Metodos Matematicos (Teoria de Grafos)

i
Jos Antonio Lpez Ort - ISBN: 978-84-693-4783-6 Mtodos matemticos - UJI

Mtodos
matemticos
Jos Antonio Lpez Ort
DEPARTAMENTO DE MATEMTICAS
Codi dassignatura 321
ii
Edita: Publicacions de la Universitat Jaume I. Servei de Comunicaci i Publicacions
Campus del Riu Sec. Edifci Rectorat i Serveis Centrals. 12071 Castell de la Plana
http://www.tenda.uji.es e-mail: publicacions@uji.es
Collecci Sapientia, 41
Primera edici, 2010
www.sapientia.uji.es
ISBN: 978-84-693-4783-6

Aquest text est subjecte a una llicncia Reconeixement-NoComercial-Compartir Igual de
Creative Commons, que permet copiar, distribuir i comunicar pblicament lobra sempre que
especifque lautor i el nom de la publicaci i sense objectius comercials, i tamb permet crear
obres derivades, sempre que siguen distribudes amb aquesta mateixa llicncia.
http://creativecommons.org/licenses/by-nc-sa/2.5/es/deed.ca
iii
Indice General
1. Teora de grafos 1
1.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Grafos y dgrafos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1. Deniciones generales . . . . . . . . . . . . . . . . . . . . 1
1.2.2. Matriz de adyacencia y matriz de incidencia . . . . . . . . . 5
1.2.3. Operaciones con grafos . . . . . . . . . . . . . . . . . . . . 6
1.2.4. Grafos con nombre propio . . . . . . . . . . . . . . . . . . 11
1.2.5. Grafos generales . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.6. Dgrafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3. Recorridos en grafos y dgrafos. Conexi on . . . . . . . . . . . . . . 17
1.3.1. Secuencias de aristas, colas y trayectorias . . . . . . . . . . 17
1.3.2. Conexi on . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4. Grafos eulerianos y hamiltonianos . . . . . . . . . . . . . . . . . . 27
1.5.

Arboles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2. Grafos ponderados y redes 34
2.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2. Grafos ponderados . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.1. El problema del conector mnimo . . . . . . . . . . . . . . 35
2.2.2. El problema del camino m as corto . . . . . . . . . . . . . . 42
2.3. Optimizaci on en dgrafos . . . . . . . . . . . . . . . . . . . . . . . 45
2.3.1. El problema de la trayectoria crtica . . . . . . . . . . . . . 47
2.3.2. El problema del ujo m aximo en una red . . . . . . . . . . 48
3. Programaci on lineal 57
3.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3. Programaci on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3.1. Algoritmo del simplex . . . . . . . . . . . . . . . . . . . . 71
3.3.2. Algoritmo del simplex: forma abstracta . . . . . . . . . . . 74
3.3.3. Algoritmo del simplex: m etodo tabular . . . . . . . . . . . 76
4. Programaci on entera 87
4.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2. M etodo de ramicaci on . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3. M etodo del plano de corte . . . . . . . . . . . . . . . . . . . . . . 101
M etodos Matem aticos 321
2009/2010
I c UJI
iv
5. Resoluci on de ecuaciones 108
5.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2. M etodos cerrados. . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2.1. M etodo de bisecci on . . . . . . . . . . . . . . . . . . . . . 108
5.2.2. M etodo de la regula falsi . . . . . . . . . . . . . . . . . . . 110
5.3. M etodos abiertos . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.3.1. M etodo de Newton . . . . . . . . . . . . . . . . . . . . . . 113
5.3.2. M etodo de Newton modicado . . . . . . . . . . . . . . . . 114
5.3.3. M etodo de la secante . . . . . . . . . . . . . . . . . . . . . 114
5.3.4. M etodos de punto jo . . . . . . . . . . . . . . . . . . . . 115
5.4. Sistemas de ecuaciones no lineales . . . . . . . . . . . . . . . . . . 117
5.4.1. M etodo de Newton-Ralphson . . . . . . . . . . . . . . . . 117
5.4.2. M etodo de la m axima pendiente . . . . . . . . . . . . . . . 120
5.5. Ecuaciones polin omicas . . . . . . . . . . . . . . . . . . . . . . . . 122
5.5.1. Acotaci on y separaci on de races . . . . . . . . . . . . . . . 127
5.5.2. N umero de races. Separaci on . . . . . . . . . . . . . . . . 131
5.5.3. M etodo de Bairstow . . . . . . . . . . . . . . . . . . . . . 136
6. Sistemas lineales de ecuaciones 141
6.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.2. M etodos directos . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.2.1. M etodos gaussianos . . . . . . . . . . . . . . . . . . . . . 142
6.2.2. M etodo del pivote total . . . . . . . . . . . . . . . . . . . . 146
6.2.3. M etodos de descomposici on . . . . . . . . . . . . . . . . . 149
6.2.4. Sistemas Tridiagonales . . . . . . . . . . . . . . . . . . . . 151
6.3. M etodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.3.1. M etodo de Richardson . . . . . . . . . . . . . . . . . . . . 152
6.3.2. M etodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . 153
6.3.3. M etodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . 154
6.3.4. An alisis de la convergencia de los m etodos . . . . . . . . . 155
7. Aproximaci on de funciones 160
7.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
7.2. Consideraciones generales sobre la interpolaci on polin omica . . . . 161
7.3. Interpolaci on de Lagrange . . . . . . . . . . . . . . . . . . . . . . 164
7.4. Interpolaci on de Newton . . . . . . . . . . . . . . . . . . . . . . . 167
7.4.1. Interpolaci on con puntos igualmente espaciados . . . . . . . 171
7.5. Interpolaci on osculatoria. Polinomio de Hermite . . . . . . . . . . . 173
7.6. Interpolaci on segmentaria . . . . . . . . . . . . . . . . . . . . . . . 175
8. Diferenciaci on e integraci on num erica 181
8.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
8.2. Derivaci on num erica . . . . . . . . . . . . . . . . . . . . . . . . . 182
8.2.1. F ormulas mas usuales de derivaci on num erica . . . . . . . . 182
8.3. Integraci on num erica . . . . . . . . . . . . . . . . . . . . . . . . . 185
8.3.1. F ormulas de Newton-Cotes . . . . . . . . . . . . . . . . . . 186
2009/2010
II c UJI
v
8.4. F ormulas compuestas . . . . . . . . . . . . . . . . . . . . . . . . . 188
8.4.1. F ormula del trapecio compuesta . . . . . . . . . . . . . . . 188
8.4.2. F ormula del Simpson compuesta . . . . . . . . . . . . . . . 189
8.5. Cuadraturas gaussianas . . . . . . . . . . . . . . . . . . . . . . . . 190
8.5.1. Polinomios de Legendre . . . . . . . . . . . . . . . . . . . 191
8.5.2. F ormulas de cuadratura de Gauss . . . . . . . . . . . . . . 196
9. Integraci on de ecuaciones diferenciales 200
9.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
9.2. M etodos de pasos libres . . . . . . . . . . . . . . . . . . . . . . . . 201
9.2.1. M etodos de Taylor . . . . . . . . . . . . . . . . . . . . . . 201
9.2.2. M etodos de Taylor explcitos . . . . . . . . . . . . . . . . . 201
9.2.3. M etodos de Taylor implcitos . . . . . . . . . . . . . . . . 202
9.2.4. M etodos de Euler . . . . . . . . . . . . . . . . . . . . . . . 203
9.2.5. M etodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . 206
9.2.6. M etodos de pasos ligados . . . . . . . . . . . . . . . . . . 210
9.2.7. An alisis del error y de la estabilidad . . . . . . . . . . . . . 216
9.3. Integraci on de sistemas y ecuaciones de orden n . . . . . . . . . . . 219
9.4. Introducci on a los problemas de contorno para ecuaciones diferen-
ciales ordinarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Bibliografa 225
2009/2010
III c UJI
1
Tema 1
Teora de grafos
1.1. Introducci on
En este tema se aborda el estudio de la teora de grafos, as como sus principales
aplicaciones a problemas de optimizaci on. Para ello, en la primera parte del mismo,
se introducir a la denici on de grafo simple y de dgrafo; a continuaci on se intro-
ducir an estructuras de datos adecuadas para la representaci on de estos. Tambi en en
esta primera parte se introducir an los distintos tipos de recorridos en grafos, as co-
mo el concepto de conexi on; a continuaci on se introducir an los conceptos de grafos
euleriano y hamiltoniano. El ultimo t opico que se abordar a en esta primera parte lo
constituye el concepto de arbol, el cu al se denir a y caracterizar a.
La segunda parte de este primer tema se dedicar a al estudio de los grafos y
dgrafos ponderados, abord andose el estudio del problema del camino m as corto
entre dos puntos de un grafo ponderado, el problema del conector mnimo, el pro-
blema de la trayectoria crtica y el problema del ujo m aximo en una red.
1.2. Grafos y dgrafos
Antes de comenzar con las deniciones, se ha considerado importante advertir
que, en teora de grafos, desgraciadamente no existe una notaci on unicada, por
lo que a la hora de realizar un estudio comparativo de diversos textos es de suma
importancia establecer con claridad qu e deniciones y conceptos utiliza cada uno
de ellos, pues de otro modo no sera posible realizar dicho estudio comparado.
1.2.1. Deniciones generales
Denici on 1.2.1
Se dene grafo simple G como un par (V (G), E(G)) donde V (G) es un conjunto
nito no vaco, V (G) = {v
1
, v
2
, . . . , v
n
}, a cuyos elementos v
i
llamamos v ertices (o
nodos) y E(G) es un conjunto cuyos elementos son subconjuntos de dos elementos
de V (G) a los cuales llamamos aristas; as E(G) = {{u, v}; u, v V (G), u = v}.
A continuaci on se introduce una serie de conceptos muy usuales en teora de grafos:
2009/2010
1 c UJI
2
Dada una arista {u, v}, llamamos extremos de la arista a los v ertices u, v.
Diremos que una arista e incide en un v ertice v si tiene a este por extremo:
esto es e = {v, w} con w V (G).
Diremos que dos v ertices u, v de un grafo Gson adyacentes si {u, v} E(G).
Diremos que dos aristas son adyacentes si tienen un v ertice com un.
Diremos que una arista e E(G) conecta los v ertices u, v E(G) si e =
{u, v}.
Llamamos orden, grado, o valencia de un v ertice v V (G) al n umero de
aristas distintas que contienen a v.
Llamamos v ertice aislado a aqu el que tiene grado cero.
Llamamos v ertice terminal a aqu el que tiene grado uno.
En teora de grafos es frecuente utilizar la notaci on V (G) = {v
1
, . . . , v
n
} para
indicar el conjunto de v ertices de un grafo y E(G) = {{v
i
1
, v
j
1
}, . . . , {v
i
r
, v
j
s
}}
para indicar el conjunto de aristas. Tambi en es corriente representar los v ertices co-
mo V (G) = {1, 2, . . . , n}. Una caracterstica de los grafos es su representabilidad,
as se tiene:
Ejemplo 1.2.1
Sea el grafo G cuyos sus v ertices y aristas vienen dados respectivamente por:
V (G) = {1, 2, 3, 4, 5, 6}
E(G) = {{1, 2}, {2, 3}, {3, 4}, {1, 4}, {5, 6}}
1 2
3
4
5
6
La gura anterior constituye la representaci on gr aca del grafo G denido an-
teriormente.
Cuando se representan grafos debe ser tenido en cuenta que dos aristas unica-
mente pueden incidir en un v ertice, por lo que representaciones como la siguiente
no implican que las aristas se corten.
2009/2010
2 c UJI
3
Ejemplo 1.2.2
Las aristas son {1, 4} y {2, 3}.
1 2
3 4
Denici on 1.2.2
Diremos que dos grafos G
1
= (V (G
1
), E(G
1
)) y G
2
= (V (G
2
), E(G
2
)) son iso-
morfos si : V (G
1
) V (G
2
) biyectiva de modo que {v, w} E(G
1
) si y s olo
si {(v), (w)} E(G
2
).
Seg un esta denici on, podemos decir de un modo m as intuitivo que dos grafos
son isomorfos si es posible renombrar los v ertices de uno de ellos de modo que
ambos grafos resulten coincidentes.
Ejemplo 1.2.3
Sean G, G
los grafos abajo representados a izquierda y derecha respectivamente

