661 3718294127 7693385781 9562009939 9480457593 0080315590 2214477379 4644902636 1821408835 1758344137 4697486762 0283529716 5851276178 2292796501 1221033346 0911407907 1239480494 0448002670 6923488962 8183609003 3755890045 1844396582 2076651479 6236256125 8070576561 6089632080 3672220888 7094447456 5435784687 1242470141 8108175450 4310063835 3097164651 2705623526 6540360367 2205750596 2651341055 0704691209 0657922955 0560010165

8818338510 3545500766 3936383047 2830871123 6745627010 3407239610 0580685501 0226353536 0237421617 6604433258 0730154594 2737231989 8764962867 1986835938 9046883834 7601123029 4892830722 7571555278 3187277605 2234157623 5141310348 6679570611 1340841486 3414334623 4423919862 4044378051 0310712570 5161841634 3028840026 1206604183 5829765157 5022629174 8425039127 0172967026 0336931378 7113864558 3610310291 1493140529 2485309066 3937517034 5512816228 0865739177 5223970968 6551658276 3445621296 5838292041 9875187212 6974992356 3860251522 7079119153 4962482017 7668440323 2380929345 6328822505 5337543885 3942590298 2163208628 5144632046 6822246801 3215137556 0134556417 8861444581 2147805734 1193071412 1983438934 4384070070 6012764848 4532865105 8344086973 9240190274 1409387001 2498872758 5256375678

E-06400 E-06450 E-06500 E-06550 E-06600 E-06650 E-06700 E-06750 E-06800 E-06850 E-06900 E-06950 E-07000 E-07050 E-07100 E-07150 E-07200 E-07250 E-07300 E-07350 E-07400 E-07450 E-07500 E-07550 E-07600 E-07650 E-07700 E-07750 E-07800 E-07850 E-07900 E-07950 E-08000 E-08050 E-08100 E-08150 E-08200 E-08250 E-08300 E-08350 E-08400 E-08450 E-08500 E-08550 E-08600 E-08650 E-08700 E-08750 E-08800 E-08850 E-08900 E-08950 E-09000 E-09050 E-09100 E-09150 E-09200 E-09250 E-09300 E-09350 E-09400 E-09450 E-09500 E-09550 E-09600 E-09650 E-09700 E-09750 E-09800 E-09850 E-09900 E-09950 E-10000

Cap´ıtulo II Sistemas Lineales

Una gran cantidad de problemas implica la resolución de sistemas lineales de la forma Ax = b, donde



a11 ..  A= .

an1

···

 a1n ..  , .

· · · ann

 b1 . b =  ..  

bn

con coeficientes reales o complejos. Por esta necesidad es importante la construcción de algoritmos que permitan su resolución en un tiempo razonable y con el menor error posible. Cada problema tiene su particularidad, motivo por el cual no existe un método general mediante el cual se pueda resolver eficazmente todos los problemas. Es verdad que existen métodos casi generales, que con peque˜ nas modificaciones pueden servir para encontrar la solución de un problema particular. A lo largo de este cap´ıtulo se expondr´ an estos métodos, dando criterios de estabilidad y estimaciones de error. En la primera sección se tratará la condici´ on del problema lineal, para este efecto ser´ a necesario introducir elementos de la teor´ıa de normas en las matrices, para luego introducir las nociones relativas a la condici´ on del problema lineal. En la segunda sección se abordará los métodos de resoluci´ on como son: el Algoritmo de Eliminaci´ on de Gauss, la Descomposici´ on de Cholesky y algunas modificaciones de estos métodos. En esta sección se estudiar´ a la implementación de tales métodos, como también la estabilidad de estos. La tercera sección tratará, la teor´ıa e implementación de los métodos iterativos lineales como: Jacobi, Gauss-Seidel y SOR. As´ı mismo se analizar´ an algunos problemas tipos y se harán comparaciones de tales metodos. En la cuarta sección, se ver´ a los métodos de tipo gradiente cuyo enfoque es diferente a los métodos de las dos secciones precedentes, en efecto, son métodos que encuentran la solución a partir de problemas de minimización. Se resolver´ an ejemplos tipos y se comparará la eficiencia de éstos con otros métodos.

24

II Sistemas Lineales

La u ´ltima sección describir´ a el Método de los M´ınimos Cuadrados, como una generalización de lo anteriormente expuesto, introduciendo como corolario la noción de Pseudo-Inversa. As´ı mismo se analizar´ a la implementación del método QR, incluyendo una estimación del error de tal método.

II.1 Condici´ on del Problema lineal

Normas de Vectores y Matrices La noci´ on de norma y espacio normado es un instrumento matemático muy util en el estudio de las magnitudes que se manipulan, como también un instrumento en el estudio de la convergencia y los l´ımites. Se empezará definiendo el concepto de norma en espacios Rn , para luego definir en el algebra de las matrices a coeficientes reales. ´ Definici´ on II.1.1.- Una norma sobre Rn es una aplicaci´ on k k : Rn −→ R, con las siguientes propiedades: kxk ≥ 0, kxk = 0 ⇐⇒ x = 0; kαxk = |α| kxk , donde α ∈ R; kx + yk =≤ kxk + kyk .

i) ii) iii)

La primera condici´ on implica que una norma siempre es positiva y es nula siempre y cuando el vector sea el vector nulo. La segunda propiedad es la homogeneidad de la norma y la tercera condici´ on es más conocida como desigualdad del triángulo. Las normas más usuales en Rn son las siguientes: kxk1 = kxk2 = kxkp =

n X i=1

|xi | ,

n X i=1

n X i=1

norma ciudad-bloque;

|xi |

! 12

,

|xi |2

! p1

,

2

kxk∞ = max |xi | , i=1,...,n

norma euclidiana;

p > 1; norma de la convergencia uniforme.

Estas normas, que son las usualmente utilizadas, tienen algunas propiedades en com´ un. La más importante es que, si se aumenta en valor absoluto una de las componentes, la norma se incrementa. Es necesario formalizar este hecho, motivo por el cual, se tiene la:

26


Definici´ on II.1.2.- Si x = (x1 , . . . , xn ) ∈ Rn , se define el valor absoluto de x como |x| = (|x1 | , . . . , |xn |). Se dice que |x| ≤ |y|, si |xi | ≤ |yi | para todo i = 1, . . . , n. Una norma k k sobre Rn se dice que es: (a) Mon´ otona, si |x| ≤ |y| implica que kxk ≤ kyk para todo x, y ∈ Rn . (b) Absoluta, si kxk = k|x|k para todo x ∈ Rn . Proposici´ on II.1.3.- Una norma k k sobre Rn es monótona, si y solamente si es absoluta.

Demostraci´ on.- Si la norma k k es monótona, sea x ∈ Rn , llamenos y = |x|. Como |x| ≤ |y|, y |y| ≤ |x| se tiene inmediatamente, porque la norma es monótona, que kxk = kyk. Si la normak k es absoluta, sea x ∈ Rn , considérese x ¯ = (x1 , . . . , xk−1 , αxk , xk+1 , . . . , xn ), con α ∈ [0, 1]. Utilizando el hecho que la norma sea absoluta, desigualdad del triángulo y efectuando c´ alculos algebraicos se tiene:

1

1

k¯ xk = (1 − α)(x1 , . . . , xk−1 , −xk , xk+1 , . . . , xn ) + (1 − α)x + αx

2 2 1 1 ≤ (1 − α) k(x1 , . . . , xk−1 , −xk , xk+1 , . . . , xn )k + (1 − α) kxk + αx 2 2 1 1 = (1 − α) kxk + (1 − α) kxk + α kxk = kxk . 2 2 Ahora bien, si x = (x1 , . . . , xk , . . . , xn ) y y = (x1 , . . . , xk1 , yk , xk+1 , . . . , xn ), con |yk | ≥ |xk |, utilizando la desigualdad anterior se tiene kxk ≤ kyk. Para demostrar que |x| ≤ |y| implica que kxk ≤ kyk, se repite el anterior paso n veces, es decir una vez por cada componente. Una matriz de orden m×n puede ser vista como un vector que pertenece al espacio Rmn , de esta manera definir la norma de una matriz como la de un vector, pero se perder´ıa as´ı muchas de las propiedades que tiene una aplicaci´ on lineal. Es por eso la: Definici´ on II.1.4.- Sea A una matriz de m × n, se define su norma como kAk = sup x6=0

kAxk = sup kAxk . kxk kxk=1

(II.1.1)

La definición de la norma de una matriz depende evidentemente de las normas elegidas para kxk y kAxk. Sin embargo puede ser verificado sin ning´ un problema, que la norma de una matriz, verifica las condiciones de norma de un vector. La demostración es una simple verificaci´ on de estas condiciones, utilizando la definición de supremo. Adem´ as si las norma de los espacios Rn y Rm son monótonas o absolutas, es facil verificar que la norma

´ n del Problema lineal II.1 Condicio

27

de matriz inducida por éstas, es todav´ıa monótona; es suficiente utilizar la definición para probar esta afirmación. Por otro lado kAk es el n´ umero positivo más peque˜ no α que satisface kAxk ≤ α kxk, por lo tanto kAxk ≤ kAk kxk ,

∀x ∈ Rn .

(II.1.2)

Una norma sobre el espacio de matrices verifica las siguientes propiedades, dada por la: Proposici´ on II.1.5.- Cualquier norma sobre el espacio de las matrices Mm (R) satisface las propiedades adicionales siguientes: kIk = 1, kABk ≤ kAk kBk .

(II.1.3) (II.1.4)

Demostraci´ on.- La relación (II.1.3) de la proposici´ on es consecuencia inmediata de la definición de la norma de una matriz. La relación (II.1.4) es consecuencia de las observaciones hechas después de la definición, en efecto kABxk ≤ kAk kBxk ≤ kAk kBk kxk , kABxk ≤ kAk kBk , kxk kABk ≤ kAk kBk .

Se ha dado las propiedades esenciales de la norma de matrices, pero es necesario conocer algunas de éstas por su utilizaci´ on frecuente. Utilizando la misma notación que en las normas de los vectores definidas al inicio de la sección, se puede utilizar la misma notación en los ´ındices de las normas de las matrices, con la convención que las normas de los vectores tienen los mismos ´ındices. Teorema II.1.6.- Sea A una matriz de n × m, entonces: kAk1 = max

j=1,...,m

i=1

|aij | ,

p valor propio más grande de At A, m X |aij | . = max

kAk2 = kAk∞

n X

i=1,...,n

j=1

(II.1.5) (II.1.6) (II.1.7)

28


Demostraci´ on.- Se comenzará por kAk1 , se tiene: X m n X n X X m |aij | |xj | ≤ a x kAxk1 = ij j i=1 j=1 i=1 j=1 ! ! m n n X X X ≤ |aij | |xj | ≤ max |aij | kxk1 , j=1

por lo tanto

j=1,...,m

i=1

kAk1 ≤ max

j=1,...,m

n X i=1

i=1

|aij | .

Se mostrar´ a, que la igualdad se cumple, en efecto, sea jo tal que: n n X X |aij | ; y x ¯ tal que x ¯jo = 1, xi = 0 si i 6= jo ; |aijo | = max i=1

j=1,...,m

i=1

 

a1jo n

X 

 |aijo | k¯ xk1 . de esta manera kA¯ xk =  ...  =

i=1

amj o

Para la k k2 se tiene:

1

kAxk22 = hAx, Axi = xt At Ax,

ahora bien At A es una matriz simétrica definida positiva, de donde los valores propios son reales no negativos, adem´ as es posible formar una base de vectores propios ortonormales. Sea {e1 , . . . , em } una base de vectores propios m m X X λi αi ei , donde los λi ≥ 0 son αi ei y Ax = ortonormales, entonces x = i=1

i=1

los valores propios de A. Por lo tanto, se tiene m m X X 2 αi2 = max λi kxk2 . λ2i αi2 ≤ max λi kAxk2 = i=1,...,m

i=1

i=1

i=1,...,m

Para obtener la igualdad, es suficiente tomar x = ejo , donde λjo es el autovalor más grande. Para la k k∞ se tiene:   X m X m |aij | |xj | aij xj ≤ max  kAxk∞ = max i=1,...,n i=1,...,n j=1 j=1     m m X X ≤ max  |aij | max |xj | ≤  max |aij | kxk∞ , i=1...,n

as´ı

kAk∞ ≤ max

j=1,...,m

j=1

m X j=1

|aij | .

j=1,...,m

i=1,...,n

j=1


29

Para obtener la igualdad es suficiente tomar x = 1, donde 1 = (1, . . . , 1)t .

La Condici´ on de una Matriz La resolución de un sistema lineal de ecuaciones debe hacer meditar sobre muchos aspectos relacionados, como ser la existencia de la solución, si el problema a resolver est´ a bien condicionado, conocer una estimación del error cometido en la solución numérica, etc. Se tiene inicialmente el sistema de ecuaciones Ax = b, donde A ∈ Mn (R), y b ∈ Rn ; (II.1.8) el problema es encontrar x ∈ R que sea solución del sistema (II.1.8), esta situación puede escribirse formalmente como P(A, b) = x. De esta manera la condici´ on del problema est´ a dada por P(A, b) − P(A, ¯ ¯b) ≤ cond · eps, |P(A, b)|

(II.1.9)

donde: a ¯ij = aij (1 + ǫij ), ¯bi = bi (1 + ǫi ),

|ǫij | ≤ eps; |ǫi | ≤ eps.

(II.1.10) (II.1.10′ )

kx − x ¯k ¯ ¯b) = x Si se plantea P(A, ¯, se tiene ≤ cond · eps. Por otro lado, kxk considerando que solamente normas monónotas son utilizadas, se tiene:



a11 ǫ11

 .. .

an1 ǫn1

 a1n ǫn1

..  ≤ eps kAk , .

· · · ann ǫnn ··· .. .

de esta manera

A¯ − A ≤ eps kAk

y

¯b − b ≤ eps kbk .

(II.1.11)

Suponiendo que la matriz sea inversible, se puede enunciar el siguiente teorema, pero antes una definición es necesaria. Definici´ on II.1.7.- La condici´ on de una matriz A inversible se define como

cond(A) = kAk A−1 . (II.1.12)

30


Teorema ongase que

una matriz con det A 6= 0, sup´

II.1.8.- Sea A

A¯ − A ≤ kAk ǫA , ¯b − b ≤ kbk ǫb . Si ǫA cond(A) < 1, entonces k¯ x − xk cond(A) ≤ (ǫA + ǫb ). kxk 1 − ǫA cond(A)

(II.1.13)

Si adem´ as se tiene ǫA cond(A) < 21 , entonces la condici´ on del problema resolver Ax = b es ≤ 2cond(A). ¯x = ¯b, de donde: Demostraci´ on.- Se tiene Ax = b y A¯ ¯x = b − ¯b y Ax − A¯ ¯ − A¯ ¯x = b − ¯b, Ax − A¯ x + Ax ¯ ¯ A(x − x ¯) = (A − A)¯ x + (b − b), x − x ¯ = A−1 (A¯ − A)¯ x + A−1 (b − ¯b), introduciendo las desigualdades en las normas se obtiene:

xk + A−1 ¯b − b kx − x ¯k ≤ A−1 A¯ − A k¯

x − xk) + kbk ǫb ) ≤ A−1 (kAk ǫA (kxk + k¯

−1 x − xk) + kxk ǫb ) , ≤ A kAk (ǫA (kxk + k¯ k¯ x − xk cond(A) de esta manera ≤ (ǫA + ǫb ). kxk 1 − ǫA cond(A)

Como la condici´ on del problema lineal est´ a ´ıntimamente ligada a la condici´ on de la matriz, es importante conocer algunas de sus propiedades, dadas por la: Proposici´ on II.1.9.- La condici´ on de una matriz satisface las siguientes propiedades: cond(A) ≥ 1; cond(I) = 1; cond(αA) = cond(A),

(II.1.14) (II.1.15) (II.1.16)

α ∈ R.

Demostraci´ on.- Verificaci´ on inmediata.

Ejemplos 1.- Q ortogonal, es decir Qt Q = I, la condici´ on respecto a la norma k k2 esta dada por cond2 (Q) = 1. (II.1.17) 2.- Sea la matriz A dada por 

4 1  1 4 1  .. . . . A=  . h .  .. · · · ··· ···

0 1 .. . 1

··· 0 ··· 0 .. .. . . 4 1

1 4



   ,  

´ n del Problema lineal II.1 Condicio entonces kAk∞ = 

0

1 4 N = .  ..

0

6

h

, adem´ as A = 1

4 0 .. . ···

0 1

4 .. . 0

Se deduce que

4

h

31 (I + N ) donde

 ··· 0 ··· 0  , ..  ··· .  1 4 0

kN k∞ =

1 < 1. 2

h h (I + N )−1 = (I − N + N 2 − N 3 + · · ·), 4 4

2 h ≤ (1 + kN k + N + · · ·) 4 1 h ≤ 4 1 − kN k h ≤ , 2

A−1 =

−1

A ∞

entonces cond∞ (A) ≤ 3, por lo tanto, la matriz es bien condicionada.

3.- El siguiente ejemplo muestra la existencia de una matriz mal condicionada. Sea H la matriz de n × n, llamada matriz de Hilbert, definida por hij =

1 , i+j−1

i, j = 1, . . . , n.

H es una matriz simétrica definida positiva, motivo por el cual la condici´ on respecto a la norma euclidiana est´ a dada por cond2 H =

λmax , λmin

donde los λ son valores propios de H. Se puede mostrar que cond2 H ∼ cen .

(II.1.18)

Se puede observar claramente que las matrices de Hilbert son mal condicionadas, inclusive para n bastante peque˜ no. 4.- Finalmente, este ejemplo muestra la existencia de otra matriz mal condicionada, como ser las matrices de Vandermonde. Sea V la matriz de n × n definida por   1 1 ··· 1 c2 ··· cn   c1 , V = . . ..   .. .. ··· .  c1n−1

c2n−1

· · · cnn−1

32

II Sistemas Lineales donde los ci son diferentes. Se puede mostrar que la cond2 V ∼ bn , donde b > 1. k¯ x−xk

≤ 2cond(A)eps puede ser demasiada kxk pesimista, para ver esto, considérese el siguiente ejemplo, 1 1 x 2 = . 0 108 y 1

Si se llama A a la matriz del sistema, se tiene kAk2 = 108 y A−1 ≈ 1. El sistema con los errores de redondeo incorporados, est´ a dado por: 1 + ǫ1 1 + ǫ2 x ¯ = = ( 2(1 + ǫ4 ) 1 + ǫ5 ) , 0 108 (1 + ǫ3 ) y¯ Ahora bien, la estimación

y¯ = 108

1 + ǫ5 ≃ 10−8 (1 + ǫ5 − ǫ3 ), 1 + ǫ3

|y − y¯| ≤ 2eps. |y| Calculando x ¯, se tiene 2(1 + ǫ4 ) − (1 + ǫ2 )¯ y x ¯= 1 + ǫ1

de donde

por lo tanto,

=

2 − 10−8 + 2ǫ4 − 10−8 (ǫ2 + ǫ5 − ǫ3 ) 1 + ǫ1

=

x + 2ǫ1 − 10−8 (ǫ2 + ǫ5 − ǫ3 ) 1 + ǫ1

≃ x(1 + 4eps), |x − x ¯| ≤ 4eps. |x|

El problema es bien condicionado, aunque la matriz A tenga una gran condici´ on. Si se multiplica el sistema de ecuaciones por una matriz diagonal D se obtiene, el nuevo problema dado por DAx = Db, por el teorema II.1.8, se tiene kx − x ¯k ≤ 2cond(DA)eps, kxk En el ejemplo anterior, se plantea 1 0 D= , 0 10−8

si cond(DA)eps <

as´ı DA =

1 1 0 1

,

1 . 2


33

obteniendo el: Corolario II.1.10.- Con las misma hipótesis del teorema II.1.8, y adem´ as si cond(DA)eps < 21 , se tiene La condici´ on del problema ≤ 2

D

inf

cond(DA).

(II.1.19)

diagonal

Ejercicios 1.- a) Sea k k definida en Rn . La bola unitaria cerrada se define como ¯ = x ∈ Rn kxk ≤ 1 , B

mostrar que la bola unitaria es un conjunto convexo. b) Sea D un conjunto convexo acotado, en cuyo interior est´ a 0. Si se supone que D es equilibrado, es decir si x ∈ D implica que −x ∈ D. Mostrar que se puede definir una norma cuya bola unitaria cerrada sea precisamente D.

2.- ¿Es la función f (x) = |x1 − x2 | + |x2 | una norma sobre R2 ? Si lo es, ¿es monótona? Dibujar la bola unitaria.

3.- Dar las condiciones para que una norma sea monótona, observando su bola unitaria cerrada. 4.- Para una matriz A se define la norma de Frobenius como v uX n u n X 2 kAk = t |aij | . F

i=1 j=1

a) Mostrar que kAkF es una norma sobre Rn·n . b) Verificar la desigualdad kAk2 ≤ kAkF ≤

√ n kAk2 .

5.- Verificar la desigualdad max |aij | ≤ kAk2 ≤ n. max |aij | . i,j

i,j

6.- Sea A una matriz con det A 6= 0. Mostrar que

−1

A = min kAxk . kxk=1

34


7.- Sea R una matriz triangular inversible. Mostrar que: |rii | ≤ kRkp , Deducir que

|rii |−1 ≤ R−1 p ; condp (R) ≥ max i,k

para p = 1, 2, ∞.

|rii | . |rkk |

8.- Sea  1 2 0 + 1 h0 h1  1 1 1  2 +  h1 h1 h2 A=  ..  . 0 0 ···

···

···

1

···

h2 .. . 0

..

.

1 hn−2

0



  0   ..  .  1 1 2 h +h n−2 n−1

la matriz, que se encuentra en la interpolaci´ on spline. Mostrar: a) cond∞ (A) puede ser arbitrariamente grande. (Si max hi / min hi −→ ∞). b) Existe una matriz diagonal D tal que cond∞ (DA) ≤ 3.

II.2 M´ etodos Directos

En esta sección se desarrollar´ a los algoritmos de resolución directa de sistemas lineales más comunes en la actualidad. El problema a resolver es Ax = b,

(II.2.1)

donde A ∈ Mn (R), x, b ∈ Rn . Por los resultados obtenidos en la teor´ıa del Algebra Lineal, este sistema de ecuaciones lineales tiene una sola solución, si y solamente si det A 6= 0. Para mostrar la importancia de contar con algoritmos cuyo costo en operaciones sea m´ınimo, vale la pena dar el siguiente ejemplo de resolución de este sistema de ecuaciones lineales. El ejemplo consiste en la utilizaci´ on de la regla de Cramer, que en si misma constituye uno de los resultados te´ oricos más hermosos que se ha obtenido. Para ilustrar el método de Cramer, se debe hacer algunas convenciones sobre la notación. Para comenzar una matriz A de n × n se puede escribir como A = (A1 , . . . , An ) donde Ai es la i-esima columna de la matriz A. Dada una matriz A y un vector b ∈ Rn , se denota por A(j) = (A1 , . . . , Aj−1 , b, Aj+1 , . . . , An , la matriz obtenida remplazando la j-esima columna por el vector b. Ahora bien, la solución del sistema (II.2.1) est´ a dada por xi =

det A(i) , det A

donde x = (x1 , . . . , xn ). Por lo tanto, la resolución del sistema implica el c´ alculo de n+1 determinantes. Si para encontrar el valor de los determinantes se utiliza la siguiente relación X

σ∈Sn

signo(σ)

n Y

aiσ(i) ,

i=1

donde Sn es el grupo de permutaciones de n elementos, se debe efectuar n! sumas. Si se desea resolver un sistema de 69 ecuaciones con el mismo n´ umero de incognitas, suponiendo que cada suma se efectua en 10−9 segundos, se tardar´ıa aproximadamente 6.75 × 1049 a˜ nos en llegar a la solución del

36


problema. Como conclusi´ on se puede decir que existen métodos cuyo valor te´ orico es importante, pero su ejecución numérica es desastrosa, raz´ on por la cual es imprescindible implementar algoritmos cuyo costo no sea muy elevado.

El Algoritmo de Gauss Uno de los algoritmos más utilizados, precisamente por su relativo bajo costo, es el Algoritmo de Eliminaci´ on de Gauss. Considérese el sistema de ecuaciones dado por  a11 x1    a21 x1 ..    . an1 x1

a12 x2 a22 x2

+ +

··· ···

+ an2 x2

+

· · · +ann xn

+ +

+a1n xn +a2n xn

= = .. .

b1 b2

.

= bn

El Algoritmo de Gauss consiste en: i1 , para i = 2, . . . , n. Primer paso Si a11 6= 0, li1 = aa11 Se calcula lineai − li1 ∗ linea1 , para i = 2, . . . , n. Si a11 = 0 se intercambia lineas. Obteniendose el sistema equivalente dado por  a11 x1   

+

  

a12 x2 (1) a22 x2 .. .

+ ··· + + ··· +

a1n xn (1) a2n xn

an2 x2

+ ··· +

ann xn

(1)

(1)

= b1 (1) = b2 . .. . (1)

= bn

(1)

ai2 (1) , para i = 3, . . . , n. a22 Se calcula lineai − li2 ∗ linea2 , para i = 3, . . . , n. Si a22 = 0 se intercambia lineas. (1)

Paso 2 Si a22 6= 0,

li1 =

Se repite el procedimiento hasta obtener un sistema triangular de ecuaciones como el siguiente  r11 x1      

+

··· +

r1,n−1 xn−1 .. . rn−1,n−1 xn−1

+

r1n xn

+ rn−1,n xn rnn xn

= c1 .. . = cn−1 = cn

.


37

De donde se tiene: cn , rnn cn−1 − rn−1,n xn xn−1 = , rn1 ,n−1 .. . c1 − r12 x2 − · · · − r1n xn x1 = . r11 xn =

(II.2.2)

Si se utiliza la notación matricial, se obtiene el siguiente esquema del algoritmo de Gauss, con las matrices aumentadas: (A, b)   ∗ ∗ ∗ ··· ∗ ∗ ∗ ∗ ∗ ··· ∗ → 0   ..     .    ∗ ∗ ∗ ··· ∗ 0 ∗ ∗ ∗ ··· ∗ 0 A(n−1) , b(n−1)   ∗ ∗ ∗ ··· ∗ 0 ∗ ∗ ··· ∗ · · · −→    0 0 ∗ ··· ∗.  . . .   .. .. .. ... 

0 0 ···

0

∗ ∗

A(1) , b(1)

∗ ∗

A(2) , b(2)

  ∗ ∗ ∗ ··· ∗ ··· ∗ ∗ ··· ∗ → 0 ∗ ∗ ···   .. 0 0 ∗ ···  . .  ..  ..  . ∗ ··· ∗ 0 0 ∗ ··· ∗ ··· ∗

 ∗ ∗  ∗   ∗

∗

Teorema II.2.1.- Sea det A 6= 0. El algoritmo de Gauss da la descomposici´ on siguiente: P A = LR, (II.2.3) donde: 

R=

r11 0

··· .. .

 r1n ..  , .

rnn

y P es una matriz de permutación.



1

 l21 L=  ... ln1

0 1 ..

ln2

. ··· 1



 , 

(II.2.4)

Demostraci´ on.- Supóngase, que las permutaciones necesarias han sido efectuadas al principio, es decir se aplica el Algoritmo de Gauss a la matriz

38


P A. Para no complicar la notación se escribe A, en vez de P A. Utilizando el mismo esquema dado más arriba, se obtiene: A −→ A(1) −→ · · · −→ A(n−1) = R,

donde:

A(1)

1  −l21  −l =  .31  ..

A(2)

por lo tanto



0 1 0 .. .

0 0 1 .. .

 ··· 0 ··· 0  0 · · · 0  = L1 A,  ..  .

−ln1 0 · · · 0  1 0 0 ··· 1 0 ··· 0  0 −l 1 0···  32 = .. ..  ... . . 0 −ln2 0 · · ·

1  0 0  0  = L2 A,  

1

R = Ln−1 Ln−2 · · · L2 L1 A. Lo u ńico que falta mostrar, es que L−1 = Ln−1 Ln−2 · · · L2 L1 , y para eso, se tiene: 

Li = I − Vi ,

donde

     Vi =     

0

0 0

..

. 0 li+1,i .. . lni

0 .. .

..

. 0 ··· 0



     .    

Se puede verificar facilmente que Vi Vj = 0 para i = 1, . . . , n, de donde se obtiene finalemente: = I + Vi , L−1 i L = I + V1 + V2 + · · · + Vn−1 .

Muchas veces, es necesario calcular sistemas de la forma: Ax1 = b1 , Ax2 = b2 .

(II.2.5)


39

Se calcula una vez la descomposici´ on LR y se resuelve de la manera siguiente: Ly = b, Rx = y.

(II.2.6)

Teorema II.2.2.- La descomposici´ on LR da el siguiente resultado, det A = ±r11 r22 · · · rnn ,

(II.2.7)

donde los rii son coeficientes de la diagonal de R. Demostraci´ on.- Utilizando identidades en los determinantes se tiene det P det A = det L det R. El costo de la descomposici´ on LR. Para evaluar cuantas operaciones son necesarias para llegar a la descomposici´ on LR de una matriz A ∈ Mn (R), se procede de la manera siguiente:

A −→ A(1)

Cálculo de los li1 : n − 1 divisiones Para cada fila i, es necesario efectuar n − 1 multiplicaciones mas adiciones, lo que hace un total de (n − 1)2 multiplicaciones y adiciones.

Por lo tanto, contando el n´ umero de operaciones en cada étapa del algoritmo, se tiene # operaciones ≈ (n − 1)2 + (n − 2)2 + · · · + 22 + 12 n−1 X i2 = i=1 n

≈ =

Z

x2 dx

0 3

n . 3

(II.2.8)

2 La resolución de LRx = b, implica aproximadamente n2 multiplicaciones más adiciones en la solución de Ly = b. Igual n´ umero de operaciones se tiene para la resolución de Rx = y, lo que hace un total aproximado de n2 operaciones.

40

II Sistemas Lineales La elecci´ on del pivote

Definici´ on II.2.3.- Sea A una matriz, se llama pivote de la matriz A al coeficiente a11 . Para ilustrar la necesidad en elegir un buen pivote, considérese el siguiente ejemplo. La precisi´ on de los c´ alculos tienen tres cifras significativas en base 10. Sea el sistema de ecuaciones dado por −4 10 x1 + x2 = 1 . (II.2.9) x1 + x2 = 2 La solución exacta de este sistema de ecuaciones est´ a dada por: x1 = 1, 000100010001000 · · · ,

x2 = 0, 999899989998999 · · · .

(II.2.10)

Ahora bien, aplicando el algoritmo de Gauss con 10−4 como pivote, se tiene: a21 = 0, 100 · 105 , a11 La segunda linea del sistema se convierte en −0, 100 · 105 x2 = −0, 100 · 105 , de donde x2 = 0, 100 · 101 , l21 =

resolviendo x1 se tiene 0, 100 · 10−3 x1 = 0, 100 · 101 − 0, 100 · 101 , por lo tanto x1 = 0.

(II.2.11)

Ahora, apl´ıquese el algoritmo de Gauss con 1 como pivote, es decir intercambiando la primera ecuación con la segunda, se tiene: a21 = 0, 100 · 10−5 , a11 La segunda linea del sistema se convierte en −0, 100 · 101 x2 = 0, 100 · 101 , de donde x2 = 0, 100 · 101 , resolviendo x1 , se tiene 0, 100 · 101 x1 = 0, 200 · 101 − 0, 100 · 101 , por lo tanto l21 =

x1 = 0.100 · 101 .

(II.2.12)


41

La explicación de este fen´ omeno consiste en que la sustracci´ on es una operaci´ on mal condicionada, cuando las cantidades a restar son muy parecidas; en efecto, considérese el siguiente sistema a11 x1 + a12 x2 = b1 , (II.2.13) a21 x1 + a22 x2 = b2 al aplicar el algoritmo de Gauss se obtiene: (1)

l21 =

a21 a11

a22 = a22 − l21 a12 , (1)

b2 = b2 − l21 b1 , (1)

(1)

a22 x2 = b2 . Si |l21 | ≫ 1 se tiene: (1)

a22 ≈ −l21 a12 , x2 ≈ x1 =

(1)

b2 ≈ −l21 b1 ,

b1 , a12

1 1 (b1 − a12 x2 ) ≈ (b1 − b1 ) . a11 a11

Para solucionar este problema, se realiza una b´ usqueda de pivote parcial, que consiste en: Se escoge el pivote ai1 tal que |ai1 | ≥ |aj1 |

j = 1, . . . , n.

Se procede de la misma manera para cada paso del algoritmo de Gauss. La Estabilidad del Algoritmo de Gauss Sea A una matriz cuyo determinante es diferente de 0. Se desea saber cual es el error cometido por el algoritmo de Gauss para encontrar la descomposici´ on A = LR. No se considera las permutaciones, puesto que no se comete error de redondeo. ˆ y R, ˆ ll´ Si se aplica el algoritmo de Gauss, se obtiene las matrices L amese ˆ R, ˆ Aˆ = L

ˆ la descomposici´ on exacta de A.

Para saber, si el algoritmo es numéricamente estable, se utiliza la noción de baackward analysis dada en cap´ıtulo I. Es decir encontrar una constante que verifique: |ˆ aij − aij | ≤ C · eps. (II.2.14) |aij |

42

II Sistemas Lineales Por consiguiente, es necesario estimar la diferencia A − Aˆ elemento por elemento. Se tiene el siguiente: ˆ R ˆ el resultado numérico de Teorema II.2.4.- Wilkinson. Sea det A 6= 0; L, la descomposici´ on LR con b´ usqueda de pivote |lij | ≤ 1. Entonces 

0 1  1 ˆ ˆ A − LR ≤ 2a eps  1 .  ..

0 1 2 2 3 .. .. . . 1 2 3

(k) donde a = max aij y

··· ··· ··· ···

0 1 2 3

··· n − 1



   ,   

(II.2.15)

i,j,k

A(0) −→ A(1) −→ · · · −→ A(n−1) .

Como resultado de este teorema, el algoritmo de Gauss es numéricamente estable, siempre y cuando n no sea demasiado grande. La experiencia numérica indica que es aconsejable utilizar la descomposici´ on de Gauss para sistemas no mayores a 1000 ecuaciones. Demostraci´ on.- Al efectuar la descomposici´ on LR, considerando los errores de redondeo, se tiene el siguiente esquema: ˆ Aˆ(0) −→ Aˆ(1) −→ · · · −→ Aˆ(n−1) = R Sin considerar los errores de redondeo se tiene L1 A = A(1) , de donde 

1  −ˆl21  ˆ 1 =  −ˆl31 L  .  .. −ˆln1

1 0 1 0

Por otro lado, se tiene

 .. . 1

  ,  

es la matriz L1 con los errores de redondeo.

ˆ −1 · · · L−1 , ˆ=L ˆ −1 L L 2 n−1 1

obteniendo ˆR ˆ =L ˆ −1 L ˆ −1 L ˆ 1 A − Aˆ(1) + L ˆ −1 L ˆ 2 Aˆ(1) − Aˆ(2) A−L 1 2 1 −1 ˆ n−1 Aˆ(n−2) − Aˆ(n−1) . ˆ −1 L + · · · L−1 1 L2 · · · Ln−1


43

Ahora bien, los coeficientes de la matriz obtenida en el primer paso, est´ an dadas por (1) a îj = aij − ˆli1 a1j (1 + ǫ1 ) (1 + ǫ2 ), i ≥ 1,

que da como consecuencia ˆ 1 A − Aˆ(1) L =ˆli1 a1j − a îj ij =ˆli1 a1j − aij − ˆli1 a1j (1 + ǫ1 ) (1 + ǫ2 )

= − aij ǫ2 + ˆli1 a1j ǫ2 + ˆli1 a1j ǫ1 + ˆli1 a1j ǫ1 ǫ2

(1) =−a îj ǫ2 + ˆli1 a1j ǫ1 + ˆli1 a1j ǫ1 ǫ2 ,

obteniendo as´ı: ˆ (k) L1 A − Aˆ(1) ≤ 2a eps donde a = max aij , i ≥ 2. i,j,k

Bajo forma matricial, el resultado anterior est´ a dado por   0 ··· 0 1 ··· 1 ˆ . ..  L1 A − Aˆ(1) ≤ 2a eps   ... . 1 ··· 1

Continuando con el mismo procedimiento en  0 0  ˆ ˆ(1) 0 L2 A − Aˆ(2) ≤ 2a eps  .  ..

la demostración, se obtiene  0 ··· 0 0 ··· 0  1 ··· 1, .. ..  . . 0 1 ··· 1

resultados similares tambien se obtienen para los dem´ as pasos del algoritmo de Gauss con lo que se obtiene le resultado deseado.

El Algoritmo de Cholesky Un caso particular de sistema de ecuaciones lineales, es donde la matriz A es: Definici´ on II.2.5.- Una matriz A ∈ Mn (R) es simétrica y definida positiva, si cumple las siguientes dos condiciones: (II.2.16)

At = A;

(II.2.17)

xt Ax > 0,

∀x ∈ Rn , x 6= 0.

44


Teorema II.2.6.- Sea A simétrica y definida positiva, entonces: a) El algoritmo de Gauss es posible sin b´ usqueda de pivote. b) La descomposici´ on A = LR satisface R = DLt ,

con D = diag(r11 , r22 , · · · , rnn ).

(II.2.17)

Demostraci´ on.- Sea A simétrica y definida positiva, dada por 

 a1n ..  . .

···

a11 ..  A= .

· · · ann

an1

El coeficiente a11 de la matriz A es diferente de 0, porque la matriz A es definida positiva y a11 = et1 Ae1 donde et1 = (1, 0, · · · , 0). Después del primer paso del algoritmo de Gauss, se obtiene:

A(1)



a11  0 =  ...

· · · a1n

a12

C

(1)

0



 , 

li1 =

ai1 , a11

de donde se tiene (1)

cij = aij − li1 a1j = aij −

ai1 a1j . a11

Por lo tanto es suficiente mostrar que C (1) es simétrica y definida positiva. En efecto, expresando la matriz A como

a11 z

zt C

se tiene C (1) = C −

,

1 zz t . a11

Hay que mostrar que y t C (1) y = y t Cy −

2 1 y t z > 0, a1 1

∀y 6= 0.

Por hip´ otesis la matriz A es definida positiva, de donde ( x1

t

y )

a11 z

zt C

x1 y

= a11 x21 + x1 z t y + y t zx1 + y t Cy > 0,


45

para x1 ∈ R y y ∈ Rn−1 los dos no nulos al mismo tiempo. yt z Planteando x1 = − a11 , se tiene 2

2

(y t z) 2 (z t y) − + y t Cy > 0, a11 a11 por consiguiente y t Cy −

2 1 y t z > 0. a11

La descomposici´ on LR es u ńica, si ésta existe, en efecto, si A = L1 R1 = L2 R2 , dos descomposiciones de A. Se tiene −1 L−1 2 L1 = R2 R1 ;

las matrices del tipo L, como aquéllas de tipo R forman subgrupos dentro el grupo de las matrices inversibles, deduciendose que L−1 2 L1 = I, por lo tanto L1 = L2 y R1 = R2 . Para demostrar la parte b) del teorema, se define la matriz L1 , como Lt1 = D−1 R, donde D = diag(r11 , · · · , rnn ), hay verificar que L1 = L. Las siguientes identidades se cumplen: A = LR = LDLt1 , At = L1 DLt , como A es simétrica y por la unicidad de la descomposici´ on LR, se deduce L = L1 . . Definici´ on II.2.7.- Sea D una matriz diagonal a coeficientes no negativos, entonces: p p 1 D 2 = diag d11 , · · · , dnn . (II.2.18) ¯ = LD 21 , se tiene Si se define L

¯L ¯t, A=L que es la descomposici´ on de Cholesky de la matriz A simétrica y definida ¯ Entonces los positiva. Para simplificar notación, se escribe L, en lugar de L.

46


coeficientes de la matriz L de la descomposici´ on de Cholesky de A, est´ an dados por: para k = 1, . . . , n:

lkk =

lik

q 2 − l2 − · · · − l2 akk − lk1 k2 k,k−1 ;

aik − li1 lk1 − · · · − li,k−1 lk,k−1 = , lkk

(II.2.19) i = 1, . . . , k − 1.

El costo en operaciones, despreciando el c´ alculo de las raices cuadradas, para obtener la descomposici´ on de Cholesky, est´ a dado por n X

k=1

k(n − k) ≈

Z

n

0

x(n − x)dx =

n3 . 6

(II.2.20)

La resolución de la ecuación Ax = b, donde A es una matriz simétrica y definida positiva, se puede efectuar en dos pasos utilizando la descomposici´ on de Cholesky: Ly = b, Lt x = y, los cuales necesitan un total aproximado, lo mismo que en el algoritmo de Gauss, n2 operaciones. La estabilidad de la descomposici´ on de Cholesky est´ a dada por el siguiente: ˆ el Teorema II.2.8.- Sea A una matriz simétrica y definida positiva. L resultado numérico de la descomposici´ on de Cholesky, entonces  1 1 1 ··· 1 1 2 2 ··· 2    t ˆ ˆ 1 2 3 ··· 3, A − LL ≤ a eps   . . .   .. .. .. 1 2 3 ··· n 

(II.2.21)

donde a = max |aij |. ij

Demostraci´ on.- Se demuesta de la misma manera que el teorema II.2.4 referente a la estabilidad de la descomposici´ on LR.


47

Ejercicios 1.- Escribir una subrutina DEC(N,NDIM,A,B,IP,IER) que calcule la descomposici´ on LR, tomando en cuenta la b´ usqueda parcial de pivote. Luego escribir una subrutina SOL(N,NDIM,A,B,IP) que permita resolver Ax = b utilizando la descomposicion obtenida por DEC. a) Resolver     9 5 2 −1 3 3 4   28   1 20 . x =   32 0 1 1 30 −11 2 8 −25 4 b) Calcular la inversa de la matriz de Hilbert dada por n 1 H= para n = 2, 3, 4, 5. i + j i,j=1

2.- a) Calcular la descomposici´ on de Cholesky LLt para la matriz de Hilbert n 1 , n = 15. H= i + j i,j=1 b) Comparar el resultado numérico con los valores exactos, √ 2k − 1 · (j − 1)! · (j − 1)! ljk = . (j − k)!(j + k − 1)!

(II.2.22)

¿Cu´ antas cifras son exactas? ˆ es el resultado numérico, calcular el residuo c) Si L ˆL ˆt, A−L calcular también el residuo A − LLt para la matriz L dada por (II.2.22). 3.- Calcular cond∞ (An ) para las matrices: a) de Hilbert b) de Vandermonde (aij ) = cij−1 , i, j = 1 · · · n con ci = ni ,

para n = 1, 2, 3, . . . , 15. Calcular también n1 log10 (cond∞ (An )) y encontrar una fórmula que aproxime cond∞ (An ).

4.- Sea A una matriz-banda, simétrica y definida positiva, p el grosor de la banda. Mostrar que, L de la descomposici´ on de Cholesky es también una matriz-banda. Si n es el orden de la matriz, sabiendo que n ≫ p, ¿Cuantas multiplicaciones son necesarias para calcular L?

II.3 M´ etodos Iterativos

En la sección II.2, se analiz´ o dos métodos para resolver directamente sistemas de ecuaciones lineales. Un método directo de resolución de un sistema de ecuaciones deber´ıa dar el resultado numérico igual a la solución exacta, si no se considerase los errores de redondeo, es decir, si se contase con un dispositivo de c´ alculo con una precisi´ on infinita, desgraciadamente éste no es el caso. Si bien, un método directo da una solución que se aproxima a la exacta, la principal desventaja de utilizarlos, reside en el hecho en que cuando se debe resolver grandes sistemas lineales, la propagación del error de redondeo es muy grande, desvirtuando su valor; adem´ as, en muchos casos no se toma en cuenta muchas de las particularidades que pudiese tener la matriz del sistema lineal, o finalmente no es necesario obtener una solución exacta, si no una aproximación de ésta. Los métodos que ser´ an estudiados en esta sección, son iterativos en el sentido en que se utilizan las soluciones anteriores para obtener la siguiente. Entre los métodos que ser´ an analizados se tiene: Jacobi, Gauss-Seidel, SOR.

M´ etodos de Jacobi y Gauss-Seidel Estos métodos son utilizados para resolver el sistema de ecuaciones, dado por u = Au + b. (II.3.1) El método de Jacobi consiste en la utilizaci´ on de la soluci´ on anterior para calcular la nueva solución, es decir u(k+1) = Au(k) + b.

(II.3.2)

Obviamente las soluciones obtenidas por el método de Jacobi no son exactas, pero son aproximaciones de éstas. Para la formulación del método de Gauss-Seidel, considérese la matriz A como A = L + U, (II.3.3) donde: 

0  a21 L=  ...

an1

0

··· ··· .. .

· · · an,n−1

 0 0 , ..  . 0



a11  0 U =  ... 0

a12 a22

··· ··· .. .

···

0

 a1n a2n  . ..  . 

ann


49

El método de Gauss-Seidel est´ a dado por: u(k+1) = Lu(k+1) + U u(k) + b,

(II.3.4)

cuya formulación equivalente es u(k+1) = (I − L)−1 U u(k) + (I − L)−1 b.

(II.3.5)

Una vez formulados estos métodos, es importante, saber que condiciones tiene que cumplir la matriz A, para que estos sean convergentes. Si se denota por u∗ la solución exacta de (II.3.1), se define e(k) = u(k) − u∗ ,

(IV.3.6)

el error cometido en la k-esima iteración. Por consiguiente, e(k) son los resultados obtenidos en las iteraciones de uno de los métodos definidos más arriba del problema e = Ae, (IV.3.7) de donde el método ser´ a convergente, siempre y cuando lim e(n) = 0.

(IV.3.8)

n→∞

Existe una clase de matrices, para las cuales estos métodos son convergentes. Una de sus caracter´ısticas est´ a dada por la: Definici´ on II.3.1.- Una matriz A es irreducible si para cada (i, j), existe una sucesión l0 = i, l1 , · · · , lm = j tal que alk ,lk+1 6= 0. Gr´ aficamente se puede visualizar mediante la noción de grafo dirigido, en Grimaldi se puede encontrar una explicación bastante detallada sobre las aplicaciones de la teor´ıa de grafos. Considérese el grafo G compuesto del conjunto de vértices V y el conjunto de aristas A, definido por: i) V = {1, 2, . . . , n}, ii) (i, j) ∈ A ⇐⇒ aij 6= 0. Para comprender esta definición, considérese los dos siguientes ejemplos, sean: 

0 1 A= 0 0

1

2 0 0 0

1

2 0 0 1

2

 0 0 1   2 0

1

2

3

4

GA

50




0 1 B= 0 0

1 0 1 0

1

2

3

4



0 1 0 1

0 0  1 0

GB Se puede observar facilmente, que la matriz A no es irreducible, mientras que la matriz B si es irreducible. Con la definición anterior se puede formular el siguiente teorema que da una condici´ on suficiente, para que los métodos de Jacobi, como de GaussSeidel, sean convergentes. Teorema II.3.2.- Sea A una matriz no-negativa (aij ≥ 0), con las siguientes propiedades: n X aij ≤ 1, i = 1, . . . , n; i) j=1

n X

ii) Existe io , tal que

aio j < 1;

j=1

iii) A es irreducible;

entonces los métodos de Jacobi y Gauus-Seidel convergen hacia una solución u ńica, adem´ as existe ρ < 1, tal que

(k)

e

∞

≤ Cρk−1 e(0)

∞

.

Demostraci´ on.- Se mostrar´ a para el método de Jacobi. Se tiene e(k+1) = Ae(k) , (0) sea ǫ = max ei , de donde

(0) (1) X aij ej ≤ ǫ, ei ≤ | {z } j ≤ǫ

con desigualdad estricta para i = io .

(II.3.9)


51

Puesto que la matriz A es irreducible, entonces los coeficientes de An son todos no nulos, en efecto X X (An )ij = ··· aik1 ak1 k2 · · · akn−1 j k1

kn−1

{z } n−1 veces

|

tiene un término no nulo. Adem´ as para l fijo, se tiene X XX alj ajk (A2 )lk = k

k

=

X

j

alj

j

≤

X j

X

ajk

k

!

alj ≤ 1.

Por inducción matemática, se deduce la desigualdad anterior para todas las potencias de A, e incluso XX X alj (An )jk (An+1 )lk = k

k

=

X

j

alj

j

<

X j

X

(An )jk

k

!

alj ≤ 1.

Por otro lado, utilizando la desigualdad (II.1.2), se tiene:

(0)

Ae ≤ kAk∞ e(0) ≤ ǫ, ∞

∞

(k−1)

(k)

≤ ǫ.

e = Ae ∞

∞

Estas desigualdades se vuelven estrictas para No bastante grande, por ejemplo No = n + 1, por lo tanto

(No )

≤ ρ e(0) ,

e ∞

∞

planteando



 N1o

e(No )

∞ , ρ=

(0)

e ∞

52


se tiene que ρ < 1, de donde la convergencia. El mismo procedimiento se sigue para mostrar el método de Gauss-Seidel.

El Teorema de Perron-Frobenius Indudablemente por las consecuencias que implica el teorema de PerronFrobenius, es que vale la pena estudiarlo como un tema aparte. Es un teorema cuya demostración ha llevado mucho esfuerzo de parte de muchos matemáticos. Se enunciar´ a este teorema sin dar una demostración rigurosa, sino los pasos de ésta. Teorema II.3.3.- Sea A una matriz no negativa irreducible, entonces: i) Existe un vector propio u, con ui > 0 respecto a un valor propio r > 0. ii) Todos los otros valores propios λ de A son |λ| < r. Sola i2π excepción posible λ = re n valor propio simple. iii) r depende de manera estrictamente monótona de todos los elementos de A. Demostraci´ on.- Se comenzará por el punto i). Sea u ∈ Rn , tal que ui > 0; entonces v = Au, definiendo ri =

v1 , ui

si los ri son todos iguales, el punto i) est´ a demostrado; sino es posible variar el vector u de manera que [rmin , rmax ] ⊂ [rmin , rmax ], {z } 6= | {z } | nuevo antiguo

obteniendo una sucesión de intervalos estrictamente encajonados, siendo el l´ımite r. No hay otro vector propio con ui > 0. Sea el cono K = {(u1 , . . . , un )|ui ≥ 0} . Como la matriz A es no negativa, se tiene A(K) ⊂ K. No es posible tener: Au = λu, Av = µv,

u ∈ K; v ∈ K;

con λ 6= µ.


53

En efecto, sup´ ongase que λ < µ y sea w = −u + tv, tal que t sea lo más peque˜ no posible, de manera que w ∈ K, entonces Aw = −λu + tµv 6∈ K, por consiguiente, no puede haber más de un valor propio cuyo vector propio esté en el interior del cono. Adem´ as, r es un valor propio simple, ya que si no lo fuera, una peque˜ na perturbación en la matriz A llevar´ıa al caso de los valores propios simples, caso que ha sido ya estudiado más arriba. Por otro lado, no hay vectores propios en el borde del cono K. Efectivamente, sea u ∈ ∂K, vector propio. Por hipótesis, algunos de las componentes de u son nulos, pero al menos una de las componentes es diferente de 0. De donde u + Au + · · · + An u = (1 + λ + · · · + λn )u. Como A es irreducible, existe No ≤ n con o aN ij > 0,

∀i, j;

por lo tanto (An u)j > 0,

∀j;

conduciendo a una contradicción. ii) Sean λ otro valor propio de A, v su vector propio respectivo, sup´ ongase que λ ∈ R, se define w = u + tv, donde u ∈ K vector propio, t sea lo más grande posible de manera que w ∈ K, ver la figura IV.3.1.

w

Κ

v u

Figura IV.3.1. Demostración, Teorema Perron-Frobenius.

54


Si |λ| > r, Aw sale de K, lo que es imposible. Para λ complejo se tiene Av = (α + iβ)v, donde λ = α + iβ, v = v1 + iv2 siendo los vj a coeficientes reales. Por lo tanto: Av1 = αv1 − βv2 , Av2 = βv1 + αv2 , el mismo análisis que para el caso real, da el mismo resultado. iii) La monoton´ıa de r se muestra, después de hacer un análisis sobre el polinomio caracter´ıstico. Las consecuencias del teorema de Perron-Frobenius son muchas, entre las cuales, la de mayor utilidad para el tema expuesto, reside sobre el teorema II.3.2. En efecto, como la matriz A es no negativa e irreducible existe una valor propio r > 0 más grande en modulo que los otros. Si la suma de las lineas de la matriz A fuese igual a 1 se tendr´ıa que r = 1, pero existe una fila cuya suma es inferior a 1, de donde por el punto iii) del teorema de Perron-Frobenius, se tiene r < 1. Por consiguiente, todos los valores propios en valor absoluto son inferiores a 1, dando la consiguiente convergencia de los métodos de Jacobi y Gauss-Seidel. Continuando el estudio de los métodos de Jacobi y Gauss-Seidel se tiene otro resultado importante como el: Teorema II.3.4.- Sea λ el valor propio de A mas grande en módulo y µ el valor propio más grande en módulo de −1

(I − L)

U.

(II.3.10)

Si λ < 1, entonces µ < λ, para toda matriz A irreducible no negativa. Demostraci´ on.- Se tiene −1

(I − L)

= I + L + L2 + · · · + Lm ,

de donde (I − L)−1 U es una matriz no negativa. Supóngase que x es vector propio respecto a µ, por consiguiente (I − L)−1 U x = µx, U x = µx − Lµx, (µL + U ) = µx,

por el teorema de Perron-Frobenius, µ ≥ 0; si µ = 0 no hay nada que demostrar, si no U L+ x = x. µ


55

Utilizando nuevamente el teorema de Perron-Frobenius, es necesario que an mas µ < 1, por que de lo contrario algunos coeficientes de L + U µ ser´ peque˜ nos que de L + U y por lo tanto 1 < λ Nuevamente por el teorema de Perron-Frobenius, se tiene que el valor propio maximal de µL + U es estrictamente menor al valor propio maximal de L + U . Como consecuencia de este teorema se tiene que el método de GaussSeidel converge más rápidamente a la solución que el método de Jacobi, si la matriz A es no negativa, irreducible y con valor propio maximal más peque˜ no que 1. Una propiedad muy importante de algunas matrices, est´ a dada por la: Definici´ on II.3.5.- Una matriz A = L + U , como en (II.3.3), posee la property A de Young, si los valores propios de la matriz definida por αL +

1 U= α

1

αU

αL

(II.3.11)

son independientes de α. Ejemplos 1.- La matriz A definida por A=

0 C

B 0

,

donde B y C son matrices cuadradas del mismo orden. A posee la x property A. En efecto, si es un vector propio de A se tiene: y x x , =λ y y C 1 x x αB =λ . αC αy αy

B

2.- La matriz tridiagonal con coeficientes diagonales nulos, dada por 

0 a b 0   d

c 0 .. .

e

 ..

.

  

56

II Sistemas Lineales posee la property A. Pues, se tiene:      x x 0 a y y  b 0 c   = λ ,  z z   d 0 e .. .. .. .. . . . .      1 0 αa x x 1  αb 0   αy   αy  αc 1    = λ    α2 z  αd 0 e  α2 z  .  α   . . .. .. .. .. . .

Teorema II.3.6.- Sea A una matriz no negativa, irreducible, con valor propio maximal λ < 1 y con la property A, entonces µ = λ2 ,

(II.3.12)

donde µ es le valor propio más grande de la matriz inducida por el método de Gauss-Seidel. Demostraci´ on.- Sea x el vector propio respecto a µ, de donde (µL + U )x = µx, √ dividiendo esta expresi´ on por µ y aplicando la property A, se tiene 1 √ √ µL + √ U x = µx, µ √ de donde µ es el valor propio maximal de A.

Si la matriz A es irreducible, no negativa, con valor propio maximal menor a 1 y adem´ as con la property A, se tiene: — Método de Gauss-Seidel converge 2 veces más rapido que el de Jacobi. — Método de Gauss-Seidel ocupa la mitad de sitio de memoria. — Método de Gauss-Seidel ocupa la mitad de plaza de c´ alculo. — Pero Jacobi puede ser paralelizado, en cambio Gauss-Seidel no.

M´ etodo de Sobrerelajaci´ on SOR Las siglas SOR significan en inglés Successive over relaxations. Es una modificaci´ on del método de Gauss-Seidel. Consiste en utilizar un factor de sobrerelajaci´ on ω. Primero se efectua una iteración de Gauss-Seidel para luego corregir con ω, en s´ıntesis el método SOR est´ a dado por: 1

u(k+ 2 ) = Lu(k+1) + U u(k) + b, 1 u(k+1) = u(k) + ω u(k+ 2 ) − u(k) , ω > 1.

(II.3.13)


57

Haciendo el c´ alculo de u, componente por componente, se tiene: X X (k+1) (k) + aij uj aij uj + bi , uauxi = j
(k+1) ui

=

j≥i

(k) ui

(k) . + ω uauxi − ui

(II.3.14)

Para ver la velocidad de convergencia de este método, es necesario hacer un estudio sobre la convergencia. Una iteración de SOR puede ser escrita como u(k+1) = u(k) + ωLu(k+1) + (ωU − ωI) u(k) + ωb, es decir

u(k+1) = ωLu(k+1) + (ωU + (1 − ω)I) u(k) + ωb,

h i por lo tanto u(k+1) = (I − ωL)−1 (ωU + (1 − ω)I) u(k) + ωb . (k+1)

Sea µ un valor propio de u vector propio asociado, entonces:

= (I − ωL)

−1

(II.3.15)

(ωU + (1 − ω)I) y x el

(I − ωL)−1 (ωU + (1 − ω)I) x = µx, (ωU + (1 − ω)I) x = µ (I − ωL) x, ωU x + (1 − ω)x = µx − µωLx, ωU x = (µ − 1 + ω)x − µωLx, µ−1+ω (µL + U ) x = x, ω √ dividiendo por µ se obtiene 1 µ−1+ω √ µL + √ U x = x, √ µ ω µ de donde, se ha mostrado el siguiente: Teorema II.3.7.- Sea A una matriz irreducible, no negativa y con la property A. Si µ es un valor propio de la matriz obtenida por SOR, entonces λ=

µ−1+ω √ ω µ

(II.3.16)

es valor propio de la matriz A. El problema ahora, es determinar ω, de manera que los valores propios µ sean lo más peque˜ nos posibles. Se tiene: √ µ − 1 + ω = λω µ, (II.3.17) 2 (µ + (ω − 1)) = λ2 ω 2 µ,

58


dando la ecuación de segundo grado µ2 + 2(ω − 1) − λ2 ω 2 µ + (ω − 1)2 = 0.

(II.3.18)

Si µ1 , µ2 , las dos raices de esta ecuación, son complejas; entonces ambas son conjugadas, de donde |µ| = |ω − 1| .

Por lo tanto, condici´ on necesaria para la convergencia es −1 < ω < 2.

(II.3.19)

Si µ1 , µ2 son raices reales de (II.3.18), se tiene que uno de los raices es más grande que la otra, a menos que µ1 = µ2 . Esto sucede cuando la parábola √ λω µ corta tangencialmente con la recta µ − 1 + ω. Ver figura II.3.2, por consiguiente, el discriminante de la ecuación (II.3.18) es nulo, es decir: 2 2(ω − 1) − λ2 ω 2 = 4(ω − 1)2 , λ2 ω 2 = 4(ω − 1),

λ2 ω 2 − 4ω + 4 = 0. De donde, se ha demostrado el:

Teorema II.3.8.- El ω optimal est´ a dado por w=

2 p , 1 + 1 − λ2

(II.3.20)

y el radio espectral de la matriz SOR correspondiente es √ 1 − 1 − λ2 p . µmax = w − 1 = 1 + 1 − λ2 λ1

λ2

λ3

µ2

µ1 µ

µ

raices conjugadas.

Figura IV.3.2 Determinaci´ on de w optimal.

(II.3.21)


59

Estudio de un problema modelo Una de las aplicaciones más importantes de la utilizaci´ on de métodos iterativos para resolver sistemas lineales, consiste en la resolución numérica de ecuaciones con derivadas parciales de tipo el´ıptico. Considérese el siguiente problema tipo: −△u = f, sobre Ω = [0, 1] × [0, 1]; (II.3.22) f |∂Ω = 0. Utilizando el método de diferencias finitas, se discretiza la ecuación de derivadas parciales con un esquema de diferencias centradas. El cuadrado Ω es dividido en una malla uniforme de tama˜ no h=

1 , n+1

(II.3.23)

se plantea: xi = ih, yj = jh,

i = 0, . . . , n + 1; j = 0, . . . , n + 1;

(II.3.24)

denotando uij = u(xi , yj ),

fij = f (xi , yj ).

(II.3.25)

Discretizando la ecuación para esta malla, se obtiene las siguientes ecuaciones: ui,j+1 + ui,j−1 + ui+1,j + ui−1,j − 4ui,j = fij , − h2 u0j = 0, un+1,j = 0, ui0 = 0,

j = 0, . . . , n + 1; j = 0, . . . , n + 1; i = 0, . . . , n + 1;

ui,n+1 = 0,

i = 0, . . . , n + 1.

(

i = 1, . . . , n, j = 1, . . . , n;

Cambiando la forma de las ecuaciones, se tiene 1 uij = ui,j+1 + ui,j−1 + ui+1,j + ui−1,j + h2 fij , 4

(

i = 1, . . . , n, j = 1, . . . , n;

que en notación matricial, tiene la forma 1 u = Au + h2 f, 4

(II.3.26)

60


donde: u = (u11 , . . . , u1n , u21 , . . . , u2n , . . . , un1 , . . . , unn )t , f = (f11 , . . . , f1n , f21 , . . . , f2n , . . . , fn1 , . . . , fnn )t ,   B I  I B I  1 .. .. .. , A=  . . .   4 I B I I B     0 1 1 . .   .. . I= B =  1 .. ..  , . .. 1 . 0 Definici´ on II.3.9.- El producto tensorial de dos matrices P de orden n × m y Q de orden l × k se define como la matriz   p11 Q · · · p1m Q  ..  , P ⊗ Q =  ... (II.3.27) .  pn1 Q · · · pnm Q

de orden nl × mk.

Por lo tanto, la matriz A del problema se escribe como A=

1 (B ⊗ I + I ⊗ B) . 4

Para hacer estimaciones del costo de operaciones, al encontrar la solución con un error fijado de antemano, es necesario determinar la condici´ on de la matriz A, como as´ı mismo el radio espectral de A para determinar la velocidad de convergencia de los métodos de Jacobi, Gauss-Seidel y SOR. Para tal efecto, se tiene la: Proposici´ on II.3.10.- El producto tensorial de matrices verifica la siguiente propiedad (B ⊗ C) (D ⊗ E) = BD ⊗ CE. (II.3.28) Demostraci´ on.- Se deja como ejercicio

Sean, yk y νk el vector y el escalar respectivamente, definidos por: n kiπ yk = sin( ) , n + 1 i=1 (II.3.29) kπ ), νk = 2 cos( n+1


61

puede verificarse como ejercicio que yk es un vector propio de B asociado al valor propio νk . Se tiene, utilizando (II.3.28) 1 A(yk ⊗ yl ) = ((B ⊗ I)(yk ⊗ yl ) + (I ⊗ B)(yk ⊗ yl )) 4 1 = (νk + νl )(yk ⊗ yl ), 4 de donde se ha demostrado el: Teorema II.3.11.- Los valores propios de A est´ an dados por: 1 1 (νk + νl ) = 4 2

kπ lπ cos( ) + cos( ) . n+1 n+1

(II.3.30)

La matriz B es tridiagonal con los coeficientes de la diagonal nulos, por consiguiente tiene la property A, verificar el segundo ejemplo sobre esta propiedad. Como la matriz A es igual a la suma de dos productos tensoriales entre B y I, ésta también verifica la property A. Conociendo los valores propios de A, se est´ a en la posibilidad de aplicar los teoremas relativos a la convergencia de los métodos de Jacobi, Gauss-Seidel y SOR. Utilizando el anterior teorema, se tiene que el valor propio maximal de A es igual a π ). (II.3.31) λmax = cos( n+1 Recordando el método de Jacobi se tiene: u(k+1) = Au(k) + f, U ∗ = AU ∗ + f, e(k) = u∗ − u(k) ,

e(k+1) = Ae(k) ,

donde u∗ es la solución exacta del problema lineal, e(k) el error en k-esima iteración. Existe una base de vectores propios de la matriz A, para la cual el primer vector est´ a asociado a λmax , de donde se tiene (k+1)

ei (k)

donde ei

(k)

= λi ei ,

i = 1, . . . , n2 ;

es la i-esima componente respecto a la base. Por consiguiente (N )

e1

(0)

= λN i ei ,

62


obteniendose as´ı el n´ umero de iteraciones necesarias para conseguir una precisi´ on relativa de 10−m . Por las siguientes relaciones: λn1 ≤ 10−m , N ln λmax ≤ −m ln 10, π2 N ln 1 − 2 ≤ −m ln 10, 2(n + 1) π2 −N ≤ −m · 2.3, 2(n + 1)2 por lo tanto

1 2m · 2.3 (n + 1)2 ≈ mn2 . (II.3.32) 2 2 π Ahora bien, una iteración equivale más o menos 4n2 operaciones, de donde el trabajo necesario es 2mn4 operaciones. Considerando, que el método de Gauss-Seidel se realiza en la mitad de operaciones respecto al de Jacobi, y por el teorema II.3.6, el n´ umero de iteraciones para llegar a una precisi´ on relativa de 10−m es la mitad de Jacobi. Las siguiente tabla indica el n´ umero de operaciones, tiempo para diferentes precisiones requeridas. N=

Tabla II.3.1. Valores para el método de Jacobi. n

Precisión

# operaciones

Tiempo de Cálculo

10

10−2

105

0.1sec

100

10−4

109

103 sec ≈ 20min

1000

10−6

1013

107 sec ≈ 7, 7a˜ nos

Para el método de Gauss-Seidel los valores, se obtienen de la tabla II.3.1, dividiendo por 4 los valores para n´ umero de operaciones y tiempo de c´ alculo. En este tipo de problema es donde se ve la verdadera potencia del método SOR, respecto a los métodos de Jacobi y Gauss-Seidel. Para estimar el tiempo de c´ alculo, como el n´ umero de operaciones es necesario estimar ω optimal, como también µmax del teorema II.3.8. Utilizando desarrollos de Taylor para la raiz cuadrada, como para el cociente, se obtiene: 2π umax ≈ 1 − , n+1 (II.3.33) π . ωop ≈ 2 1 − n+1


63

Por lo tanto, el n´ umero de iteraciones para obtener una precisi´ on relativa de 10−m es approximadamente igual a N ≈ 0.4mn.

(II.3.34)

Para una precisi´ on de 10−6 se tiene la siguiente tabla: Tabla II.3.2. Valores para el método SOR. n

# Operaciones

Tiempo de Cálculo

ωop

10

104

10−2 sec

1, 42

100

107

10sec

1, 93

1000

1010

104 sec ≈ 3horas

1, 9937

Para el problema con ( f=

1, sobre [1/4, 3/4] × [1/4, 3/4] ;

−1, sino;

(II.3.34)

se obtiene utilizando SOR, los valores de u graficados en figura II.3.3.

Figura II.3.3. Gráfica de la solución del problema (II.3.34).

64


Ejercicios 1.- Para resolver iterativamente el problema Ax = b, se considera la iteración M x(k+1) = N xk + b, con A = M − N. Determinar M y N para los métodos de Jacobi y Gauss-Seidel. Programar los dos métodos y aplicarlos al problema 

4  −1  0 −1

   −1 0 −1 3 4 −1 0   −3  x =  , −1 4 −1 7 0 −1 4 1

la solución exacta es x∗ = ( 1 0 2 1 ). Estudiar la velocidad de convergencia

(k+1)

x − x∗

(k)

x − x∗ para los dos métodos.

2.- (Estudio de la demostración del Teorema de Perron-Frobenius). Sea  0 1/2   1/2 0 1/2 A= . 1/2 0 1/2 1 0 

Para un vector positivo u dado, se calcula v = Au y se define ri = vi /ui . Para el vector u = (1, 1, 1, 1)t se obtiene de esta manera r1 = 1/2, r2 = r3 = r4 = 1. Modificar este vector con peque˜ nas perturbaciones, para llegar a 1 < ri < 1 para todo i. 2 3.- (Un teorema de la teor´ıa de grafos). Se da un grafo conexo de n nudos y se define una matriz A por aij =

1 si i 6= j y el nudo i est´ a ligado al nudo j, 0 si i = j o el nudo i no est´ a ligado al nudo j,


65

Ejemplo: 1 2

6

3 4





1

1 1  1 1  ⇐⇒ A =  1   1

5

1

  1  1 

Demostrar: Sea r el valor propio maximal de A, entonces se tiene siempre √ r > 3, excepto en los casos: r=1, √ r= 2, √ r=(1 √ + 5/2), r= 3, 4.- Demostrar que la matriz bloque  verifica la property A.

0 A = C

para para para para

B 0 E

un un un dos

grafo; grafo; grafo; grafos.



D 0

5.- (Producto de Kronecker). Sea B = (bij ) una matriz de n × n y C = (cij ) una matriz m × m. Se define A = B ⊗ C, una matriz nm × nm, por   b11 C · · · b1n C . ..  . A = B ⊗ C =  .. . bn1 C · · · bnn C a) Mostrar: si x es un vector propio de dimensión n e y es un vector de dimensión m, entonces (Bx) ⊗ (Cy) = (B ⊗ C)(x ⊗ y) donde x ⊗ y est´ a definido similarmente. b) Deducir que: si x es vector propio de B, con valor propio µ; y es vector propio de C, con valor propio ν; entonces x ⊗ y es vector propio de B ⊗ C, con valor propio µ · ν.

II.4 M´ etodos Minimizantes

Otra clase de métodos com´ unmente utilizados en la resolución de grandes sistemas lineales, son los métodos de tipo gradiente que consisten en la resoluci´ on un problema de minimización equivalente. Esta clase de métodos se aplica a la resolución de Ax = b, (II.4.1) donde A es una matriz simétrica definida positiva. La equivalencia con el problema de minimización, est´ a dada por la siguiente: Proposici´ on II.4.1.- Si A es simétrica y definida positiva, los dos problemas siguientes son equivalentes: f (x) =

1 t x Ax − xt b + c → min, 2

Ax = b.

(II.4.2) (II.4.2)

Demostraci´ on.- El primer problema puede ser escrito como X 1X xj bj + c → min . xi aij xj − 2 i,j j

(II.4.4)

El procedimiento para encontrar el m´ınimo, consiste en derivar f , de donde ∂f 1X 1X akj xj + xi aik − bk = 0. = ∂xk 2 j 2 i Puesto que A es simétrica, se tiene X j

akj xj − bk = 0.

Si x es solución de (II.4.2), se tiene que x es solución del problema (II.4.3). Ahora bien, si x es solución de (II.4.3), es un punto cr´ıtico de la función f , pero como A es definida positiva, se tiene que f posee x como un m´ınimo.


67

M´ etodo del Gradiente El gradiente de f , utilizando la demostración de la anterior proposici´ on, est´ a dado por ∇f (x) = Ax − b. (II.4.5) Sea xo un punto de partida, se tiene: 1 f (x) = f (xo ) + h∇f (xo ), x − xo i + (x − xo )t A(x − xo ), 2 1 = f (xo ) + kx − x0 k k∇f (xo )k cos θ + (x − xo )t A(x − xo ), 2 donde θ es el ángulo entre ∇f (xo ) y x − x0 . Como se busca que f (x) sea m´ınimo, ∇f (xo ) y x − xo deben tener la misma dirección y el mismo sentido. Supóngase que se ha encontrado este x, que se lo denota por x1 , se puede plantear para k ≥ 0, obteniendo as´ı, el método del gradiente xk+1 = xk − τk g k ,

(II.4.6)

donde g k = ∇f (xk ). El problema, por consiguiente, es determinar τk teniendo en cuenta las observaciones anteriores, se define la función G(τ ) por 1 (II.4.7) G(τ ) = (xk − τ g k )t A(xk − τ g k ) − (xk − τ g k )tb, 2 de donde, el m´ınimo de G est´ a en τk , dado por t

τk =

gk gk t

g k Ag k

.

(II.4.8)

Una ilustraci´ on de las iteraciones del método del gradiente est´ a dada en la figura II.4.1.

x1

x 3ó x

2

x

o

Figura II.4.1 Ilustración método del gradiente.

68


Planteando hk = Ag k , se tiene la versión algor´ıtmica del método del gradiente: 1 x := xo ; 2 g := Ax − b; 3 Si |g| ≤ T OL, entonces FIN; 4 h := Ag; hg, gi 5 τ := ; hg, hi 6 x := x − τ g; 7 retornar al paso 2. La velocidad de convergencia del método del gradiente, est´ a dada por el teorema siguiente, que ser´ a enunciado sin demostración. Teorema II.4.2.- Sean, A simétrica y definida positiva, λmax el valor propio más grande, λmin el valor propio más peque˜ no de A, por lo tanto κ= entonces

λmax = cond2 A; λmin

k

x − x∗ ≤

donde x∗ es la solución exacta.

κ−1 κ+1

k

0

x − x∗ ,

(II.4.9)

Adem´ as, se tiene el: Teorema II.4.3.- Existe, x0 tal que

k

x − x∗ =

κ−1 κ+1

k

0

x − x∗ .

