MATERIA:

METODOS NUMERICOS
DOCENTE:
ING. ESTEBAN SAMANIEGO
INTEGRANTES:
-MARCELO CARDENAS
-JOSUE FAJARDO
-JUAN NARVAEZ
-CRISTIAN VIZHAY
SEPTIEMBRE JUNIO
2014-2015

1. Mtodo de Horner
Propsito: Encontrar cero de funciones

Nombre funcin: n_horner(px,xo)

Sintaxis:
-Argumentos de Entrada
-px coeficientes de polinomio
-xo primera aproximacin inicial
-Argumentos de Salida
-raices
-cocientes

Descripcin del Mtodo:

Sea un polinomio:

Se toman:

Pn ( x )=a0 xn + a1 x n1 ++a n

d 0=a0
d k =a k + d k1 x 0 (k =1, , n1)
d n=P ( x 0 )

As el cociente de hacer

P ( x ) / ( xx 0 )

es:

Q ( x )=d 0 x n1 +d 1 x n1 ++ dn 1
Las ventajas del mtodo de Horner son:

Podemos expresar un polinomio en forma:

Al derivar la expresin, tenemos:

P ( x )= ( xx 0 ) Q ( x )+ d n

P ( x )=Q ( x ) + ( xx 0 ) Q ( x ) .

Es decir,

P ( x 0 ) =Q ( x0 )

La evaluacin usando la forma monomial del polinomio de grado-n requiere al

menos n sumas y (n2+n)/2 multiplicaciones, si las potencias se calculan
mediante la repeticin de multiplicaciones. El algoritmo de Horner slo
requiere n sumas y n multiplicaciones. (Minimizar el nmero de multiplicaciones
es lo ms deseable porque necesitan mucha carga computacional y son
inestables comparadas con la suma).

2
METODOS NUMERICOS

Se han demostrado que el algoritmo de Horner es ptimo, de modo que

cualquier algoritmo que se use para evaluar un polinomio requerir como
mnimo el mismo nmero de operaciones. El hecho de que el nmero de
operaciones requeridas es mnimo fue demostrado por Alexander Ostrowski en
1954, y que el nmero de multiplicaciones es mnimo por Victor Pan en 1966.
Cuando x es una matriz, el algoritmo de Horner no es ptimo.

Ejemplo

Utilice el mtodo de la Newton horner para encontrar una raz real de la

2
x 0=1
ecuacin
f(x)= x 4 x + 4 siendo

3
METODOS NUMERICOS

2. Metodo LU
Proposito: Encontrar la solucin de un sistema de ecuaciones y el
valor del Determinate

Nombre de la funcin: LU(matrizA,matrizb)

Sintaxis
-Argumentos de entrada:
-Matriz A
-Matriz B
-Argumentos de Salida
-Matriz A
-Matriz U
-Matriz L
-Determinante A
- Determinante U
- Determinante L
-Solucin del sistema

Descripcin del Mtodo.

Bsicamente la descomposicin LU consiste en descomponer la matriz en dos

matrices cuyo producto es la matriz original.
Una factorizacin LU de una matriz A es un par de matrices L(Lower) y U
(Upper) donde, U es triangular superior, L es triangular inferior y todos los
elementos diagonales de L son iguales a 1.
Si tenemos una matriz factorizada de esta manera, se puede simplificar
operaciones como la de encontrar el determinante de la matriz o resolver
sistema de ecuaciones lineales donde esta matriz es la matriz de coeficientes.
Para determinar directamente la expresin de los coeficientes de L y de U en
funcin de los de
4
METODOS NUMERICOS

A basta multiplicar dichas matrices y comparar sus coeficientes con los de A.

Operando sucesivamente de la misma forma se llega a la siguiente expresin
general para calcular los coeficientes de L y U

Resolucin de Sistemas de Ecuaciones Lineales

La resolucin del sistema de ecuaciones Ax = b corresponde a resolver los
sistemas triangulares

La ventaja fundamental de esta factorizacin aparece cuando hay que resolver

muchos sistemas lineales con la misma matriz de coeficientes A y diferentes
trminos en la matriz de trminos independientes b, en cuyo caso basta
almacenar las matrices L y U una sola vez.
Calculo del Determinante
El determinante de la matriz A podemos calcularlo mediante la multiplicacin de
los determinantes correspondientes a la factorizacin LU de esta matriz es
decir
det(A)=det(L)*det(u)
Al tratarse de matrices triangulares, se simplifica el clculo de los
determinantes, en las matrices L y U, a la multiplicacin de los elementos de
sus diagonales.

Ejemplo
Utilice el mtodo de LU para encontrar las races reales del sistema de
ecuaciones:
4x1-2x2+x3=11
5
METODOS NUMERICOS

20X1-7x2+12x3= 70
-8x1+13x2+17x3=17
De la forma Ax=b, adems encontrar el determinante de la matriz A.