1 2
3 4
a
b
c
d
Ambos grafos son isomorfos, pues es posible establecer entre ellos la aplicaci on
: V (G) V (G
) dada por (1) = a, (2) = d, (3) = c, (4) = b la cual es

biyectiva y cumple los requerimientos de la denici on 1.2.2.
A continuaci on se introduce el concepto de subgrafo como:
Denici on 1.2.3
Diremos que un grafo S = (V (S), E(S)) es un subgrafo de un grafo G = (V (G), E(G))
si V (S) V (G) y E(S) E(G).
Ejemplo 1.2.4
Sea G el grafo dado en el ejemplo 1.2.1, y sea S el grafo cuyos conjunto de v erti-
ces y aristas vienen dados respectivamente por V (S) = {2, 3, 4, 5, 6} y E(S) =
{{2, 3}, {5, 6}}.
El grafo S es subgrafo de G pues, por una parte, se verica que
V (S) = {2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6} = V (G)
2009/2010
3 c UJI
4
y por otra
E(G) = {{2, 3}, {5, 6}} {{1, 2}, {2, 3}, {3, 4}, {1, 4}, {5, 6}}
A continuaci on se procede a dar una primera denici on de grafo conexo, concepto

que se precisar a mejor m as adelante.
Denici on 1.2.4
Sea G un grafo; sea V (G) = {1, 2, . . . , n} su conjunto de v ertices. Diremos que
G es conexo si para todo par de v ertices i, j V (G) existe un conjunto de aristas
{e
1
, . . . , e
k
} E(G) de modo que si e
l
= {u
l
, v
l
} se satisface v
l
= u
l+1
, l =
1, . . . , k 1, u
1
= i, v
k
= j.
Ejemplo 1.2.5
Sea el grafo representado en la gura
1
2
3
4
Dicho grafo es conexo, pues para los posibles pares de v ertices se verica:
1, 2 los cuales pueden conectarse mediante {1, 2}.
2, 3 los cuales pueden conectarse mediante {2, 1}, {1, 3}.
2, 4 los cuales pueden conectarse mediante {2, 1}, {1, 4}.
Por tanto el grafo es conexo.
Como ejemplo de grafo no conexo podemos citar el que aparece en el ejemplo
1.2.1, pues en el no es posible conectar mediante aristas adyacentes los v ertices
1 y 5.
2009/2010
4 c UJI
5
1.2.2. Matriz de adyacencia y matriz de incidencia
A continuaci on se procede a introducir estructuras que permitan la representa-
ci on algebraica de grafos, de modo que estos, a trav es de las mismas, puedan ser
introducidos de modo eciente en distintos algoritmos. Esto es necesario para poder
proceder al manejo computacional.
Denici on 1.2.5
Sea G un grafo simple, cuyo conjunto de v ertices posee n elementos. Llamamos
matriz de adyacencia de G a la matriz n n, Ad(G), denida como
Ad(G) =
a
1,1
a
1,2
. . . a
1,n
a
2,1
a
2,2
. . . a
2,n
. . . . . . . . . . . .
a
n,1
a
n,2
. . . a
n,n
donde a
i,j
=
1, si {i, j} E(G)
0 si {i, j} / E(G)
N otese que la matriz Ad(G) de un grafo simple es sim etrica.
Ejemplo 1.2.6
En el caso del grafo del ejemplo 1.2.1 se tiene que la matriz de adyacencia viene
dada por
Ad(G) =
0 1 0 1 0 0
1 0 1 0 0 0
0 1 0 1 0 0
1 0 1 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0
Denici on 1.2.6
Sea un grafo simple G = (V (G), E(G)) y sean n, m los cardinales de V (G) =
{1, 2, . . . , n} y de E(G) = {e
1
, . . . , e
m
}, respectivamente. Llamamos matriz de
incidencia del grafo G, a la matriz n m, In(G), denida como
In(G) =
b
1,1
b
1,2
. . . b
1,m
b
2,1
b
2,2
. . . b
2,n
. . . . . . . . . . . .
n
n,1
b
n,2
. . . b
n,m
donde, b
i,j
=
1 k V (G) : e
j
= {i, k}
0 k V (G) : e
j
= {i, k}
Ejemplo 1.2.7
Para el grafo anteriormente representado, ordenando las aristas como
E(G) = {{1, 2}, {1, 4}, {2, 3}, {3, 4}, {5, 6}}
la matriz de incidencia resulta:
In(G) =
1 1 0 0 0
1 0 1 0 0
0 0 1 1 0
0 1 0 1 0
0 0 0 0 1
0 0 0 0 1

2009/2010
5 c UJI
6
1.2.3. Operaciones con grafos

A continuaci on se denen algunas de las operaciones m as comunes que se pue-
den encontrar en teora de grafos, esto es, la uni on y suma de grafos, las operaciones
de supresi on de v ertices y aristas, la contracci on seg un una arista, y la construcci on
del grafo dual. As se tiene:
Denici on 1.2.7
Sean G
1
, G
2
dos grafos, llamamos uni on de los grafos G
1
y G
2
al grafo G
1
G
2
denido por V (G
1
G
2
) = V (G
1
) V (G
2
), E(G
1
G
2
) = E(G
1
) E(G
2
).
Ejemplo 1.2.8
Sean los grafos G y G
dados respectivamente por V (G) = {1, 2, 3, 4}, E(G) =

{{1, 2}, {2, 3}, {3, 4}, {1, 4}} y V (G
) = {5, 6}, E(G
) = {{5, 6}}. La uni on

de los grafos es el grafo G G
denido por V (G G
) = V (G
1
) V (G
2
) =
{1, 2, 3, 4, 5, 6}, E(GG
) = E(G)E(G
2
) = {{1, 2}, {2, 3}, {3, 4}, {1, 4}, {5, 6}}.
Si Ad(G) y Ad(G
) son las matrices de adyacencia de los grafos G, G
, la matriz
de adyacencia de la uni on la podemos representar en el caso V (G
1
) V (G
2
) =
como:
Ad(G G
) =
Ad(G) 0
0 Ad(G
As, en el ejemplo anterior resulta:

Ad(G) =
0 1 0 1
1 0 1 0
0 1 0 1
1 0 1 0
, Ad(G
) =
0 1
1 0
, Ad(GG
) =
0 1 0 1 0 0
1 0 1 0 0 0
0 1 0 1 0 0
1 0 1 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0
Denici on 1.2.8
Sean G
1
, G
2
dos grafos, llamamos suma de los grafos G
1
y G
2
al grafo G
1
+ G
2
denido como V (G
1
+G
2
) = V (G
1
)) V (G
2
), E(G
1
+G
2
) = E(G
1
) E(G
2
)
{{u, v}|u V (G
1
), v V (G
2
)}.
Ejemplo 1.2.9
Consideremos los grafos del ejemplo anterior; el grafo suma G+ G
donde
V (G+ G
) = {1, 2, 3, 4, 5, 6}
E(G+ G
) = {{1, 2}, {2, 3}, {3, 4}, {1, 4}, {5, 6}, {1, 5}, {1, 6},
, {2, 5}, {2, 6}, {3, 5}, {3, 6}, {4, 5}, {4, 6}}
y cuya representaci on gr aca viene dada por:
2009/2010
6 c UJI
7
1 2
3
4
5
6
La matriz de adyacencia de la suma de grafos cuando V (G

1
) V (G
2
) = viene
dada por
Ad(G
1
+G
2
) =
Ad(G
1
) 1
n
1
1
n
2
Ad(G
2
)
donde 1
k
representa la matriz k k cuyos elementos son todos 1; n
1
el cardinal de
V (G
1
) y n
2
el de V (G
2
). As, para el ejemplo anterior se tiene
Ad(G) =
0 1 0 1
1 0 1 0
0 1 0 1
1 0 1 0
, Ad(G
) =
0 1
1 0
, Ad(G+G
) =
0 1 0 1 1 1
1 0 1 0 1 1
0 1 0 1 1 1
1 0 1 0 1 1
1 1 1 1 0 1
1 1 1 1 1 0
Denici on 1.2.9
Sea Gun grafo simple, y sea v V (G). Llamamos supresi on en Gdel v ertice v al
grafo Gv denido como V (Gv) = V (G) {v}, E(Gv) = {e E(G)|e =
{v, w}}.
Ejemplo 1.2.10
Sea el grafo G denido por V (G) = {1, 2, 3, 4, 5}
E(G) = {{1, 2}, {1, 4}, {1, 5}, {2, 3}, {2, 5}, {3, 4}, {3, 5}, {4, 5}}
y sea el v ertice 5 V (G), el grafo G 5 tiene como conjunto de v ertices V (G
5) = {1, 2, 3, 4} y como conjunto de aristas E(G5) = {{1, 2}, {1, 4}, {2, 3}, {{3, 4}}.
En la siguiente representaci on la gura que aparece a la izquierda representa G,
siendo la que aparece a la derecha una representaci on de G 5.
2009/2010
7 c UJI
8
1 2
3 4
5
,
1 2
3 4
La matriz de adyacencia correspondiente a la supresi on en G de un v ertice i es la

matriz menor complementaria de Ad(G) correspondiente al elemento (i, i); as, en
nuestro caso se tiene:
Ad(G) =
0 1 0 1 1
1 0 1 0 1
0 1 0 1 1
1 0 1 0 1
1 1 1 1 0
, Ad(G v) =
0 1 0 1
1 0 1 0
0 1 0 1
1 0 1 0
Denici on 1.2.10
Sea G un grafo simple, y sea e E(G). Llamamos supresi on en G de la arista e
al grafo G e denido como V (G e) = V (G), E(G e) = E(G) {e}.
Ejemplo 1.2.11
Sea el grafo G denido en el ejemplo anterior, y sea la arista e = {2, 3} E(G), el
grafo Ge tiene como conjunto de v ertices V (Ge) = {1, 2, 3, 4, 5} y como con-
junto de aristas E(G e) = {{1, 2}, {1, 4}, {1, 5}, {2, 5}, {3, 4}, {3, 5}, {4, 5}}.
siendo la que aparece a la derecha una representaci on de G e.
1 2
3 4
5
,
1 2
3 4
5

2009/2010
8 c UJI
9
La matriz de adyacencia correspondiente a la supresi on en G de la arista e = {i, j}
es la matriz que resulta de anular en Ad(G) los elementos (i, j) y (j, i); as, en
nuestro caso se tiene
Ad(G) =
0 1 0 1 1
1 0 1 0 1
0 1 0 1 1
1 0 1 0 1
1 1 1 1 0
, Ad(G e) =
0 1 0 1 1
1 0 0 0 1
0 0 0 1 1
1 0 1 0 1
1 1 1 1 0
Denici on 1.2.11
Sea G un grafo simple, y sea e = {i, j} / E(G), i, j V (G). Llamamos adici on
en G de la arista e al grafo G + e denido como suma G + e = G + G
donde G
es el grafo V (G
) = {i, j}, E(G
) = {{i, j}}.
Ejemplo 1.2.12
Sea el grafo G cuyo conjunto de v ertices es V (G) = {1, 2, 3, 4, 5} y cuyo conjunto
de aristas es E(G) = {{1, 2}, {1, 4}, {1, 5}, {2, 5}, {3, 5}, {4, 5}}, y sea la arista
e = {3, 4} E(G), el grafo G + e tiene como conjunto de v ertices:
V (G + e) = {1, 2, 3, 4, 5}
y como conjunto de aristas:
E(G + e) = {{1, 2}, {1, 4}, {1, 5}, {2, 5}, {3, 4}, {3, 5}, {4, 5}}
siendo la que aparece a la derecha una representaci on de G + e.
1 2
3 4
5
,
1 2
3 4
5
La matriz de adyacencia correspondiente a la adici on en G de la arista e = {i, j}

es la matriz que resulta de hacer a
i,j
= a
j,i
= 1 en Ad(G). As, en nuestro caso se
tiene
Ad(G)
0 1 0 1 1
1 0 1 0 1
0 1 0 1 1
1 0 1 0 1
1 1 1 1 0
, Ad(G + e) =
0 1 0 1 1
1 0 1 0 1
0 1 0 1 1
10 1 0 1
1 1 1 1 0