(II.4.10)

Demostraci´ on.- En un referencial con un origen adecuado y una base de vectores propios de A, el problema (II.4.2) puede formularse como 1 t¯ x ˆ Aˆ x − c → min, 2 es decir

¯x = 0, Aˆ

(II.4.11)

donde A¯ = diag(λmin , . . . , λmax ). Dividiendo (II.4.11) por λmax , se obtiene el sistema equivalente 

ˆx =  Aˆ

1

..

. κ



x ˆ = 0.

(II.4.12)


69

ˆ Planteando Por lo tanto, se puede suponer que A tiene la forma de A. x0i = 0,

para i = 2, . . . , n − 1;

el problema se reduce a resolver 1 0 x 0 = . 0 κ y 0

(II.4.13)

El siguiente paso, es encontrar (x0 , y 0 )t , que al aplicar el método del gradiente, se tenga 1 x qx0 = . y1 −qy 0

Ahora bien, una iteración del método del gradiente da: 0 x 0 , g = κy 0 0 1 0 (1 − τ )x0 x x x = −τ , = (1 − κτ )y 0 ) κy 0 y0 y1 de donde:

despejando q, se obtiene

q = 1 − τ, −q = 1 − κτ ;

κ−1 . κ+1 Puesto que la oscilaci´ on encontrada no depende del punto inicial, las iteraciones siguientes presentarán el mismo fen´ omeno. Con lo que se ha mostrado el teorema. q=

M´ etodo del Gradiente Conjugado La u ´ltima demostración muestra que en determinadas ocasiones el método del gradiente conduce a una oscilaci´ on en torno a la soluci´ on, haciendo que la convergencia no sea tan rápida como se espera, pudiendo mejorar esta situación, tomando aparte de la dirección del gradiente otra dirección alternativa. El método del gradiente conjugado consiste en tomar también la dirección conjugada al gradiente. Para poder enunciar tal método es necesario dar los elementos te´ oricos para su comprensi´ on. Proposici´ on II.4.4.- Sea f (x) = 21 xt Ax − xt b, donde A es una matriz simétrica y definida positiva. Sea d una dirección, entonces los m´ınimos de f (x) sobre las rectas paralelas a d se encuentran en el hiperplano dt (Ax − b) = 0.

(II.4.14)

70


Demostraci´ on.- Si x pertenece a una recta de dirección d, es de la forma donde λ ∈ R.

x = a + λd,

Se define la función g, como g(t) = f (a + td), por lo tanto esta función tiene un m´ınimo en t0 , si g ′ (to ) = dt f ′ (a + to d) = 0, es decir, si se cumple dt (A(a + to d) − b) = 0.

Definici´ on II.4.5.- Dos direcciones d1 y d2 son conjugadas respecto a A si t

d1 Ad2 = 0.

(II.4.15)

Con lo enunciado anteriormente, se puede formular el método del gradiente conjugado. Sea x0 un punto de partida, el gradiente inicial est´ a dado por g 0 = Ax0 − b, se define d0 = −g 0 .

Supóngase, que se ha efectuado k iteraciones, es decir, se conoce dk , g k y xk ; entonces se define:

k k d ,g , τk = − k d , Adk xk+1 = xk + τk dk , g

k+1 k+1

d

= Ax = −g

k+1

k+1

(II.4.16)

k

k

− b = g + τk Ad ,

+ βk dk .

Para determinar βk , se impone la condici´ on que dk+1 y dk sean conjugados, por consiguiente t t g k+1 Adk = βk dk Adk , de donde

g k+1 , Adk . β= k d , Adk

(II.4.17)


71

La versión algor´ıtmica est´ a dada por: 1 2 3 4 5 6 7 8 9 10 11

x := punto de partida; g := Ax − b; d := −g; h := Ad; hd, gi τ := ; hd, hi x := x + τ d; g := g + τ h; si |g| ≤ 10−6 , entonces fin algoritmo; hg, hi β; = ; hd, hi d := −g + βd; Retornar al paso 4.

Teorema II.4.6.- Con el algoritmo del Gradiente Conjugado se tiene:

k d , Adl = 0, l < k; (II.4.18)

k l l < k. g , g = 0, Demostraci´ on.- Por inducci´ on sobre k.

Para k = 1 se tiene d0 , Ad1 = 0 por construcción del método,

1 0 0 0

g , g = g , g − τ0 Ag 0 , g 0 = 0.

Supóngase cierto para k, por la construcción de g k+1 , se tiene g k+1 , dk = 0, entonces:

k+1 k k+1 k g ,g = g , d +βk−1 g k+1 , dk−1 | {z } 0

= βk−1 g k , dk−1 +τk βk−1 Adk , dk−1 ; | {z } | {z } 0 0 hip. ind

k+1 l k l

g , g = g , g +τk Adk , dl | {z } 0

= 0;

k+1

d , Adl = c1 g k+1 , Adl + c2 dk , Adl | {z } 0 hip. ind

= c1 g k+1 , g l = 0.

72


En el ejercicio 4, se tiene otras fórmulas para τk , βk

Definici´ on II.4.7.- Se define la norma natural del problema por √ kxkA = xt Ax. (II.4.19) Teorema II.4.8.- El error del método del Gradiente Conjugado, después de l iteraciones satisface

∗

x − xl ≤ M x∗ − x0 , (II.4.20) A A donde

M = inf

µi ∈R

λ

sup v.p.

A

! 2 l 1 + µ1 λ + µ2 λ + · · · + µl λ .

(II.4.21)

Corolario II.4.9.- Si A tiene solamente l valores propios diferentes, entonces el método del Gradiente Conjugado da la solución exacta después de l iteraciones. Demostraci´ on del teorema.- Se puede suponer por traslaci´ on, que b = 0, de donde la solución exacta es x∗ = 0, por lo tanto el error cometidos es el = xl . Se tiene d0 = −g 0 , definiendo E1 por: E1 = x = x0 + τ1 d0 = x = x0 + γ1 Ax0 = x = (I + γ1 A)x0 . x1 es el punto de E1 que minimiza f (x) = 21 xt Ax. E2 = x|x = x0 + τ1 d0 + τ2 d1 = x|x = (I + γ1 A + γ2 A2 )x0 .

x2 minimiza f (x) en E2 . Continuando se llega a El = x|x = (I + γ1 A + · · · + γl Al )x0 ,

xl minimiza f (x) en El . Sean v1 , . . . , vn vectores propios normalizados de A, por lo tanto forman una base. Por consiguiente: x0 =

n X

αi vi ,

i=1

t

x0 Ax0 =

X

αi vit Avj αj

i,j

=

X i

αi2 λi

= x0 A .


73

Por otro lado, se tiene xk = (I + γ1 A + · · · + γl Al ) =

n X i=1

xl Axl =

n X i=1

de donde

n X

αi vi

i=1

αi (1 + γ1 λi + · · · + γl λli )vi , αi2 λi (1 + γ1 λi + · · · + γl λli ),

l 2

x ≤ max 1 + γ1 λi + · · · + γl λli 2 x0 2 . A A λ1 ,...,λn

Polinomios de Chebichef Supóngase, que se conoce los valores propios de la matriz A simétrica y definida positiva, es decir: 0 < λmin ≤ λi ≤ λmax .

El polinomio que minimiza el polinomio del teorema II.4.8 tiene la propiedad siguiente: — es igual a ǫ en λmin , — admite los valores −ǫ, +ǫ como valores maximos en el intérvalo [λmin , λmax ] exactamente l + 1 veces, — es igual a ±ǫ en λmax . La raz´ on puede apreciarse en la figura II.4.2, para el caso l = 2. 1

ε λ min

λ max

−ε

Figura II.4.2 Polinomio minimizante para l = 2.

74


Definici´ on II.4.10.- El n-simo polinomio de Chebichef, es el polinomio de grado n, Tn (x) tal que: Tn (1) = 1, Tn (−1) = (−1)n , Todos los m´ınimos y máximos relativos son ±1 y pertenecen a (−, 1, 1). Teorema II.4.11.- Chebichef. Tn (x) est´ a dado por Tn (x) =

n n p p 1 x + x 2 − 1 + x − x2 − 1 . 2

(II.4.22)

Demostraci´ on.- Este teorema ser´ a abordado en el Cap´ıtulo IV, motivo por el cual la demostración no es necesaria por el momento. Lo u ńico que puede decirse, es que la definición moderna de los polinomios de Chebichef est´ a dada por Tn (x) = cos nθ,

donde x = cos θ.

(II.4.23)

Teorema II.4.12.- La constante M del teorema II.4.8, est´ a dada por M= Tl

1 λmax +λmin λmax −λmin

.

(II.4.24)

Demostraci´ on.- Se utiliza la transformación af´ın dada por x = αλ + β, donde:

2 , λmax − λmin λmax + λmin β=− . λmax − λmin

α=

por consiguiente tomando 1/M = Tl (β) se tiene el resultado deseado.

Teorema II.4.13.- Para el método del Gradiente Conjugado, se tiene la estimación l √

l

x − x∗ ≤ 2 √κ − 1 x0 − x∗ , (II.4.25) A A κ+1 donde κ = cond2 (A), x∗ la solución exacta.


75

Demostraci´ on.- Para x ≥ 1, se tiene |Tl (x)| ≥ de donde M≤

particularmente para

l p 1 x + x2 − 1 , 2

2 l , p x + x2 − 1

x=

para x ≥ 1;

(II.4.26)

λmax + λmin κ+1 = , λmax − λmin κ−1

remplazando en (II.4.26), se obtiene (II.4.25).

Con los resultados obtenidos respecto a los errores de convergencia, tanto para el método del gradiente, como para el método del gradiente conjugado, se puede estimar el n´ umero de iteraciones necesarias para conseguir una precisi´ on relativa de 10−b . Para el método del gradiente por (II.4.6), se tiene: κ−1 , 10−b ≈ κ+1 −2.3b ≈ l ln(1 − 1/κ) − l ln(1 + 1/κ), −2.3b ≈ −2l/κ, l ≈ bκ. (II.4.27) Con el mismo procedimiento que para el método del gradiente, el método del gradiente conjugado necesita aproximadamente l iteraciones, de donde √ l ≈ b κ.

(II.4.28)

M´ etodo del Gradiente Conjugado Precondicionado El corolario II.4.9 indica claramente, que el método del Gradiente Conjugado converge a la solución exacta despues de l iteraciones, siendo l el n´ umero de valores propios diferentes de la matriz A. Se puede mejorar la velocidad de convergencia, haciendo un cambio de variables en el problema original f (x) =

1 t x Ax − xt b. 2

Se define x ˆ como x ˆ = E t x,

76


donde E es una matriz inversible con ciertas condiciones a cumplir que ser´ an dadas más adelante. Para no recargar la notación, se denota Et

−1

= E −t .

Por consiguiente, el problema se convierte en f (ˆ x) =

1 t −1 x ˆ E AE −t x ˆ−x Ê −1 b. 2

(II.4.29)

El problema es encontrar E, de manera EE t ≈ µA, µ > 0 con el menor gasto de operaciones posibles. Si EE t = µA, aplicando el método del gradiente conjugado a (II.4.29) se tiene la solución exacta después de una sola iteración, en este caso, la matriz E es la descomposici´ on de Cholesky de µA. Ahora bien, realizar la descomposici´ on de Cholesky significa que se puede calcular directamente la solución, lo que implica un gran n´ umero de operaciones a ejecutar. La determinaci´ on de E se la realiza utilizando dos métodos que ser´ an analizados más adelante. El algoritmo del gradiente conjugado para el problema condicionado est´ a dado por: 1 2 3 4 5 6 7 8 9 10 11

x ˆ := punto de partida; gˆ := E −1 AE −t x ˆ − E −1 b; ˆ d := −ˆ g; ˆ ˆ := E −1 AE −t d; h D E ˆ gˆ d, E; τˆ := D ˆh ˆ d, ˆ x ˆ := x ˆ + τˆd; ˆ gˆ := gˆ + τˆh; −6 si |ˆ g| D ≤ 10E , entonces fin algoritmo; ˆ gˆ, h ˆ =D E; β; ˆh ˆ d, ˆ dˆ := −ˆ g + βˆd; Retornar al paso 4.

La implementación del método del gradiente conjugado al problema condicionado (II.4.29), tiene dos incovenientes: El primero que se debe conocer explicitamente la matriz E y el segundo que se efectuan muchas operaciones con la matriz E. Planteando C = EE t , se puede formular el algoritmo, comparando con el método del gradiente conjugado para el problema condicionado y utilizando las identidades para τk y βk dadas en el ejercicio 4, uno se


77

dar´ a cuenta de las sutilezas empleadas. Por consiguiente, la formulación algor´ıtmica est´ a dada por: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

x := punto de partida; g := Ax − b; χ := C −1 g; δo := hg, χi; d := −χ; h := Ad; τ := δ0 /hd, hi; x := x + τ d; g := g + τ h; si |g| ≤ 10−6 , entonces fin algoritmo; χ := C −1 g; δ1 := hg, χi; β; = δ1 /δ0 ; d := −χ + βd; δ0 := hd, gi; Retornar al paso 6.

Esta formulación presenta algunas novedades respecto a la formulación del método del gradiente conjugado. La más importante es la aparici´ on del vector χ. El gasto en memoria es practicamente el mismo, pues se puede utilizar el mismo lugar de memoria para h y χ. Por las observaciones anteriores la matriz C debe ser lo más parecida a la matriz A o a un m´ ultiplo de ésta. Adem´ as, se debe resolver la ecuación Cχ = g, motivo por el cual la matriz C debe ser la más simple posible. Actualmente existen dos métodos muy utilizados para determinar C, dependiendo sobre todo de las caracter´ısticas de A. Estos son: 1.- Factorizaci´ on Incompleta de Cholesky La descomposici´ on de Cholesky incompleta de la matriz A, est´ a dada por EE t . Los coeficientes de E son nulos en el lugar donde los coeficientes de A son nulos; para los otros coeficientes, los valores est´ an dados por las fórmulas obtenidas para la descomposici´ on de Cholesky dada en la seccion II.2, es decir: v u i−1 X u t eii = aii − e2ji , (II.4.30a) 

eki =

aki −

j=1

k−1 X j=1

eii



ekj eji 

.

(II.4.30b)

78


Luego se resuelve: Eˆ g = g; E t χ = gˆ. 2.- SSOR precondicionado (Axelsson, 1973) La matriz A puede ser descompuesta en tres partes, la diagonal, la parte inferior y la parte superior. El método SSOR consiste en definir la matriz E, como una matriz triangular inferior, cuyos coeficientes de la diagonal son iguales a la raiz cuadrada de los coeficientes de la diagonal de A. Los coeficientes de la parte inferior de la matriz E son iguales a los coeficientes de la parte inferior de la matriz A multiplicados por un factor de relajaci´ on positivo ω, es decir: √ eii = aii ; (II.4.31a) eki = ωaki , ω ≥ 0. (II.4.31b) Luego se resulve: Eˆ g = g, t E χ = gˆ. La determinaci´ on del ω optimal se realiza al tanteo, dependiendo del problema a resolver, pues por el momento no existe un criterio análitico para determinar este valor optimal.

Resultados Num´ ericos El estudio te´ orico y la formulación de métodos de resolución de sistemas lineales por si solo constituye un hermoso ejercicio mental. Un método no es bueno, hasta que ha sido probado numéricamente en problemas concretos, por eso es importante poder comparar la eficiencia de los diferentes métodos formulados en esta sección, en diferentes tipos de problemas. Al igual que la sección II.3, se considerar´ a una ecuación a derivadas parciales de tipo el´ıptico, pues este tipo de problema, se presta mucho a la resoluci´ on de grandes sistemas lineales. Sea, △u = −1, u|∂Ω = 0.

sobre Ω = [0, 1] × [0, 1];

(II.4.32)

De la misma manera, que la sección precedente, se subdivide el dominio Ω en una malla uniforme de longitud 1/n + 1, planteando: ) xi = ih 1 , h= ; (II.4.33) n+1 yj = jh


79

se obtiene el sistema de ecuaciones dado por: ui,j+1 + ui,j−1 + ui+1,j + ui−1,j − 4uij = −h2 , i, j = 1, . . . , n; ukj = uil = 0, k = 0 o k = n + 1, l = 0 o l = n + 1. Planteando u = (u11 , . . . , u1n , u21 , . . . , u2n , . . . , un,1 . . . , unn )t , el sistema lineal se escribe como (II.4.34) Au = h2 1, donde A = 4I +B ⊗In +I ⊗B, con ⊗ producto tensorial de matrices definido en la anterior sección, In la matriz identidad de orden n × n y   0 1 . .   B =  1 .. ..  . .. . 0

A es una matriz definida positiva y simétrica de orden n2 × n2 . El problema (II.4.34) ser´ a resuelto tomando valores aleatorios para u1 . Se ver´ a el costo en iteraciones para diferentes valores de n. Una vez efectuados los experimentos numéricos, las gráficas de las iteraciones del método del gradiente conjugado precondicionado SSOR, pueden ser observadas en la figura II.4.3.

iter=0

iter=1

iter=2

iter=3

iter=4

iter=5

iter=6

iter=7

iter=8 iter=9 iter=10 Figura II.4.3. Solución del problema (II.4.34).

iter=18

80


En la figura II.4.4 se observa en una gráfica el costo en iteraciones para alcanzar una precisi´ on de 10−6 para los diferentes métodos de tipo gradiente. 104

iter

103

Gradiante.

102

Gradiante Conjugado. Grad. Conj. Chols. Incom. 101

Gradiante Conjugado SSOR.

100 1 10

n

102

Figura II.4.4. N´ umero de iteraciones vs n. Finalmente la tabla II.4.1, da el n´ umero de iteraciones para alcanzar una precisi´ on de 10−6 utilizando el método del gradiante conjugado precondicionado para diferentes valores de n y el factor de relajaci´ on ω. En la u ´ltima columna se agrega, ω optimal en función de n. Tabla II.4.1. Determinaci´ on de ω optimal.

n\ω

0.6

.65

.7

.75

.8

.85

.9

.95

ωop

10

10

9

8

7

8

9

11

12

.75

20

12

12

11

10

9

10

11

14

.8

50

27

24

22

18

17

15

14

16

.9

100

43

35

37

31

27

24

20

18

.95

180

72

59

55

46

40

41

33

27

.95


81

Ejercicios 1.- Mostrar que una matriz simétrica A es definida positiva si y solamente si

det(Ak ) > 0



a11 ..  k = 1, 2, . . . , n donde Ak = . ak1

···

 a1k ..  .

· · · akk

son los menores principales. Indicaci´ on: Intentar con la descomposici´ on de Cholesky. 2.- Calcular el m´ınimo de 1 f (x) = (x1 , x2 ) 50

93 24 24 107

x1 x2

1 − (42, 21) 5

x1 x2

por el método del gradiente conjugado partiendo del valor inicial x0 = 0. Hacer un buen gráfico de los puntos x0 , x1 , x2 , de los vectores g 0 , g 1 , d0 , d1 , y de las curvas de nivel de la función f (x). 3.- Aplicar el método del gradiente conjugado al sistema lineal    3 2 1 1 1 2 1x = 2 3 1 1 2 

partiendo de x0 = 0. El método converge en 2 pasos. ¿Por qué? 4.- Mostrar, utilizando las fórmulas y las relaciones de ortogonalidad del teorema II.4.6, las expresiones siguientes para βk y τk : g k+1 , g k+1 βk = k k , g ,g

k k g ,g . τk = k d , Adk

5.- Demostrar que la función de la forma f (x) = xn + α1 xn−1 + α2 xn−2 + · · · + αn se separa lo menos posible de cero entre los l´ımites x = −1 y x = +1, est´ a dada por Tn (x) f (x) = . 2n

82


6.- Demostrar las relaciones de ortogonalidad Z

+1

−1

 0 si n 6= m,   π Tn (x)Tm (x) si n = m 6= 0, p dx = 2   1 − x2  π si n = m = 0.

7.- (Modificaci´ on del método del gradiante conjugado para matrices no simétricas o no definidas positivas). Sea Ax = b

(II.4.35)

un sistema lineal, donde A es una matriz arbitraria inversible. El sistema At Ax = At b

(II.4.36)

tiene las mismas soluciones que (II.4.35), pero la matriz C = At A es simétrica y definida positiva. Aplicar el método del gradiente conjugado al sistema (II.4.36) y rescribir el algoritmo obtenido de manera que el producto At A no aparezca mas. Cual es la desventaja del nuevo algoritmo si, por mala suerte, se aplica al sistema (II.4.35) que inicialmente era simétrico y definido positivo.

II.5 M´ınimos Cuadrados

Hasta la sección precedente, se estudiaron problemas inherentes a la resolución de sistemas de ecuaciones lineales donde la solución existe y es u ńica. En esta sección se estudiar´ an problemas más generales, donde la existencia y unicidad no juegan un rol tan preponderante. El problema que se estudiar´ a consiste b´ asicamente en el siguiente. Se tiene como datos: (tj , yj ),

j = 1, . . . , m, (m grande),

(II.5.1)

donde tj ∈ R, yj ∈ R; y una función de modelo n ≤ m,

y = ϕ ((t, x1 , . . . , xn )) ,

(II.5.2)

donde t ∈ R, y ∈ R y xi ∈ R. Un ejemplo de función de modelo, es la siguiente función: ϕ ((t, x1 , x2 )) = x1 + tx2 + t2 x1 . El problema consiste en encontrar x1 , . . . , xn , tales que ϕ ((t, x1 , . . . , xn )) ≈ yj ,

j = 1, . . . , m.

(II.5.3)

*

* *

*

*

*

*

*

*

*

*

t1

tm

t2

Figura II.5.1 Problema de los m´ınimos cuadrados. Supóngase que, ϕ es lineal respecto a los xi , es decir ϕ ((t, x1 , x2 )) =

n X i=1

ci (t)xi ,

(II.5.4)

84


de donde el problema se reduce a resolver el siguiente sistema lineal    c (t ) c (t ) · · · c (t )  y1   1 1 2 1 n 1 x1  y2   c1 (t2 ) c2 (t2 ) · · · cn (t2 )   .  ...  ≈  . , (II.5.5) ..   .    . . . . x ym c1 (tm ) c2 (tm ) · · · cn (tm ) | {zn } | {z } | {z } x b A

por consiguiente, resolver

Ax ≈ b.

(II.5.6)

Planteando: ej = ϕ(tj , x) − yj ,

j = 1, . . . , m;

(II.5.7)

la solución del problema (II.5.6), mediante el método de los m´ınimos cuadrados, ser´ a aquélla en la que m X i=1

em i −→ min,

(II.5.8)

es decir kAx − bk −→ min .

(II.5.9)

La justificación del método de los m´ınimos cuadrados, est´ a dada por dos interpretaciones. La primera: Interpretaci´ on estad´ıstica Las componentes yi del vector b en (II.5.5), pueden ser vistas como medidas experimentales. Ahora bien, toda medida experimental lleva consigo un error, por lo tanto es completamente razonable considerar éstas como variables aleatorias. Puesto que, la mayor parte de las medidas experimentales siguen leyes normales, se tiene las dos hipótesis siguientes, para determinar la solución del problema (II.5.6): H1: El valor yi de (II.5.5) es la realización de un suceso para la variable aleatoria Yi , i = 1, . . . , m. Se supone que los Yi son independientes y que obedecen la ley normal de esperanza µi y varianza σi . Para simplificar el problema, se supondr´ a que los σi son iguales y conocidos de antemano. H2: El sistema sobredeterminado (II.5.6) posee una solución u ńica, si se remplaza los yi por los n´ umeros µi ; es decir, que existe ξ ∈ Rn u ńico tal que Aξ = µ donde µ = (µ1 , . . . , µm )t . La función de distribución de Yi , en Yi = yi , es igual a 1 1 yi − µi 2 fi (yi ) = √ exp − ( ) . 2 σ 2πσ


85

Como los Yi son independientes, el vector aleatorio Y = (Y1 , . . . , Ym )t tiene la funci´ on de distribución m Y 1 yi − µi 2 1 √ ) , exp − ( f (y) = 2 σ 2πσ i=1 donde y = (y1 , . . . , ym )t . Efectuando c´ alculos, se obtiene

m

1 X yi − µi 2 f (y) = C exp − 2 i=1 σ

!

.

Aplicando el principio de máxima presunción, la probabilidad de medir yi en lugar de µi , para i = 1, . . . , m; est´ a dada por f (y) → max .

(II.5.10)

Por lo tanto, (II.5.10) sucede si m X yi − µi 2 → min, σ i=1

es decir m X i=1



yi −

n X j=1

con lo que se ha justificado (II.5.7).

(II.5.11)

2

ai jxj  → min .

(II.5.12)

Interpretaci´ on geom´ etrica Se define el subespacio vectorial de Rm de dimensión n dado por E = {Ax|x ∈ Rn } ⊂ Rm ,

la solución de (II.5.9) est´ a dada por el vector x0 , tal que Ax0 − b es m´ınima, es decir Ax0 es el vector más proximo perteneciente a E al vector b, de donde el vector Ax0 − b es ortogonal al espacio E, ver figura II.5.2. b

E

Figura II.5.2 Interpretación geométrica.

86


Teorema II.5.1.- Sea A una matriz de orden m × n, b ∈ Rm , entonces: kAx − bk2 → min ⇐⇒ At Ax = At b.

(II.5.13)

Las ecuaciones de la parte derecha de la equivalencia, son las ecuaciones normales del problema de m´ınimos cuadrados. Demostraci´ on.- Utilizando la interpretación geométrica del método de m´ınimos cuadrados se tiene: kAx − bk2 −→ min ⇐⇒ b − Ax ⊥ Ay, ∀y ∈ Rn ⇐⇒ hAy, b − Axi = 0, ∀y ∈ Rn ⇐⇒ y t At (b − Ax) = 0, ∀y ∈ Rn ⇐⇒ At (b − Ax) = 0 ⇐⇒ At Ax = At b.

Se remarca inmediatamente que la matriz At A es simétrica y semidefinida positiva, es decir xt At Ax ≥ 0. La matriz At A ser´ a definida positiva si y solamente las columnas de A son linealmente independientes. Si éste es el caso, se puede utilizar la descomposici´ on de Cholesky para resolver At Ax = At b, pero en la mayor´ıa de los casos At A es una matriz mal condicionada. Como ejemplo vale la pena citar el siguiente ejemplo: Se tiene, la función de modelo dada por ϕ(t) =

n X

= xi ti−1 ,

i=1

es decir, se trata de determinar el polinomio de grado n que mejor ajusta a los puntos (ti , yi ), i = 1, . . . , m y 0 = t1 ≤ t2 ≤ · · · ≤ tn = 1. Por consiguiente, se debe encontrar x ∈ Rn , tal que kAx − bk2 −→ min, donde:

1

t1 t2

1 A=  .. . 1 tm

· · · t1n−1  · · · t2n−1  ..  , .

n−1 · · · tm



 y1  y2   b=  ..  . . ym


87

Por lo tanto P P n−1  m P P t2i · · · Pti n t t · · · ti   i i  At A =  . .   .. .. P 2n−1 P n−1 P n ti · · · t ti Pi P  1P 1/m P ti · · · 1/m Ptin−1  1/m ti 1/m t2i · · · 1/m tni  1    = . ..  .. m . P n−1 P n P 2n−1 1/m ti 1/m ti · · · 1/m ti  1 1/2 ··· 1/n  1/2 · · · 1/(n + 1)   1/2 , ≈ m ..   .. . . 

1/n

puesto que

1/(n + 1) Z

0

1

tk dt ≈

t

···

1/2n

1 X k ti . m

De donde, la matriz A A se aproxima a una matriz de tipo Hilbert, la cual es una matriz mal condicionada, resultado visto en la primera sección de este cap´ıtulo. Por lo tanto se debe formular un algoritmo donde la matriz At A no aparezca directamente.

La descomposici´ on QR Dada una matriz A de orden m × n, se busca las matrices: Q de orden m × m y la matriz R de orden m × n, tales que la matriz Q sea ortogonal, es decir Qt Q = I; y la matriz R triangular superior, es decir z 

r11  R=   0 con

n

}| ··· .. . O

 {   r1n       m, rnn         A = QR.

m ≥ n;

(II.5.14)

88

II Sistemas Lineales Puesto que la matriz Q es ortogonal, para todo vector c ∈ Rm , se tiene

t

Q c = kck , 2

de donde

kAx − bk2 = Qt (Ax − b) 2

= Rx − Qt b −→ min . 2

(II.5.15)

Por otro lado, la matriz R y el vector Qt b pueden escribirse como: R1 c1 t R= , Qb= , 0 c2 donde R1 es una matriz triangular de orden n×n y c1 ∈ Rn . Por consiguiente, resolver el problema (II.5.6) es resolver la ecuación R1 x = c1 .

(II.5.16)

Ahora bien, el principal problema es encontrar un algoritmo simple y rapido que permita descomponer la matriz A en un producto de la forma QR. Precisamente uno de estos métodos consiste en la utilizaci´ on de matrices de Householder. Matrices de Householder (1958) Sea u ∈ Rm , con kuk2 = 1. Se define la matriz Q por Q = I − 2uut ,

(II.5.17)

matriz que es simétrica y ortogonal. En efecto: t Qt = I − 2uut = I − 2uut , t Qt Q = I − 2uut I − 2uut

= I − 2uut − 2uut + 4uut uut = I.

La manera como act´ ua Q sobre Rm es la siguiente, sea x ∈ Rm , Qx = x − 2uut x, si ut x = 0, se tiene inmediatamente que Qx = x, de donde Q es una simetr´ıa respecto al hiperplano {x|ut x = 0}, en efecto Qu = I − 2uut u = −u.


89

En base a estas matrices se construir´ a un método que permita descomponer la matriz A en QR en n − 1 pasos a lo máximo. Se busca una matriz Q1 = I − 2u1 ut1 con ku1 k2 = 1, tal que   α1 ∗ · · · ∗  0 ∗ ··· ∗ . Q1 A =  .. ..   ... . . 0

∗ ··· ∗

Denotando por e1 a (1, 0, . . . , 0)t y A1 la primera columna de la matriz A, hay que determinar Q1 , tal que Q1 A1 = α1 e1 ,

α ∈ R.

(II.5.18)

Por las propiedades de norma se tiene |α1 | = kA1 k2 , por consiguiente α1 = ± kA1 k2 ,

(II.5.19)

Q1 es una matriz de Householder, por lo tanto: A1 − 2u1 ut1 A1 = α1 e1 ,

2u1 (ut1 A1 ) = A1 − α1 e1 , | {z } ∈R

de donde u1 tiene la misma dirección que A1 − α1 e1 . En consecuencia, u1 =

A1 − α1 e1 . kA1 − α1 e1 k2

(II.5.20)

Sabiendo que la sustracci´ on es una operaci´ on mal condicionada cuando las cantidades a restar son cercanas, se plantea α1 = −signo(a11 ) kA1 k2 .

(II.5.21)

El siguiente paso es determinar Q1 Aj , donde Aj es la j-esima columna de la matriz A, definiendo v1 = A1 − α1 e1 , se tiene: v1t v1 1 = (At1 − α1 et1 )(A1 − α1 e1 ) 2 2 1 2 = kA1 k2 −α1 a11 − α1 a11 + α12 2 | {z } α21

= α1 (α1 − a11 ), Q1 Aj = Aj − 2u1 ut1 Aj

2 v1 v1t Aj v1t v1 1 = Aj − v1 v1t Aj . α1 (α1 − a11 )

= Aj −

(II.5.22)

90


Después del primer paso de la descomposici´ on QR, se ha obtenido   α1 ∗ · · · ∗   0 . Q1 A =  (1) ¯   ... A 0

¯ 2 matriz de Householder, como en el primer El segundo paso es determinar Q paso, de manera que     α1 ∗ ∗ · · · ∗ α1 ∗ · · · ∗     0 α2 ∗ · · · ∗   0 ,    0 0 Q2 Q1 A =  .. ¯ 2 A¯(1)  =  .  Q .. . (2) ¯   .. A . 0 0 0 donde 

1 0 Q2 =   ...

0 ··· 0

0

¯2 Q



 . 

Costo de la descomposici´ on QR La descomposici´ on se la realiza en n − 1 étapas, Qn−1 · · · Q2 Q1 A = R, | {z } Qt

para el primer paso contando el producto escalar se efectuan: m + (n − 1)2m operaciones, por lo tanto, el costo es aproximadamente igual 2(mn + (m − 1)(n − 1) + · · · (m − n + 1), si n ≈ m se tiene ≈ 32 n3 operaciones; si n ≪ m se tiene ≈ mn2 operaciones. Programaci´ on La descomposici´ on QR presenta la ventaja que se puede utilizar las plazas ocupadas por los coeficientes de la matriz A, con los coeficientes de la matriz


91

R y los vectores v1 . En lo que se sigue, se tiene un esquema del método de descomposici´ on QR. R A

v1

R

A¯(1)

→

→

α1

v1 v2

A¯(2)

α1 α2

Al final de la descomposici´ on se obtiene la siguiente matriz R v1 v2

..

. vn

α1 α2

· · · αn

Hay que observar que QR es aplicable, si las columnas de A son linealmente independientes. Si no fuesen linealmente independientes se llegar´ıa a la situación de obtener un αi = 0, y la descomposici´ on en este caso ser´ıa numéricamente inestable. Para evitar esta situación, se puede modificar la descomposici´ on QR de la manera siguiente. Sea A la matriz a descomponer, se considera (II.5.23) kAjo k22 = max kAj k22 , j=1,...,n

se intercambia la primera columna A1 con Ajo y se procede el primer paso de la descomposici´ on QR, para el segundo paso se procede de la misma manera y as´ı sucesivamente. Por consiguiente, con esta modificaci´ on se obtiene la sucesión decreciente, α1 ≥ α2 ≥ · · · ≥ αk > 0. (II.5.24) Si hay vectores linealmente dependientes se llega por lo tanto al siguiente resultado   α1 · · · r1n R1 R2 ..  .. con R1 =  R= . (II.5.25) . . 0 0 αk | {z } k = rangA

92


La descomposici´ on QR es un instrumento numérico que permite determinar el rango de la matriz A. Ahora bien, debido a los errores de redondeo, el principal problema consiste en decidir cuando un αj es nulo en la sucesión decreciente (II.5.24) . Se remarca inmediatamente que, si αk+1 = 0, entonces αk+i = 0 para i > 2. ˆ el resultado numérico obtenido despues de k pasos Se define la matriz R como   α1 ..  ˆ2  R . . ˆ= R (II.5.26)   αk 0 0 Planteando

ˆ Aˆ = QR,

(II.5.27)

se tiene la: Definici´ on II.5.2.- αk+1 es despreciable, si y solamente si

A − Aˆ ≤ eps kAk2 . 2

Se tiene, por consiguiente:

ˆ A − Aˆ = Q(R − R), kAk2 = kRk2 ,

ˆ

,

A − Aˆ = R − R 2

de donde

(II.5.28)

2

ˆ αk+1 despreciable ⇐⇒ R − R

≤ eps kRk2 , 2

ˆ αk+1 es una buena aproximación de R − R

, y α1 es una buena aproxi2 mación de kRk2 , obteniedo el siguiente resultado αk+1 despreciable ⇐⇒ αk+1 ≤ eps α1 .

(II.5.29)

La pseudo-inversa de una matriz El problema (II.5.6) tiene una solución u ńica, si el rango de la matriz A es igual a n y est´ a dada por x = (At A)−1 At b.

(II.5.30)


93

La matriz

A+ = (At A)−1 At ,

(II.5.31)

ser´ a la matriz inversa para el problema (II.5.6). Para el problema más general, donde le rango de A es ≤ n, la descomposici´ on QR da el siguiente resultado   α1 · · · r1k R1 R2 .. ; , con R1 =  R= . 0 0 0 αk planteando x = (x1 , x2 )t , con x1 ∈ Rk , se tiene

2

2 kAx − bk2 = Rx − Qt b 2

R1 x1 + R2 x2 − c1 2

−c2 2

kR1 x1 + R2 x2 − c1 k22 + kc2 k22 ,

de donde el:

Teorema II.5.3.- x = (x1 , x2 )t es solución de kAx − bk2 −→ min, si y solamente si R1 x1 + R2 x2 = c1 . (II.5.32) Si el rango de A es igual a n, la solución es u ńica; si no las soluciónes del problema (II.5.6) constituyen un espacio af´ın. Sea por consiguiente F = {x|x es solución de (II.5.6)} , de donde, para obtener una solución u ńica, el problema (II.5.6) se convierte en kAx − bk2 −→ min , (II.5.33) kxk2 −→ min Definici´ on II.5.4.- La pseudo-inversa de la matrix A de orden m × n es la matriz A+ de orden n × m, que expresa la solución x∗ para todo b ∈ Rm del problema (II.5.33) como x∗ = A+ b. (II.5.34) Si la matriz A es de rango n, entonces la pseudo inversa est´ a dada por la fórmula (II.5.31). Para el caso más general se tiene los siguientes resultados: x1 x2 arbitrario F= , x2 x1 = R1−1 (c1 − R2 x2 ) 2

2

2

kxk2 = kx1 k2 + kx2 k2

2 2 = R1−1 (c1 − R2 x2 ) 2 + kx2 k2 −→ min .

(II.5.35)

94


Derivando (II.5.35), se obtiene I + (R2t R1−t )R1−1 R2 x2 = R2t R1−t R1−1 c1 . | {z } simétrica y definida positiva

(II.3.36)

Se ha definido la pseudo-inversa de la matriz A, su existencia est´ a asegurada por el hecho que el problema (II.5.33) tiene solución u ńica, en lo que sigue se determinar´ a de manera expl´ıcita esta pseudo-inversa con algunas de sus propiedades más interesantes. Teorema II.5.5.- Sea A una matriz de m × n, entonces existe dos matrices ortogonales U y V tales que 

   t U AV =    

σ1

..

.

0



   σn    

con:

σ1 ≥ · · · ≥ σk > 0, σk+1 = · · · = σn = 0.

(II.3.37)

(II.3.37) se llama la descomposici´ on a valores singulares de la matriz A y σ1 , . . . , σn son los valores singulares de la matriz A. Demostraci´ on.- La matriz At A es simétrica y semi definida positiva, por consiguiente existe una matriz V ortogonal tal que  2  σ1   .. V t At AV =  , . σn2

con σ1 ≥ · · · ≥ σn ≥ 0. Se busca una matriz U ortogonal tal que 

   AV = U    

σ1

..

.

0



   σn  ,   

suponiendo σk > 0 y σk+1 = 0, se define D la matriz diagonal de k × k con coeficientes σi , i = 1, . . . , k; por consiguiente si D 0 AV = ( U1 U2 ) = ( U1 D 0 ) , 0 0


95

donde U1 est´ a constituida por las primeras k columnas de U . Sean (AV )1 (AV )2

las primeras k columnas de AV, las otras n − k columnas de AV,

ˆ)t , donde x ˆ ∈ Rn−k , obteniendo: (AV )2 = 0, en efecto, sea x = (0, . . . , 0, x | {z } k



 xt V t At AV x = xt 

σ12

2

..

. σn2

2

kAV xk2 = k(AV )2 x ˆk2 ,

Se define U1 por



  x = 0;

∀ˆ x.

U1 = (AV )1 D−1 ,

obteniendo columnas ortonormales, ya que U1t U1 = D−1 (AV )t1 (AV )1 D−1 = I

Finalmente se construye U2 , de manera que U sea ortogonal. Teorema II.5.6.- Sea A una matriz de m × n, siendo   σ1 ..  0 . , U t AV = Σ =    σk 0

(II.5.38)

la descomposici´ on en valores singulares. Entonces la pseudo-inversa de A est´ a dada por   −1 σ1 ..  0 .  U t. (II.5.39) A+ = V    −1 σk 0 Demostraci´ on.- Se tiene

2 kAx − bk22 = U ΣV t x − b 2

2

2 t t Σ V = U (ΣV t x − U t b) 2 = − U b

|{z} |{z}

y c 2

2

Dy1

c 2 1

− = kΣy − ck2 =

0 c2 2 2

2

= kDy1 − c1 k2 + kc2 k2 .

96


Para que la expresi´ on sea minimal es necesario que y1 = D−1 c1 . Por otro lado se tiene que y = V t x, de donde kyk2 = kxk2 , de manera, que para que x sea minimal es necesario que y2 = 0. De donde x =V =V =V

D−1 c1 0

D−1 0

0 0

D−1 0

0 0

=A+ b,

c1 c2

V tb

∀b.

Finalmente se tiene: Teorema II.5.7.- La pseudo-inversa de una matriz verifica las siguientes propiedades: a) b) c)

(A+ A)t = A+ A, (AA+ )t = AA+ , A+ AA+ = A+ ,

d)

AA+ A = A,

llamados axiomas de Moore-Penrose, adem´ as la pseudo-inversa est´ au ńicamente determinada por estos axiomas. Demostraci´ on.- Verificaci´ on inmediata utilizando (II.5.39).

Error del M´ etodo de los M´ınimos Cuadrados Retomando la interpretación estad´ıstica del método de los m´ınimos cuadrados. Se han dado dos hipótesis de partida, para determinar la solución: la primera sobre los yi de la ecuación (II.5.5); la segunda concerniente a la compatibilidad de la función modelo (II.5.2) con los datos (II.5.1). Suponiendo válidas estas dos hipótesis, se tiene Aξ = µ,

(II.5.40)

donde µ = (µ1 , . . . , µm )t es la esperanza del vector aleatorio Y . Ahora bien, el método de los m´ınimos cuadrados da como solución (x1 , . . . , xn )t , que por (II.5.30), es igual a x = (At A)−1 At b.


97

Por lo tanto x − ξ = (At A)−1 At (b − µ) o

xi − ξ i =

m X j=1

αij (bj − µj ),

(II.5.41)

donde αij es el elemento (i, j) de la matriz (At A)−1 At . Se supondr´ a, por lo tanto, que xi es una realización de una variable aleatoria Xi definida por X i − ξi =

m X j=1

αij (Yj − µj ).

(II.5.42)

Teorema II.5.8.- Sean X1 , X2 , . . . , Xm variables aleatorias independientes, con esperanza µi y varianza σi = 1. Entonces, la variable aleatoria Xi , definida por (II.5.42), satisface E(xi ) = ξi

y

V ar(Xi ) = ǫii ,

(II.5.43)

donde ǫii es el i-esimo elemento de la diagonal de (At A)−1 . Los otros elementos de (At A)−1 son las covarianzas de Xi . Demostraci´ on.- Se tiene, utilizando la linearidad de la esperanza, E(Xi ) =

m X j=1

αij E(Yj − µj ) + ξi

= ξi .

Para calcular la varianza de Xi , se utiliza el hecho que V ar(Z1 + Z2 ) = V ar(Z1 ) + V ar(Z2 ), si Z1 y Z2 son independientes. De donde, con ei el i-esimo vector de la base can´ onica, se tiene V ar(Xi ) = V ar(Xi − ξi ) m X 2 V ar(Yj − µj ) = αij =

j=1 m X

2 αij

j=1

2

= (At A)−1 At ei 2

2

= eti (At A)−1 At 2

= eti (At A)−1 At A(At A)−1 ei = eti (At A)−1 ei = ǫii .

98


Por consiguiente, si los yi son realizaciones de una variable aleatoria Yi que sigue N (0, 1), suponiendo que una solución exacta ξ existe, entonces se tiene una probabilidad de 95% que ξi = xi ± 2σXi .

(II.5.44)

La fórmula (II.5.43) da los valores de σXi , sin embargo se ha visto que la determinaci´ on de At A puede representar una cantidad grande de c´ alculo. Utilizando la descomposici´ on QR, se tiene At A = Rt Qt QR = Rt R.

(II.5.45)

Como las u ´ltimas filas de ceros no incide en el c´ alculo del producto Rt R, se puede considerar R como una matriz de n × n, obteniendo as´ı la descomposici´ on de Choleski de (At A). Una vez determinados los parámetros x de la función modelo (II.5.2) corresponde saber, si los (II.5.1) son compatibles con tal modelo. Por la descomposici´ on QR, el problema (II.5.6) se convierte, ver (II.5.15), en R C1 C1 x= , donde = Qt b. (II.5.46) 0 C2 C2 Denotando los elementos de Qt por qij , los elementos del vector C, satisfacen ci =

m X

qij bj ,

j=1

y las componentes del vector C2 satisfacen también ci =

m X j=1

qij (bj − µj ).

Es razonable considerar las variables aleatorias Zi =

m X j=1

qij (Yj − µj ),

i = n + 1, . . . , m.

(II.5.47)

A continuación, se da la proposici´ on siguiente, sin demostración. Proposici´ on II.5.9.- Sean Y1 , . . . , Ym variables aleatorias independientes siguiendo N (0, 1). Entonces las variables aleatorias Zn+1 , . . . , Zm , definidas por (II.5.47) son independientes y siguen también una ley normal N (0, 1). El error cometido, por el método de los m´ınimos cuadrados, es equiva2 lente a estudiar kC2 k2 de donde el teorema, sin demostración:


99

Teorema II.5.10.- Pearson. Sean Z1 , Z2 , . . . , Zn variables aleatorias independientes siguiendo la ley normal N (0, 1). Entonces, la distribución de la variable aleatoria Z12 + · · · + Zn2 , (II.5.48) est´ a dada por fn (x) =

1 2n/2 Γ(n/2)

xn/2−1 e−x/2 , x > 0;

(II.5.49)

y por fn (x) = 0 para x ≤ 0. Es la ley χ2 con n grados de libertad. La experanza de esta variable es n y su varianza es 2n. Ejemplo A partir de la función f (t) = t + 0.5 sin(πt/2), se ha elaborado la tabla II.5.1, que tiene como elementos (i, bi ) con 0 ≤ i ≤ 9, donde bi = f (i)+ǫi . ǫi es la realización de una variablea aleatoria siguiendo una ley normal N (0, σ) con σ = 0.1. Tabla II.5.1. Valores de bi en función de i. i

bi

i

bi

0 0.11158 5 5.5158 1 1.2972 6 6.0119 2 2.07201 7 6.6802 3 2.4744 8 7.9294 4

3.963

9 9.4129

Se considera, la función de modelo ϕ(t) = xt + y sin(πt/2).

(II.5.50)

Obteniendo por la descomposici´ on QR: x = 1.00074, y = 0.413516. El siguiente paso ser´ a estimar el intervalo de confianza para x y y. Para tal efecto, se considera el problema x

t sin(πt/4) bi +y = , σ σ σ

i = 0, . . . , 9;

100

II Sistemas Lineales pues, los bi /σ deben ser realizaciones de una variable normal con varianza igual a 1. De donde la matriz de covarianza est´ a dada por

σx2 σxy

σxy σy2

=

3.57143 · 10−5 −3.57143 · 10−5

−3.57143 · 10−5 2.03571 · 10−3

.

Por consiguiente: x = 1.00074 ± 0.012, y = 0.41352 ± 0.09. El método QR, con la notación precedente da kC2 k2 = 0.0693103; corrigiendo, para el problema normalizado, se tiene kC2 k22 = 6.93103. σ2 Se tiene 10 − 2 grados de libertad. Viendo en una tabla de la distribución χ2 , se deduce que este valor es lo suficientemente peque˜ no para ser probable. Ahora bien, si se hubiese considerado la función de modelo ϕ(t) = xt + y, se hubiera encontrado

(II.5.51)

kC2 k22 = 90.5225, σ2

valor demasiado grande para ser probable. La conclusi´ on es que, para los valores de la tabla II.5.1, la ley (II.5.50) es más probable que la ley (II.5.51). En la figura II.5.3, puede observarse en linea continua la gráfica de la funci´ on modelo dada por (II.5.50) y con lineas segmentadas la gráfica de la función modelo (II.5.1).


101

10 9 8 7 6 5 4 3 2 1 0

0

1

2

3

4

5

6

7

8

9

Figura II.5.3. Resultados del método de los m´ınimos cuadrados.

Ejercicios 1.- Sea A una matriz inversible de n × n. Mostrar que la descomposici´ on QR es u ńica, si se supone que rjj > 0 para j = 1, . . . , n. 2.- Aplicar el algoritmo de Golub-Householder a la matrice de rotación A=

cos α − sin α

sin α cos α

.

102

II Sistemas Lineales Dar una interpretación geométrica.

3.- Sea Q una matriz ortogonal de n × n. Mostrar que Q puede escribirse como el producto de n matrices de Householder, de donde cada transformación ortogonal de Rn es una sucesión de al menos n reflexiones. 4.- Escribir una subrutina DECQR(N,M,MDIM,A,ALPH), (A(MDIM,N),ALPH(N)), que calcula la descomposici´ on QR de una matriz m × n, m ≥ n. Escribir también una subrutina SOLQR(N,M,MDIM,A,ALPH,B) que calcula la solución del problema kAX − bk2 −→ min . Determinar la parabola x1 + x2 t + x2 t2 , que ajusta lo mejor posible: ti 0 0, 2 0, 4 0, 6 0, 8 1.0 yi

0, 10

0, 15

0, 23

0, 58

0, 45

0, 60

5.- Sea A una matriz m × n. Mostrar que At A + ρI es no singular para ρ>0y A+ = lim (At A + ρI)−1 At . ρ→0+

Cap´ıtulo III Interpolaci´ on

Uno de los mayores problemas con que se tropieza, radica en la evaluaci´ on de las funciones en determinados puntos. Las causas principales de estas dificultades est´ an esencialmente en la dificil manipulaci´ on de estas funciones; una funci´ on tan inocente como la logaritmo presenta dificultades en su evaluación y se debe recurrir a u ´tiles matématicos como series, etc. Por otro lado, la sola información que se conoce de esta función, son determinados puntos, e incluso suponiendo que ésta es lo bastante regular, la evaluaci´ on en otros puntos es de gran dificultad. De donde un método de facil manipulaci´ on consiste en la aproximación de las funciones a evaluar por polinomios. Existen dos enfoques diferentes, el primero radica en la aproximación mediante polinomios de interpolaci´ on y el otro mediante la mejor aproximación polinomial respecto a una norma. Este cap´ıtulo abordará sobre todo la aproximación mediante polinomios. La primera parte tratará sobre la interpolaci´ on de Lagrange y Hermite, la formulación de algoritmos para calcular estos polinomios ser´ a hecha, las estimaciones de error cometido ser´ an también estudiadas a fondo, como as´ı mismo los problemas de estabilidad inherentes a la interpolaci´ on de Lagrange ser´ an abordados con resultados y ejemplos, como elementos te´ oricos los polinomios de Chebichef ser´ an vistos dando como consecuencia resultados interesantes sobre la elección de los puntos de interpolaci´ on. Un segundo t´ opico a ver ser´ a los splines, polinomios que operan como serchas, por su facil manipulaci´ on, como por su gran utilidad ser´ an estudiados en la formulación de los métodos, el c´ alculo de error y sus diferentes aplicaciones. Un tercer tema de gran interés por las grandes utilidades que puede dar, consiste en los métodos de extrapolaci´ on tanto como en su valor te´ orico, como también por su propiedad de acelerar la convergencia de muchas sucesiones.

III.1 Interpolaci´ on de Lagrange

En la introducción del cap´ıtulo, se mencion´ o la interpolaci´ on como un instrumento de aproximación de una función determinada. Sea f una función de la que se conoce las im´ agenes en una cantidad finita de puntos, es decir f (xi ) = yi

i = 1, . . . , n;

la funci´ on interpolante p ser´ a por definición igual a f (xi ) para i = 1, . . . , n. Se hablará de interpolaci´ on cuando se eval´ ua en el punto x con x ∈ [min xi , max xi ], y de extrapolaci´ on si no. Por su facil manipulaci´ on, pues solo se efectua multiplicaciones y adiciones, es conveniente que la funci´ on interpolante p sea un polinomio. Definici´ on III.1.1.- Dados (k +1) puntos diferentes: x0 , x1 , . . . , xk de [a, b], los enteros no negativos α0 , . . . αk y los reales yili con 0 ≤ i ≤ k y 0 ≤ li ≤ αi . El Polinomio de Hermite pn de grado n = k + α0 + · · · + αk , respecto a los xi , αi y los yili verifica pn(li ) (xi ) = yili . (III.1.1) Si los αi = 0 para i = 0, . . . , k, pn se llama Polinomio de Lagrange. Definici´ on III.1.2.- Cuando los puntos yili satisfacen yili = fn(li ) (xi ),

(III.1.2)

para una determinada función f , pn es el polinomio de interpolaci´ on de Hermite, y si los αi son nulos, se hablará del polinomio de interpolaci´ on de Lagrange. Estas dos definiciones dan las condiciones que deben cumplir los polinomios de interpolaci´ on, sin embargo la existencia, como la unicidad no est´ an dadas, podr´ıa suceder que no existiesen en alg´ un caso. Por eso es necesario insistir en la base te´ orica que asegure la existencia y la unicidad de estos, adem´ as, para que la construcción de estos pueda ser relativamente facil.

Bases Te´ oricas Sin querer dar un tratado sobre la teor´ıa de los polinomios, existen resultados que deben formularse para la mejor comprensi´ on de la interpolaci´ on polinomial. Aunque en Algebra se hace distinción entre polinomio y su función

´ n de Lagrange III.1 Interpolacio

105

polinomial asociada, no se hará distinción entre estos, por que son polinomios a coeficientes reales o complejos los que se utilizan en la mayor parte de los problemas a resolverse numéricamente. Definici´ on III.1.3.- Sea p(x) ∈ R[x], a es un cero de multiplicidad m de p(x), si p(k) (a) = 0 m = 0, . . . , m − 1, y p(m) 6= 0. Proposici´ on III.1.4.- a es un cero de multiplicidad m de p(x), si y solamente si, existe un polinomio q(x) con q(a) 6= 0 tal que p(x) = (x − a)m q(x). Demostraci´ on.-Ver en cualquier libro de Algebra.

Corolario III.1.5.- Un polinomio pn (x) de grado n tiene a lo más n ceros contando con su multiplicidad. Teorema III.1.6.- Existe a lo sumo un polinomio de Hermite de grado n respecto x0 , . . . , xk , α0 , . . . , αk , con k + α0 + · · · + αk = n, tal que pn(li ) (xi ) = yili , donde yili ∈ R, 0 ≤ li ≤ αi . Demostraci´ on.- Sean pn y qn dos polinomios de Hermite que satisfacen las hip´ otesis del teorema. pn − qn es un polinomio nulo o de grado ≤ n. Ahora bien, pn − qn tiene ceros de al menos multiplicidad αi + 1 en xi para i = 0, . . . , k. Por la proposici´ on anterior se tiene ! k Y αi +1 r(x), pn − qn = (x − xi ) i=0

sumando los grados, la u ńica posibilidad es que r(x) = 0.

Teorema III.1.7.- Existe al menos un polinomio de Hermite de grado n respecto x0 , . . . , xk , α0 , . . . , αk , con k + α0 + · · · + αk = n, tal que pn(li ) (xi ) = yili , donde yili ∈ R, 0 ≤ li ≤ αi . Demostraci´ on.- Es suficiente mostrar que existe un polinomio de Hermite de grado n tal que para i ∈ {0, . . . , k} y l ∈ {0, . . . , αi } se tenga: p(l) (xi ) = 1,

p(m) (xj ) = 0 para m 6= l oj 6= i,

ń III Interpolacio

106

denótese por pi,l este polinomio. xj para j 6= i es un cero de multiplicidad αj + 1, de donde:

pi,l

  Y = r(x)  (x − xj )αj +1 ) , j6=i

pi,αi

  Y = Ci,αi (x − xi )αi  (x − xj )αj +1 ) , j6=i

(α )

la constante Ci,αi es escogida de manera que pi,αii (xi ) = 1. Los polinomios pi,l se los define recursivamente de la siguiente manera

pi,l

   X Y cil,m pi,m  , = Ci,l (x − xi )αi  (x − xj )αj +1 ) − 

m>l

j6=i

(m)

donde las constantes cil,m son escogidas de manera que pi,l (xi ) = 0 para (l)

m > l y Ci,l de manera que pi,l = 1.

Para construir el polinomio de interpolaci´ on no debe utilizarse los polinomios definidos en la demostración, uno porque el costo en operaciones es demasiado elevado y otro por la sensibilidad de estos polinomios as´ı definidos a los errores de redondeo.

Construcci´ on del Polinomio de Interpolaci´ on Inicialmente se considerar´ a polinomios de interpolaci´ on del tipo de Lagrange. Por lo tanto, dados los puntos x0 , . . . , xn todos diferentes, y los valores y0 , . . . , yn , el problema se reduce a encontrar un polinomio de grado n que satisfaga p(xi ) = yi 0 ≤ i ≤ n. (III.1.3) Indudablemente el caso más sencillo es para n = 1 y luego para n = 2. Para n = 1 la recta de interpolaci´ on est´ a dada por p(x) = y0 +

y1 − y0 x1 − x0

(x − x0 ),

para n = 2 la parábola de interpolaci´ on est´ a dada por p(x) = y0 +

y1 − y0 x1 − x0

(x − x0 ) + a(x − x0 )(x − x1 ),


107

este u ´ltimo polinomio verifica p(x0 ) = y0 y p(x1 ) = y1 , por consiguiente es necesario determinar a de manera que p(x2 ) = y2 . Unos simples c´ alculos algebraicos dan y2 − y1 y1 − y0 1 . − a= x 2 − x0 x 2 − x1 x1 − x2

Para n = 3 se puede continuar con el mismo esquema, pero antes es necesario dar la noción de diferencias divididas.

Definici´ on III.1.8.- (Diferencias Divididas) Sean (x0 , y0 ), . . . , (xn , yn ), los xi diferentes entre si. Entonces las diferencias divididas de orden k se definen de manera recursiva por: y[xi ] = yi , yj − yi y[xi , xj ] = , xj − xi y[xi1 , . . . , xik ] − y[xi0 , . . . , xik−1 ] . y[xi0 , . . . , xik ] = xi k − xi 0

(III.1.4a) (III.1.4b) (III.1.4c)

Teorema III.1.9.- (F´ ormula de Newton). El polinomio de interpolaci´ on de grado n que pasa por (xi , yi ), i = 0, . . . , n, est´ a dado por p(x) =

n X

y[x0 , . . . , xi ]

i=0

con la convención

−1 Y

i−1 Y

(x − xk ),

(III.1.5)

k=0

(x − xk ) = 1.

k=0

Demostraci´ on.- Por inducción sobre n. Para n = 1 y n = 2 la fórmula de Newton es correcta, ver más arriba. Se supone que la fórmula sea correcta para n − 1. Sea, p(x) el polinomio de grado n que pasa por (xi , yi ), i = 0, . . . , n; de donde p(x) = p1 (x) + a(x − x0 )(x − x1 ) · · · (x − xn−1 ), con p1 (x) el polinomio de interpolaci´ on de grado n − 1 que pasa por (xi , yi ) i = 0, . . . , n − 1. Por hipótesis de inducción se tiene p1 (x) =

n−1 X

y[x0 , . . . , xi ]

i=0

i−1 Y

(x − xk ),

k=0

por lo tanto hay que demostrar que a = y[x0 , x1 , . . . , xn ].


108

Sea, p2 (x) el polinomio de interpolaci´ on de grado n − 1 que pasa por (xi , yi ), i = 1, . . . , n; definiendo el polinomio q(x) por q(x) = p2 (x)

(x − x0 ) (xn − x) + p1 (x) , (xn − x0 ) (xn − x0 )

q(x) es un polinomio de grado a lo sumo n, adem´ as q(xi ) = yi , i = 0, . . . , n. Por la unicidad del polinomio de interpolaci´ on se tiene que p(x) = q(x). Comparando los coeficientes del término de grado n se obtiene a=

y[x1 , . . . , xn ] − y[x0 , . . . , xn−1 = y[x0 , . . . , xn ] x n − x0

La fórmula de Newton es muy simple y facil de implementar en un programa para determinar el polinomio de interpolaci´ on de tipo Lagrange, ver la figura III.1.1 donde se muestra un esquema del algoritmo de Newton.

x0 y[x0 ]

x1 y[x1 ]

ց ր ց

x2 y[x2 ]

ր

x3 y[x3 ]

ր

ց ց

y[x0 , x1 ]

y[x1 , x2 ]

y[x2 , x3 ]

ց ր ց ր ց

ր y[x3., x4 ] . .. .. ր

y[x0 , x1 , x2 ]

y[x1 , x2 , x3 ]

ց ր ց

y[x0 , . . . , x3 ]

ց

ր y[x1 , ... . , x4 ] . .. .. ր

y[x0 , ... . , x4 ] . .. ..

y[x2 , x. 3 , x4 ] . .. ..

x4 y[x4 ] .. . . .. . . .

Figura III.1.1. Esquema de la Fórmula de Newton. La programaci´ on del polinomio de interpolaci´ on es muy facil, adem´ as que se puede utilizar la plaza ocupada por yi . En efecto la primera columna del esquema es utilizada por los yi , se remarca inmediatamente que yn aparece una vez en los calculos, por consiguiente las u ´ltimas n − 1 lugares de la columna son utilizados por los n − 1 valores de las diferencias divididas que aparecen en la segunda columna, quedando el primer valor de y0 , y se continua de esta manera hasta obtener y[x0 , . . . , xn ].


109

Un caso particular en la determinaci´ on del polinomio de interpolaci´ on ocurre cuando la subdivisión de los puntos es uniforme, es decir xi = x0 + ih,

i = 0, . . . , n;

(III.1.6)

donde h = (xn − x0 )/n. Para poder implementar el algoritmo de Newton con esta subdivisión es necesario, las siguientes dos definiciones. Definici´ on III.1.10.- (Diferencias Finitas Progresivas) Sea y0 , y1 , . . . , una sucesión de n´ umeros reales, se define el operador de diferencias finitas progresivas de orden k de manera recursiva como sigue: ∇0 yi = yi , ∇yi = yi+1 − yi , ∇k+1 yi = ∇k yi+1 − ∇k yi .

(III.1.7a) (III.1.7b) (III.1.7b)

Definici´ on III.1.11.- (Diferencias Finitas Retr´ ogradas) Sea y0 , y1 , . . . , una sucesión de n´ umeros reales, se define el operador de diferencias finitas retr´ ograda de orden k de manera recursiva como sigue: ¯ 0 yi = yi , ∇ ¯ i = yi − yi−1 , ∇y k+1 ¯ ¯ k yi − ∇ ¯ k yi−1 . ∇ yi = ∇

(III.1.8a) (III.1.8b) (III.1.8b)

Ahora bien, tomando una subdivisión uniforme x0 < . . . < xn se tiene los dos resultados equivalentes para el polinomio de interpolaci´ on de Lagrange que pasa por los puntos (xi , yi ). Utilizando las diferencias finitas progresivas se tiene p(x) =

n i−1 X ∇i y0 Y i=0

i!hi

(x − xk ),

donde h = (xn − x0 )/n y con la convención diferencias retr´ ogradas se tiene p(x) =

i−1 n ¯i X ∇ yn Y i=0

con la convención

−1 Y

i!hi

(III.1.9)

k=0

−1 Y

(x − xk ) = 1. Utilizando las

k=0

(x − xn−k ),

(III.1.10)

k=0

(x − xn−k ) = 1. La programaci´ on es la misma que para

k=0

el caso general, con la u ńica diferencia que no se efect´ uan divisiones. Por


110

consiguiente, se tiene el mismo esquema de resolución para una subdivisión uniforme. En la figura III.1.2 se observa los esquemas para las diferencias finitas progresivas y las diferencias finitas retr´ ogradas.

x0 ∇0 y0

¯ 0 yn xn ∇ ց ր

x1

x2

x3

x4

∇y0

ց ∇0 y1 ∇2 y0 ց ր ց ∇y1 ∇3 y0 ր ց ր ց ∇0 y2 ∇2 y1 ∇4 y0 ց ր ց ր 3 ∇y2 ∇ y1 ր ց ր ∇0 y3 ∇2 y2 ց ր ∇y3 ր ∇0 y4

.. .. . . . . .

ր

¯0

xn−1 ∇ yn−1

ց ր

¯0

xn−2 ∇ yn−2

¯ 0 yn−3 xn−3 ∇

¯ 0 yn−4 xn−4 ∇

.. .

ց

.. .

ց ր ց ր

..

¯ n ∇y

¯ n−1 ∇y

¯ n−2 ∇y

¯ n−3 ∇y

ց ր

¯ 2 yn ∇

ց

ց ր ¯ 2 yn−1 1 ∇ ր ց ց ր

¯ 2 yn−2 ∇

ր

¯ 3 yn ∇

¯ 3 yn−1 ∇

ց ¯ 4 yn ∇ ր

.

Figura III.1.2. Esquemas para Diferencias Finitas La evaluaci´ on del polinomio de interpolaci´ on en un punto x ∈ [x0 , xn ] se la realiza utilizando el algoritmo de Horner, ver ejemplo sección I.1. Para ver la simplicidad de la determinaci´ on del polinomio de interpolaci´ on utilizando diferencias divididas, y si la subdivisión es uniforme, diferencias finitas; se tiene el siguiente: Ejemplo Se desea evaluar la raiz cuadrada de un n´ umero positivo, por ejemplo 1, 4. Para mostrar le eficacia y simplicidad, se va construir un polinomio de interpolaci´ on de grado 3, y con tal efecto se utiliza los puntos donde la raiz cuadrada es exacta como una expresi´ on decimal. xi 1, 00 1, 21 1, 44 1, 69 yi 1, 00 1, 10 1, 20 1, 30 Por consiguiente, el esquema de diferencias divididas para el polinomio de interpolaci´ on, est´ a dado por 1,00 1,00 1,21 1,10 1,44 1,20 1,69 1,30

ց ,4762 ր ց ց ր ,4348 ր ց ց ր

,400

ր

−,0941 −,0725

ց ,0313 ր


111

de donde el polinomio de interpolaci´ on es igual a p(x) =1 + 0, 476(x − 1) − 0, 094(x − 1)(x − 1, 21) + 0, 031(x − 1)(x − 1, 21)(x − 1, 44), y p(1, 4) = 1, 183.

El Error de Interpolaci´ on Sea f (x) una función que cumple ciertas condiciones, se supone que se hace pasar un polinomio de interpolaci´ on por los puntos (xi , f (xi )), la pregunta natural es saber que error se comete con el c´ alculo del polinomio de interpolaci´ on, es decir p(x) − f (x) vale cuanto, para un x determinado. Es por esta raz´ on que los siguientes teoremas ser´ an enunciados para tener una idea del error cometido. Teorema III.1.12.- Sea f (x) n-veces continuamente diferenciable y yi = f (xi ), i = 0, . . . , n; los xi todos diferentes. Entonces existe ξ ∈ (min xi , max xi ) tal que y[x0 , x1 , . . . , xn ] =

f (n) (ξ) . n!

(III.1.11)

Demostraci´ on.- Se define la función r(x) por r(x) = f (x) − p(x), donde p(x) es el polinomio de interpolaci´ on que pasa por (xi , f (xi )), i = 0, . . . , n. Se observa inmediatamente que r(xi ) = 0 para i = 0, . . . , n; por el teorema de Rolle se deduce que r ′ (x) se anula al menos una vez en cada subintervalo [xi , xi+1 ], es decir existe ξi1 ∈ (xi , xi+1 ), para i = 0, . . . , n. Aplicando una vez más Rolle se deduce que r ′′ (x) tiene n − 1 ceros en el intervalo [x0 , xn ], finalmente aplicando el teorema de Rolle las veces que sean necesarias se llega a la conclusi´ on que r (n) tiene al menos un cero en el intervalo requerido. Por otro lado r (n) (x) = f (n) (x) − n!y[x0 , . . . , xn ].

Teorema III.1.13.- Sea, f n+1 veces continuamente diferenciable y p(x) el polinomio de interpolaci´ on de grado n definido por (xi , f (xi )), i = 0, . . . , n y xi 6= xj si i 6= j. Entonces ∀x, ∃ξ ∈ (min(x0 , . . . , xn , x), max(x0 , . . . , xn , x)), tal que f (x) − p(x) = (x − x0 )(x − x1 ) · · · (x − xn )

f (n+1) (ξ) . (n + 1)!

(III.1.12)


112

Demostraci´ on.- Se deja x fijo, se plantea xn+1 = x. Sea p¯(x) el polinomio de interpolaci´ on de grado n + 1 que pasa por (xi , f (xi )), i = 0, . . . , n + 1. Por consiguiente p¯(x) = p(x) +

n Y

(x − xk )y[x0 , . . . , xn+1 ],

k=0

por el teorema anterior, se tiene p¯(x) = p(x) +

n Y

(x − xk )

k=0

f (n+1) (ξ) , (n + 1)!

p¯(x) = f (x), de donde el teorema queda demostrado.

Ejemplo Para el ejemplo de la implementaci´ on del método de diferencias divididas √ √ para calcular el valor 1, 4, la función interpolada es x. El intervalo de estudio del polinomio de interpolaci´ on de grado 3 est´ a dado por [1; 1, 69], x0 = 1, x1 = 1, 21, x2 = 1, 44 y x3 = 1, 69. Por lo tanto √ x, 1 1 f ′ (x) = − x− 2 , 2 1 −3 ′′ f (x) = x 2 , 4 3 5 (3) f (x) = − x− 2 , 8 15 − 72 (4) f (x) = x , 16 f (x) =

para x ∈ [1; 1, 69], lo cual implica que el por consiguiente f (4) (x) ≤ 15 16 √ error cometido en el c´ alculo de x est´ a dado por: √ x − p(x) ≤ 15 |(x − 1)(x − 1, 21)(x − 1, 44)(x − 1, 69)| , p 16 · 4! 1, 4 − p(1, 4) ≤ 3, 45.10−5 .

El teorema II.1.13 da un resultado sobre el error cometido durante el proceso de interpolaci´ on. Este error depende de la derivada n´ umero n + 1 de la función f , éste depende por lo tanto de la función a interpolar y est´ a


113

fuera de alcanze. Pero también el error depende de la subdivisión x0 , . . . , xn , por lo tanto en cierta manera es controlable. De ah´ı una pregunta natural surge: Sea [a, b] un intervalo. ¿Cómo escoger x0 , x1 , . . . , xn , tales que max |(x − x0 )(x − x1 ) · · · (x − xn )| −→ min ?

x∈[a,b]

(III.1.13)

Polinomios de Chebichef La respuesta de la anterior interrogante, est´ a en el estudio de los polinomios de Chebichef, que ya fueron tratados en la sección II.4. Definici´ on III.1.14.- El n-simo polinomio de Chebichef est´ a definido en el intevalo [−1, 1] por la siguiente relación Tn (x) = cos(n arccos x).

(III.1.14)

Por lo tanto T0 (x) = 1, T1 (x) = x, etc. Los polinomios de Chebichef tienen las siguientes propiedades, que vale la pena enunciarlas en la siguiente proposici´ on. Proposici´ on III.1.15.- Los polinomios de Chebichef satisfacen: a) T0 (x) = 1, T1 (x) = x y Tn+1 (x) = 2xTn (x) − Tn−1 (x).

(III.1.15)

b) Se tiene para n entero no negativo: |Tn (x)| ≤ 1, para x ∈ [−1, 1]; kπ = (−1)k ; Tn cos n 2k + 1 Tn cos π = 0; 2n

(III.1.16) (III.1.17) (III.1.18)

para k = 0, 1, . . . , n − 1. Demostraci´ on.- El inciso a) se demuestra utilizando el hecho que cos((n + 1)ϕ) = 2cosϕ cos(nϕ) − cos((n − 1)ϕ). La primera parte del inciso b) es consecuencia de la definici´ on del n-simo polinomio de Chebichef. Las dos u ´ltimas relaciones provienen de las ecuaciones cos nϕ = 0 y |cos nϕ| = 1.


114

Finalmente, es facil observar que el coeficiente del término dominante de Tn para n > 0 es igual a 2n−1 . Los polinomios de Chebichef T0 , T1 , T2 y T3 pueden observarse en la figura III.1.3.

T0 (x)

T1 (x)

T2 (x)

T3 (x)

Figura III.1.3. Los cuatro primeros polinomios de Chebichef. Teorema III.1.16.- Sea q(x) un polinomio de grado n con coeficiente dominante 2n−1 para n ≥ 1 y q(x) diferente a Tn (x). Entonces max |q(x)| > max |Tn (x)| = 1.

x∈[−1,1]

x∈[−1,1]

(III.1.19)

Demostraci´ on.- La demostración se la realiza por el absurdo. Se supone que existe un polinomio q(x) de grado n, tal que |q(x)| ≤ 1 para |x| ≤ 1,


115

de donde r(x) = q(x)−Tn (x) polinomio no nulo de grado al menos n−1, pero r(x) posee al menos n raices, lo que contradice que r(x) sea una polinomio de grado menor o igual n − 1. (2k + 1)π Teorema III.1.17.- Si xk = cos , entonces 2(n + 1) max |(x − x0 ) · · · (x − xn )|

x∈[−1,1]

es minimal respecto a todas las divisiones x0 < x1 < . . . < xn con xi ∈ [−1, 1]. Demostraci´ on.- Se tiene: (x − x0 ) · · · (x − xn ) = Tn+1 (x)2−n , (x − x ¯0 ) · · · (¯ x − xn ) = q(x)2−n .

Para construir una división óptima para cualquier intervalo [a, b], se toma los puntos x ˆk definidos por x ˆk =

a+b b−a + xk , 2 2

(III.1.20)

donde los xk son los ceros del n + 1-simo polinomio de Chebichef.