6
METODOS NUMERICOS

3. Metodo Jacobi

Proposito: Encontrar la solucin de un sistema de ecuaciones

Nombre funcin: jacobi(a,b,tol,x0,nmax)

Sintaxis:
-Argumentos de Entrada:
a: matriz de coeficinetes
b: matriz de trminos independientes
tol: tolerancia
x0: valor inicial
nmax: numero de iteraciones maximo
-Argumentos de Salida
Numero de iteraciones
Solucin del sistema

Descripcion del Metodo

Un mtodo iterativo con el cual se resuelve el sistema lineal Ax = b comienza

con una aproximacin inicial x(0)a la solucin x y genera una sucesin de
vectores x(k) que converge a x. Los mtodos iterativos traen consigo un
proceso que convierte el sistema Ax = b en otro equivalente de la forma x = Tx
+ c para alguna matriz fija T y un vector c. Luego de seleccionar el vector
inicial x(0) la sucesin de los vectores de la solucin aproximada se genera
calculando:
x(k) = Tx(k-1) + c para cada k = 1,2,3,....
El mtodo se escribe en la forma x(k) = Tx(k-1) + c separando A en sus partes
diagonal D y fuera de la diagonal. Sea D la matriz diagonal cuya diagonal es la
misma que A, sea -L la parte estrictamente triangular inferior de la parte A y sea
-U la parte estrictamente triangular superior de A.

7
METODOS NUMERICOS

Con esta notacin A = D-L-U, entonces transformamos la ecuacin Ax = b, o

(D-L-U)x = b, en Dx = (L+U)x + b y, si D-1 existe, es decir, si ai,i es distinto de
cero para cada i, entonces x = D-1(L+U)x + D-1b. Esto da origen a la forma
matricial del mtodoiterativo de Jacobi: x(k) = D-1(L+U)x(k-1) + D-1b, k = 1,2,...
Al introducir la notacin Tj = D-1(L+U) y cj, esta tcnica tiene la forma x(k) =
Tx(k-1) + c
Una vista a la ecuacin: del mtodo de jacobi, sugiere algunas mejoras al
algoritmo; en el sentido de que cuando queremos calcular x(k) utilicemos las
componentes de x(k-1) y las recin calculadas de x(k) pues estas
probablemente sean una mejor aproximacin a la solucin.
As la nueva ecuacin es:
Es de mencionar el siguiente teorema: " Si A es estrictamente diagonal
dominante, entonces con cualquier eleccin de la aproximacin inicial, el
mtodo de Jacobi da una sucesin que converge a la solucin nica de Ax = b"

Ejemplo:

Utilice el mtodo de Jacobi para encontrar las races reales del sistema de
ecuaciones:
10x1+2x2+x3=7
X1+5x2+x3= -8
2x1+3x2+10x3=6
Siendo

x 1=

0,

x 2=0

x 3=0

con una tolerancia de 0.01 y un nmero

mximo de iteraciones de 100.

8
METODOS NUMERICOS

4. MTODO GAUSS SEIDEL

Proposito: Encontrar la solucin de un sistema de ecuaciones

Nombre funcin: seidel1(a,b,tol,x0,nmax)

Sintaxis
-Argumentos de Entrada:
a: matriz de coeficinetes
b: matriz de trminos independientes
tol: tolerancia
x0: valor inicial
nmax: numero de iteraciones maximo
-Argumentos de Salida
Numero de iteraciones
Solucin del sistema

Descripcin del Mtodo:

Es un mtodo iterativo, lo que significa es que para encontrar la solucin a un

sistema de ecuaciones lineales, en notacin matricial: Ax=b. se parte de una
aproximacin inicial y se repite el proceso hasta llegar a una solucin con un
margen de error tan pequeo como se desee.
La diferencia entre este mtodo y el de Jacobi es que, en este ltimo, las
mejoras a las aproximaciones no se utilizan hasta completar las iteraciones.

9
METODOS NUMERICOS

El mtodo de Gauss-Seidel converge a una solucin del sistema de ecuaciones

Ax=b, y la convergencia es por lo menos tan rpida como la convergencia del
mtodo de Jacobi.
Su pongamos ahora que i, i=1, , n, son los valores propios que
corresponden a los vectores propios ui, i=1,, n, los cuales son linealmente
independientes, entonces podemos escribir el error inicial

Por lo tanto la iteracin converge si y solo si |i|<1, para i=1,, n.

Ventajas: ms exacto y rpido, acepta las fracciones
Desventajas: muy largo y tedioso, no siempre converge a la solucin, repetitivo.

Ejemplo:

Utilice el mtodo de Gauss-Seidel para encontrar las races reales del sistema
de ecuaciones:
10x1+2x2+x3=7
X1+5x2+x3= -8
2x1+3x2+10x3=6
Siendo

x 1=

0,

x 2=0

x 3=0

con una tolerancia de 0.01 y un nmero

mximo de iteraciones de 100.

10
METODOS NUMERICOS

11
METODOS NUMERICOS