2009/2010
9 c UJI
10
Denici on 1.2.12
Sea G un grafo simple y sea e = {i, j} E(G). Llamamos contracci on del grafo
G seg un la arista e al grafo G/e denido como V (G/e) = V (G){v}, E(G/e) =
{{k, l} E(G)|k / {i, j}} {{k, j} E(G)|{k, i} E(G) {e}}.
La operaci on contracci on del grafo G seg un una arista consiste en identicar los
v ertices i, j extremos de la arista e = {i, j}, resultando un unico v ertice. Esta
operaci on implica, por una parte, la eliminaci on de la arista e = {i, j}, y por otra,
dado que E(G) es un conjunto, la eliminaci on de elementos repetidos.
Ejemplo 1.2.13
Sea el grafo G denido en el ejemplo anterior, y sea la arista e = {3, 4} E(G). El
grafo G/e tiene como conjunto de v ertices V (G/e) = {1, 2, 3, 5} y como conjunto
de aristas E(G/e) = {{1, 2}, {1, 3}, {1, 5}, {2, 5}, {3, 5}}.
siendo la que aparece a la derecha una representaci on de G/e.
1 2
3 4
5
,
1 2
3
5
La matriz de adyacencia del grafo G/e, donde e = {i, j}, i j, es la matriz

menor complementaria (j, j) de la matriz que resulta de cambiar en Ad(G) la la
(y columna) i por la suma l ogica de las las (columnas) i y j, la cual se efect ua
seg un: 0 0 = 0, 0 1 = 1, 1 0 = 1, 1 1 = 1.
La siguiente gura muestra en su parte izquierda la matriz de adyacencia de G
y a su derecha la de G/e.
Ad(G) =
0 1 0 1 1
1 0 1 0 1
0 1 0 1 1
1 0 1 0 1
1 1 1 1 0
, Ad(G/e) =
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
Denici on 1.2.13
Sea G un grafo simple. Llamamos grafo lineal de G al grafo L(G) denido como
V (L(G)) = E(G), E(L(G)) = {{e
1
, e
2
} E(G)|e
1
= e
2
, e
1
, e
2
incidentes}.
Ejemplo 1.2.14
Consideremos G el grafo de los ejemplos anteriores. El grafo lineal L(G) viene da-
do por V (L(G)) = {e
1
, e
2
, e
3
, e
4
, e
5
, e
6
, e
7
, e
8
}, E(L(G)) = {{e
1
, e
2
}, {e
1
, e
4
}, {e
1
, e
5
}
2009/2010
10 c UJI
11
, {e
1
, e
8
}, {e
2
, e
3
}, {e
4
, e
5
}, {e
2
, e
6
}, {e
3
, e
4
}, {e
3
, e
6
}, {e
3
, e
7
}, {e
4
, e
7
}, {e
4
, e
8
}, {e
5
, e
6
},
, {e
5
, e
7
}, {e
5
, e
8
}, {e
6
, e
7
}, {e
6
, e
8
}, {e
7
, e
8
}}.
siendo la que aparece a la derecha una representaci on de L(G).
1 2
3 4
5
,
e
2
e
1
e
3
e
4
e
7
e
8
e
6
e
5
Para nalizar este apartado, indicar que las operaciones supresi on de v ertice,
supresi on de arista, contracci on de arista, adici on de arista en un grafo G pueden ser
f acilmente extensibles a un conjunto de v ertices o aristas. As, sea {i
1
, . . . , i
k
}
V (G) un conjunto de v ertices y {e
1
, e
2
, . . . , e
k
} E(G) un conjunto de aristas,
{{i
1
, j
1
}, . . . , {i
k
, j
k
}|{i
r
, j
r
} / E(G), r = 1, . . . , k}, entonces tenemos:
Denici on 1.2.14
Con la notaci on anterior se tiene:
G {i
1
, . . . , i
k
} = (G {i
1
, . . . , i
k1
}) i
k
, siendo G {i} = G i.
G {e
1
, . . . , e
k
} = (G {e
1
, . . . , e
k1
}) e
k
siendo G {e} = G e.
G/{e
1
, . . . , e
k
} = (G/{e
1
, . . . , e
k1
})/e
k
siendo G/{e} = G/e.
G + {{i
1
, j
1
}, . . . , {i
k
, j
k
}} = (G + {{i
1
, j
1
}, . . . , {i
k1
, j
k1
}}) + {i
k
, j
k
},
siendo G + {e} = G + e.
1.2.4. Grafos con nombre propio
A continuaci on se enumeran una serie de grafos de uso com un, los cuales tienen
nombre propio; as tenemos:
Grafo nulo. Llamamos grafo nulo de k v ertices al grafo N
k
cuyo conjunto
de v ertices viene dado por V (N
k
) = {1, 2, . . . , k} y cuyo conjunto de aristas
es vaco, E(N
k
) = . Este grafo carece de aristas, y todos sus v ertices son
aislados.
Ejemplo 1.2.15
A modo de ejemplo representaremos a continuaci on el grafo nulo de cuatro
v ertices N
4
.
2009/2010
11 c UJI
12
1 2
3 4
Ad(N
4
) =
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
Grafo completo. Un grafo G = (V (G), E(G)) es completo si (v, w) E(G)

v, w V (G). El grafo completo de n v ertices se suele denotar por K
n
y
tiene
n(n1)
2
aristas.
Ejemplo 1.2.16
A continuaci on se representa el grafo K
5
, y su matriz de adyacencia viene
dada por:
1 2
3 4
5
Ad(K
5
) =
0 1 1 1 1
1 0 1 1 1
1 1 0 1 1
1 1 1 0 1
1 1 1 1 0
Grafo regular. Diremos que un grafo Ges regular si todos sus v ertices tienen
el mismo grado.
Ejemplo 1.2.17
El grafo que se muestra a continuaci on es regular, pues todos sus v ertices
tienen grado cuatro.
1 2
3
4 5
6
Ad(G) =
0 1 1 0 1 1
1 0 1 1 0 1
1 1 0 1 1 0
0 1 1 0 1 1
1 0 1 1 0 1
1 1 0 1 1 0
Grafo circuito. Grafo conexo donde todos sus v ertices tienen grado dos. Se
representa por C
n
.
Ejemplo 1.2.18
A continuaci on se muestra una representaci on del grafo circuito de cinco
v ertices, as como su matriz de adyacencia.
2009/2010
12 c UJI
13
1 2
5
4
3
Ad(C
5
) =
0 1 0 0 1
1 0 1 0 0
0 1 0 1 0
0 0 1 0 1
1 0 0 1 0
Grafo rueda de n radios. Es el grafo suma de N

1
y C
n
; se representa por
R
n
.
Ejemplo 1.2.19
La gura siguiente muestra el grafo rueda de cinco radios junto a la corres-
pondiente matriz de adyacencia.
1 2
3
4 5
6 0
Ad(R
6
) =
0 1 1 1 1 1 1
1 0 1 0 0 0 1
1 1 0 1 0 0 0
1 0 1 0 1 0 0
1 0 0 1 0 1 0
1 0 0 0 1 0 1
1 1 0 0 0 1 0
Grafo bipartido. Diremos que un grafo Ges un grafo bipartido si existen dos
subconjuntos disjuntos no vacos V
1
V (G), V
2
V (G) de cardinales n
1
,
n
2
respectivamente, de modo que V (G) = V
1
V
2
, y E(G) E(N
n
1
+N
n
2
).
Si adem as se verica E(G) = E(N
n
1
+N
n
2
), diremos que el grafo bipartido
es completo, en cuyo caso se denotar a como K
n
1
,n
2
.
N otese que el concepto de grafo bipartido equivale a decir que es posible
establecer una partici on del conjunto de v ertices en dos subconjuntos de modo
que todas las aristas del grafo tienen un extremo en el primer subconjunto y
otro extremo en el segundo subconjunto.
Otra denici on equivalente de grafo bipartido es la siguiente: subgrafo de
n
1
+n
2
v ertices de N
n
1
+N
n
2
.
Ejemplo 1.2.20
A continuaci on se muestran dos grafos bipartidos, el primero de ellos incom-
pleto y el segundo completo. A la derecha de ambos grafos aparece su matriz
de adyacencia.
a
b
c
d
e
f

0 0 0 0 0 1
0 0 0 1 1 1
0 0 0 1 0 1
0 1 1 0 0 0
0 1 0 0 0 0
1 1 1 0 0 0

2009/2010
13 c UJI
14
a
b
c
d
e
f
Ad(K
3,3
) =
0 0 0 1 1 1
0 0 0 1 1 1
0 0 0 1 1 1
1 1 1 0 0 0
1 1 1 0 0 0
1 1 1 0 0 0
La matriz de adyacencia de un grafo bipartido toma la forma
0
n
1
A
A
t
0
n
2
donde 0
k
representa la matriz nula k k, y donde A es una matriz n
1
n
2
,
siendo A
t
su traspuesta. En el caso de ser grafo bipartido completo todos los
elementos de la submatriz A ser an la unidad.
Estrella de n puntas. Es el grafo suma N
1
+N
n
, el cual se denota como E
n
.
Ejemplo 1.2.21
Acontinuaci on se muestra como ejemplo una representaci on del grafo estrella
de seis puntas, as como su matriz de adyacencia.
1 2
3
4 5
6 0
Ad(E
6
) =
0 1 1 1 1 1 1
1 0 0 0 0 0 0
1 0 0 0 0 0 0
1 0 0 0 0 0 0
1 0 0 0 0 0 0
1 0 0 0 0 0 0
1 0 0 0 0 0 0
1.2.5. Grafos generales

En la denici on de grafo, se deni o E(G) utilizando el t ermino conjunto, lo
cual impide la posibilidad de tener elementos repetidos. Esto supone la siguiente
restricci on: en un grafo simple s olo puede haber una arista que una dos v ertices.
Tambi en se deni o arista como subconjunto de dos elementos de V (G), lo cual
impide aristas del tipo {a, a}.
El concepto de grafo puede ser extendido de modo que quepan tanto aristas
m ultiples como aristas de tipo {a, a}.
Denici on 1.2.15
Un grafo general G es un par (V (G), E(G)) donde V (G) es un conjunto nito no
vaco cuyos elementos llamamos v ertices y E(G) una familia cuyos elementos son
familias de dos elementos de V (G) a las cuales llamamos aristas.
Ejemplo 1.2.22
A continuaci on se muestra un ejemplo de grafo general.
2009/2010
14 c UJI
15
1 2
3 4
El grafo G de la gura tiene como conjunto de v ertices
V (G) = {1, 2, 3, 4}
y como familia de aristas
E(G) = {{1, 1}, {1, 2}, {1, 2}, {1, 2}, {1, 4}, {1, 4}, {2, 3}, {3, 3}, {3, 3}}
La matriz de adyacencia del grafo viene dada por:
Ad(G) =
2 3 0 2
3 0 1 0
0 1 4 0
2 0 0 0
El concepto de familia de elementos permite la existencia de elementos repe-