Estudio de los Errores de Redondeo En esta subsecci´ on, se estudiar´ a la incidencia de los errores de redondeo en la determinaci´ on del polinomio de interpolaci´ on, más precisamente en los polinomios de interpolaci´ on de tipo Lagrange. Hay que recalcar que los errores de redondeo en el c´ alculo del polinomio interpolante est´ a muy relacionado con el concepto de estabilidad del algoritmo de determinaci´ on del polinomio de interpolaci´ on. El problema es el siguiente: Dada una subdivisión x0 , . . . , xn , determinar p(x) de grado n tal que p(xi ) = yi , i = 0, . . . , n. En el c´ alculo se cometen errores de redondeo por un lado, y por otro lado los datos iniciales tienen una parte de error de redondeo. Para simplificar el estudio de la estabilidad del polinomio de interpolaci´ on, los errores de redondeo a considerar son aquellos presentes en los yi , y se supone que no se comete errores de redondeo en los c´ alculos propiamente dichos y que los xi son considerados por su valor exacto. El teorema III.1.7 afirma la existencia de un polinomio de interpolaci´ on de grado n de tipo Lagrange para (xi , yi ), i = 0, . . . , n y los xi diferentes,


116

durante la demostración de este teorema se vio de manera expl´ıcita la forma que deb´ıa tener este polinomio, recordando se enuncia el siguiente teorema: Teorema III.1.18.- Sean (xi , yi ), i = 0, 1, . . . , n, los xi diferentes entre si, p(x) el polinomio de grado n que satisface p(xi ) = yi . Entonces p(x) = donde

n X

li (x) =

yi li (x),

i=0 n Y j=0 j6=i

(III.1.21)

(x − xj ) . (xi − xj )

(III.1.22)

Como se dijo al inicio de esta subsecci´ on, se considerar´ a los errores de redondeo cometidos en los yi , es decir donde |ǫi | ≤ eps.

y¯i = yi (1 + ǫi ),

Definiendo el polinomio p¯(x) por p¯(xi ) = y¯i , i = 0, . . . , n. Realizando c´ alculos y mayoraciones se obtiene: p(x) − p¯(x) =

n X

|p(x) − p¯(x)| ≤

n X

i=0

i=0

(yi − y¯i )li (x), | {z } −ǫi yi

|ǫi | |yi | |li (x)|

≤ eps |y|max

n X i=0

|li (x)| ,

n X |p(x) − p¯(x)| ≤ eps |li (x)| . |y|max i=0

Definici´ on III.1.19.- La constante de Lebesgue asociada a la subdivisión x0 < x1 < · · · < xn , est´ a dada por Λn = max

[x0 ,xn ]

n X i=0

|li (x)| .

(III.1.23)

Ejemplos 2j a) Para la división equidistante xj = −1 + n , j = 0, . . . , n. Se puede mostrar que la constante de Lebesgue se comporta asintóticamente, cuando n −→ ∞, como 2n+1 Λn ∼ , (III.1.24) en log n


117

En el ejercicio 7 de esta sección, se indica c´ omo se calcula numéricamente estas constantes, en la tabla III.1.1 est´ an los resultados de estos c´ alculos. 2j + 1 b) Para la división con puntos de Chebichef xj = − cos π , se 2n + 2 puede mostrar que la constante de Lebesgue se comporta asintóticamente, cuando n −→ ∞, como Λn ∼

2 log n. π

(III.1.25)

Tabla III.1.1. Constantes de Lebesgue

n

División Equidistante

División de Chebichef

10

29.900

2.0687

20

10987.

30 40 50 60 70 80 90 100

2.4792 6

2.7267

4.6925 · 109

2.9044

12

3.6398 · 10

3.0432

15

2.9788 · 10

3.1571

2.5281 · 1018

3.2537

21

2.2026 · 10

3.3375

24

1.9575 · 10

3.4115

1.7668 · 1027

3.4779

6.6011 · 10

Por los valores dados en la tabla, no se debe utilizar polinomios de interpolaci´ on de grado superior a 20, si la división utilizada es equidistante. Tratar en lo posible de utilizar los puntos de Chebichef para interpolaci´ on. En la figura III.1.4 se tienen las graficas de l11 para n = 18 para las divisiones equidistantes y de Chebichef. En la figura III.1.5, se ve claramente los errores cometidos por redondeo utilizando puntos equidistantes al interpolar la funci´ on sin(πx).


118

5

0

−1

0

1

−1

puntos equidistantes

−5

0

1

puntos Chebichef

Figura III.1.4. Gráfica de un Polinomio de Lagrange.

1

1

n=15

−1

n=20

0 0

1

−1

−1

0

1

−1

1

1

n=30

−1

0

n=40

0 0

−1

1

−1

0

0

−1

Figura III.1.5. Interpolaci´ on de sin(πx).

1


119

Convergencia de la Interpolaci´ on En esta subsecci´ on, se analizar´ a el problema de la convergencia de la interpolaci´ on. Sea f : [a, b] −→ R, para cada entero natural se considera una subdivisión de [a, b] dada por (n)

x0

(n)

< x2

< · · · < x(n) n ,

pn (x) el polinomio de interpolaci´ on respecto a esta subdivisi´ on. Se desear´ıa saber que sucede cuando n −→ ∞, es decir n→∞

|f (x) − p(x)| −−−−−→ ?. Teorema III.1.20.- Sea f ∈ Cn∞ [a, b] tal que f (n) (x) o≤ M para todo (n) (n) (n) x ∈ [a, b] y para todo n ∈ N, sea x0 < x2 < · · · < xn una sucesión de subdivisiones de [a, b]. Entonces n→∞

max |f (x) − pn (x)| −−−−−→ 0,

x∈[a,b]

(III.1.25)

donde pn (x) es el polinomio de interpolaci´ on de grado n, respecto a las subdivisiones dadas. Demostraci´ on.- Utilizando el teorema III.1.13 y la hipótesis que las derivadas de cualquier orden son acotadas se tiene (n+1) (ξ) (n) (n) f |f (x) − pn (x)| = (x − x0 ) · · · (x − xn ) (n + 1)! n+1 (b − a) n→∞ −−−−−→ 0. ≤M (n + 1)! Las funciones exponencial , senos y cosenos son acotadas y sus derivadas lo son también, motivo por el cual estas funciones pueden ser aproximadas por polinomios de interpolaci´ on teniendo asegurada la convergencia de la interpolaci´ on. El teorema III.1.20 da condiciones suficientes para asegurar la convergencia, no obstante existen muchas otras funciones cuyas derivadas de orden superior no est´ an acotadas por una sola constante M , por ejemplo funciones racionales. Por lo tanto es necesario poder enunciar otras condiciones para asegurar convergencia, o de lo contrario para decidir que sucede divergencia en el proceso de interpolaci´ on. Para poder comprender más aspectos de la convergencia o divergencia de la interpolaci´ on es necesario introducir algunas definiciones y resultados importantes en el estudio de la aproximación de funciones por polinomios.


120

Considérese la aplicaci´ on Ln que a la función f asocia su polinomio de interpolaci´ on en los puntos x0 , x1 , . . . , xn : Ln (f ) = pn . Se remarca inmediatamente que esta aplicaci´ on es lineal, ademas si Pn es el espacio de los polinomios de grado igual o menor a n se tiene ∀q ∈ Pn ,

Ln (q) = q.

Se puede mostrar, ver ejercicios, que Λn = max 0

g∈C [a,b] g6=0

kLn (g)k∞ , kgk∞

de manera que la constante Λn representa la norma del operador Ln respecto a la norma de la convergencia uniforme en C 0 [a, b]. Por otro lado se obtiene el siguiente teorema de mayoración sobre el error de interpolaci´ on. Teorema III.1.21.- Dados una función f ∈ C 0 [a, b] y su polinomio de interpolaci´ on de Lagrange en los puntos x0 , . . . , xn , se tiene kf − pn k∞ ≤ (1 + Λn )En (f ),

(III.1.26)

donde En (f ) = inf kf − qk∞ . q∈Pn

Demostraci´ on.- Para todo q ∈ Pn , se tiene f − pn = (f − q) − (pn − q) = (f − q) − Ln (f − q), por consiguiente kf − pn k ∞ ≤ kf − qk∞ + kLn (f − q)k∞ ≤ (1 + Λn ) kf − qk∞ , el resultado se obtiene tomando la cota inferior sobre los q ∈ Pn .

Definici´ on III.1.22.- La cantidad En (f ) se llama el grado de aproximación de la función f por los polinomios de grado≤ n, respecto a la norma de la convergencia uniforme. Examinando los diferentes factores de la mayoración dada por el anterior teorema, la cantidad Λn depende solamente de la subdivisión tomada del intervalo [a, b], mientras que En (f ) depende solamente de la función f . En el estudio de la estabilidad se vio Λn para dos tipos de subdivisión, los puntos de Chebichef y los equidistantes, se ha podido demostrar que Λn es minimal cuando se toman los puntos de Chebichef, pero en todos las sucesiones de subdivisiones dadas al principio de este paragrafo, se tiene lim Λn = ∞.

n→∞


121

Como Λn es la norma del operador Ln , consecuencia del teorema de Banach-Steinhauss, se tiene que, cualquiera sea la sucesión de subdivisiones (n) (n) x0 , . . . , xn , existe una función continua f , tal que Ln (f ) no converge uniformente hacia f cuando n → ∞. El siguiene paso es estudiar el comportamiento de En (f ), cuando n → ∞; esto est´ a intimamente ligado a la regularidad de la funci´ on f y más particularmente a su módulo de continuidad, denotado por ω(f, h), definido por ω(f, h) = max |f (t) − f (t′ )| . (III.1.27) ′ t,t ∈[a,b] |t−t′ |≤h

Se verifica facilmente las propiedades siguientes del módulo de continuidad: i) la función h → ω(f, h) definida sobre R+ es positiva, creciente y subaditiva, es decir: ∀h1 , h2 ≥ 0, ω(f, h1 + h2 ) ≤ ω(f, h1 ) + ω(f, h2 ), ii) si n ∈ N, ω(f, nh) ≤ nω(f, h); si λ ∈ R+ , ω(f, λh) ≤ (1 + λ)ω(f, h), iii) si f ∈ C 0 [a, b], lim ω(f, h) = 0 y la función h → ω(f, h) es continua h→0

sobre R+ , iv) si f ∈ C 1 [a, b], ω(f, h) ≤ h kf ′ k∞ .

Teorema III.1.23.- Existe un real M , independientemente de n, a y b, tal que para todo n ≥ 1 y toda f ∈ C 0 [a, b], se tiene b−a En (f ) ≤ M ω f, . n

(III.1.28)

Demostraci´ on. El cambio de variable s = (x − a)/(b − a) permite de trasladarse al caso en que a = 0, b = 1, f ∈ C 0 [0, 1], lo que se supondr´ aa continuación. Considérese primero el caso en que n = 2p es par, y planteando 4 !4 (p+1)t n sin 1  1 X (p − 2k)t 2  jn (t) = , cos  =  t αn αn 2 sin k=0 2 Rπ donde αn es escogido de manera que −π jn (t)dt = 1, es evidente que jn puede escribirse bajo la forma 

jn (t) = a0n + a1n cos t + · · · + ann cos nt.

(III.1.29)

Planteando g(t) = f (|cos t|), est´ a claro que g es una función par, continua sobre R y periódica de periodo π, adem´ as ω(g, h) ≤ ω(f, h) porque |t − t′ | ≤


122

h ⇒ ||cos t| − |cos t|| ≤ h. Continuando con la demostración se introduce la funci´ on Z π Z π ϕn (s) = g(t)jn (s − t)dt = g(s − t)jn (t)dt, −π

−π

se tiene g(s) − ϕn (s) =

Z

π

−π

(g(s) − g(s − t))jn (t)dt,

de donde |g(s) − ϕn (s)| ≤ ≤

Z

π

−π Z π

−π

≤2

Z

|(g(s) − g(s − t))| jn (t)dt Z π ω(g, t)gn (t)dt ω(g, |t|)jn (t)dt = 2 0

π

0

Utilizando las mayoraciones

(1 + nt)jn (t)dt · ω(g, 1/n), por la propiedad ii. 2 sin x ≤ ≤ 1 para x ∈ [0, π/2], se obtiene π x Z π C tjn (t)dt ≤ , n 0

ver ejercicio 12, por lo tanto se tiene |g(s) − ϕn (s)| ≤ 2(1 + C)ω(g,

1 ). n

Se remarca que Z π Z π Z π g(t) sin(kt)dt g(t) cos(kt)dt + sin ks g(t) cos(k(s − t))dt = cos ks −π −π −π Z π g(t) cos(kt)dt, = cos ks −π

puesto que g es una función par. Resulta de (III.1.29) y de la definición de ϕn que existe pn ∈ Pn tal que para todo s ∈ R, ϕn (s) = pn (cos s), por consiguiente se tiene max |f (x) − pn (x)| ≤ max |f (|cos s|) − pn (cos s)| = max |g(s) − ϕn (s)|

x∈[0,1]

s∈R

s∈R

≤ 2(1 + C)ω(g, 1/n) ≤ 2(1 + C)ω(f, 1/n). El caso en que n = 2p + 1 es impar se deduce del precedente remarcando que E2p+1 (f ) ≤ E2p (f ) y que ω(f, (b − a)/n) ≤ 2ω(f, (b − a)/(n + 1)).


123

Corolario III.1.24.- Teorema de Weirstrass. Sea [a, b] un intervalo cerrado y acotado de R, entonces el conjunto de las funciones polinomiales es denso en C 0 [a, b] para la topolog´ıa de la convergencia uniforme Demostraci´ on.- En efecto, por la propiedad iii) del módulo de continuidad, se tiene que b−a lim ω f, = 0, n→∞ n por consiguiente lim En (f ) = 0. para toda función f ∈ C 0 [a, b]. n→∞

Corolario III.1.25.- Se supone que f ∈ C p [a, b], p ≥ 0, entonces para todo n > p se tiene (b − a)p p+1 (p) b − a En (f ) ≤ M . (III.1.30) ω f , n(n − 1) · · · (n − p + 1) n−p Demostraci´ on.- Por el teorema III.1.23, el corolario es cierto para p = 0, sup´ ongase cierto el enunciado del corolorio para p y sea f ∈ C p+1 [a, b], se tiene por lo tanto f ′ ∈ C p [a, b], de donde ∀n > p + 1 b−a (b − a) . ω f (p+1) , En−1 (f ′ ) ≤ M p+1 (n − 1) · · · (n − p) n−1−p Se puede mostrar, ver Crouzeix, Cap´ıtulo I.3, que existe q ∈R Pn−1 tal x que kf ′ − qk∞ = En−1 (f ′ ). Planteando por lo tanto p(x) = a q(t)dt y ϕ(x) = f (x) − p(x), se tiene p ∈ Pn , entonces En (f ) = En (ϕ), adem´ as kϕ′ k∞ = kf ′ − qk∞ = En−1 (f ′ ). Aplicando el teorema III.1.23 a la función ϕ y la propiedad iv) del módulo de continuidad, se obtiene b−a b−a ′ En (f ) = En (ϕ) ≤ M ω ϕ, ≤M kϕ k∞ , n n de donde En (f ) ≤ M

p+2

b−a (b − a)p+1 (p+1) ω f , . n(n − 1) · · · (n − p) n−p−1

Utilizando las estimaciones dadas para las constantes de Lebesgue y el teorema III.1.21, se obtiene las mayoraciones siguientes del error de interpolaci´ on de Lagrange si f ∈ C p [a, b]: a) En el caso que los xi son equidistantes, (b − a)p 2n (p) b − a , kf − pn k∞ ≤ Cp p+1 ω f , n−p n log n


124

b) En el caso de los puntos de interpolaci´ on de Chebichef (p) b − a p log n , ω f , kf − pn k∞ ≤ Cp (b − a) np n−p este resultado con p = 0, da el resultado de Bernstein que dice que el interpolante de Lagrange con los puntos de Chebichef converge hacia f del momento en que lim ω(f, h) log h = 0, que es el caso si f ∈ C 1 [a, b]. h→0

Teorema III.1.26.- Si la funcion f ∈ C 1 [a, b], si los puntos utilizados durante el proceso de interpolaci´ on son puntos de Chebichef, entonces lim pn = f.

n→∞

La utilizaci´ on de los puntos de Chebichef en la aproximaci´ on de una funci´ on continuamente diferenciable en un intervalo [a, b], no implica necesariamente convergencia numérica, pues el c´ alculo del polinomio interpolante por medio de computadoras est´ a imbuido de errores de redondeo. Por lo tanto hay que tener mucho cuidado cuando se utilizan muchos puntos de interpolaci´ on. Fen´ omeno de Runge Hasta ahora, se ha visto condiciones suficientes para asegurar la convergencia de la interpolaci´ on de una función por polinomios. También se ha mostrado que la utilizaci´ on de puntos de Chebichef en la interpolaci´ on de una función continuamente derivable permit´ıa la convergencia. En esta parte, se ver´ a que tener una función continuamente derivable y una división equidistante no es una condici´ on suficiente de convergencia. Con el siguiente ejemplo se ilustrar´ a el conocido fen´ omeno de Runge. En la figura III.1.6, puede apreciarse que la interpolaci´ on de Lagrange diverge cuando la división es equidistante. Mientras, que en la figura III.1.7. utilizando subdivisiones de Chebichef se tiene convergencia. En lineas punteadas se tiene la gráfica de la funci´ on a interpolar.

1

−1

0 0 n=5

1

1 −1

0 0 n=10

1

1 −1

0 0

1

1 −1

n=15

Figura III.1.6. Interpolaci´ on con puntos equidistantes.

0

0

n=20

1


1

1

0 0

−1

125

1

0 0

1 −1

n=5

1 −1

n=10

1

0 0

1 −1

n=15

0

0

n=20

Figura III.1.7. Interpolaci´ on con puntos de Chebichef. Sea f : [−1, 1] −→ R, definida por f (x) =

1 , 1 + 25x2 (n)

(n)

funci´ on que es indefinidamente derivable. Sean x0 , . . . , xn la división equidistante de [−1, 1], pn (x) el polinomio de interpolaci´ on de grado n de la funci´ on f respecto a la subdivisión dada anteriormente. Prolongando f (x) al 1 1 plano complejo, se tiene que f (z) tiene polos simples en z = i y en z = − i. 5 5 Se considera un camino cerrado simple C tal que [−1, 1] ⊂ interior de C, y los polos estén en el exterior de C. Por consiguiente se puede aplicar la fórmula de Cauchy para integrales complejas, de donde

1 f (x) = 2iπ

Z

C

c f (z) dz. z−x

−1

1

Se define el polinomio Πn (x) de grado n por (n) (n) Πn (x) = (x − x(n)  )(x − x ) · · · (x − xn ),

Por otro lado se comprueba facilmente que la expresi´ on (Πn (z) − Πn (x))/(z − x) es un polinomio de grado n respecto a x, definiendo el polinomio de grado n, q(x) por q(x) =

1 2iπ

(n)

Z

C

f (z) (Πn (z) − Πn (x)) dz, z−x Πn (z) (n)

(III.1.31)

se verifica que q(xi ) = f (xi ), de donde se ha mostrado el teorema siguiente.

1


126

Teorema III.1.27.- Si f es una función racional con polos fuera de C. Entonces el error de interpolaci´ on est´ a dado por Z 1 f (z) Πn (x) f (x) − pn (x) = dz, (III.1.32) 2iπ C z − x Πn (z) donde pn es el polinomio de interpolaci´ on. Introduciendo valores absolutos, se obtiene Z 1 |f (z)| Πn (x) |f (x) − pn (x)| ≤ |dz| , 2π C |z − x| Πn (z)

por consiguiente se debe analizar el comportamiento cuando n −→ ∞ de la expresiones que aparecen en la integral precedente. Se tiene convergencia si Πn (x) n Πn (z) < κ ,

con κ < 1, de lo contrario cuando n −→ ∞ |f (x) − pn (x)| diverge. Por consiguiente hay convergencia en x ∈ [−1, 1] si y solamente si s Πn (x) < 1. lim n (III.1.33) n→∞ Πn (z)

En lugar de la expresi´ on (III.1.33), se puede utilizar ln

p 1 n |Πn (z)| = ln (|Πn (z)|) n n 2 X ln |z − xj | , = 2n j=0

como los xj son equidistantes, cuando n −→ ∞ se tiene

Z p 1 1 n ln |z − t| dt lim ln |Πn (z)| = n→∞ 2 −1 Z 1 1 log(z − t)dt = ℜ 2 −1 1 = ℜ {(z + 1) log(z + 1) + (1 − z) log(z − 1)} − 1. 2

Definiendo G(z) por 1 ℜ {(z + 1) log(z + 1) + (1 − z) log(z − 1)} − 1 , (III.1.34) G(z) = exp 2

´ n de Lagrange III.1 Interpolacio se obtiene que lim

n→∞

127

p n |Πn (z)| = G(z).

Si x ∈ R, la función G es igual a 1 1 G(x) = exp ln(x + 1)(x+1) + ln(1 − x)(1−x) − 1 2 2 p 1+x 1−x = (1 + x) (1 − x) /e.

Para decidir si la interpolaci´ on converge para un x dado se debe tener necesariamente G(z)/G(x) < 1, esto sucede solamente si |x| < 0, 72668. La figura III.1.8 muestra una grafica de G(x) y en la figura III.1.7 est´ an dadas las curvas de nivel para G(z). y

2/e 1/e

1ó x G(z)=2/e

−1

1

0

Fig. III.1.8. Gráfica de G(x).

Fig. III.1.9. Curvas de nivel de G(z).

Ejercicios 1.- Demostrar por inducción y[x0 , . . . , xn ] =

n X j=0

△n y0 =

yj

Y i6=j

n X n j=0

j

1 , x j − xi yj (−1)n−j .

2.- Supóngase conocidos los valores de la función de Bessel Z 1 π J0 (x) = cos(x sin t)dt. π 0


128

para los puntos equidistantes xi = x + 0 + ih, i ∈ Z. a) ¿Para que h, el error de la interpolaci´ on lineal es menor a 10−11 ? b) La misma pregunta para la interpolaci´ on cuadrática. 3.- Calcular el polinomio de interpolaci´ on de grado n = 10 y n = 20, que pasa por (xi , f (xi )), i = 0, 1, . . . , n, donde f (x) = 1/(1 + 25x2 ). 2i a) xi = −1 + . n 2i + 1 π). b) xi = cos( 2n + 2 Hacer gráficas, estudiar los errores. 4.- Sea p(x) el polinomio de interpolaci´ on de grado 1 de una función f dos veces continuamente derivable. Mostrar que el error satisface Z x1 G(x, t)f ′′ (t)dt (∗) f (x) − p(x) = con

x0

 1    (x − x0 )(t − x1 ) h G(x, t) =  1   (t − x0 )(x − x1 ) h

si x ≤ t

.

si x ≥ t

Dibujar la función G(x, ·). Deducir de (∗) el resultado del teorema III.1.13. n Y (x − xj ) 5.- Sean x0 < x1 < · · · < xn y li (x) = . (x i − xj ) j=0 j6=i

Verificar que la función

λn (x) =

n X i=0

|li (x)|

tiene un solo máximo local sobre cada [xi−1 , xi ] n X ǫi li (x) con ǫ = ±1. Indicaci´ on: Sobre [xj−1 , xj ] se tiene a λn (x) = i=0

6.- Si la función f : [x0 , x1 ] −→ R tiene solamente un máximo local y si x0 < a < b < x1 , entonces f (a) ≤ f (b) =⇒ x∗ ∈ [a, x1 ], f (a) ≥ f (b) =⇒ x∗ ∈ [x0 , b], donde f (x∗ ) =

max f (x).

x∈[x0 ,x1 ]


129

7.- Calcular las constantes de Lebesque Λn = max

x∈[−1,1]

n X i=0

|li (x)| ,

n = 10, 20, . . . , 100,

a) para la división equidistante xi = −1 + 2i/n, i = 0, 1, . . . , n; b) para los puntos de Chebichef. n X |li (x)| sobre [xj−1 , xj ] con la b´ usqueda Calcular el maximo de f (x) = i=0

de Fibonacci:

x1 = xj ,

10

x0 = xj−1 ,

d = γ(x1 − x0 ); a = x1 − d, b = x0 + d; d = γd; si (f (a) ≤ f (b)) entonces x0 = a, a = b, b = x0 + d si no x1 = b, b = a, a = x1 − d; si (x1 − x0 ≥ 10−14 ) vaya a 10 si no, final.

√ γ = ( 5 − 1)/2;

x0

a

b

x0

x0

a

x1

a

b

b

x1

8.- Sean dados (xi , yi , yi′ ), i = 0, 1, . . . , n, los xi distintos entre si. Mostrar que existe un u ńico polinomio q(x) de grado 2n + 1 tal que q(xi ) = yi ,

q(xi ) = yi′

(i = 0, . . . , n).

Utilizar la fórmula de Newton con (x0 , y0 ), (x0 +ǫ, y0 +ǫy0′ ), . . . y estudiar su l´ımite cuando ǫ → 0. ¿Qué fórmula se obtiene para n = 2?, utilizar y[xi , xi ] = yi′ , Generalizar el ejercicio para cualquier polinomio de Hermite y obtener un esquema de c´ alculo semejante a la figura III.1.1. 9.- Se considera la función f (s) = |s(s − 1) · · · (s − n)| definida para s ∈ [0, n]. a) Mostrar que f alcanza su maximo en un punto sn ∈ (0, 1/2) y que 1 sn ∼ cuando n → ∞. ln n b) Mostrar que lim [f (1/ ln n)(ln n/n!)] = 1/e, deducir que existe n→∞ c1 n! . c1 > 0 tal que ∀n > 1, f (sn ) ≥ ln n

x1


130

Sean {x0 , x1 , . . . , xn } n + 1 puntos equidistantes sobre el intervalo [a, b] con x0 = a y xn = b. Mostrar que existe una constante C2 tal que n Y C2 e−n (b − a)(n+1) . ∀n > 1. max (x − xi ) ≤ √ x∈[a,b] n ln n i=0

10.- Conservando las notaciones, construir una función f ∈ C 0 [a, b] tal que kLn (f )k∞ = Λ kf k∞ y kf − Ln (f )k∞ = (1 + Λn ) kf k∞ . 11.- Se considera el conjunto {x0 , . . . , xn } de n + 1 puntos diferentes del intervalo [a, b] y Λn la constante de Lebesgue correspondiente a la interpolaci´ on de Lagrange en estos puntos. Se plantea n Y cos θ − cos θj ˆli (θ) = con θi = arccos((2xi − (a + b))/(b − a)), cos θi − cos θj j=0 j6=i

i = 0, . . . , n. a) Mostrar que:

! n X ˆ Λn = max li (θ) ; θ∈R

cos k(θ − ϕ) + cos k(θ + ϕ) = 0 ≤ k ≤ n. b) Planteando ϕn (θ) =

n X i=0

i=o

[cos k(θi − ϕ) + cos k(θi + ϕ)] ˆli (θ),

n h i X ˆli (θ + θi ) + ˆli (θ − θi ) − ˆli (θ) , mostrar que: i=0

ϕn (θ) = 1 + 2 1 si F (θ) = 2π

n X

cos kθ =

k=1 π

Z

−π

sin((n + 1/2)θ) ; sin(θ/2)

signo(ϕn (θ − s))ϕn (s)ds, entonces

Z 2 (n+1/2)π |θ| dθ = γn , |ϕn (s)| dθ ≤ 3Λn ≥ kF k∞ π 0 θ −π 4 1 γn − γn−1 = cuando n → ∞, 2 +O nπ n3 4 γn ∼ 2 ln n cuando n → ∞. π 12.- Sea jn la función definida en la demostración del teorema III.1.23. con n = 2p. Mostrar que ∀p ≥ 1, Z π tk jn (t)dt ≤ ck /nk , 1 = π

0

para k = 1 y 2.

Z

π

III.2 Splines C´ ubicos

En la sección precedente, se ha visto c´ omo determinar el polinomio de interpolaci´ on. Existen dos problemas de gran magnitud cuando se requiere encontrar un polinomio de interpolaci´ on dado un conjunto (xi , yi ), i = 0, . . . , n; el primero consiste en la inestabilidad de la interpolaci´ on de Lagrange cuando n es grande, por ejemplo para n ≥ 20 no es aconsejable tomar puntos equidistantes. El segundo problema es que aun obteniendo el polinomio de interpolaci´ on, éste no refleja la verdadera forma de la función a interpolar, por ejemplo, para una función racional, se desear´ıa que el interpolante tenga la menor curvatura promedio, tal como se grafica con una sercha. Por consiguiente, dados los puntos a = x0 < x1 < · · · < xn = b y los reales yi con i = 0, . . . , n se busca una función spline s, tal que:

(i) (ii) (iii)

s(xi ) = yi i = 0, . . . , n s ∈ C 2 ([a, b]), s de curvatura peque˜ na.

La curvatura de s est´ a dada por

κ(x) =

(s′′ (x) 3

(1 + (s′ (x))2 ) 2

,

suponiendo que s′ (x) es despreciable, se obtiene s′′ (x) = κ(x), por consiguiente la condici´ on, se expresa de la siguiente forma Z

xn

x0

(s′′ (x))2 dx −→ min .

(III.2.1)

En la figura III.2.1 se observa dos gráficas: la de la izquierda es de un polinomio de interpolaci´ on de tipo Lagrange; mientras que en la derecha


132

es la gráfica del spline interpolante que pasa por los mismos puntos.

Figura III.2.1. Spline de Interpolaci´ on Definici´ on III.2.1.- Un spline c´ ubico es una función s : [a, b] −→ R con a = x0 < x1 < · · · < xn = b, que satisface: s ∈ C 2 [a, b], s|[xj−1 ,xj ] polinomio de grado 3.

(III.2.2a) (III.2.2b)

Teorema III.2.2.- Dados (xi , yi ), i = 0, . . . , n, con a = x0 < x1 < · · · < xn = b. Sean: s : [a, b] −→ R un spline con s(xi ) = yi , f : [a, b] −→ R una función con f (xi ) = yi , si s′′ (b)[f ′ (b) − s′ (b)] = s′′ (a)[f ′ (a) − s′ (a)], (III.2.3)

entonces

Z

b a

′′

2

[s (x)] dx ≤

Z

b

[f ′′ (x)]2 dx.

a

La condici´ on (III.2.3) es satisfecha si por ejemplo s′′ (a) = s′′ (b) = 0, o por ejemplo si f ′ (a) = s′ (a) y f ′ (b) = s′ (b). Definici´ on III.2.3.- Si s′′ (a) = s′′ (b) = 0, el spline se llama spline natural. ′ Si f (a) = s′ (a) y f ′ (b) = s′ (b) el spline se dice fijo en los bordes. Demostraci´ on.- Calculando las integrales, se obtiene Z b Z b Z b [f ′′ (x)]2 dx − [s′′ (x)]2 dx = [f ′′ (x) − s′′ (x)]2 dx a a |a {z } ≥0 Z b +2 s′′ (x)[f ′′ (x) − s′′ (x)]dx. a

´ bicos III.2 Splines Cu

133

Para demostrar la afirmación del teorema, es suficiente mostrar que la segunda integral del miembro derecho de la ecuación es nula. En efecto, integrando por partes, se tiene Z b b s′′ (x)[f ′′ (x) − s′′ (x)]dx = s′′ (x)[f ′ (x) − s′ (x)]|a {z } | a = 0 por (III.2.2) Z b s′′′ (x)[f ′ (x) − s′ (x)]dx − a

=− =−

n X

κj

j=1

xj

xj−1

j=1

n X

Z

[f ′ (x) − s′ (x)]dx x

κj [f (x) − s(x)]|xjj−1 = 0.

Construccion del Spline Interpolante En este paragrafo, se determinar´ a expl´ıcitamente el spline interpolante. Para tal efecto sea a = x0 < x1 < · · · < xn = b una división cualquiera del intervalo [a, b]; y sean y0 , y1 , . . . , yn n´ umeros reales. Se desea construir s : [a, b] −→ R, el spline tal que s(xi ) = yi . Llamando si = s|[ xi−1 , xi ] : [xi−1 , xi ] −→ R. Por consiguiente se busca una representación de si , utilizando los siguientes datos: yi−1 ,

yi ,

pi−1 = s′i (xi−1 ),

pi = s′i (xi ).

(III.2.4)

Por lo tanto, si (x) es igual a si (x) =yi−1 + y[xi−1 , xi ](x − xi−1 ) + (x − xi−1 )(x − xi ) a(x − xi−1 ) + b(x − xi ) ,

(III.2.5)

pi−1 = s′ (xi−1 ) = y[xi−1 , xi ] + h2i b, pi = s′ (xi ) = y[xi−1 , xi ] + h2i b,

(III.2.6) (III.2.7)

faltando determinar los valores de a y b. Planteando hi = xi − xi−1 y derivando (III.2.5) en los puntos xi−1 y xi , se obtiene:

de donde si (x) =yi−1 + y[xi−1 , xi ](x − xi−1 ) (x − xi−1 )(x − xi ) + (pi − y[xi−1 , xi ])(x − xi−1 ) h2i + (pi−1 − y[xi−1 , xi ])(x − xi ) .

(III.2.8)


134

Ahora bien, se debe determinar los pi , i = 0, . . . , n de manera que s ∈ C 2 [a, b]. Por consiguiente: s′′i (xi ) = s′′i+1 (xi ) i = 1, . . . , n − 1, Utilizando la regla de Leibnitz (f g)′′ (x) = f ′′ (x)g(x) + 2f ′ (x)g ′ (x) + f (x)g ′′ (x), se obtiene:

d2 2 = 4hi , 2 (x − xi−1 ) (x − xi ) dx x=xi d2 2 = 2hi , 2 (x − xi−1 )(x − xi ) dx x=xi

de donde:

1 4(pi − y[xi−1 , xi ]) + 2(pi−1 − y[xi−1 , xi ]) , hi 1 s′′i+1 (xi ) = 2(pi+1 − y[xi , xi+1 ]) + 4(pi − y[xi , xi+1 ]) hi+1 s′′i (xi ) =

por lo tanto, pi−1 + 2pi hi

1 1 + hi hi+1

pi+1 y[xi−1 , xi ] y[xi , xi+1 ] + , (III.2.9) =3 + hi+1 hi hi+1

para i = 1, . . . , n−1. Es as´ı que se ha obtenido n−1 ecuaciones, teniendo n+1 ecuaciones, las dos ecuaciones que faltan para obtener un sistema completo, se obtienen de las condiciones de borde para x0 y xn . Si el spline es natural, se tiene s′′ (a) = s′′ (b) = 0, obteniendo: p0 p1 y[x0 , x1 ] + =3 h1 h1 h0 pn−1 pn y[xn−1 , xn ] 2 + =3 hn hn hn 2

(III.2.10a) (III.2.10b)

Si el spline est´ a fijado en los bordes, se tiene s′ (a) = f ′ (a) y s′ (b) = f ′ (b), obteniendo: p0 = f ′ (a), pn = f ′ (b).

(III.2.11a) (III.2.11b)

Existen muchos otros tipos de spline, como por ejemplo periódicos, de Bezier, etc. Las condiciones de borde son diferentes, pero las ecuaciones dadas


135

por (III.2.9) son esencialmente las mismas, estos aspectos ser´ an desarrollados con más detalle posteriormente o en la parte de los ejercicios. Por otro lado, las ecuaciones que determinan los pi pueden escribirse de manera matricial. A continuación, se darán las notaciones matriciales para los splines natural y fijo.      3 0 h1 h1 y[x0 ,x1 ]  p0        1 2( 1 + 1 ) 1 3 3 h2 h1 y[x0 ,x1 ]+ h2 y[x1 ,x2 ]  p1     h1 h1 h2       3 1 1 3 2( h1 + h1 )  p2     0 h2 h3 h2 y[x1 ,x2 ]+ h3 y[x2 ,x3 ] 2 3  =     .      . . . .  .     . .. .. ..  .  .      1 1 1  3 3 1      2( h + hn ) hn hn−1 n−1 pn−1 hn−1 y[xn−2 ,xn−1 ]+ hn y[xn−1 ,xn ] 2

1 h1

1 hn

2 hn

3 hn

pn

y[xn−1 ,xn ]

Matriz del spline natural.



2( h1 + h1 )

1 h2

1 h2

2( h1 + h1 )

    

1

2

2

..

.

1 h3

3

.. 1 hn−1

. 2( h

1 n−1

    p  1      p2        .. =    .. . .     1 ) pn−1

+ hn

3 hn−1

3 h1

p

y[x0 ,x1 ]+ h3 y[x1 ,x2 ]− h0 2

3 h2

1

y[x1 ,x2 ]+ h3 y[x2 ,x3 ] 3

.. .

     

pn y[xn−2 ,xn−1 ]+ h3n y[xn−1 ,xn ]− h n

Matriz del spline fijo en los bordes. Denotando A, la matriz del spline natural como fijo en los bordes, se tiene el siguiente teorema. Teorema III.2.4.- La matriz A es inversible, es decir det A 6= 0. Demostraci´ on.- Se mostrar´ a que la siguiente implicación es cierta Ap = 0 =⇒ p = 0. Supóngase que Ap = 0, entonces pi−1 1 1 pi+1 + 2pi ( + )+ = 0, hi hi hi+1 hi+1


136 se denota por pio a |pio | = max |pi | , i

por consiguiente 2 |pio | (

1 1 |pio | |pi | + )≤ o + , h io hio +1 h io hio +1

de donde 2 |pio | ≤ |pio | .

En uno de los ejercicios de la sección II.1, se muestra que el problema de encontrar los pi es un problema bien condicionado. Por otra lado la resoluci´ on de este sistema se procede facilmente con el algoritmo de Eliminaci´ on de Gauss, si n no es muy grande; en el caso contrario con un método iterativo utilizando el hecho que A es simétrica y definida positiva.

El Error de la Aproximaci´ on Spline Se ha visto en el paragrafo anterior, que la construcción del spline interpolante es muy simple, solo se requiere resolver un sistema tridiagonal de ecuaciones lineales. En esta parte, se insistirá en las estimaciones del error cometido en el proceso de interpolaci´ on spline. Sean f : [a, b] −→ R una función, a = x0 < x1 < · · · < xn = b una subdivisión del intervalo [a, b] y finalmente s(x) el spline fijo en los bordes que interpola f , es decir s(xi ) = f (xi ), i = 0, . . . , n; s′ (x0 ) = f ′ (x0 ); s′ (xn ) = f ′ (xn ); se desear´ıa saber que error se comete, en otras palabras |f (x) − s(x)| ≤ ? Teorema III.2.5.- Si f ∈ C 4 [a, b], a = x0 < x1 . . . < xn = b una subdivisión, hi = xi − xi−1 , los pi derivadas en los nudos del spline fijo en los bordes. Entonces |f ′ (xi ) − pi | ≤

h3

(4)

f , 24 ∞

(III.2.12)


137

donde h = max hi . Si adem´ as, la división es equidistante, se tiene |f ′ (xi ) − pi | ≤

h4

(5)

f . 60 ∞

(III.2.13)

Adem´ as del interés del resultado del teorema que servirá para la estimación del error, se tiene un medio simple para calcular las derivadas de f en los puntos xi . Demostraci´ on.- La demostración del caso general es muy similar a la del caso de los puntos equidistantes, aqu´ı se mostrar´ a el caso equidistante, dejando al lector el caso general. La construcción del spline est´ a dada por las ecuaciones 1 3 (pi−1 + 4pi + pi+1 ) − 2 (f (xi+1 ) − f (xi−1 )) = 0. h h

(III.2.14)

Se define qi , i = 1, . . . , n − 1, por qi =

1 ′ 3 f (xi−1 ) + 4f ′ (xi ) + f ′ (xi+1 ) − 2 f (xi+1 ) − f (xi−1 ) (III.2.15) h h

Por otra lado, utilizando el teorema de Taylor con resto en el punto xi se tiene: h2 ′′ h3 f (xi ) + f (3) (xi ) 2! 3! Z 1 h4 (4) (1 − t)4 (5) + f (xi ) + h5 f (xi + th)dt, 4! 4! 0 h3 h2 f ′ (xi+1 ) = f ′ (xi ) + hf ′′ (xi ) + f (3) (xi ) + f (4) (xi ) 2! 3! Z 1 3 (1 − t) (5) + h4 f (xi + th)dt, 3! 0 f (xi+1 ) = f (xi ) + hf ′ (xi ) +

de donde, introduciendo en (III.2.15), se obtiene (1 − t)4 (5) (1 − t)3 f (xi + th)dt qi =h −3 3! 4! 0 Z 1 (1 − t)3 (1 − t)4 (5) 3 +h f (xi − th)dt. −3 3! 4! 0 3

Z

1

Utilizando el teorema del valor medio y calculando la integral Z 1 1 (1 − t)4 (1 − t)3 dt = −3 , 3! 4! 60 0


138 se obtiene finalmente que qi =

1 3 (5) h f (ξi ) + f (5) (ηi ) , 60

con ξi ∈ [xi−1 , xi ] y ηi ∈ [xi , xi+1 ], por consiguiente qi ≤

h3

(5)

f . 20 ∞

(III.2.16)

Restando (III.2.14) con (III.2.15), se tiene

ei = f ′ (xi ) − pi , que es solución del sistema de ecuaciones 1 [ei−1 + 4ei + ei+1 ] = qi , h

i = 1, . . . , n − 1.

Sea io tal que |eio | = max |ei | , i=1,...,n

en consecuencia, se tiene: 4eio = hqio − eio −1 − eio +1 , 4 |eio | ≤ h |qio | + |eio −1 | + |eio +1 | ≤ h |qio | + |eio | + |eio | , de donde finalmente |ei | ≤ |eio | ≤

h |qi | . 2 o

Antes de poder estimar el error cometido por el polinomio de interpolaci´ on spline, es necesario el siguiente teorema. Teorema III.2.6.- Si xi = x0 + ih, con h = (b − a)/n, f ∈ C 5 [a, b], s(x) el spline fijo en los bordes, y p(x) el polinomio de interpolaci´ on de Hermite sobre el intervalo [xi−1 , xi ], tal que p(xj ) = s(xj ),

p′ (xj ) = f ′ (xj ),

j = i − 1, i.

Entonces |p(x) − s(x)| ≤

h5

(5)

f 240 ∞

para x ∈ [xi−1 , xi ].

(III.2.17)


139

Demostraci´ on.- El polinomio de Hermite, utilizando (III.2.8), est´ a dado por p(x) =yi−1 + y[xi−1 , xi ](x − xi−1 ) (x − xi−1 )(x − xi ) ′ (f (xi ) − y[xi−1 , xi ])(x − xi−1 ) + h2i + (f ′ (xi−1 ) − y[xi−1 , xi ])(x − xi ) , (III.2.18)

restando (III.2.18) con (III.2.8), se obtiene p(x) − s(x) =

por lo tanto

(x − xi−1 )(x − xi ) ′ (f (xi ) − pi )(x − xi−1 ) h2i + (f ′ (xi−1 ) − pi−1 )(x − xi ) ,

h4 f (5) ∞ |p(x) − s(x)| ≤ |x − xi−1 | |x − xi | [|x − xi | + |x − xi−1 |] 60

5 h (5) ≤

f . 240 ∞

Ahora bien, para tener una estimación del error de la interpolaci´ on spline, solo falta conocer el error cometido por el polinomio de interpolaci´ on de Hermite, estimación que est´ a dada en el siguiente teorema. Teorema III.2.7.- Sean, f ∈ [x0 , x1 ], h = x1 − x0 , p(x) el polinomio de interpolaci´ on de Hermite que satisface: p(xi ) = f (xi ), p′ (xi ) = f ′ (xi ), entonces |f (x) − p(x)| ≤

i = 0, 1; i = 0, 1;

h4

(4)

f . 384 ∞

(III.2.19)

Demostraci´ on.- Sean ǫ > 0 suficientemente peque˜ no, pǫ (x) el polinomio de interpolaci´ on que satisface: pǫ (x0 ) = f (x0 ),

pǫ (x0 + ǫ) = f (x0 + ǫ),

pǫ (x1 ) = f (x1 ),

pǫ (x1 − ǫ) = f (x1 − ǫ).


140 Por el teorema (III.1.13), se tiene para todo ǫ.

(4)

f , |f (x) − pǫ (x)| ≤ |(x − x0 )(x − x0 − ǫ)(x − x1 = ǫ)(x − x1 )| 4!

haciendo tender ǫ hacia 0, se obtiene

f (4) 2 2 |f (x) − p(x)| ≤ (x − x0 ) (x − x1 ) 4!

h4

(4) ≤

f . 384

Finalmente, con los anteriores teoremas se puede dar la siguiente estimación del error del spline fijo en los bordes. Teorema III.2.8.- Sean, f ∈ C 5 [a, b], xi = x0 + ih, i = 0, . . . , n, con h = (b − a)/n, s(x) el spline fijo en los bordes de la función f respecto a la subdivisión equidistante, entonces

h5 h4

(5) (III.2.20) max f (4) (x) + |f (x) − s(x)| ≤

f . 384 x∈[xi−1 ,xi ] 240 ∞

Demostraci´ on.- Suficiente utilizar la desigualdad del triángulo en los dos anteriores teoremas, es decir |f (x) − s(x)| ≤ |f (x) − p(x)| + |p(x) − s(x)| .

Los resultados obtenidos en los teoremas de esta subsecci´ on han sido demostrados para el caso de divisiones equidistantes, no obstante modificando las demostraciones para divisiones más generales se puede obtener resultados similares en la mayoración del error de la interpolaci´ on spline, no hay que sorprenderse que las mayoraciones sean muy parecidas al del caso equidistante, con la diferencia que h esté elevado a una potencia de un grado menor. Por otro lado, los teoremas enunciados consideran el caso del spline fijo en los bordes, para los otros tipos de spline, las mayoraciones del error de interpolaci´ on se deben efectuar utilizando los resultados anteriores más un error debido al cambio de tipo de spline. Teorema III.2.9.- Sean, f ∈ C 5 [a, b], xi = x0 + ih, i = 0, . . . , n; con h = (b − a)/n, sˆ(x) el spline fijo en los bordes, s(x) es el spline natural. Entonces

h2 h5

(5) |ˆ s(x) − s(x)| ≤ (III.2.21) max |f ′′ (x)| +

f , 8 x∈I1 ∪In 240 ∞


141

donde I1 = [x0 , xn ] y In = [xn−1 , xn ]. Demostraci´ on.- Sustrayendo los sistemas lineales que determinan pî y pi en la construcción de los splines fijo en los bordes y natural, se obtiene: (ˆ pi−1 − pi−1 ) + 4(ˆ pi − pi ) + (ˆ pi+1 − pi+1 ) = 0 i = 0, . . . , n − 1; 2(ˆ p0 − p0 ) + (ˆ p 1 − p 1 ) = C0 ; 2(ˆ pn − pn ) + (ˆ pn−1 − pn−1 = Cn ; donde: C0 = 3y[x0 , x1 ] − 2ˆ p0 − pˆ1 ,

Cn = 3y[xn−1 , xn ] − 2ˆ pn − pˆn−1 .

Sea io ∈ {0, 1, . . . , n}, tal que |ˆ pio − pio | = max |ˆ pi − pi |. i

Ahora bien,io = 0, o bien io = n, por que de lo contrario se tendr´ıa 4 |ˆ pio − pio | ≤ |ˆ pio −1 − pio −1 | + |ˆ pio +1 − pio +1 | ≤ 2 |ˆ p io − p io | . Suponiendo que io = 0, se tiene la siguiente mayoración |ˆ pi − pi | ≤ |ˆ p 0 − p 0 | ≤ C0 ; en el otro caso, se obtiene |ˆ pi − pi | ≤ |ˆ p n − p n | ≤ Cn . Utilizando la fórmula de Taylor, con resto en forma de integral, se obtiene para la función f en el punto x0 , los siguientes resultados: f (x1 ) − f (x0 ) = hf ′ (x0 ) + h2 f ′ (x1 ) = f ′ (x0 ) + h

Z

Z

t

0

1

(1 − t)f ′′ (x0 + th)dt, (III.3.22)

f ′′ (x0 + th)dt;

(III.3.23)

0

y en el punto xn los siguientes resultados: f (xn−1 ) − f (xn ) = −hf ′ (xn ) + h2 f ′ (xn−1 ) = f ′ (xn ) − h

Z

0

1

Z

t 0

(1 − t)f ′′ (xn − th)dt,

f ′′ (xn − th)dt.


142

La fórmula (III.3.13) del teorema III.3.5, conduce a las estimaciones: h4 60 4 h = f ′ (xn−1 ) + ǫ′ 60 pˆ1 = f ′ (x1 ) + ǫ

pˆn−1

(5)

f , ∞

(5)

f , ∞

con |ǫ| ≤ 1;

(III.3.24)

con |ǫ′ | ≤ 1.

Suponiendo que io = 0, introduciendo (III.3.22-24) en C0 , se obtiene ′

C0 = 3f (x0 ) + h

0

1

(1 − t)f ′′ (x0 + th)dt − 2f ′ (x0 ) − f ′ (x0 )

h4

(5)

f 60 ∞ 0 Z 1

4 h

tf ′′ (x0 + th)dt − ǫ f (5) , = −h 60 ∞ 0 −h

de donde

Z

Z

1

f ′′ (x0 + th)dt − ǫ

|C0 | ≤

1 h4

(5) h max |f ′′ (x)| +

f . 2 x∈I1 60 ∞

Si io = n, se obtiene similarmente |Cn | ≤

1 h4

(5) h max |f ′′ (x)| +

f . 2 x∈In 60 ∞

La diferencia de ambos splines est´ a mayorada por lo tanto por (x − xi−1 )(x − xi ) |ˆ p(x) − p(x)| = [(ˆ pi − pi )(x − xi−1 ) + (ˆ pi−1 − pi−1 )(x − xi )] 2 h

h 1 h5

(5) ′′ (|x − x − xi−1 | + |x − xi |) max |f (x)| +

f 4 2 x∈I1 ∪In 60 ∞

h2 h5

(5) ≤ max |f ′′ (x)| +

f . 8 x∈I1 ∪In 240 ∞ El spline fijo en los bordes es más preciso que el natural, siempre y cuando se conozca los valores de la derivada de la función interpolada en los bordes. En la demostración del u ´ltimo teorema puede observarse que la diferencias de los pi verifican una ecuación de diferencias finitas con valores en la frontera, resolviendo esta ecuación puede observarse que la diferencia entre los pi es mucho menor en los nudos centrales, que en aquellos que est´ an cerca de los bordes. Por consiguiente la estimación del teorema (III.2.9) es muy pesimista, en la pr´ actica la diferencia de los errores es menor.


143

Aplicaci´ on de spline Al inicio de esta sección, los splines fuer´ on abordados como un instrumento numérico de aproximación, como una alternativa a la interpolaci´ on polinomial de tipo Lagrange. Esto debido a sus propiedades de no presentar problemas de inestabilidad numérica, por sus cualidades de convergencia y por la poca curvatura que presentan.

Figura III.2.1. Aplicación gráfica de los splines Ahora bien, los splines son utilizados también como un instrumento gráfico. Una gran cantidad de los algoritmos desarrollados en grafismo asistido por computadora, utilizan ampliamente los splines en sus diferentes versiones. En la figura III.2.2, se observa con claridad la potencia de la interpolaci´ on spline. En el dibujo de la izquierda, se tiene los puntos unidos por segmentos rectilinios, mientras que en el dibujo de la derecha unidos por splines.

Ejercicios 1.- Considerar puntos equidistantes xi = x0 +ih, h > 0. Mostrar que existe un u ńico spline llamado B-spline, tal que para un j fijo se tiene: s(xj ) = 1, s(x) = 0 si |x − xj | ≥ 2h. Dibujar.


144

2.- Desarrollar una fórmula para los splines periódicos. Mostrar la existencia y la unicidad del spline que pasa por (xi , yi ), i = 0, . . . , n, tal que s′ (x0 ) = s′ (xn ),

s′′ (x0 ) = s′′ (xn ).

3.- Escribir una subrutina SPLICO(N,X,Y,DY,P,A,B). Los datos son N, X(0:N), Y(0:N) y P(0), P(N). La subrutina debe dar como valores DY(0:N-1) diferencias divididas, P(0:N) los pi , A(0:N-1) los (pi − y[xi−1 , xi ]) y B(0:N-1) los (pi−1 − y[xi−1 , xi ]).

4.- Escribir una funcion SPLIVA(N,X,Y,DY,A,B,T) que calcula el valor del spline en el punto T. Examinarla sobre varias funciones de su elección. 5.- Sea xi = x0 +ih, i = 0, . . . , n, una división equidistante y lj (x) el spline de tipo Lagrange que satisface ( 1, si i = j; 0, sino; y lj′ (x0 ) = 0, lj′ (xn ) = 0. Para las pendientes pi = lj (xi ) mostrar: 2 3 < pj < ; h h . . . , pj−3 > 0, pj−2 < 0, pj−1 > 0, pj+1 < 0, pj+2 > 0, . . . . −

6.- Los splines lj (x) del anterior ejercicio no cambian de signo en ning´ un intervalo [xi−1 , xi ]. 7.- Sobre el intervalo [xi−1 , xi ] n X i=0

|lj (x)| = ti (x)

es el spline que satisface ( 1 si j = i + 2k o j = i − 2k − 1 con k = 0, 1, . . . , −1 sino. 8.- Utilizando SPLICO y SPLIVA de los ejercicios 3 y 4. Calcular para xi = i/n, n = 20: a) el spline l7 (x), n X |li (x)|, b) la función i=0

hacer dibujos. Verificar las propiedades de los ejercicios 5, 6 y 7.

III.3 Extrapolaci´ on

En las dos primeras secciones, se ha abordado la interpolaci´ on polinomial y la interpolaci´ on spline como un medio de aproximación dentro un intervalo cerrado y acotado [a,b]. Sin embargo estos procedimientos no sirven cuando se trata de determinar el valor de una función o el l´ımite de una función definida en un intervalo abierto (a, b) o mas aun si la función est´ a definida en un intervalo no compacto. En esta sección, se estudiar´ a la extrapolaci´ on por medio de funciones polinomiales, como una consecuencia natural de los resultados obtenidos en la primera sección de este cap´ıtulo. Por otro lado, se ver´ a que la extrapolaci´ on polinomial, no es solamente un instrumento para determinar valores fuera de cierto rango, si no también como un medio para acelerar la convergencia de suceciones convergentes. Sea f : (0, 1] −→ R, se desea determinar lim f (x),

(III.3.1)

x→0+

sabiendo que se puede determinar sin ning´ un problema f (h) para h > 0. Los otros casos de determinaci´ on de l´ımite se convierten el primer caso por traslaci´ on af´ın, o planteando h = 1/x si se desea determinar el l´ımite cuando x → ∞. Por consiguiente se supondr´ a que f tiene un desarrollo asimtótico por derecha de la forma f (h) = a0 + a1 h + · · · + an hn + O(hn+1 ),

h > 0.

(III.3.2)

Sea 1 ≥ h0 > h1 > · · · > hn > 0 una subdivisión decreciente del intervalo (0, 1], por lo tanto lim f (x) ≈ p(0), (III.3.3) x→0+

donde p(x) es el polinomio de interpolaci´ on que pasa por (hi , f (hi )), i = 0, . . . , n. Escogiendo adecuadamente estos hi se puede obtener un algoritmo facil y sencillo de implementar, para este efecto es necesario la siguiente proposici´ on. Proposici´ on III.3.1.- Sean (xi , yi ), i = 0, 1, . . . , n, los xi diferentes entre si, p1 (x) el polinomio de interpolaci´ on de grado n − 1 que pasa por (xi , yi ), i = 0, . . . , n − 1, y p2 (x) el polinomio de interpolaci´ on de grado n − 1 que pasa por (xi , yi ), i = 1, . . . , n: entonces el polinomio p(x) de grado n que pasa por (xi , yi ), i = 0, . . . , n; est´ a dado por p(x) = p1 (x)

xn − x x − x0 + p2 (x) . xn − x0 xn − x0

(III.3.4)


146

Demostraci´ on.- Se puede ver facilmente que p(x) es un polinomio de grado menor o igual a n, En los nudos, excepto para i = 0 o i = n, se tiene xi − x0 x n − xi p1 (xi ) + x n − x0 xn − x0 x n − xi x i − x0 = yi , + x n − x0 x n − x0

p(xi ) =

para i = 0 y i = n verificaci´ on inmediata.

Corolario III.3.2.- Con las mismas hipótesis del teorema precedente, se tiene p1 (0)xn − p2 (0)x0 p(0) = xn − x0 (III.3.5) p1 (0) − p2 (0) = p1 (0) + . xn /x0 − 1 Demostraci´ on.- Verificaci´ on inmediata.

Ahora bien, volviendo al problema de extrapolaci´ on, sea f : (0, 1] −→ R; 1 ≥ h0 > h1 > · · · > hn > 0 una subdivisión decreciente del intervalo (0, 1]. Suponiendo que f admite el desarrollo asintótico por derecha, dado por f (h) = a0 + a1 h + · · · + an hn + O(hn+1 ), p(x) el polinomio de interpolaci´ on que pasa por (xi , f (xi )), i = 0, . . . , n; entonces se puede suponer lim f (x) ≈ p(0).

h→0+

Definiendo pj,k el polinomio de interpolaci´ on de grado ≤ k que pasa por (hi , f (hi )), j − k, j; se tiene por consiguiente p(x) = pn,n (x).

(III.3.6)

Utilizando la proposici´ on III.3.1 y el corolario III.3.2 se tiene las siguientes relaciones recursivas para determinar p(0): pj0 (0) =f (hj ), pj,k (0) − pj−1,k (0) . pj,k+1 (0) =pj,k (0) + hj−k−1 /hj − 1

(III.3.7a) (III.3.7b)

ń III.3 Extrapolacio

147

De donde estas relaciones recursivas pueden expresarse en un tablero, con la convención de llamar pj,k = Tj,k . Tabla III.3.1. Tablero de Extrapolaci´ on. h0 h1 h2 h3 h4

T00 T10 T20 T30 T40 .. .

T11 T21 T31 T41 .. .

T22 T32 T42 .. .

T33 T43 .. .

T44 .. .

..

.

Los cocientes hj−k−1 /hj se deducen facilmente del tablero, se toma como numerador el hi que se encuentra en la misma diagonal a Tk,l y como denominador el hi que se encuentra en la misma fila que Tk,l . Ejemplo Un procedimiento para calcular π, es considerar la serie π=4

∞ X

(−1)k

k=0

1 . 2k + 1

Lastimosamente esta serie converge muy lentamente para obtener una precisi´ on deseada de π, pero se puede acelerar la convergencia de esta serie utilizando el procedimiento de extrapolaci´ on de Richardson, formulado anterioremente. Se define hk = 1/(2k + 1), f (hk ) = 4

k X

(−1)j

j=0

1 , 2j + 1

obteniendo as´ı el tablero siguiente 2.6667 2.8952 3.2381 2.9760 3.1781 3.1030 3.0171 3.1607 3.1302 3.1619 3.0418 3.1533 3.1367 3.1465 3.1292 3.0584 3.1495 3.1391 3.1434 3.1391 3.1500 3.0703 3.1473 3.1401 3.1424 3.1408 3.1431 3.1356 3.0792 3.1459 3.1407 3.1420 3.1413 3.1420 3.1407 3.1461 3.0861 3.1450 3.1410 3.1418 3.1414 3.1417 3.1414 3.1422 3.1381 3.0916 3.1443 3.1411 3.1417 3.1415 3.1417 3.1415 3.1417 3.1412 3.1444 3.0962 3.1438 3.1413 3.1417 3.1416 3.1416 3.1416 3.1416 3.1415 3.1419 3.1393


148

La pr´ actica en la extrapolaci´ on numérica muestra que es pr´ actico y conveniente utilizar sucesiones de la forma hj = 1/nj , donde {nj }∞ j=0 es una sucesión creciente de n´ umeros naturales, por consiguiente la fórmula (III.3.7) se convierte en pj0 (0) = f (hj ), pj,k+1 (0) = pj,k (0) +

pj,k (0) − pj−1,k (0) . nj−k−1 /nj − 1

(III.3.8)

Las tres sucesiones de enteros positivos crecientes son: i) Armónica: 1, 2, 3, 4, 5 . . .; ii) Romberg: 1, 2, 4, 8, 16, . . .; iii) Bulirsch: 1, 2, 3, 4, 6, 8, , 12, 16, . . ., es decir los enteros de la forma 2i y 3 · 2i .

Teorema III.3.3.- Sea f : (0, 1] −→ R, sup´ ongase que f tiene el desarrollo asint´ otico por derecha en x = 0, para k = 0, 1, 2, . . . , ko ; dado por f (x) = a0 + a1 x + · · · + ak xk + Rk+1 (x), con |Rk+1 (x)| ≤ Ck+1 xk+1 , para x > 0. Sea hj = 1/nj , con nj una sucesión creciente de naturales, entonces el procedimiento de extrapolaci´ on definido por (III.3.8) verifica la siguiente propiedad: Si para todo j > 0 se tiene hj+1 /hj ≤ r < 1, entonces Tm,k = a0 + O(hk+1 m−k ).

∀k con 0 ≤ k ≤ ko ,

(III.3.9)

Demostraci´ on.- Escribiendo el polinomio de interpolaci´ on de grado ≤ k, se tiene f (x) = pmk (x) + Rk+1 (x), de donde pmk (x) − f (x) =

con lm,k,i (h) =

m Y

j=m−k j6=i

m X

Rk+1 (hi )lm,k,i (x),

i=m−k

h − hj . Para x = 0, se deduce que hi − hj

Tmk − a0 =

m X

i=m−k

m Y

j=m−k j6=i

hj /hi Rk+1 (hi ). hj /hi − 1

(III.3.10)

ń III.3 Extrapolacio 149 hj /hi 1 por , mientras que Si j < i, se mayora h j /hi − 1 1 − r i−j j−i hj /hi por r si i < j, se mayora , finalmente |Rk+1 (hi )| por hj /hi − 1 1 − r j−i k+1 Ck+1 r i−m+k hm−k , deduciendo |Tm,k − a0 | ≤ C(k, r)Ck+1 hk+1 m−k

donde C(k, r) es una constante independiente de m.

La convergencia hacia a0 es obtenida en cada una de las columnas del tablero, para la primera columna la convergencia es O(hm ), para la segunda columna la velocidad de convergencia est´ a dada por O(h2m−1 ), y para la k-esima columna la velocidad de convergencia es igual a O(hk+1 m−k+1 ). Por consiguiente, si a1 6= 0 la convergencia de la k-esima columna es k veces mas rapida que de la primera columna. Las sucesiones de Romberg y Bulirsch satisfacen las condiciones del teorema III.3.3 con r = 1/2 y r = 3/4. Sin embargo la otra sucesión utilizada ampliamente en las extrapolaciones numéricas como ser la armónica no cumple el requisito que hj+1 /hj ≤ r < 1. No obstante se tiene a disposici´ on el siguiente teorema. Teorema III.3.4.- Mismas hipótesis del teorema III.3.3 para la función f , se define hn = 1/n. Entonces se tiene: ∀k con 0 ≤ 2k ≤ ko

Tmk = a0 + O(hk+1 m ).

(III.3.11)

Demostraci´ on.- Se tiene Rk+1 (h) = qk (h) + R2k+1 (h) con qk (h) = ak+1 hk+1 + · · · + a2k h2k . Utilizando (III.3.10), se deduce Tmk − a0 =

m X

i=m−k

qk (hi )lm,k,i (0) + R2k+1 (hi )lm,k,i (0) .

Por el teorema III.1.13, se tiene qk (0) −

m X

i=m−k

qk (hi )lm,k,i (0) =

1 (k + 1)!

m Y

j=m−k

(k+1)

(−hj )qk

(ξ),


150 lo que muestra que m X

i=m−k

qk (hi )lm,k,i (0) = O(hk+1 m ).

Por otro lado lm,k,i (0) =

m Y

j=m−k j6=i

m Y hj i = , hj − hi i−j j=m−k

de donde |R2k+1 (hi )lm,k,i (0)| ≤ deduciendo facilmente el teorema.

j6=i

C2k+1 h2k+1 ik i

≤ C2k+1 y0k yik+1 ,

Debido al error de redondeo que se comete en el c´ alculo del polinomio de interpolaci´ on, y por consiguiente en el proceso de extrapolaci´ on, se debe evitar la utilizaci´ on de polinomios de interpolaci´ on de grado muy elevado, la pr´ actica aconseja no pasar de 10. Por otro lado, la extrapolaci´ on numérica es muy utilizada en la construcción de métodos de integración, como también en la construcción de métodos de resolución de ecuaciones diferenciales.

Ejercicios 1.- Sea f : (0, 1] −→ R una función cuyo desarrollo asintótico por derecha en x = 0 est´ a dado por f (x) = a0 + a1 x2 + · · · + ak x2k + O(x2k+2 ). Modificar el algoritmo de Aitken-Naville, es decir el proceso de extrapolaci´ on, de manera que el n´ umero de operaciones se redusca ostensiblemente. 2.- En esta sección, se da un ejemplo de c´ omo acelerar la convergencia de una sucesión para calcular π. Suponiendo que el desarrollo asintótico es par, como en el ejercicio 1, recalcule y compare. 3.- Utilizando el procedimiento de la sección III.1 para determinar la influencia de los errores de redondeo en la determinaci´ on del polinomio de interpolaci´ on. Estudie la influencia de los errores de redondeo en la extrapolaci´ on, suponiendo que los u ńicos errores de redondeo que se comete son aquellos relativos a la evaluaci´ on de la función f a ser extrapolada. √ 2, utilizando un√procedimiento √ de extrapolaci´ o√ n, por ejemplo 4.- √ Calcule √ 1 = 1, 1, 21 = 1, 1, 1, 44 = 1, 2, 1, 69 = 1, 3; 1, 96 = 1, 4; √ 1, 9881 = 1, 41, . . ..

Cap´ıtulo IV Ecuaciones No Lineales

En el cap´ıtulo II, se vio diferentes métodos para resolver problemas lineales, pero también existen problemas no lineales, como por ejemplo ecuaciones cuadráticas, polinomiales, trigonométricas y muchas otras más. La Historia de las Matem´ aticas muestra que los problemas lineales fueron estudiados y resueltos en tiempos inmemoriables, pero luego el hombre confrontó otros tipos de problemas cuya caracter´ıstica no era precisamente lineal. En el caso lineal la solución de un problema puede darse de manera expl´ıcita, es suficiente determinar la inversa de la matriz del sistema y multiplicar para obtener la solución de este problema. En el caso no lineal se continu´ o con esta ´ optica, lo cual es siempre posible bajo ciertas condiciones, como ejemplo se tiene el teorema de la función inversa, pero lastimosamente en la mayor parte de los casos esta función inversa no puede ser expresada como una combinación de funciones elementales, entendiendose como función elemental aquellas que uno estudia en colegio y los primeros semestres de universidad. En este cap´ıtulo, se intentará de cierta manera seguir este desarrollo histórico, dejando sobrentendido que el estudio de los problemas lineales en todas sus variantes es conocido por el lector. Por consiguiente, una primera parte ser´ a dedicada al estudio de las soluciones de ecuaciones polinomiales, teniendo como ep´ılogo el Teorema de Galois. Después se abordará los métodos iterativos para encontrar la solución o soluciones de una ecuación, dando condiciones para asegurar la existencia, la unicidad local y la convergencia de tales métodos. Como una clase de método iterativo, se estudiar´ a el Método de Newton, enunciando: teoremas de convergencia, existencia y unicidad de soluciones, algunos problemas frecuentes que se encuentran en la implementación de tal método; como también modificaciones para simplificar su utilizaci´ on en determinadas situaciones. Finalmente, se ver´ a el equivalente del Método de los M´ınimos Cuadrados, en los problemas no lineales, que es el Método de Gauss-Newton.

IV.1 Ecuaciones Polinomiales

Una de la clase de ecuaciones que se confronta a diario son las ecuaciones polinomiales, que son de la forma xn + a1 xn−1 + · · · + an−1 x + an = 0,

(IV.1.1)

donde los ai son n´ umeros reales o complejos. Como C es una extensi´ on del cuerpo R, se puede suponer que el problema consiste en determinar las raices o ceros de un polinomio p(x) ∈ C[x]. La existencia de las soluciones de una ecuación polinomial est´ a dada por el Teorema Fundamental del Algebra que se lo enuncia sin demostración. Teorema IV.1.1.- Fundamental del Algebra. Sea p(x) ∈ C[x] de grado n, entonces p(x) tiene exactamente n ceros contando con su multiplicidad. Comentando este teorema, se puede agregar que un polinomio a coefientes reales puede no tener ceros reales; pero por el teorema Fundamental del Algebra, éste tiene exactamente n raices contando con su multiplicidad. Por otro lado, p(x) puede ser visto como una función de C en C, ahora bien toda función polinomial es holomorfa, y si el polinomio es no nulo, entonces los ceros forman un conjunto discreto, es decir que para todo cero x0 , existe un r > 0 tal que p(x) 6= 0 para todo x ∈ C tal que 0 < |x| < r. Adem´ as, la utilizaci´ on del teorema de Rouché permite de determinar los discos donde se encuentran los ceros y complementando esta información el n´ umero exacto de ceros.

Ecuaciones Resolubles por Radicales Tal como se dijo en la introducción de este cap´ıtulo, se ha buscado inicialmente la manera de expresar la solución de una ecuación por medio de funciones elementales. En esta subsecci´ on, se ver´ a precisamente esta manera de expresar las soluciones. Se comenzará con el caso mas simple, las ecuaciones cuadráticas. Ecuaciones cuadr´ aticas Una ecuación cuadrática o ecuación polinomial de segundo grado es de la forma ax2 + bx + c = 0, con a 6= 0; ecuación que es equivalente a x2 + ¯bx + c¯ = 0,

(IV.1.2)

153

IV.1 Ecuaciones Polinomiales completando cuadrados se tiene ¯b2 ¯b 2 + c¯ − = 0, x+ 2 4 obteniendo, as´ı dos raices: ¯b x1 = − + 2

r

¯b2 − c¯, 4

¯b x2 = − − 2

r

¯b2 − c¯. 4

(IV.1.3)

¯2

on usual de la raiz cuadrada. En Si b4 − c¯ ≥ 0, se utiliza la determinaci´ caso contrario, una determinaci´ on donde las raices cuadradas de n´ umeros negativos esté definida. Ecuaciones C´ ubicas Las ecuaciones c´ ubicas o ecuaciones polinomiales de tercer grado son de la forma ax3 + bx2 + cx + d = 0, con a 6= 0; (IV.1.4) esta ecuación dividiendo por a se reduce a una ecuación de la forma x3 + a ¯x2 + ¯bx + c¯ = 0,

(IV.1.5)

planteando x ¯ = x + a/3, la ecuación se convierte en una ecuación de la forma x ¯3 − 3p¯ x − 2q = 0.

(IV.1.6)

Ahora bien, si se plantea x ¯ = u + v, se obtiene u3 + 3u2 v + 3uv 2 + v 3 − 3p(u + v) − 2q = 0, de donde u3 + v 3 + (u + v)(3uv − 3p) − 2q = 0, deduciendose, dos ecuaciones para u y v: (

uv = p, 3

u + v 3 = 2q;

por consiguiente u3 v 3 = p3 , mostrando as´ı que u3 , v 3 son las raices del polinomio de segundo grado λ2 − 2qλ + p3 ,

(IV.1.7)

154

IV Ecuaciones No Lineales

por lo tanto: u3 = q +

p q 2 − p3 ,

v3 = q −

p q 2 − p3 ;

para obtener finalmente la fórmula de Cardano q q p p 3 3 2 3 x ¯ = q + q − p + q − q 2 − p3 .

(IV.1.8)

teniendo cuidado de verificar uv = p.

Ecuaciones polinomiales de grado cuarto Son ecuaciones que pueden escribirse de la forma x4 + ax3 + bx2 + cx + d = 0,

(IV.1.9)

planteando x ¯ = x + a/4, esta ecuación se convierte en una ecuación de la forma x ¯4 − p¯ x2 − 2q x ¯ − r = 0, (IV.1.10) introduciendo z ∈ C en la anterior ecuación, se obtiene la siguiente ecuación equivalente (¯ x2 + z)2 = (2z + p)¯ x2 + 2q x ¯ + z 2 + r, se elige z de manera que el segundo miembro de la ecuación precedente sea una cuadrado perfecto, y eso ocurrre, si y solamente si (2z + p)(z 2 + r) − q 2 = 0,

(IV.1.11)

de donde z es raiz de una ecuación de tercer grado, que ya ha sido resuelta anteriormente. Habiendo determinado z, se tiene: p p (¯ x2 + z)2 = (α¯ x + β)2 , con α = 2z + p, β = z 2 + r; (¯ x2 + α¯ x + z + β)(¯ x2 − α¯ x + z − β) = 0, por consiguiente, las cuatro raices de la ecuación est´ an dadas por: p −α + α2 − 4(z + β) x1 = , (IV.1.12a) p 2 −α − α2 − 4(z + β) , (IV.1.12b) x2 = p 2 −α + α2 − 4(z − β) x3 = , (IV.1.12c) p 2 −α − α2 − 4(z − β) . (IV.1.12d) x4 = 2

155


Ecuaciones no Resolubles por Radicales Se ha visto que las ecuaciones polinomiales de grado igual o menor a 4 tienen soluciones que pueden ser expresadas como una composici´ on de radicales. Las fórmulas desarrolladas en el anterior paragrafo fuer´ on estudiadas y comprendidas hasta mediados del siglo XVI, posteriormente se atacó al problema de las ecuaciones de grado superior, en particular a las ecuaciones de grado quinto. Todos los intentos iban en la dirección de encontrar una fórmula general que estuviese expresada con radicales. Pero a principios del siglo pasado Galois mostró su famoso teorema que trastorno en cierta manera el mundo matemático de aquella época. Se enunciar´ a este teorema sin dar la demostración. Teorema IV.1.2.- Galois. No existe una fórmula general en forma de radicales para las ecuaciones polinomiales de grado superior o igual a 5. Este resultado lejos de descorazonar el estudio de las ecuaciones polinomiales constituyó un aporte, ya que se atacó el problema utilizando métodos anal´ıticos que estaban emergiendo con gran fuerza a principios y mediados del siglo pasado. Por otro lado se abandon´ o la idea de encontrar una fórmula general, para insistir sobre la posible ubicaci´ on de los ceros de un polinomio. Se desarrollaron métodos iterativos para la solución de estos problemas cuyo alcanze es mas vasto que el de las ecuaciones polinomiales.