tidos, consider andose dos familias iguales si unicamente vara el orden en el que
est an colocados sus miembros. En caso de arista m ultiple las podemos distinguir
denot andolas como {i, j}
1
,{i, j}
2
,. . .,{i, j}
k
.
En un grafo general llamaremos lazo a las aristas cuyos extremos coinciden.
Para calcular el orden de un v ertice cada lazo cuenta como dos.
En un grafo general puede denirse, de modo an alogamente al caso de grafo
simple, la matriz de adyacencia Ad(G), siendo en este caso a
i,j
el n umero de aristas
que tienen por extremos los v ertices i, j. En este caso debe considerarse cada lazo
como dos.
En este curso, cuando nos reramos a grafo lo haremos a grafo simple, debiendo
explicitarse cuando se haga referencia a grafo general.
1.2.6. Dgrafos
Hasta el momento hemos considerado que en un grafo G, las aristas son un
subconjunto (o una clase) de dos elementos de V (G), lo cual hace equivalente {i, j}
a {j, i}. Si se quiere considerar el sentido en el que pueden ser recorridas las aristas,
el modelo hasta ahora considerado no es suciente, por lo que resulta necesaria la
denici on de un nuevo concepto, el de grafo dirigido o dgrafo, en el cual se tiene
en cuenta esta consideraci on. As se tiene:
2009/2010
15 c UJI
16
Denici on 1.2.16
Se dice que D es un dgrafo simple si D es un par D = (V (D), A(D)) donde
V (D) = {1, 2, . . . , n} es un conjunto nito no vaco cuyos elementos se llaman
v ertices (o nodos) y A(D) es un subconjunto de V (D) V (D)
V ((D)V (D)
donde V (D) V (D) representa el producto cartesiano de V (D) por s mismo y
V ((D)V (D)
= {(i, i)|i V (D)}, la diagonal de dicho producto cartesiano. A los
elementos de A(D) se les llama arcos (tambi en aristas dirigidas o diaristas).
En la representaci on de un dgrafo se utilizan echas para indicar el sentido de los
arcos. Tambi en es com un la aparici on de segmentos no dirigidos en las represen-
taciones, lo que debe interpretarse en el siguiente sentido: si en un dgrafo aparece
una arista {i, j} debe entenderse que dicho dgrafo posee como arcos tanto a (i, j)
como a (j, i).
En un dgrafo, un v ertice i es adyacente a un v ertice j si (i, j) A(D). En este
caso, la adyacencia no tiene la propiedad de simetra. Este hecho se reeja en la
matriz de adyacencia Ad(D), la cual es una matriz n n donde n es el n umero de
v ertices que contiene V (D) y cuyos elementos vienen dados por:
Ad(D) =
a
1,1
. . . a
i,n
. . . . . . . . .
a
n,1
. . . a
n,n
, a
i,j
=
1 (i, j) A(D)
0 (i, j) / A(D)
La matriz de adyacencia de un dgrafo no es necesariamente sim etrica.
Ejemplo 1.2.23
Acontinuaci on se muestra la representaci on gr aca de un dgrafo simple y su matriz
de adyacencia.
1 2
3 4
0 1 1 0
1 0 1 0
1 0 0 1
0 0 0 0
Acada dgrafo D se le puede asociar un grafo G

S
llamado grafo subyacente, el cual
resulta de transformar los arcos en aristas, eliminando en su caso aristas m ultiples,
y que se dene formalmente como:
Denici on 1.2.17
Sea D un dgrafo. Llamamos grafo subyacente a D a un grafo G denido como
V (G) = V (D), E(G) =
(i,j)A(D)
{{i, j}}.
2009/2010
16 c UJI
17
Ejemplo 1.2.24
Sea D el dgrafo del ejemplo anterior, su grafo subyacente G viene representado
por:
1 2
3 4
Por otra parte se tiene que si Ad(D) = [d

i,j
]
n
i,j=1
es la matriz de adyacencia de D,
entonces la matriz de adyacencia del grafo subyacente G viene dada por Ad(G) =
[a
i,j
]
n
i,j=1
, donde a
i,j
= a
j,i
= max{d
i,j
, d
j,i
}.
Al igual que en el caso de grafos, la palabra dgrafo la reservaremos para el caso
de un dgrafo simple. En el caso de ser necesaria la inclusi on de arcos m ultiples o de
lazos, el concepto de dgrafo debe ser ampliado. Por ello se introduce el concepto
de dgrafo general, el cual puede contener arcos m ultiples y lazos, y que se dene
como:
Denici on 1.2.18
Se dice que D es un dgrafo general si D es un par D = (V (D), A(D)) donde
V (D) = {1, 2, . . . , n} es un conjunto nito no vaco cuyos elementos se llaman
v ertices (o nodos) y A(D) es una familia de elementos de V (D) V (D).
1.3. Recorridos en grafos y dgrafos. Conexi on
Para estudiar propiedades de los grafos, es interesante el estudio de los distintos
modos de ir desde un v ertice a otro, para a continuaci on estudiar propiedades res-
pecto a la conectividad. Para ello, dado un grafo G = (V (G); E(G)) se denen los
siguientes conceptos:
1.3.1. Secuencias de aristas, colas y trayectorias
Denici on 1.3.1
Dado un grafo G, llamamos secuencia de aristas de G a una familia de v ertices
{i
1
, i
2
, . . . , i
k
} de modo que {i
j
, i
j+1
} E(G). Dicha secuencia se dice que conec-
ta los v ertices i
1
e i
k
y se representa por i
1
i
2
i
k
. En el caso de que
i
1
= i
k
, la secuencia de aristas se dice cerrada.
2009/2010
17 c UJI
18
La secuencia de aristas est a formada por las aristas {i
1
, i
2
}, {i
2
, i
3
},. . .,{i
k1
, i
k
}.
En una secuencia de aristas los v ertices e
j
, e
j+1
j = 1, . . . , k son adyacentes. Fi-
nalmente, indicar que en una secuencia de aristas pueden repetirse v ertices y aristas.
La denici on anterior puede extenderse a dgrafos sin m as que cambiar aristas
por arcos. En este caso se llama secuencia de diaristas o secuencia de arcos.
Ejemplo 1.3.1
Sea el grafo G
a
b
c
d
e
f
una secuencia de aristas en G puede ser
a e a f c e a d
Denici on 1.3.2
Sea G un grafo. Llamamos cola a una secuencia de aristas en la que todas las aristas
son diferentes. Cuando el primer y ultimo v ertice de la cola coinciden, se dice que
la cola es cerrada.
En una cola pueden repetirse v ertices pero no aristas.
La denici on anterior tambi en puede extenderse de modo natural a dgrafos
cambiando aristas por arcos. En este caso se llama cola dirigida o dicola.
Ejemplo 1.3.2
En el grafo anterior una posible cola puede ser
a e b d a f c d
Denici on 1.3.3
Sea G un grafo. Una trayectoria es una cola en la que adem as todos los v ertices
son diferentes, excepto a lo sumo el primero y el ultimo.
En una trayectoria no puede haber v ertices iguales, excepto a lo sumo el primero y
el ultimo, ni tampoco aristas repetidas.
La denici on anterior puede extenderse a dgrafos sin m as que cambiar aristas
por arcos. En este caso se llama trayectoria dirigida o ditrayectoria.
Ejemplo 1.3.3
a e b f c d

2009/2010
18 c UJI
19
Denici on 1.3.4
Sea G un grafo. Un circuito en G es una trayectoria cerrada.
En el caso de dgrafos se puede extender la denici on anterior sin m as que cam-
biar aristas por arcos. En este caso recibe el nombre de circuito dirigido o dicircuito.
Ejemplo 1.3.4
a e b f c d a
Denici on 1.3.5
Se llama n umero de pasos de una secuencia de aristas (cola, trayectoria, circuito,
disecuencia. . . ) al n umero de aristas (arcos) que la compone.
Consideremos un grafo G cuya matriz de adyacencia Ad(G) representaremos
por A. La matriz de adyacencia indica el n umero de secuencias de aristas de longitud
uno que conectan el v ertice i con el v ertice j, pues a
i,j
toma valor cero o uno seg un
exista la arista {i, j} o no. Este resultado se puede extender del siguiente modo:
Teorema 1.3.1
Sea A la matriz de adyacencia de un grafo simple G. Entonces A
k
tiene por ele-
mento (i, j) el n umero de secuencias de aristas de k pasos distintas que conectan
los v ertices i y j.
Dem:
Para n = 0 se tiene que A
0
= I es la matriz identidad, por lo que la armaci on
se cumple. Para n = 1 se cumple como hemos visto anteriormente.
Supongamos que se cumple para un k. Entonces el n umero de secuencias de
aristas de longitud k + 1 distintos que conectan i y j lo podemos determinar como
la suma del n umero de secuencias de longitud k que conectan i con los v ertices
adyacentes a j.
Puesto que la matriz A es sim etrica, se verica que A
k
tambi en lo es. As se
tiene que el elemento (i, j) de A
k+1
, que denotaremos por a
(k+1)
i,j
, estar a determinado
como:
a
(k+1)
i,j
=
n
r=1
a
(k)
i,r
a
r,j
=
rV
j
a
(k)
i,r
donde n = card (V (G)) y V
j
= {s V (G)|a
s,j
= 1} el conjunto de v ertices
adyacentes a j, con lo que se tiene resultado.
1.3.2. Conexi on
Denici on 1.3.6
Sea G un grafo simple. Diremos que G es conexo si para cualquier par de v ertices
i, j de V (G) existe una trayectoria que tiene por v ertice inicial a i y por v ertice nal
a j.
2009/2010
19 c UJI
20
Denici on 1.3.7
Sea G un grafo simple, y sea i V (G). Llamamos componente conexa de G
que contiene a i, al mayor subgrafo conexo de G que contiene a i. La componente
conexa de G que contiene a i se denota por G
i
;
G
i
= {j V (G)|i
1
, . . . , i
s1
V (G); {i
k1
, i
k
} E(G), k = 0, . . . , s} ,
siendo i
0
= i, i
s
= j.
Todo grafo no conexo G puede obtenerse como uni on de sus componentes co-
nexas. Para ello podemos proceder como sigue:
1. Tomar el conjunto de aristas E(G), de modo que si {1, j} E(G) se manten-
ga i < j, y asignar inicialmente a cada v ertice i V (G) del grafo, un entero
c(i) = i, de modo que en cada momento (c(1), c(2), . . . , c(n)) determina a
qu e componente conexa pertenece cada v ertice.
2. Recorrer el conjunto de aristas tomando una arista {i, j} en cada paso.
3. Si c(i) = c(j) ir al paso siguiente. Si c(i) = c(j) hacer para k = 1, . . . , n
c(k) =
_
_
c(k) si c(k) < c(j)
c(i) si c(k) = c(j)
c(k) 1 si c(k) > c(j)
.
4. Si el conjunto de aristas no est a totalmente recorrido ir al paso 2.
5. En este punto naliza el algoritmo resultando el n umero de componentes
conexas nc = max{c(i)|i = 1, . . . n}. La componente conexa G
k
, k =
1, . . . , nc tiene por v ertices V (G
k
) = {i V (G)|c(i) = k} y por aristas
E(G
k
) = {{i, j} E(G)|n(i) = n(j) = k}.
Ejemplo 1.3.5
Sea el grafo G cuya representaci on y matriz de adyacencia A = Ad(G) vienen
dadas por
1 2
5
4
3
A =
_
_
0 1 1 0 0
1 0 1 0 0
1 1 0 0 0
0 0 0 0 1
0 0 0 1 0
_
_
Las aristas del grafo G viene dadas por E(G) = {{1, 2}, {1, 3}, {2, 3}, {4, 5}}.
La aplicaci on del algoritmo anterior conduce a la tabla
2009/2010
20 c UJI
21
arista c(1) c(2) c(3) c(4) c(5)
1 2 3 4 5
{1,2} 1 1 2 3 4
{1,3} 1 1 1 2 3
{2,3} 1 1 1 2 3
{4,5} 1 1 1 2 2
Por tanto, el grafo G, tiene dos componentes conexas G
1
, G
2
denidas por V (G
1
) =
{1, 2, 3}, E(G
1
) = {{1, 2}, {1, 3}, {2, 3}} y V (G
2
) = {4, 5}, E(G
2
) = {{4, 5}}.
La conexi on tambi en puede ser caracterizada mediante la matriz de adyacencia

a partir del siguiente teorema:
Teorema 1.3.2
Sea G un grafo simple de n v ertices, cuya matriz de adyacencia es A. Entonces, G
es conexo si, y s olo si, la matriz
n1
k=0
A
k
tiene todos sus elementos distintos de cero.
Dem:
) Si un grafo es conexo, dados dos v ertices distintos cualesquiera v
i
, v
j
existe al menos una trayectoria de menos de n aristas que conecta ambos
v ertices. Sea 0 < k n 1 la longitud de una de tales trayectorias, entonces
a
(k)
i,j
1, por tanto
n1
r=0
a
(r)
i,j
a
(k)
i,j
1 > 0. De aqu,
n1
r=0
A
r
tiene todos los
coecientes no nulos.
) Si
n1
r=0
A
r
tiene todos sus elementos no nulos, se tiene que i, j {1, . . . , n},
i = j,
(k)
r=0
> 0 y puesto que a
(0)
i,j
= 0, si i = j y a
(r)
i,j
0 r {1, . . . , n 1}
se tiene que k {1, . . . , n 1} de modo que a
(k)
i,j
1. Por tanto, G es
conexo.
Ejemplo 1.3.6
Sea el grafo G dado en el ejemplo anterior. Como se ve en su representaci on, dicho
grafo no es conexo. Para caracterizarlo a partir de la matriz de adyacencia se tiene
2009/2010
21 c UJI
22
que
A
0
=
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
, A
2
=
2 1 1 0 0
1 2 1 0 0
1 1 2 0 0
0 0 0 1 0
0 0 0 0 1
A
3
=
2 3 3 0 0
3 2 3 0 0
3 3 2 0 0
0 0 0 0 1
0 0 0 1 0
, A
4
=
6 5 5 0 0
5 6 5 0 0
5 5 6 0 0
0 0 0 1 0
0 0 0 0 1
y por tanto
S =
51
k=0
A
k
=
11 10 10 0 0
10 11 10 0 0
10 10 11 0 0
0 0 0 3 2
0 0 0 2 3
La matriz S tiene elementos nulos (i.e. s

1,4
= 0), por tanto G es no conexo.
Ejemplo 1.3.7
El siguiente grafo G
cuya representaci on y matriz de adyacencia D aparecen a

continuaci on es conexo;
1 2
3 4
D =
0 1 0 1
1 0 1 0
0 1 0 1
1 0 1 0
de donde
A
0
=
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
, A
2
=
0 2 2 2
2 0 2 2
2 2 0 2
2 2 2 0
, A
3
=
3 4 0 4
4 3 4 0
0 4 3 4
4 0 4 3
a partir de lo cual se tiene

H =
41
k=0
D
k
=
4 3 7 3
3 4 3 7
7 6 4 3
3 7 3 4
En este caso, la matriz H tiene todos sus elementos no nulos, lo que implica que el
grafo es conexo.
Teorema 1.3.3
Sea G un grafo simple, y sea A = Ad(G) su matriz de adyacencia. Entonces una
arista e = {i, j} E(G) pertenece a un circuito si, y s olo si, se verica que s
i,j
= 0,
2009/2010
22 c UJI
23
siendo S la matriz S =
n1
k=0
B
k
donde B es la matriz de adyacencia del grafo Ge
y n es el n umero de v ertices del grafo G.
Dem:
Inmediata, pues para que una arista pertenezca a un circuito es necesario y su-
ciente que exista un camino del v ertice i al v ertice j que no contenga a dicha arista,
lo que es equivalente a poder conectar los v ertices i, j en el grafo G e, lo que a
su vez equivale a que el elemento s
i,j
de la matriz S =
n1
k=0
B
k
sea distinto de cero,
siendo B la matriz de adyacencia del grafo G e y n, el n umero de v ertices del
grafo G.
Denici on 1.3.8
Sea G un grafo conexo. Se dice que D E(G) es un conjunto desconectador de
G si el grafo G = (V (G), E(G) D) es no conexo.
Ejemplo 1.3.8
Sea G el grafo de la gura
1
2
3 4
5
6
y sean los conjuntos D
1
= {{4, 5}, {4, 6}}, D
2
= {{5, 6}}. El primer conjunto es
conjunto desconectador pues GD
1
tiene por matriz de adyacencia
B
1
=
0 0 1 0 0 0
0 0 1 0 0 0
1 1 0 1 0 0
0 0 1 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0
a partir de la cual se puede determinar la matriz

n1
k=0
B
k
1
=
5 4 13 4 0 0
4 5 13 4 0 0
13 13 13 13 0 0
4 4 13 5 0 0
0 0 0 0 3 3
0 0 0 0 3 3

2009/2010
23 c UJI
24
la cual tiene elementos nulos, siendo por tanto GD
1
no conexo.
El segundo conjunto no es desconectador pues G D
2
tiene por matriz de ad-
yacencia
B
2
=
0 0 1 0 0 0
0 0 1 0 0 0
1 1 0 1 0 0
0 0 1 0 1 1
0 0 0 1 0 0
0 0 0 1 0 0
a partir de la cual se puede determinar la matriz

n1
k=0
B
k
2
=
5 4 15 6 6 6
4 5 15 6 6 6
15 15 15 27 6 6
6 6 27 15 15 15
6 6 6 15 5 4
6 6 6 15 4 5
la cual tiene todos sus elementos no nulos, siendo por tanto GD

2
conexo.
Denici on 1.3.9
Sea G un grafo conexo, y sea e E(G). Diremos que e es un istmo o puente si
D = {e} es conjunto desconectador de G.
Ejemplo 1.3.9
Sea el grafo dado en la gura, la arista {3, 4} es un istmo o puente pues su supresi on,
tal y como se aprecia en la gura, desconecta el grafo
1
2
3 4
5
6

2009/2010
24 c UJI
25
Denici on 1.3.10
Sea G un grafo conexo. Diremos que un conjunto de aristas C E(G) es un
conjunto de corte si es un conjunto desconectador minimal, esto es, C conjunto
desconectador de manera que si K C y K = C entonces K no es conjunto
desconectador.
Ejemplo 1.3.10
Sea el grafo dado en el ejemplo 1.3.8, y sean los conjuntos D
1
= {{4, 5}, {4, 6}} y
D
2
= {{1, 2}, {3, 4}}.
El primero de ellos es conjunto de corte, pues ning un subconjunto propio suyo
lo desconecta G, pues para sus subconjuntos propios {{4, 5}} y {{4, 6}} se tiene
que {{4, 5}} no desconecta G, y {{4, 6}} tampoco lo hace. El conjunto D
2
no es
conjunto de corte, pues {{3, 4}} desconecta G y es subconjunto propio de D
2
.
Denici on 1.3.11
Sea G un grafo conexo. Se dene orden de aristo-conectividad al menor cardinal
de sus conjuntos de corte. Esta cantidad se representa por (G):
(G) = mn{card (C)| C conjunto de corte de G}.
Ejemplo 1.3.11
En el grafo anterior los posibles conjuntos de corte son C
1
= {{1, 3}}, C
2
=
{{2, 3}}, C
3
= {{3, 4}}, C
4
= {{4, 5}, {4, 6}}, C
5
= {{4, 5}, {5, 6}}, C
6
=
{{4, 6}, {5, 6}}, as
(G) = mn{card (C)| C conjunto de corte de G} = mn{1, 1, 1, 2, 2, 2} = 1
Denici on 1.3.12
Sea Gun grafo conexo. Un conjunto separador de un grafo conexo es un conjunto
de v ertices S V (G) de modo que el grafo GS es no conexo.
Ejemplo 1.3.12
En el grafo dado en 1.3.8 los conjuntos S
1
= {2, 3}, S
2
= {4} son conjuntos
separadores, pues en ambos casos es f acil comprobar que los grafos GS
1
y GS
2
son no conexos. El conjunto S
3
= {4, 5} no es separador, pues G S
3
resulta
conexo.
Denici on 1.3.13
Sea G un grafo conexo. Diremos que un v ertice i V (G) es v ertice de corte o
v ertice articulaci on si {i} es conjunto separador de G.
Ejemplo 1.3.13
En el grafo dado en 1.3.8 el v ertice 4 es un v ertice articulaci on, pues el grafo G4
es, tal como aparece en la gura, no conexo.
2009/2010
25 c UJI
26
1
2
3
5
6
Denici on 1.3.14
Sea G un grafo conexo. Se dene orden de v ertice-conectividad al menor cardinal
posible para sus conjuntos separadores, lo que se representa por (G):
(G) = mn{card (S)|S conjunto separador de G}
Ejemplo 1.3.14
En el grafo citado en el ejemplo anterior los conjuntos separadores de menor cardi-
nal son {3}, {4}. Por tanto, (G) = 1.
Los conceptos grado de aristo-conectividad y de v ertice-conectividad constituyen
una medida de la fortaleza de la conexi on pues representan el n umero mnimo de
aristas y v ertices que pueden ser eliminado (por fallos, destrucci on, etc.) para que
el sistema resultante falle (deje de ser conexo).
Denici on 1.3.15
Sea G un grafo. Diremos que un subconjunto de aristas C E(G) es un conjunto
conectador de G si el subgrafo (V (G), C) es conexo.
Ejemplo 1.3.15
Sea el grafo cuya representaci on aparece en la gura
a
b
c
d
e
f
El conjunto {{a, d}, {a, e}, {b, d}, {b, e}, {c, e}, {c, f}} es conjunto conectador
de G pues el grafo (V (G), S) es, tal como aparece a continuaci on, conexo.
2009/2010
26 c UJI
27
a
b
c
d
e
f
1.4. Grafos eulerianos y hamiltonianos

Denici on 1.4.1
Sea G un grafo conexo. Diremos que G es euleriano si existe una cola cerrada
que incluye todas sus aristas. A dicha cola se le denomina, caso de existir, cola
euleriana.
Ejemplo 1.4.1
Sea el grafo de la gura
1
2 3
4
5 6
Dicho grafo es euleriano pues admite la cola
1 2 3 4 5 3 6 4 1
la cual es una cola euleriana.
Un ejemplo de grafo no euleriano es el siguiente:
1
2 3
4 5
6

2009/2010
27 c UJI
28
Denici on 1.4.2
Sea G un grafo conexo. Diremos que G es semi-euleriano si existe una cola que
incluye todas sus aristas.
Ejemplo 1.4.2
Sea el grafo cuya representaci on aparece en la gura
1
2 3
4 5
6
Dicho grafo es semi-euleriano, pues admite la cola
3 2 1 4 3 6 5 4
Notar que todo grafo euleriano es semi-euleriano, pero no todo grafo semi-euleriano
es euleriano.
Un m etodo para construir una cola euleriana lo proporciona el llamado algorit-
mo de Fleury, el cual puede esquematizarse como sigue:
Elegir un v ertice cualquiera v y construir una cola teniendo en cuenta las si-
guientes reglas:
1. Las aristas se eliminan una vez recorridas.
2. Si un v ertice queda aislado, dicho v ertice se elimina.
3. No utilizar istmos salvo que no exista otra alternativa.
Ejemplo 1.4.3
Consid erese el grafo de la gura
1 2
3 4
5 6
Para tratar de encontrar una cola euleriana en dicho grafo aplicamos el algoritmo de
Fleury. Partiendo del v ertice 6 se tiene
6 1 2 5 3 1 4 2 3 4 6
y puesto que existe dicha cola euleriana, puede armarse que el grafo es euleriano.