Localizaci´ on de Ceros Como se dijo anteriormente, al no poder calcular expl´ıcitamente las raices de un polinomio, es importante determinar en que región se encuentran estas raices de manera de poder aplicar un método iterativo. Sea, p(x) un polinomio a coeficientes complejos de grado n, es decir p(x) = a0 xn + a1 xn−1 + · · · + an , si x es una raiz, se tiene xn = −

a1 n−1 a2 n−2 an x − x + ··· − . a0 a0 a0

Introduciendo la matriz de Frobenius de esta ecuación, se tiene  a1 an  − a0 − aa20 · · · −a 0 xn−1  1  xn−2     1 x  ...x  =  ..  . 1 1 0 {z | F matriz de Frobenius 



 n−1  x    xn−2   . ,   ..x   1 }

156


de donde p(x) = 0, si y solamente si x es un valor propio de F . Por lo tanto la localización de ceros de p(x) es equivalente a localizar los valores propios de la matriz F . A continuación se da un teorema cuya demostración ser´ a hecha en el cap´ıtulo 5. Teorema IV.1.3.- Gerschgorin. Sean A una matriz, λ un valor propio de A, entonces existe i tal que X |aij | . (IV.1.13) |λ − aii | ≤ j6=i

Aplicando este teorema a la matrix F se tiene la siguiente estimación: Corolario IV.1.4.- La raices del polinomio p(x) = a0 xn + · · · + an , con a0 6= 0 verifican ! n X ai . |x| ≤ max 1, (IV.1.14) a0 i=1

Uno de los resultados pr´ acticos e importantes en el álgebra de valores propios, es que la propiedad de valor propio es invariante por trasposici´ on, por consiguiente, el: Corolario IV.1.5.- Las mismas hipótesis del corolario precedente, dan la estimación siguiente ai (IV.1.15) |x| ≤ max 1 + . 0≤i≤n a0

Utilizando el teorema de Rouché y otros, se puede encontrar mas estimaciones sobre la localización de los ceros de un polinomio. Por ejemplo, en los ejercicios se debe mostrar la siguiente estimación s s ! i ai n an |x| ≤ 2 max . (IV.1.16) , 1≤i≤n−1 a0 2a0

Con el siguiente ejemplo se ver´ a que existen mejores estimaciones que otras, esto depende sobre todo del tipo de polinomio que se tiene. Ejemplo Se considerá la ecuación xn − 2 = 0,

la primera estimación, como la segunda dan |x| ≤ 2n , mientras que, la tercera da |x| ≤ 2. Debido a la aritmética de los ordenadores, el tipo REAL es un conjunto finito, que se asemeja mucho mas a los n´ umeros racionales que los reales,

157


por eso que se puede suponer que p(x) ∈ Q[x]. Por otro lado, cuando los polinomios tienen raices de multipliciad mayor a 1, la mayor parte de los algoritmos no funcionan, debido a la inestabilidades que se pueden presentar, o a las caracter´ısticas propias de los métodos empleados. Sea p(x) ∈ Q[x], p′ (x) su derivada, se define el polinomio q(x) utilizando el algoritmo de Euclides, por q(x) = mcd(p, p′ ),

(IV.1.17)

de donde el polinomio r(x) = p(x)/q(x) tiene las mismas raices que p(x) pero todas simples. Por consiguiente, se ha visto un procedimiento simple para reducir un polinomio p(x) a otro polinimio simple. En lo que sigue, se puede suponer que los polinomios considerados tienen raices simples.

M´ etodo de Newton Uno de los métodos com´ unmente utilizados en la determinaci´ on de raices de un polinomio, consiste en el uso del método de Newton. Aqu´ı se formulará este método, sin estudiar la convergencia y el c´ alculo de error, dejando ésto para el siguiente paragrafo. Por lo tanto, el método est´ a dado por la relación recursiva siguiente — —

x0 arbitrario, proximo a una solución. p(xk ) xk+1 = xk − ′ , donde p(x) es el polinomio a determinar p (xk ) sus raices.

El problema consiste en determinar todas las raices reales de p(x) = 0, suponiendo que se ha encontrado la primera raiz, se podr´ıa utilizar nuevamente el método de Newton utilizando otra valor, pero existe la posibilidad de encontrar nuevamente la primera solución. Para evitar esta situación se puede proceder b´ asicamente de dos maneras. La primera, una vez que se ha encontrado la raiz ξ1 , se define el polinomio q(x) =

p(x) , x − ξ1

(IV.1.18)

aplicando Newton sobre q(x). El principal inconveniente de este procedimiento radica en el hecho que ξ puede no ser racional, motivo por el cual r(x) ya no es exacto y la propagación de errores de redondeo puede dar resultados completamente alejados de la realidad. El segundo procedimiento consiste en aplicar el método de Newton a q(x), pero sin calcular los coeficientes de q(x). Sea p(x) el polinomio a determinar sus raices, suponiendo que se conoce de antemano ξ1 , . . . , ξk raices de p(x), de donde q(x) =

p(x) . (x − ξ1 ) · · · (x − ξk )

(IV.1.19)

158


Introduciendo el logaritmo y derivando se obtiene: log q(x) = log p(x) − k

k X i=1

log(x − ξi ),

q ′ (x) 1 p′ (x) X = − . q(x) p(x) (x − ξi ) i=1

(IV.1.20)

Aplicando el método de Newton a (IV.1.19), utilizando (IV.1.20), se obtiene como m-sima iteración. xm+1 = xm −

p(xm ) k X ′ p (xm ) − p(xm ) i=1

.

(IV.1.21)

1 (xm − ξi )

Este u ´ltimo procedimiento se conoce como el método de Maehly. Este método es numéricamente estable, en efecto considerando el siguiente ejemplo dado por Stoer. Ejemplo Se considera el polinomio p(x) definido por p(x) =

12 Y

(x − 2−j ) = x13 + a1 x12 + · · · + a12 .

j=0

Calculando los coeficientes en simple precisi´ on e utilizando el método de Newton en sus dos variantes se obtiene la tabla IV.1.1. As´ı mismo, el método de Newton permite encontrar las raices complejas, mas precisamente las raices no reales, de una ecuación polinomial. Para tal efecto, el punto de partida debe ser un n´ umero complejo no real, pues puede observarse que partiendo de un punto real, los valores obtenidos por el método de Newton son reales, ya sea con la primera variante, o con la mejora de Maschley. Puede suceder que una vez encontradas todas las raices reales del polinomio, siendo éstas no todas las raices; si no se tiene cuidado, se producir´ a un fen´ omeno de oscilaci´ on con el método de Newton. Por lo tanto hay que agregar al algoritmo que a partir de un n´ umero determinado de iteraciones, si no se ha alcanzado la convergencia hacia una raiz, se detenga el proceso, quedando por lo tanto dos alternativas: la primera verificar si todas las raices reales han sido calculadas, para luego comenzar con un n´ umero complejo no real; la segunda alternativa consiste en cambiar simplemente de punto inicial.

159


Tabla IV.1.1. Error en el c´ alculo de raices para un caso extremo. METODO DIVISION

METODO MAEHLY

SOL EXAC

SOL NUM

ERROR

SOL NUM

ERROR

1/1

1.00

0.0

1.000

0.0

0.5000

0.894 · 10−7

−4

0.950 · 10

1/2

0.500

1/22

−0.15

0.400

0.2500

−0.426

0.551

0.1250

0.560

0.498

−0.132

0.163

0.266

0.250

1/27

0.157

0.149

1/28

−0.237 · 10−1

0.028

−0.740

0.742

0.865

0.864

0.140

0.140

1/23 1/24 1/25 1/26

1/29 1/210 1/211 1/212

0.894 · 10−7 0.820 · 10−7

0.6250 · 10−1 0.138 · 10−6 0.671 · 10−7 0.140 · 10−7

0.1562 · 10−1 0.419 · 10−8 0.7813 · 10−2 0.168 · 10−7 0.1953 · 10−2 0.168 · 10−7 0.3906 · 10−2 0.291 · 10−9

0.9766 · 10−3 0.291 · 10−10 0.4883 · 10−3 .146 · 10−10

−0.179 · 10−1 0.181 · 10−1 0.2441 · 10−3 0.728 · 10−10

Sucesiones de Sturm La utilizaci´ on de sucesiones de Sturm en la resolución de ecuaciones polinomiales permite determinar las raices reales y no as´ı las raices no reales. En la mayor parte de los problemas, es solo importante conocer los ceros reales, motivo por el cual los procedimientos que utilizan sucesiones de Sturm son muy comunes en la resolución de ecuaciones polinomiales Definici´ on IV.1.6.- Una sucesión {f0 , f1 , . . . , fn } de funciones definidas en R con valores reales, continuamente derivables es una sucesión de Sturm, si: a) f0′ (x∗ )f1 (x∗ ) < 0 si f0 (x∗ ) = 0, x∗ ∈ R. b) fj−1 (x∗ )fj+1 (x∗ ) < 0 si fj (x∗ ) = 0, 1 ≤ j ≤ n − 1. c) fn (x) no cambia de signo sobre R y es positiva Teorema IV.1.7.- Sea {f0 , f1 , . . . , fn } una sucesión de Sturm, w(x) se denota al n´ umero de cambios de signo de {f0 (x), f1 (x), . . . , fn (x)}. Entonces la función f0 (x) tiene exactamente w(b) − w(a) ceros en el intervalo [a, b].

160


Demostraci´ on.- w(x) puede cambiar de valor solamente si uno de los fj (x) = 0. Por consiguiente, sea x∗ un tal n´ umero y sup´ ongase que 1 ≤ j ≤ n − 1. Estudiando en un vecindario de x∗ , la función w estar´ a determinada por los valores de las siguientes tablas: x∗ − ǫ

x∗

x∗ + ǫ

x∗ − ǫ

x∗

x∗ + ǫ

fj−1

+

+

+

fj−1

−

−

−

fj

±

0

±

fj

±

0

±

fj+1

−

−

−

fj+1

+

+

+

x∗ − ǫ

x∗

x∗ + ǫ

fn−1

±

±

±

fn

+

0

+

de donde w(x∗ + ǫ) = w(x∗ − ǫ) cuando fj (x∗ ) = 0 para 1 ≤ j ≤ n. Ahora bien, si f0 (x∗ ) = 0, estudiando alrededor de un vecindario de x∗ se tiene las tablas: x∗ − ǫ

x∗

x∗ + ǫ

f0

+

0

−

f1

−

−

−

de donde w(x∗ + ǫ) = w(x∗ − ǫ) + 1.

x∗ − ǫ

x∗

x∗ + ǫ

f0

−

0

+

f1

+

+

+

,

Volviendo al problema original de encontrar los ceros reales de un polinomio p(x) con raices simples, a coeficientes reales (racionales), el objetivo es construir una sucesión de Sturm de tal manera que f0 = p. Se define la siguiente sucesión de polinomios de manera recursiva utilizando la división con resto, por  f0 (x) := p(x),      f1 (x) := −p′ (x),       f0 (x) = g1 (x)f1 (x) − γ12 f2 (x), (IV.1.22) f1 (x) = g2 (x)f2 (x) − γ22 f3 (x),      ..   .     fn−1 (x) = gn (x)fn (x). La definición de la sucesión (IV.1.22) es el algoritmo de Euclides para determinar el mcd(p(x), p′ (x)). Se tiene el siguiente teorema.

161


Teorema IV.1.8.- Supóngase que p(x) solamente tiene raices simples, entonces la sucesión definida por (IV.1.22) es una sucesión de Sturm. Demostraci´ on.- Puesto que p(x) tiene raices simples, si p′ (x∗ ) = 0, se tiene ∗ p(x ) 6= 0, de donde la condici´ on a) es satisfecha, a) f0′ (x∗ )f1 (x∗ ) = −(f0′ (x∗ ))2 < 0.. b) Se cumple esta condici´ on por construcción de la sucesi´ on. c) fn = mcd(p, p′ ) = C. Algoritmo Con el algoritmo de bisección se separa las raices realles de p(x), es decir se divide en la mitad un intervalo original [a, b] y se continua hasta tener todas las raices localizadas en subintervalos [ai , bi ]. Se puede continuar con el algoritmo de bisección hasta lograr la precisi´ on deseada, o si no se mejora el resultado utilizando el método de Newton.

Ejercicios 1.- El polinomio x4 − 8x3 + 24x2 − 32x + a0 , a0 = 16 posee una raiz de multiplicidad 4 en el punto x = 2. ¿Cómo cambian las raices del polinomio si se remplaza a0 por a ¯0 = a0 (1 + ǫ) con |ǫ| ≤ eps? Calcular las raices de este polinomio, ¿es un problema bien condicionado? 2.- Sea p(x) un polinomio de grado n a coeficientes reales. Supóngase que todas las raices α1 ≥ α2 ≥ · · · ≥ αn sean reales. a) Mostrar que el método de Newton converge hacia α1 , si x0 > α1 . Indicaci´ on.- Para x > α1 los valores de p(x), p′ (x), p′′ (x) tienen el mismo signo que lim p(x). Mostrar que {xk } es una sucesión x→∞ monótona. b) Si x0 es mucho mas grande que α1 , entonces el método de Newton converge muy lentamente. (xk+1 ∼ xk (1 − 1/h)) 3.- Considérese el polinomio f (x) = x6 − 3x5 + 6x3 − 3x2 − 3x + 2. Sin calcular las raices de este polinomio, determinar el n´ umero de raices distintas de f (x). 4.- Encontrar un algoritmo que, para un polinomio arbitrario f ∈ Q[x], permita calcular la factorizaci´ on f (x) = f1 (x) · (f2 (x)

2

· (f3 (x)

3

k · · · (fk (x) ,

162

IV Ecuaciones No Lineales donde f1 , . . . , fk son primos entre si y donde cada polinomio fj (x) solo tiene raices simples.

5.- Para un polinomio f (x) = a0 xn + a1 xn−1 + · · · an−1 x + an ,

a0 6= 0;

con coeficientes en C, mostrar que todas las raices ξ satisfacen la estimación s ( s s ) a1 a1 n−1 an−1 n an |ξ| ≤ 2 max , , . . . , . (IV.1.23) , a0 a0 a0 2a0

Encontrar, para cada n, un polinomio tal que se tenga igualdad en (IV.1.23)

6.- Considérese el polinomio f (x) = x5 − 5x4 + 3x3 + 3x2 + 2x + 8. a) Determinar el n´ umero de raices reales. b) ¿Cuantas raices son complejas? c)¿Cuantas raices son reales y positivas? Indicaci´ on.- Utilizar una sucesión de Sturm. 7.- Sea f (p + 1) veces continuamente diferenciable en un vecindario de ξ ∈ R y sea ξ una raiz de multiplicidad p. Mostrar que la sucesión {xk }, definida por f (xk ) , xk+1 = xk − p ′ f (xk ) converge hacia ξ, si x0 es suficientemente proximo de ξ, y que se tiene xk+1 − ξ f (p+1) (ξ) −→ . (xk − ξ)2 p(p + 1)f (p+2) (ξ) 8.- El método de Newton, aplicado a z 3 − 1 = 0, da la iteración

z3 − 1 2z 3 + 1 zk+1 = Φ(zk ), con Φ(z) = z − = . 3z 2 3z 2 Denótese por Aj = z0 ∈ C; zk → e2iπj/3 , j = 0, 1, 2; los canales de atracción. Mostrar: a)A0 ∩ R = R − {ξ0 , ξ1 , . . .} donde ξ0 = 0 y ξk−1 = Φ(ξk ), b)Aj+1 = e2πi/3 Aj , c)Calcular Φ−1 (0) y Φ−2 (0) con la fórmula de Cardano. Esto muestra que el sector {z ∈ C| |arg(z)| < π/3} contiene puntos que no convergen hacia 1. d) Supóngase que Φk (¯ z ) = 0 para un k ∈ N. Mostrar que U ∩ Aj 6= ∅ (j = 0, 1, 2) para cada vecindario U de z¯.

IV.2 M´ etodos Iterativos

En la sección precedente, se ha visto que la mayor parte de las ecuaciones a resolver no pueden ser resueltas de manera expl´ıcita, es decir mediante una fórmula mágica. Es por esta raz´ on, que el estudio de los métodos iterativos es una necesidad imperiosa para poder encontrar las soluciones de una ecuación. Para tal efecto es también importante conocer el tipo de funciones con las que se est´ a trabajando. En lo que sigue, se estudiar´ a varios aspectos que son fundamentales para la comprensi´ on del tema.

Posici´ on del Problema Uno de los problemas más comunes, se trata del siguiente. Supóngase, que se tiene la función f : I −→ R, donde I ⊂ R intervalo. El problema, se trata de obtener con una aproximación arbitraria las raices de la ecuación f (x) = 0.

(IV.2.1)

Está claro, que ser´ıa rid´ıculo esperar obtener, en general, fórmulas de resoluci´ on de (IV.2.1), del tipo de fórmulas clásicas resolviendo las ecuaciones de segundo grado. Se ha visto que, es imposible en el caso en que f es un polinomio de grado ≥ 5. Incluso para el problema más razonable planteado aqu´ı , no existe un método general conduciendo al resultado buscado, los procedimientos te´ oricos de aproximación pueden conducir, sin hipótesis adecuadas para la función f a c´ alculos numéricos inextricables, incluso para los ordenadores más potentes que existen en la actualidad. Por otro lado, incluso si el intervalo I es acotado, puede suceder que la ecuación (IV.2.1) tenga una infinidad de raices, por ejemplo, cuando f es identicamente nula en un subintervalo. El ejemplo 1 f (x) = x3 sin , x

(IV.2.2)

muestra que puede existir una infinidad de raices, aun cuando f no sea identicamente nula en un subintervalo. Por consiguiente, un primer paso consiste en descomponer el intervalo I, por un n´ umero finito o infinito de puntos de subdivisión, en subintervalos en cada uno de los cuales se sepa que, la ecuación no tiene raiz, o la ecuación tenga una y una sola solución. Se estar´ a seguro, que es as´ı cuando la función

164


es monótona para el primer caso si f (x) no cambia de signo y en el segundo caso si f (x) cambia de signo. Para asegurar la existencia en el segundo caso, se exige como hipótesis suplementaria la continuidad en tal subintervalo. Ejemplo La función f (x) =

b1 b2 bn + + ··· + , x − a1 x − a2 x − an

(IV.2.3)

donde a1 < a2 < · · · < an y los bj son todos diferentes a 0 y del mismo signo, est´ a definida en cada uno de los subintervalos abiertos ]∞, a1 [, ]a1 , a2 [, . . . , ]an−1 , an [, ]an , +∞[; en cada uno de estos subintervalos es monótona, ya que su derivada tiene el signo opuesto de los bj . Por otro lado cuando x tiende por derecha a uno de los aj , f (x) tiende en valor absoluto a ∞ y cuando x tiende por izquierda a uno de los aj , f (x) tiende en valor absoluto a ∞, pero con signo opuesto que el l´ımite por derecha. Por lo tanto, se concluye que la función f tiene exactamente una raiz en cada subintervalo. Para obtener una descomposici´ on de I en intervalos del tipo considerado anteriormente, es decir para separar las raices, se necesitar´ıa te´ oricamente estudiar el sentido de variaci´ on de la función f , agregando otra hipótesis suplementaria respecto a f , como que f sea continuamente derivable, esto significar´ıa estudiar el signo de f ′ (x), por consiguiente se estar´ıa obligado a encontrar las raices de la ecuación f ′ (x) = 0, que salvo algunos casos, su resoluci´ on presenta las mismas dificultades que la ecuación original. Por lo expuesto más arriba, se est´ a en la capacidad de enunciar el siguiente teorema de existencia y unicidad de la solución de una ecuación con su algoritmo de resolución incluido. Teorema IV.2.1.- Sea f : I −→ R continua y monótona, entonces la ecuación f (x) = 0 tiene ⇐⇒ existen a < b ∈ I, tales que f (a)f (b) < 0. una y una sola solución Adem´ as si existiese la solución, ésta puede ser aproximada de manera arbitraria con el algoritmo de la bisección. La primera observación que se puede hacer al algoritmo de la bisección consiste en que este algoritmo construye subintervalos encajonados reduciendo la longitud de cada subintervalo de la mitad en cada iteración. Pero una de las interrogantes que uno se plantea, es cuando detener el algoritmo. En general, esto sucede cuando el valor absoluto de la función f evaluada en las extremidades es menor a un valor de tolerancia prefijado con anterioridad. Ahora bien, si solamente se exige que f sea monónota y continua puede pasar situaciones, como las del siguiente ejemplo.


165

Ejemplo Sea f : (−1, 1) −→ R definida por

f (x) = x100 g(x),

(IV.2.4)

donde g es una función continua que no se anula en (−1, 1). Es evidente que, x = 0 es una raiz de la ecuación f (x) = 0. Aplicando el algoritmo de la bisección con una tolerancia de 10−6 y tomando como puntos de partida a = −0, 9 y b = 0.9 puede suceder que |f (x)| < T OL, dejando una gran elección para escoger la raiz de f (x). Por lo tanto, si no se tiene la hipótesis que f (x) sea derivable y que f ′ (x) 6= 0 para x raiz de la ecuación f (x) = 0, se debe tener mucho cuidado en la determinaci´ on de la solución numérica del problema, para no cometer grandes errores.

M´ etodo de la Falsa Posici´ on En este paragrafo, se supondr´ a que f : [a, b] −→ R

es dos veces continuamente derivable, que f ′ (x) no se anula en el intervalo ]a, b[ y adem´ as f (a)f (b) < 0. La idea para obtener una valor aproximado de la raiz ξ0 de la ecuación f (x) = 0 en el intervalo I =]a, b[, consiste en remplazar f por un polinomio que toma los valores de f en determinados puntos de I. Como se ha visto en la primera sección de este cap´ıtulo, las ecuaciones polinomiales más simples de resolver son las ecuaciones de primer grado y las ecuaciones cuadráticas. Por razones de simplicidad en la formulación, el método de la falsa posici´ on ser´ a estudiado tomando como polinomio, uno de primer grado. Sea L(x) el polinomio de interpolaci´ on de primer grado, tal que: L(a) = f (a),

L(b) = f (b),

ver en la figura IV.2.1.

y=L(x)

a

ξ

y=f(x)

b

ξ0

Figura IV.2.1 Método de la Falsa Posici´ on.

(IV.2.5)

166


Las hipótesis implican que L(x) se anula en un punto ξ ∈ I, que se toma como valor aproximado de ξ0 . Por consiguiente se trata de mayorar el error cometido |ξ − ξ0 |; para tal efecto se recordará el teorema III.1.13 que da el siguiente resultado f (x) − L(x) =

1 ′′ f (ζ)(x − x0 )(x − x1 ) 2

(IV.2.6)

con ζ ∈ I, deduciendo la siguiente proposici´ on.

Proposici´ on IV.2.2.- Si f ′ no se anula en el intervalo I, y si f (ξ0 ) = 0, L(ξ) = 0 para ξ, ξ0 ∈ I, entonces se tiene ξ − ξ0 =

1 f ′′ (ζ) (ξ − a)(ξ − b), 2 f ′ (ζ ′ )

(IV.2.7)

donde ζ y ζ ′ son n´ umeros que pertenecen a I. Demostraci´ on.- Por (IV.2.6), se tiene f (ξ) =

1 ′′ f (ζ)(ξ − a)(ξ − b), 2

por el teorema del valor medio se tiene f (ξ) = f ′ (ζ ′ )(ξ − ξ0 ) con ζ ′ que pertenece al intervalo cuyas extremidades son ξ0 y ξ. Combinando ambos resultados se obtiene el resultado de la proposici´ on. Corolario IV.2.3.- Mismas hipótesis de la proposici´ on precedente, y adem´ as |f ′ (x)| ≥ m > 0, y |f ′′ (x)| ≤ M para todo x ∈ I, entonces |ξ − ξ0 | ≤

M (b − a)2 . 8m

(IV.2.8)

Si el error |ξ − ξ0 | evaluado por la estimación (IV.2.8) no es lo suficientemente peque˜ no, se puede repetir el procedimiento: se calcula f (ξ) y dependiendo de su signo, la raiz ξ0 se encuentra en el intervalo [a, ξ] o [ξ, b], al cual se aplica el mismo método obteniendo as´ı un segundo valor aproximado ξ ′ . Te´ oricamente, se puede aplicar indefinidamente este procedimiento, y se muestra facilmente que la sucesión de los n´ umeros obtenidos converge hacia ξ, ver ejercicios. Como se dijo al abordar el método de la falsa posici´ on, se puede aproximar la raiz de la ecuación f (x) = 0 con un polinomio de segundo grado. Con la misma notación que antes ξ0 es la raiz de la ecuación, suponiendo


167

ademas que f (x) es tres veces continuamente diferenciable sobre el intervalo I. Se denota por c el punto medio del intervalo I. Puesto que f ′ (x) no cambia de signo en este intervalo, f (c) es positivo o negativo. Sea L(x) el polinomio de interpolaci´ on de grado 2, tal que L(a) = f (a)

L(c) = f (c)

L(b) = f (b);

(IV.2.9)

utilizando la fórmula de Newton del cap´ıtulo III, se tiene L(x) = f (a) +

f (c) − f (a) (x − a) c−a f (b) − 2f (c) + f (a) (x − a)(x − c), +2 (b − a)2

IV.2.10)

resolviendo esta ecuación, sea ξ ∈ I la raiz del polinomio de segundo grado, la cual puede ser determinada utilizando el método de resolución de ecuaciones de segundo grado, teniendo el cuidado de escoger la raiz que se encuentra en [a, b]. Suponiendo que sobre el intervalo [a, b], f es tres veces continuamente derivable, el teorema III.1.13 da la siguiente estimación f (x) − L(x) =

1 ′′′ f (ζ)(x − a)(x − c)(x − b), 6

(IV.2.11)

donde ζ ∈ [a, b]. deduciendo la siguiente proposici´ on. Proposici´ on IV.2.4.- Si f ′ no se anula en el intervalo I, y si f (ξ0 ) = 0, L(ξ) = 0 para ξ, ξ0 ∈ [a, b], entonces se tiene ξ − ξ0 =

1 f ′′′ (ζ) (ξ − a)(ξ − c)(ξ − b) 6 f ′ (ζ ′ )

(IV.2.12)

donde ζ y ζ ′ son n´ umeros que pertenecen a [a, b]. Demostraci´ on.- Por (IV.2.11), se tiene f (ξ) =

1 ′′ f (ζ)(ξ − a)(ξ − c)(ξ − b), 6

por el teorema del valor medio, se tiene f (ξ) = f ′ (ζ ′ )(ξ − ξ0 ), con ζ ′ que pertenece al intervalo cuyas extremidades son ξ0 y ξ. Combinando ambos resultados se obtiene el resultado de la proposici´ on.

168


Corolario IV.2.5.- Mismas hipótesis de la proposici´ on precedente, y adem´ as |f ′ (x)| ≥ m > 0, y |f ′′′ (x)| ≤ M para todo x ∈ [a, b], entonces |ξ − ξ0 | ≤

M (b − a)3 . 24m

(IV.2.13)

Si el error |ξ − ξ0 | evaluado por la estimación (IV.2.13) no es lo suficientemente peque˜ no, se puede repetir el procedimiento: se calcula f (ξ) y dependiendo de su signo, la raiz ξ0 se encuentra en el intervalo [a, ξ] o [ξ, c], etc, al cual se aplica el mismo método obteniendo as´ı un segundo valor aproximado ξ ′ . Te´ oricamente, se puede aplicar indefinidamente este procedimiento, y se muestra facilmente que la sucesión de los n´ umeros obtenidos converge hacia ξ0 , ver ejercicios. El método de la Falsa Posici´ on es un claro ejemplo de un método iterativo, pues utiliza soluciones anteriormente obtenidas para calcular una nueva solución. En general, se dirá que un método iterativo es de orden k o de k pasos, si la iteración puede expresarse de la forma: xn+1 = Φ(xn , xn−1 , . . . , xn−k+1 ).

(IV.2.14)

Por lo tanto, los métodos descritos anteriormente son métodos iterativos de dos pasos, pues se sirven de 2 valores para calcular el valor de la iteración siguiente.

Sistemas de Ecuaciones Los problemas que han sido estudiados más arriba estaban relacionados a funciones de una sola variable con valores reales. Ahora bien, existe una gran variedad de problemas donde se deben resolver sistemas de ecuaciones, que en general no son lineales. La posici´ on del problema es por consiguiente: Dada f : U ⊂ Rn −→ Rn , encontrar ξ ∈ U tal que f (ξ) = 0.

(IV.2.15)

Reiterando lo que se dijo al inicio de esta sección no se puede esperar de obtener una fórmula milagrosa para determinar ξ, lo que se debe buscar es por consiguiente una aproximación de esta solución con la precisi´ on que se desee. La continuidad no es una condici´ on suficiente para determinar la existencia de ceros, hipótesis primordial en el caso de una variable; en el caso de varias variables, en la mayor parte de los casos no se puede demostrar la existencia de ceros, contentandose con la unicidad de éstos a nivel local. Un teorema muy importante, es el de la inversión local que ser´ a enunciado sin demostración, para el lector interesado, puede encontrarla en cualquier libro de An´ alisis, por ejemplo en Rudin.


169

Teorema IV.2.6.- Sean D ⊂ Rn abierto, f : D −→ Rn continuamente diferenciable. Si: a) f (x∗ ) = 0, b) fx′ ∗ es inversible, entonces, existe dos vecindarios, U de x∗ y V de 0, tales que para todo v ∈ V existe un u ńico x ∈ U, tal que f (x) = v y la aplicaci´ on g :V −→ U v −→ x(v) es continuamente diferenciable y adem´ as gv′ = (fx′ )

−1

.

Consecuencias de este teorema son: la unicidad local de la solución; si x ˆ es solución n´ umerica obtenida mediante un metodo cualquiera se tiene la siguiente estimación del error −1

x ˆ − x∗ = (fx′ ∗ ) −1

de donde si (fx′ ∗ ) f (ˆ x) es peque˜ no.

2

f (ˆ x) + O(kf (ˆ x)k ),

es casi singular, x ˆ − x∗ puede ser muy grande, aun si

Un m´ etodo Iterativo simple Existe otra clase de ecuaciones que pueden ser escritas de la forma f (x) = x,

(IV.2.17)

donde f es una función de varias variables con las condiciones dadas al inicio de este paragrafo. Cabe remarcar que la ecuación (IV.2.15) puede ser expresada como x = g(x) con g(x) = x−Af (x), donde A es generalmente una matriz. La existencia y unicidad de las ecuaciones de la forma (IV.2.17) son resueltas utilizando el teorema del punto fijo en espacios métricos. Para saber más sobre espacios métricos ver Schawartz. A continuación, se enunciar´ a el teorema del punto fijo. Teorema IV.2.7.- Sean X un espacio métrico completo, f : X −→ X una aplicaci´ on verificando d(f (x), f (y)) ≤ Cd(x, y),

C < 1;

donde d denota la distancia en X. Entonces la ecuación f (x) = x admite una y una sola solución. Demostraci´ on.- Sea x0 ∈ X un punto arbitrario, se define la sucesión {xk } de manera recursiva por xk+1 = f (xk ),

170


esta sucesión es de Cauchy, en efecto, si n ≥ m, se tiene: d(xn , xm ) ≤ d(xn , xn−1 ) + · · · + d(xm+1 , xxm ), d(xm+1 , xm ) ≤ C m d(x1 , x0 ), por lo tanto

Cm , 1−C que tiende a cero, cuando n, m tienden a ∞. Sea x∗ = lim xn , se deduce d(xn , xm ) ≤

n→∞

que f (x∗ ) = x∗ . Con esto se ha demostrado la existencia de la solución. Para la unicidad se considera x, y son soluciones del problema, por lo tanto d(x, y) = d(f (x), f (y)) ≤ Cd(x, y),

y la u ńica posibilidad que suceda esto es que x = y.

Se puede dar condiciones menos fuertes sobre el espacio X o sobre f , por ejemplo que f sea localmente una contracci´ on, con solamente esta hip´ otesis se mantiene la unicidad, pero est´ a vez localmente, la existencia no est´ a asegurada. Por lo expuesto, se puede formular el método iterativo dado en la demostración del teorema precedente para el siguiente problema: Sea Φ : Rn −→ Rn continua, determinar x ∈ Rn tal que Φ(x) = x. El método iterativo est´ a dado por: ( x0 , arbitrario; (IV.2.18) xn = Φ(xn−1 ). Teorema IV.2.8.- Si {xn } converge hacia x∗ , y Φ es continua en x∗ , entonces x∗ es solución de x = Φ(x) Demostraci´ on.- Se deja al lector.

El anterior teorema se˜ nala claramente que si la función Φ es continua, y la sucesión definida por (IV.2.18) es convergente, entonces el l´ımite de esta sucesión es la solución del problema Φ(x) = x. Por consiguiente, la pregunta natural que uno puede plantearse es cuando existen condiciones suficientes para tener convergencia. Definiendo el error en como en = xn − x∗ , donde x∗ es la solución exacta, y xn la n-sima iteración, se obtiene: en+1 = xn+1 − x∗ = Φ(xn ) − Φ(x∗ ) en+1 ≈ Φ′ (x∗ )en .

= Φ′ (x∗ )(xn − x∗ ) + O kxn − x∗ k2 ,

(IV.2.19)


171

Si ken+1 k ≤ q ken k para q < 1, entonces en → 0 cuando n → ∞. Por consiguiente la sucesión es convergente, si existe una norma tal que kΦ′ (x∗ )k = q < 1. Teorema IV.2.9.- a) Sea Φ(x) = Ax + b, con A matriz, entonces el método iterativo (IV.2.18) converge para todo x, si y solamente si ρ(A) < 1, donde ρ(A) = max |λ| | λ es un valor propio de A .

b) Si Φ(x) es no lineal y dos veces continuamente diferenciable, entonces se tiene convergencia si: ρ(Φ′ (x∗ )) < 1, x0 − x∗ es suficientemente peque˜ no.

Demostraci´ on.- Se mostrar´ a solamente el inciso a), dejando al lector el inciso b) con las observaciones hechas antes de enunciar el teorema. ⇒ Se supone que el método converge ∀x0 ∈ Rn . Sea λ un valor propio de A, y e0 un vector propio respecto a este valor propio, entonces en = An e0 , λn e0 −→ 0,

posible solamente si |λ| < 1. ⇐ Se supone que ρ(A) < 1, sea e0 ∈ Rn arbitrario, de donde en = An e0 . Por el teorema de Jordan, existe una matriz T no singular tal que   . λ1 . .   .. 0   . 1     λ1     .. . T −1 AT =  . λ2     . 0   .. 1     λ2   .. . Sea D = diag(1, ǫ, ǫ2 , . . . , ǫn−1 ),  λ  1      D−1 T −1 AT D =       

por consiguiente .. . .. 0 . ǫ λ1 . λ2 . . .. 0 .



ǫ λ2 ..

.

       = J,      

172


si ǫ es suficientemente peque˜ no, se tiene kJk∞ < 1, de donde el método es convergente. Para el problema f (x) = 0, se vio antes que se puede convertir en problema de punto fijo, planteando Φ(x) = x − Af (x),

(IV.2.20)

donde A es una matriz constante A, inversible. Ahora bien, para cumplir las condiciones del teorema precedente ρ(Φ′ (x∗ )) < 1, motivo por el cual es suficiente A ≈ (f ′ (x∗ ))−1 para que Φ′ (x∗ ) ≈ 0. Ejemplo Considérese la ecuación siguiente x2 + y 2 − 1 = 0 1, sin x + sin y = 2 se desea determinar las soluciones de esta ecuación. Convirtiendo en un problema de punto fijo se tiene x2 + y 2 − 1 x Φ(x, y) = −A sin x + sin y − 21 y donde la A es una matriz de 2 × 2. La derivada de f en el punto (x, y), est´ a dada por 2x 2y ′ f(x,y) = , cos x cos y la inversa de la derivada de f , esta dada por 1 cos y −2y ′ −1 (f(x,y) ) = . 2(x cos y − y cos x) − cos x 2x Recorriendo a travez de la circunferencia de radio 1 dada por la primera ecuación se escogen los valores de x, y para los cuales remplazando en la segunda ecuación se tiene valores muy cerca a 1/2. Una vez determinados estos valores se consigue una aproximación de la matriz A para poder aplicar el método iterativo. Las soluciones obtenidas con una precisi´ on del orden de 10−10 son: x = 0.3176821764792814, x = −0.948197255188055,

y = −0, 948197255188055; y = 0, 3176821764792814.


173

Ejercicios 1.- Sea A una matriz que es diagonal dominante, es decir X |aii | > |aij | , i = 1, . . . , n; j6=i

entonces el método de Jacobi, formulado en el cap´ıtulo II, para resolver Ax = b es convergente. 2.- Considérese la ecuación integral y(x) = f (x) +

Z

b

K(x, s, y(s))ds,

(∗)

a

donde a, b, f, K est´ an dados, se busca y(x). Mostrar, si el nucleo K es degenerado, es decir K(x, s, y) =

n X

ai (x)bi (s, y),

i=1

entonces la solución de (∗) est´ a dada por y(x) = f (x) +

n X

ci ai (x)

i=1

donde las constantes c1 , . . . , cn satisfacen Z b n X bi (s, f (s) + cj aj (s))ds i = 1, . . . , n. ci = a

j=1

3.- Calcular la solución de Z π (2 sin x sin s + sin 2x sin 2s)ey(s) ds, y(x) = 1 + λ 0

λ=

1 . 10

Resolver el sistema no lineal para c1 , c2 con el método iterativo. 4.- Sean J = [a, b] un intervalo de R en el cual la función dos veces continuamente diferenciable f verifica las relaciones |f ′ (x)| ≥ m, M |f ′′ (x)| ≤ M , f (a)f (b) < 0. Mostrar que si (b − a) = q < 1 se 4m puede, por n aplicaciones sucesivas del método de la falsa posici´ on, encontrar un intervalo de extremidades an , bn conteniendo la u ńica raiz de f (x) = 0 en [a, b], con |bn − an | ≤

4m 2n q . M

IV.3 M´ etodo de Newton

En lo que va este cap´ıtulo, se ha visto dos enfoques para resolver sistemas de ecuaciones, el primero mediante una fórmula que de el resultado de manera expl´ıcita en función de los datos del problema. El segundo enfoque consiste en utilizar métodos iterativos que permitan aproximar a la solución de una manera arbitraria. En la sección precedente se vio en los diferentes teoremas de convergencia que la velocidad de convergencia es lineal, lo que puede constituir una desventaja, desde el momento en que se requiera resolver grandes y muchos sistemas de ecuaciones. Lo deseable ser´ıa cambiar el orden de convergencia, por ejemplo a una reducci´ on cuadrática del error. Recordando el método de la Falsa Pendiente, en lugar de tomar una secante para determinar una aproximación del cero de la función estudiada, se podr´ıa tomar la tangente en un punto de la curva inducida por la función. El método iterativo formulado en la sección precedente estaba basado en el teorema del punto fijo y el problema a resolver era de la forma Φ(x) = x, para el caso de las ecuaciones de la forma f (x) = 0, era suficiente considerar la funci´ on Φ(x) = x − Af (x), donde A es una matriz constante, ahora bien suponiendo que f ′ (x) es inversible en un vecindario de una de las soluciones de la ecuación, en lugar de tomar A constante, se puede plantear A = (f ′ (x))−1 . Las motivaciones est´ an dadas para formular un nuevo método, cuya velocidad de convergencia sea superior a los métodos anteriormente formulados. Para tal efecto, considerése la función f : U ⊂ Rn −→ Rn , U un abierto de Rn , se supone adem´ as que f es continuamente derivable, y la derivada en todo punto es inversible. Por consiguiente, se tiene el problema f (x) = 0,

(IV.3.1)

cuyas soluciones, si éstas existen son localmente u ńicas, por el teorema de las funciones inversas, dado en la sección precedente. Supóngase que este problema tiene al menos una solución, denotandola por x∗ . Sea x ∈ U bastante pr´ oximo de x∗ , aplicando la definición de la derivada en el punto x se obtiene f (x∗ ) = f (x) + f ′ (x)(x∗ − x) + O(kx∗ − xk2 ), de donde despreciando el término que contiene O se obtiene la ecuación lineal dada por f ′ (x)(x∗ − x) = −f (x), que por hipótesis tiene solución y es u ńica. De donde, el método de Newton tiene la formulación siguiente, sea x0 un punto bastante pr´ oximo de la


175

solución buscada x∗ , xm se define recursivamente, por las ecuaciones f ′ (xm−1 )(xm − xm−1 ) = −f (xm−1 ).

(IV.3.2)

Ejemplos 1.- Considérese la ecuación de una sola variable dada por f (x) = 2x − tan x, para aplicar el método de Newton la derivada est´ a dada por f ′ (x) = 2 −

1 , cos2 x

partiendo del punto inicial x0 = 1, 2 se obtiene los siguientes valores mediante el método de Newton. Tabla IV.3.1. Valores obtenidos por el método de Newton. k

xk

f (xk )

0

1, 2

−0.172152

1 1.16934

e2k /ek−1

−1.69993 × 10−2

2 1.16561 −0.213431 × 10−3 −3.97664 3 1.16556 −0.347355 × 10−07 −3.44610 4 1.16556 −.133227 × 10−14

−3.38337

2.- Considérese el sistema de ecuaciones dado por ( x2 + y 2 − 4 = 0 . xy − 4 = 0 Las soluciones de este sistema de ecuaciones est´ an dadas por la intersección de una circunferencia de radio 2 y centro en el origen y una hipérbola inclinada. Realizando un gráfico se puede observar que una de las raices est´ a pr´ oxima al punto (0.5, 2) que ser´ a tomado como punto inicial. La matriz derivada es igual a 2x 2y , f ′ (x, y) = y x utilizando el método de eliminación de Gauss para calcular los valores de (xk , yk ) se obtiene la siguiente tabla con las primeras 23 iteraciones del método de Newton.

176


Tabla IV.3.2. Valores obtenidos por el método de Newton. k

xk

yk

kf (xk )k2

0

0.5

2.

0.25

1

.516666 1.96666

2

kek k2 / kek−1 k2

0.134722

2 0.526332 1.94921 0.764322 × 10−1

14.3688

−1

3 0.532042 1.93948 0.446506 × 10

28.3211

22 0.540690 1.92553 0.345530 × 10−5

446885.

23 0.540690 1.92553 0.210661 × 10

732995.

−5

En las tablas IV.3.1 y IV.3.2, se observa que el método de Newton converge cuadráticamente. Es importante poder confirmar te´ oricamente este resultado. Analizando el caso de una variable, se supone que f : I −→ R es dos veces continuamente derivable, x∗ una solución del problema f (x) = 0, adem´ as f ′ (x∗ ) 6= 0. Sea xk el valor de la k-esima iteración obtenida del método de Newton. El desarrollo de Taylor en xk de la función f y el método de Newton para obtener xk+1 est´ an dados por: 1 0 = f (xk ) + f ′ (xk )(x∗ − xk ) + f ′′ (xk ) (x∗ − xk )2 +O((x∗ − xk )3 ), | {z } 2 e2k 0 = f (xk ) + f ′ (xk )(xk+1 − xk ),

sustrayendo ambas cantidades se obtiene

de donde

1 0 = f ′ (xk ) (xk+1 − x∗ ) − f ′′ (xk )e2k + O((ek )3 ), | {z } 2 e2k+1 ek+1 =

1 f ′′ (xk ) 2 e + O((ek )3 ), 2 f ′ (xk ) k

mostrando as´ı el teorema siguiente: Teorema IV.3.1.- Sea f : I −→ R, tres veces continuamente diferenciable, x∗ una solución de la ecuación f (x) = 0. Si f ′ (x) 6= 0 en un vecindario de x∗ , x0 bastante pr´ oximo de x∗ , entonces ek+1 =

1 f ′′ (xk ) 2 e + O((ek )3 ), 2 f ′ (xk ) k

(IV.3.3)


177

donde ek = x∗ − xk . Para el caso de una función de varias variables, la situaci´ on es bastante similar, en efecto sea f : U ⊂ Rn −→ Rn ,

donde U es un abierto de Rn , f es una función tres veces continuamente derivable, cuya derivada es inversible para todo x ∈ U. La derivada de f en el punto x ∈ U es una aplicaci´ on lineal, cuya matriz respecto a la base can´ onica est´ a dada por  ∂f1  · · · ∂f1 ∂x1 ∂xn  . ..   f ′ (x) =  . ,  .. ∂fn

∂x1

···

∂fn

∂xn

donde f1 , . . . , fn son las componentes de la función f ; la segunda derivada de f en el punto x ∈ U es una aplicaci´ on bilineal simétrica, que respecto a la base can´ onica, est´ a dada por f ′′ (x)(h, k) =

X i,j

∂2f (x)hi , kj , ∂xi ∂xj

donde h, k ∈ Rn y los hi , kj son las componentes de h y k respecto a las bases naturales. Para más detalle ver Cartan. El desarrollo de Taylor en x est´ a dado por 1 3 f (x + h) = f (x) + f ′ (x)h + f ′′ (x)(h, h) + O(khk ). 2 Teorema IV.3.2.- Sean f : U ⊂ Rn −→ Rn tres veces diferenciable, con derivada inversible y x∗ ∈ U con f (x∗ ) = 0. Si {xk } es la sucesión definida por el método de Newton, entonces el error ek = xk − x∗ satisface ek+1 =

−1 ′′ 1 ′ 3 f (xk ) f (xk )(ek , ek ) + O(khk ). 2

Demostraci´ on.- Similar a la del caso de una sola variable.

(IV.3.4)

C´ alculo de la Derivada Al implementar el método de Newton, se debe c´ alcular la derivada de f en cada punto. La primera forma de determinar la matriz f ′ (xk ) es de manera anal´ıtica, construyendo as´ı una subrutina para evaluar los coeficientes de la matriz jacobiana en cada iteración. Pero lastimosamente, no siempre

178


es posible calcular las derivadas parciales de manera anal´ıtica por varias razones: funciones muy complicadas para derivar, c´ alculos muy largos, etc. Otra manera de evaluar los coeficientes de f ′ (xk ) consiste en hacerlo numéricamente. Utilizando un esquema de primer orden para evaluar la derivada parcial de fj respecto a xi , se tiene ∂fj fj (x + tei ) − fj (x) (x) = lim , t→0 ∂xi t donde t ∈ R, ei es el i-esimo vector de la base can´ onica. Ahora bien, se plantea g(t) = fj (x + tei ) dejando fijo x, se tiene ∂fj (x) = g ′ (0). ∂xi De donde, el problema consiste en calcular g ′ (0); con un esquema de primer orden se obtiene g(t) − g(0) g ′ (0) ≈ . (IV.3.5) t Cabe recalcar, que se puede aproximar g ′ (0) con una mejor aproximación, para eso se puede utilizar los polinomios de interpolaci´ on. Una pregunta natural surge, ¿cu´ al t escoger?, para obtener la mejor aproximación de g ′ (0). El error de aproximación est´ a dado por 1 g(t) − g(0) = g ′ (0) + g ′′ (0)t + O(t2 ), t 2 mientras que los errores de redondeo, suponiendo que g es una función bien condicionada, est´ a dado por los siguientes resultados, suponiendo que g ′ (t) ≈ g ′ (0): g(t(1 + ǫ1 ))(1 + ǫ2 ) − g(0)(1 + ǫ3 ) g(t) − g(0) − t t n o 1 ≈ g(t) + g ′ (0)ǫ1 t(1 + ǫ2 ) − g(0)(1 + ǫ3 ) − g(t) + g(0) t o 1n ≈ ǫ2 g(t) + g ′ (0)ǫ1 t − ǫ3 g(0) , t donde |ǫi | ≤ eps, por consiguiente error de redondeo ≤

1 2 |g(0)| + |g ′ (0)t| eps. |t|

(IV.3.6)


179

Lo ideal ser´ a, por lo tanto escoger un valor de t de manera que los errores de aproximación y de redondeo se aproximen, ver figura IV.3.1.

Err de aprox

Err de redon.

Figura IV.3.1. Error de Aproximación vs Error de Redondeo. Observando la figura, se tiene que el error de aproximación es del orden de t, mientras que el error de redondeo es proporcional a eps/t, de donde equilibrando ambos errores se obtiene p t = C eps, (IV.3.7) donde C es una constante elegida de acuerdo a la función f .

El Teorema de Newton-Misovski Se ha formulado el método de Newton de una manera general, dando inclusive una estimación del error cometido, deduciendo que si el método converge, la convergencia es cuadrática. Pero sin embargo, no se enunci´ o las condiciones suficientes para obtener convergencia de este método. El siguiente teorema dará las condiciones suficientes para asegurar la convergencia del método, cuando la función f cumple ciertas condiciones. Teorema IV.3.3.- Newton-Misovski. Sean D ⊂ Rn abierto y convexo, f : D −→ Rn continuamente diferenciable, f ′ (x) inversible para todo x ∈ D, x0 ∈ D satisfaciendo las siguientes condiciones: a) k△x0 k ≤ α,

2 b) (f ′ (y)−1 f ′ x + t(x − y) − f ′ (x) (y − x) ≤ ωt ky − xk , ∀x, y ∈ D, t ∈ [0, 1]; 1 c) η := αω < 1; 2 α < 1; d) ρ := 1−η ¯ 0 , ρ) = {x ∈ Rn | kx − x0 k ≤ ρ}. e) B(x

180


Entonces: i) La sucesión {xk } definida por el método de Newton se queda dentro B(x0 , ρ) y converge hacia una solución x∗ de f (x) = 0. 2 ii) Se tiene la estimación k△xk k ≤ ω 2 k△xk−1 k . ω 2 iii) kxk − x∗ k ≤ k△xk−1 k . 2k 2(1 − η )

Demostraci´ on.- Es claro por la definición del método de Newton que si {xk } es convergente, entonces el l´ımite de la sucesión es igual a x∗ , donde f (x∗ ) = 0. Se mostrar´ as la conclusiones por inducción. Se supone que xk , xk−1 ∈ D, para k ≥ 1, entonces k△xk k ≤

ω k△xk−1 k2 , 2

en efecto

k△xk k = (f ′ (xk ))−1 f (xk )

= (f ′ (xk ))−1 f (xk ) − f (xk−1 ) − f ′ (xk1 )△xk−1

Z 1

′ ′ ′

f (xk−1 + t△xk−1 ) − f (xk−1 ) △xk−1 dt = f (xk )

≤

≤

Z

Z

0

1

0

1 0

′

f (xk ) f ′ (xk−1 + t△xk−1 ) − f ′ (xk−1 ) △xk−1 dt

ωt k△xk−1 k2 dt =

ω k△xk−1 k2 . 2

Se define ηk recursivamente por 2 ηk = ηk−1 ,

η0 =

ω α = η. 2

Si x0 , x1 , . . . , xk ∈ D, entonces ω k△xk k ≤ ηk ; 2 es cierto para k = 0, sup´ ongase cierto para k − 1, por consiguiente ω 2 ω 2 k△xk k ≤ k△xk−1 k ≤ ηk−1 = ηk . 2 2 k

como η0 = η, se tiene ηk = η 2 , puesto que η < 1, lim ηk = 0.

k→∞


181

El siguiente paso es mostrar que {xk } es una sucesión de Cauchy y que satisface el punto i). Se supone nuevamente, que x0 , . . . , xk ∈ D, 0 ≤ l ≤ k, obteniendo kxk+1 − xl k ≤ kxk+1 − xk k + · · · + kxk+1 − xl k | | {z } {z } 2 2 ηk ηl ω ω 2 ≤ (1 + ηl2 + ηl4 + · · ·) ω 2 ηl2 ≤ . ω 1 − ηl2 Para l = 0, se tiene kxk+1 − x0 k ≤ donde xk+1 ∈ B(x0 , ρ). Por otro lado, kxk+1 − xl k ≤

2 η α 2 η2 < = = ρ, de ω 1 − η2 ω1−η 1−α

2 ηl2 −→ 0, ω 1 − ηl2

cuando k ≥ l → ∞.

de donde la sucesión {xk } es una sucesión de Cauchy, y por lo tanto convergente. Es as´ı que se ha mostrado el punto i) y el punto ii) del teorema quedando pendiente el u ´ltimo punto. Se tiene kxl+1 − xk k ≤ kxl+1 − xl k + · · · + kxk+1 − xk k , se plantea: ηˆk−1 =

ω k△xk−1 k , 2

2 ; ηˆl = ηˆl−1 k

de donde ηˆk−1 ≤ ηk−1 y ηˆk ≤ ηk − η 2 , adem´ as ω k△xl k ≤ ηˆl 2 De donde

para l ≥ l − 1. 2

kxl+1 − xk k ≤

ω k△xk−1 k , 2 1 − η 2k

haciendo tender l al infinito queda demostrado el punto iii)

Es necesario remarcar el siguiente hecho concerniente a la hipótesis b) del teorema que se acaba de demostrar. Si f es 3 veces derivable, utilizando la fórmula de Taylor se tiene 3 [f ′ x + t(x − y)) − f ′ (x) ](y − x) = f ′′ (x)(t(y − x), y − x) + O(ky − xk ),

182


por consiguiente (f ′ (y))−1 [f ′ x + t(x − y)) − f ′ (x) ](y − x) = t(f ′ (y))−1 f ′′ (x)(y − x, y − x)+ 3

O(ky − xk ), 3

si D es bastante peque˜ no, entonces se puede despreciar O(ky − xk ), de donde

′

(f (y))−1 [f ′ x + t(x − y)) − f ′ (x) ](y − x) ≤ t (f ′ (y))−1 f ′′ (x) ky − xk2 ,

por consiguiente

ω ≈ sup (f ′ (y))−1 f ′′ (x)

(IV.3.8)

x,y∈D

Para comprender el teorema, puede ser util estudiar en un ejemplo tipo, las hipótesis del teorema y deducir las conclusiones que conducen estas hip´ otesis Ejemplo Sea, f : R2 −→ R2 definida por f (x) =

x21 + x22 − 1 x2 − x21

,

la solución del problema f (x) = 0 est´ a dada por la intersecci´ on de una circunferencia de centro en el origen y radio 1 y una parábola cuyo vértice se encuentra también en el origen. Este problema puede ser resuelto graficamente, substituyendo x2 , pero el proposito del ejemplo es estudiar el teorema de Misovski. La derivada de f ′ est´ a dada por la matriz jacobiana 2x1 2x2 f ′ (x) = , −2x1 1 cuya inversa es igual a ′

(f (x))

−1

1 = 2x1 (1 + 2x2 )

1 2x1

−2x2 2x1

.

Observando una gráfica del problema se escoge como dominio D a n o 1 D = (x1 , x2 )| < x1 , x2 < 2 . 2

Analizando las condiciones del teorema se tiene:


183

a) Se escoge como valor inicial (1, 1) ∈ D, obteniendo △x0 = (−1/6, −1/3), de donde √ 5 ≈ 0, 37 = α. k△x0 k = 6 b) El estudio de la segunda condici´ on da: (f ′ (y))−1 f ′ (x + t(x − y)) − f ′ (x) (y − x) 1 2t(y1 − x1 ) 2t(y2 − x2 ) y1 − x1 1 −2y2 = y2 − x2 −2t(y1 − x1 ) 0 2y1 (1 + 2y2 ) 2y1 2y1 2 t (1 + y2 )(y1 − x1 ) + (y2 − x2 )2 = . 2y1 (y2 − x2 )2 2y1 (1 + 2y2 )

Se observa inmediatamente que las componentes son positivas, mayorando respecto a y, se obtiene ′ (f (y))−1 f ′ (x + t(x − y)) − f ′ (x) (y − x) t 3(y1 − x1 )2 + (y2 − x2 )2 ≤ , 4(y2 − x2 )2 2 pasando a la norma de la convergencia uniforme, se obtiene

′

(f (y))−1 f ′ (x + t(x − y)) − f ′ (x) (y − x) ≤ 2t ky − xk inf ty 2 , ∞

de donde: b) ω = 2. c) η = 0, 37 < 1. 0, 37 1 ¯ 0 , ρ) 6⊂ D, de donde no se puede d) ρ = ≈ . Ahora bien, B(x 1 − 0, 37 2 garantizar las conclusiones del teorema. Sin embargo, tomando como x0 el valor de la primera iteración a partir del valor inicial del ejemplo se tiene t 5 2 x0 = , , 6 3 obteniendo −19/213 , k△x0 k = 0, 066 = α, △x0 = −1/21

de donde

η = 0, 066,

ρ = 0, 07,

¯ 0 , ρ) ⊂ D. B(x

Por lo tanto, las tres condiciones del teorema son verificadas, teniendo garantizada de esta manera la convergencia del método de Newton. El teorema de Newton-Misovski da las ventajas de utilizar el método de Newton para resolver el problema f (x) = 0, sin embargo:

184


Desventajas del m´ etodo de Newton — Cada iteración del método es costosa en operaciones. En efecto el c´ alculo de f ′ (x) y la resolución del sistema lineal adyacente cuestan mucho si la dimensión del sistema es grande. Resolver el sistema LR cuesta aproximadamente n3 /3 operaciones. — Convergencia local. El método converge solamente si x0 est´ a suficientemente pr´ oximo de la solución x∗ .

M´ etodo de Newton Simplificado Una de las mayores desventajas que tiene el método de Newton, consiste en el hecho de calcular en cada iteración la matriz derivada y el sistema lineal asociado. Se puede simplificar el método de Newton de la siguiente manera: x0

arbitrario, −1 △xk = − f ′ (x0 ) f (xk ),

(IV.3.9)

xk+1 = xk + △xk .

Por consiguiente se debe calcular una sola vez f ′ (x0 ) y calcular una vez la descomposici´ on LR. Por lo tanto, la primera iteración consume aproximadamente n3 /3 en el c´ alculo de la descomposici´ on, y las dem´ as iteraciones necesitan aproximadamente n2 operaciones. La desventaja de utilizar el método de Newton simplificado reside en el hecho en que se pierde la convergencia cuadrática, obteniendo una convergencia lineal. En efecto, considerando este método como un método iterativo simple, dado en la sección precedente se tiene: −1 xk+1 = Φ(xk ), donde βΦ(x) = x − f ′ (x0 ) f (x); −1 ′ ′ ′ Φ (x) = I − f (x0 ) f (x). Ahora bien, se tiene convergencia local, si y solamente si −1 ′ ρ(I − f ′ (x0 ) f (x)) < 1,

por el teorema IV.2.9 y la convergencia lineal es consecuencia directa del teorema citado. Tanto el método de Newton, como su versión simplificada, definen iteraciones de la forma △xk = −(M (xk ))−1 f (xk ), xk+1 = xk + △xk ,

(IV.3.10)

donde M (x), es una matriz que depende de x. Para el método de Newton se tiene M (x) = f ′ (x) y para la versión simplificada M (x) = f ′ (x0 ). En


185

el primer caso la matriz M es la derivada, en el segundo caso M es la derivada en un punto arbitrario. Existen muchos problemas, en los cuales la matriz derivada tiene ciertas particularidades que constituyen en ventajas y desventajas al mismo tiempo, que puede solucionarse convenientemente si se escoge una matriz M apropiada; por ejemplo f ′ (x) puede tener una estructura de matriz banda, con algunos elementos no nulos fuera de la banda, es decir   ∗ ∗ ∗  ∗ ∗ ∗ , f ′ (x) =  .. ..   . . ∗

∗

∗

planteando M (x) la matriz cuyos elementos est´ an dados por la banda principal de f ′ (x) se tiene una buena aproximación de f ′ (x), disminuyendo de esta manera el costo en operaciones. Las bases te´ oricas de utilizar la matriz M en lugar de f ′ (x), est´ an dadas por el siguiente teorema.

Teorema IV.3.4.- Newton-Kantorovich. Sean D ⊂ Rn abierto y convexo, f : D −→ Rn continuamente diferenciables, M (x0 ) inversible y x0 ∈ D. Ademas:

M (x0 )−1 f (x0 ) ≤ α; a)

−1 ′ ′

b)

M (x0 )−1 (f ′ (y) − f (x)) ≤ ω ky − xk , ∀x, y ∈ D;

c) M (x0 ) (f (x) − M (x))

≤ δ0 + δ − 1 kx − x0 k,

M (x0 )−1 (M (x) − M (x0 ) ≤ µ kx − x0 k; d) δ0 < 1, σ := max(ω, µ + δ1 ) y h= e) B(x0 , ρ) ⊂ D, con ρ=

ασ 1 2 ≤ 2; (1 − δ0 )

1−

√

1 − 2h α ; h 1 − δ0

entonces: i) M (x) es inversible para x ∈ B(x0 , ρ), ii) La sucesión {xk } definida por (IV.3.10) se queda en B(x0 , ρ) y converge hacia una solución x∗ de f (x) = 0, αω ω ¯= iii) Se define h = h, σ (1 − δ0 )2 ρ± =

1±

p ¯ α 1 − 2h , ¯ 1 − δ0 h

entonces x∗ ∈ B(x0 , ρ− ) y no hay otra solución de f (x) = 0 en B(x0 , ρ+ ) ∩ D.

186


¯ ≤ h cuya Antes de demostrar el teorema hay que remarcar que h verificaci´ on es inmediata y también ρ− ≤ ρ; en efecto considerando los desarrollos en serie de Taylor se tiene: √

1−x=

X 1/2 j≥0

j

(−x)j = 1 −

x − c 2 x2 − c 3 x3 − · · · , 2

con los cj ≥ 0, 1−

√

1 − 2h = 1 + 4c2 h + 8c2 h2 + 16c4 h3 + · · · , h

de donde ρ− ≤ ρ. Ver la figura IV.3.2.

D

ρ_ ρ+

x0

ρ

Figura IV.3.2. Resultado del Teorema de Newton-Kantorovich. Demostraci´ on.- Demostrando el punto i), se tiene: M (x) = M (x0 ) I + M (x0 )−1 (M (x) − M (x0 )) , | {z } B kBk ≤ µ kx − x0 k < µρ, √ µ 1 − 1 − 2h α (1 − δ0 )62 ≤ (1 − δ0 ) ≤ 1, µρ = µ hαωσ 1 − δ0 σ de donde kBk < 1, por lo tanto (I + B) es inversible y su inversa est´ a dada por ∞ X (I + B)−1 = (−1)k B k , k=0


187

la norma de (I + B)−1 , est´ a mayorada por

por consiguiente

(I + B)−1 ≤

M (x)−1 M (x0 ) ≤

1 1 ≤ , 1 − kBk 1 − µ kx − x0 k

1 kx − x0 k < ρ. 1 − µ kx − x0 k

(IV.3.11)

La demostración del punto ii) se efectua por inducción. Si xk−1 , xk ∈ B(x0 , ρ), entonces xk+1 existe, se tiene:

kxk+1 − xk k = M (xk )−1 f (xk )

≤ M (xk )−1 f (xk ) − f (xk−1 ) − f ′ (xk−1 )(xk − xk1 )

+ M (xk )−1 f ′ (xk−1 − M (xk−1 ) (xk − xk−1 )

≤ M (xk )−1 f (xk ) − f (xk−1 ) − f ′ (xk−1 )(xk − xk1 ) 1 δ0 + δ1 kxk−1 − x0 k kxk − x0 k 1 − µ kxk − x0 k

Z 1h i

−1 ′ ′

f (xk−1 +t(xk −xk−1 )) − f (xk − 1) dt(xk − xk−1 ) ≤ M (xk )

+

0

1 δ0 + δ1 kxk−1 − x0 k kxk − x0 k 1 − µ kxk − x0 k 1 ω 2 ≤ kxk − xk−1 k 1 − µ kxk − x0 k 2 1 δ0 + δ1 kxk−1 − x0 k kxk − x0 k . + 1 − µ kxk − x0 k +

De donde

kxk+1 − xk k ≤ nσ o 1 kxk − xk−1 k2 + (δ0 + (σ − µ kxk−1 − x0 k) kxk − xk−1 k . 1 − µ kxk − x0 k 2 Para resolver esta desigualdad, se remplaza kxk+1 − xk k por tk+1 − tk y kxk − x0 k por tk , el s´ımbolo de desigualdad por el de igualdad, definiendo as´ı una sucesión {tk } ⊂ R, que verifica: t0 = 0, t1 = α, tk+1 − tk =

1 σ(tk − tk−1 )2 + (δ0 + (σ − µ)tk−1 )(tk − tk−1 ) , 1 − µtk

188


Se demuestra facilmente, por inducción que: kxk+1 − xk k ≤ tk+1 − tk , kxk − x0 k ≤ tk ;

en efecto, para k = 0 se cumple, sup´ ongase cierto para k−1, por consiguiente kxk − x0 k ≤ kxk − xk−1 k + · · · + kx1 − x0 k ≤ tk − tk−1 + · · · + t0 = tk ; nσ o 1 kxk+1 − xk k ≤ (tk − tk−1 )2 + δ0 + (σ − µ)tk−1 (tk − tk − tk−1 ) 1 − µtk 2 = tk+1 − tk . El siguiente paso es estudiar la sucesión {tk }, se tiene σ (1 − µtk )(tk+1 − tk ) = (t2k − 2tk tk−1 + t2k−1 ) + δ0 (tk − tk−1 ) 2 + σtk−1 (tk − tk−1 ) − µtk−1 (tk − tk−1 ), efectuando algunos arreglos y simplicaciones se obtiene la siguiente igualdad (1 − µtk )(tk+1 − tk ) −

σ 2 t + (1 − δ0 )tk 2 k

= (1 − µtk−1 )(tk − tk−1 ) −

σ 2 t + (1 − δ0 )tk−1 = α, 2 k−1

expresi´ on que es constante por que no depende de k. Expresando tk+1 = tk +

σ 2 2 tk

− (1 − δ0 )tk + α u(tk ) = tk + = Φ(tk ), 1 − µtk v(tk )

donde las funciones u y v est´ an dadas por u(t) =

σ 2 t − (1 − δ0 )t + α, 2

v(t) = 1 − µt.

Se debe mostrar por consiguiente que tk converge y eso sucede si y solamente si Φ tiene un punto fijo, y el radio expectral de Φ′ en las proximidades del punto fijo es estrictamente menor a 1. Se tiene: s 2 1 − δ0 1 − δ0 2α Φ(t) = t ⇐⇒ u(t) = 0 ⇐⇒ t = ρ1,2 = − ± , σ σ σ


189

donde ρ1,2 son las raices de u(t). Expresando ambas raices en función de h, se obtiene √ 1 ± 1 − 2h α , ρ1,2 = h 1 − δ0

puesto que h ≤ 1/2, las dos raices de u son positivas, siendo ρ1 la raiz más peque˜ na, se tiene: ρ1 ≤ ρ2 , ρ1 = ρ. Por otro lado, ambas raices son acotadas, en efecto ρ1 + ρ2 1 α 1 − δ0 1 = = ≤ . 2 h 1 − δ0 σ µ Estudiando la función Φ(t) se tiene tres casos, que se observan en la figura IV.3.3.

α

α

α 1/µ

ρ2 1/µ

ρ1

ρ1 ≤ ρ2 ≤

1 µ

ρ1 <

1 < ρ2 µ

1/µ

ρ2 =

1 µ

Figura IV.3.3. Gráficas de la función Φ. Para 0 < t < ρ1 , se tiene que Φ′ (t) > 0, en efecto: Φ(t) = t +

u(t) , v(t)

v(t) + u′ (t) v ′ (t) + u(t) 2 , v(t) v (t) | {z } >0 v(t) + u′ (t) = 1 − µt + σt − (1 − δ0 ) = δ0 + (σ − µ)t ≥ 0. Φ′ (t) =

Por consiguiente, Φ es creciente sobre el intervalo (0, ρ1 ), y adem´ as tk < ρ1 ; para k = 0 es cierto, sup´ ongase cierto para k, entonces tk+1 = Φ(tk ) < Φ(ρ1 ) = ρ1 ,

190


La sucesión {tk } es creciente y mayorada, por lo tanto es convergente y converge al primer punto fijo de Φ, el cual es ρ1 . De aqu´ı, se deduce que xk ∈ B(x0 , ρ1 ). Ahora se est´ a en condiciones de mostrar que {xk } es una sucesión convergente, para tal motivo se debe demostrar antes que es una sucesión de Cauchy. Se tiene: kxk+1 − xl k ≤ kxk+1 − xk k + · · · + kxl+1 − xl k ≤ tk+1 − tk + · · · + tl+1 − tl < ρ1 − tl −→ 0 cuando k ≥ l −→ ∞. De donde lim = x∗ y como M (xk ) es acotada se deduce inmediatak→∞ mente f (x∗ ) = 0, mostrando as´ı el punto ii). Para la demostración del punto iii) son necesarias algunas convenciones sobre la escritura de los s´ımbolos utilizados. La sucesión {xk } est´ a definida por −1 xk+1 = xk − M (x0 ) f (xk ),

planteando:

¯ (x) = M (x0 ), M

α ¯ = α,

ω ¯ = ω, µ ¯ = 0.

Por otro lado,

−1 −1 ¯ (x))

≤ M (x0 ) (f ′ (x) − M (x))

M (x0 ) (f ′ (x) − M

¯ (x)) + M (x0 )−1 (M (x) − M

≤δ0 + δ1 kx − x0 k + µ kx − x0 k =δ¯0 + δ¯1 kx − x0 k

−1 con δ¯0 = δ0 , δ¯1 = δ1 + µ y σ ¯ = σ. Definiendo G(x) = x − M (x0 ) f (x), se tiene:

G′ (x) =I − M (x0 )−1 f ′ (x),

kG(y) − G(xk−1 )k ≤ kG(y) − G(xk−1 ) − G′ (xk−1 )(y − xk−1 )k

+ G′ (xk−1 ) − G′ (x0 ) (y − xk−1 )

+ kG′ (x0 )(y − xk−1 )k

≤ M (x0 )−1 − f (y) + f (xk−1 ) + f ′ (xk−1 )(x − yk−1 )

+ M (x0 )−1 (f ′ (xk−1 ) − f ′ (x0 ))(y − xk−1 )

+ M (x0 )−1 (M (x0 ) − f ′ (x0 ))(y − xk−1 )


191

utilizando una integral como en el punto ii), se obtiene kG(y) − G(xk−1 k ≤

ω ky − xk−1 k 2 +ω kxk−1 − x0 k ky − xk−1 k + δ0 ky − xk−1 k ,

Sea y ∗ ∈ D ∩ B(x0 , ρ+ ), remplazando y por y ∗ en la u ´ltima desigualdad, se obtiene ω ∗ ky − xk−1 k 2 +ω kxk−1 − x0 k ky ∗ − xk−1 k + δ0 ky ∗ − xk−1 k ,

ky ∗ − xk−1 k ≤

y planteando también y = xk , se obtiene kxk − xk−1 k ≤

ω kxk − xk−1 k 2 +ω kxk−1 − x0 k kxk − xk−1 k + δ0 kxk − xk−1 k ,

Como en el punto ii) se remplazan kxk − x0 k por tk − t0 con t0 = 0 y ky ∗ − xk k por sk − tk , el s´ımbolo ≤ por la igualdad, obteniendo as´ı: tk+1 − tk = s k − tk =

ω (tk − tk−1 )2 + ωtk−1 (tk − tk−1 ) + δ0 (tk − tk−1 ), 2 t0 = 0, t1 = α;

ω (sk−1 − tk−1 )2 + ωtk−1 (sk−1 − tk−1 ) + δ0 (sk−1 − tk−1 ), 2 s0 = ky ∗ − x0 k < ρ+ .

Se demuestra por inducción que: kxk+1 − xk k ≤ tk+1 − tk , kxk − x0 k ≤ tk , ky ∗ − xk k ≤ sk − tk El siguiente paso en la demostración consiste en estudiar las sucesiones {tk } y sk . Se tiene: tk+1 − tk =

s k − tk =

ω 2 (t − 2tk tk−1 + t2k+1 ) + ωtk−1 (tk − tk−1 ) + δ0 (tk − tk−1 ), 2 k ω ω tk+1 − t2k − δ0 tk = tk − t2k−1 − δ0 tk−1 = α, 2 2

ω 2 (s − 2sk−1 tk−1 + t2k−1 ) + ωtk−1 (sk−1 − tk−1 ) + δ0 (sk−1 − tk−1 ) 2 k−1 ω ω sk − s2k−1 − δ0 sk−1 = tk − t2k−1 − δ0 tk−1 = α. 2 2

192


Definiendo la función Ψ(t) por Ψ(t) =

ω 2 t + δ0 t + α, 2

entonces se obtiene, los resultados siguientes para sk y tk : tk+1 = Ψ(tk ), sk = Ψ(sk−1 ),

t0 = 0; s0 = ky − x0 k < ρ+ . ∗

Se tiene que, Ψ′ (t) = ωt + δ0 ≥ 0, si t ≥ 0, para estudiar la convergencia de las sucesiones, se debe determinar los puntos fijos de Ψ, es decir resolver la ecuación ω 2 t + (δ0 − 1)t + α = 0, 2 las raices de ésta, est´ an dadas por: ρ¯± =

1±

p ¯ 1 − 2h , ¯ h

se puede observar, que la sucesión tk es creciente y tiende hacia ρ− , por otro lado la sucesión sk es decrecientre y tiende hacia ρ− . Ver la figura IV.3.4

Ψ (t)

α ρ−

ρ +

t

Figura IV.3.4. Gráfica de la función Ψ. Como en el punto ii) se muestra que la sucesión {xk } es de Cauchy, por consiguiente xk −→ x∗ y f (x∗ ) = 0, adem´ as se tiene kx∗ − x0 k ≤ ρ− , ky ∗ −x∗ k ≤ sk − tk −→ 0, y ∗ = x∗ .