2009/2010
28 c UJI
29
Una caracterizaci on de grafos eulerianos y semi-eulerianos la proporciona los
teoremas enunciados a continuaci on.
Teorema 1.4.1
Un grafo conexo G es euleriano si, y s olo si, el grado de todos sus v ertices es par.
Teorema 1.4.2
Un grafo conexo G es semi-euleriano si, y s olo si, el grado de sus v ertices, excepto
a lo sumo exactamente dos, es par.
En este caso, si existen dos v ertices de grado impar el algoritmo de Fleury tambi en
proporciona una cola semi-euleriana, debi endose escoger como v ertice inicial uno
con grado impar.
Ejemplo 1.4.4
Consid erese el grafo de la gura
1 2
3 4
5
Dicho grafo tiene todos los v ertices de grado 4 excepto 2 y 3, que tienen grado
3. Seg un la caracterizaci on anterior el grafo es semi-euleriano. Una cola semi-
euleriana puede ser construida a partir del v ertice de orden impar 2. As se tiene
la cola
1 2 5 3 1 4 2 3 4
Ejemplo 1.4.5
Otro ejemplo de grafo semi-euleriano es el siguiente:
1 2
3 4
5
2009/2010
29 c UJI
30
ya que existe la cola 1 4 2 1 3 2 5 3 4.
A continuaci on se introduce el concepto de grafo hamiltoniano como:
Denici on 1.4.3
Un grafo conexo G se dice hamiltoniano si existe un circuito que contenga todos
sus v ertices.
Ejemplo 1.4.6
El grafo cuya representaci on aparece a continuaci on es hamiltoniano
1
2 3
4
5
pues admite el circuito
1 2 3 5 4 1
el cual contiene todos sus v ertices.
El grafo que aparece en la gura no es hamiltoniano
1
2 3
4
5
pues ning un circuito puede contener el v ertice 5.
Denici on 1.4.4
Un grafo conexo Gse dice semi-hamiltoniano si existe una trayectoria que contenga
todos sus v ertices.
Ejemplo 1.4.7
El grafo anterior es semi-hamiltoniano, pues la trayectoria
2 1 4 3 5
contiene todos sus v ertices.
A continuaci on se enuncia sin demostrar una condici on suciente de grafo hamilto-
niano:
2009/2010
30 c UJI
31
Teorema 1.4.3
Sea G un grafo conexo con n v ertices de modo que para cada pareja de v ertices no
adyacentes v, w se satisfaga (v) +(w) n. Entonces G es hamiltoniano.
Lamentablemente, en el caso de grafos hamiltonianos no se dispone de ninguna
caracterizaci on (condici on necesaria y suciente).
1.5.

Arboles
Denici on 1.5.1
Sea G un grafo. Diremos que G es un bosque si no contiene ning un circuito.
Ejemplo 1.5.1
El grafo que se muestra a continuaci on es un bosque:
1 2
3
4
5
6
Denici on 1.5.2
Diremos que un grafo T es un arbol si T es bosque conexo.
Ejemplo 1.5.2
El grafo que se muestra a continuaci on es un arbol:
1 2
3
4
5
6
2009/2010
31 c UJI
32
Para nalizar, se enuncia el siguiente teorema de caracterizaci on:

Teorema 1.5.1
Sea T un grafo con n v ertices. Entonces son equivalentes:
1. T es un arbol.
2. T no contiene ning un circuito y posee n 1 aristas.
3. T es conexo y tiene n 1 aristas.
4. T es conexo y cada arista es un istmo.
5. Cada dos v ertices de T est an conectados por una unica trayectoria.
6. T no contiene ning un circuito pero la adici on de cualquier arista crea exacta-
mente un circuito.
2009/2010
32 c UJI
33
Tema 2
Grafos ponderados y redes
2.1. Introducci on
En este captulo se aborda el estudio de diversos problemas de optimizaci on
sobre grafos y dgrafos. En estos problemas se procede a asignar un valor a cada
arista/arco de un grafo/dgrafo con el n de minimizar alguna magnitud calculada
sobre el grafo.
Los problemas estudiados en este captulo ser an, el problema de la trayectoria
m as corta, el problema del conector mnimo, el problema de la trayectoria crtica,
y el problema del ujo m aximo sobre una red. Para plantear y resolver dichos pro-
blemas se proporcionar an las deniciones de los mismos, as como un algoritmo de
resoluci on para cada uno de ellos.
2.2. Grafos ponderados
Denici on 2.2.1
Sea G un grafo. Una ponderaci on en G es una aplicaci on : E(G) R
+
{0}.
En ese caso, el par (G, ) recibe el nombre de grafo ponderado y el valor (e),
donde e E(G), el de peso o costo de la arista e.
Ejemplo 2.2.1
El grafo G cuya representaci on aparece a continuaci on constituye un ejemplo de
grafo ponderado. Los n umeros que aparecen junto a las aristas corresponden a sus
pesos.
2009/2010
34 c UJI
34
1
2
3
4
5
6
7 8
9
3
7
2
2
1 4
6
1
1
3
7
16
En teora de grafos ponderados es conveniente introducir la matriz de pesos como

una matriz (G), n n donde n = card(G) de modo que
(G) =
0
1,2
. . .
1,n1

1,n
2,1
0 . . .
2,n1

2,n
. . . . . . . . . . . . . . .
n1,1

n1,2
. . . 0
n1,n
n,1

n,2
. . .
n,n1
0
donde
i,j
=
({i, j}) i = j, {i, j} E(G)

+ i = j, {i, j} / E(G)
En esta matriz los elementos de la diagonal son cero. En los lugares donde aparece
+debe entenderse que no hay arista.
2.2.1. El problema del conector mnimo
El problema del conector mnimo podemos enunciarlo como sigue:
Denici on 2.2.2
Dado un grafo G conexo, llamamos problema del conector mnimo a encontrar
un subgrafo de G de la forma (V (G), C) donde C es un conjunto conectador de G
de peso mnimo.
El problema del conector mnimo puede resolverse mediante el llamado algoritmo
profundo o de Kruskal, el cual es expuesto a continuaci on.
Algoritmo de Kruskal:
1. Se toma una arista e de peso mnimo, y se denen los conjuntos C = {e},
D = .
2. Se toma una arista f en E(G) C D de peso mnimo.
3. Si
(V (G), C {f}) contiene un circuito, entonces D = D {f}.

(V (G), C {f}) no contiene ning un circuito, entonces C = C {f}.
2009/2010
35 c UJI
35
4. Si
card (C) = card (V (G)) 1 FIN: el conector mnimo es (V (G), C).

card (D) = card (V (G)) 1 ir al paso 2.
Ejemplo 2.2.2
Dado el grafo G representado en la gura, obtener un conector mnimo.
1
2
3
4
5
6
7 8
9
3
7
2
2
1 4
6
1
1
3
7
16
El conector mnimo se determina mediante el algoritmo Kruskal, para ello, en
primer lugar se ordenan las aristas en pesos crecientes, los cuales se indican como
subndice. As se tiene:
{(3, 4)
1
, (4, 7)
1
, (5, 6)
1
, (2, 4)
2
, (2, 7)
2
, (1, 3)
3
, (7, 6)
3
, (4, 5)
4
, (4, 6)
6
, (1, 4)
7
, (6, 8)
7
,
(1, 2)
9
, (7, 8)
16
}
Teniendo en cuenta que un arbol de n v ertices contiene n 1 aristas, se tiene que:
Se toma como C el conjunto C = {{3, 4}}
Se toma la arista {4, 7}, la cual al no cerrar circuito se a nade a C, y puesto
que card (C) = 2 = card (V (G)) 1 = 7.
Se toma una nueva arista, {5, 6}, la cual tampoco cierra circuito, por lo que
se a nade a C; dado que card (C) = 3 = 7.
se a nade a C.
Se toma una nueva arista, {2, 7}, la cual cierra circuito, por lo que no se
incluye en C.
Se toma una nueva arista, {1, 3}, la cual no cierra circuito, por lo que se a nade
a C.
se a nade a C.
incluye en C.
2009/2010
36 c UJI
36
incluye en C.
incluye en C.
Se toma una nueva arista, {6, 8}, la cual tampoco cierra circuito, por lo que se
a nade a C. El algoritmo naliza puesto que card (C) = 7 = card (V (G))1.
El conector mnimo viene dado por el subgrafo (V (G), C), C = {{3, 4}, {4, 7},
{5, 6},{2, 4},{1, 3},{6, 7},{6, 8}} y cuya representaci on viene dada por:
2 7 8
1 4 6
3 5
A continuaci on se muestra otro ejemplo en el que se utiliza un m etodo matricial

m as adecuado para ser implementado en el ordenador.
Ejemplo 2.2.3
Sea el grafo G cuya matriz de adyacencia y matriz de pesos vienen dadas por:
Ad(G) =
0 1 1 0 0 0
1 0 1 1 1 0
1 1 0 1 1 0
0 1 1 0 1 1
0 1 1 1 0 1
0 0 0 1 1 0
(G) =
0 5 1
5 0 2 1 5
1 2 0 1 2
1 1 0 2 5
5 2 2 0 1
5 1 0
Encontrar un conector mnimo usando el m etodo matricial.

En primer lugar, consideramos el conjunto de aristas ordenadas de modo creciente
en peso. As, tenemos el conjunto de aristas ordenado
E(G) = {{1, 3}, {2, 4}, {3, 4}, {5, 6}, {2, 3}, {3, 5}, {4, 5}, {1, 2}, {2, 5}, {4, 6}}
Sea G
0
el grafo nulo de seis v ertices, se toma la primera arista de E(G) ordenado, y
2009/2010
37 c UJI
37
sea D
1
la matriz de adyacencia del grafo uni on de G
0
con el grafo de v ertices {1, 3}
y arista {(1, 3)} (grafo al que llamaremos G
1
), la cual viene dada por:
D
1
= Ad(G
1
) =
0 0 1 0 0 0
0 0 0 0 0 0
1 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
Las potencias de D
1
resultan:
D
2
1
=
1 0 0 0 0 0
0 0 0 0 0 0
0 0 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
3
1
=
0 0 1 0 0 0
0 0 0 0 0 0
1 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
4
1
=
1 0 0 0 0 0
0 0 0 0 0 0
0 0 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
5
1
=
0 0 1 0 0 0
0 0 0 0 0 0
1 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
As, la matriz
5
r=0
D
r
1
resulta:
5
r=0
D
r
1
=
3 0 3 0 0 0
0 1 0 0 0 0
3 0 3 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
El grafo G
1
es no conexo, pues la matriz
5
r=0
D
r
1
contiene ceros. Por tanto, a con-
tinuaci on tomamos la arista {2, 4}, la cual no cierra circuito al a nadirla a G
1
, pues
entre los v ertices 2 y 4 no existe ning un camino (v ease la matriz
5
r=0
D
r
1
y obs ervese
que el elemento (2,4) es cero). Sea G
2
el grafo uni on de G
1
con ({2, 4}, {{2, 4}}),
esto es el grafo que tiene por v ertices a los nodos 2 y 4 y por unica arista a {2, 4}.
2009/2010
38 c UJI
38
Sea D
2
la matriz de adyacencia de G
2
, la cual viene dada por:
D
2
= Ad(G
2
) =
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 0 0 0
0 1 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
Las potencias de D
1
resultan:
D
2
2
=
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
3
2
=
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 0 0 0
0 1 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
4
2
=
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
5
2
=
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 0 0 0
0 1 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
As, la matriz
5
r=0
D
r
2
resulta:
5
r=0
D
r
2
=
3 0 3 0 0 0
0 3 0 3 0 0
3 0 3 0 0 0
0 3 0 3 0 0
0 0 0 0 1 0
0 0 0 0 0 1
El grafo G
2
tampoco resulta conexo, pues la matriz
5
r=0
D
r
2
contiene ceros.
A continuaci on se toma la siguiente arista, la cual corresponde a la {3, 4}. Sea el
grafo G
3
= G
2
({3, 4}, {{3, 4}}), cuya matriz de adyacencia D
3
viene dada por
D
3
=
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 1 0 0
0 1 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0

2009/2010
39 c UJI
39
y sus potencias por
D
2
3
=
1 0 0 1 0 0
0 1 1 0 0 0
0 1 2 0 0 0
1 0 0 2 0 0
0 0 0 0 0 0
0 0 0 0 0 0
, D
3
3
=
0 1 2 0 0 0
1 0 0 2 0 0
2 0 0 3 0 0
0 2 3 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
D
4
3
=
2 0 0 3 0 0
0 2 3 0 0 0
0 3 5 0 0 0
3 0 0 5 0 0
0 0 0 0 0 0
0 0 0 0 0 0
, D
5
3
=
0 3 5 0 0 0
3 0 0 5 0 0
5 0 0 8 0 0
0 5 8 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
As, la matriz
5
r=0
D
r
3
resulta:
5
r=0
D
r
3
=
4 4 8 4 0 0
4 4 4 8 0 0
8 4 8 12 0 0
4 8 12 8 0 0
0 0 0 0 1 0
0 0 0 0 0 1
El grafo G
3
tampoco es conexo, pues la matriz
5
r=0
D
r
3
contiene ceros.
A continuaci on se toma la siguiente arista, la cual corresponde a la {5, 6}. Sea el
grafo G
4
= G
3
({5, 6}, {{5, 6}}), cuya matriz de adyacencia D
4
viene dada por
D
4
=
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 1 0 0
0 1 1 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0
y sus potencias por

D
2
4
=
1 0 0 1 0 0
0 1 1 0 0 0
0 1 2 0 0 0
1 0 0 2 0 0
0 0 0 0 1 0
0 0 0 0 0 1
, D
3
4
=
0 1 2 0 0 0
1 0 0 2 0 0
2 0 0 3 0 0
0 2 3 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0

2009/2010
40 c UJI
40
D
4
4
=
2 0 0 3 0 0
0 2 3 0 0 0
0 3 5 0 0 0
3 0 0 5 0 0
0 0 0 0 1 0
0 0 0 0 0 1
, D
5
4
=
0 3 5 0 0 0
3 0 0 5 0 0
5 0 0 8 0 0
0 5 8 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0
As, la matriz
5
r=0
D
r
4
resulta:
5
r=0
D
r
4
=
4 4 8 4 0 0
4 4 4 8 0 0
8 4 8 12 0 0
4 8 12 8 0 0
0 0 0 0 3 3
0 0 0 0 3 3
El grafo resultante tampoco es conexo, pues la matriz

5
r=0
D
r
4
sigue conteniendo
ceros.
La siguiente arista es {2, 3}. Dicha arista no puede ser incluida por cerrar circuito
(el elemento (2,3) de la matriz
5
r=0
D
r
4
es 4 y por tanto existen caminos de 2 a 3 que
no contienen la arista {2, 3}, por tanto, su inclusi on cierra circuito). S es posible
incluir {3, 5}; as resulta G
5
= G
3
({3, 5}, {{3, 5}}), cuya matriz de adyacencia
D
5
viene dada por
D
5
=
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 1 1 0
0 1 1 0 0 0
0 0 1 0 0 1
0 0 0 0 1 0
y sus potencias por

D
2
5
=
1 0 0 1 1 0
0 1 1 0 0 0
0 1 3 0 0 0
1 0 0 2 1 0
0 0 0 1 2 0
0 0 1 0 0 1
, D
3
5
=
0 1 3 0 0 1
1 0 0 2 1 0
3 0 0 4 4 0
0 2 4 0 0 1
0 1 4 0 0 2
1 0 0 1 2 0
D
4
5
=
3 0 0 4 4 0
0 2 4 0 0 1
0 4 11 0 0 4
4 0 0 6 5 0
4 0 0 5 6 0
0 1 4 0 0 2
, D
5
5
=
0 4 11 0 0 4
4 0 0 6 5 0
11 0 0 15 15 0
0 6 15 0 0 5
0 5 15 0 0 6
4 0 0 5 6 0

2009/2010
41 c UJI
41
As, la matriz
5
r=0
D
r
5
resulta:
5
r=0
D
r
5
=
5 5 15 5 5 5
5 4 5 9 6 1
15 5 15 20 20 5
5 9 20 9 6 6
5 6 20 6 9 9
5 1 5 6 9 4
El grafo G
5
es conexo puesto que la matriz no contiene ceros, por tanto el conector
mnimo es
G
5
= (V (G), {{1, 3}, {2, 4}, {3, 4}, {3, 5}, {5, 6}})
2.2.2. El problema del camino m as corto

Otro problema cl asico en teora de grafos ponderados es el llamado problema
del camino m as corto o de peso mnimo, el cual consiste en dados dos v ertices de un
grafo, encontrar entre las trayectorias que unen dichos v ertices una de peso mnimo.
Para ello se establecen las siguientes deniciones.
Denici on 2.2.3
Sea G un grafo ponderado, y sea una trayectoria v
1
v
2
. . . v
k
en-
tre los v ertices v
1
y v
k
. Llamamos peso (o costo) de dicha trayectoria al valor
(v
1
, v
2
, . . . , v
k
) =
k1
i=1
(v
i
, v
i+1
).
Denici on 2.2.4
Sea G un grafo conexo y sean i, j V (G). Diremos que la trayectoria i = v
1

v
2
. . . v
k
= j es de peso mnimo si para cualquier otra trayectoria i = w
1

w
2
. . . w
m
= j se verica que (v
1
, v
2
, . . . , v
k
) (w
1
, w
2
, . . . , w
m
).
Denici on 2.2.5
Llamamos problema de la trayectoria m as corta al problema consistente en: dado
un grafo conexo G y dados dos v ertices i, j V (G), encontrar una trayectoria que
conecte i con j de peso mnimo.
Para resolver este problema se utiliza el llamado principio de minimalidad de
Bellman, el cual podemos enunciar como sigue:
Principio de minimalidad de Bellman
2009/2010
42 c UJI
42
Sea G un grafo conexo y sea un v ertice i V (G). Sea un v ertice k V (G)
alcanzable desde i mediante una trayectoria de costo l(k). Si j es un v ertice adya-
cente a k de modo que existe una trayectoria de costo l(j), que conecta i con j y
no contiene a k, entonces, existe una trayectoria que conecta i con k cuyo costo es
menor o igual que mn{l(k), l(j) + ({j, k})}.
En base a este principio, Dijkstra propuso un algoritmo capaz de proporcionar
una trayectoria de costo mnimo entre dos v ertices L y S de un grafo conexo, cono-
cido como algoritmo de Dijkstra, el cual podemos enunciar como:
Algoritmo de Dikjstra
1. A cada v ertice del grafo se le asigna una etiqueta l(i), denida como l(L) = 0
y l(i) = si i = L.
2. Se localiza un v ertice i con etiqueta l(i) mnima (si hay varios de tales v ertices
se toma uno cualquiera de ellos).
- Si i = S, entonces la longitud del camino mas corto entre los
v ertices L y S es l(S). En esta situaci on naliza el algoritmo.
- Si i = S, entonces se pasa a la etapa siguiente.
3. Para cada v ertice j adyacente a i se determina una nueva etiqueta como l(j) =
mn {l(j), l(i) + ({i, j})}.
4. Se elimina del grafo el v ertice i y las aristas que lo contienen.
5. Se vuelve al paso dos.
Ejemplo 2.2.4
Dado el grafo representado en la gura:
1
2
3
4
5
6
7 8
9
3
7
2
2
1 4
6
1
1
3
7
16
Encontrar el camino m as corto entre uno y seis.
La soluci on se obtiene mediante el algoritmo de Dijkstra el cual se puede expre-
sar en forma tabular como
2009/2010
43 c UJI
As, la matriz
5
r=0
D
r
5
resulta:
5
r=0
D
r
5
=
5 5 15 5 5 5
5 4 5 9 6 1
15 5 15 20 20 5
5 9 20 9 6 6
5 6 20 6 9 9
5 1 5 6 9 4
El grafo G
5
es conexo puesto que la matriz no contiene ceros, por tanto el conector
mnimo es
G
5
= (V (G), {{1, 3}, {2, 4}, {3, 4}, {3, 5}, {5, 6}})
2.2.2. El problema del camino m as corto

Otro problema cl asico en teora de grafos ponderados es el llamado problema
del camino m as corto o de peso mnimo, el cual consiste en dados dos v ertices de un
grafo, encontrar entre las trayectorias que unen dichos v ertices una de peso mnimo.
Para ello se establecen las siguientes deniciones.
Denici on 2.2.3
Sea G un grafo ponderado, y sea una trayectoria v
1
v
2
. . . v
k
en-
tre los v ertices v
1
y v
k
. Llamamos peso (o costo) de dicha trayectoria al valor
(v
1
, v
2
, . . . , v
k
) =
k1
i=1
(v
i
, v
i+1
).
Denici on 2.2.4
Sea G un grafo conexo y sean i, j V (G). Diremos que la trayectoria i = v
1

v
2
. . . v
k
= j es de peso mnimo si para cualquier otra trayectoria i = w
1

w
2
. . . w
m
= j se verica que (v
1
, v
2
, . . . , v
k
) (w
1
, w
2
, . . . , w
m
).
Denici on 2.2.5
Llamamos problema de la trayectoria m as corta al problema consistente en: dado
un grafo conexo G y dados dos v ertices i, j V (G), encontrar una trayectoria que
conecte i con j de peso mnimo.
Para resolver este problema se utiliza el llamado principio de minimalidad de
Bellman, el cual podemos enunciar como sigue:
Principio de minimalidad de Bellman
2009/2010
42 c UJI
43
1 2 3 4 5 6 7 8
0
1 - 9 3 7
3 - 9 - 4
4 - 6 - - 8 10 5
7 - 6 - - 8 8 - 21
2 - - - - 8 8 - 21
El mnimo costo necesario para ir de 1 a 6 resulta ser de 8 unidades, lo cual se
logra a trav es de la trayectoria
1 3 4 7 6
Nota: La tabla anterior se ha construido del modo siguiente. En cada momento las
columnas representan las etiquetas de los v ertices que quedan, indic andose median-
te el signos cuando el v ertice ha sido eliminado.
Puesto que en nuestro caso L = 1 y S = 6, inicialmente se asigna l(L) = 0 y
L(i) = si i = L resultando
1 2 3 4 5 6 7 8
0
El v ertice de etiqueta mnima resulta ser el 1. Por tanto, para los v ertices i adyacen-
tes a 1 se cambia la etiqueta l(i) por mn{l(i), l(1) + ({1, i})} permaneciendo el
resto inalterables, eliminado nalmente el v ertice 1. As se asigna para l(2) el valor
mn{l(2), l(1) +({1, 2})}, de donde l(2) = mn{+, 0+9} = 9. An alogamente
para los v ertices 3 y 4, se tiene l(3) = 3, l(4) = 7.
Si a la izquierda de la tabla se ha escrito el v ertice que tena etiqueta mnima en
la etapa anterior, resulta
1 2 3 4 5 6 7 8
0
1 - 9 3 7
En este momento el v ertice de menor etiqueta es 3, que no coincide con S; por tanto
repitiendo el proceso se tiene
1 2 3 4 5 6 7 8
0
1 - 9 3 7
3 - 9 - 4
y as sucesivamente hasta que la etiqueta mnima corresponde al v ertice de destino
(pudiendo haber o no otros con el mismo costo). En este momento el costo mnimo
es el marcado por la etiqueta l(6) = 8. La trayectoria de costo mnimo se obtiene
observando desde qu e v ertice k se ha conseguido el cambio de la etiqueta l(6), desde
qu e v ertice j se ha producido el cambio de la etiqueta l(k), y as sucesivamente hasta
llegar al v ertice 1:
2009/2010
44 c UJI
44
1 2 3 4 5 6 7 8
0
1 - 9 3 7
3 - 9 - 4
4 - 6 - - 8 10 5
7 - 6 - - 8 8 - 21
2 - - - - 8 8 - 21
as 6 viene de 7, 7 viene de 4, 4 viene de 3 y 3 viene de 1. Por tanto, la trayectoria
de mnimo costo encontrada es
1 3 4 7 6
.
2.3. Optimizaci on en dgrafos
A continuaci on se aborda el estudio de algunos problemas de optimizaci on, los
cuales pueden ser modelados a partir de la teora de dgrafos ponderados.
Denici on 2.3.1
Sea D un dgrafo. Una ponderaci on en D es una aplicaci on : A(G) R
+
{0}.
En ese caso, el par (D, ) recibe el nombre de dgrafo ponderado y el valor (e),
donde e A(G), el de peso (o costo) del arco e.
Ejemplo 2.3.1
A continuaci on se da la representaci on de un dgrafo ponderado.
1
2
3
4
5
6
7 8
9
3
7
2
2
1 4
6
1
1
3
7
16
Denici on 2.3.2
Sea D un dgrafo d ebilmente conexo. Diremos que D es acclico si no contiene
ning un circuito orientado.
Ejemplo 2.3.2
El dgrafo cuya representaci on aparece a continuaci on es un grafo acclico, pues no
contiene circuitos orientados.
2009/2010
45 c UJI
45
1 2
3 4
5
Ejemplo 2.3.3
El dgrafo cuya representaci on aparece a continuaci on no es un grafo acclico pues
contiene, entre otros, los circuitos orientados 1 3 4 2 1 y 5 4
2 5.
1 2
3 4
5
Denici on 2.3.3
Sea D un dgrafo d ebilmente conexo. Diremos que un v ertice k es v ertice inicial o
v ertice fuente si no existen arcos de la forma (i, k) donde i A(D) {k}.
Denici on 2.3.4
Sea D un dgrafo d ebilmente conexo. Diremos que un v ertice k es v ertice nal o
v ertice sumidero si no existen arcos de la forma (k, i) donde i A(D) {k}.
Ejemplo 2.3.4
En el dgrafo correspondiente al ejemplo de grafo acclico, el v ertice 1 es un v ertice
inicial y el v ertice 4 un v ertice nal.
Denici on 2.3.5
Llamamos red a un dgrafo D con dos ponderaciones llamadas capacidades y
ujos, que representaremos como c y f, las cuales satisfacen (i, j) A(D)
c
i,j
= c(i, j) 0 y 0 f
i,j
= f(i, j) c
i,j
.
2009/2010
46 c UJI
46
En este libro manejaremos unicamente redes acclicas. En este caso es posible de-
nir para cada par de v ertices las capacidades (i, j) V (D) V (D);
c
i,j
=
c(i, j) (i, j) A(D)