193

Para ilustrar la utilizaci´ on del teorema de Newton-Kantorovich, se tiene el: Ejemplo Considérese, la función f dada por 2 x1 + x22 − 1 , f (x) = x2 − x21 partiendo del punto (1, 1) y tomando como dominio D = R2 , M (x) = f ′ (x), es decir el método de Newton en su versión no modificada, se tiene: α = 0, 37;

ω = 1, 2;

δ0 = 0; σ = 1, 2.

µ = ω;

δ1 = 0;

Verificando y efectuando c´ alculos se obtiene: h = 0, 444 ≤ 1/2,

ρ = ρ− = 0, 554;

ρ+ = 0, 981.

M´ etodo de Newton con Relajaci´ on Una de las principales desventajas del método de Newton, tanto en su versión original, como en su versión simplificada, es que es necesario estar cerca de la solución del problema. Lamentablemente, en una gran mayor´ıa de casos eso no es posible. Por lo tanto, es necesario modificar el método de manera a que la convergencia sea una preocupación menor. El método de Newton est´ a dado, por las iteraciones −1

xk+1 = xk − (f ′ (xk ))

f (xk ),

se tiene convergencia si kx1 − x0 k ≤ α suficientemente peque˜ no, sin embargo esta condici´ on no se cumple en general. Una solución alternativa ser´ıa modificar el método de la manera siguiente: −1

pk = −(f ′ (xk )) f (xk ), xk+1 = xk + λk pk ; con 0 < λ ≤ 1. La base te´ orica de esta modificaci´ on est´ a dada por la:

Proposici´ on IV.3.5.- Sean D ⊂ Rn , f : D → Rn continuamente diferen−1 ciable, x0 ∈ D, f (x0 ) 6= 0 y p0 = −(f ′ (x0 )) f (x0 ). Entonces para toda matriz A inversible, existe λ0 > 0 tal que para todo λ, 0 < λ < λ0 , se tiene kAf (x0 + λp0 )k < λ kAf (x0 )k .

194


Demostraci´ on.- Se define la función g : R −→ R para una matriz A fija e inversible, como g(λ) = kAf (x0 + λp0 )k22 t

= f (x0 + λp0 ) At Af (x0 + λp0 ),

calculando la derivada de g, se obtiene: t

g ′ (λ) = 2f (x0 + λp0 ) At Af ′ (x0 + λp0 )p0 , −1

g ′ (0) = −2f (x0 )t At Af ′ (x0 )(f ′ (x0 )) =

−2 kAf (x0 )k22

f (x0 )

< 0,

por consiguiente, existe λ0 con las conclusiones requeridas por la proposici´ on. Otra de las motivaciones para modificar el método de Newton consiste en el siguiente hecho. Sean D ⊂ Rn , f : D −→ Rn continuamente diferenciable con derivada inversible para todo x ∈ D. Llamando p(x) = −1 −(f ′ (x)) f (x) la dirección de Newton para la función f , se obtiene la siguiente ecuación diferencial x′ = p(x).

(IV.3.12)

Una manera de resolver numéricamente esta ecuación, ver Cap´ıtulo VII, consiste en aproximar la solución mediante segmentos poligonales, es decir, definir una sucesión de vértices, dados por xk+1 = xk − λk p(xk ),

(IV.3.13)

este método de resolución de ecuaciones diferenciales es conocido como el método de Euler. El método modificado se lo conococe como λ-estrategia y su formulación es la siguiente: −1 ∆xk = −(f ′ (xk )) f (xk ), (IV.3.14) xk+1 = xk + λk ∆xk . Si λk = 1 para todo k, se tiene el método de Newton usual. La otra situación es escoger λk , tal que g(λ) = kAf (xk + λk ∆xk )k −→ min, presentandose dos interrogantes: ¿Cómo escoger la matriz A?

(IV.3.15)


195

¿Cómo calcular el m´ınimo de g(λ)? La elección de A, se la realiza considerando los siguientes hechos. Se desea que kxk + λk ∆xk − x∗ k −→ min, donde x∗ es la solución de f (x) = 0. No se conoce por el momento x∗ , pero se sabe f (x∗ ) = 0. Se tiene, las siguientes aproximaciones: f (x) − f (x∗ ) ≈ f ′ (x∗ )(x − x∗ ) ≈ f ′ (xk )(x − x∗ ) con x = xk + λk ∆xk , de donde −1

xk + λk ∆xk − x∗ = (f ′ (xk ))

f (xk + λ∆xk ),

escogiendo, de esta manera −1

A = (f ′ (xk ))

;

(IV.3.16)

−1 Por lo tanto (IV.3.15), se convierte en g(λ) = (f ′ (xk )) f (xk + λ∆xk ) y el problema radica en determinar λ, para que g(λ) sea m´ınimo. A continuación se da un algoritmo simple que permite determinar este λ: ˆ k de λk . Se tiene dos Supóngase que se conoce xk y una aproximación λ casos: ˆ k ) ≥ 0, es decir xk + λ ˆ k es peor que xk . a) g(λ Se busca el más peque˜ no de los j > 1, tal que ˆ k 2−j ) < g(0), g(λ ˆ k 2−j . se plantea λk = λ ˆ k ) < 0. Se busca el j > 0 más peque˜ b) g(λ no tal que ˆ k ) > g(2j λ ˆk ) g(2j+1 λ ˆk . y se plantea λk = 2j λ En ambos casos λk no debe ser más grande que 1. ˆ k ? UtiFinalmente surge la u ´ltima interrogante, ¿Como determinar λ lizando un desarrollo de Taylor se tiene: (f ′ (xk ))−1 f (xk + λ∆xk )) λ2 ′′ ′ ′ −1 3 f (xk ) + λf (xk )∆xk + f (xk )(∆xk , ∆xk ) + O(λ ) = (f (xk )) 2

196


Por otro lado f (xk ) + λf ′ (xk )∆xk = (1 − λ)∆xk y (f ′ (xk ))−1 f (xk ) = ∆xk , de donde utilizando el desarrollo de Taylor, la desigualdad del triángulo y las observaciones anteriores, se tiene λ2 hk + O(λ3 )) 2

donde hk = (f ′ (xk ))−1 f ′′ (xk )(∆xk , ∆xk ) / k∆xk k . Despreciando el término O(λ3 ), se obtiene un polinomio de grado 2, cuyo m´ınimo se encuentra en ˆk = 1 , λ (IV.3.17) hk g(λ) ≤ k∆xk k (1 − λ +

faltando determinar hk . Como es pr´ acticamente imposible determinar con exactitud hk solo se requiere encontrar una buena aproximación de hk . Para tal efecto, se supone que se ha efectuado k − 1 iteraciones, teniendo: ∆xk = −(f ′ (xk ))−1 f (xk ), dk = −(f ′ (xk−1 ))−1 f (xk ), ∆x

dk − ∆xk = (f ′ (xk−1 ))−1 (f ′ (xk ) − f ′ (xk−1 ))∆x dk ∆x dk ). ≈ (f ′ (xk−1 ))−1 f ′′ (xk )(xk − xk−1 , ∆x

Pasando a las normas se obtiene la siguiente relación:

de donde

d

∆xk − ∆xk ≈

hk

d λk−1 k∆xk−1 k ∆x k , k∆xk k





k ˆ k = min 1, λk−1 k∆xk−1 k k∆x

k  . λ

d

d

∆xk − ∆xk ∆xk

(IV.3.18)

Ejemplo Considérese, la función f definida por f (x) =

−13x1 + x2 ((5 − x2 ) − 2) −29 + x1 + x2 ((1 + x2 )x2 − 14)

Tomando como valor inicial x1 = 0, 5 y x2 = 2, 24, se resolver´ a el problema f (x) = 0, utilizando la λ-estrategia, el método de Newton en su version original. A continuación se presentan los resultados obtenidos para ambos:


197

Tabla IV.3.3. Resultados con λ-estrategia. Iteraci´ on 1 2 3

x1

k∆xk

x2

−8.5849058 3.94357758

λ 7.8125 × 10−3

1183.1361

4.989738

4.0012650

4.9999949

4.0000006 1.03345 × 10−2

4

4.9999999

5

5.0

4.000000 4.0

13.574766

1.0

−6

5.08213 × 10 0.0

Tabla IV.3.4. Resultados sin λ-estrategia. Iteraci´ on 1 2 3 4

x1

x2

−1162.367 220.297 −47637.0

−21035.69

k∆xk 1183.1

147.095

46474.7

98.296

26601.42

−9256.28 65.77062

11779.45

−1755.45

−4049.98 44.09533

5206.34

29.658

2294.57

−748.669

20.056

1006.82

−310.0149

13.688

438.7011

−121.126

9.5002

188.934

−41.5288

6.8016

79.6434

−9.51218

5.16002

32.05875

1.887

4.3114

11.4307

13

4.7248

4.03167

2.8516

14

4.9968

4.0003

0.27378

15

4.9999

4.0000

16

4.9999

4.0

3.149 × 10−3

17

5.0

4.0

5 6 7 8 9 10 11 12

4.566 × 10−7 0.0

1.0 1.0 1.0

198


Aproximaci´ on de Broyden Uno de los principales problemas en la implementación del método de Newton, tanto en su versión con relajaci´ on, como en su versión original, es el c´ alculo de la matriz jacobiana f ′ (xk ) en cada iteración y por consiguiente mediante el algoritmo de eliminación de Gauss determinar la descomposici´ on LR de esta matriz. Existen muchas alternativas para evitar el c´ alculo de la matriz jacobiana y su descomposici´ on LR en cada iteración. El siguiente an´ alisis permitir´ a encontrar algunas de estas alternativas. Utilizando las relaciones dadas por (IV.3.17) y (IV.3.18) respecto a la determinaci´ on de los coeficientes de relajaci´ on, la experiencia numérica indica que, si λk hk ≤ 10−1 se puede tomar en el lugar de f ′ (xk+1 ) f ′ (xk ). En este caso se tiene la versi´ on simplificada del método de Newton. Sin embargo, existe otra alternativa descubierta por Broyden en 1965. Se supone, que se conoce una aproximación Jk de f ′ (xk ), es decir Jk ≈ f ′ (xk )

(IV.3.19)

de donde el método de Newton est´ a dado por ∆xk = −Jk −1 f (xk ), xk+1 = xk + ∆xk el objetivo es por consiguiente, encontrar Jk+1 una aproximación simple de calcular de f ′ (xk+1 ). Para tal efecto, la matriz Jk debe permanecer igual en las direcciones ortogonales a ∆xk , es decir: Jk+1 p = Jk p ∀p⊥∆xk ; Jk+1 ∆xk = Jk ∆xk + q;

(IV.3.20)

por lo tanto q = Jk+1 ∆xk − Jk ∆xk = f (xk ) +

Jk+1 ∆xk , | {z } ≈ f ′ (xk+1 )∆xk {z } | f (xk+1 ) + O k∆xk2

de donde Jk+1 ∆xk = Jk ∆xk + f (xk+1 ). (IV.3.20)

¯ k+1 < k∆xk k, donde Proposici´ on IV.3.6.- Si Jk es inversible y ∆x ∆xk = −Jk−1 f (xk )

¯ k+1 = −J −1 f (xk+1 ), ∆x k


199

entonces Jk+1 es inversible. Demostraci´ on.- Sean, α ∈ R y p⊥∆xk , se va mostrar que ker Jk+1 = {0}. En efecto: 0 = Jk+1 (α∆x + p) = α(Jk ∆xk + f (xk+1 ) + Jk p = Jk (α∆xk + p) + αf (xk+1 ) ¯ k+1 , = α∆xk + p − α∆x introduciendo el producto escalar, multiplicando por ∆xk , se obtiene:

¯ k+1 , ∆xk = 0, α k∆xk k2 − α ∆x

por la desigualdad de Cauchy-Schwartz, se tiene

¯ k+1 , ∆xk ≤ ∆x ¯ k+1 k∆xk k < k∆xk k2 , ∆x

de donde α = 0 y por consiguiente p = 0.

¯ k se propone en los ejercicios. La determinaci´ on de ∆xk+1 y ∆x

Ejercicios 1.- Utilizando el teorema de Newton-Kantorovich encontrar ρ > 0 tal que la iteración zk+1 = zk −

f (zk ) f ′ (zk )

f (z) = z 3 − 1

converge hacia 1, si z0 ∈ C satisface |z0 − 1| < ρ.

2.- Sea D ⊂ Rn y f : D → Rn continuamente diferenciable. Para x0 ∈ D sup´ ongase que f (x0 ) 6= 0 y que f ′ (x0 ) sea inversible. Mostrar que p0 = −f ′ (x0 )−1 f (x0 ) es la u ńica dirección que tiene la propiedad siguiente: para toda matriz inversible A existe λ0 > 0 tal que para 0 < λ < λ0 kAf (x0 + λp0 )k2 < kAf (x0 )k2 . 3.- En el art´ıculo R.S. Dembo, S.C. Eisenstat & T. Steighaug(1982): Inexact Newton methods. SIAM J. Numer. Anal., vol. 19,400-408.

200

IV Ecuaciones No Lineales los autores consideran la modificaci´ on siguiente del método de Newton: f ′ (xk )∆xk = −f (xk ) + τk xk+1 = x + l + ∆xk .

(IV.3.22)

Las perturbaciones τk pueden ser interpretadas como la influencia de los errores de redondeo, como el error debido a una aproximación de f ′ (xk ),... Supóngase que τk = τ (xk ) y que kτ (x)k ≤ η kf (x)k

(IV.3.23)

con η < 1. a) Mostrar el resultado: Sea D ⊂ Rn abierto, f : D → Rn y τ : D → Rn continuamente diferenciables en D. Si la condici´ on (IV.3.23) es satisfecha con η < 1 y si k∆x0 k es suficientemente peque˜ no, entonces la iteración (IV.3.21) converge hacia una solución de f (x) = 0. b) El teorema precedente no es cierto, en general, si se remplaza η < 1 por η ≤ 1. Mostrarlo. Indicaci´ on. Encontrar una matriz M (x) tal que la iteración (IV.3.21) se vuelva equivalente a M (xk )∆xk = −f (xk ), y aplicar el teorema de Newton-Kantorovich. Utilizar la norma kukJ = kf ′ (x0 )uk . 4.- (U. Ascher & Osborne 1987). Considerar una función f : R2 → R2 que satisfaga √ 1 1 0 4 √3 − 3 f (0) = − f ′ (0) = , 0 1 10 −4 3 − 3 √ √ 1 1/ 3 −1/ 3 4 ′ , f (u) = f (u) = 1 1 5 −3 donde u = −f (0). Aplicar el método de Newton con el valor inicial x0 = 0. Para la sucesión {xk } obtenida de esta manera mostrar: a) xk+2 = xk para todo k ≥ 0; b) el test de monotonocidad

−1

′ −1

(f (xk )) f (xk+1 ) < (f ′ (xk )) f (xk ) 2

2


201

es satisfecho en cada iteración. 5.- Sea f : Rn → Rn dos veces diferenciable. Mostrar que kf ′′ (x)(h, k)k∞ ≤ M khk∞ kkk∞

donde M = max i

X X ∂ 2 fi . (x) ∂xj ∂xl j

l

6.- Sea f : D → R2 dada por D = f (x) =

x1 − x2 (x1 − 8)x2

x1 x2

| − 1 < x1 , x2 < 3 ,

,

x0 =

0.125 0.125

.

Calcular los valores α y ω del teorema de Newton-Misovski. Mostrar que el metodo de Newton converge hacia una solución de f (x) = 0. 7.- Sean f : D → Rn 3 veces continuamente diferenciable, Jk una aproximación de la matriz f ′ (xk ) y p ∈ Rn , p 6= 0. Para la aproximacion de Broyden pt Jk+1 = Jk + γ(f (xk + p) − f (xk ) − Jk p). t pp se tiene: a) (Jk+1 − f ′ (x0 + p))p = (1 − γ)(Jk − f ′ (xk ))p γ 3 +( − 1)f ′′ (xk )(p, p) + O(kpk ). 2 b) para γ ∈ [0, 2] 2

kJk+1 − f ′ (x0 + p)k2 ≤ kJk − f ′ (xk )k2 + kf ′′ (xk )(p, .)k2 + O(kpk ).

8.- Supóngase que se conoce una aproximación J0 de f ′ (x0 ), y su descomposici´ on LR. Considére la iteración Jk ∆xk − = f (xk ) xk+1 = xk + ∆xk donde Jk+1 (aproximación de Broyden), est´ a definido por Jk+1 ∆xk = Jk ∆xk + f (xk+1 ); Jk+1 p = Jk p, si pt ∆xk = 0. Sin calcular explicitamente J1 y J2 , encontrar fórmulas para ∆x1 y ∆x2 .

202


9.- Considérese una función f : Rn → Rm donde m < n. El conjunto E = {x|g(x) = 0} representa una superficie en Rn . Dado x ˆ ∈ Rn . Proponer un algoritmo para calcular el punto de E el más pr´ oximo de x ˆ. Estudiar las hipótesis para que el algoritmo converga. 10.- Considérese la ecuación integrale de Fredholm (cf. Ejercicio 3 sección IV.3) λy(x) =

2 π

Z

π

(3 sin x sin t + 2 sin(2x) sin(2t))(y(t) + (y(t))3 )dt

0

(IV.3.24) y(x) = 0 es solución de (IV.3.24) para todo λ ∈ R. Con las ideas del ejercicio 3 de la anterior sección se puede escribir (IV.3.24) bajo la forma G(c1 , c2 , λ) = 0. Calcular los λ, donde det ∂G (C, 0) = 0. ∂C Interpretar estos puntos con el teorema de las funciones implicitas. (Soluciones: λ1 = 2, λ2 = 3) 11.- Mostrar numéricamente que para λ1 = λ1 + ǫ (ǫ > 0) el problema (IV.3.24) posee al menos 3 soluciones, para λ1 > λ2 al menos 5 soluciones. Calcular también todas las soluciones de (IV.3.24) para λ = 10, (hay 13).

IV.4 M´ etodo de Gauss Newton

El estudio de las ecuaciones realizados en las secciones precedentes, consist´ıan en problemas de la forma f (x) = 0 o su variante del punto fijo x = f (x), donde f : D ⊂ Rn → Rn . Sin embargo, existen muchos problemas donde intervienen ecuaciones no lineales, que se encuentrar en una diversidad de problemas, sobre todo en la determinaci´ on de paramétros en el análisis de datos. El problema puede formularse de la siguiente manera. Sea f : D ⊂ Rn → Rm

con

n ≤ m,

el problema consiste en encontrar x ∈ D, tal que kf (x)k2 −→ min .

(IV.4.1)

En el cap´ıtulo II.5, se abordó el problema bajo su forma lineal, se formuló el método QR para resolver este problema, y as´ı mismo se introdujó la noci´ on de pseudo-inversa de una matriz. Para el problema no lineal, se sigue el mismo esquema. Pero antes de continuar en esa dirección, existe una alternativa de solución. Se define la función g : D → Rn de la manera siguiente 2 g(x) = kf (x)k2 , (IV.4.2) de donde

t

g ′ (x) = 2(f ′ (x)) f (x),

(IV.4.3) t

se busca, por consiguiente, los x ∈ D tales que (f ′ (x)) f (x) = 0. En principio se podr´ıa utilizar el método de Newton para resolver este problema, pero la principal desventaja, consiste en calcular la segunda derivada de f . Este algoritmo da los m´ınimos locales. La otra alternativa de solución de este problema, se la dió más arriba, es el método de Gauss-Newton. Al igual que en el método de Newton, la idea principal de este método consiste en linearizar el problema. Sea x0 ∈ D un valor inicial. Utilizando un desarrollo de Taylor en x0 se obtiene 2

2

kf (x)k2 = kf (x0 ) + f ′ (x0 )(x − x0 ) + · · ·k2 , considerando los términos lineales del segundo miembro de la ecuación se obtiene, al igual que en el cap´ıtulo II.5, +

x − x0 = −f ′ (x0 ) f (x0 ), +

donde f ′ (x0 ) es la pseudo inversa de f ′ (x).

(IV.4.4)

204

IV Ecuaciones No Lineales Por lo tanto, se puede formular el método de Gauss-Newton, como: +

∆xk = −f ′ (xk ) f (xk ),

(IV.4.5)

xk+1 = xk + ∆xk .

El c´ alculo de ∆xk se lo realiza, utilizando la descomposici´ on QR dada en el cap´ıtulo II.5. Como se puede observar, la implementaci´ on del método de Gauss-Newton es muy simple, y al igual que el método de Newton existen muchas variantes o modificaciones de éste.

Convergencia del M´ etodo de Gauss-Newton Sea, {xk } la sucesión definida por el método de Gauss-Newton, si esta sucesión es convergente cuando k → ∞, se tiene +

f ′ (x) f (xk ) −→ 0,

∆xk −→ 0,

sup´ ongase que lim xk = x∗ , que el rango de f ′ (x) es constante en un k→∞

+

vecindario de x∗ , por que si no f ′ (x) no ser´ıa continua, ver teorema II.5.6, entonces + f ′ (x∗ ) f (x∗ ) = 0. (IV.4.6) 2

Por otro lado, si x ∈ D es un m´ınimo local de g(x) = kf (x)k2 , se tiene ∂ ∂xj

m X

fi (x)

2

i=1

!

=2

de donde

m X ∂fi (x) · fi (x) = 0, ∂xj i=1 t

f ′ (x) f (x) = 0.

∀j;

(IV.4.7)

Los resultados (IV.4.6) y (IV.4.7) est´ an relacionados por el siguiente: Proposici´ on IV.4.1.- Se tiene +

t

f ′ (x) f (x) = 0 ⇐⇒ f ′ (x) f (x).

(IV.4.8)

Demostraci´ on.- Por el teorema II.5.5 existen dos matrices ortogonales U y V , tales que   σ1 ..  0 .  V t, f ′ (x) = U    σk 0 0


205

remplazando, se tiene 

σ1

 t f ′ (x) = V  

..



0  U t = 0, 

.

0

σk

0

si y solamente si las primeras k componentes de U t f son nulas, si y solamente si   −1 σ1 .. +  0 .  U t = 0. f ′ (x) V    −1 σk 0 0 A la diferencia del método de Newton, el método de Gauss-Newton ofrece solamente convergencia de tipo lineal, situación que ser´ a mostrada a continuación. Como antes, se define g(x) = (f ′ (x))t f (x), si x∗ es solución del problema de minimización de la norma euclidiana, se tiene g(x∗ ) = 0. El desarrollo en serie de Taylor en punto x de la función g, da el siguiente resultado 2 0 = g(x) + g ′ (x)(x∗ − x) + O(kx∗ − xk2 ), por otra lado, la función g y sus derivadas parciales satisfacen: gj (x) = ∂gj (x) = ∂xk de donde

m X ∂fi (x)

i=1 m X i=1

∂xj

fi (x),

m X ∂ 2 fi (x) ∂fi ∂fi fi (x) + (x) (x), ∂xj ∂xk ∂x ∂x j k i=1 t

g ′ (x) = B(x)(f (x), ) + f ′ (x) f ′ (x),

con B(x) una forma bilineal simétrica. Por consiguiente el desarrollo de Taylor de g en xk , el k-esimo valor obtenido en la iteración del método de Gauss-Newton, es igual a t

t

0 = f ′ (xk ) f (xk ) + f ′ (xk ) f ′ (xk )(x∗ − xk ) + B(xk )(f (xk ), x∗ − xk )

+O(kx∗ − xk k22 ),

y por el método de Gauss Newton, se tiene +

xk+1 − xk = −f ′ (xk ) f (xk ),

206

IV Ecuaciones No Lineales t

multiplicando esta u ´ltima expresi´ on por f ′ (xk ) f ′ (xk ) se obtiene t

+

t

0 = f ′ (xk ) f ′ (xk )f ′ (xk ) f (xk ) + f ′ (xk ) f ′ (xk )(xk+1 − xk ), y utilizando el teorema II.5.7, el inciso d), se tiene finalmente t

t

f ′ (xk ) f (xk ) + f ′ (xk ) f ′ (xk )(xk+1 − xk ); sustrayendo esta u ´ltima expresi´ on con aquélla concerniente al desarrollo de Taylor, se obtiene t

2

0 = f ′ (xk ) f ′ (xk )(xk+1 − x∗ ) + B(xk )(f (xk ), x∗ − xk ) + O(kx∗ − xk k2 ). Ahora bien, sup´ ongase adem´ as que rang f ′ (xk ) = n, es decir que el rango sea maximal. De donde se tiene −1 t 2 xk+1 − x∗ = − f ′ (xk ) f ′ (xk ) B(xk )(f (xk ), x∗ − xk ) + O(kx∗ − xk k2 ), por consiguiente, el método de Gauss-Newton converge linealmente si −1 t ρ f ′ (xk ) f ′ (xk ) B(xk )(f (xk ), ) < 1; y diverge si ρ

t

f ′ (xk ) f ′ (xk )

−1

B(xk )(f (xk ), )

> 1.

Debe observarse que si f (x∗ )=0, el método de Gauss-Newton converge cuadráticamente, en este caso se tiene un problema compatible. Por otro lado, el problema inicial era buscar x tal que f (x) = 0, motivo por el cual se debe esperar que la solución encontrada por el método de Gauss-Newton de f (x∗ ) bastante peque˜ no, de manera que el radio espectral sea más peque˜ no que 1. Al igual que en el método de Newton, el c´ alculo de f ′ (x) se lo realiza en muchas ocaciones numéricamente, o en los casos en que se pueda anal´ıticamente. Es indudable que la matriz f ′ (x) en las iteraciones del método de Gauss-Newton tienen un componente de error, utilizando las √ relaciones (IV.3.5) y (IV.3.6), este error es del orden de eps, donde eps es la precisi´ on del computador. Por consiguiente la k-esima iteración del método de Gauss-Newton, considerando que el error cometido por redondeo se encuentra solamente en el c´ alculo de f ′ (x), est´ a dada por +

∆xk = −(f ′ (xk ) + E) f (xk ),


207

√ con kEk2 = eps. Efectuando operaciones con la pseudo inversa, dadas en el teorema II.5.7 se obtiene: −1 t t ∆xk = − (f ′ (xk ) + E) (f ′ (xk ) + E) (f ′ (xk ) + E) f (xk ), t t (f ′ (xk ) + E) (f ′ (xk ) + E) ∆xk = −(f ′ (xk ) + E) f (xk ), t t (f ′ (xk ) + E) (f ′ (xk ) + E) ∆xk + (f ′ (xk ) + E) f (xk ) = 0, despreciando E en el primer término de la u ´ltima ecuación, se obtiene t t f ′ (xk ) f ′ (xk ) ∆xk + f ′ (xk ) f (xk ) + E t f (xk ) = 0,

introduciendo en la serie de Taylor, como se hizo más arriba, se obtiene t

−E t f (xk ) = f ′ (xk ) f ′ (xk )(xk+1 − x∗ ) + B(xk )(f (xk ), x∗ − xk )

+O(kx∗ − xk k22 ),

mostrando as´ı que si f (x∗ ) 6= 0, es inutil buscar una precisi´ on superior a √ eps.

Modificaciones del M´ etodo de Gauss-Newton Similarmente al método de Newton, existen varias modificaciones del método original de Gauss-Newton. Una de las mayores dificultades en la implementación de este método consiste en calcular f ′ (xk ) en cada iteración. Por consiguiente, una primera modificaci´ on consiste en utilizar el método de Gauss-Newton simplificado, el cual est´ a dado por: ( x0 bastante pr´ oximo de la solución, +

∆xk = −f ′ (x0 ) f ′ (xk ),

La principal ventaja de utilizar el método de Gauss-Newton simplificado consiste en calcular por una vez f ′ (x0 ) y luego efectuar la descomposici´ on QR. Sin embargo existe una desventaja, que no se puede llegar a la solución x∗ , si f (x∗ ) 6= 0, esto se ha observado al finalizar la anterior subsecci´ on. Otra modificaci´ on corrientemente utilizada en el método de GaussNewton consiste en utilizar coeficientes de relajaci´ on o más conocido como la λ-estrategia. Sobre todo, se utiliza la relajaci´ on cuando los valores iniciales utilizados para activar el método no est´ an muy cerca de la solución buscada, adem´ as como un medio de aceleraci´ on de convergencia. Por lo tanto el método de Gauss-Newton con λ-estrategia, est´ a dado por  oximo de la solución;   x0 bastante pr´ + ∆xk = −f ′ (x0 ) f ′ (xk ),   xk+1 = xk + λk ∆xk , 0 < λk ≤ 1.

208


El valor λk se determina de la misma manera, que para el método de Newton, con la u ńica variaci´ on de utilizar la pseudo-inversa en el lugar de la inversa. Ejemplos 1.- Este ejemplo est´ a relacionado con la subsecci´ on concerniente a la convergencia del método de Gauss-Newton. Se busca x ∈ R tal que g(t) = ext ajuste lo mejor posible m puntos (ti , yi ), i = 1, . . . , m; con m ≥ 1. Por consiguiente, el problema consiste en determinar x tal que m X i=1

(yi − exti ) −→ min,

de donde, dentro las caracter´ısticas de la aplicaci´ on del método de Gauss-Newton se tiene:  xt    e 1 − y1 t1 ext1   . . , .. .. f ′ (x) =  f (x) =  , xtm xtm tm e e − ym continuando con los c´ alculos se tiene: t

f ′ (x) f ′ (x) =

m X

(ti exti )2 ,

i=1

B(x)(f (x), ) =

m X i=1

Sea por otro lado ρ tal que xt e i − yi ≤ ρexti

t2i exti (exti − yi ).

i = 1, . . . , m;

obteniendo, la mayoración siguiente m X 2 xti xti ti e (e − yi ) i=1 ≤ ρ, m X xti 2 (ti e ) i=1

se tiene convergencia si ρ < 1.

2.- Este ejemplo es una ilustraci´ on numérica de la implementación del método de Gauss-Newton con relajaci´ on. El problema consiste en determinar la circunferencia que pasa lo más cerca posible de los


209

siguientes puntos: (2, 3), (2, 1), (1, 2), (3, 2) y (2.5, 2.5). Ahora bien la ecuación de una circunferencia de centro (h, k) y radio r est´ a dada por

(x − h)2 + (x − k)2 − r 2 = 0,

por consiguiente el problema consiste en determinar h, k y r de manera que se obtenga la circunferencia más pr´ oxima a estos puntos. Para la implementación del método de Gauss-Newton, se tiene que

 (h − 2)2 + (k − 3)2 − r 2  (h − 2)2 + (k − 1)2 − r 2    f (h, k, r) =  (h − 1)2 + (k − 2)2 − r 2    (h − 3)2 + (k − 2)2 − r 2 (h − 2.5)2 + (k − 2.5)2 − r 2 

Después de un simple gráfico, se puede tomar como valores iniciales h = 2, k = 2 y r = 1, utilizando el método de Gauss-Newton con relajaci´ on despues de 5 iteraciones, se obtiene los siguientes valores:

h =1.95833333333295, k =1.95833333333295, r =0.959239125904873

En la figura IV.4.1, se tiene la gráfica de la circunferencia resultante

210

IV Ecuaciones No Lineales del método de Gauss-Newton. 4.0 3.5 3.0 2.5 2.0 1.5 1.0 .5 .0 .0

.5

1.0

1.5

2.0

2.5

3.0

3.5

Figura IV.4.1. Circunferencia del método de Gauss-Newton.

4.0


211

El M´ etodo de Levenberg-Marquandt El problema abordado en esta sección, es resolver kf (x)k → min, donde f : Rn → Rm , con n ≤ m. El método propuesto en el anterior paragrafo fue el método de Gauss-Newton. Como se ha visto, uno de los mayores incovenientes es que para iniciar las iteraciones se debe partir de un punto inicial bastante pr´ oximo de la solución, por otro lado los análisis hechos se basan en el supuesto que f ′ (x) es de rango igual a n, es decir de rango maximal, adem´ as si f (x) no es lo suficientemente peque˜ no el método de GaussNewton diverge. Por las razones expuestas es necesario formular un método alternativo que permita evitar las situaciones enumeradas anteriormente. El método de Levenberg-Marquandt que constituye un método alternativo para resolver el problema de encontrar x con kf (x)k m´ınima, se basa en las siguientes ideas. Al formular el método de Gauss-Newton, se consideró la serie de Taylor de f (x) en el punto xk , resultado de la k − 1 iteración y se plante´ o kf (x)k = kf (xk ) + f ′ (xk )(x − xk ) + O(kx − xk k)k −→ min, suponiendo que x − xk es lo suficientemente peque˜ no, se obten´ıa como formulación del método de Gauss-Newton kf (xk ) + f ′ (xk )(x − xk )k −→ min, y como condici´ on suplementaria deseable kx − xk k −→ min, La idea de Levenberg fue de considerar el problema siguiente para determinar el valor de xk+1 2

kf (xk ) + f ′ (xk )(x − xk )k2 + p kx − xk k22 −→ min,

(IV.4.9)

donde p > 0 es un paramétro fijo. Si se deriva una vez la expresi´ on (IV.4.9), se obtiene: t

2f ′ (xk ) (f (xk ) + f ′ (xk )(x − xk )) + 2p(x − xk ) = 0, t t f ′ (xk ) f ′ (xk ) + pI (xk+1 − xk ) = −f ′ (xk ) f (xk ).

(IV.4.10)

Dependiendo de la elección del paramétro p, el método de LevenbergMarquandt, tiene los siguientes comportamientos: Si p −→ 0, se tiene el método de Gauss-Newton, para ver realmente lo que sucede ver el cap´ıtulo II, sección 5, ejercicio 5.

212


Si p es muy grande, entonces 1 t ∆xk ≈= − f ′ (xk ) f (xk ), p de esta manera, se tiene la dirección de la pendiente más grande, o llamada también del gradiente, pero en este caso la convergencia podr´ıa ser muy lenta. La elección de p puede ser variable, en el sentido siguiente, comenzar con p grande hasta que ∆xk sea bastante peque˜ no y luego hacer decrecer p hasta obtener el método de Gauss-Newton.

Ejercicios 1.- Encontrar una elipse, una hipérbola, que pasa lo mejor posible por los puntos (xi , yi )i=1,...,m . Por ejemplo m = 10; (−1/2, 1), (−1/2, −0.1), (2.5, −1), (1.5, 1.5), (0.3, −1.5), (0.5, −2), (3, 0.1), (3, −0.3), (2.5, 1), (0.5, 3.5). Indicaciones.- Plantear f (x, y) = ax2 + 2bxy + cy 2 + dx + ey + g y encontrar a, b, c, d, e, g tales que m X

f (xi , yi )

i=1

2

−→ min

bajo la condici´ on ac − b2 = 1 para la elipse, y ac − b2 = −1 para la hipérbola. 2.- Considérese el problema de localizar un barco en el oceano. Para volver el c´ alculo más simple, se supondr´ a que la curvatura terrestre es despreciable y que todos los puntos est´ an situados en el sistema de coordenadas rectangulares (x, y). Sobre el barco, se mide el ángulo entre el eje x y las varias estaciones emisoras, cuyas coordenadas son conocidas. i xi yi αi 1

8

6

42

2

−4

5

158

−3

248

3

1


213

Te´ oricamente, la posici´ on (x, y) del barco satisface la relación arctan

y − yi x − xi

= αi

∀i.

Encontrar la posici´ on probable de éste. Las coordenadas aproximadas del barco son x0 = 3, y0 = 2. Atenci´ on.- Hacer los c´ alculos en radianes y utilizar siempre la misma rama de la función arctan.

Cap´ıtulo V C´ alculo de Valores Propios

La determinaci´ on de valores propios o autovalores de una matriz A es muy corriente en la resolución de m´ ultiples problemas. Sus aplicaciones van desde problemas de minimización y maximización, soluci´ on de sistemas de ecuaciones diferenciales, ecuaciones con derivadas parciales, etc. El c´ alculo de valores propios y la determinaci´ on de vectores propios para matriz de un orden inferior o igual a 3 no presenta mayor problema, puesto que su solución depende del polinomio caracter´ıstico cuyo grado en este caso es inferior o igual a 3. Sin embargo, aquéllos problemas, donde se requiere saber los valores y vectores propios, provienen de matrices cuyo orden es mucho mas grande que 3 Es por eso, necesario e imprecindible formular métodos y algoritmos, lo mas eficientes posibles, teniendo en cuenta las particularidades de las matrices que son estudiadas. Ahora bien, la mayor parte de los métodos consevidos sirven para matrices simétricas o matrices normales, pues son éstas, las que se encuentran en la mayor parte de los problemas. En este cap´ıtulo, se estudiar´ an y formularán tales métodos, pero se comenzará haciendo una introducción te´ orica del problema de la determinaci´ on de autovalores y vectores propios. Como segunda parte de este cap´ıtulo, se tendrá la formulación de estos métodos.

V.1 Teor´ıa Cl´ asica y Condici´ on del Problema

En esta sección, se tratará los aspectos te´ oricos indispensables para la comprensi´ on del problema de la evaluaci´ on de valores propios de una matriz A de orden n. Definici´ on V.1.1.- Sea A una matriz de n × n a coeficientes complejos o reales. λ ∈ C es un valor propio, si existe x ∈ Cn no nulo, tal que Ax = λx.

(V.1.1)

Si este es el caso, x es un vector propio asociado al valor propio λ. Proposici´ on V.1.2.- Sea A ∈ Mn (C), λ ∈ C es un valor propio, si y solamente si ker(A − λI) 6= {0}. Demostraci´ on.- Resultado inmediato de la definición.

Consecuencia de la anterior proposici´ on, se tiene que λ es un valor propio si y solamente si det(A − λI) = 0, (IV.1.2) de donde, se tiene la: Definici´ on V.1.3.- El polinomio caracter´ıstico de la matriz A ∈ Mn (Cn ) est´ a dado por χA (λ) = det(A − λI). (IV.1.3) Por consiguiente, se deduce facilmente que λ es un valor propio de A si y solamente si λ es una raiz de χA (λ). Por otro lado, este polinomio es a coeficientes complejos, de donde existen n valores propios, contando su multiplicidad, de la matriz A ∈ Mn (C). Proposici´ on V.1.4.- Valor propio es una propiedad invariante por similaridad, es decir si B = T −1 AT , con T inversible, entonces A y B tienen los mismos valores propios. Demostraci´ on.- En efecto, sea λ valor propio de A, entonces existe un vector propio asociado a λ que se lo denota por v, se tiene BT −1 v = T −1 AT T −1 v = T −1 Av = λT −1 v, de donde λ es un valor propio de B con T −1 v valor propio asociado.

´ sica y Condicio ´ n del Problema V.1 Teor´ıa Cla

215

Definici´ on V.1.5.- Sea A ∈ Mn (C), se define la adjunta de A por A∗ij = a ¯ji . Definici´ on V.1.6.- Se dice que una matriz U es unitaria si U ∗ U = I. Vale la pena recalcar, que una matriz ortogonal a coeficientes reales es unitaria, y rec´ıprocamente una matriz unitaria a coeficientes reales es ortogonal, en el caso en que existieran coeficientes complejos no reales la situación cambia. Por otro lado, es facil ver que el conjunto de las matrices unitarias forman un grupo para la multiplicación de matrices. Teorema V.1.7.- Schur. Para cada matriz A ∈ Mn (C), existe una matriz Q unitaria, tal que 

λ1 0  Q∗ AQ =   0

∗ λ2

··· ..

.

 ∗ ∗  . 

λn

Demostraci´ on.- Sea A una matriz cualquiera, entonces existe λ1 que es raiz de det(A − λI), de donde existe v1 vector propio asociado a λ1 , se puede suponer, sin perder generalidad, que kv1 k2 = 1. Se plantea Q1 = (v1 , v2 , . . . , vn ), con v2 , . . . , vn elegidos de manera que Q1 sea unitaria. Esta elección es posible con el procedimiento de Gramm-Schmidt en el caso complejo. Se observa inmediatamente, que   λ1 ∗ . . . ∗   0 . AQ1 = Q1  (1)   ... A 0 ¯ 2 de orden n − 1, tal que De la misma manera se encuentra una matriz Q   λ2 ∗ . . . ∗   0 , ¯ 2 = Q2  . A(1) Q   .. A(2) 0

´ lculo de Valores Propios V Ca

216 y planteando

Q2 = se tiene

1 0 ¯2 0 Q



λ1  0  AQ1 Q2 = Q2 Q1   

∗ λ2

,

∗ ··· ∗

0 .. .

A(2)

0



  .  

repetiendo el procedimiento las veces que sea necesario, se tiene el resultado deseado. Cabe recalcar que este procedimiento da la descomposicion requerida en a lo más n pasos. Teorema V.1.8.- Si A es normal, es decir A∗ A = AA∗ , entonces existe una matriz unitaria Q tal que 

λ1

Q∗ AQ = 

0 ..

.

0

λn

 

Demostraci´ on.- Si la matriz A es normal y Q es unitaria, entonces Q∗ AQ es normal. En efecto ∗

(Q∗ AQ) (Q∗ AQ) = Q∗ A∗ QQ∗ AQ = Q∗ AA∗ Q ∗ = (Q∗ AQ) (Q∗ AQ) . queda por demostrar, que si 

∗ λ2

λ1  0 B= 

··· ..

.

0

 ∗ ∗   

λn

es triangular y normal, entonces 

B= Puesto que BB ∗ = B ∗ B, se tiene

λ1 0

.. .

0 λn



.


¯ λ1  ∗  

0 ¯2 λ

∗

··· ..

.



λ1 0  0   ¯n 0 λ

∗ λ2

··· ..



λ1  0 = 

.

 ∗ ∗   

λn ∗ ··· λ2 .. .

0

de donde

2

2

¯ ∗ λ1 ∗  ∗  

0 ¯2 λ

··· ..

.

∗

λn 2

217



0  ,  ¯n λ

2

|λ1 | = |λ1 | + |∗| + · · · + |∗| , dando como resultado que la primera fila fuera del coeficiente de la diagonal es nulo. Se continua con el mismo procedimiento hasta mostrar que B es diagonal.

La condici´ on del Problema a Valores Propios Sea, A una matriz cualquiera a coeficientes complejos de orden n. Al igual que en cap´ıtulo II, es importante conocer la condici´ on del problema planteado, es decir la determinaci´ on de valores propios. Para tal efecto sea A¯ la matriz con errores de redondeo de A, repasando la sección II.1, se tiene que los coeficientes de A¯ satisfacen a ¯ij = aij (1 + ǫij )

|ǫij | ≤ eps,

¯ aij los coeficientes de A y eps la precisi´ donde a ¯ij son los coeficientes de A, on de la computadora. Por consiguiente, el estudio de los valores propios de A¯ ǫij de pueden estudiarse de manera, más general, para A + ǫC, con cij = eps donde |cij | ≤ |aij |. Definiendo f (ǫ, λ) = det(A + ǫC − λI), se tiene inmediatamente que f (0, λ) = χA (λ). Supóngase que λ1 es una raiz simple de χA (λ), entonces se tiene f (0, λ1 ) = 0, ∂f (0, λ1 ) 6= 0. ∂λ


218

Por el teorema de las funciones impl´ıcitas, se deduce que existe un vecindario de (0, λ1 ) en el cual existe una función λ(ǫ), tal que f (ǫ, λ(ǫ)) = 0, con

λ(ǫ) = λ1 + ǫλ′1 + O(ǫ2 ).

Por consiguiente, se tiene el siguiente: Teorema V.1.9.- Sea λ1 una raiz simple de χA (λ), entonces para ǫ → 0, existe un valor propio λ(ǫ) de A + ǫC, tal que λ(ǫ) = λ1 + ǫ

u∗1 Cv1 + O(ǫ2 ) u∗1 v1

(V.1.4)

donde Av1 = λ1 v1 y u∗1 A = λ1 u∗1 , u y v no nulos. Demostraci´ on.- Por el teorema, de las funciones impl´ıcitas se tiene (A + ǫC)v(ǫ) = λ(ǫ)v(ǫ), mas precisamente (A + ǫC)(v1 + ǫv1′ + O(ǫ2 )) = (λ1 + ǫλ′1 + O(ǫ2 ))v1 , comparando los términos de igual grado en cada miembro de la ecuación anterior, se tiene: ǫ0 : 1

ǫ : de donde

Av1 = λ1 v1 , Av1′ + Cv1 = λ1 v1′ + λ′1 v1 ,

(A − λ1 I) v1′ = −Cv1 + λ′1 v1 ,

multiplicando ésta u ´ltima por u∗1 , se obtiene

0 = −u∗1 Cv1 + λ′1 u∗1 v1 .

Corolario V.1.10.- Si A es normal con valores propios diferentes, entonces ∗ u1 Cv1 u∗ v1 ≤ kCk , 1

es decir, el problema est´ a bien condicionado.


219

Demostraci´ on.- A es normal, por consiguiente existe una matriz Q unitaria tal que   λ1 0 .. , Q∗ AQ =  . 0 λn

una verificaci´ on inmediata muestra que v1 es la primera columna de Q, as´ı mismo u∗1 es la primera fila de Q∗ , de donde v1 = v1 , por lo tanto, se obtiene ∗ u1 Cv1 |u∗1 Cv1 | u∗ v1 ≤ kv k2 1 1 ≤

kv1 k kCv1 k 2

kv1 k ≤ kCk .

Ejemplos 1.- Se considera la matriz A definida por A=

1 α 0 2

.

Es muy simple darse cuenta, que λ = 1 es un valor propio de A, por consiguiente por simple inspección, se obtiene: v1 =

1 , 0 1

de donde

u1 = p 1 + α2

1 −α

,

1 u∗1 v1 = p . 1 + α2

La matriz A es mal condicionada para el c´ alculo de los valores propios cuando α → ∞, ya que u∗1 v1 → 0. 2.- El teorema de descomposici´ on de Jordan indica que toda matriz A es similar a una matriz de tipo Jordan, es decir existe una matriz T inversible tal que T −1 AT = J,


220

donde J es una matriz diagonal por bloques, 

y

 J =



J(n1 , λ1 ) ..

. J(nk , λk )



J(ni , λi ) = 

λi

1 .. .

 ,



..  . . λi

Ahora bien, sup´ ongase que A es similar a la matriz de tipo Jordan, dada por   1 1 0 0 0 1 1 0 ,  0 0 1 1 0 0 0 1 entonces se tiene que

det(A + ǫC − λI) = (1 − λ)4 + ǫ + O(ǫ2 ), donde C es una perturbación de A. Calculando los valores propios de A + ǫC, ver figura V.1.1, es facil ver que el problema de determinar valores propios de A es un problema mal condicionado

1

Figura IV.1.1. Determinaci´ on de los valores propios de A + ǫC


221

Ejercicios 1.- Una matriz A es de tipo Frobenius, si es de la forma 

0  ... A=  0

−a0

1 0 ··· −a1

··· .. . 0 · · · −an−2 0

0 .. . 1 −an−1



 . 

a) Verificar que det(A − λI) = (−1)n λn + an−1 λn−1 + · · · + a1 λ + a0 .

b) Calcular los vectores propios de A.

2.- Calcular los valores propios de la matriz tridiagonal 

a b  A=   0

c a c b a b

    0    n. c   ···    .. .

Las componentes del vector propio (v1 , v2 , · · · , vn )t satisfacen una ecuaci´ on de diferencias finitas con v0 = vn+1 = 0. Verificar que vj = Const(α1j − α2j ) donde a−λ α1 + α2 = , c

b α1 α2 = , c

α1 α2

n+1

= 1.

3.- Mostrar que los valores propios de una matriz A satisfacen n X i=1

2

|λi | ≤

n X

i,j=1

2

|aij | .

Se tiene igualdad, si y solamente si, A es diagonalizable con una matriz unitaria. n X 2 Indicaci´ on.|aij | es la traza de A∗ A que es invariante respecto a i,j=1

la transformación A → Q∗ AQ.


222

4.- Supóngase que los valores propios de A con aij ∈ R son: α + iβ, α − iβ, λ3 , . . . , λn con β 6= 0, λ3 , . . . , λn diferentes. Mostrar que existe una matriz T inversible con coeficientes reales tal que 

α β  −β α  T −1 AT =    0



0 λ3

..

. λn

  .  

Dar una relación entre las columnas de T y los vectores propios de A. 5.- Sea A una matriz simétrica y B una matriz cualquiera. Para cada valor propio λB de B existe un valor propio de λA de A tal que |λA − λB | ≤ kA − Bk2 . Indicaci´ on.- Mostrar primero para un cierto v v = (A − λB I)−1 (A − B)v, deducir que

1 ≤ (A − λB I)−1 (A − B) ≤ kA − Bk (A − λB I)−1 .

6.- Sea A una matriz simétrica. Para cada ´ındice i existe un valor propio λ de A tal que sX |λ − aii | ≤ |aij |2 . j6=i

Indicaci´ on.- Utilizar el ejercicio 5 con una matriz B conveniente.

V.2 Determinaci´ on de Valores Propios

En la actualidad, existen muchos métodos numéricos para el c´ alculo de valores propios de una matriz. Sin embargo, la mayor parte de las aplicaciones en f´ısica y otras disciplinas requieren en la mayor´ıa de los casos, la utilizaci´ on de matrices normales. Motivo por el cual, existen métodos espec´ıficos a este tipo de matrices. Se comenzará, esta sección formulando el método de la Potencia.

El M´ etodo de la Potencia Sea, A una matriz de n × n con coeficientes reales o complejos, el objetivo es determinar el valor propio más grande en valor absoluto. Sea y0 ∈ Rn (Cn ) arbitrario, se define la sucesión {yn } ⊂ Rn de manera recursiva, como yn+1 = Ayn ,

(V.2.1)

es evidente que yn = An y0 . Esta sucesión tiene propiedades interesantes para la determinaci´ on del valor propio más grande, que est´ an dadas en el: Teorema V.2.1.- Sea A diagonalizable, es decir que existe una matriz T inversible tal que   λ1 0 .. , T −1 AT =  . 0 λn sup´ ongase que los valores propios satisfacen |λ1 | > |λ2 | ≥ |λ3 | ≥ · · · ≥ |λn | sucesión {yk } definida por yk+1 = Ayk satisface: y e∗1 T −1 y0 6= 0. " Entonces la k !# λ2 a) yk = λk1 a1 v1 + O , λ1 donde Av1 = λ1 v1 , Avj = λj vj , y0 = a1 v1 + a2 v2 + · · · + an vn , y T = (v1 , · · · , vn ). b) Se tiene el cociente de Rayleigh, dado por k ! λ2 yk∗ Ayk (V.2.2) = λ1 + O , ∗ yk yk λ1 si adem´ as, la matriz A es normal, entonces 2k ! λ2 yk∗ Ayk . = λ1 + O ∗ yk yk λ1

(V.2.3)


224

Demostraci´ on.- Los vectores v1 , · · · , vn forman una base del espacio Cn , de donde y0 = a1 v1 + a2 v2 + · · · + an vn , deduciendose yk = a1 λk1 v1 + a2 λk2 v2 + · · · + an λkn vn , por consiguiente yk = a1 v1 + a2 λk1

λ2 λ1

k

v2 + · · · + an

λn λ1

k

vn ,

con lo queda demostrado el punto a). Para la demostración del punto b), se tiene: yk = λk1 a1 v1 + λk2 a2 v2 + · · · + λkn vn , Ayk = λk+1 a1 v1 + λk+1 a2 v2 + · · · + λk+1 n vn , 1 X2 ∗ k k ∗ ¯ λ v vj a ¯i a ¯j , λ y yk = i

k

j i

i,j

yk∗ Ayk =

X

¯ k λk+1 v ∗ vj a ¯i a ¯j , λ i i j

i,j

obteniendo el cociente de Rayleigh, dado por 2 ! λ1 yk∗ Ayk = λ1 + O , ∗ yk yk λ2

ahora bien si A es normal, se tiene que vi∗ vj = 0, si i 6= j; obteniendo para X λi |λi |2k vi∗ vi , yk∗ Ayk = i

yk∗ yk

=

X i

|λi |2k vi∗ vi .

Ejemplo Considérese, la matriz A definida por 

2 1  A = 0  0 0

1 2 1 0 0

0 1 2 1 0

0 0 1 2 1

 0 0  0,  1 2

´ n de Valores Propios V.2 Determinacio

225

utilizando el ejercicio 2 de la sección V.1, se obtiene que el valor propio mas grande est´ a dado por √ 3 ) ≈ 3, 73205, λ1 = 2(1 + 2 Tomando y0 = (1, 1, 1, 1, 1)t , se obtiene los valores de λ1 dadas en la tabla V.2.1. Tabla V.2.1. Valores de λ1 . Iter.

λ1

Iter.

λ1

1

3.6

2

3.696969

3

3.721854

4

3.729110

5

3.731205

6

3.731808

7

3.731981

8

3.732031

9

3.732045

10

3.732049

11

3.732050

12

3.732051

13

3.732051

14

3.732051

Las componentes del valor propio respecto a λ1 est´ an dados por   1.07735026  1.86602540    v =  2.1547005  .   1.866025 1.07735026

Uno de los inconvenientes de utilizar el método de la potencia es que la convergencia puede ser muy lenta si |λ1 /λ2 | ≈ 1. Sin embargo, existe una modificaci´ on del método de la potencia para acelerar la convergencia. Este método es más conocido como el: M´ etodo de la Potencia Inversa La modificaci´ on consiste en aplicar el método de la potencia a (µI − A)−1 , donde µ es una aproximación del valor propio λ buscado de la matriz A. La justificación te´ orica est´ a dada por la siguiente proposici´ on: Proposici´ on V.2.2.- λ es valor propio de A, si y solamente si, 1 µ−λ

(V.2.4)


226 es valor propio de (µI − A)−1 .

Demostraci´ on.- λ es valor propio de A, si y solamente si existe v 6= 0 tal que Av = λv, si y solamente si (µI − A)v = (µ − λ)v, 1 (µI − A)−1 v = v. µ−λ

Por otro lado aplicando, el teorema V.2.1 se tiene que la convergencia es del orden ! µ − λ1 k . O µ − λ2 ¯ el valor propio más grande de (µI − A)−1 , entonces se tiene que Sea λ 1 λ1 = µ − ¯ . λ

(V.2.5)

El método de la potencia da una relación recursiva para los yk , que est´ a dada por yk+1 = (µI − A)−1 yk , pero en lugar de calcular la inversa de la matriz, se puede resolver la ecuación (µI − A)yk+1 = yk ,

(V.2.6)

utilizando para tal efecto el algoritmo de eliminación de Gauss. En el anterior ejemplo se tenia como valor de λ1 = 3.697 después de 2 iteraciones del método de la potencia inversa. Aplicando el método de la potencia inversa con µ = 3.697, se obtiene despues de dos iteraciones: ¯ = −232.83, λ λ1 = 3.7334052. Puede suceder que la matriz A sea a coeficientes reales, sin embargo, el valor propio buscado no sea real si no que contenga una parte imaginaria. Supóngase que µ = α + βi sea una aproximación del valor propio buscado. Entonces aplicando el método de la potencia inversa, se tiene (α + βi)I − A yk+1 = yk ,

(V.2.7)


227

por otro lado los vectores yk pueden ser descompuestos en un vector real y otro imaginario, de la manera siguiente yk = uk + ivk ,

uk , vk ∈ Rn ,

de donde, se obtiene una nueva formulación para el método de la potencia inversa, dada por uk uk+1 αI − A −βI , = vk vk+1 βI αI − A y el cociente de Rayleigh est´ a dado por yk∗ yk+1 (ut − ivkt )(uk+1 + ivk+1 ) = k ∗ yk yk utk uk + vkt vk (ut uk+1 + vkt vk+1 + i(utk vk+1 − vkt uk+1 ) . = k utk uk + vkt vk

(V.2.8)

Formas Tridiagonales y Matrices de Hessenberg El método de la potencia y su version de la potencia inversa son métodos aplicables a matrices, donde el valor propio más grande en valor absoluto lo es estrictamente. Por otro lado es necesario darse un vector inicial cuya proyección sobre el espacio propio, respecto a este valor propio sea no nula, es decir se debe tener una idea clara de la posible ubicaci´ on de los vectores propios. Ahora bien, en muchos casos es necesario conocer los diferentes valores propios, situación que no es posible con las dos versiones del método de la potencia estudiados más arriba. Una gran clase de métodos de c´ alculo de valores propios est´ an dise˜ nados para operar con matrices tridiagonales, sobre todo si éstas son simétricas. El objetivo de este paragrafo es construir algoritmos que permitan tridiagonalizar una matriz arbitraria, conservando las propiedades originales en los casos en que sea posible. Sea, A una matriz arbitraria de orden n × n, se busca una transformación, T tal que ∗ ··· ∗ ..  ∗ .  ..   .. T −1 AT = H =  . . .  ..  ..   . . ∗ ∗

H es conocida bajo el nombre de matriz de Hessenberg. A continuación, se propone como algoritmo de reducci´ on a la forma de Hessenberg, utilizando matrices de tipo L, del algoritmo de eliminación de Gauss.


228 Algoritmo 1. 1.- Sea A una matriz arbitraria, se busca |ak1 | = max |aj1 |, j=2,...,n

se intercambia las filas k y 2 y también las columnas k y 2, se define la matriz L2 por   1 0 1 0    ai1 0 −l32 1 , , i = 2, . . . , n; L2 =  li2 =   . a . 21   .. .. 0 −ln2 1 se obtiene



   L2 AL−1 = 2  

∗ ∗ 0 .. .

∗ ··· ∗ A(1)

0



  .  

2.- Se aplica el paso 1 a la matriz A(1) , y se continua hasta obtener una matriz de Hessenberg. La principal desventaja de utilizar este primer algoritmo propuesto es que, si A es una matriz simétrica, H no lo es en general. Recordando el cap´ıtulo II.5, existe el algoritmo QR para reducir una matriz A a la forma triangular. Es facil verificar que H = Qt AQ es simétrica, si Q es ortogonal y A es simétrica. Por consiguiente, el segundo algoritmo propuesto utiliza matrices de Householder para convertir una matriz A en una matriz de Hessenberg. Algoritmo 2. 1.- Sea A una matriz arbitraria, que puede escribirse, como a11 · · · a1n , A= A′1 · · · A′n por consiguiente A′k ∈ Rn−1 . Se define Q2 por

Q2 =

1 0 0 Q′2

,

donde Q′2 = I − 2u2 ut2 , u2 est´ a determinado por la condici´ on, ver Cap´ıtulo V.2,   α2  0  ′  Q′2 A′1 =   ...  , α2 = signo a21 kA1 k2 ; 0

´ n de Valores Propios V.2 Determinacio obteniendo Q2 AQ−1 2



  =  

∗ ∗ 0 .. .

229

∗ ··· ∗ A(1)

0



  .  

2.- Se procede como en 1, hasta obtener la forma de Hessenberg.

Teorema de Sturm y M´ etodo de la Bisecci´ on Al utilizar el algoritmo 2, de la anterior subsecci´ on, a una matriz A simétrica se obtiene una matriz tridiagonal simétrica, que se la denota nuevamente por A, para no cargar la notación. Por consiguiente, A es de la forma 

d1  e2   A=  

e2 d2

e3 .. . .. .

e3

..

.

..

. en



   .  en  dn

(V.2.9)

Se define, el polinomio p0 (x) por p0 (x) = 1,

(V.2.10)

y los polinomios pi (x) i = 1, . . . , n, como pi (x) = det(Ai − xI), donde A=

Ai 0

0 ∗

(V.2.11)

,

Ai es la matriz formada por las primeras i filas y columnas de A. Por lo tanto, se tiene Pn (x) = det(A − xI). (V.2.12) Por otro lado, los determinantes que definen estos polinomios cumplen la siguiente relación recursiva det(Ai − xI) = (di − x) det(Ai−1 − xI) − e2i det(Ai−2 − xI),

i = 2, 3, . . . , n;

de donde pi (x) = (di − x)pi−1 (x) − e2i pi−2 (x),

i = 2, 3, . . . , n.

(V.2.13)


230

Teorema V.2.3.- Sea A una matriz tridiagonal y simétrica con los coeficientes ei 6= 0 para i = 2, . . . , n. Entonces: a) Las raices de pn (x) = χA (x) son simples, b) p′n (λi ) · pn−1 (λi ) < 0 si λi es una raiz de pn (x), c) pj (x∗ ) = 0 (1 ≤ j ≤ n − 1, x∗ ∈ R) ⇒ pj−1 (x∗ )pj+1 (x∗ ) < 0, d) p0 (x) ≥ 0 para todo x ∈ R. Demostraci´ on.- El punto d) se verifica inmediatamente puesto que p0 (x) = 1 por definición. La demostración del punto c) se la realiza por el absurdo, en efecto, si se tuviera pj (x∗ ) = 0 y pj+1 (x∗ ) = 0, utilizando (V.2.13), se tendr´ıa p0 (x∗ ) = 0 lo cual contradice el hecho que p0 (x∗ ) = 1. Ahora bien, utilizando nuevamente (V.2.13) se tiene en el caso en que pj (x∗ ) = 0 pj−1 (x∗ ) = −e2n−j+1 pj+1 (x∗ ). El punto b) implica el punto a), ya que p′n (λi ) 6= 0 conduce a que λi sea raiz simple. S´ olo queda el punto b) por demostrar. Se define, los polinomios: qi (x) = (−1)i pi (x) q0 (x) = p0 (x);

1 , e2 e3 · · · ei+1

i = 1, . . . , n;

donde en+1 = 1. Efectuando c´ alculos sobre los polinomios qj (x), se tiene (−1)i qi (x)e2 · · · ei+1 =(di − x)(−1)i−1 qi−1 (x)e2 · · · ei

− e2i (−1)i−2 qi−2 (x)e2 · · · ei−1 ,

de donde

ei+1 qi (x) + (di − x)qi−1 (x) + ei qi−2 (x) = 0,

i = 2, . . . , n.

Esta u ´ltima relación puede escribirse de manera matricial, como 

d1 − x e2 d2 − x e3  e2  ..  . e3    ... |

{z A − xI

.. ..

.

. en



 q (x)    0 0  ..   q1 (x)     . . =  ..     0 . en  q −qn (x) n−1 (x) {z } dn − x | } q(x) 6= 0

Si λi es valor propio de A, entonces q(λi ) es un vector propio, derivando la relación matricial, se obtiene

´ n de Valores Propios V.2 Determinacio 

 −q(x) + (A − xI)q ′ (x) =  

231 0 .. . 0 −qn′ (x)

multiplicando por la traspuesta de q(x), se tiene 



 ,  0 .. .



  , −q t (x)q(x) + q t (x)(A − xI)q ′ (x) = q t (x)   {z } | 0  = 0 si x = λi −qn′ (x)

de donde

2

−qn′ (λi )qn−1 (λi ) = − kq(λi )k < 0, dando por consiguiente p′n (λi )pn−1 (λi ) < 0. Cabe remarcar que los polinomios pi (x) i = 0, . . . , n; forman una sucesión de Sturm, cuyo estudio y c´ alculo de raices est´ an dados en la primera sección del cap´ıtulo IV concerniente a la resolución de ecuaciones polinomiales. Por consiguiente el n´ umero de valores propios de la matriz A en el intervalo [a, b], est´ a dado por w(b) − w(a),

donde w(x) indica los cambios de signo de los polinomios pi (x). La determinaci´ on exacta de los valores propios se efectua mediante el algoritmo de la bisección, ya estudiado en la sección IV.1. Ahora bien, el problema consiste en encontrar un algoritmo simple que permita evaluar w(x). Algoritmo para calcular w(x) Se define la sucesión fi (x), i = 1, . . . , n; por fi (x) =

pi (x) , pi−1 (x)

(V.2.14)

obteniendo de inmediato, la siguiente relación recursiva para fi (x): f1 (x) = (d1 − x); fi (x) = (di − x) − e2i

1 , fi−1 (x)

i = 2, . . . , n.

(V.2.15)


232

Ahora bien, si por azar, existe x ∈ R, i = 2, . . . , n con fi (x) = 0, (V.2.15) puede ser modificado para evitar la división por 0, de la manera siguiente:  1 2    (di − x) − ei f (x) , si fi−1 (x) 6= 0; i−1 (V.2.16) fi (x) =  |ei |   (di − x) − , si fi−1 = 0. eps La justificación de utilizar la sucesión fi (x) est´ a en la siguiente proposici´ on. Proposici´ on V.2.4.- w(x) es igual al n´ umero de elementos negativos de f1 (x), f2 (x), . . . , fn (x)

Demostraci´ on.- La demostración tiene sus bases te´ oricas en el Teorema de Sylvester, que indica que si A es una matriz, T una matriz no singular, entonces la matriz B = T t AT tiene el mismo n´ umero de valores propios negativos que la matriz A. Aplicando este teorema a la proposici´ on a demostrar, se tiene 

1  e2 /f1 (x) A − xI = .  ..

 f (x) 1 f2 (x)   ..  .

1 en /fn−1

1  1 e /f (x) 2 1 ..  .  

 fn (x)

  

1 en /fn−1 (x) 1



 , 

de donde A − xI tiene el mismo n´ umero de valores propios negativos que el conjunto {f1 (x), f2 (x), . . . , fn (x)}. Por otro lado este n´ umero est´ a dado por w(x), quedando demostrada la proposici´ on. Para poder aplicar el algoritmo de la bisección es necesario conocer los intervalos, donde pueden estar localizados los valores propios, para evitar busquedas inutiles. El siguiente teorema es muy util para determinar las regiones donde se encuentran estos. Teorema V.2.5.- Gerschgorin. Sea λ un valor propio de A matriz, Entonces existe i tal que X |aij | . (V.2.17) |λ − aii | ≤ j6=i

Demostraci´ on.- Sea x 6= 0, el vector propio asociado a λ, por consiguiente x = (x1 , x2 , . . . , xn )t . Sea i, tal que |xi | ≥ |xj |

∀j,


233

puesto que x 6= 0, se tiene necesariamente que xi 6= 0. Efectuando c´ alculos se obtiene: n X aij xj = λxi , j=1

X j6=i

aij xj = (λ − aii )xi ,

pasando a valores absolutos se tiene: |λ − aii | |xi | ≤ |λ − aii | ≤

X j6=i

X j6=i

|aij | |xj | , |aij | .

Generalizaci´ on del M´ etodo de la Potencia Al formular el método de la potencia, se buscaba el valor propio, cuyo valor absoluto era máximo, de una matriz A. Ahora bien, existen muchos problemas en los cuales se requiere conocer no solamente el valor propio más grande en valor absoluto, sino también los otros valores propios. El prop´ osito de esta subsecci´ on es formular un método que permita calcular los dos valores propios más grandes en módulo. Para tal efecto, es necesario suponer que λ1 ,λ2 , . . . , λn valores propios de A satisfacen |λ1 | > |λ2 | > |λ3 | ≥ · · · |λn | . Recordando el método de la potencia, se tiene la sucesión de los {yk } definida por yj+1 = Ayj , si y0 cumple ciertas condiciones, se tiene j ! λ2 j yj = λ1 [a1 v1 + O , λ1

donde v1 es el vector propio asociado a λ1 y a1 la componente de y0 respecto a v1 . Para evitar explosiones en los c´ alculos de los yj se puede mejorar el algoritmo de la potencia exigiendo que kyj k2 = 1, y adem´ as para evitar oscilaciones en los yj , se plantea por consiguiente Ayj (Ayj )1 yj+1 = , (V.2.18) signo kAyj k2 (yj )1

donde (yj )1 es la primera componente de yj . Puesto que los yj son de norma igual a 1, haciendo referencia a vectores ortonormales, se cambia la notación de yj por qj , dando por consiguiente la siguiente definición recursiva para los qj :


234

q0 arbitrario, tal que kq0 k2 = 1; kqj k2 = 1; (j+1) λ1 qj+1

(V.2.19)

= Aqj .

Por el teorema V.2.1, se tiene que: lim qj = v1 ,

j→∞

(j)

lim λ1 = λ1 ,

j→∞

con v1 valor propio de norma unitaria respecto a λ1 . Por otro lado la velocidad de convergencia de (V.2.19), est´ a dada por O (λ2 /λ1 )j . Por consiguiente, el problema consiste en calcular λ1 y λ2 , si es posible al mismo tiempo. Supóngase que conoce de antemano λ1 y v1 . Considerando el subespacio vectorial V de Cn definido por V = u ∈ Cn |u∗ v1 = 0 ,

espacio de dimensión n − 1. La matriz A induce una aplicaci´ on lineal que se la denota por la letra A tambien, la cual est´ a definida por A : Cn −→ Cn

y −→ Ay

,

definiendo la aplicaci´ on lineal f : V −→ V como f = p ◦ A|V donde p es la proyección ortogonal de Cn en V , y A|V es la restricci´ on de A sobre el espacio V se tiene el: Teorema V.2.6.- Los valores propios de f son: λ2 , . . . , λn , más precisamente se tiene   λ1 0 0 λ2 r22 · · · r2n  ∗   U v, f (v) = U  ..   . λn donde v ∈ V y



  U ∗ AU =  

λ1

r12 .. .

· · · r1n ..

. λn

    

es la descomposici´ on de Schur dada en teorema V.1.7.


235

Demostraci´ on.- Sea U = (u1 , u2 , . . . , un ) matriz unitaria con u1 = v1 , entonces cualquier elemento v ∈ V se escribe, como v=

n X

αi ui ,

i=2

por consiguiente v = U α,

 0  α2   con α =   ...  ; 

αn

de donde f (v) = AU α. Ahora bien, si U es la matriz unitaria de la descomposici´ on de Schur de A, se tiene   λ1 r12 · · · r1n ..   .  ∗  f (v) = U   U U α, ..   . λn como U α = v, se tiene después de una simple verificaci´ on que 

 f (v) = U  

λ1

0 λ2

r22 .. .

 0 · · · r2n  ∗  U v.  λn

El teorema precedente proporciona un medio te´ orico para calcular λ2 , el cual es el método de la potencia a f . Por lo tanto, si se tiene determinado λ1 y v1 el algoritmo de la potencia, se lo formula de la siguiente manera: r0 , tal que v1∗ r0 = 0 y kr0 k2 = 1; αj = v1∗ Arj ; krj k2 = 1; (j+1)

Arj − αj v1 = λ2

rj+1 .

Es facil verificar que (j)

lim λ2 = λ2 ,

j→∞

lim rj = u2 ;

j→∞

(V.2.20)


236

donde v2 es el vector propio de norma unitaria respecto a λ2 . Ser´ıa interesante poder calcular λ1 y λ2 al mismo tiempo, sin necesidad de determinar primero λ1 y luego λ2 , esto es posible mediante el siguiente algoritmo. Se da, como vectores iniciales: q0 y r0 , tales que: kq0 k = 1,

kr0 k = 1,

y r0∗ q0 = 0.

(V.2.21)

Se supone, que se ha calculado rj , con krj k = 1 y rj∗ qj = 0;

qj , con kqj k = 1;

entonces se aplica el algoritmo de la potencia de la siguiente manera (j+1) λ1 qj+1 ,

Aqj = kqj+1 k = 1;

∗ Arj , αj+1 = qj+1

Arj − αj+1 qj+1 = λj+1 2 rj+1 , krj+1 k = 1.

(V.2.22)

Se puede demostrar que también (j)

lim λ2 = λ2 ,

j→∞

lim rj = u2 ,

j→∞

donde u2 es la segunda columna de la matriz U de la descomposici´ on de Schur de A. Vale la pena recalcar, el siguiente hecho A (qj , rj ) = (qj+1 , rj+1 ) | {z } | {z } Uj

Uj+1

|

(j+1)

λ1

0

α(j+1) (j+1) , λ2 {z }

Rj+1

1 0 , el algoritmo de la = de donde planteando U0 = (q0 , r0 ) con 0 1 potencia generalizada, se expresa de manera matricial como U0∗ U0

AUj = Uj+1 Rj+1 , donde el segundo miembro no es nada más que la descomposición QR, pero esta vez utilizando matrices unitarias. Si la matriz A tiene sus n valores propios diferentes, y adem´ as que verifican |λi | > |λ2 | > · · · > |λn | ,


237

el método de la potencia puede ser aplicado para calcular de manera simultánea los n autovalores. Se toma U0 una matriz unitaria arbitraria que puede ser por ejemplo U0 = I. Supóngase que se ha calculado Rj y Uj , entonces se tiene AUj = Uj+1 Rj+1 . (V.2.23) Se puede demostrar que: 

λ1

Rj −→ R = 

··· .. .

∗ λn

Uj −→ U,



,

cuando j → ∞, donde AU = U R es la descomposici´ on de Schur.

El M´ etodo QR Al finalizar la u ´ltima subsecci´ on, se dio una generalización del método de la potencia. Por razones de presentación, se ver´ a en esta sección un algoritmo equivalente a este u ´ltimo, conocido como el método QR. La versión simple del algoritmo QR es aplicable a matrices, cuyos valores propios son reales y diferentes en valor absoluto, se lo define recursivamente de la siguiente manera: Aj+1

A1 = A = Q1 R1 , = Rj Qj = Qj+1 Rj+1 ,

(V.2.24)

donde Qj es una matriz ortogonal, y R es una matriz triangular superior. De donde, este algoritmo es equivalente al método de la potencia generalizada. En efecto, planteando Uj = Q1 · · · Qj , se tiene

Uj+1 Rj+1 = Q1 Q2 · · · Qj Qj+1 Rj+1 , | {z } Rj Qj

llegando finalmente a

Uj+1 Rj+1 = Q1 R1 Q1 Q2 · · · Qj . | {z } | {z } A

Uj

Puesto que el método QR y el algoritmo de la potencia son equivalentes, es facil ver que   λ1 · · · ∗ .. , Rj −→ R =  . λn Qj −→ I.


238

Por otro lado, las matrices Aj+1 y Aj tienen los mismos valores propios, pues Aj+1 = Q∗j Aj Qj Indudablemente, el método QR es aplicable a toda matriz cuyos valores propios son diferentes en módulo, sin embargo es conveniente reducir la matriz A a una de tipo Hessenberg, ya que si A es una matriz de Hessenberg, las matrices Ak construidas a partir del algoritmo QR lo son también, ver ejercicio 5, adem´ as el costo de operaciones es menor. El siguiente resultado, enunciado sin demostración, indica la velocidad de convergencia del método QR donde A es una matriz de tipo Hessenberg. Esta relación esta dada por (j+1)

an,n−1 (j)

an,n−1

∼

es decir (j) an,n−1

=O

λn λn−1

λn λn−1

,

j !

(V.2.25)

.

(V.2.26)

Uno de los problemas con que se confronta es que la convergencia puede ser demasiado lenta, sobre todo si |λn | ≈ |λn−1 |; pero este inconveniente puede superarse aplicando el algoritmo QR, en lugar de la matriz A, a A − pI,

(V.2.27)

donde p ≈ λn . p se lo conoce con el nombre de shift. En este caso la velocidad de convergencia est´ a dada por j ! λn − p (j) an,n−1 = O . (V.2.28) λn1 − p El algoritmo QR con shift Antes de comenzar el algoritmo QR, se supone que la matriz A est´ a expresada bajo la forma de una matriz de Hessenberg. El algoritmo QR con shift, se lo define de manera recursiva como: A1 = A, Qj Rj = Aj − pj I, Aj+1 = Rj Qj + pj I. Las dos maneras más corrientes de elegir el shift pk son:

(V.2.29)


239

(k)

1.- Se plantea pk = an,n . Este procedimiento funciona bien, si todos los valores propios de la matriz A son reales. 2.- Se toma pk , al valor propio de la matriz ! (k) (k) an−1,n−1 an−1,n , (k) (k) an,n−1 an,n (k)

que es más pr´ oximo al coeficiente an,n . Una interrogante muy importante surge, cuando detener el algoritmo QR. Uno de los criterios más usados es el siguiente. Si (k) (k) (k) (V.2.30) an,n−1 ≤ eps ann + an−1,n−1 , se plantea

(k) λn = ann .

(V.2.31)

Luego se continua con la matriz A(k) de dimension n − 1 resultante, hasta obtener todos los valores propios de la matriz A. La experiencia n´ umerica muestra que el algoritmo QR converge linealmente, mientras que el algoritmo QR con shift tiene convergencia cuadrática. Ejemplos 1.- Considérese, la matriz A definida por   10 7 6 A =  0.1 5 3  0 0.1 1

matriz de tipo Hessenberg. Por lo tanto lista, para ser aplicado el método QR y el método QR con shift. A continuación, se mostrar´ a las iteraciones resultantes del método QR sin shift 10.070493 A2 = .49305211 − 001 .00000000 10.105227 A3 = .24258892 − 001 .00000000 10.122222 A4 = .11880000 − 001 .00000000

7.0701525 4.9895287 .19067451 − 001 7.0677632 4.9656988 .35752960 − 002 7.0596308 4.9507267 .66976513 − 003

5.8875209 2.8589253 .93997833 5.8742925 2.8145741 .92907381 5.8759333 2.7975584 .92705007


240

Puede observarse que la convergencia es lineal y adem´ as se tiene (k+1)

a21

(k) a21 (k+1) a32 (k) a32

∼

1 , 2

∼

1 , 5

por consiguiente se necesitan por lo menos 10 iteraciones para obtener (k) (k) a32 ∼ 10−8 y por lo menos 23 iteraciones para tener a21 ∼ 10−8 . Para poder observar la verdadera potencia de aplicar el método QR con shift, a continuación se muestran las 6 iteraciones que son necesarias, para obtener los valores propios de la matriz A. p1 = 1.0 10.078261 7.0950933 A2 = .43358029 − 001 4.9964769 .00000000 −.19045643 − 002 p2 = .92526107 10.112141 7.0679606 A3 = .19226871 − 001 4.9612733 .00000000 −.62453559 − 006 p3 = .92526107 10.126953 7.0571468 A4 = .84142592 − 002 4.9464609 .00000000 −.67414063 − 013 p4 = .84142592 − 002 10.138415 7.0571468 A5 = −.18617346 − 004 4.9349986 p5 = −.18617346 − 004 10.138390 7.0497319 A6 = −.90446847 − 010 4.9350238

5.8540158 2.8312527 .92526107 5.8707690 2.8312527 .92526107 5.8766286 2.7929532 .92658424

obteniendo, as´ı los siguientes valores propios: λ1 = 10.138390, λ2 = 4.9350238, λ3 = 0.92658424.

2.- Puede observarse en el ejemplo anterior que la convergencia del método QR con shift es cuadrática, para ilustrar este hecho, considérese 2 a A= , ǫ 1


241

con ǫ bastante peque˜ no. Aplicando el método QR con shift se tiene p1 = 1 y 1 a , A − p1 I = ǫ 0

obteniendo

Q1 R1 =

√ 1/√ 1 + ǫ2 ǫ/ 1 + ǫ2

√ √ −ǫ/√ 1 + ǫ2 1 + ǫ2 2 0 1/ 1 + ǫ

lo que da A1 =

∗ −ǫ2 /1 + ǫ2

∗ ∗

√ a/ √ 1 + ǫ2 , −ǫa/ 1 + ǫ2

,

de donde la convergencia es cuadrática, si a es arbitrario. Si la matriz es simétrica, se puede observar que la convergencia ser´ıa c´ ubica en este ejemplo, tomar a = ǫ.

Ejercicios 1.- Calcular los valores propios y vectores propios de   2 1   1 2 12 A= , 0 1 2 1 1 2

utilizando el método de la potencia inversa de Wielandt.

2.- Sea

√ √ √  88 − 7 6 296 − 169 6 −2 + 3 6 360 √ 1800√ 225 √    88 + 7 6 −2 − 3 6  A =  296 + 169 6 . 1800 360√ 225   √ 16 − 6 16 + 6 1 36 36 9 Calcular α, β, λ y una matriz T a coeficientes reales, tal que   α β 0 T −1 =  −β α 0  . 0 0 λ 

La matriz A define un método de Runge-Kutta.

3.- Sea A una matriz de orden s que es diagonalizable, y sea J una matriz de orden n. Se define el producto tensorial A ⊗ J por   a11 J · · · a1s J . ..  . A ⊗ J =  .. . as1 J · · · ass J


242

Encontrar un algoritmo eficaz para resolver un sistema lineal con la matriz I − A ⊗ J. Indicaciones: a) Mostrar que (A ⊗ B)(C ⊗ C) = (AC) ⊗ (BD). b) Supóngase que 

λ1

T −1 AT = Λ = 

..

. λs

 

y utilizar la descomposici´ on I − A ⊗ J = (T ⊗ I)(I − Λ ⊗ J)(T −1 ⊗ I)

(V2.32)

c) estimar el n´ umero de multiplicaciones necesarias, si: — se calcula la descomposici´ on LR de I − A ⊗ J, — se utiliza (V.2.32); el trabajo principal es el c´ alculo de la descomposicón LR de I − Λ ⊗ J. 4.- Calcular todos los valores propios de 

1 −1  −1 2 −1  .. .. A=  . .   −1

       ..  .  n  2 −1    −1 3

para n = 10 y n = 20. Utilizar el método de la bisección. 5.- Mostrar que si la matriz A = A1 es una matriz de Hessenberg, las matrices Ak , k = 2, construidas en el método QR son igualmente matrices de Hessenberg.

Cap´ıtulo VI Integraci´ on Num´ erica

En muchos problemas aparecen integrales, ya sean éstas simples, m´ ultiples y de otras clases. En los cursos elementales de Cálculo, la determinaci´ on de primitivas es un tópico de bastante importancia. Por consiguiente, existen los elementos te´ oricos para evaluar primitivas. Sin embargo la mayor parte de las aplicaciones n´ umericas donde interviene la integración, presenta integrales cuyo c´ alculo de primitivas es imposible en términos de funciones elementales, o por las caracter´ısticas propias de los problemas solo se requiere una c´ omputo aproximado de éstas. En este cap´ıtulo se tratará las base te´ oricas de la integral de Riemann, luego se abordará la noción de fórmula de cuadratura y como consecuencia lógica se definirá el orden de una fórmula de cuadratura. El segundo tema que ser´ a estudiado, como parte integrante del An´ alisis Numérico, est´ a relacionado con la estimación del error cometido por la utilizaci´ on de métodos numéricos de integración. Se comparará, diferentes fórmulas de cuadratura haciendo hincapié en aquéllas de orden elevado. Las fórmulas de cuadratura de Gauss ser´ an estudiadas como un caso de fórmulas de orden elevado y para comprenderlas mejor se introducir´ a la noci´ on de polinomios ortogonales. Después, se formulará un método adaptativo para determinar integrales y como corolario se hará un tratamiento de singularidades, es decir se implementará métodos para resolver integrales impropias. Como u ´ltimo t´ opico, se vera la interpolaci´ on trigonométrica, es decir se hará un estudio de las Transformadas de Fourier discretas, como también la Transformada de Fourier R´ apida, mas conocida como FTP.

VI.1 Bases Te´ oricas

En esta sección, se ver´ an las bases te´ oricas de la teor´ıa de la integración, pero ésta limitada a la integral de Riemann. Por otro lado, también ser´ an abordados las motivaciones para tener la integral como un instrumento matemático de Cálculo. Uno de los problemas con el cual el hombre ha confortado desde épocas lejanas, ha sido el c´ alculo de areas, volumenes y otros, tanto por la necesidad cotidiana, como también dentro el esp´ıritu de reflexi´ on e investigación que lo ha caracterizado siempre. La integral más utilizada, desde el punto de vista de c´ alculo y pr´ actico, es la integral de Riemann, cuya definición permiti´ o que el c´ alculo integral tuviese bases te´ oricas cimentadas. En lo que sigue, se hará una presentación te´ orica de esta importante noción. Definici´ on VI.1.1.- Sea, [a, b] un intervalo compacto de la recta real. Se llama subdivisión del intervalo [a, b] un conjunto S ⊂ [a, b] finito. Por consiguiente S puede ser ordenado, como una sucesión finita de puntos de [a, b] expresada de la manera siguiente S = x0 < x1 < · · · < xn ⊂ [a, b]. Definici´ on VI.1.2.- Sea S una subdivisión de [a, b], se llama paso de la subdivisión S a δ(S) = max |xi − xi−1 | . i=1,...,n

Ahora bien, la noción de integral est´ a definida para funciones cuyo dominio son intervalos compactos, adem´ as se exige que la función sea acotada. Como no es proposito del libro hacer una exposici´ on sobre la teor´ıa de la integración, se dará una de las definiciones de una función integrable en el sentido de Riemann. Definici´ on VI.1.3.- Sea f : [a, b] → R una función acotada sobre un intervalo compacto. Se dira que f es Riemann integrable si lim

δ(S)→0

n X i=1

f (ξi )(xi − xi−1 ) existe,

con ξi ∈ [xi−1 , xi ], independientemente de S y de los ξi . Si éste es el caso, este l´ımite se lo denota por Z b f (x)dx. a

´ ricas VI.1 Bases Teo

245

Se puede demostrar que las funciones monótonas, continuas y en escalera son Riemann integrables. El c´ alculo de la integral como un l´ımite puede ser bastante tedioso, motivo por el cual, los cursos de Cálculo en los niveles b´ asicos universitarios y ultimos cursos de colegio, dan un énfasis al c´ alculo de primitivas, que para recordar es: Definici´ on VI.1.4.- Dada una función ϕ sobre un intervalo I de R. Se dice que una función φ : I → R es una primitiva de ϕ si, en todo punto x de I, la funci´ on φ es derivable y si φ′ (x) = ϕ(x). Sea f : [a, b] → R una función integrable en el sentido de Riemann, se define para todo x ∈ [a, b] Z x f (t)dt. F (x) = a

Proposici´ on VI.1.5.- La función F es continua, adem´ as si la función f es continua en un punto x de [a, b], la función F es derivable en x y F ′ (x) = f (x). Corolario VI.1.6.- Una función continua sobre un intervalo compacto admite una primitiva. Las demostraciones de la proposici´ on y el corolario precedentes se las puede encontrar en cualquier libro de An´ alisis. A continuación, se enuncia uno de los teoremas fundamentales del c´ alculo. Teorema VI.1.7.- Sea f : [a, b] → R una función integrable en el sentido de Riemann que, adem´ as admite una primitiva G. Para todo x ∈ [a, b], se tiene: Z x G(x) − G(a) =

f (t)dt.

a

Ahora bien, desde el punto de vista numérico, el c´ alculo de primitivas no tiene mayor utilidad pr´ actica, pués en la mayor parte de los casos la determinaci´ on anal´ıtica de éstas es costosa en tiempo. El tratamiento numérico que se realiza en el c´ alculo de integrales est´ a basado en la misma definición de integral. Por consiguiente utilizando la definición, se tiene que ∀ǫ > 0, existe S ⊂ [a, b] y ξi ∈ [xi−1 , xi ] tal que n Z b X f (x)dx < ǫ, f (ξi )(xi − xi−1 ) − a i=1

de donde el enfoque numérico consiste en aproximar la integral utilizando, sumas finitas de Riemann. Por otro lado, una de las tareas del An´ alisis Numérico en lo que respecta el c´ alculo de integrales, está dada en la construcción de fórmulas de cuadratura con un costo razonable en operaciones, y una precisi´ on aceptable en la determinaci´ on de la integral.

´ n Num´ VI Integracio erica

246

A continuación, se mostrar´ a las fórmulas de cuadratura o de integración mas rudimentarias. a) Regla del Punto Medio Consiste en utilizar la suma de Riemann con ξi = consiguiente

xi−1 + xi , por 2

Z b n X xi−1 + xi (xi − xi−1 ) ≈ f (x)dx. f 2 a i=1 La regla del punto medio, da resultados exactos cuando f es un polinomio de grado menor o igual a 1. Ver figura VI.1.1.

x0

x1

x2

x3

xn-1 xn

Figura VI.1.1. Regla del Punto Medio.

b) Regla del Trapecio Consiste en aproximar f (ξi )(xi−1 − xi ) con el area de un trapecio de alturas f (xi−1 ) y f (xi ). Por consiguiente n X f (xi−1 ) + f (xi ) i=1

2

(xi − xi−1 ) ≈

Z

b

f (x)dx,

a

de donde, esta suma puede expresarse de manera más simple, como Z

a

b

f (x)dx ≈ f (x0 )

x2 − x0 x 1 − x0 + f (x1 ) + ··· 2 2 xn − xn−2 xn − xn−1 · · · + f (xn−1 ) + f (xn ) . 2 2


x0

x1

x2

247

x3

xn-1 xn

Figura VI.1.2. Regla del Trapecio. Esta fórmula es exacta para polinomios de grado igual o inferior a 1. Ver figura VI.1.2. c) Regla de Simpson Consiste en aproximar f (ξi )(xi−1 − xi ), con el area de la superficie cuyo lado superior, ver figura VI.1.3, esta dada por la parábola que pasa por x +x x +x los puntos (xi−1 , f (xi−1 ), ( i−12 i , f ( i−12 i )) y (xi , f (xi )). Para simplificar los c´ alculos se toma para x0 , y x1 , obteniendo como polinomio de interpolaci´ on f (x0 ) + f ((x0 + x1 )/2) (x − x0 ) x1 − x0 f (x0 ) − 2f ((x0 + x1 )/2) + f (x1 ) (x − (x0 + x1 )/2)(x − x1 ). +2 (x1 − x0 )2

p(x) = f (x0 ) + 2

Ahora bien, integrando este polinomio de segundo grado entre x0 y x1 , se obtiene Z

x1

x0

f (x)dx ≈

4 1 f (x0 ) + f 6 6

x0 + x1 2

1 + f (x1 ) h1 , 6

para finalmente tener Z

a

b

f (x)dx ≈

n X 1 i=1

4 f (xi−1 ) + f 6 6

1 hi + f (xi ) hi . xi−1 + 2 6

La fórmula de Simpson es exacta para polinomios de grado igual o


248 inferior a 3.

x0

x1 Figura VI.1.3. Regla de Simpson.

d) Regla de Newton Consiste en aproximar f (ξi )(xi−1 − xi ), con el area de la superficie cuyo lado superior, ver figura VI.1.4, esta dada por la parábola c´ ubica que 2xi−1 + xi 2xi−1 + xi , f( )), pasa por los puntos (xi−1 , f (xi−1 ), ( 3 3 xi−1 + 2xi xi−1 + 2xi , f( )) y (xi , f (xi )). De la misma manera que en la ( 3 3 regla de Simpson, se calcula esta parábola c´ ubica utilizando por ejemplo la fórmula de Newton para determinar polinomios de interpolaci´ on, luego se integra para obtener Z x1 1 3 1 3 h1 2h1 f (x)dx ≈ f (x0 )+ f x0 + + f x0 + + f (x1 ) h1 . 8 8 3 8 3 8 x0 La regla de Newton es exacta para polinomios de grado menor o igual a 3.

x0

x1 Figura VI.1.4. Regla de Newton.

F´ ormulas de Cuadratura


249

En los cuatro ejemplos precedentes de la anterior subsecci´ on, puede observarse claramente que las reglas de integración formuladas tienen la misma estructura, la cual define tácitamente una fórmula de cuadratura. La mayor parte de los métodos numéricos est´ an basados en este principio. Se desea integrar la función f : [a, b] → R, donde f es Riemann integrable. Para tal efecto se considera una subdivisión S = {a = x0 < x1 < · < xn = b} . La integral puede ser aproximada mediante la fórmula de cuadratura siguiente ! s n X X bi f (xj−1 + ci hj ) , (VI.1.1) j=1

i=1

los ci se llaman nudos de la fórmula de cuadratura y los bi son los coeficientes de la fórmula de cuadratura. Para la regla del Trapecio, se tiene s = 2, b1 = b2 = 1/2 y c1 = 0, c2 = 1. As´ı mismo, para la regla de Simpson se tiene s = 3, b1 = b3 = |1/6, b = 4/6 y c1 = 0, c2 = 1/2, c3 = 1. Dada una fórmula de cuadratura, uno de los objetivos principales es medir la precisi´ on de ésta. Por razones de simplicidad, es preferible estudiar la fórmula de cuadratura en una función f : [0, 1] → R y considerar h1 = 1, es decir integrar numéricamente con un paso de integración. Por consiguiente, se analizar´ a el problema s X i=0

bi f (ci ) ≈

Z

1

f (x)dx. 0

El Orden de una F´ ormula de Cuadratura Definici´ on VI.1.8.- Una fórmula de cuadratura tiene orden p, si y solamente si, p es el entero más grande, tal que s X i=0

bi f (ci ) =

Z

1

f (x)dx,

(VI.1.2)

0

donde f es un polinomio de grado ≤ p − 1. Proposici´ on VI.1.9.- Una fórmula de cuadratura es de orden p, si y solamente si s X 1 bi cq−1 = , q = 1, . . . , p. (VI.1.3) i q i=0


250

Demostraci´ on. La integración es una operaci´ on lineal, por lo tanto es suficiente mostrar que (VI.1.2) se cumple para f (x) = xq−1 , donde q = 1, . . . , p − 1. Ahora bien, Z

1

xp−1 dx =

0

1 . q

Por simple verificaci´ on, puede comprobarse que la fórmula de cuadratura de la regla del Trapecio es p = 2, la de la regla de Simpson es p = 4. Definici´ on VI.1.10.- Una fórmula de cuadratura se dice simétrica, si: ci = 1 − cs+1−i , bi = bs+1−i ,

i = 1, . . . , s.

(IV.1.3)

Teorema VI.1.11.- Una fórmula de cuadratura simétrica tiene un orden par. Demostraci´ on.- Supóngase que la fórmula de cuadratura sea exacta para f (x) polinomio de grado ≤ 2k. Por consiguiente se debe demostrar que la fórmula de cuadratura es exacta para los polinomios de grado igual a 2k + 1. Sea f (x) un polinomio de grado igual a 2k + 1. Ahora bien, f (x) puede expresarse de la siguiente manera 2k+1 1 f (x) = c x − + g(x), 2 donde g(x) es un polinomio de grado a lo más 2k. Por otro lado Z

1

0

2k+1 1 dx = 0. c x− 2

Por consiguiente, es suficiente mostrar que 2k+1 1 bi ci − = 0, 2 i=1

s X

esto es cierto debido a la simetr´ıa de la fórmula de cuadratura.

Estimacion del Error Dada una función f : [a, b] → R, se quiere tener una estimación del error cometido por la utilizaci´ on de una fórmula de cuadratura. Sea c1 , . . . , cs y


251

b1 , . . . , bs los coeficientes y los nudos respectivamente, de una fórmula de cuadratura dada. Por consiguiente, se tiene Z b n s X X f (x)dx = hj bi f (xj + ci hj ) = a

j=1

i=1

n X

h

j=1

"Z

xj

f (x)dx − hj

xj−1

s X

#

bi f (xj + ci hj ) .

i=1

Para poder determinar el error, es decir la diferencia entre la integral y la fórmula de cuadratura que aproxima la integral, se define Z x0 +h s X E(f ) = f (x)dx − h bi f (x0 + ci h). (VI.1.4) x0

i=1

Habiendo definido E(f ), se puede determinar su valor, el cual est´ a dado en el siguiente: Teorema VI.1.12.- Sea f ∈ C k [a, b], es decir f k veces continuamente derivable. Entonces, se tiene # " Z 1 k−1 s X hj+1 X 1 j E(f ) = bi ci + hk+1 Pk (t)f (k) (x0 + th)dt − j! j + 1 0 j=0 i=1

(VI.1.5)

donde Pk (t) = E

k−1 (x − t)+ (k − 1)!

!

,

k−1 α+

=

(

αk−1 0

α≥0 α<0

.

Demostraci´ on.- Se tiene, efectuando un cambio de variable en la integral, que Z 1 s X bi f (x0 + ci h), E(f ) = h f (x0 + th)dt − h 0

i=1

por otro lado, el desarrollo en serie de Taylor de f (x0 + τ h) con resto en forma de integral est´ a dado por f (x0 + h) =

hj (j) f (x0 ) + hk j!

k−1 X

hj (j) f (x0 )tj + hk j!

j=0

por lo tanto f (x0 + th) =

Z

k−1 X

j=0

1

0

Z

0

(1 − τ )k−1 (k) f (x0 + τ h)dτ, (k − 1)! t

(t − τ )k−1 (k) f (x0 + τ h)dτ, (k − 1)!


252

introduciendo esta serie en E(f ), se obtiene k−1 s i hZ 1 X hj+1 X bi cji f (j) (x0 ) tj dt − E(f ) = j! j=0 | 0 {z } i=1 +h

k+1

"Z

1 j+1

1

0

Z

0

t

(t − τ )k+1 + f (k) (x0 + τ h)dτ dt (k − 1)! # Z ci s k−1 X (ci − τ )+ (k) bi − f (x0 + τ h)dτ (k − 1)! 0 i=1

remplazando en el l´ımite de integración t por 1, se tiene que el u ´ltimo término del lado derecho de la anterior relación, est´ a dado por # Z 1 "Z 1 s k−1 X (ci − τ )+ (t − τ )k+1 + k+1 bi f (k) (x0 + τ h)dτ. dt − h (k − 1)! (k − 1)! 0 0 i=1

La función Pk (t) definida en el teorema, es conocida por el nombre de Nucleo de Peano de la fórmula de cuadratura c1 , . . . , cs ; b1 , . . . , bs . Teorema VI.1.13.- El nucleo de Peano de una fórmula de cuadratura dada, tiene las siguientes propiedades: s

k−1 (1 − τ )k X (ci − τ )+ − k! (k − 1)! i=1

a);

Pk (τ ) =

b) c) d)

Pk′ (τ ) = −Pk−1 (τ ), para k ≥ 2; Pk (1) = 0, para k ≥ 2, si ci ≤ 1; Pk (0) = 0, para 2 ≤ k ≤ p, si ci ≥ 0 y p orden de la f.q.;

e) Si la fórmula de cuadratura es 0 ≤ c1 < . . . < cs ≤ 1 y

s X

bi = 1,

i=1

entonces P1 (τ ) es lineal por trozos, con las siguientes propiedades: P1 (0) = 0, P1 |(ci−1 ,ci ) (x) = −x + di , donde di es una constante, adem´ as P1 (ci+ ) − P1 (ci− ) = bi , ver figura VI.1.4.

0

c1

c2

cs

1

Figura VI.1.5. Gráfica de P1 (τ )


253

Demostraci´ on.- Para el punto a), se tiene que Pk (τ ) = = =

Z

Z

1 0 1 τ

s k−1 k−1 X (x − τ )+ (x − τ )+ bi dx − (k − 1)! (k − 1)! i=1 s k−1 X (x − τ )+ (x − τ )k−1 bi dx − (k − 1)! (k − 1)! i=1 s

k−1 (1 − τ )k X (x − τ )+ bi − . k! (k − 1)! i=1

El punto b), se obtiene del punto a), derivando para k ≥ 2. El punto c) es verificaci´ on inmediata, remplazando en τ = 1, siempre que los ci ≤ 1. La demostración del punto d) se basa en que la fórmula de cuadratura, es exacta para los polinomios de grado inferior a p y s

X 1 ck−1 bi i − k! i=1 (k − 1)! # " s 1 X k−1 1 . bi c − = (k − 1)! k i=1 i

Pk (0) =

El punto e) es una verificaci´ on sencilla que se deja al lector.

Ejemplo La regla de Simpson es una fórmula de cuadratura, dada por c1 = 0, c2 = 1/2, c3 = 1; b1 = 1, /6 b2 = 4, /6 b3 = 1/6. Utilizando las propiedades dadas en el teorema precedente, se tiene:  1 1   − τ, 0 ≤ τ ≤ ; 2 P1 (τ ) = 6   (1 − τ ) − 1 , 1 ≤ τ ≤ 1. 6 2

P2 (τ ) se obtiene integrando P1 (τ ) por el punto b) del teorema precedente. Por consiguiente  τ2 1 τ    − + , 0≤τ ≤ ; 6 2 2 P2 (τ ) = 2  (1 − τ ) 1 (1 − τ )   − , < τ ≤ 1. 2 6 2


254

De la misma manera, se obtiene P3 (τ ) de P2 (τ ), dando como resultado:  2 τ3 1 τ   − , 0≤τ ≤ ;  12 6 2 P3 (τ ) = 3 2    − (1 − τ ) − (1 − τ ) , 1 < τ ≤ 1; 6 12 2  3 4 τ τ 1 −  + , 0≤τ ≤ ;  36 24 2 P4 (τ ) = 3  (1 − τ )4 (1 − τ ) 1   − , < τ ≤ 1. 24 36 2 Ver los gráficos en la figura IV.1.6. Consecuencia inmediata del teorema VI.1.12, se tiene el siguiente: Teorema VI.1.14.- Sean, f ∈ C k [a, b], c1 , . . . , cs ; b1 , . . . , bs una fórmula de cuadratura cuyo orden p ≥ k, entonces Z 1 k+1 (VI.1.6) |E(f )| ≤ h |Pk (τ )| dτ max f (k) (x) . x∈[x0 ,x0 +h]

0

.6

.1

P1

.4

P2

.2 .0

.0

.5

1.0

.0

.0

.5

1.0

−.2 −.4 −.1

−.6 .01

P3

P4

.004 .003 .002 .001

.00

.0

.5

1.0

.000 −.001 −.002 −.003 −.004

−.01

.0

.5

1.0


255

Figura VI.1.6. Nucleos de Peano, para la fórmula de Simpson. Para el ejemplo precedente, se tiene que la fórmula de Simpson es una fórmula de cuadratura de orden 4, por consiguiente Z

1 0

|P4 (τ )| dτ = −2

Z

1/2

P4 (τ )dτ =

0

1 , 2880

de donde, si f es cuatro veces continuamente derivable, se tiene que el error verifica h5 |E(f )| ≤ max f (4) (x) . 2880 x∈[x0 ,x0 +h]

Teorema VI.1.15.- Si f ∈ C k [a, b], k ≤ p , donde p es el orden de la fórmula de cuadratura, entonces Z b s n X X bi f (xj−1 + ci hj ) hj f (x)dx − a i=1 j=1 Z 1 ≤ hk (b − a) |Pk (τ )| dτ max f (k) (x) , x∈[a,b]

0

(VI.6.7)

donde h = max hi .

Demostraci´ on.- Se tiene # " s Z b n X X bi f (xj−1 + ci hj ) = hj f (x)dx − a

j=1

i=1

=

"Z n X j=1

≤

hk+1 j

por otro lado, se tiene n X i=1

= hk+1 j

n X i=1

xj

f (x)dx − hj

xj−1

Z

0

1

s X

bi f (xj−1 + ci hj )

i=1

#

|Pk (τ )| dτ max f (k) (x) , x∈[a,b]

hj hkj ≤ (b − a)hk .


256

Por lo tanto, la Regla de Simpson da la siguiente estimación para el error global h4 (b − a) |error| ≤ max f (4) (x) . 2880 x∈[a,b]

Los teoremas VI.1.13 a VI.1.15 dan estimaciones te´ oricas del error cometido, cuando se utiliza una fórmula de cuadratura. Sin embargo, es importante comprobar estas estimaciones te´ oricas con experimentos numéricos. Suponiendo que la subdivisión del intervalo [a, b] es uniforme, de la fórmula (VI.1.7), suponiendo f suficientemente derivable, se deduce, Z

a

b

f (x)dx =

s n X X bi f (xj−1 + ci h) + Chp + O(hp+1 ), h j=1

(VI.1.8)

i=1

donde C depende solamente de a, b y f (x). Por consiguiente, el error satisface Error ≈ Chp .

(VI.1.9)

Introduciendo logaritmos, se tiene log10 (Error) = log10 C + p log h, denotando fe, la cantidad de evaluaciones de la función f (x), en el proceso de integración numérica, se tiene fe =

C′ , h

donde C ′ es una constante, Por lo tanto, se obtiene − log10 (Error) = C + p log10 fe.

(VI.1.10)

De esta u ´ltima relación, se deduce que − log10 (Error) y log10 fe tienen una relación lineal de pendiente p, donde p es el orden de la fórmula de cuadratura. En la figura VI.1.7, se comprueba este hecho, utilizando como integral test Z 1 1 cos(πex )ex dx = sin(πe). π 0

´ ricas VI.1 Bases Teo 106

257

fe

105

104

103

102

101

100 0 10

err glob 10−1

10−2

10−3

10−4

10−5

10−6

10−7

10−8

10−9

10−10

Metodo de Euler Metodo de Runge Metodo de Heun Metodo de Kutta Metodo 3/8 Figura VI.1.7. Gráfica del Error vs fe.

Ejercicios 1.- Calcular el orden de la regla de Newton: 1 2 (ci ) = (0, , , 1), 3 3

1 3 3 1 (bi ) = ( , , , ). 8 8 8 8

2.- Sean 0 ≤ c1 < c2 < · · · < cs ≤ 1 dados. Mostrar que existe una fórmula de cuadratura u ńica con nudos ci y con un orden ≥ s.


258

3.- Mostrar que si la fórmula de cuadratura satisface ci = 1 − cs+1−i ,

y si es de orden ≥ s, entonces se tiene también bi = bs+1−i .

4.- ¿Cómo se debe elegir c1 , c2 ? para que la fórmula de cuadratura b1 f (c1 ) + b2 f (c2 ) tenga un orden maximal. ¿C´ ual es el orden?, ¿La fórmula de cuadratura es simétrica? Z 2 dx 5.- Calcular = ln 2 mediante la regla del trapecio, la regla de Simpson 1 x y la regla de Newton. ¿C´ ual fórmula es la mejor? Hacer un gr´ afico logar´ıtmico para el n´ umero de evaluaciones de la función f respecto al error. 6.- Lo mismo que el ejercicio 5, pero para Z 2π exp(sin x)dx. 0

7.- Calcular π utilizando Z 1p Z 1 dx y π = 4 1 − x2 dx. π=4 2 0 0 1+x ¿Por qué el segundo resultado es menos bueno? 8.- Mostrar que el resultado obtenido por la regla del trapecio, o por la regla de Simpson, es una suma de Riemann. 9.- Sean h = (b − a)/n, xi = a + ih y 1 1 T (h) = h f (x0 ) + f (x1 ) + · · · + f (xn−1 ) + f (xn ) . 2 2 Demostrar que para f suficientemente derivable Z b h2 f (x)dx − T (h) = − (f ′ (b) − f ′ (a)) + O(h3 ). 12 a 10.- Calcular los nucleos de Peano para la fórmula del ejercicio 4 y hacer sus gráficas. 11.- Calcular la expresi´ on

R b a

f (x)dx − T (h)

, h2 para f (x) = 1/x, a = 1, b = 10; con varios valores de h. Verificar la fórmula del ejercicio 9.

VI.2 Cuadraturas de Orden Elevado

En esta sección, se darán las herramientas te´ oricas, para construir fórmulas de cuadratura de orden elevado. El interés que se tiene para utilizar fórmulas de cuadratura del mayor orden posible, reside sustancialmente en el hecho de aumentar la precisi´ on en el c´ alculo de integrales definidas, como también de disminuir el n´ umero de evaluaciones de la función a integrar, ver la figura VI.1.7. Mediante el ejercicio 2, de la sección precedente, se demuestra que si c1 , . . . , cs dados, existe una u ńica formula de cuadratura que es de orden ≥ s, es decir s X 1 = , bi cq−1 (VI.2.1) i q i=1

para q = 1, . . . , s. Sea m un entero no negativo, la fórmula de cuadratura c1 , . . . , cs ; b1 , . . . , bs ; es de orden ≤ s + m, si y solamente si, la fórmula de cuadratura es exacta para polinomios de grado ≤ s + m − 1. Ahora bien, se define el polinomio M (x) de grado s, por M (x) = (x − c1 )(x − c2 ) · · · (x − cs ),

(VI.2.2)

donde los ci son los nudos de la fórmula de cuadratura estudiada. Sea f (x) un polinomio de grado ≤ s + m − 1, por la división con resto se tiene que f (x) = q(x)M (x) + r(x), donde q(x) y r(x) son polinomios con deg q ≤ m − 1 y deg r ≤ s − 1. Por consiguiente Z

1

f (x)dx =

Z

1

q(x)M (x)dx +

1

r(x)dx.

0

0

0

Z

Utilizando la fórmula de cuadratura en la anterior expresi´ on, se obtiene s X i=1

bi f (ci ) =

s X i=1

|

bi q(ci )M (ci ) + {z =0

}

s X

bi r(ci ),

i=1

suponiendo que el orden de la fórmula de cuadratura sea ≥ s, se acaba de demostrar el:


259

Teorema VI.2.1.- Sea (bi , ci ), i = 1, . . . , s; una fórmula de cuadratura con orden ≥ s. Entonces     

Z 1 q(x)M (x)dx = 0, 0 el orden de la fórmula de ⇐⇒  cuadratura es ≥ s + m   para todo polinomio q(x) con deg q ≤ m − 1. Ejemplo El ejercicio 4 de la sección precedente demanda la construcción de una fórmula de cuadratura del orden más elevado posible. En consecuencia, se define M (x) = (x − c1 )(x − c2 ). Se tiene que la fórmula de cuadratura es de orden ≥ 3 si y solamente si Z

1

M (x)dx = 0,

0

1 1 − (c1 + c2 ) + c1 c2 = 0, 3 2 la fórmula de cuadratura es de orden más grande o igual a 4, si adem´ as Z

0

xM (x)dx = 0,

1

1 1 1 − (c1 + c2 ) + c1 c2 = 0, 4 3 2 obteniendo as´ı un sistema de dos ecuaciones y dos incognitas. Una vez determinados los ci , el siguiente paso es determinar los bi .

Polinomios Ortogonales Uno de los mayores inconvenientes en la construcción de fórmulas de cuadratura de orden elevado utilizando el teorema VI.2.1, consiste en el hecho siguiente: se deben resolver sistemas de ecuaciones no lineales para determinar los nudos de la fórmula de cuadratura. Está claro que para fórmulas de cuadratura con una cantidad no muy grande de nudos esto es posible, sin embargo para s ya más grande esto presenta una desventaja. En esta subsección se estudiar´ an polinomios ortogonales, cuyas raices son precisamente los nudos.


260

Se iniciar´ a esta subsecci´ on, definiendo un conjunto de funciónes particulares. Sea ω : (a, b) → R una función, llamada función de peso. Sea E=

(

f : (a, b) → R|

Z

b

a

2

)

ω(x) |f (x)| dx < ∞ .

(VI.2.3)

Puede mostrarse que E es un espacio vectorial para la adición de funciones y la multiplicación por escalares reales. Para las aplicaciones en general, puede suponerse que f es una función continua. Suponiendo que ω(x) > 0, puede definirse un producto escalar sobre E, de la siguiente manera, hf, gi =

Z

b

ω(x)f (x)g(x)dx.

(VI.2.4)

a

Hay que remarcar dos hechos importantes; el primero E es en realidad un conjunto de clases de equivalencia de funciones, donde la relación de equivalencia est´ a definida por f ∼ g ⇐⇒ f (x) 6= g(x) en un conjunto de medida nula. La segunda observación es consecuencia de la primera, se puede suponer por lo tanto que E est´ a constituida por funciones continuas, a lo sumo por funciones continuas por trozos, y con ciertas condiciones impuestas a ω(x) puede demostrarse que hf, f i = 0 ⇐⇒ f = 0. Definici´ on VI.2.2.- f es ortogonal a g, que se denota por f ⊥ g, si hf, gi = 0.

(VI.2.5)

El objetivo central ser´ a, por consiguiente, encontrar M (x) ⊥ q(x) si deg q ≤ m − 1. Teorema VI.2.3.- Sea ω(x) dado, entonces existe una sucesión de polinomios p0 (x), p1 (x), p2 (x), . . ., tal que: deg pj = j; hpk , qi = 0,

∀q polinomio de grado ≤ k − 1.

Si se supone que pk (x) = xk + r(x) con deg r(x) ≤ k − 1, los polinomios son u ńicos.

261

VI.2 Cuadraturas de Orden Elevado Los polinomios satisfacen la siguiente relación recursiva: p−1 (x) := 0, p0 (x) = 1, 2 pk+1 = (x − δk+1 )pk (x) − γk+1 pk−1 (x),

(VI.2.6a) (VI.2.6b)

donde δk+1 =

hxpk , pk i , hpk , pk i

2 γk+1 =

hpk , pk i . hpk−1 , pk−1 i

(VI.2.6c)

Demostraci´ on.- El primer punto del teorema, se obtiene a partir del proceso de ortogonalización de Gramm-Schmidt. Las relaciones entre los diferentes polinomios ortogonales se demuestra por inducción. Por consiguiente, se supone cierto para los polinomios p0 , p1 , . . . , pk . Ahora bien, se tiene pk+1 (x) = xpk (x) +

k X

cj pj (x),

j=0

por que el coeficiente dominante de pk es 1. Aplicando el producto escalar se tiene 0 = hpk+1 , pk i = hxpk , pk i +

k X j=0

cj hpj , pk i

= hxpk , pk i + ck hpk , pk i, de donde ck = −

hxpk , pk i . hpk , pk i

Por otro lado, aplicando nuevamente el producto escalar se tiene 0 = hpk+1 , pk−1 i = hxpk , pk−1 i +

k X j=0

cj hpj , pk−1 i

= hxpk , pk−1 i + ck−1 hpk−1 , pk−1 i Ahora bien, se verifica facilmente, utilizando la definición del producto escalar definido en E, que hxpk , pk−1 i = hpk , xpk−1 i,


262

con la hipótesis de inducción, se verifica inmediatamente que hpk , xpk−1 i = hpk , pk i, de donde ck−1 =

hpk , pk i . hpk−1 , pk−1 i

Los restantes cj , son nulos, utilizando la hipótesis de inducción sobre la ortogonalidad. Consecuencia de este teorema, es que si los nudos de una fórmula de cuadratura son las raices del polinomio ps , definido en el teorema precedente, se tiene M (x) = ps (x) y por el teorema VI.2.1 el orden de la fórmula de cuadratura es igual o mayor a 2s. Teorema VI.2.4.- Sean los pk , como en el teorema VI.2.3, entonces las raices de pk (x) son reales, simples y est´ an localizadas en el intervalo (a, b). Demostraci´ on.- Se donota por τ1 , . . . , τT las raices distintas de pk donde la funci´ on pk (x) cambia de signo. Se define el polinomio g(x) por g(x) = (x − τ1 ) · · · (x − τT ), por consiguiente, se tiene que g(x)pk (x) no cambia de signo, de donde hg(x), pk (x)i = 6 0, por lo tanto deg g ≥ k, y por la hipótesis inicial se tiene necesariamente que T = k. En la tabla VI.2.1, se tienen los diferentes tipos de polinomios ortonormales para diferentes tipos de función de peso ω(x). Tabla VI.2.1. Ejemplos de Polinomios Ortonormales ω(x)

(a, b)

Notación

Nombre

1

(−1, 1)

Pk (x)

Polinomios de Legendre

(−1, 1)

Tk (x)

Polinomios de Chebichef

1 p 1 − x2

(1 − x)α (1 + x)β xα e−x −x2

e

(−1, 1)

(α,β)

Pk

(x)

Jacobi, α, β > −1

(0, ∞)

(α) Lk (x)

Pol. de Laguerre, α > −1

(−∞, ∞)

Hk (x)

Polinomios de Hermite

263


Teorema VI.2.5.- F´ ormula de Rodriguez. Sea ω(x) una función de peso definida como antes. Entonces pk (x) = Ck

1 dk ω(x)(x − a)k (b − x)k . k ω(x) dx

(VI.2.7)

Demostraci´ on.- Una verificaci´ on simple sobre pk (x), muestra que se tratan efectivamente de polinomios. Para la relación de ortogonalidad con k dado, es suficiente mostrar que si q(x) es un polinomio de grado ≤ k − 1 entonces q ⊥ pk . En efecto Z

b

Z

b

dk ω(x)(x − a)k (b − x)k q(x)dx k a dx b dk−1 k k ω(x)x − a) (b − x) q(x) = k−1 dx a {z } | =0 Z b k−1 d − ω(x)x − a)k (b − x)k q ′ (x)dx k−1 a dx .. . Z b ω(x)x − a)k (b − x)k q (k) dx =±

ω(x)pk (x)q(x)dx =

a

a

= 0.

La mayor parte de los c´ alculos de integrales definidas, tienen como función de peso ω(x) = 1. A continuación se estudiar´ a con mayor detalle los polinomios de Legendre.

Los Polinomios de Legendre Los polinomios de Legendre son los polinomios ortogonales para la función de peso ω(x) = 1 definida en el intervalo (−1, 1), ver la tabla VI.2.1. Por otro lado, utilizando la fórmula de Rodriguez se puede elegir los Ck de manera que Pk (1) = 1. Por consiguiente, se tiene dk k k 1 = Pk (1) = Ck = Ck (−2)k k!, (1 − x) (1 + x) dxk x=1

de donde

Ck =

(−1)k , 2k k!


264 por lo tanto Pk (x) =

(−1)k dk (1 − x2 )k . k k 2 k! dx

(VI.2.8)

Los polinomios de Legendre pueden ser calculados mediante la fórmula de Rodriguez, o mediante una relación recursiva, ver ejercicio 1. En la tabla VI.2.2, se da los cuatro primeros polinomios de Legendre. Tabla VI.2.2. Polinomios de Legengre k

Pk (x)

0

1

1

x 3 2 x − 2 5 3 x − 2

2 3

1 2 3 x 2

Puede observarse que si k es par, entonces Pk (x) = Q(x2 ) donde Q es un polinomio; de la misma manera si k es impar, se tiene que Pk (x) = xQ(x2 ).

Las F´ ormulas de Cuadratura de Gauss La verificaci´ on del orden de una fórmula de cuadratura, se la realiza en el intervalo [0, 1]. Efectuando una transformación af´ın, se tiene que M (x) del teorema VI.2.1, es igual a M (x) = (x − c1 ) · · · (x − cs ) = Ps (2x − 1)

(VI.2.9)

con Ps el s-simo polinomio de Legendre, si se desea que orden de la fórmula cuadratura sea al menos s. El siguiente teorema, tiene una importancia en lo concerniente al orden de una fórmula de cuadratura. Teorema VI.2.6.- El orden de una fórmula de cuadratura dada por (bi , ci ), i = 1, . . . , s; es menor o igual a 2s. Demostraci´ on.- Por el absurdo. Supóngase que existe una fórmula de cuadratura de orden superior o igual a 2s + 1, de donde para todo polinomio l(x) de grado s, se tiene Z 1 l(x)M (x)dx, 0


265

sin embargo, tomando l(x) = M (x) se tiene Z

1

M 2 (x)dx = 0,

0

lo que conduce a una contradicción

El objetivo, ser´ a por consiguiente, encontrar una fórmula de cuadratura de orden máximo, es decir 2s. Por la observación hecha al inicio de esta u ´ltima subsecci´ on, los nudos ci de la fórmula de cuadratura de orden s son las raices de Ps (2x − 1) polinomio de Legendre. Como consecuencia de lo anteriormente expuesto se tiene el siguiente teorema formulado por Gauss en 1814. Teorema VI.2.7.- Una fórmula de cuadratura (ci , bi ), i = 1, . . . , s; es de orden 2s si y solamente si c1 , . . . , cs son las raices de Ps (2x − 1), Ps (t) polinomio de Legendre y los bi est´ an determinados por s X

1 , q

bi cq−1 = i

i=1

q = 1, . . . , s.

(VI.2.10)

Por otro lado, debe observarse que los coeficientes de una fórmula de cuadratura de Gauss son extrictamente positivos, en efecto, se define li (x) =

s Y x − cj c i − cj j=1 j6=i

el i-esimo polinomio de Lagrange para la subdivsi´ on c1 < · · · < cs . El grado de este polinomio es igual a s − 1 y verifica li (cj ) =

(

j 6= i;

0, 1,

j = i.

Ahora bien, se tiene bi =

s X j=1

2

bj (li (cj )) =

Z

1

(li (x))2 dx > 0,

0

ya que, deg li2 = 2s − 2 < 2s. El c´ alculo de los coeficientes bi de una fórmula de cuadratura de Gauss, pueden ser resueltos mediante el sistema lineal dado por (VI.2.10). Sin embargo este procedimiento no es el mejor, debido a la acumulación de los


266

errores de redondeo. Existe un procedimiento que determina los bi de una manera sencilla, el est´ a dado en el: Teorema VI.2.8.- Para la formula de cuadratura de Gauss de orden 2s, se tiene 1 bi = , i = 1, . . . , s; (VI.2.11) (1 − x2i )Ps′ (xi )2 donde xi = 2ci − 1. Demostraci´ on.- Se tiene, bi =

s X

bj li (cj ) =

Z

1

li (t)dt,

0

j=1

realizando la transformación x = 2t − 1, se obtiene Z

1 2

bi =

li

=C

1

−1

x+1 2

dx,

por otro lado, se tiene li

x+1 2

Ps (x) , x − xi

de donde pasando al l´ımite, se obtiene lim C

x→xi

Ps (x) = CPs′ (xi ) = 1, x − xi

despejando C, bi est´ a dado por 1 2

Z

1 bj li (cj ) = bi = 2 j=1

Z

bi =

1

−1

Ps (x) dx. (x − xi )Ps′ (xi )

(VI.2.12)

Adem´ as, s X

1

−1

Ps (x) (x − xi )Ps′ (xi )

2

esta integral se la resulve por partes, obteniendo as´ı 1 bi = ′ 2(Ps (xi ))2

Z

1

−1

(Ps (x))2

1 dx (x − xi )2

dx,

(VI.2.13)

267


Z 1 ′ −1 Ps (x) 1 Ps (x) 1 = dx + + ′ −1 − xi (x − xi )Ps′ (xi ) 2(Ps′ (xi ))2 1 − xi −1 Ps (xi ) {z } | x+1 = li 2 s X P ′ (xj ) xj + 1 1 −1 li = bj s′ ′ 2 2 + 2 (x ) P 2(Ps (xi )) 1 − xi s i j=1 =

−1 1 + 2bi 2(Ps′ (xi ))2 1 − x2i

En el ejercicio 1 de esta sección, se mostrar´ a que los polinomios de Legendre verifican la siguiente relación recursiva (1 − x2 )Ps′ (x) = −sxPs (x) + sPs−1 (x), de donde

(1 − x2i )Ps′ (xi ) = sPs−1 (xi ),

obteniendo

bi =

1 − x2i . s2 (Ps−1 (xi ))2

(VI.2.14)

En la tabla VI.6.3, se dan las primeras fórmulas de cuadratura de Gauss. Tabla VI.6.3. Primeras Fórmulas de Cuadratura de Gauss. s 1 2 3

c1 1 2

c2

c3

b1

b2

b3

1

√ 1 3 − 2 6 √ 1 15 − 2 10

√ 1 3 + 2 6 1 2

√ 1 15 + 2 10

1 2

1 2

5 18

8 18

5 18

Ejercicios 1.- Para los polinomios de Legendre, demostrar que: (k + 1)Pk+1 (x) = (2k + 1)xPk (x) − kPk−1 (x); (1 − x2 )Pk′ (x) = −kxPk (x) + kPk−1 (x).


268

2.- Los polinomios de Chebychef est´ an definidos por Tk (x) = cos(k arccos x). Verificar que: T0 (x) = 1; T1 (x) = x; Tk+1 (x) = 2xTk (x) − Tk−1 (x); Z 1 1 p Tk (x)Tj (x), para i 6= j. −1 1 − x2 3.- Calcular las raices de P8 (x) con un método iterativo, como por ejemplo el método de la bisección. 4.- Mostrar que el nucleo de Peano Pk (t) de una fórmula de cuadratura satisface Z 1 s X 1 − bi ck . Pk (t)dt = k + 1 i=1 i 0 5.- Sea p el orden de una fórmula de cuadratura y sup´ ongase que el nucleo de Peano Pp (t) no cambia de signo sobre [0, 1]. Mostrar que Z

x0 +h

x0

f (x)dx − h

s X i=1

bi f (x0 + ci h) = h

p+1

s X 1 bi cpi −h p+1 i=1

!

f (p) (ξ),

con ξ ∈ (x0 , x0 + h). Indicaci´ on.- Utilizar el teorema VI.1.15 con k = p. 6.- Mostrar que para las fórmulas de cuadratura de Gauss de orden 2s, el nucleo de Peano P2s (t) no cambia de signo.

VI.3 Implementaci´ on Num´ erica

El c´ alculo numérico de integrales definidas, requiere la implementación de las fórmulas de cuadratura en forma de programas o subrutinas. Dada una funci´ on f : [a, b] → R, el c´ alculo de Z

b

f (x)dx,

(VI.3.1)

a

se lo realiza teniendo en cuenta el error que se desea cometer. Generalmente se da una tolerancia que se la denota por TOL, por consiguiente se busca una aproximación I, tal que Z Z b b f (x)dx − I ≤ TOL |f (x)| dx. a a

(VI.3.2)

Ahora bien, una manera de conseguir (VI.3.2), es subdividir el intervalo [a, b] en subintervalos y aplicar el teorema VI.1.16 de manera de obtener un h ´ optimo. Sin embargo este procedimiento presenta dos incovenientes: es necesario conocer de antemano este h óptimo; adem´ as de conocer las propiedades de la función f a integrar. La segunda manera de resolver (VI.3.2) es de concevir un algoritmo, donde el c´ alculo del error se haga de manera automática es decir utilizando un método adaptativo. Lo primero que se debe tener en la implementación de un programa que permita evaluar la integral de una función f , es una estimación del error. Sea (bi , ci ) i = 1, . . . , s, una fórmula de cuadratura y a = x0 < x1 < · · · < xn = b, una subdivisión de [a, b]; se define el error en cada subintervalo [xi , xi+1 ] a E(f, xi , xi+1 ) =

Z

xi+1

xi

f (x)dx − (xi+1 − xi )

s X j=1

bj f (xi + cj (xi+1 − xi )).

(VI.3.3) Por lo tanto, el programa que va calcular numéricamente la integral debe tener en cuenta dos aspectos: 1.- Estimación del error. 2.- Elecci´ on de la subdivisión de [a, b], x0 < x1 < · · · < xn ; tal que n X j=0

|E(f, xj , xj+1 )| ≤ TOL

Z

a

b

|f (x)| dx.


270 Por consiguiente, denotando por: res[a,b] = I,

resabs[a,b] =

Z

a

b

|f (x)| dx,

se tiene el siguiente algoritmo.

err[a,b]

Z b = f (x)dx − I , a

Algoritmo — Calcular: res[a,b] , resabs[a,b] y err[a,b] . err[a,b] ≤ TOL resabs[a,b] : si es cierto se ha terminado, si no continuar el siguiente paso. a+b — Plantear c = c = y calcular: 2 res[a,c] , res[c,b] ,

err[a,c] , err[c,b] ,

resabs[a,c] , resabs[c,b] ;

err[a,c] + err[c,b] ≤ TOL resabs[a,c] + resabs[c,b] : si es cierto se ha terminado, si no dividir el subintervalo con error maximal y continuar con el siguiente paso. — Continuar hasta que X

err[aj ,cj ] ≤ TOL

X

resabs[aj ,cj ] .

Una vez planteado el algoritmo, el principal problema consiste en estimar el error cometido en el c´ alculo de la integral, en cada subintervalo [xi , xi+1 ]. El teorema VI.1.12 da una estimación cuando la fórmula de cuadratura tiene un orden p, la cual est´ a dada por E(f, x0 , x1 ) = h

p+1

Z

1

Pp (t)f (p) (x0 + th)dt,

0

donde Pp (t) es el k-simo nucleo de Peano, para la fórmula de cuadratura. El principal inconveniente de utilizar esta estimación radica en que el c´ alculo de la derivada de orden p de f puede ser tan complicado, como encontrar una primitiva de f , y por otro lado, determinar el nucleo de Peano no es una tarea nada simple, motivos por los cuales, la estimación del teorema VI.1.12 no es nada pr´ actica desde el punto de vista computacional. Ahora bien, existen dos métodos numéricos que permiten encontrar una estimación del error cometido en cada subintervalo, sin necesidad de conocer las propiedades del nucleo de Peano y de las derivadas de la función a

´ n Num´ VI.3 Implementacio erica

271

integrar. Por consiguiente sea (ci , bi ), una fórmula de cuadratura dada de orden p, se desea estimar Z x1 s X bi (f (x0 + ci (x1 − x0 )). f (x)dx − (x1 − x0 ) E(f, x0 , x1 ) = x0

i=1

El primer método para estimar E es conocido como QUADPACK, algoritmo implementado en algunas bibliotecas de programas. La idea central de este método es tomar una segunda fórmula de cuadratura (ˆ ci , ˆbi ) con un orden pˆ > p y estimar E(f, x0 , x1 ), como " sˆ # s X X ˆbi f (x0 + cî (x1 − x0 )− E(f, x0 , x1 ) = (x1 −x0 ) bi f (x0 + ci (x1 − x0 )) , i=1

i=1

(VI.3.4) Para evitar demasiadas evaluaciones de la función f , es deseable que {c1 , . . . , cs } ⊂ {ˆ c1 , . . . , cˆsˆ} ,

es decir {ˆ c1 , . . . , cˆsˆ} = {c1 , . . . , cs } ∪ {cs+1 , . . . , cs+m } , con s + m = sˆ. Sin embargo m debe ser más grande que s, si la fórmula de cuadratura (ci , bi ) es una de tipo Gauss; en efecto, si m ≤ s, se tiene: s+m X

i=1 s X

ˆbi cj−1 = 1 , i j

bi cij−1 =

i=1

1 , j

j = 1, . . . , s + m; j = 1, . . . , 2s;

lo cual conduce a que ˆbi =

(

bi , i = 1, . . . , s; 0, i = s + 1, . . . , s + m;

obteniendo as´ı, la misma fórmula de cuadratura. Por consiguiente es necesario elegir m > s, por ejemplo m = s + 1. Por otro lado, se pueden elegir los ci restantes de manera que la fórmula de cuadratura (ˆ ci , ˆbi ), i = 1, . . . , 2s + 1; tenga un orden igual a 3s + 2. Esta fórmula de cuadratura lleva el nombre de Konrad, en honor a su descubridor. El método QUADPACK, toma como resultado de la integral al resultado numérico proporcionado por la fórmula de cuadratura de Konrad, es decir 2s+1 X ˆbi f (x0 + ci (x1 − x0 )), res = (x1 − x0 ) (VI.3.5) i=1


272

la estimación del error cometido es de la fórmula de cuadratura de Gauss y no as´ı de la de Konrad. No obstante, se puede obtener una estimación de este error. En efecto los errores de las fórmulas de cuadratura est´ an dados por: errGauss = Ch2s+1 + . . . , ˆ 3s+3 + . . . . errKonrad = Ch Para simplificar los c´ alculos se puede suponer que tanto C, como Cˆ son iguales y valen 1, obteniendo as´ı, cuando h tiende a 0 3/2 ≈ h3s+3 , h2s+1 de donde la estimación del error de la fórmula de cuadratura multiplicada por una constante de seguridad est´ a dada por: " !#3/2 2s+1 s X X ˆbi f (x0 + ci h) − err = (x1 − x0 ) bi f (x0 + ci h) · 100, i=1

i=1

(VI.3.6)

finalmente se tiene resabs = (x1 − x0 )

2s+1 X i=1

ˆbi |f (x0 + ci (x1 − x0 ))| .

(VI.3.7)

El segundo método es conocido como GAUINT,GAUSS. Al igual que en el método QUADPACK, se considera una formula de cuadratura de tipo Gauss (ci , bi ), i = 1, . . . , s; pero s impar, de manera que uno de los nudos sea igual a 1/2. Luego se considera la fórmula de cuadratura de orden al menos s − 1 obtenida de la fórmula original, cuyos nudos est´ an dados por {ˆ c1 , . . . , cˆs−1 } = {c1 , . . . , cs } \ {1/2} .

Con los mismos argumentos desarrollados para el método QUADPACK, pero esta vez tomando el resultado numérico proporcionado por la fórmula de cuadratura de Gauss, se obtiene: s X bi f (x0 + ci h), (VI.3.8) res = (x1 − x0 ) "

i=1

err = (x1 − x0 )

s X

resabs = (x1 − x0 )

bi f (x0 + ci h) −

i=1 s X i=1

s X i=1

bi |f (x0 + ci h)| .

ˆbi f (x0 + cî h)

!#2

· 100, (VI.3.9) (VI.3.10)

Las experiencias numéricas muestran que en la mayor´ıa de los casos las estimaciones del error cometido son demasiado pesimistas, ver en la tabla VI.3.1, las experiencias numéricas han sido realizadas por el método GAUINT. El programa GAUINT, para estas experiencias numéricas, utiliza una fórmula de cuadratura de Gauss de orden 30.


273

Tabla VI.3.1 Error exacto vs Error estimado. f (x) 1 x 4 + x2 + 1

[a, b]

Error exacto

err

[0, 2]

0.23 × 10−10

0, 90 × 10−10

25e−25x

[0, 1]

0, 14 × 10−11

0.23 × 10−5

√

[0, 1/2]

0, 98 × 10−5

0.14 × 10−8

x

Puede observase que la tercera función a ser integrada √ es una excepción de la regla anteriormente formulada, eso se debe a que x no es lo suficientemente derivable, y el algoritmo ha sido concebido para funciones lo suficientemente lisas.

Tratamiento de singularidades Los métodos desarrollados en la anterior subsecci´ on, tal como se puede observar en la tabla precedente, son utilizables para funciones lo suficientemente derivables. Por lo tanto, no son muy eficientes para resolver integrales definidas de funciones no muy lisas, adem´ as existen integrales impropias cuyo c´ alculo es frecuente en diversas aplicaciones, como por ejemplo integrales de los tipos: Z 1 Z 1 f (x) √ dx, (log x)f (x)dx. x 0 0 Ejemplo Considérese, la función f (x) = −

4x log x , x4 + 100

R1 se desea calcular 0 f (x)dx. Esta integral es impropia, no obstante que una fórmula de cuadratura de tipo Gauss proporciona resultados que se aproximan al valor exacto de esta integral. Esto se debe a que los nudos de la fórmula utilizada son diferentes de 0 y que la función f (x) es singular en x = 0. Ahora bien, el error exacto al integrar sobre el intervalo [0, 1] es del orden de 0.18 × 10−4 , el cual est´ a cerca del 5% del


274

valor exacto, valor muy grande. Un procedimiento para obtener un error que este en el orden de TOL, es definir la sucesión Sk dada por Sk =

k Z X j=0

bj

f (x)dx,

aj

donde bj = 2j−k y aj = bj /2, para j > 0. Con este procedimiento, solamente se debe calcular la integral en el intervalo más peque˜ no. Para poder comparar los resultados obtenidos con el método numérico, el valor exacto de la integral, calculada mediante series, es igual a Z 1 Z 1 4x log x 1 −4x log x − 4 dx = dx 100 x + 100 1 + x4 /100 0 0 Z 1 ∞ X x4k 1 (−4x log x) dx (−1)k = 100 0 100k k=0 Z ∞ −4 X (−1)k 1 4k+1 = x log xdx 100 100k 0 k=0 ∞

1 1 X (−1)k , k 100 (2k + 1)2 100 k=0

lo que es igual con 16 cifras de precisi´ on a Z 1 4x log x dx = 9.9889286860336184 × 10−03 . − 4 x + 100 0 Aplicando el procedimiento mencionado más arriba, se obtiene la tabla VI.3.2. Tabla VI.3.2. Cálculo Integral. Sk

Error Exacto

Sk

Error Exacto

S0

1.748733098830973E − 07

S7

1.067342048077790E − 11

1.092958187148829E − 08

S9

6.830988674016991E − 10

S11

4.269368018838815E − 11

S13

S1 S2 S3 S4 S5 S6

4.371832748595316E − 08

S8

2.732395467872073E − 09

S10

1.707747172841056E − 10

S12

2.668355120194476E − 12 6.670896474103571E − 13 1.667728455334582E − 13 4.169407874510255E − 14 1.042395336714463E − 14 2.605554660917164E − 15


275

Se puede observar inmediatamente, que la convergencia para calcular la integral es muy lenta, es necesario, efectuar 13 subdivisiones para obtener un error igual o inferior a 2.61 × 10−15 . Cada utilizaci´ on del programa GAUINT requiere 15 evaluaciones de la función f , por consiguiente para obtener el error mencionado, es necesario por lo menos 14 × 15 evaluaciones de la función f . Para evitar tantas evaluaciones de la función f , es necesario construir un algoritmo que permita acelerar la convergencia. Una forma de hacerlo es utilizar procedimientos de extrapolaci´ on al l´ımite dado en el cap´ıtulo III.3. Ahora bien, el método que ser´ a estudiado para acelerar la convergencia en el c´ alculo de estas integrales ser´ a tratado con un procedimiento equivalente, el cual consiste en utilizar diferencias finitas. A partir de la tabla precedente puede observarse, el siguiente hecho: Denótese por S el valor exacto de la integral, entonces Sn+1 − S ≈

1 (Sn − S), 4

es decir Sn+1 − S ≈ ρ(Sn − S).

(VI.3.11)

Supóngase, que se conoce tres valores consecutivos de la sucesión {Sk }, por decir: Sn , Sn+1 y Sn+1 , utilizando la notación de diferencias finitas dada en el cap´ıtulo III.1, se tiene el siguiente sistema lineal ( Sn+1 − S = ρ(Sn − S) , (VI.3.12) Sn+2 − S = ρ(Sn+1 − S) de donde sustrayendo ambas ecuaciones, se obtiene ∆Sn+1 = ρ∆Sn , por consiguiente ρ=

∆Sn+1 . ∆Sn

(VI.3.13)

Despejando S de la segunda ecuación de (VI.3.12), se tiene 1 ∆Sn+1 ρ−1 ∆Sn ∆Sn+1 , =Sn+1 − ∆Sn+1 − ∆Sn

S =Sn+1 −

obteniendo as´ı Sn′ = Sn+1 −

∆Sn ∆Sn+1 . ∆2 Sn

(VI.3.14)


276

El método que acaba de ser formulado por (VI.3.14), es conocido por el procedimiento ∆2 de Aitken. En la tabla VI.3.3, se dan los valores obtenidos por este procedimiento, para el ejemplo precedente. Tabla VI.3.3. Procedimiento ∆ de Aitken. Sk′

Valor integral

Error Exacto

S0′

9.988928686033609E − 03

0.35E − 14

9.988928686033618E − 03

0.26E − 14

S1′ S2′

9.988928686033618E − 03

0.26E − 14

Con la finalidad de comparar la eficiencia, del procedimiento ∆2 de Aitken, para obtener un error del orden de 0.26 × 10−14 solo se necesitan 3 evaluaciones de integrales de f , mientras que, sin el procedimiento de aceleraci´ on es necesario 14 evaluaciones de integral. El siguiente paso en lograr una convergencia más rapida en el c´ alculo de integrales, consiste en generalizar el procedimiento ∆2 de Aitken, para tal efecto se supuso que Sn+1 − S = ρ(Sn − S), por consiguiente Sn − S = Cρn . Ahora bien, para ser más precisos se puede suponer que S n − S = C 1 ρ1 + C 2 ρ2 + · · · C k ρk ,

(VI.3.15)

con los ρi diferentes dos a dos, de donde la diferencia µn = Sn − S satisface una ecuación de diferencias finitas o relación recursiva de la forma µn+k + a1 µn+k−1 + · · · + ak µn = 0.

(VI.3.16)

La teor´ıa de ecuaciones de diferencias finitas, tiene como resultado central, que los ρi , i = 1, . . . , k; son raices del polinomio caracter´ıstico de (VI.3.16) dado por λk + a1 λk−1 + · · · + ak . (VI.3.17) Se tiene un problema inverso, pues no se conocen los valores de los ak , pero si los valores de µn , los cuales pueden servir para determinar los valores de los ak a partir del sistema lineal   Sn − S · · · Sn+k − S  ak    ..   .. .. = 0. (VI.3.18)   . . . Sn+k − S

· · · Sn+2k − S

a1


277

Este sistema tiene soluciones no triviales para el sistema lineal homogeneo, por lo tanto el determinante de la matriz es nulo. Efectuando sustracciones sobre las filas de la matriz, se obtiene  S −S S − S ··· S −S  det  

n

n+1

∆Sn .. .

∆Sn+1

···

∆Sn+k−1

···

···

luego, se tiene Sn ∆Sn .. . ∆Sn+k−1

Sn+1 ∆Sn+1 ···

··· ···

n+k

Sn+k ∆Sn+k .. .

∆Sn+k   = 0, ..  .

∆Sn−k−1 =

· · · ∆Sn−k−1 1 ∆Sn = S .. . ∆Sn+k−1

1 ∆Sn+1 ···

··· ···

1 ∆Sn+k .. .

· · · ∆Sn−k−1

,

efectuando sustracciones sobre la columna de la matriz del lado derecho de la ecuación, se obtiene finalmente Sn Sn+1 · · · Sn+k ∆Sn+1 · · · ∆Sn+k ∆Sn .. .. . . ∆Sn+k−1 ··· · · · ∆Sn−k−1 S= (VI.3.19) ∆2 Sn · · · ∆2 Sn+k−1 .. .. . . ∆2 Sn+k−1 · · · ∆2 Sn+k−2 Por ultimo la relación (VI.3.19), puede mejorarse si al determinante del numerador se agrega la primera linea a la segunda linea, la segunda linea a la tercera y as´ı sucesivamente, convirtiendose en Sn+1 · · · Sn+k Sn Sn+1 Sn+1 · · · Sn+k+1 . .. . . . Sn+k · · · · · · Sn−k (k) (VI.3.20) S = 2 · · · ∆2 Sn+k−1 ∆ Sn .. .. . . . ∆2 Sn+k−1 · · · ∆2 Sn+k−2


278

Este resultado constituye una joya desde el punto de vista te´ orico, pero es una cat´ astrofe, si se quiere implementar numéricamente, las razones son obvias. Por lo tanto es necesario construir un algoritmo que permita determinar S (k) , sin necesidad de calcular expl´ıcitamente los determinantes encontrados en la u ´ltima expresi´ on. El método que ser´ a explicado constituye el algoritmo epsilon o más simplemente ǫ-algoritmo. Algoritmo Epsilon El siguiente teorema formulado por Wynn en 1956, permite calcular S (k) . (n)

Teorema VI.3.1.- Dados S0 , S1 , S2 , . . . , se define la sucesión ǫk −1, 0, . . . ; n = 0, 1, . . . , de manera recursiva, como

k =

(n)

ǫ−1 = 0, (n)

ǫ0

= Sn ,

(n) ǫk+1

=

(n+1) ǫk−1

(n)

= Sn′′ ,

entonces (n)

ǫ2

= Sn′ ,

ǫ4

+

(VI.3.21)

1 (n+1)

ǫk

(n)

− ǫk

(n)

ǫ6

;

= Sn(3) , . . .

(VI.3.22)

Demostraci´ on.- Una demostración completa y una explicación detallada puede encontrarse en Brezinski. La sucesión definida por el teorema precedente permite formular el ǫalgoritmo en forma de una tablero, ver la figura VI.3.1.

ǫ(0) −1

ǫ(0) 0

ց ǫ(1) −−−−−→ ǫ(0) −1 − 1 ր ց (1) ǫ0 −−−−−−→ ǫ(0) 2 ց ց (1) ր (2) ǫ−1 −−−−−−→ ǫ1 −−−−−−→ ǫ(0) 3 ր ր ց ց −−−−−→ ǫ(0) −−−−−−→ ǫ(1) ǫ(2) 4 2 − 0 ց (2) ր ց (1) ր ց (3) ǫ−1 −−−−−−→ ǫ1 −−−−−−→ ǫ3 −−−−−−→ ǫ(0) 5 ր ր ց ց (1) ր ց (2) (3) ǫ0 −−−−−−→ ǫ2 −−−−−−→ ǫ4 −−−−−−→ǫ(0) 6 ր ր ր Figura VI.3.1. Esquema ǫ-algoritmo.


279

En la figura VI.3.4, podr´ a apreciarse la verdadera potencia del ǫalgoritmo. La sucesión definida por Sn = 4

n X (−1)k , 2k + 1

(VI.3.23)

k=0

converge hacia π, sin embargo la convergencia de esta sucesión es muy lenta. Para obtener una precisi´ on de 10−35 , son necesarias por lo menos 1035 evaluaciones de esta sucesión, lo cual es imposible: por el tiempo de c´ alculo y por el error de redondeo. Aplicando el epsilon-algoritmo, se obtiene la (n) precisi´ on requerida, los errores de ǫk son dados en la figura VI.3.4. 100

k=0

10−2

k=2 10−4 10−6

k=4

10−8

k=6

10−10

k=8

10−12

k=10

10−14 10−16 10−18 10−20 0

k=24 1

2

k=22 3

4

5

6

7

8

9

Figura VI.3.4. Error de

10 (n) ǫk

11

12

13

14

15

en función de n.

Otro medio para acelerar la convergencia en el c´ alculo de integrales impropias, consiste en efectuar un cambio de variable conveniente. A continuaci´ on se presentará algunos ejemplos donde el c´ alculo de la integral converge con mas rapidez o mayor lentitud dependiendo del cambio de variable elegido. Ejemplos


280 a) Considérese, la integral impropia Z 1 0

log x dx. x2 + 100

Se observa inmediatamente que f (x) no est´ a acotada en las proximidades del origen. Aplicando la función GAUINT con una tolerancia igual a TOL = 10−14 . Si se desea obtener el valor exacto de esta integral con un error exacto inferior a 10−13 son necesarias 69 × 15 evaluaciones de la función f . Efectuando el cambio de variable x = t2 , se obtiene la integral Z 1 4t log t dt, 4 0 t + 100 integral que ha sido ya evaluada, ver la tabla VI.3.2. La función a integrar es acotada, y son necesarias 27 × 15 evaluaciones de la función integrada. Si nuevamente se realiza otro cambio de variable, como por ejemplo, t = s2 , se obtiene la integral Z 1 16s3 log s ds, 8 0 s + 100 denotando por h(s) a la función integrada, se puede mostrar que h(s) es dos veces continuamente diferenciable. Resolviendo por la función GAUINT son necesarias 7 × 15 evaluaciones de h. b) Las integrales de la forma Z 1 f (x) √ dx, x 0 pueden ser calculadas con menos evaluaciones, si se hace el cambio de variable x = t2 , obteniendo as´ı Z 1 2 f (t2 )dt. 0

c) Las integrales impropias del tipo Z ∞

f (x)dx,

1

mediante el cambio de variable x = 1/t se convierten en Z 1 1 f (1/t) 2 dt. t 0


281

Por lo tanto, para acelerar la convergencia, puede utilizarse de manera combinada el ǫ-algoritmo, con un cambio de variable adecuado. Vale la pena recalcar que el objetivo principal del cambio de variable es volver la función integrada más lisa, es decir que sea lo suficientemente derivable para poder aplicar la subrutina GAUINT en el máximo de su eficiencia. Sin embargo el cambio de variable puede volver más complicada la función a integrar, motivo por el cual la ganancia obtenida en una disminuci´ on de evaluaciones de la funci´ on integrada puede perderse con las mismas evaluaciones de la función. Uno de los tipos de integral donde mejor se ajusta los métodos de aceleraci´ on propuestos, como el cambio de variable conveniente o el algoritmo epsilon consiste en: Funciones con Oscilaciones Escapando un poco a la rutina del libro de presentar las bases te´ oricas de la solución de un problema, para luego tratar algunos ejemplos, se analizar´ a este tipo de evaluaci´ on de integral impropia con un ejemplo. Considérese la integral de Fresnel, dada por Z

∞

0

1 sin(x )dx = 2 2

r

π . 2

La funci´ on sin(x2 ) se anula en x2 = kπ con k ∈ N, definiendo as´ı una sucesión de n´ umeros positivos {xk }, dada por xk = Planteando Ik =

Z

xk+1

√ kπ.

sin(x2 )dx,

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

xk

donde Ik pueden ser calculadas por GAUINT se define la sucesión {Sk }, por Sk =

k X

Ij ,

j=0

teniendo como resultado Z

0

∞

sin(x2 )dx = lim Sk . k→∞

Ahora bien la convergencia de Sk es muy lenta, utilizando ǫ-algoritmo la velocidad de la convergencia hacia la integral, se aumenta de manera ostensible. Ver la tabla VI.3.4.


282

Tabla VI.3.4. Cálculo de la integral de Fresnel k

Sk′

Sk

Sk′′

S (3)

S (4)

S (5)

0 .89483147 .63252334 .62682808 .62666213 .62665722 .62665721 1 .43040772 .62447449 .62660885 .62665582 .62665582 2 .78825896 .62773451 .62667509 .62665746 .62665746 3 .48624702 .62603581 .62664903 .62665692 4 .75244267 .62705261 .62666112 .62665713 5 .51172983 .62638728 .62665483 6 .73311637 .62685063 .62665838 7 .52703834 .62651269 8 .72060138 .62676812 9 .53751806 10 .71165881

Ejercicios 1.- Para una sucesión {Sn }n≥0 , el ǫ-algoritmo est´ a definido por: (n)

ǫ−1 = 0, (n)

ǫ0

= Sn ,

(n)

(n+1)

ǫk+1 = ǫk−1 +

1 (n+1) ǫk

.

(n)

− ǫk

Si la aplicaci´ on del ǫ-algoritmo a {Sn }n≥0 y a {Sˆn }n≥0 = {aSn + b} (n) (n) proporciona respectivamente las cantidades ǫk y ǫˆk . Mostrar que (n)

(n)

ǫˆ2l = aǫ2l + b,

1 (n) ǫ . a 2l+1

(n)

ǫˆ2l+1 =

2.- Utilizar el ǫ-algoritmo para el c´ alculo de las integrales: a)

1 100

Z

0

1

x−0.99 dx,

b)

Z

0

1

log x √ dx. x

.


283

3.- Supóngase que la sucesión {Sn } satisface Sn+1 − S = (ρ + αn )(Sn − S) con |ρ| < 1, lim αn = 0 y considérese el procedimiento ∆2 de Aitken n→∞

Sn′ = Sn+1 −

∆Sn ∆Sn+1 , ∆2 Sn

n = 0, 1, . . . .

Demostrar que la sucesión {Sn′ } converge más rápidamente hacia S que la sucesión {Sn }; es decir Sn′ − S = 0. n→∞ Sn − S lim

Indicaci´ on.- Verificar que ∆Sn = (ρ − 1 + αn )(Sn − S) y encontrar una fórmula similar para ∆2 Sn

VI.4 Transformaci´ on de Fourier

En est´ a sección ser´ a abordado el c´ alculo numérico de las transformadas de Fourier, es decir los coeficientes de las series de Fourier para una determinada funci´ on. Se iniciar´ a un repaso te´ orico sobre las series de Fourier, luego se introducir´ a la transformada discreta de Fourier, cuya abreviación usual es T DF , para finalmente ver la transformación rápida de Fourier más conocida como F F T . Las motivaciones de la utilizaci´ on de series de Fourier est´ an dadas por sus diferentes aplicaciones en numerosas áreas de la ciencia, como de la tecnolog´ıa; para citar algunas de ellas, se tiene el tratamiento de se˜ nales, la resoluci´ on de ecuaciones diferenciales, la construcción de métodos espectrales en la resolución de ecuaciones a derivadas parciales, etc. La teor´ıa de la transformación de Fourier est´ a ´ıntimamente ligada a las funciones 2π-periódicas e integrables. En este libro se supondr´ a que las funciones son integrables en el sentido de Riemann, y no se considerar´ a el caso más general. Recordando la: Definici´ on VI.4.1.- La serie de Fourier de una función 2π- periódica e integrable, est´ a dada de manera formal por f (x) ∼

X

fˆ(k)eikx ,

(VI.4.1)

k∈Z

donde los coeficientes de Fourier est´ an definidos por 1 fˆ(k) = 2π

Z

2π

f (x)e−ikx dx.

(VI.4.2)

0

Denotando por E, el espacio de las funciones 2π-periódicas, tales que Z

2π 0

f (x)f (x)dx < ∞,

∀f ∈ E,

se tiene que E es un espacio vectorial provisto del producto sesquilinial, dado por Z 2π f (x)g(x)dx. hf, gi = (VI.4.3) 0

Una simple verificaci´ on muestra que las funciones definidas por ϕk (x) = eikx ,

(VI.4.4)

´ n de Fourier VI.4 Transformacio

285

constituyen una familia ortogonal de funciones, es decir hϕk , ϕj i = 0,

si j 6= k.

Para conocer más respecto a las propiedades de espacios de Hilbert, familias ortonormales y series de Fourier existe una ambundante bibliograf´ıa, por ejemplo Rudin. La definición VII.4.1 es una definición formal, es decir la serie de Fourier de una función dada, no necesariamente debe converger hacia la función. Sin embargo existen condiciones suficientes sobre la funci´ on f , para que la serie de Fourier converga hacia f o por lo menos en casi todos los puntos. A continuación se enunciar´ a estas condiciones suficientes y el tipo de convergencia que uno puede esperar obtener. Teorema VI.4.2.- Dirichlet. Sea f : R → C una función de clase C 1 por trozos y periódica de periodo 2π. La serie de Fourier de f es convergente en todo punto de R. En un punto x donde la función es continua, el l´ımite de la serie es f (x). En un punto x donde f no es continua, la suma de la serie es 1 (f (x− ) + f (x+ )). (VI.4.5) 2 Adem´ as, la convergencia de la serie de Fourier de f es uniforme en todo intervalo compacto que no contiene ning´ un punto de discontinuidad de f . Demostraci´ on.- Una demostración de este teorema puede encontrarse en Gramain. Con la formulación de este teorema, se conoce la clase de funciones de las cuales la serie de Fourier es igual a la función, en todo caso en los puntos donde la función es continua. Es prop´ osito de esta sección estudiar los métodos numéricos que permitan calcular los coeficientes de Fourier, y por ende la serie de Fourier asociada. Una primera alternativa de c´ alculo de estos coeficientes consiste en utilizar un método de integración propuesto en las secciones precedentes de este cap´ıtulo. Sin embargo existen alternativas menos costosas y más simples que dan excelentes resultados. Sea f : [0, 2π] → C, sup´ ongase que la función f (x) es conocida para los x dados por la subdivisión equidistante xl =

2πl , N

l = 0, 1, . . . , N.

(VI.4.6)

Como f (xN ) = f (x0 ) por hipótesis, el c´ alculo de (VI.4.2) puede realizarse mediante la regla del trapecio, obteniendo como aproximación de fˆ(k) N −1 1 X f (xl )e−ikxl . fˆN (k) = N l=0

(VI.4.7)


286

Ahora bien, (VI.4.7) induce las definiciones siguientes. Considérese, el espacio de las sucesiones N -periódicas PN = {(yk )k∈Z |yk ∈ C, yk+N = yk }.

(VI.4.8)

Definici´ on VI.4.3.- La transformada discreta de Fourier (DFT) de y ∈ PN es la sucesión (zk )k∈Z , donde N −1 N −1 1 X 1 X −ikxl yl e yl ω −kl , = zk = N N l=0

con

ω = e2iπ/N .

l=0

Se la denota z = FN y. Proposici´ on VI.4.4.- La transformada discreta de Fourier satisface las siguientes propiedades: a) Para y ∈ PN , se tiene que FN y ∈ PN . b) La aplicaci´ on Fn : PN → PN es lineal y biyectiva. c) La aplicaci´ on inversa de FN est´ a dada por −1 FN = N · F¯N ,

donde

(VI.4.9)

N −1 1 X ¯ (FN z)k := (FN z¯)k = zl ω kl . N

(VI.4.10)

l=0

Demostraci´ on.- Utilizando el hecho que ω N = e2πi = 1 y ω −lN = N −l (ω ) = 1, se obtiene zk+N =

N −1 N −1 1 X 1 X yl ω −(k+N )l = yl ω −kl = zk , N N l=0

l=0

mostrando as´ı la periocidad de zk . La linearidad de FN resulta de una verificaci´ on inmediata. Para mostrar la biyectividad y al mismo tiempo la fórmula (VI.4.10), se calcula N −1 1 X ¯ (FN FN y)j = (FN y)k ω kj N k=0

=

N −1 N −1 1 X X yl ω −kl ω kj N 2 k=0 l=0

N −1 1 X = 2 yl N l=0

1 = yj . N

N −1 1 X k(j−l) ω N k=0

!


287

La u ´ltima igualdad de este c´ alculo, es consecuencia de N −1 X

ω

km

k=0

=

N −1 X

m k

(ω ) =

k=0

ω mN −1 ω m −1

N =0

si m = 0modN si no.

Hay que remarcar que ω m = 1 si m = 0modN .

Estudio del Error Supóngase que yl = f (xl ),

xl =

2πl , N

l = 0, 1, . . . , N ;

para una función f : R → C que es 2π-periódica. La fórmula siguiente describe c´ omo la transformada de Fourier discreta dada por (VI.4.7) aproxima los coeficientes de Fourier dados por (VI.4.2). X Teorema VI.4.5.- Si la serie fˆ(k) es absolutamente convergente, enk∈Z

tonces

fˆn (k) − fˆ(k) =

X

fˆ(k + jN ).

(VI.4.11)

j∈Z j6=0

Demostraci´ on.- La hipótesis sobre los coeficientes de Fourier implica que se tenga igualdad en la fórmula (VI.4.1), ver Gramain. Por lo tanto, se tiene N −1 1 X X ˆ fˆN (k) = f (n)einxl N l=0

n∈Z

!

ω

−kl

! N −1 X 1 (n−k)l fˆ(n) = ω N n∈Z l=0 | {z } 1 si n = k((mod)N = 0 si no X = fˆ(k + jN ) X

j∈Z

Corolario VI.4.6.- Sea f : R → C, p veces continuamente derivable (p ≥ 2) y 2π-peri´ odica. Entonces, fˆN (k) − fˆ(k) = O(N −p ),

para

|k| ≤

N . 2

(VI.4.12)


288 En particular, con h = 2π/N , se tiene

Z 2π N −1 h X 1 f (xj ) − f (x)dx = O(hp ), 2π j=0 2π 0

(VI.4.13)

lo que significa que, para funciones lisas y periódicas, la fórmula del trapecio es muy precisa. Demostraci´ on.- Se mostrar´ a primero que los coeficientes de Fourier satisfacen ˆ (VI.4.14) f (k) ≤ C.k−p . En efecto, varias integraciones por partes dan 1 fˆ(k) = 2π

Z

2π

f (x)e−ikx dx

0

2π Z e−ikx (iπ)−1 2π ′ = f (x) f (x)e−ikx dx + −ik 0 2π 0 | {z } 0

.. .

=

(ik)−p 2π

Z

2π

f (p) (x)e−ikx dx

0

Z 2π 1 (p) f (x) dx. 2π 0 Para |k| ≤ N/2 y j = 6 0 se tiene que |k + jN | ≥ (|j| − 1/2)N , utilizando (VI.4.11), se obtiene X ˆ C(j − 1/2)−p N −p = C1 · N −p . fN (k) − fˆ(k) ≤ teniendo as´ı, (VI.4.14) con C =

j≥1

Obsérvese que la serie en esta fórmula converge para p > 1. Es muy importante remarcar que fˆn (k) es una sucesión N -periódica, propiedad de la transformada discreta de Fourier, y que por otro lado fˆ(k) converge muy rapidamente hacia 0 por (VI.4.14). Por consiguiente para k grande, por ejemplo k ≈ N , fˆN es una mala aproximación de fˆ(k); mientras que para |k| ≤ N/2 la aproximación es en general muy buena.

Interpolaci´ on Trigonom´ etrica Para la división equidistante (VI.4.6) del intervalo [0, 2π] y para y0 , y1 , . . . , yN −1 dados, se busca un polinomio trigonométrico, es decir una


289

combinación lineal finita de funciones eikx , que pase por (xl , yl ), para l = 0, 1, . . . , N − 1. La existencia de tal polinomio trigonométrico est´ a asegurada por el siguiente: Teorema VI.4.7.- Sea y ∈ PN y z = FN y su transformada discreta de Fourier. Entonces, el polinomio trigonométrico N/2

pN (x) =

X

′

zk eikx :=

X 1 zk eikx , z−N/2 e−iN x/2 + zN/2 eiN x/2 + 2 |k|
k=−N/2

(VI.4.15)

satisface pn (xl ) = yl para l = 0, 1, . . . , N − 1. Hay que remarcar que si los yk son reales, {zk } es una sucesión herm´ıtica, es decir z−k = z¯k y por lo tanto el polinomio pN (x) es un polinomio a coeficientes reales. Demostraci´ on.- Para l fijo, la sucesión {zk eikxl } es N -periódica, por consiguiente pN (xl ) =

N −1 X k=0

zk eikxl = N · (F¯N z)l = N (F¯N FN y)l = yl .

El siguiente teorema a ser enunciado provee una estimación del error de la interpolaci´ on trigonométrica con consecuencias importantes, que ser´ an explicadas posteriormente. X Teorema VI.4.8.- Sea f : R → C una función 2π-periódica tal que fˆ(k) k∈Z

sea absolutamente convergente. Entonces, el polinomio trigonométrico dado por (VI.4.15), para yl = f (xl ) satisface para todo x ∈ R |pN (x) − f (x)| ≤ 2pN (x) =

X

|k|≥N/2

′

ˆ f (k) .

(VI.4.16)

Demostraci´ on.- Restando (VI.4.1) de (VI.4.15) se obtiene N/2

pN (x) − f (x) =

X

k=−N/2

′

X fˆN (k) − fˆ(k) eikx −

′

fˆ(k)eikx .

|k|≥N/2

La aserci´ on es pues consecuencia de (VI.4.11) y de la desigualdad del triángulo


290

Este teorema permite una interpretación interesante. Considérese una funci´ on 2π-periódica de frecuencia maximal M , es decir fˆ(k) = 0 para |k| > M . Entonces, el polinomio trigonométrico da el resultado exacto pN (x) = f (x) para todo x, si N > 2M.

(VI.4.17)

Este resultado, el Teorema del Muestreo, da una fórmula para el n´ umero de muestras necesarias para obtener una representación exacta de una función. La evaluaci´ on de FN requiere N 2 multiplicaciones y adiciones, si se la realiza directamente. Sin embargo existe un procedimiento que permite descender el costo en operaciones a N log2 N . Este procedimiento ser´ a visto en la siguiente subsecci´ on.

Transformaci´ on R´ apida de Fourier (FFT) El algoritmo que ser´ a estudiado, se debe a Cooley & Tukey en 1965, se basa sobre las ideas de Runge 1925. Para poder formular éste, es necesario la siguiente: Proposici´ on VI.4.9.- Sean u = (u0 , u1 , . . . , uN −1 ) ∈ PN , v = (v0 , v1 , . . . , vN −1 ) ∈ PN y def´ınase y = (u0 , v0 , u1 , v1 . . . . , uN −1 , vN −1 ) ∈ P2N .

(VI.4.18)

Entonces, para k = 0, 1, . . . , N − 1, se tiene (ω2N = e2iπ/2N = eπi/N ) −k 2N (F2N y)k = N (FN u)k + ω2N N (FN v)k ,

(VI.4.18)

−k 2N (F2N y)k+N = N (FN u)k − ω2N N (FN v)k .

2 Demostraci´ on.- Utilizando el hecho que ω2N = ωN , un c´ alculo directo da para k arbitrario

2N (F2N y)k =

2N −1 X

yj e−2πijk/2n

j=0

=

2N −1 X

−jk yj ω2N

j=0

=

N −1 X l=0

−2lk y2l ω2N + |{z} | {z } ul

−lk ωN

N −1 X l=0

−(2l+1)k

y2l+1 ω2N | {z } | {z vl

}

−k −lk ω2N ···ωN

−k = N (FN u)k + ω2N N (FN v)k.


291

−N La segunda fórmula de (VI.4.18) resulta de ω2N = −1.

La fórmula (VI.4.18) permite calcular, con N multiplicaciones y 2N adiciones, la transformada discreta de Fourier de y ∈ P2N a partir de FN u y FN v. El mismo procedimiento puede ser aplicado recursivamente a las sucesiones u y v, si éstas tienen una longitud par. Si se supone que N = 2m , se obtiene el algoritmo presentado en el esquema siguiente (para N = 8 = 23 ). FN/4





y0  y1     y2 *   y  FN  3   y4     y5    y6 y7

FN/2





y0 y4

* FN/8 y0 = y0

y1 y5

* FN/8 y1 = y1

FN/8 y4 = y4 y0 *  y2  * FN/8 y2 = y2   y4 y2 FN/4 y6 y6 FN/8 y6 = y6

FN/4 FN/2

(VI.4.19)

 FN/8 y5 = y5 y1 *  y3  * FN/8 y3 = y3   y5 y3 FN/4 y7 y7 FN/8 y7 = y7 

Figura VI.4.1. Esquema para Cálculo de FFT. La programaci´ on de este algoritmo se la realiza en dos étapas. La primera, se ordena los yi en el orden exigido por (VI.4.19), es decir es necesario invertir los bits en la representación binaria de los indices: 0=(0, 0, 0) 1=(0, 0, 1) 2=(0, 1, 0) 3=(0, 1, 1) 4=(1, 0, 0) 5=(1, 0, 1) 6=(1, 1, 0) 7=(1, 1, 1)

←→

0=(0,0,0) 4=(1,0,0) 2=(0,1,0) 6=(1,1,0 1=(0,0,1) 5=(1,0,1) 3=(0,1,1) 7=(1,1,1)

Después, se efectua las operaciones de (VI.4.18) de la manera como indica el esquema (VI.4.19).


292

Para pasar de una columna a otra en el esquema (VI.4.19) son necesarias N/2 multiplicaciones complejas y de otras N adiciones o sustracciones. Como m = log2 N pasajes son necesarios, entonces se tiene el: Teorema VI.4.10.- Para N = 2m , el c´ alculo de FN y puede ser realizado con: N log2 N multiplicaciones complejas y 2 N log2 N adiciones complejas. Para ilustrar mejor la importancia de este algoritmo, ver la tabla VI.4.1 para comparar el c´ alculo de FN y con o sin FFT. Tabla VI.4.1. Comparaci´ on de FFT con DFT. N

N2

25 = 32

≈ 103

10

2

20

2

3

≈ 10

6

≈ 10

N log2 N cociente 6

≈ 10

12

≈ 10

≈ 6.4

160 4

≈ 10

100

7

≈ 2 · 10

5· ≈ 104

Aplicaciones de la FFT La transformada rápida de Fourier, tiene una gran cantidad de aplicaciones, desde el c´ alculo de espectrogramas, resolución de ecuaciones diferenciales ordinarias o a derivadas parciales, hasta la solución de sistemas lineales. Definiendo el producto de convolución de dos sucesiones N -periódicas y ∈ PN y z ∈ Pn , por N −1 X (y ∗ z)k = yk−l zl . (VI.4.20) l=0

Se tiene la siguiente propiedad, ver ejercicio 1,

FN (y ∗ z) = N · FN y · FN z,

(VI.4.21)

de donde (VI.4.20) puede ser calculado mediante O(N log2 N ) operaciones. La resolución de un sistema lineal con una matriz de Toeplitz circular puede ser resuelto utilizando FFT. En efecto, un tal sistema es de la forma      

a0 a1 a2 .. .

aN −1 a0 a1 .. .

aN −2 aN −1 a0 .. .

aN −1

aN −2

aN −3

 x0 · · · a1 · · · a 2   x1  · · · a 3   x2 .  . · · · ..   .. · · · a0

xN −1





    =    

b0 b1 b2 .. . bN −1



  .  

(VI.4.22)


293

Evidentemente, el sistema lineal (VI.4.22) es equivalente a a ∗ x = b, si se considera (ai ), (xi ) y (bi ) como sucesiones de PN . La multiplicación de una matriz de Toeplitz arbitraria con un vector  a 0  a1   a2  .  . .

aN −1

a−1 a0 a1 .. .

a−2 a−1 a0 .. .

aN −2

aN −3

· · · a−N +1   x0   b0  · · · a−N +2   x1   b1      · · · aN +3   x2  =  b2  , (VI.4.23)     ..   ..   ..  .  . ··· . bN −1 xN −1 ··· a0

puede ser resuelta utilizando FFT, considerando las sucesiones en P2N a = (a0 , a1 , . . . , aN −1 , 0, a−N +1 , a−N +2 , . . . , a−1 ), x = (x0 , x1 , . . . , xN −1 , 0, 0, . . . , 0). Se puede verificar facilmente que el resultado del producto (VI.4.23) es la primera mitad del producto de convolución a ∗ x. Por consiguiente, el c´ alculo con FFT da un algoritmo rápido para efectuar el producto (VI.4.23).

Ejercicios 1.- Mostrar que Fn (y ∗ z) = N · FN y · FN z, para el producto de convolución (y ∗ z)k =

N −1 X

yk−l zl ,

l=0

de dos suceciones N -periódicas. Deducir que −1 y ∗ z = N · FN (FN y · FN z).

2.- Resolver la ecuación diferencial con valores en la frontera u′′ (x) = −1 graficar la solución.

u(0) = u(2π) = 0,

Cap´ıtulo VII Ecuaciones Diferenciales

El estudio de una gran cantidad de fen´ omenos de las más diversas caracter´ısticas se traducen en ecuaciones diferenciales. La descripción de un fen´ omeno mediante ecuaciones diferenciales tiene un proposito primordial que es la predecibilidad. Por otro lado, permite obtener conclusiones de car´ acter local, que ser´ an extrapoladas para tener informaciones globales del modelo estudiado. El énfasis que se hace a la resolución anal´ıtica de las ecuaciones diferenciales en los cursos de Ecuaciones Diferenciales que se dictan en los primeros niveles de las universidades, tienen el objetivo de encontrar soluciones generales a los diversos problemas diferenciales que se encuentran en el transcurso de los estudios universitarios, como también en el ejercicio profecional. Este hecho se debe fundamentalmente que hasta hace no mucho, no se contaban con los medios tecnólogicos que permitan resolver ecuaciones diferenciales con la precisi´ on que se requer´ıa. Por consiguiente, el objetivo de estos cursos eran esencialemte obtener las soluciones en forma de fórmulas, perdiendose as´ı el car´ acter esencial de las ecuaciones diferenciales que es el estudio local de los fen´ omenos. Adem´ as cuestiones como existencia y unicidad no son abordadas por falta de tiempo. Este cap´ıtulo tiene como objetivo principal la formulación de métodos numéricos de resolución de problemas diferenciales a valores iniciales o problemas de Cauchy. La primera parte tratará sobre cuestiones de existencia y unicidad de las ecuaciones diferenciales. Luego se abordará los métodos a un paso y como expresi´ on de estos; los métodos de Runge-Kutta, desde la construcción de estos, estimaciones de error y como corolario los metodos encajonados del tipo Dormand & Prince. La tercera parte de este cap´ıtulo tratará los métodos numéricos a paso m´ ultiple, se ver´ a la construcción de estos, cuestiones de estabilidad y convergencia.

VII.1 Generalidades

En este cap´ıtulo I, I0 designan intervalos abiertos de R no reducidos a un punto y t0 un punto fijo de I0 ; se da una función f definida y continua sobre I0 × Rm con valores en Rm , un elemento y0 ∈ Rm , y se desea encontrar una funci´ on y continua y derivable sobre el intervalo I0 , con valores en Rm , tal que: y ′ (t) = f (t, y(t)), y(t0 ) = y0 .

∀t ∈ I0 ;

(VII.1.1) (VII.1.2)

Este problema se lo conoce con el nombre de problema de Cauchy para el sistema diferencial (VII.1.1); la condici´ on (VII.1.2) se llama una condici´ on de Cauchy. Una función y que satisface el sistema (VII.1.1) es llamada una integral del sistema (VII.1.1). En numerosos ejemplos f´ısicos, la variable t representa el tiempo, el instante t0 , es por consiguiente, llamado instante inicial y la condici´ on (VII.1.2) llamada condici´ on inicial. Se puede remarcar que si se denota por y1 , y2 , . . . , ym las componentes de y, por f1 (t, y1 , . . . , ym ), . . . , fm (t, y1 , . . . , ym ) las componentes de f (t, y) la ecuación (VII.1.1) es equivalente al sistema  ′ y1 (t) = f1 (t, y1 (t), . . . , ym (t))      y2′ (t) = f2 (t, y1 (t), . . . , ym (t)) . (VII.1.3) ..   .    ′ ym (t) = fm (t, y1 (t), . . . , ym (t))

Las ecuaciones del sistema VII.1.3 son de primer orden, pues en éstas, el orden de derivación más alto que aparece es el primero. Considérese ahora un problema diferencial de orden p, de la forma y (p) (t) = f (t, y(t), y ′ (t), . . . , y (p−1) ),

(VII.1.4)

el cual puede convertirse en problema de la forma (VII.1.1), planteando z1 (t) = y(t),

z2 (t) = y ′ (t), . . . , zp (t) = y (p−1) (t);

el problema diferencial (VII.1.4), por consiguiente es equivalente al sistema  z1′ (t) = z2 (t)      ..  . . ′   (t) = zp (t) z  p−1    zp′ (t) = f (t, z1 (t), . . . , zp (t))

297

VII.1 Generalidades de donde planteando z = (z1 , z2 , . . . , zp )t se tiene

y

F (t, z) = (z2 , . . . , zp , f (t, z1 , . . . , zp ))t ,

z ′ (t) = F (t, z(t)).

(VII.1.5)

La condici´ on de Cauchy para el problema (VII.1.5) est´ a dada por y(t0 ), y ′ (t0 ), . . . , y (p−1) (t0 ). Ahora bien, en este cap´ıtulo no ser´ a tratado el problema diferencial general de orden p, dado por F (t, y(t), y ′ (t), . . . , y (n) (t)) = 0,

∀t ∈ I0 .

(VII.1.6)

Cuando se puede aplicar el teorema de las funciones implicitas, (VII.1.6) es localmente equivalente a la ecuación de la forma (VII.1.4) y la teor´ıa que ser´ a desarrollada en este cap´ıtulo podr´ a ser aplicada a este tipo de problema sin inconvenientes. Si el teorema de las funciones implicitas no es aplicable, serias dificultades matemáticas y numéricas pueden aparecer, en este caso se habla de ecuaciones diferenciales algebraicas, para saber más sobre este tipo de ecuaciones referirse a Hairer & Wanner. Finalmente es necesario remarcar que, si bien I0 es un intervalo abierto, el estudio de las soluciones de los problemas diferenciales permite considerar los intervalos de la forma [t0 , t0 + T ) y (t0 − T, t0 ], obteniendo el intervalo abierto por recolamiento de ambos subintervalos semiabiertos.

Teoremas de Existencia y Unicidad En esta subsecci´ on se supondr´ a que la terminolog´ıa b´ asica es conocida por el lector. No obstante, se enunciar´ a dos teoremas muy importantes en lo que concierne el análisis numérico de ecuaciones diferenciales. El primer teorema a enunciarse da condici´ ones suficientes para asegurar la existencia y unicidad de las soluciones de los problemas a valores iniciales. El segundo teorema est´ a relacionado con la condici´ on misma del problema, pues cuando se trata numéricamente un problema es de suponer que se trabaja con una solución aproximada del problema. Teorema VII.1.1.- Cauchy-Lipschitz. Supóngase que f es continua sobre I0 × Rm y que satisface una condici´ on de Lipschitz, es decir que existe un real L tal que kf (t, z) − f (t, y)k ≤ L kz − yk

∀(t, y) y (t, z) ∈ I0 × Rm ;

(VII.1.7)

entonces el problema (VII.1.1,2) admite una solución y una sola. Demostraci´ on.- Se dará una demostración directa que tiene la ventaja de ser valida cuando se remplaza Rn por un espacio de Banach.

298

VII Ecuaciones Diferenciales

Paa fijar las ideas, sup´ ongase que I0 = [t0 , t + t0 ] y considérese la aplicaci´ on Φ que a y ∈ C 0 ([t0 , t + t0 ]) asocia Φ(y) ∈ C 0 ([t0 , t + t0 ]) definida por Z t

f (s, y(s))ds.

Φ(y)(t) = y0 +

t0

Introduciendo la norma

kykL = max(e−2L(s−t0 ) ky(s)k) s∈I0

que dota C 0 (I0 ) de una estructura de espacio de Banach. Se tiene Z t kf (s, y(s)) − f (s, y ∗ (s))k ds k(Φ(y) − Φ(y ∗ ))(t)k ≤ ≤

Z

t0 t

t0

Le2L(s−t0 ) ds ky − y ∗ kL

1 ≤ e2L(t−t0 ) ky − y ∗ kL , 2 deduciendose

1 ky − y ∗ kL . 2 El teorema del punto fijo implica que Φ tiene un solo punto fijo en C 0 (I0 ), de donde se tiene el resultado. kΦ(y) − Φ(y ∗ )kL ≤

Teorema VII.1.2.- Sea f : V → Rn continua, donde V ⊂ Rn+1 abierto. Sup´ ongase que: y(x) es una soluci´ on de y ′ = f (x, y) sobre [x0 , x ¯], tal que y(x0 ) = y0 ; v(x) una soluci´ on aproximada de la ecuaci´ on diferencial sobre [x0 , x ¯0 ] tal que kv ′ (x) − f (x, v(x))k l ≤ δ (VII.1.8) y f satisface una condici´ on de Lipschitz sobre un conjunto que contenga {(x, y(x)), (x, z(x))}, es decir kf (x, y) − f (x, z)k ≤ L ky − zk .

(VII.1.9)

Entonces ky(x) − v(x)k ≤ ky0 − v(x0 )k eL(x−x0 ) + Demostraci´ on.- Se tiene:

Z

x

δ L(x−x0 ) e −1 . L

(VII.1.10)

(y ′ (s) − v ′ (s))ds y(x) − v(x) = y(x0 ) − v(x0 ) + x0 Z x (f (s, y(s)) − f (s, v(s)) + f (s, v(s)) − v ′ (s)) ds, = y(x0 ) − v(x0 ) + x0

299

VII.1 Generalidades

pasando a las normas y aplicando las hipótesis (VII.1.8) y (VII.1.9), se obtiene Z x (L ky(s) − v(s)k + δ) ds. ky(x) − v(x)k ≤ ky0 − v(x0 )k + x0

Planteando u(x) = ky0 − v(x0 )k + se deduce

Z

x

x0

(L ky(s) − v(s)k + δ) ds,

u′ (x) = L ky(x) − v(x)k + δ ≤ Lu(x) + δ,

de esta manera se obtiene la desigualdad diferencial u′ (x) ≤ Lu(x) + δ u(x0 ) = ky0 − v(x0 )k .

(VII.1.11)

Para resolver este desigualdad, se considera la familia de ecuaciones: wn′ (x) = Lwn (x) + δ,

wn (x0 ) = u(x0 ) +

1 , n

(VII.1.12)

cuyas soluciones est´ an dadas por: wn (x) = wn (x0 )eL(x−x0 ) +

δ L(x−x0 ) e − 1) . L

El siguiente paso en la demostración es mostrar que u(x) ≤ wn (x).

(VII.1.13)

Supóngase lo contrario, es decir que existe un n y s > x0 , tales que u(s) > wn (s). Considérese el conjunto A = {x > x0 |u(x) > wn (x)} y sea x1 = inf A. Por continuidad se tiene u(x1 ) = wn (x1 ). De donde: wn (x1 ) − wn (x0 ) = ≥

Z

Z

x1 x0 x1 x0

wn′ (s)ds

Z

x1

(Lwn (s) + δ)ds Z x1 (Lu(s) + δ)ds ≥ u′ (s)ds =

= u(x1 ) − u(x0 ),

x0

x0

300


por lo tanto w(x0 ) ≤ u(x0 ), llegando a una contradicción con −1/n ≥ 0.

Problemas con Valores en la Frontera La teor´ıa de existencia y unicidad de ecuaciones diferenciales son generalmente formuladas para problemas de Cauchy o problemas a valores iniciales, sin embargo existe una gran variedad de problemas diferenciales de otras caracter´ısticas que ser´ an tratados en esta subsecci´ on. Toda ecuación diferencial puede expresarse como un sistema de ecuaciones diferenciales de primer orden de la manera siguiente y ′ = f (x, y),

(VII.1.14)

donde f : R × Rn → Rn . Un problema diferencial con valores en la frontera es darse una ecuación diferencial del tipo (VII.1.14) con n condiciones para y(a) y y(b), donde a, b ∈ R. Existe una gama de problemas diferenciales con valores en la frontera. A continuación se mostrar´ a los ejemplos más representativos. Ejemplos a) Problemas a valores iniciales. Son de la forma y ′ = f (x, y), y(x0 ) = y0 . Este tipo de problema tiene solución u ńica si f es continua y verifica las condiciones de Lipschitz. b) Considérese el problema y ′′ = y;

y(a) = A, y(b) = B.

La ecuacion diferencial de segundo orden puede reducirse al siguiente sistema de primer orden y1′ = y2 , y2′ = y1 ; con condiciones de borde dadas por y1 (a) = A y y1 (b) = B. Este problema siempre tiene solución u ńica cuando a 6= b.

301

VII.1 Generalidades

c) Encontrar una solución T periódica de una ecuación diferencial, por ejemplo y ′ = y + cos x. Es muy facil deducir que T = 2πk, con k entero. El problema es encontrar una solución de la ecuación diferencial que satisfaga y(x) = y(x + T ). d) Determinar el parámetro λ ∈ Rp de la ecuación y ′ = f (x, y, λ), donde la solución buscada verifica y(a) = ya y g(y(a)) con g : Rn → Rp . Ahora bien, este problema puede expresarse como el problema diferencial equivalente y ′ = f (x, y, λ), λ′ = 0, con condiciones de frontera y(a) = ya , g(y(b)) = 0. e) Problemas a frontera libre, son de la forma y(0) = A, y(l) = B, y ′ (l) = 0;

y ′′ = f (x, y, y ′ );

con l desconocido. Este problema mediante una transformación af´ın de x, puede expresarse de la siguiente forma z′ ′′ 2 z = l f lt, z, , l l′ = 0,

con condiciones de borde dadas por z(0) = A,

z(1) = B,

z ′ (1) = 0.

En base a los ejemplos expuestos más arriba, el problema diferencial con valores en la frontera puede expresarse como y ′ = f (x, y), r(y(a), y(b)),

(VII.1.15)

302


donde f : R × Rn → R y r : Rn × Rn → Rn . Por consiguiente la función r en los diferentes ejemplos, ser´ a igual a: r(y(a), y(b)) = y(a) − ya y1 (a) y1 (b) y1 (a) − A r , = y2 (a) y2 (b) y1 (b) − B r(y(x0 ), y(x0 + T )) = y(x0 ) − y(x0 + T )

ejemplo a), ejemplo b), ejemplo c),

Introduciendo la notación siguiente y(x, a, ya )

(VII.1.16)

para expresar la solución y(x) que satisface y(a) = ya , el problema diferencial con condiciones en la frontera consiste en encontrar ya , tal que r(ya , y(b, a, ya )) = 0.

(VII1.17)

Definiendo la función F : Rn → Rn por F (ya ) = r(ya , y(b, a, ya )),

(VII.1.18)

resumiendose el problema diferencial con valores en la frontera a encontrar ya tal que y ′ = f (x, y), (VII.1.19) F (ya ) = 0. Supóngase que y ∗ (x) sea una solución de (VII.1.19), es decir ya∗ = y ∗ (a), adem´ as que F ′ (ya∗ ) sea inversible, por el teorema de la inversión local la ńica y por consiguiente y ∗ (x) lo es también. solución ya∗ es localmente u La ecuación F (ya ) se resuelve generalmente por un método iterativo, si F no es lineal, se utiliza por ejemplo el método de Newton. Para poder aplicar el método de Newton es necesario conocer F ′ (ya ). Ahora bien, se tiene F ′ (ya ) =

∂r ∂r ∂y (ya , y(b, a, ya )) + (ya , y(b, a, ya )) (b, a, ya ). (VII.1.20) ∂ya ∂yb ∂ya

Diferenciabilidad respecto a los Valores Iniciales En la expresi´ on (VII.1.20) puede observarse que existe una expresi´ on que es derivada respecto al valor inicial ya . Retomando la notación de la sección precedente se tiene y(x, x0 , y0 ) es la solución que pasa por (x0 , y0 ) de la

303

VII.1 Generalidades

ecuación diferencial y ′ = f (x, y), donde f : R × Rn → Rn . El problema consiste en determinar ∂y (x, x0 , y0 ). (VII.1.21) ∂y0 En el caso lineal, se tiene que la ecuación diferencial es de la forma y ′ = A(x)y

(VII.1.22)

donde A(x) es una matriz de coeficientes (aij (x) continuos. La solución general de (VII.1.22) est´ a dada por y(x, x0 , y0 ) =

n X

y(x, x0 , ei )y0i = R(x, x0 )y0

(VII.1.23)

i=1

donde los ei son los vectores de la base can´ onica de Rn . La matriz R(x, x0 ) se llama el nucleo resolvente o la resolvente de la ecuacion (VII.1.22). Es facil de verificar que ∂y (x, x0 , y0 ) = R(x, x0 ) (VII.1.24) ∂y0 Para el caso no lineal la situación es un poco más complicada. Se tiene ∂y (x, x0 , y0 ) = f (x, y(x, x0 , y0 )) ∂x

(VII.1.25)

suponiendo que ∂y/∂y0 existe y el orden de derivación conmuta, se obtiene ∂ ∂y ∂f ∂y (x, x0 , y0 ) = (x, y(x, x0 , y0 )) (x, x0 , y0 ) ∂x ∂y0 ∂y ∂y0 con

de donde

∂y (x0 , x0 , y0 ) = I, ∂y0 ∂y (x, x0 , y0 ) es la resolvente de la ecuación diferencial lineal ∂y0 Ψ′ =

∂f (x, y(x, x0 , y0 ))Ψ. ∂y

(VII.1.26)

Shooting Simple Retomando el problema con valores en la frontera formulado bajo la forma de las ecuaciones (VII.1.18) y (VII.1.19) puede ser resuelto utilizando el método conocido como shooting simple, que en s´ıntesis es utilizar un método

304


n´ umerico para resolver (VII.1.19). Este método puede ser Newton u otro método numérico adaptado al problema. Sin pretender dar una teor´ıa que justifique tal método, para tal efecto referirse a Stoer, se mostrar´ a este método implementado en ejemplos. Ejemplos a) Considérese el problema con valores en la frontera dado por: y ′′ = −ey ,

y(0) = 1, (VII.1.27) 1 y(1) = . 2 Utilizando la notación de la subsecci´ on precedente, se plantea y(x, α), la solución del problema diferencial a valores iniciales y ′′ = −ey ,

y(0) = 1, y ′ (0) = α.

(VII.1.27b)

El problema (VII.1.27) se traduce en encontrar α, tal que 1 . 2 En la figura VII.1.1, puede observarse en la gráfica los valores de y(1) en funci´ on de α. y(1, α) =

2

y(1)

1

0 0

2

4

6

8

10 α

−1

Figura VII.1.1. Valores de y(1) en función de α.

305

VII.1 Generalidades

Observando la gráfica, se puede deducir que el problema (VII.1.27) tiene dos soluciones. El siguiente paso es aplicar el método del shooting simple, obteniendo de esta manera dos soluciones. La primera con α = 0.9708369956661049, la segunda solución con α = 7.93719815816973. Puede apreciarse las graficas de las dos soluciones, en la figura (VII.1.2) 5

5

4

4

3

3

2

2

1

1

0

0

0

1

Figura VII.1.2. Soluciones del Problema (VII.1.26). b) En este ejemplo se analizar´ a un problema de soluciones periódicas. Considérese la ecuación diferencial de Van der Pol, dada por y ′′ = (1 − y 2 )y ′ − y.

(VII.1.28)

El problema consiste en determinar si existe una solución periódica y sobre todo c´ omo es ésta. Ahora bien, (VII.1.28) puede escribirse como el sistema de ecuaciones diferenciales y1′ = y2 , y2′ = (1 − y12 )y2 − y1 .

(VII.1.29)

Planteando y(x) = (y1 (x), y2 (x)), el problema se resume en encontrar T > 0, tal que y(T ) = y(0), que puede formularse de la siguiente manera F (T, y0 ) = y(T, 0, y0 ) − y0 = 0.

(VII.1.30)

306

VII Ecuaciones Diferenciales Supóngase que T, y0 sean una aproximación de la solución del problema (VII.1.30), de donde F (T + ∆T, y0 + ∆y0 ) = 0, con ∆T , ∆y0 escogidos convenientemente. Desarrollando en serie de Taylor, se deduce: ∂F ∂F (T, y0 )∆T + (T, y0 )∆y0 = 0, ∂T ∂y0 ∂y y(T, 0, y0 ) − y0 + f (y(T, 0, y0 ))∆T + (T, 0, y0 ) − I ∆y0 = 0. ∂y0 F (T, y0 ) +

Por consiguiente, se tiene n ecuaciones lineales, con n + 1 incognitas, agregando la condici´ on suplementaria ∆y0 ⊥ f (y(T, 0, y0 )),

(VII.1.31)

se obtiene

∂y (T, 0, y0 ) − I ∂y0 t f (y(T, 0, y0 ))

f (y(T, 0, y0 )) 0

∆y0 ∆T

=−

y(T, 0, y0 ) − y0 . 0 (VII.1.32)

Partiendo de los valores iniciales y1 (0) = 1., y2 (0) = 2., T = 7.; luego de 14 iteraciones se obtiene con una precisi´ on del orden de 10−13 , los valores iniciales y el periodo y1 (0) = 2.00861986087296, y2 (0) = 0., T = 6.66328685933633. La solución periódica de la ecuación Van der Pol puede apreciarse en la

307

VII.1 Generalidades figura VII.1.3 3

2

1

−3

−2

−1

0 0

1

2

3

−1

−2

−3

Figura VII.1.3. Soluciones Periodica de Van der Pol.

Shooting M´ ultiple La solución del problema con valores en la frontera y ′ = f (x, y),

r(y(a), y(b)) = 0,

requiere que para todo punto x de la región donde est´ a definida la solución y se tenga una aproximación numérica de y(x). En el método shooting descrito en la anterior subsecci´ on, solamente el valor inicial y(a) = yâ es determinado. En muchos problemas es suficiente conocer este valor, sin embargo en una gran variedad de problemas con valores en la frontera conocer este valor no es nada fiable. Para ilustrar esto, considérese la ecuación diferencial. y ′′ − y ′ + 110y = 0,

(VII.1.33)

cuya solución general est´ a dada por y(x) = C1 e−10x + C2 e11x ,

(VII.1.34)

308


donde C1 y C2 son constantes reales arbitrarias. El problema a valor inicial y(0) = y0 y y ′ (0) = y0′ tiene como solución y(x) =

11y0 − y0′ −10x y0′ + 10y0 11x e + e . 21 21

(VII.1.35)

Ahora bien, considérese el problema con valores en la frontera dado por y(0) = 1,

y(10) = 1;

la solución de este problema consiste en determinar y0′ de la fórmula (VII.1.35). Por consiguiente, resolviendo la ecuación lineal 11 − y0′ −100 10 + y0′ 110 e + e = 1; 21 21 se obtiene y0′ =

21 − 10e110 − 11e−100 . e110 − e100

Debido a la aritmética de punto flotante que las computadoras poseen, en lugar de y0′ , se manipula la cantidad y¯0′ = −10(1 + ǫ), con |ǫ| ≤ eps.

(VII.1.36)

Suponiendo que los c´ alculos se hacen en doble precisi´ on, se puede tomar por ejemplo ǫ = 10−16 . Remplazando y0′ en (VII.1.35), se obtiene y(100) ≈

10−15 110 e ≈ 2.8 × 1031 . 21

Otra de las dificultades mayores en la implementación del método shooting en su versión simple, es la necesidad de contar con una buena aproximación de ya , lo que en general no sucede. Por otra lado, los valores que pueden tomar los ya , en muchas situaciones, est´ an confinados a regiones demasiado peque˜ nas; por ejemplo considerese el problema y ′′ = y 3 , y(0) = 1, y(100) = 2;

(VII.1.37)

los valores que puede tomar y ′ (0), para que y(x) esté definida en el intervalo [0, 100], est´ an restringidos a un intervalo de longitudo no mayor a 10−6 . Por este motivo puede deducirse la dificultad de implementar el método shooting simple.

VII.1 Generalidades

309

El remedio a estas dificultades enumeradas más arriba est´ a en la implementación del método shooting m´ ultiple, que consiste en subdividir el intervalo [a, b] en subintervalos de extremidades xi , es decir tomar una subdivisión a = x0 < x1 · · · < xn = b. Luego, se denota por yi = y(xi ). De esta manera se obtiene el sistema de ecuaciones  y(x1 , x0 , y0 ) − y1 = 0      y(x2 , x1 , y1 ) − y2 = 0    .. (VII.1.38) .      y(xn , xn−1 , yn−1 ) = 0    r(y0 , yn ) = 0. La solución de (VII.1.38) se la encuentra utilizando un método iterativo, que puede ser Newton si el problema no es lineal. Como ilustraci´ on de este Método se tiene los siguientes dos ejemplos. Ejemplos a) Considérese el problema (VII.1.37). Para su resolución se ha subdividido equidistantemente en 100 subintervalos. La solución del sistema (VII.1.38) se la hecho utilizando el método de Newton. Las iteraciones y las gráficas pueden apreciarse en la figura VII.1.4.

310


3

iter=0

2 1 0

0

20

40

60

3

80

100

iter=1

2 1 0

0

20

40

60

3

80

100

iter=2

2 1 0

0

20

40

60

3

80

100

iter=3

2 1 0

0

20

40

60

3

80

100

iter=4

2 1 0

0

20

40

60

3

80

100

iter=11

2 1 0

0

20

40

60

80

100

Figura VII.1.4. Implementación M´ ultiple Shooting. b) Este ejemplo est´ a relacionado con un problema ingen´ıeril. Un granjero desea un silo cuya base sea un c´ırculo de radio 5 m, de altura 10 m y el techo sea un c´ırculo de radio 2.5 m, la capacidad del silo debe ser exactamente de 550 m3 . Suponiendo que el costo es proporcional al área del silo. ¿C´ ual es la forma de éste? Matem´ aticamente el problema puede ser formulado como: area lateral −→ min, vólumen = 550. Por la simetr´ıa del problema, se puede deducir que el silo es una superficie de revolución, por lo tanto el problema puede expresarse de la manera

311

VII.1 Generalidades siguiente: Encontrar una función y(x), tal que

Z

10

y

0

p 1 + y ′2 dx −→ min, π

Z

10

y 2 dx = 550,

0

y(0) = 5, y(10) = 2.5.

Planteando L(λ, y, y ′ ) = y

p 55 1 + y ′2 − λ y 2 − , π

el problema es equivalente, por los Multiplicadores de Lagrange a Z

0

10

L(λ, y, y ′ )dx → min .

Este problema es de tipo variacional. Aplicando las ecuaciones de EulerLagrange se convierte en el problema diferencial siguiente

d dx

∂ ∂y ′

p 55 2 ′2 y 1 + y − λ(y − − π p ∂ 55 2 ′2 y 1 + y − λ(y − ) = 0. ∂y π

La solución de este problema ha sido efectuada utilizando el méto de shooting m´ ultiple. Como solución inicial se ha utilizado una parábola que satisfaga las condiciones de contorno y la condici´ on de vólumen. El intervalo [0, 10] ha sido subdivido en 10 subintervalos de igual longitud. Despues de 5 iteraciones se llega a una precisi´ on de 10−10 . Las iteraciones

312

VII Ecuaciones Diferenciales del método pueden apreciarse en la figura VII.1.5. 8 7 6 5 4 3 2 1 0 0 8 7 6 5 4 3 2 1 0 0 8 7 6 5 4 3 2 1 0 0

iter=0

10

iter=2

10

iter=4

10

8 7 6 5 4 3 2 1 0 0 8 7 6 5 4 3 2 1 0 0 8 7 6 5 4 3 2 1 0 0

iter=1

10

iter=3

10

iter=5

10

Figura VII.1.4. Determinaci´ on del Silo óptimo. A continuación se presenta una serie de ejercicios, cuya finalidad es recordar las nociones b´ asicas sobre las ecuaciones diferenciales.

Ejercicios 1.- Resolver:

p y ′ = −x signo(y) |x|, y ′ = exp(y) sin(x), y ′ = (x − y + 3)2 .

Dibujar los campos de vectores. 2.- Dibujar el campo de vectores de la ecuación xy ′ =

p x2 − y 2 + y.

313

VII.1 Generalidades Encontrar una fórmula explicita para las soluciones. 3.- La ecuación de un cuerpo en caida libre est´ a dada por r ′′ = −

γM , r2

r ′ (0) = v0 .

r(0) = R,

(VII.1.39)

Plantear r ′ = p(r), deducir una ecuación diferencial para p y resolverla. Encontrar una condici´ on para v0 , tal que r(t) → ∞ si t → ∞. Calcular las soluciones de (VII.1.39) que tienen la forma a(b ± x)α . 4.- Transformar la ecuación de Bernoulli y′ +

y + (1 + x)y 4 = 0, 1+x

en una ecuación lineal. Plantear y(x) = z(x)q con q conveniente. 5.- Resolver la ecuación de Riccati y ′ = y 2 + 1 − x2 .

(VII.1.40)

Dibujar el campo de vectores considerando las curvas donde y ′ = cons, las isoclinas. Deducir una solución particular φ(x) de (VII.1.40). Calcular las otras soluciones mediante la transformación z(x) = y(x) − φ(x). 6.- Encontrar la solución de ′′

′

y − 3y − 4y = g(x),

g(x) =

cos x, 0,

0 ≤ x ≤ π/2; π/2 ≤ x;

que satisface y(0) = y ′ (0) = 0. 7.- Resolver las ecuaciones lineales 3 6 ′ y = y, −2 −3

′

y =

1 4

−1 −3

.

VII.2 M´ etodo de Euler

En esta sección ser´ a estudiado el método más sencillo de resolución de ecuaciones diferenciales con valores iniciales. Se considera el problema a valor inicial o problema de Cauchy dado por ( y ′ = f (x, y), (VII.2.1) y(t0 ) = y0 , donde f : V → Rn continua, con V ⊂ R × Rn . Se desea determinar y(t0 + T ), para eso se considera la subdivisión del intervalo [t0 , t0 + T ] dada por t0 < t1 < t2 < · · · < tn = t0 + T, definiendo hi = xi+1 − xi ,

i = 0, . . . , n − 1.

(VII.2.2)

La idea fundamental del método de Euler consiste en aproximar la solución exacta en x1 , utilizando una tangente que pase por (x0 , y0 ), es decir y1 = y0 + h0 f (x0 , y0 ).

(VII.2.3)

xi+1 = xi + hi , yi+1 = yi + hi f (xi , yi ).

(VII.2.4)

De manera general

La solución numérica proporcionada por el método de Euler es, por consiguiente una función poligonal, ver figura VI.2.1, denotada por yh (x), llamada pol´ıgono de Euler; esta función esta definida por: h = (h0 , . . . , hn ), ( x ∈ [xk , xk+1 ],

yh (x) = yk + (x − xk )f (xk , yk ).

y1 y0

y2 y3

y4 y5

y6 y(x)

x1

x2 x3

x4

x5

x6

Figura VII.2.1. El Pol´ıgono de Euler

(VII.2.5)


315

Una pregunta muy natural, que uno puede plantearse, consiste en determinar bajo que condiciones el método de Euler converge hacia la solución exacta del problema diferencial de Cauchy, cuando n → ∞. Considérese el problema y ′ = f (x, y), y(x0 ) = y0 ,

(VII.2.6)

donde f : U → Rn , con U ⊂ R × Rn abierto. Se define |h| =

max

i=0,...,n−1

hi .

(VII.2.7)

Proposici´ on VII.2.1.- Sea D = {(x, y)|x ∈ [x0 , x0 + a], ky − y0 k ≤ b} ⊂ U. Supóngase que f |{D continua, A = max kf (x, y)k, α = min(a, b/A). (x,y)∈D

Entonces para cada división h del intervalo [x0 , x0 + α] se tiene: a) kyh (x) − yh (¯ x)k ≤ A kx − x ¯k; x, x ¯ ∈ [x0 , x0 + α]. b) si kf (x, y) − f (x0 , y0 )k ≤ ǫ sobre D, entonces kyh (x) − (y0 + (x − x0 )f (x0 , y0 ))k ≤ ǫ |x − x0 | . Demostraci´ on.-El punto a) es trivial, ya que es consecuencia de la definición de yh , A y la desigualdad del triángulo aplicada una cantidad finita de veces. La demostración del punto b) es la siguiente. Sea x ∈ [x0 , x0 + α], por consiguiente x ∈ [xk−1 , xk ], de donde yh (x) = yk + (x − xk−1 )f (xk−1 , yk−1 ) = y0 + h0 f (x0 , y0 ) + h1 f (x1 , y1 ) + · · · + hk−2 f (xk−2 , yk−2 ) + (x − xk−1 )f (xk−1 , yk−1 ). Ahora bien, y0 + (x − x0 )f (x0 , y0 ) = y0 + h0 f (x0 , y0 ) + . . . hk−2 f (x0 , y0 ) + (x − xk−1 )f (xk−1 , yk−1 ), obteniendo finalmente b).

Proposici´ on VII.2.2.- Sea h una división del intervalo I. Sean yh (x) el pol´ıgono de Euler para (x0 , y0 ) y zk (x) el pol´ıgono de Euler para (x0 , z0 ). Si kf (x, y) − f (x, z)k ≤ L ky − zk ,

∀(x, y), (x, z) ∈ D;

(VII.2.8)

entonces kyh (x) − zh (x)k ≤ kx0 − z0 k eL(x−x0 ) .

(VII.2.9)

316


Antes de demostrar esta proposici´ on vale la pena recalcar que si f satisface una condici´ on de Lipschitz, es decir (VII.2.8), el pol´ıgono de Euler es u ńico paa h dado. Demostraci´ on.- Se tiene: y1 = y0 + h0 f (x0 , y0 ), z1 = z0 + h0 f (x0 , z0 ), obteniendo como desigualdad ky1 − z1 k ≤ ky0 − z0 k + h0 L ky0 − z0 k ≤ (1 + h0 L) ky0 − z0 k ≤ eh0 L ,

procediendo de manera recursiva, se obtiene kyk − zk k ≤ eLhk−1 kyk−1 − zk−1 k ≤ eL(x−x0 ) ky0 − z0 k .

Teorema VII.2.3.- Cauchy. Sea D = {(x, y)|x0 ≤ x ≤ x0 + a, ky − y0 k} ⊂ U; sup´ ongase: i) f |D continua, A = max kf (x, y)k, α = min(a, b/A), (x,y)∈D

ii) kf (x, y) − f (x, z)k ≤ L ky − zk si (x, y), (x, z) ∈ D; entonces: a) Si |h| → 0, entonces los pol´ıgonos de Euler yh (x) convergen uniformemente sobre [x0 , x0 + α] hacia una función ϕ(x). b) ϕ(x) es solución de y ′ = f (x, y), y(x0 ) = y0 . c) La solución es u ńica sobre [x0 , x0 + α]. Demostraci´ on.- Inicialmente se mostrar´ a, que si hk es una sucesión de subdivisiones de [x0 , x0 + α] con |hk | → 0, entonces la sucesión de poligonos de Euler asociada, es una sucesión de Cauchy para la norma de la convergencia uniforme. Para tal efecto, se mostrar´ a que ˆ ∀ǫ > 0∃δ > 0 tal que |h| < δ, h <δ

=⇒ ∀x ∈ [x0 , x0 + α] se tiene yh (x) − yhˆ (x) < ǫ.

ˆ una división más fina que h. donde h es una división con |h| < δ y h


317

Sea ǫ > 0 dado, entonces existe δ > 0 tal que si |x − x ¯| ≤ δ y ky − y¯k ≤ Aδ implica que kf (x, y) − f (¯ x, y¯)k ≤ ǫ. Esto es cierto por que f es uniformemente continua sobre D. Por la proposici´ on VII.2.1, se tiene kyh (x) − {y0 + (x − x0 )f (x0 , y0 )}k ≤ ǫ |x − x0 | , de donde i h

yh (x) − yˆ (x) ≤ ǫ (x1 − x0 )eL(x−x1 ) + · · · + (x − xk )eL(x−xk ) h Z x eL(x−x0 ) − 1 eL(x−s) ds = ǫ ≤ L x0 ≤ǫ

eLα − 1 , L

por consiguiente, {yh (x)} es una sucesión de Cauchy, con δ que no depende de x. Como consecuencia inmediata, se tiene que la sucesión converge hacia una funci´ on ϕ(x) que adem´ as es continua. La demostración del punto b) se basa en los siguientes hechos: yh (x0 ) = y0 implica que ϕ(x0 ) = y0 , se considera el módulo de continuidad de f , definido por ǫ(δ) = sup{kf (x, y) − f (¯ x, y¯)k | |x − x ¯| ≤ δ, ky − y¯k ≤ Aδ}, se observa inmediatamente, que ǫ(δ) → 0 si δ → 0. Utilizando la proposici´ on VII.2.2, se obtiene kyh (x + δ) − yh (x) − δf (x, yh (x))k ≤ δǫ(δ), de donde, se tiene kϕ(x + δ) − ϕ(x) − δf (x, ϕ(x))k ≤ δǫ(δ), efectuando el pasaje al l´ımite, se obtiene ϕ′ (x) = f (x, ϕ(x)). La unicidad del punto c) ha sido ya demostrada en el corolario VII.1.12 Corolario VII.2.4.- f : U → Rn (U ⊂ ×Rn ) continuamente diferenciable. D = {(x, y)|x0 ≤ x ≤ x0 + α, ky − y0 k ≤ b} ⊂ U.

318


∂f

≤ L, ∂f (x, y) ≤ M . (x, y) Sobre D se tiene kf (x, y)k ≤ A,

∂x

∂y Entonces M + AL L(x−x0 ) e − 1 |h| , (VII.2.10) ky(x) − yh (x)k ≤ L donde y(x) es solución de y ′ = f (x, y), y(x0 ) = y0 .

Demostraci´ on.- Remontando la demostración del teorema precedente, se tiene eL(x−x0 ) − 1 kyh (x) − y(x)k ≤ ǫ . L Puesto que f es diferenciable, se tiene kf (x, y) − f (¯ x, y¯)k ≤ L ky − y¯k + M |x − x ¯| ≤ A |h| + |h| , de donde planteando ǫ = (LA + M ) |h| se tiene (VII.2.10).

Efectos de los Errores de Redondeo Generalmente no se puede calcular la solución exacta del esquema (VII.2.4); se calcula solamente la solución del esquema perturbado dado por ∗ yn+1 = yn∗ + hn f (tn , yn∗ ) + hn µn + ̺n

(VII.2.11)

donde µn designa el error con el cual es calculado la función f y ̺n los errores de redondeo cometidos por la computadora. Se supondr´ a que |µn | ≤ µ y |̺n | ≤ ̺. Con la hipótesis suplementaria que f es continuamente diferenciable, como en en el corolario VII.2.4, se tiene planteando en = yn∗ − yn y sustrayendo (VII.2.11) con (VII.2.4), e∗n+1 = e∗n + hn [f (tn , yn∗ ) − f (tn , yn )] + hn µn + ̺n .

(VII.2.12)

Puesto que f es diferenciable, se obtiene de (VII.2.12) el siguiente esquema e∗n+1 = e∗n + hn [

∂f 2 (tn , yn )e∗n ] + hn µn + ̺n + O(ke∗n k ). ∂y

(VII.2.13)

2

Planteando zn = hn e∗n , despreciando O(ke∗n k ) y suponiendo que hn = h constante, se obtiene el siguiente esquema para zn , con zn+1 = zn + h[

∂f (tn , yn )zn ] + h(hµn + ̺n ), ∂y

(VII.2.14)


319

de donde zn es la solución numérica exacta obtenida a partir del método de Euler de la ecuación z ′ (t) = [

∂f (t, y(t))]z(t) + (hµ(t) + ̺(t)). ∂y

(VII.2.15)

En lugar de estudiar la solución numérica de (VII.2.15), se estudiar´ a la solución de este problema cuando h tiende a 0. Qualquier solución de la ecuación diferencial (VII.2.15) no puede ser identicamente nula por la existencia del término no homogeneo no nulo, para h suficientemente peque˜ no este término no homogeneo es no nulo. Sea C = max kz(t)k cuando h = 0, por otro lado denotando zh (t) la solución de (VII.2.15) para un h fijo, se tiene que zh (t) converge uniformente hacia z0 (t) cuando h tiende a 0. Por lo tanto, existe un intervalo cerrado J ⊂ [t0 , t0 + T ] y h0 para los cuales kzh (t)k ≥

C 2

∀t ∈ J, ∀h ≤ h0 .

Puesto que e∗n ≈ z(tn )/h, se tiene que lim e∗n = ∞.

h→0

Error

Acaba de observarse que cuando la longitud de paso hn tiende a 0, el error debido al redondeo toma un lugar preponderante, distorsionando completamente cualquier resultado numérico. En la figura VII.2.2 puede verse un comportamiento aproximado del error de redondeo en función de h.

h

Figura VII.2.2. Error de Redondeo en el Método de Euler. La pregunta natural que surge es: ¿C´ ual es el h m´ınimo que se puede tomar sin que el error de redondeo sea preponderante? La respuesta a esta

320


pregunta tiene dos fuentes, la primera que radica en la pr´ actica numérica, y la segunda en un análisis sobre el origen de los otros errores que ocurren durante la implementación del método. Ambos estudios llegan a la conclusi´ on de √ hmin ≥ C eps, (VII.2.16) donde eps es la precisi´ on de la computadora. Las mayoraciones que se acaban de dar son por lo general demasiado pesimistas, por ser rigurosos matemáticamente, uno se situa en la situación más desfavorable posible. Por otro lado si se toma h muy peque˜ no, inferior a eps, el algoritmo se mantiene estacionario.

Estabilidad del M´ etodo de Euler En la anterior subsecci´ on se pudo observar la incidencia directa del error de redondeo. En esta parte se analizar´ a la propagación del error de redondeo en la solución numérica. Considérese el problema siguiente y ′ = λy,

y(0) = y0 .

(VII.2.17)

El método de Euler con paso constante, da el siguiente esquema yn+1 = yn + hλyn ,

(VII.2.18)

sup´ ongase que en lugar de y0 , se introduce una aproximación y¯0 , planteando en = y¯n − yn donde y¯n es la solución numérica de la ecución (VII.2.17) con valor inicial y¯0 . Los en verifican la siguiente relación: en+1 = en + hλen ,

e0 = (¯ y0 − y0 ),

de donde en = (λh + 1)n e0 .

(VII.2.19)

Por consiguiente, el esquema (VII.2.17) ser´ a estable siempre y cuando lim en = 0,

n→∞

situación que sucede cuando |λh + 1| < 1. Por consiguiente, para obtener un método estable es necesario que hmax =

2 . |λ|

(VII.2.20)

Por lo expuesto en la anterior subsecci´ on y en ésta, se tiene necesariamente que la longitud de paso est´ a acotada inferiormente e superiormente. La cota inferior impide que el error de redondeo distorsione completamente


321

la solución numérica del problema, mientras que la cota superior en los problemas lineales impide que el método diverga. La idea de estabilidad puede generalizarse a problemas diferenciales lineales de mayor dimensión. Por ejemplo, considérese el problema y ′ = Ay,

y(0) = y0 .

Con el procedimiento utilizado anterioremente e introduciendo normas en los lugares apropiados es facil mostrar que el método de Euler es estable si ρ(A + I)h < 1,

(VII.2.21)

donde ρ(A + I) es el radio espectral de la matriz A + I. Planteando z = λh, se tiene estabilidad en el método, si y solamente si |z + 1| < 1. De donde, se tiene definida una región de estabilidad, dada en la figura VII.2.3, la parte achurada del c´ırculo corresponde a la región donde el método es estable.

i

1

−1

−i

Figura VII.2.3. Región de Estabilidad del Método de Euler El siguiente ejemplo ilustra, que el método de Euler no es un método muy apropiado para resolver ciertos problemas diferenciales a valor inicial. Considérese, el problema y ′ (x) = −100y(x) + cos x, y(0) = 0.

(VII.2.22)

La solución de este problema, est´ a dada por y(x) =

1 100 cos x + sin x + Ce−100x , 10001 10001

con C una constante determinada por la condici´ on inicial. Puede observarse que para x = π, se tiene y(π) ≈ −

100 ≈ −0, 01. 10001

(VII.2.23)

322


Aplicando el método de Euler con paso constante se tiene: π → yh (π) = −9.999 × 10−3 , 165 π → yh (π) = −60.101. h2 = 155 h1 =

No obstante que h2 − h1 ≈ 1.2 × 10−3 , la diferencia de los resultados es abismal. La explicación de este fen´ omeno de inestabilidad ha sido explicado más arriba. El problema dado por (VII.2.22) est´ a dentro una categor´ıa de problemas diferenciales conocidos con el nombre de ecuaciones diferenciales rigidas, ver Hairer & Wanner. Para evitar aberraciones en los resultados numéricos en la resolución numérica de esta clase de problemas, el método de Euler puede modificarse, obteniendo as´ı el:

M´ etodo de Euler Impl´ıcito En lugar de utilizar el esquema dado por (VII.2.4); el método de Euler impl´ıcito, est´ a dado por el esquema yk+1 = yk + hk f (xk+1 , yk+1 ).

(VII.2.24)

Puede observarse inmediatamente, que para determinar yk+1 se debe resolver una ecuación, que en lo general no es lineal. Comparando con la versión expl´ıcita del método de Euler, ésto constituye una dificultad adicional, pues para evaluar yk+1 debe utilizarse un método de resolución de ecuaciones, como ser el método de Newton. Puede mostrarse, ver Hairer & Wanner, que si hk es lo suficientemente peque˜ no, la convergencia del método de Newton, o de otro método de resolución est´ a asegurada. Se ha expuesto la desventaja principal del método de Euler impl´ıcito, respecto al método de Euler expl´ıcito. A continuación se expondr´ a la principal motivación de utilizar la versión impl´ıcita en determinadas situaciones. La principal desventaja del método de Euler expl´ıcito en radica en la falta de estabilidad cuando h no es los suficientemente peque˜ no, ver el ejemplo en el cual para 2 pasos muy proximos, las soluciones numericas del problema (VII.2.22) difieren de manera significativa. El análisis de estabilidad del método de Euler impl´ıcito es muy similar a la del método de Euler expl´ıcito, en efecto considerando el problema (VII.2.18), se tiene que el método impl´ıcito satisface la siguiente relación recursiva para el error en+1 = en + λhen+1 ,

(VII.2.25)

de donde, se obtiene de manera expl´ıcita en+1 =

1 en , 1 − λh

(VII.2.26)


323

teniendo de esta manera estabilidad en la propagación de los errores de redondeo, si y solamente si |1 − λh| > 1.

(VII.2.27)

|z − 1| > 1,

(VII.2.28)

′

Para los problemas de la forma y = Ay, (VII.2.27) y remplazando z = λh, se obtiene el dominio de estabilidad dado por el cual est´ a dado en la figura VII.2.3.

1

Figura VII.2.3. Región de Estabilidad del Método de Euler Impl´ıcito.

Ejercicios 1.- Aplicar el método de Euler al problema y′ = y2 ,

y(0) = 1.

Evaluar y(1/4). Utilizar pasos constantes, (por ejemplo h=1/6). Estimar el error con el corolario VII.2.4. Comparar esta estimación con el error exacto. 2.- Demostrar el resultado siguiente: Si el problema y ′ = f (x, y), n

y(x0 ) = y0 , n

con f : U → R continua, U ⊂ ×R abierto y (x0 , y0 ) ∈ U posee una y una sola solución sobre el intervalo I, entonces los pol´ıgonos de Euler yh (x) convergen uniformemente sobre I hacia esta solución. 3.- Aplicar el método de Euler al sistema y1′ = −y2 , y1 (0) = 1, y2 (0) = 0. y2′ = y1 , Utilizar pasos constantes para encontrar una aproximación de la solución en el punto x = 0.4. Estimar el error como en el ejercicio 1 y compararla con el error exacto. La solución exacta es y1 (x) = cos x, y2 (x) = − sin x.

VII.3 M´ etodos de Runge-Kutta

En la anterior sección se formuló el método de Euler en su versión expl´ıcita como en su versión impl´ıcita. Uno de los grandes problemas con el cual se debe confrontar en la utilizaci´ on de este método, consiste en la falta de precisi´ on de éste, ver el corolario VII.2.4, motivo por el cual, los pasos de integración deben ser demasiado peque˜ nos, induciendo de esta manera grandes perturbaciones debido al error de redondeo. En esta sección se pretende construir métodos cuya precisi´ on sea más elevada, permitiendo as´ı menos evaluaciones y una menor incidencia del error de redondeo en los c´ alculos. Se estudiar´ a los métodos conocidos como métodos a un paso, en contraposici´ on a los métodos multipasos que ser´ an tratados en la siguiente sección. Se pretende calcular una aproximación de la solución de y ′ = f (x, y),

y(x0 ) = y0 ,

(VII.3.1)

sobre el intervalo [x0 , xe ]. Se procede como sigue: De la misma manera que en el método de Euler, se particiona [x0 , xe ] en subintevalos x0 < x1 < · · · < xN = xe , se denota hn = xn+1 − xn y se calcula yn ≈ y(xn ) por una fórmula de la forma yn+1 = yn + hn Φ(hn , xn , yn ). (VII.3.2) Una tal fórmula se llama método a un paso, por que el c´ alculo de yn+1 utiliza los valores de hn , xn , yn de un paso solamente. Puede observarse facilmente que el método de Euler corresponde bien a esta categor´ıa de métodos a un paso. Vale la pena recalcar que los métodos de la forma (VII.3.2) no solamente son métodos a un paso, si no que también expl´ıcitos. Para saber más referirse a Hairer & Wanner. Para simplificar la notación, solamente se considerar´ a el primer paso, es decir cuando n = 0 en (VII.3.2) y escribir h en lugar de h0 . Para obtener otros métodos numéricos se integra (VII.3.1) de x0 a x0 +h. La expresi´ on que se obtiene, est´ a dada por y(x0 + h) = y0 +

Z

x0 +h

f (t, y(t))dt.

(VII.3.3)

x0

La idea central consiste en remplazar la integral de (VII.3.3) por una expresi´ on que la aproxime. Por ejemplo, si se utiliza h(f (x0 , y0 )) como aproximación se tiene el método de Euler Expl´ıcito. Por consiguiente, la idea ser´ a utilizar fórmulas de cuadratura que tienen un orden más elevado.


325

Como ejemplo de la utilizaci´ on de este ingenioso argumento, se tiene el método de Runge. Se toma la fórmula del punto medio que es una fórmula de cuadratura de orden 2. Obteniendo as´ı y(x0 + h) ≈ y0 + hf

h h x0 + , y(x0 + ) , 2 2

(VII.3.4)

obteniendo posteriormente el valor desconocido y(x0 + h/2) mediante el método de Euler. Esto da h h y1 = y0 + hf x0 + , y0 + f (x0 , y0 ) . 2 2

(VII.3.5)

La interpretación geométrica del método de Runge, ver figura VII.3.1, consiste en hacer pasar una recta tangente por el punto médio de las curvas integrales de la ecuación diferencial, obteniendo este punto medio mediante una tangente que sale de (x0 , y0 ). Ver la figura VII.3.1.

x0

x0 +h/2

x 0 +h

Figura VII.3.1 Método de Runge Kutta en 1901, generaliz´ o la idea de Runge, conduciendo a la definición siguiente de los métodos que llevan sus nombres. Definici´ on VII.3.1.- Un método de Runge-Kutta a s pisos, est´ a dada por: k1 = f (x0 , y0 ), k2 = f (x0 + c2 h, y0 + ha21 k1 ), k3 = f (x0 + c3 h, y0 + h(a31 k1 + a32 k2 )), .. . ks = f (x0 + cs h, y0 + h(as1 k1 + · · · + as,s−1 ks−1 )); y1 = y0 + h(b1 k1 + · · · + bs ks );

(VII.3.6)

326


donde los ci , aij , bj son coeficientes. El método se representa por el esquema c1 = 0 c2

a21

c3 .. .

a31 .. .

a32 .. .

..

cs

as1

as2

· · · as,s−1

b1

b2

···

(VII.3.7)

.

bs−1

bs

Los métodos de Euler, como también los métodos de Runge y Heun est´ an dados en la tabla III.3.1 Tabla III.3.1. Primeros métodos de Runge-Kutta 0 0 0

1/2 1

1/2 0

Euler

1/3

1/3

2/3

0

2/3

1/4

0

1

Runge

3/4

Heun

Por razones de cuadratura, se supondr´ a siempre que los ci satisfacen siempre c1 = 0,

ci =

i−1 X

aij , i = 2, . . . , s.

(VII.3.8)

j=1

La definición de orden de cuadratura para las fórmulas de cuadratura, puede extenderse a los métodos de Runge-Kutta de la siguiente manera. Definici´ on VII.3.2.- Se dice que el método de Runge-Kutta dado por (VII.3.6) tiene el orden p si, para cada problema y ′ = f (x, y), y(x0 ) = y0 con f suficientemente derivable, el error después de un paso satisface y1 − y(x0 + h) = O(hp+1 ),

cuando h → 0.

(VII.3.9)

La diferencia (VII.3.9) se llama error local del método. El método de Euler es un método de orden 1, por que y(x0 + h) = y0 + hy ′ (x0 ) + O(h2 ) = y0 + hf (x0 , y0 ) + O(h2 ) = y1 + O(h2 ).


327

El método de Runge est´ a basado sobre la fórmula del punto medio que es una fórmula de cuadratura de orden 2: y(x0 + h) = y0 + hf (x0 + h/2, y(x0 + h/2)) + O(h3 ). Remplazando y(x0 + h/2) por el valor y0 + (h/2)f (x0 , y0 ) del método de Euler, se agrega un término de tama˜ no O(h3 ). Entonces, este método tiene orden p = 2. El método de Heun, ver tabla VII.3.1, se obtiene a partir de la fórmula de cuadratura h 2h 2h y(x0 + h) = y0 + f (x0 , y0 ) + 3f x0 + , y(x0 + ) + O(h4 ), 4 3 3 si se remplaza y(x0 + 2h/3) por la aproximación del método de Runge. De donde el método de Heun tiene el orden p = 3. Utilizando la suposici´ on (VII.3,8) que es una condici´ on simplificadora, se tiene la siguiente proposici´ on. Proposici´ on VII.3.3.- La condici´ on (VII.3.8) implica que es suficiente considerar problemas autónomos de la forma y ′ = f (y) para verificar la condici´ on de orden. Demostraci´ on.- Se supone que (VII.3.9) es satisfecha para los problemas autonomos de la forma y ′ = F (y), y(x0 ) = y0 . Considérese un problema de la forma y ′ = f (x, y), y(x0 ) = y0 , el cual es equivalente al problema y˙ = f (x, y), x˙ = 1, obteniendo as´ı ′

Y = F (Y ),

y(0) = y0 , x(0) = 0,

1 x , F (Y ) = Y = f (x, y), y

donde

(VII.3.10)

con valor inicial Y0 = (x0 , y0 )t . La aplicaci´ on del método de Runge-Kutta al problema (VII.3.10) da   s i−1 X X 1 x1   , Y1 = Y0 + h bi Ki = , aij Kj = Ki = F Y0 + h ki y1 i=1

j=1

lo que es equivalente a (VII.3.6), por que Y0 + h

i−1 X j=1

aij Kj =

x0 y0

+h

i−1 X j=1

aij

1 kj

=

x0P + ci h i−1 y0 + h j=1 aij kj

.

328


El siguiente paso, es de estudiar un procedimiento que permita determinar métodos de Runge-Kutta de ordenes más elevados. Un buen ejercicio ser´ a construir el método de Kutta que es de orden 4.

Construcci´ on de un m´ etodo de orden 4 La idea principal de la construcción del método de Runge, es considerar los desarrollos en serie de Taylor de la solución exacta y(x0 +h), como también de la solución numérica obtenida a partir del método, que se la denota por y1 (h). Luego comparar las series, para obtener condiciones sobre los coeficientes del método. Serie de Taylor de la soluci´ on exacta Considérese el problema de Cauchy y ′ = f (y),

y(x0 ) = y0 .

(VII.3.11)

derivando la ecuación (VII.3.11), se obtiene para la solución exacta y ′′ =fy′ y ′ = fy′ f (y) y ′′′ =fy′′ (y ′ , f (y)) + fy′ fy′ y ′ = fy′′ (f (y), f (y)) + fy′ fy′ f (y) y (4) =fy′′′ (f (y), f (y), f (y)) + 3fy′′ (fy′ f (y), f (y) + fy′ fy′′ (f (y), f (y)) + fy′ fy′ fy′ f (y), de donde la serie de Taylor de la solución exacta est´ a dada por y(x0 + h) = y0 + hf (y0 ) + + +

h2 ′ f f (y0 ) 2! y

h3 ′′ fy (f (y0 ), f (y0 )) + fy′ fy′ f (y0 ) 3! fy′′′ (f (y), f (y), f (y)) +

(VII.3.12)

3fy′′ (fy′ f (y), f (y)

+ fy′ fy′′ (f (y), f (y)) + fy′ fy′ fy′ f (y) + O(h5 ). Serie de Taylor de la soluci´ on num´ erica Para calcular la serie de Taylor de y1 , es suficiente determinar las series de los i−1 X ki = f (x0 + h aij kj ). (VII.3.13) j=1

Ahora bien, se puede considerar (VII.3.13) como una ecuaci´ on a punto fijo, pudiendo as´ı aproximar los ki por el método de las aproximaciones sucesivas. Comenzando la primera aproximación de ki , se tiene ki = f (y0 ) + O(h),


329

utilizando (VII.3.8), se obtiene ki = f (y0 ) + ci hfy f (y0 ) + O(h2 ). La segunda iteración da como resultado X aij cj fy f (y0 ) + O(h3 )) ki = f (y0 + hci f (y0 ) + h2 j

= f (y0 ) + ci hfy f (y0 ) + h2

X

aij cj fy fy f (y0 ) +

j

3

+ O(h ).

h2 2 ′′ c f (f (y0 ), f (y0 )) 2 i y

Efectuando todav´ıa una vez más una iteración, e introduciendo los valores obtenidos en la definición (VII.3.5) de yi , se obtiene ! ! X X h2 bi ci (f ′ f )0 (VII.3.14) 2 bi f0 + y1 = y0 + h 2 i i     ! X h3  X 2 bi aij cj  (f ′ f ′ f )0  bi ci (f ′′ (f, f ))0 + 6 3 + 3! ij i    ! X h4  X 3 + bi ci aij cj  (f ′′ (f ′ f ′ f ))0 bi ci (f ′′′ (f, f, f ))0 + 8 4! ij i    X bi aij ajk ck  (f ′ f ′ f ′ f )0  + O(h5 ), + 24 ijk

donde el sub´ındice 0 indica que las evaluaciones deben ser hechas en el punto y0 . Comparando los coeficientes de (VII.3.12) y (VII.3.14), se encuentran las condiciones que deben satisfacer los coeficientes ci , bi y aij para contar con un método de orden 4. Estas condiciones se las enuncia en el:

Teorema VII.3.4.- Condiciones de Orden. El método de Runge-Kutta (VII.3.6) tiene el orden 4 si los coeficientes satisfacen (VII.3.8) y X bi = 1, (VII.3.15a) i

X

bi ci =

1 , 2

(VII.3.15b)

bi c2i =

1 , 3

(VII.3.15c)

i

X i

330

VII Ecuaciones Diferenciales X

1 , 6

(VII.3.15d)

bi c3i =

1 , 4

(VII.3.15e)

bi ci aij cj =

1 , 8

(VII.3.15f )

bi aij c2j =

1 , 12

(VII.3.15g)

bi aij ajk bk =

1 . 24

(VII.3.15h)

bi aij =

ij

X

X i

ij

X ij

X ijk

Es necesario remarcar que si el método satisface solamente (VII.3.15a), (VII.3.15a,b) o (VII.3.15,a,b,c) tiene el orden 1, 2 o 3 respectivamente. El siguiente paso es la resolución del sistema (VII.3.15), para s = 4. Este sistema consiste de 8 ecuaciones no lineales para 10 paramétros bi , aij ; los ci est´ an determinados por la condici´ on (VII.3.8). Las condiciones (VII.3.15a,b,c,e) traducen el hecho que (bi , ci ) es una fórmula de cuadratura de orden 4. Por consiguiente los bi pueden ser determinados si los ci son conocidos. En particular, se obtiene b3 c3 (c3 − c2 )(c4 − c3 ) = −

c2 c4 c2 + c3 1 + − . 2 3 4

(VII.3.16)

Por otro lado (VII.3.15g)−c2 ·(VII.3.15d) da b4 a43 c3 (c3 − c2 ) =

1 c2 − , 12 6

(VII.3.17)

1 c4 − . 6 8

(VII.3.18)

y c4 ·(VII.3.15d)−(VII.3.15f) implica que b3 (c4 − c3 )a3 2c2 =

Si se multiplica (VII.3.17) con (VII.3.18), luego (VII.3.16) con (VII.3.15h), se obtiene para la misma expresi´ on, las dos fórmulas: 1 c4 c2 1 b4 a43 a32 c2 · b3 c3 (c3 − c2 )(c4 − c3 ) = , − − 12 6 6 8 −c2 c4 c2 + c3 1 b4 a43 a32 c2 · b3 c3 (c3 − c2 )(c4 − c3 ) = /24, + − 2 3 4 lo que es equivalente a c2 (1 − c4 ) = 0.


331

Puesto que c2 6= 0, consecuencia de la condici´ on (VII.3.15h), se tiene necesariamente que c4 = 1. La solución general del sistema (VII.3.16), se la obtiene de la manera siguiente. M´ etodo de Resoluci´ on.- Plantear c1 = 0, c4 = 1; c2 y c3 son paramétros libres; calcular b1 , b2 , b3 , b4 tales que la fórmula de cuadratura sea de orden 4; calcular a32 utilizando (VII.3.18), a43 utilizando (VII.3.19) y a42 proviene de (V II.3.15d); finalmente calcular a21 , a31 , a41 de (VII.3.8) para i = 2, 3, 4. Entre los métodos de orden 4, los más conocidos est´ an dados en la tabla VII.3.2. Tabla VII.3.2. Métodos de Kutta 0

0 1/2

1/2

1/2

0

1/2

1

0

0

1

1/6 2/6 2/6 1/6 Método de Runge-Kutta

1/3

1/3

2/3

−1/3

1

1

1/8

1 −1

1

3/8 3/8 1/8

Regla 3/8

M´ etodos Encajonados Para resolver un problema realista, un c´ alculo a paso constante es en general ineficiente. Existen diversas causas para esta ineficiencia: la primera es que se debe conocer a priori una estimación del error local cometido, lo cual es complicado en general ocasionando una perdida de generalidad en los programas a implementarse. La otra raz´ on fundamental que existen intervalos donde los pasos de integración pueden ser de longitud mayor. El principal problema reside en como escoger los pasos de integración. La idea que puede resolver satisfactoriamente estos problemas consiste en escoger pasos de integración de manera que el error local sea en todo caso inferior o igual a T ol dado por el utilizador. Motivo por el cual es necesario conocer una estimación del error local. Inspirados en el programa GAUINT descrito en VI.3, se construye un método de Runge-Kutta con yˆ1 como aproximación numérica, y se utiliza la diferencia yˆ1 − y1 como estimación del error local del método menos preciso. Se da un método de orden p a s pisos, con coeficientes ci , aij , bj . Se busca un método de orden pˆ < p que utiliza las mismas evaluaciones de f , es decir yˆ1 = y0 + h(ˆb1 k1 + · · · + ˆbs ks ),

(VII.3.19)

332


donde los ki est´ an dados por (VII.3.3). Para tener más libertad, se agrega a menudo un termino que contenga f (x1 , y1 ) a la fórmula (VII.3.19), de todas maneras se debe calcular f (x1 , y1 ) para el paso siguiente, determinando as´ı yˆ1 , como yˆ1 = y0 + h(ˆb1 k1 + · · · + ˆbs ks + ˆbs+1 f (x1 , y1 )).

(VII.3.20)

Un tal método encajonado puede ser representado en forma de un esquema, ver la tabla VII.3.3. Tabla VII.3.3. Métodos encajonados c1 = 0 c2

a21

c3 .. .

a31 .. .

a32 .. .

..

cs

as1

as2

· · · as,s−1

(1)

b1 ˆb1

b2 ˆb2

···

.

···

bs−1 ˆbs−1

bs ˆbs

(ˆbs+1 )

El siguiente paso es la determinaci´ on del h optimal. Si se aplica el método con un valor h, la estimación del error satisface ˆ ˆ y1 − yˆ1 = (y1 − y(x0 + h)) + (y(x0 + h) − yˆ1 ) = O(hp+1 ) + O(hp+1 ) ≈ Chp+1 . (VII.3.21) El h optimal, denotado por hopt , es áquel donde esta estimación es pr´ oxima de T ol, es decir ˆ T ol ≈ Chp+1 (VII.3.22) opt .

Eliminando C de las dos u ´ltimas fórmulas, se obtiene s T ol p+1 ˆ hopt = 0.9 · h · . ky1 − yˆ1 k

(VII.3.23)

El factor 0.9 se lo agrega para volver el programa más seguro. Algoritmo para la selecci´ on autom´ atica de paso. Al iniciar los c´ alculos, el utilizador provee una subrutina que calcule el valor de f (x, y), los valores iniciales x0 , y0 y una primera elección de h. A) Con h, calcular y1 , err = ky1 − yˆ1 k y hopt dado por (VII.3.23). B) Si err ≤ T ol, el paso es aceptado, entonces x0 := x0 + h,

y0 := y1 ,

h := min(hopt , xend − x0 );


333

si no el paso es rechazado h := hopt . C) Si x0 = xend se ha terminado, si no se recomienza por (A) y se calcula el paso siguiente. La pr´ actica numérica muestra que es aconsejable remplazar (VII.3.23) por ˆ . hopt = h · min 5, max(0.2, 0.9(T ol/err)1/p+1 Para la norma dada en la relación (VII.3.23), se utiliza en general v u n u 1 X yi1 − yî1 2 ky1 − yˆ1 k = t , donde sci = 1 + max(|yi0 | , |yi1 |). n i=1 sci

(VII.3.24) En la literatura especializada, estos métodos encajonados con control de paso automático, se los denota por RKpˆp donde RK son las iniciales de Runge-Kutta y p, pˆ son los ordenes de los métodos encajonados. En la actualidad la utilizaci´ on de tales métodos es muy com´ un. En la tabla VII.3.4 se da el esquema del método de Dormand-Prince RK54 ; este método es analizado minuciosamente en Hairer & Wanner. Tabla VII.3.4. Método Dormand-Prince 5(4) 0 1 5

1 5

3 10

3 40

4 5

44 45

8 9

19372 6561

1

9017 3187

1

9 40 56 15

32 9

25360 2187

64448 6561

355 33

46732 5247

49 176

−

35 384

0

500 1113

125 192

−

2187 6784

11 84

y1

35 384

0

500 1113

125 192

−

2187 6784

11 84

0

yˆ1

5179 57600

0

7571 16695

393 640

92097 339200

187 2100

1 40

− −

−

−

212 729

−

5103 18656

334


En el ejemplo siguiente se detallar´ a la construcción de un método encajonado con selección de paso automático. Por razones de simplicidad, se considerar´ a un método RK32 . Ejemplo T´ omese un método de orden p = 3 a s = 3 pisos, que en este caso ser´ a el método de Heun, ver tabla VII.1.1 y se buscará un método encajonado de orden pˆ = 2 de la forma (VII.3.20), es decir se aumenta s de 1, agregando un (s + 1)-emo piso con los coeficientes as+1,i , para i = 1, . . . , s. De esta manera se obtiene el siguiente sistema de ecuaciones para los coeficientes ˆbi , el cual est´ a dado por: ˆb1 + ˆb2 + ˆb3 + ˆb4 = 1 1ˆ 2 1 b2 + ˆb3 + ˆb4 = . 3 3 2 Puedo observarse que para que el método encajonado tenga un orden igual a 2, se requieren 2 condiciones, quedando as´ı dos grados de libertad. Al igual que en el método de Heun, puede plantearse ˆb2 = 0, ˆb4 puede escogerse libremente, por ejemplo ˆb4 = 1/2 de donde por la segunda ecuación se deduce facilmente que ˆb3 = 0 y por la primera ecuación ˆb1 = 1/2. Por lo tanto se obtiene el esquema dado en la tabla VII.3.5.

Tabla VII.3.5. Ejemplo de Método Encajonado 0 1/3

1/3

2/3

0

2/3

1

1/4

0

3/4

1/2

0

0

1/2

Soluciones Continuas Uno de los incovenientes mayores de los métodos formulados en esta sección consiste en el hecho que estos dan las soluciones en un conjunto discreto de puntos. Una primera alternativa es unir estas soluciones con pol´ıgonos, si los puntos donde el método ha dado las soluciones. El resultado no es satisfactorio desde varios puntos de vista. Si el método es de orden elevado la interpolaci´ on lineal, vista en el Cap´ıtulo III, tiene como efecto la perdida de precisi´ on. Desde el punto de vista gráfico las soluciones dejan de ser


335

lisas. Debido a estas dos razones expuestas es necesario complementar estos métodos con alternativas que permitan dar soluciones densas. Existen varias alternativas validas que permiten subsanar esta falencia de los métodos de Runge-Kutta. La primera consiste en la construcción de los métodos de Runge-Kutta Continuos. Para tal efecto, se considera un método de Runge-Kutta dado de antemano. Se desea evaluar utilizando este esquema en el punto x∗ = x0 + θh con 0 < θ ≤ 1. Los coeficientes de este método se los denota por ci (θ), aij (θ), bj (θ). Ahora bien, el método ser´ a interesante desde el punto de vista numérico, si los coeficientes ci (θ), aij (θ) no dependen de θ coincidiendo de esta manera con los del método dado de antemano. Sin embargo no es nada raro que el método obtenido a partir de los bi (θ) tenga un orden inferior. Esto se debe a que los aij , ci ya est´ an prescritos. Para ilustrar esta construcción considérese el ejemplo siguiente. Ejemplo Se considera nuevamente el método de Heun dado en la tabla VII.3.1. Utilizando el teorema VII.3.4, remplazando y(x0 + h) por y(x0 + θh) se obtienen las siguientes condiciones de orden para los coeficientes bi (θ): b1 + b2 + b3 = θ, 1 b2 + 3 1 b2 + 9

2 θ2 b3 = , 3 2 4 θ3 b3 = , 9 3 θ3 4 b3 = . 9 6

Como puede observarse es imposible que los coeficientes bi puedan satisfacer las condiciones para obtener un método de orden 3, por lo tanto, uno debe contentarse con obtener un método de orden 2 para θ diferente de 1 y para θ = 1 un método de orden 3. Tomando las dos primeras ecuaciones y planteando b2 = 0, como en el método de Heun, 3 3 se tiene para b3 = θ 2 y para b1 = θ(θ − θ). obteniendo as´ı, el esquema 4 4 dado en la tabla VII.5.6.

Tabla VII.5.6. Ejemplo de Método Continuo. 0 1/3

1/3

2/3

0

2/3 3

θ(θ − 4 θ)

0

3 2

4θ

336


La segunda estrategia para construir soluciones continuas, consiste en utilizar la interpolaci´ on de Hermite con polinomios c´ ubicos, tomando como extremidades y0 , y1 y como derivadas f (x0 , y0 ) y f (x1 , y1 ). Es facil ver, que a diferencia de la primera alternativa es necesario evaluar y1 . Viendo el cap´ıtulo III, la interpolaci´ on de Hermite tiene un error del orden O(h4 ), equivalente a un método de tercen orden.

Convergencia de los M´ etodos de Runge-Kutta En las subsecciones precedentes, se ha hecho un análisis del error local, intimamente ligado al orden del método. Pero no se ha analizado que sucede con el error global de la solución numérica. Para analizar este tipo de error es necesario introducir alguna notación adicional. Considérese un método a un paso yn=1 = yn + hn Φ(xn , yn , hn ),

(VII.3.25)

aplicado a una ecuación diferencial y ′ = f (x, y), con valor inicial y(x0 ) = y0 . Es natural plantearse sobre la magnitud del tama˜ no del error global y(xn ) − yn . A continuación se enunciar´ a un teorema general sobre esta clase de error. Teorema VII.3.5.- Sea y(x) la solución de y ′ = f (x, y), y(x0 ) = y0 sobre el intervalo [x0 , xe ]. Supóngase que: a) el error local satisface para x ∈ [x0 , xe ] y h ≤ hmax ky(x + h) − y(x) − hΦ(x, y(x), h)k ≤ C · hp+1 ,

(VII.3.26)

b) la función Φ(x, y, z) satisface una condici´ on de Lipschitz kΦ(x, y, h) − Φ(x, z, h)k ≤ Λ ky − zk ,

(VII.3.27)

para h ≤ hmax y (x, y), (x, z) en un vecindario de la solución. Entonces , el error global admite para xn ≤ xe la estimación C Λ(xn −x0 ) ky(xn ) − yn k ≤ hp e −1 , (VII.3.28) Λ

donde h = max hi , bajo la condici´ on que h sea lo suficientemente pequ˜ no. i

Demostraci´ on.- La idea central de la demostración es estudiar la influencia del error local, cometido en el paso i-esimo a la propagación de yn . Enseguida, adicionar los errores acumulados. Ver figura VII.3.2. Sean {yn } y {zn } dos soluciones numéricas obtenidas por (VII.3.25) con valores iniciales y0 y z0 respectivamente. Utilizando la condici´ on de Lipschitz dada por (VII.3.27), su diferencia puede ser estimada como kyn+1 − zn+1 k ≤ kyn − zn k + hn Λ kyn − zn k

= (1 + Λhn ) kyn − zn k ≤ ehn Λ kyn − zn k .(VII.3.29)


337

Recursivamente, se obtiene kyn − zn k ≤ ehn−1 Λ ehn−2 Λ · · · ehi Λ kyi − zi k . y el error propagado Ei , ver figura VII.3.2, satisface Λ(xn −xi ) kEi k ≤ eΛ(xn −xi ) kei k ≤ Chp+1 , i−1 e

y0

y(xn ) En E n−1

e n−1

e1 e

(VII.3.30)

2

E1 y

x0

x1

x2 x 3

xn

Figura VII.3.2. Estimación del error global. La desigualdad del triángulo, as´ı como (VII.3.30) da, ver la figura VII.3.3, para la estimación de la suma ky(xn ) − yn k ≤

n X i=1

kEi k ≤

n X

Λ(xn −xi ) hp+1 i−1 e

i=1

≤ Chp h0 eΛ(xn −x1 ) + · · · + hn−2 eΛ(xn −xn−1 ) + hn−1 Z xn Chp Λ(xn −x0 ) p eΛ(xn −t) dt = ≤ Ch e −1 . Λ x0

e

Λ( x n −x)

x x0

x1

x2

x n−1

xn

Figura VII.3.3. Estimación de la suma de Riemann.

338


Solo queda justificar la implicación de (VII.3.25) en (VII.3.27), ya que la estimación (VII.3.25) es valida solamente en un vecindario U = {(x, y)| ky − y(x)k ≤ b} de la solución exacta. Si se supone que h es lo suficientemente peque˜ no, más precisamente, si h es tal que Chp Λ(xe −x0 ) e − 1 ≤ b, Λ se estar´ a seguro que todas las soluciones numéricas de la figura VII.3.2 se quedar´ an en U.

Supóngase que (VII.3.25) representa un método de Runge-Kutta, se verificar´ a las hipótesis del teorema precedente. La condici´ on (VII.3.26) es satisfecha para un método de orden p. Solo queda por verificar la condici´ on de Lipschitz (VII.3.27), para la función Φ(x, y, h) =

s X

bi ki (y),

(VII.3.31)

i=1

donde



ki (y) = f x + ci h, y + h

i−1 X j=1



aij kj (y) .

(VII.3.32)

Proposici´ on VII.3.6.- Si f (x, y) satisface una condici´ on de Lipschitz kf (x, y) − f (x, z)k ≤ L ky − zk en un vecindario de la solución de y ′ = f (x, y), la expresi´ on Φ(x, y, h) de (VII.3.31) verifica la condici´ on (VII.3.27) con   X X X |bi aij | + (hmax L)2 |bi aij ajk | + · · · . |bi | + (hmax L Λ = L i

ij

ijk

(VII.3.33)

Demostraci´ on.- La condici´ on de Lipschitz para f (x, y) aplicado a (VII.3.32) da kk1 (y) − k1 (z)k = kf (x, y) − f (x, z)k ≤ L ky − zk kk2 (y) − k2 (z)k ≤ L ky − z + ha21 (k1 (y) − k1 (z))k ≤ L(1 + hmax L |a21 |) ky − zk , etc. Las estimaciones (VII.3.34) introducidas en kΦ(x, y, h) − Φ(x, z, h)k ≤

s X i=1

|bi | kki (y) − ki (z)k ,

(VII.3.34)


339

implican (VII.3.27) con Λ dado por (VII.3.33).

Experiencias Num´ ericas En esta subsecci´ on se mostrar´ a varios ejemplos donde los métodos de RungeKutta act´ uan. Se comparará varios métodos. 1.- Se considera la ecuación diferencial, con valor inicial, y ′ = −y + sin x,

y(0) = 1;

(VII.3.35)

la solución de este problema, est´ a dada por y(x) =

1 3 −x 1 e − cos x + sin x. 2 2 2

(VII.3.36)

En la figura VII.3.4, se muestra las gráficas de diferentes métodos de Runge-Kutta. El intervalo de integración es [0, 10]. Puede comprobarse, que al igual que en los métodos de integración, existe una relación lineal entre − log10 (Error Global) y el n´ umero de evaluaciones de la función, fe. Esta relación lineal tiene una pendiente 1/p, donde p es el orden del método. 106

fe

105

104

103

102

101

100 0 10

err glob 10−1

10−2

10−3

10−4

10−5

10−6

10−7

10−8

10−9

10−10

Metodo de Euler Metodo de Runge Metodo de Heun Metodo de Kutta Metodo 3/8

Figura VII.3.4. Relación del error global vs fe.

340


2.- En esta experiencia numérica, se implementa un método encajonado, para este efecto, se toma el método dado en uno de los ejemplos precedentes. La ecuación diferencial sobre la cual es examinada tal método, es una ecuación diferencial de una reacción qu´ımica, conocida como Brusselator. Por consiguiente, se debe resolver: y1′ = 1 + y12 y2 − 4y1 , y2′

= 3y1 −

y1 (0) = 1.5, y2 (0)3,

y12 y2 ,

(VII.3.37)

sobre el intervalo [0, 10]. Los resultados obtenidos con T ol = 10−5 son presentados en la figura VII.3.5. En la gráfica superior, las dos componentes de la solución utilizando la solución continua del método de Heun, ver métodos continuos. En la gráfica del medio, la longitud de los pasos, los pasos aceptados est´ an ligados, mientras que los pasos rechazados indicados por ×. En la gráfica inferior, la estimación del error local, como también los valores exactos del error local y global. 6

y2

5 4 3 2

y1

1

100

0

5

10

10−1

10−2 0 10−3

5

Error global

10

10

−4

10−5 10−6 10−7 10−8

Error local exacto

Error local estimado

Figura VII.3.5. Experiencia numérica de un método encajonado.


341

Ejercicios 1.- Aplicar el método de Runge al sistema y1′ = −y2 , y2′ = y1 ,

y1 (0) = 1, y2 (0) = 0,

con h = 1/5. Comparar el trabajo necesario y la precisi´ on del resultado con el método de Euler. 2.- Considérese un método de Runge-Kutta a s pisos y de orden p. Mostrar que s X 1 bi cq−1 = para q = 1, . . . , p. i q i=1

es decir, la fórmula de cuadratura asociada tiene al menos el orden p. 3.- Aplicar un método de Runge-Kutta de orden p = s, s es el n´ umero de pisos, al problema y ′ = λy, donde λ es una constante compleja. Mostrar que la solución numérica est´ a dada por   s j X z  y0 , z = λh. y1 =  j! j=0 4.- Construir todos los métodos de Runge-Kutta de orden 3 con s = 3 pisos. 5.- Considérese el problema y′ =

λ y + g(x), x

y(0) = 0

con g(x) suficientemente derivable y λ ≤ 0. Mostrar que este problema admite una y una sola solución. Las derivadas de la solución en el punto x = 0 son −1 λ (j) y (0) = 1 − g (j−1) (0). j 6.- Aplicar un método de Runge-Kutta al problema del ejercicio anterior, −1 utilizar la definición f (x, y) = 1 − jλ g(0), para x = 0. a) Mostrar que el error del primer paso satisface

y(h) − y1 = C2 h2 g ′ (0) + O(h3 ) donde C2 depende solamente de los coeficientes del método. c) Calcular C2 para uno de los métodos de Kutta.

VII.4 M´ etodos Multipasos

Los métodos a un paso calculan un valor aproximado yn+1 , en el instante tn+1 , utilizando u ńicamente el valor aproximado yn . La utilizaci´ on de varios valores aproximados yn , yn−1 , . . ., permite obtener a precisi´ on igual métodos de costo menos elevado; estos métodos son com´ unmente llamados multipasos, más precisamente cuando los c´ alculos utilizan r valores precedentes: yn , yn−1 , . . . , yn−r+1 , es decir concernientes los r pasos: hn , hn−1 , . . . , hn−r+1 , se habla de métodos a r pasos. Entre estos métodos, los métodos de Adams son aquéllos que parecen ser a la hora actual los más eficaces cuando el problema diferencial es bien condicionado, ser´ an estudiados en esta subsecci´ on. Los algoritmos modernos utilizan estos métodos con un n´ umero variable de pasos y un tama˜ no de paso variables. La variaci´ on del n´ umero de pasos y la longitud de los pasos permite adaptar el método a la regularidad de la solución, permite también de levantar las dificultades de arranque que presentan los métodos a n´ umero de pasos fijo.

M´ etodos de Adams Expl´ıcitos Sea una división x0 < x1 < · · · < xn = xe del intervalo sobre el cual se busca resolver la ecuación diferencial y ′ = f (x, y) y sup´ ongase que se conoce aproximaciones yn , yn−1 , . . . , yn−k−1 de la solución para k pasos consecutivos (yi ≈ y(xj )). De la misma forma que para la derivación de los métodos de Runge-Kutta, se integra la ecuación diferencial, para obtener Z xn+1 f (t, y(t))dt. (VII.4.1) y(xn+1 ) = y(xn ) + xn

Pero en lugar de aplicar una fórmula de cuadratura stándard a la integral (VII.4.1), se remplaza f (t, y(t)) por el polinomiio de grado k−1, que satisfaga p(xj ) = fj ,

para j = n, n − 1, . . . , n − k + 1;

donde fj = f (xj , yj ). Ver la figura VII.4.1. f n−k+1

x n−k+1

f n−1

x n−1

fn

xn

p(t)

x n+1

Figura VII.4.1. Método de Adams.

(VII.4.2)


343

Por consiguiente, la aproximación de y(xn+1 ) est´ a definida por yn+1 = yn +

Z

xn+1

p(t)dt.

(VII.4.3)

xn

Si se representa el polinomio p(t) por la fórmula de Newton, ver el teorema III.1.9, p(t) =

k−1 X j=0

!

j−1 Y i=0

(t − xn−i ) f [xn , xn−1 , . . . , xn−j ],

(VII.4.4)

el método (VII.4.3) se convierte en yn+1 = yn +

k−1 X j=0

Z

!

xn+1 j−1 Y

xn

i=0

(t − xn−i ) f [xn , xn−1 , . . . , xn−j ]. (VII.4.5)

El caso más simple de estas fórmulas de Adams expl´ıcitas consiste cuando la división es equidistante. En esta situación se tiene xj = x0 + jh, las diferencias divididas pueden ser expresadas bajo la forma f [xn , xn−1 , . . . , xn−j ] =

∇j fn , j!hh

(VII.4.6)

donde ∇0 fn = fn , ∇fn = fn − fn−1 , ∇2 fn = ∇(∇fn ), . . . son las diferencias finitas regresivas. La fórmula (VII.4.5), planteando t = xn + sh, se convierte en yn+1 = yn + h

k−1 X j=0

donde 1 γj = j!

Z

0

1 j−1 Y

(i + s)ds =

Z

γj ∇j fn ,

1

0

i=0

s+j−1 j

(VII.4.7)

ds.

Los primeros coeficientes γj est´ an dados en la tabla VII.4.1. Tabla VII.4.1. Coeficientes para los métodos de Adams Expl´ıcitos. j 0 1 γj 1

2

3

4

5

6

7

8

1 5 3 251 95 19087 5257 1070017 2 12 8 720 288 60480 17280 3628800

344

VII Ecuaciones Diferenciales Casos particulares de los métodos de Adams expl´ıcitos son: k = 1 : yn+1 = yn + hfn , (método de Euler); 2 1 k = 2 : yn+1 = yn + h fn − fn−1 ; 3 2 16 5 23 k = 3 : yn+1 = yn + h fn − fn−1 + fn−2 ; 12 12 12 59 37 9 55 k = 4 : yn+1 = yn + h fn − fn−1 + fn−2 − fn−3 . 24 24 24 24

Si se quiere aplicar este método, por ejemplo para k=4, a la resolución de y ′ = f (x, y), y(x0 ) = y0 , es necesario conocer y0 , y1 , y2 y y3 . Después se puede utilizar la fórmula de recurrencia para determinar y4 , y5 , . . .. Al fórmular Adams sus métodos, el utilizaba la serie de Taylor de la solución en el punto inicial, sin embargo es más c´ omodo empezar con un método a un paso del tipo de Runge-Kutta y luego utilizar el método multipaso correspondiente. En la construcción del método de Adams expl´ıcito dado por (VII.4.5), se ha utilizado el polinomio de interpolaci´ on p(t) fuera del intervalo [xn−k+1 , xn ]. Esta situación puede provocar grandes errores, ver nuevamente III.1. Por lo tanto, este inconveniente puede modificarse considerando los:

M´ etodos de Adams Impl´ıcitos La idea central de estos métodos consiste en considerar el polinomio p∗ (t) de grado k, que satisface p∗ (t) = fj

j = n + 1, n, n − 1, . . . , n − k + 1.

para,

(VII.4.9)

A diferencia de la versión expl´ıcita fn+1 = f (xn+1 , yn+1 ) es todav´ıa desconocido. El siguiente paso es definir la aproximación numérica por Z xn+1 p∗ (t)dt. (VII.4.10) yn+1 = yn + xn

De la misma manera que en el caso expl´ıcito, la fórmula de Newton da ! j−1 k Y X ∗ (t − xn−i+1 )dt f [xn+1 , xn , . . . , xn−j+1 ], (VII.4.11) p (t) = j=0

i=0

de donde el método est´ a dado por yn+1 = yn +

Z k X j=0

xn+1 j−1 Y

xn

i=0

!

(t − xn−i+1 ) f [xn+1 , xn , . . . , xn−j+1 ]. (VII.4.12)


345

El caso más simple de estas fórmulas de Adams impl´ıcitas consiste cuando la división es equidistante, el método est´ a dado por yn+1 = yn + h

k X

γj∗ ∇j fn+1 ,

Z

j=0

(VII.4.13)

donde 1 j!

γj∗ =

Z

0

1 j−1 Y i=0

(i + s − 1)ds =

0

1

s+j−2 j

ds.

(VII.4.14)

an dados en la tabla VII.4.2. Los primeros coeficientes γj∗ est´ Tabla VII.4.2. Coeficientes para los métodos de Adams Impl´ıcitos. j

0

1

γj∗ 1 −

2

3

4

5

6

7

8

1 1 1 19 3 863 375 33953 − − − − − − − 2 12 24 720 160 60480 24192 3628800

Casos particulares de los métodos de Adams impl´ıcitos son: k = 0 : yn+1 = yn + hfn+1 = yn + hf (xn+1 , yn+1 ); 1 1 k = 1 : yn+1 = yn + h fn+1 + fn ; 2 2 8 1 5 k = 2 : yn+1 = yn + h fn+1 + fn − fn−1 ; 12 12 12 19 5 1 9 k = 2 : yn+1 = yn + h fn+1 + fn − fn−1 + fn−2 . 24 24 24 24 Cada una de estas fórmulas representa una ecuación no lineal para yn+1 , que es de la forma yn+1 = ηn + hβf (xn+1 , yn+1 ). (VII.4.15) que puede ser resuelta por el método de Newton o simplemente por el método iterativo simple.

M´ etodos Predictor-Corrector Los métodos de Adams impl´ıcitos tienen la gran ventaja sobre la versión expl´ıcita, por que las soluciones provistas son más realistas. Sin embargo la gran dificultad de estos métodos es la resolución de (VII.4.15). En algunos casos particulares, como en el caso de los sistemas lineales, esta resolución

346


podr´ a hacerse directamente, pero en el caso general la utilizaci´ on de un método iterativo para resolver el sistema no lineal es necesaria. Por otro lado, es necesario recalcar que yn+1 es una aproximación de la solución exacta, motivo por el cual es natural pensar que un c´ alculo muy preciso de yn+1 tal vez no sea necesario. Es por eso, que una mejora de esta situación puede darse de la manera siguiente. Primero calcular una primera aproximación por un método expl´ıcito, luego corregir este valor, una o varias veces, utilizando la fórmula (VII.4.15). Con este algoritmo, un paso de este método toma la forma siguiente: Pk−1 P: se calcula el predictor yˆn+1 = yˆn + h j=0 γj ∇j fn por el método de Adams expl´ıcito; yˆn+1 es ya una aproximación de y(xn+1 ). E: evaluaci´ on de la función: se calcula fˆn+1 = f (xn+1 , yˆn+1 ). C: la aproximación corregida est´ a dada por yn+1 = ηn + hβ fˆn+1 . E: calcular fn+1 = f (xn+1 , yn+1 ). Este procedimiento, que se lo denota PECE, es el más utilizado. Otras posibilidades son: efectuar varias iteraciones, por ejemplo PECECE, o de omitir la u ´ltima evaluaci´ on de f , es decir PEC, y de tomar fˆn+1 en el lugar de fn+1 para el paso siguiente.

Metodos BDF Se ha visto que los métodos de Adams, tanto en su versión expl´ıcita, como en su versión impl´ıcita consideran polinomios de interpolaci´ on que pasan por los fj . Esta manera de abordar el problema de la aproximación de las soluciones de un problema diferencial es eficaz cuando el problema diferencial es bien condicionado, pero éstos pueden volverse muy costosos desde el punto de vista computacional para los problemas diferenciales r´ıgidos. Por consiguiente, puede ser interesante de utilizar el método de las diferencias retr´ ogradas que ser´ a descrito en esta subseccion. La idea central de los métodos BDF consiste en considerar el polinomio q(t) de grado k, ver figura VII.4.2, definido por q(xj ) = yj ,

para

j = n + 1, n, . . . , n − k + 1;

(VII.4.16)

y se determina yn+1 , de manera que q ′ (xn+1 ) = f (xn+1 , q(xn+1 )).

(VII.4.17)

Como en la fórmula (VII.4.11), la fórmula de Newton da q(t) =

k X j=0

j−1 Y i=0

!

(t − xn−i+1 ) y[xn+1 , xn , . . . , xn−j+1 ].

(VII.4.18)


347

Cada término de esta suma contiene el factor (t − xn+1 ), de donde es muy facil calcular q ′ (xn+1 ), obteniendo as´ı k X j=0

!

j−1 Y i=1

(xn+1 − xn−i+1 ) y[xn+1 , xn , . . . , xn−j+1 ] = f (xn+1 , yn+1 ). (VII.4.19) yn+1

yn−k+1

x n−k+1

q(t)

yn yn−1

xn

x n−1

x n+1

Figura VII.4.2. Método de tipo BDF Para el caso equidistante, (VII.4.19) utilizando (VII.4.6) se convierte en k X 1 j=1

j

∇j yn+1 = hfn+1 .

(VII.4.20)

Obteniendo de esta manera, los siguientes casos particulares: k = 1 : yn+1 − yn = hfn+1 ; 3 1 k=2: yn+1 − 2yn + yn−1 = hfn+1 ; 2 2 11 3 1 k=3: yn+1 − 3yn + yn−1 − yn−2 = hfn+1 ; 6 2 3 4 1 25 yn+1 − 4yn + 3yn−1 − yn−2 + yn−3 = hfn+1 . k=4: 12 3 4 De nuevo, cada fórmula define impl´ıcitamente la aproximación numérica yn+1 .

Estudio del Error Local Al igual de los métodos a un paso, como los métodos de Runge-Kutta, existe la noci´ on de orden para los métodos multipasos, el cual est´ a ´ıntimamente ligado al estudio del error local.

348

VII Ecuaciones Diferenciales Los métodos multipasos pueden expresarse bajo la forma siguiente k X

αi yn+i = h

k X

βi fn+i ,

(VII.4.21)

i=0

i=0

donde αk 6= 0 y |α0 | + |β0 | > 0. El método es expl´ıcito si βk = 0, si no el método es impl´ıcito. Definici´ on VII.4.1.- Sea y(x) una solución de y ′ = f (x, y(x)) y sea yn+k el valor obtenido por el método (VII.4.21) utilizando yi = y(xi ) para i = n, . . . , n + k − 1, ver figurar VII.4.3. Entonces error local = y(xn+k ) − yn+k .

(VII.4.22)

Se dice que el método (VII.4.21) tiene el orden p si el error local es O(hp+1 ). yn+k−1

y(x)

y n+1 yn

xn

yn+k

x n+k−1

xn+1

x n+k

Figura VII.4.3. Definición del error local. Para estudiar el error local de un método multipaso, se utiliza el operador L definido por: L(y, x, h) =

k X i=0

(αi y(x + ih) − hβi y ′ (x + ih)) .

(VII.4.23)

Como yi = y(xi ), para i = n, . . . , n + k − 1 en la definición dada más arriba, se tiene que fi = f (xi , y(xi )) = y ′ (xi ) para i = n, . . . , n + k − 1 y la fórmula (VII.4.21) puede ser expresada bajo la forma k X i=0

αi y(xn + ih) + αk (yn+k − y(xn+k )) =h

k X

βi y ′ (xn + ih)

i=0

+ hβ(fn+k − f (xn+k , y(xn+k ))),

lo que es equivalente a ∂f L(y, xn , h) = αk I − hβk (. . .) (y(xn+k ) − yn+k ), ∂y

(VII.4.24)


349

el argumento de ∂f /∂y puede ser diferente para cada linea de esta matriz, ver el teorema del valor medio o incrementos finitos. La fórmula muestra que el error local del método (VII.4.21) es O(hp+1 ) si y solamente si L(y, x, h) = O(hp+1 ) para toda función y(x) que es suficientemente derivable. Teorema VII.4.2.- Un método multipaso tiene el orden p, si y solamente si sus coeficientes satisfacen k X

k X

αi = 0 y

i=0

αi iq = q

i=0

k X

βiq−1 para q = 1, . . . , p.

(VII.4.25)

i=0

Demostraci´ on.- En la fórmula (VII.4.23), se desarrolla las expresiones y(x + ih) y y ′ (x + ih) en serie de Taylor y obteniendo L(y, x, h) =

k X

αi

i=0

X

y (q) (x)

g≥0

= y(x)

k X i=0

αi

!

k X X (ih)q (ih)r βi y (r+1) (x) −h q! r! i=0 r≥0

+

X g≥1

y

(q)

hq (x) q!

k X i=0

q

αi i − q

k X i=0

La condici´ on L(y, x, h) = O(hp+1 ) da la condici´ on (VII.4.25).

q−1

βi

!

.

Ejemplo Considérese el método de Adams expl´ıcito a k pasos. Para q ≤ k, se considera la ecuación diferencial y ′ = qxq−1 cuya solución es y(x) = xq . En esta situación, el polinomio p(t) de (VII.4.2) es igual a f (t, y(t)) y el método de Adams expl´ıcito da el resultado exacto. Por consiguiente, se tiene L(y, x, h) = 0, ver la fórmula (VII.4.24) lo que implica k X i=0

αi (x + ih)q − qβi (x + ih)q−1 h = 0

y por lo tanto (VII.4.25), planteando x = 0. Entonces, el orden de este método es ≥ k. Se puede mostrar que efectivamente el orden es igual a k. De la misma manera, se muestra que el método de Adams impl´ıcito tiene el orden p = k + 1 y el método BDF el orden p = k.

Estabilidad A simple vista la relación (VII.4.25) permite formular métodos multipaso con un n´ umero dado de pasos con un orden optimal. Sin embargo la experiencia

350


numérica mostró que los resultados obtenidos no siempre eran válidos. Es por eso necesario introducir una nueva noción en el estudio de estos métodos. Esta noción est´ a intimamente ligada a la estabilidad del método. Para comprender mejor el problema que se plantea con los métodos multipaso, es necesario referirse al siguiente ejemplo enunciado por Dahlquist en 1956. Se plantea k = 2 y se construye un método explicito, β2 = 0, α2 = 1 con un orden maximal. Utilizando las condiciones dadas por (VII.4.25) con p = 3, se llega al siguiente esquema: yn+2 + 4yn+1 − 5yn = h(4fn+1 + 2fn ).

(VII.4.26)

yn+2 + 4(1 − h)yn+1 + (5 + 2h)yn = 0.

(VII.4.27)

′

Una aplicaci´ on a la ecuación diferencial y = y con y(0) = 1 da la fórmula de recurrencia Para resolver la ecuación precedente, se calcula el polinomio caracter´ıstico de ésta, obteniendo ζ 2 + 4(1 − h)ζ − (5 + 2h) = 0,

(VII.4.28)

ecuación de segundo grado cuyas soluciones son ζ1 = 1 + h + O(h2 ),

La solución de (VII.4.27) tiene la forma

ζ2 = −5 + O(h).

yn = C1 ζ1n + C2 ζ2n

(VII.4.29)

donde las constantes C1 y C2 est´ an determinadas por y0 = 1 y y1 = eh . Para n n grande, el término C2 ζ2 ≈ C2 (−5)n es dominante y ser´ a muy dificil que la solución numérica converga hacia la solución exacta. Ver figura VII.4.4.

3.0

h=0.01

h=0.05

2.0

1.0 .0

h=0.025 .5

h=0.1 1.0

Figura VII.4.4. Inestabilidad del método VII.4.26.


351

La raz´ on de la divergencia de la solución numérica en el ejemplo precedente, es que el polinomio k X αi ζ i , (VII.4.30) ̺(ζ) = i=0

tiene una raiz que es más grande que 1 en valor absoluto. Para encontrar una condici´ on necesaria para la convergencia, se considerar´ a el problema y ′ = 0 con valores iniciales y0 , y1 , . . . , yk−1 perturbados. La solución numérica yn satisface: αk yn+k + · · · + α0 yn = 0,

(VII.4.31)

y est´ a dada por una combinación lineal de: ζ n . . . . . . . . . . . . . . . . . . . . si ζ es una raiz simple de ̺(ζ) = 0, ζ n , nζ n . . . . . . . . . . . . . . . si ζ es una raiz doble de ̺(ζ) = 0, ζ n , nζ n , . . . , nl ζ l . . . . . . si ζ es una raiz de multiplicidad l. Para que la solución numérica quede acotada, es necesario que las condiciones de la definición siguiente sean satisfechas. Definici´ on VII.4.3.- Un método multipaso es estable, si las raices del polinomio ̺(ζ) satisfacen ˆ = 0 entonces ζˆ ≤ 1, i) si ̺(ζ) ˆ = 0 y ζˆ = 1 entonces ζˆ es una raiz simple de ̺(ζ). ii) si ̺(ζ) Se puede mostrar facilmente que los métodos de Adams tienen como polinomio caracter´ıstico ̺(ζ) = ζ k−1 (ζ − 1). Por consiguiente los métodos de Adams son estables para la definición que acaba de ser enunciada. Por otro lado se muestra igualmente que los métodos BDF son estables solamente para k ≤ 6. Existe un resultado muy importante en la teor´ıa de la estabilidad de los métodos multipaso, cuya demostración escapa a los objetivos del libro. Este resultado es conocido como la primera barrera de Dahlsquist. Teorema VII.4.4.- Primera barrera de Dahlsquist. Para un método multipaso estable, el orden k satisface p ≤ k + 2 si k es par, p ≤ k + 1 si k es impar y p ≤ k si el método es expl´ıcito.

Convergencia de los M´ etodos Multipaso Debido a la complejidad de la demostración, en esta subsecci´ on se tratará, solamente el caso equidistante.

352


Teorema VII.4.5.- Supóngase que los k valores de partida satisfagan ky(xi ) − yi k ≤ C0 hp , para i = 0, 1, . . . , k − 1. Si el método multipaso (VII.4.21) es de orden p y estable, entonces el método es convergente de orden p, es decir el error global satisface ky(xn ) − yn k ≤ Chp ,

para xn − x0 = nh ≤ Const.

(VII.4.34)

Demostraci´ on.- El punto esencial de la demostración es el siguiente: Se escribe formalmente el método multipaso (VII.4.21) bajo la forma de un método a un paso. El método multipaso es de la forma, suponiendo αk = 1 yn+k = −

k−1 X

αi yn+i + hΨ(xn , yn , . . . , yn+k−1 , h).

(VII.4.35)

i=0

Para un método expl´ıcito βk = 0, Ψ est´ a dada por Ψ(xn , yn , . . . , yn+k−1 , h) =

k−1 X

βi f (xn+i , yn+i ),

i=0

y para un método general, Ψ est´ a definida impl´ıcitamente por Ψ(xn , yn , . . . , yn+k−1 , h) =

k−1 X

βi f (xn+i , yn+i )

(VII.4.36)

i=0

+ βk f

xn+k , hΨ(xn , yn , . . . , yn+k−1 , h) −

k−1 X

αi yn+i

i=0

Luego se considera los supervectores Yn = (yn+k−1 , . . . , yn+1 , yn )t , pudiendo de esta manera escribir el método dado por (VII.4.35), bajo la forma Yn+1 = AYn + hΦ(xn , Yn , h), (VII.4.37) donde 

−αk−1 1 −αk−2 1  0 1   A = 1  

· · · −α1 1 ··· 0 .. . .. .. . .

1

   −α0 1 Ψ(x, Y, h)  0    0    .  0 O , Φ(x, Y, h) =  .  ..    .. . 0 0 (VII.4.37)

!

.


353

El siguiente paso en la demostración es introducir el error local. Se considera los valores yn , . . . , yn+k−1 sobre la solución exacta, denotando Y (xn ) = (y(xn+k−1 , . . . , y(xn+1 ), y(xn ))t ,

(VII.4.38)

y aplicando una vez el método multipaso. Esto da Yˆn+1 = AY (xn ) + hΦ(xn , Y (xn ), h). La primera componente de Yˆn+1 − Y (xn+1 ) es exactamente el error local dado por (VII.4.22), mientras que las otras componentes son iguales a cero. Como el método es de orden p, por hipótesis, se tiene

ˆ

Yn+1 − Y (xn+1 ) ≤ C1 hp+1 ,

xn+1 − x0 = (n + 1)h ≤ Const. (VII.4.39) A continuación se debe analizar la propagación del error, es decir introducir la estabilidad del método. Considérese una segunda solución numérica, definida por Zn+1 = AZn + hΦ(xn , Zn , h) para

y estimar la diferencia Yn+1 − Zn+1 . Como ilustraci´ on del siguiente paso en la demostración se considerar´ a solamente los métodos de Adams, pues el caso general requiere de la utilizaci´ on de otra norma, cuyo estudio escapa el alcanze de este libro. Por consiguiente yn+k − zn+k   yn+k−1 − zn+k−1  ..   yn+k−1 − zn+k−1   .  =  .     .. yn+1 − zn+1 yn − zn yn+1 − zn+1   Ψ(xn , Yn , h) − Ψ(xn , Zn , h)   0 . +h  ..   . 

0

Utilizando la norma infinita y condici´ on de Lipschitz para Ψ que es consecuencia de la de f (x, y), se obtiene kYn+1 − Zn+1 k ≤ (1 + hΛ) kYn − Zn k .

(VII.4.40)

Ahora se ver´ a la acumulación de los errores propagados. Esta parte de la demostración es exactamente igual que para los métodos a un paso, ver el

354


paragrafo VII.3 y la figura VII.4.5.

y0

y(xn ) En E n−1

e n−1

e1 e

2

E1 y

x0

x1

x2 x 3

xn

Figura VII.3.2. Estimación del error global para métodos multipaso.

Ejercicios 1.- Para los coeficientes del método de Adams expl´ıcito, demostrar la fórmula de recurrencia siguiente: 1 1 1 γm + γm−1 + γm−2 + · · · + γ0 = 1. 2 3 m+1 Indicaci´ on.-Introducir la serie G(t) =

∞ X

γj tj ,

γj = (−1)j

Z

0

j=0

1

−s j

ds

y demostrar que G(t) =

Z

0

1

(1 − t)−s ds

y

−

log(1 − t) 1 G(t) = , t 1−t

enseguida, desarrollar la segunda fórmula en serie de Taylor y comparar los coeficients de tm . 2.- Considérese la identidad y(xn+1 ) = y(xn−1 +

Z

xn+1

f (t, y(t))dt

xn−1

para la solución de la ecuación diferencial y ′ = f (x, y).


355

a) Remplazar en la identidad la función desconocida f (t, y(t)) por el polinomio p(t), como se ha hecho para construir el método de Adams expl´ıcito. Deducir la fórmula de Nyströn yn+1 = yn−1 + h

k−1 X j=0

κj ∇j fn .

b) Calcular los primeros κj . c) Verificar la identidad κj = 2γj − γj−1 , donde γj son los coeficientes del método de Adams expl´ıcito. 3.- Mostrar que el método BDF a k pasos tiene orden k. 4.- Calcular el orden para la fórmula de Nyströn, ver ejercicio 2. 5.- Un método multipaso se dice simétrico, si αj = −αk−j ,

βj = βk−j .

Mostrar que un método simétrico siempre tiene un orden par. 6.- Dado un predictor de orden p − 1 k X

αiP yn+1 = h

k−1 X

βiP fn+1 ,

(P )

βi fn+1 .

(C)

i=0

i=0

y un corrector de orden p k X i=0

αi yn+1 = h

k X i=0

a) Escribir el método P (EC)M E bajo la forma Yn+1 = AYn + hΦ(xn , Yn , h). b) Mostrar que este método es convergente de orden p, si el corrector es estable, no es necesario que el predictor sea estable.

Bibliograf´ıa

Al final de cada libro o art´ıculo, se indica entre corchetes y car´ acteres itálicos el cap´ıtulo y/o sección al que hace referencia. J.H Ahlberg, E.N. Nilson & J.L. Walsh (1967): The Theory of Splines and Their Applications. Academic Press, New York. [III.2] G. Arfken (1985): Mathematical Methods for Physicists. Academic Press, London. [I.3], [VI.2]. V.I. Arnol’d (1992): Ordinary Differential Equations. Springer-Textbook. [VII.1]. K.E. Atkinson (1978): An Introduction to Numerical Analysis. John Wiley & Sons. [I], [III], [VI]. O.A Axelsson (1976): A class of iterative methods for finite element equations. Comp. Math. in Appl. Mech. and Eng. 9. [II.4]. N. Bakhbalov (1976): Méthodes Numériques. Editions Mir, Moscou. [I], [III], [VI]. C. de Boor (1978): A Practical Guide to Splines. Springer-Verlag, Berlin. [III.2]. C. Brézinski (1977): Accélération de la Convergence en Analyse Numérique. Lectures Notes in Mathematics, Nr. 584, Springer-Verlag. [III.3], [VI.3]. J.C Butcher (1987): The Numerical Analysis of Ordinary Differential Equations. John Wiley & Sons. [VII]. H. Cartan (1977): Cours de Calcul Différentiel. Hermann, Paris. [IV.2], [IV.3]. P.G Ciarlet (1982): Introduction a ` l’analyse numérique matricielle et a ` l’optimisation. Mason, Paris. [II]. M. Crouzeix & A.L. Mignot (1984): Analyse Numérique des Equations Differentielles. Mason, Paris. [III], [VI] , [VII]. G. Dahlquist & A. Bj¨ orck (1974): Numerical Methods. Prentice-Hall. [I], [III], [VI]. R. Dautray & J.L. Lions (1988): Mathematical Analysis and Numerical Methods for Science and Technology, volume 2, Functional and Variational Methods. Springer-Verlag. [VI.4]. P.J. Davis & P. Rabinowitz (1975): Methods of Numerical Integration. Academic Press, New York. [VI].

358

Bibliograf´ıa

J. Dieudonné (1980): Calcul Infinétisimal. Hermann, Paris. [IV.1], [IV.2], [VI.4]. J.J. Dongarra, C.B. Moler, J.R. Bunch & G.W. Stewart (1979): LINPACK Users’ Guide. SIAM, Philadelphia. [II]. A. Gramain (1988): Integration. Hermann, Paris. [VI.1], [VI.4]. R.P. Grimaldi (1989): Discrete and Combinatorial Mathematics. Addison-Wesley Publishing Company. [II.3]. E. Hairer, S.P. Nørsett & G. Wanner (1987): Solving Ordinary Differential Equations I. Nonstiff Problems. Springer Series in Comput. Math., vol. 8. it [VII]. E. Hairer & G. Wanner. Solving Ordinary Differential Equations. Stiff Problems. Springer Series in Comput. Math., vol. 11. [VII]. P. Henrici (1962): Discrete Variable Methods in Ordinary Differential Equations. John Wiley & Sons. [VII]. R.A. Horn & C.R. Johnson (1985): Matrix Analysis. Cambridge University Press. [II.1], [V.1]. G.H Golub & C.F. Van Loan (1989): Matrix Computations. The Johns Hopkins University Press, Baltimore and London. [II]. K.L. Kantorovitch & G. Akilov (1981): Analyse Fonctionnelle, Volume2. Editions Mir, Moscou. [IV.2], [IV.3] V.I. Krylov (1962): Approximate calculation of integrals. Macmillan, New Yor. [VI]. S. Lang (1987): Linear Algebra. Springer-Verlag. [II], [V]. M. Marden (1966): Geometry of Polinomials. American Mathematical Society, Providence, Rhede Island, 2nd Edition. [IV.1] J.M. Ortega & W.C. Rheinboldt (1970): Iterative Solution of Nonlinear Equations in Several Variables. Academic Press, New York. [IV]. A.M. Ostrowski (1966): Solution of Equations and Systems of Equations. Academic Press, New York, 2nd edition. [IV]. B.N. Parlett (1980): The Simmetric Eigenvalue Problem. Prentice-Hall, Englewood Cliffs, New Jersey. [V]. ¨ R. Piessens, E. de Doncker-Kapenga, C.W. Uberhuber & D.K. Kahaner (1983): QUAD-PACK. A Subroutine Package for Automatic Integration. Springer Series in Comput. Math., vol. 1. [VI]. W.H Press, B.R. Flannery, S.A Teukolsky & W.T Vetterling (1989): Numerical Recipies. The Art of Scientific Computing (Versión FORTRAN). Cambridge University Press, Cambridge. [VI.4]. C.R. Rao: (1973): Linear Statistical Inference and Its Applications. John Wiley & Sons. [II.5]

Bibliograf´ıa

359

W. Rudin (1976): Principles of Mathematical Analysis. MacGraw Hill, trird edition. [IV.2], [VI.1]. A.A Samarski & E.S. Nikolaev (1982): Métodos de solución de las ecuaciones reticulares, Tomo I y II. Editorial Mir, Moscou. [III.3], [III.4] B.T. Smith, J.M. Boyle, Y. Ikebe, V.C. Klema & C.B Moler (1970): Matrix Eigensystem Routines: EISPACK Guide. 2nd ed., Springer-Verlag, New York. [V] J. Stoer & R. Bulirsch (1980): Introduction to Numerical Analysis. Springer-Verlag, New York. [I], [III], [VI]. G.H. Stewart (1973): Introduction to Matrix Computations. Academic Press, New York. [II]. L. Swhwartz (1970): Analyse, Topologie génerale et analyse fonctionnelle. Hermann, Paris. [IV.2]. R.A. De Vore & G.G. Lorentz (1991): Constructive Approximation. Springer-Verlag. [III.2]. J.H. Wilkinson (1963): The Algebraic Eigenvalue Problem. Clarendon Press, Oxfordd. [V]. J.H. Wilkinson (1965): Rounding Errors in Algebraic Process. PrenticeHall, New York. [I]. J.H. Wilkinson (1969): Rundungsfehler. Springer-Verlag, Berlin. [I], [II]. J.H. Wilkinson & C. Reinsch (1971): Handbook for Automatic Computation, Volume II, Linear Algebra. Springer-Verlag, New York. [II], [V]. FORTRAN/9000 Reference (1991): Hewlett-Packard Company. [I.2].

Indice de S´ımbolos

Los s´ımbolos matemáticos que aparecen en el libro, est´ an enunciados en este glosaria de la manera siguiente. En la primera columna el s´ımbolo mismo, al medio el nombre de éste y a la derecha la pagina donde est´ a definido. P(x) arr(x) eps kk kk

problema, 2. redondeo de x, 8. precisi´ on de la computadora, 8. norma de vector, 25. norma de matriz, 26. 1 vector 1, 29. cond(A) condici´ on de la matriz A, 29. LR descomposici´ on de Gauss, 37. diag(r1 , r2 , . . . , rn ) matriz diagonal, 45. D1/2 matriz raiz cuadrada, 45. ω coeficiente de relajaci´ on, 56. ⊗ producto tensorial de matrices, 60. kxkA norma natural, 72. Q matriz ortogonal, 87. A+ pseudo inversa de una matriz, 93. y[xi0 , . . . , xik ] diferencia dividida de orden k, 107. ∇k yi diferencia finita progresiva, 109. ¯ k yi ∇ diferencia finita regresiva, 109. Tn (x) polinomio de Chebichef, 113. li (x) polinomio de Lagrange, 116. Λn constante de Lebesgue, 116. fx′ aplicaci´ on derivada, 168. ρ(A) radio espectral, 171. ker nucleo de una aplicaci´ on lineal, 214. χA (λ) polinomio caracter´ıstico, 214. A∗ matriz adjunta, 215. U matriz unitaria, 215. Pk (τ ) nucleo de Peano de orden k, 251. Pk (x) polinomio de Legendre, 262. FN transformada discreta de Fourier, 286. y∗k producto de convolución, 292.

Indice Alf´ abetico

acelerador de convergencia, 147, 276 Adams método expl´ıcito, 341 método impl´ıcito, 343 Aitken, 276 algoritmo, 2 bisección, 161, 164 Cholesky, 43 epsilon, 278 Euclides, 157 Gauss, 37 H¨ orner, 3,7 aplicaci´ on de spline, 142 aproximación de Broyden, 198 armónica, sucesión, 148 axiomas de Moore-Penrose, 96 BDF, métodos, 345 Broyden, 198 Brusselator, 339 Bulirsch, sucesión, 148 busqueda de Fibonacci, 129 de pivote parcial, 41 c´ alculo derivada, 177 c´ alculo variacional, 310 Cardano, 154 Cauchy, 297 cero localización, 155 multiplicidad, 105 Chebichef polinomio, 73, 113 puntos, 116 teorema, 74 cociente de Rayleigh, 223, 227 constante de Lebesgue, 116

condici´ on del problema a valores propios, 217 del problema lineal,30,33 de un problema, 10 de una matriz, 29,30 Lipschitz, 297,298 construcción polinomio de interpolaci´ on, 106 método de orden 4, 327 spline, 133 convergencia acelerador, 147 interpolaci´ on, 119 método de Gauss-Newton, 204 método de Gauss-Seidel, 49 método de Jacobi, 49 métodos de Runge-Kutta, 335 métodos multipaso, 350 spline, 133 costo, 3 descomposici´ on LR, 39 descomposici´ on QR, 90 transformada rápida de Fourier, 291 Cramer, regla de, 35 Dahlsquist, primera barrera, 350 descomposici´ on Cholesky, 44, 45 Jordan, 219 LR, 37, 38, 39 QR, 87 Schur, 215, 234 valores singulares, 94 diferencias divididas, 107 finitas, 109 dirección conjugada, 69, 70 Newton, 194 dispositivo ideal de c´ alculo, 2 material de c´ alculo, 8 Dormand & Prince, 332

364 ecuaciones con derivadas parciales, 59 cuadráticas, 152 c´ ubicas, 153 de grado cuarto, 154 diferenciales, 296 Euler-Lagrange, 310 no resolubles por radicales, 155 resolubles por radicales, 152 eficiencia, 3 ǫ-algoritmo, 278 error de aproximación, 5 de la aproximación spline, 136 de interpolaci´ on, 111 del método, 5 de truncación, 4 fórmula de cuadratura, 250 extrapolaci´ on, 149 método gradiente, 68 método gradiente condicionado, 72 método Gauss-Newton, 205, método Multipaso, 346 método Newton, 176 transformada discreta de Fourier, 287 errores de redondeo, 115 estabilidad algoritmo de Gauss, 41,42,43 backward analysis, 13 forward analysis, 12 método de Euler, 319 método de Euler expl´ıcito, 322 método multipaso, 348 numéricamente estable, 12 Euler efecto de los errores de redondeo, 317 estabilidad, 319 método, 313 método impl´ıcito, 321 pol´ıgono, 313 extrapolaci´ on polinomial, 145 tablero, 147 error, 149

´ betico Indice Alfa

factorizaci´ on, incompleta de Cholesky, 77 fen´ omeno de Runge, 124 FFT, 290 Fibonacci, busqueda, 129 formas tridiagonales, 227 fórmula de Cardano, 154 de Newton, 107 de Nyström, 354 de Rodr´ıguez, 262 fórmula de cuadratura, 248 error, 250 Gauss, 264–266 orden, 249 orden elevado, 259 simétrica, 249 Fourier error, 287 serie de, 284 transformada, 284 transformada discreta, 286 transformada rápida, 290 funcion integrable, 244 modelo, 83 ortogonal, 260 peso, 259 funciones con oscilaciones, 281 Galois, teorema, 155 GAUINT, 272 Gauss, algoritmo de eliminación, 36, 37 fórmulas de cuadratura, 264–266 convergencia Gauss-Newton, 204 método Gauss-Newton, 203 Gerschgorin, teorema, 156, 232 grado de aproximación, 120 grafo dirigido, 49 Hermite, 104, 138 Heun, 325


Interpolaci´ on convergencia, 119 de Lagrange, 104–108 de Hermite, 104 trigonométrica, 289 Kantorovich, ver teorema Konrad, 271 Lagrange, 104 λ-estrategia, 194 Lebesgue, 116 Levenberg-Marquandt, 210 Lipschitz, 297 mantisa, 8 matriz adjunta, 215 definida positiva, 43 Frobenius, 155, 221 Hessenberg, 227 Hilbert, 31, 87 Householder, 88, 228 irreducible, 49, 50 no-negativa, 50 normal, 216 ortogonal, 30 pseudo-inversa de una, 92 simétrica, 43 tridiagonal, 227 Toeplitz, 292 unitaria, 215 Vandermonde, 31 método, Adamas expl´ıcitos, 341 Adamas impl´ıcitos, 343 a un paso, 323 BDF, 345 de la bisección, 229 de la potencia, 223 de la potencia generalizada, 233 de la potencia inversa, 225 Dormand & Prince, 332 encajonados, 330 Euler, 313, 325 falsa posici´ on, 165 Gauss Newton, 203-205 Gauss Seidel, 48–56 Gradiente, 67 Gradiente Conjugado, 69 Gradiente Conjugado Precondicionado, 75

365 Heun, 325 iterativos, 163–172 iterativo simple, 169 Jacobi,48–56 Levenberg-Marquandt, 210 Maehly, 158 Multipaso, 341 Newton, 157, 174–199 Newton con Relajaci´ on, 193 Newton Simplificado, 184 predictor-corrector, 344 QR, 237 QR con shift, 238 Sobrerelajaci´ on SOR, 56, 58 Runge-Kutta, ver Runge-Kutta SSOR precondicionado, 78 m´ınicmos cuadrados, 83 interpretación estad´ıstica, 84 interpretación geométrica, 85 Misovski, ver teorema Newton-Misovski modificaciones de Gauss-Newton, 207 módulo de continuidad, 121 Newton dirección, 194 Kantorovich, 185 método, 157, 174–199 método con Relajaci´ on, 193 método simplificado, 184 Misovski, 179 regla de, 247 norma, absoluta, 26 ciudad-bloque, 25 de la convergencia uniforme, 25 de una matriz, 26 de un vector, 25 euclidiana, 25 Frobenius, 33 monótona, 26 natural, 72 Nucleo de Peano, 251–254 nucleo resolvente, 303 operaci´ on elemental, 2 orden fórmula de cuadratura, 249 método de Runge-Kutta, 325 construcción de un método de orden 4, 327

366


Peano, 251–254 región de estabilidad, 320 Pearson, 99 regla Perron-Frobenius, 52 del punto medio, 246 pivote, 40 del trapecio, 246 pol´ıgono de Euler, 313 de Newton, 247 polinomio de Simpson, 247 caracter´ıstico, 214 Cramer, 35 Chebichef, 73, 113, 262 resolvente, 303 Rodriguez, 262 Hermite, 104 interpolaci´ on de Hermite, 104, 138, 262 Romberg, 148 Runge-Kutta interpolaci´ on de Lagrange, 104 condiciones de orden, 327,328 Jacobi, 262 convergencia, 335 ortonormales, 260 error glogal, 335 Lagrange, 104, 105 error local, 325 Laguerre, 262 Dormand-Prince, 332 Legendre, 262, 263 esquema, 325 precisi´ on de la computadora, 8 Euler, 325 primitiva, 245 Heun, 325 problema, 2 Kutta, 330 a valor inicial, 296 métodos, 324 bien condicionado, 10 métodos encajonados, 330 con valores en la frontera, 300 orden, 325 de Cauchy, 296 regla 3/8, 330 de minimización, 66 Runge, 325 mal condicionado, 10 soluciones continuas, 333 potencia inversa de Wielandt, 225 procedimienteo ∆2 de Aitken, 276 Schur, 215,234 producto serie de Fourier, 284 de Kronecker, 65 Shooting escalar de funciones, 260 m´ ultiple, 307 sesquilineal, 284 simple, 303 tensorial de matrices, 60 soluciones continuas, 333 Property A de Young, 55 SOR, 56 punto Spline flotante, 8 aplicaci´ on,142 de Chebichef, 117 construcción, 133 punto fijo, 169 c´ ubico, 131,132 pseudo-inversa de una matriz, 92 error, 136 fijo en los bordes, 132 QUADPACK, 271 natural, 132 SSOR precondicionado, 78 Rayleigh, 223,227 radio espectral, 58 redondeado, 8


ω optimal, 58 Sturm, 159 sucesiones armónica, 148 Bulirsch, 148 Romberg, 148 Sturm, 159 Sylvester, 232 tablero de extrapolaci´ on, 147 teorema Cauchy-Lipschitz, 297, 315 Chebichef, 74 Dirichlet, 285 del Muestreo, 289 Fundamental del Algebra, 152 Galois, 155 Gerschgorin, 156, 232 Jordan, 219 Newton-Kantorovich, 185 Newton-Misovski, 179 Pearson, 99 Perron-Frobenius, 52 punto fijo, 169 Schur, 215 Sylvester, 232 Weirstrass, 124 Wilkinson, 42 Wynn, 278 transformada discreta de Fourier, 286 r´ apida de Fourier, 290 valor absoluto de un vector, 26 valor propio, 215 valores singulares, 94 Van der Pol, 305 vector propio, 215 Weirstrass, 124 Wilkinson, 42 Wynn, 278

367

368


Una Introducci´ on al An´ alisis Num´ erico es un libro que pretende dar un enfoque moderno de los tópicos introductorios de esta disciplina. Las nociones de estabilidad y error son analizadas minuciosamente en cada tema. La formulación de métodos y algoritmos es tratada de una manera construccionista, evitando de esta manera las recetas y trucos que aperecen en otros libros. El libro cuenta con siete cap´ıtulos que dan una idea de lo que constituye actualmente el An´ alisis Numérico. Estos son: Preliminares, Sistemas Lineales, Interpolaci´ on, Ecuaciones No Lineales, Cálculo de Valores Propios, Integración Numérica y Ecuaciones Diferenciales. Por sus caracter´ısticas, este libro puede utilizarse como texto base, o bien como un complemento bibliográfico. Está destinado a alumnos o profesionales interesados en el An´ alisis Numérico. Como prerequisito para una buena utilizaci´ on de este libro, se requiere tener los conocimientos b´ asicos de análisis y álgebra lineal

Una Introducción al Análisis Numérico

Recommend Documents