c(i, j) (j, i) A(D)
0 {i, j} / E(D)
y los ujos
f
i,j
=
f(i, j) (i, j) A(D)

f(i, j) (j, i) A(D)
0 {i, j} / E(D)
siendo en ambos casos E(D) el conjunto de aristas del grafo subyacente a D.
Finalmente indicar que en un dgrafo acclico D, es posible denir una relaci on
de orden dada por i, j V (D), i j si, y s olo si, existe en caso de ser i = j una
trayectoria dirigida que une i con j (compru ebese que esta relaci on es de orden).
2.3.1. El problema de la trayectoria crtica
Muchos proyectos pueden ser divididos en una serie de tareas de modo que para
poder realizar unas de ellas deben estar nalizadas otras (una o varias), pudi endose
dar por nalizado el trabajo unicamente cuando est an acabadas todas las tareas.
Las tareas pueden modelarse como arcos en un dgrafo, asign andose como peso el
tiempo que cuesta realizar dicha tarea. Como nodos representaremos los requisitos
necesarios (tareas que deben estar nalizadas) para emprender una nueva. Las tareas
que no necesitan ning un prerrequisito partir an del v ertice inicial, y aquellas tareas
no necesarias como punto de partida para ninguna otra, nalizar an en un v ertice
nal.
Un problema de gran inter es es la evaluaci on del tiempo mnimo en que puede
ser ejecutado un proyecto. Este problema puede ser modelado mediante el llamado
problema de la trayectoria crtica.
Denici on 2.3.6
Sea D un dgrafo acclico ponderado. Diremos que una trayectoria es crtica si es
una trayectoria que conecta un v ertice inicial con un v ertice nal de modo que su
costo es m aximo.
El problema de la trayectoria crtica puede resolverse mediante el algoritmo PERT
(t ecnica de revisi on y evaluaci on de programas). Dicho algoritmo puede esquema-
tizarse como
Algoritmo PERT
1. Etiquetar todos los v ertices como cero: l(i) = 0, i V (D).
2009/2010
47 c UJI
47
2. Tomar un v ertice inicial i. Para todos los v ertices adyacentes j asignar a l(j)
el valor max{l(j), l(i) + l(i, j)}. Eliminar el v ertice i y los arcos que parten
de el.
3. Si todos los v ertices restantes son v ertices nales, el algoritmo naliza sien-
do el costo de la trayectoria crtica la mayor de las etiquetas de los v ertices
nales. Si existen v ertices no nales ir al paso 2.
El algoritmo PERT puede aplicarse en forma tabular tal como se muestra en el
ejemplo.
Ejemplo 2.3.5
Obtener una trayectoria crtica en el dgrafo cuya representaci on viene dada en la
siguiente gura.
1
2 3
4
5
6
7
8
1
4
7
1
8
2
4
9
10
3
2
11
1
El problema se resuelve mediante el algoritmo del PERT el cual en forma tabular
resulta:
1 2 3 4 5 6 7 8
0 0 0 0 0 0 0 0
1 - 1 0 4 7 0 0 0
2 - - 2 9 7 0 0 0
3 - - - 9 7 6 0 0
4 - - - - 18 19 12 0
5 - - - - - 19 20 0
6 - - - - - - 20 30
7 - - - - - - - 30
Por tanto, la trayectoria crtica tiene un coste de 30. Una trayectoria crtica es la
siguiente:
1 2 4 6 8
2.3.2. El problema del ujo m aximo en una red

En este epgrafe se aborda el estudio del ujo m aximo que puede pasar a trav es
de una red, o el equivalente consistente en investigar en cu anto se puede incrementar
el ujo que atraviesa una red. Para ello, sea D un dgrafo acclico sobre el cual se han
2009/2010
48 c UJI
48
denido unas capacidades dadas por una matriz C, cuyos elementos denotaremos
por c
i,j
sobre la cual circulan unos ujos dados por una matriz F, cuyos elementos
denotaremos por f
i,j
. Las matrices C y F son matrices antisim etricas.
En este estudio consideraremos que la red contiene una unica fuente y un unico
sumidero (en otro caso, se puede reducir f acilmente el problema a este). Sea L
el v ertice fuente y S el v ertice sumidero. Entonces el ujo f que atraviesa la red
viene dado por f =
n
i=1
f
L,i
=
n
i=1
f
i,S
. En el resto de nodos que denominaremos
intermedios debe cumplirse la ley de Kirchoff (ujo entrante igual a ujo saliente)
lo que implica la condici on
n
j=0
f
i,j
= 0, i {1, . . . , n} {L, S}.
El m etodo que seguiremos para buscar un incremento de ujo en la red consis-
tir a en investigar trayectorias entre L y S, a trav es de las cuales es posible hacer
llegar una cantidad adicional de ujo al nodo n. Para poder enviar desde un nodo
una cantidad adicional de ujo, siempre sin exceder la capacidad, hay dos proce-
dimientos: uno, hacer llegar m as ujo al nodo, y otro, enviar menos cantidad de
ujo a otro nodo. Bas andose en este principio, Ford y Fulkerson construyeron un
algoritmo capaz de encontrar una trayectoria de L a S, caso de ser posible, a trav es
de la cual incrementar el ujo que circula por la red.
Algoritmo de Ford-Fulkerson
1. Etiquetar L como
1
= +, dejando el resto de v ertices como no etiqueta-
dos.
2. Buscar un v ertice i etiquetado no analizado. Proc edase del siguiente modo:
para cada v ertice j no etiquetado adyacente a i, si 0 f
i,j
< c
i,j
, calcular:
i,j
= c
i,j
f
i,j
y
j
= mn{
i
,
i,j
}
y etiqu etese el v ertice j como (
j
, i
+
). En caso de ser f
i,j
< 0, calcular
i,j
= f
i,j
y
j
= mn{
i
,
i,j
}
y etiqu etese j como (
j
, i
). Marcar el v ertice i como analizado.

Si no existe tal v ertice i, el ujo actual es el ujo m aximo, con lo que naliza
el algoritmo.
3. Repetir el paso 2 hasta que se alcanza el punto S.
4. Trazar el camino de L a S utilizando las etiquetas, e incrementar el ujo a
trav es de dicho camino en
S
unidades.
5. A partir del camino construido anteriormente, calcular el ujo incrementado
como f = f +
S
.
6. Eliminar las marcas de etiquetado y analizado de los v ertices y volver al paso
1 para proceder a una nueva iteraci on.
2009/2010
49 c UJI
49
En este algoritmo debe entenderse:
Por v ertice analizado en cada iteraci on se entender a aqu el para el cual se ha
estudiado en cuanto se puede incrementar el ujo en los v ertices adyacentes
seg un el paso 2.
Dos v ertices son adyacentes si lo son en el grafo subyacente a D.
Ejemplo 2.3.6
Dado la red cuyas matrices de capacidades y de ujos vienen dadas respectivamente
por (se da unicamente la parte superior de ambas matrices):
C =
0 4 2 6 4 0
. 0 2 0 0 4
. . 0 3 0 2
. . . 0 2 5
. . . . 0 4
. . . . . 0
F =
0 2 1 1 2 0
. 0 1 0 0 1
. . 0 2 0 0
. . . 0 1 4
. . . . 0 1
. . . . . 0
determinar el ujo m aximo que puede atravesar dicha red (utilizar el m etodo de
Ford-Fulkerson en su forma tabular).
En primer lugar, se tiene que el grafo puede ser representado como
1
2
3
4
5
6
(4,2)
(2,1)
(6,1)
(4,2)
(2,1)
(3,2)
(2,1)
(4,1)
(2,0)
(5,4)
(4,1)
El ujo inicial es f =
6
j=2
f
1,j
= 6. Aplicando el algoritmo de Ford-Fulkerson
se tiene:
1 2 3 4 5 6
+ - - - - -
1 + (2, 1
+
) (1, 1
+
) (5, 1
+
) (2, 1
+
) -
2 + (2, 1
+
) (1, 1
+
) (5, 1
+
) (2, 1
+
)
2,6
= 3
6
= (2, 2
+
)
2009/2010
50 c UJI
50
Por tanto ,la red admite un incremento de ujo de dos unidades a trav es del
camino 1 2 6. Incrementando el ujo actual en dos unidades a trav es del
camino resulta:
1
2
3
4
5
6
(4,4)
(2,1)
(6,1)
(4,2)
(2,1)
(3,2)
(2,1)
(4,3)
(2,0)
(5,4)
(4,1)
resultando el ujo actual f = 8 unidades.
1 2 3 4 5 6
+ - - - - -
1 + - (1, 1
+
) (5, 1
+
) (2, 1
+
) -
3 +
3,2
= 1 (1, 1
+
) (5, 1
+
) (2, 1
+
)
3,6
= 2
(1, 3
) (1, 3
+
)
Por tanto, la red admite un incremento de ujo de una unidad a trav es del camino
1 3 6, con lo que resulta:
1
2
3
4
5
6
(4,4)
(2,2)
(6,1)
(4,2)
(2,1)
(3,2)
(2,1)
(4,3)
(2,1)
(5,4)
(4,1)
de donde el ujo actual es f = 9 unidades.
1 2 3 4 5 6
+ - - - - -
1 + - - (5, 1
+
) (2, 1
+
) -
4 + -
4,3
= 2 (5, 1
+
) (2, 1
+
)
4,6
= 1
(2, 4
) (1, 4
+
)
2009/2010
51 c UJI
51
Por tanto, la red admite un incremento de ujo de una unidad a trav es del camino
1 4 6, con lo que resulta:
1
2
3
4
5
6
(4,4)
(2,2)
(6,2)
(4,2)
(2,1)
(3,2)
(2,1)
(4,3)
(2,1)
(5,5)
(4,1)
El ujo actual es de diez unidades. Aplicando nuevamente el algoritmo se tiene:
1 2 3 4 5 6
+ - - - - -
1 + - - (4, 1
+
) (2, 1
+
) -
4 + -
4,3
= 2 (4, 1
+
) (2, 1
+
) -
(2, 4
)
3 +
3,2
= 1 (2, 4
) (4, 1
+
) (2, 1
+
)
3,6
= 1
(1, 3
) (1, 3
+
)
Por tanto, es posible aumentar el ujo de la red en una unidad a trav es del camino
1 4 3 6. As, resulta:
1
2
3
4
5
6
(4,4)
(2,2)
(6,3)
(4,2)
(2,1)
(3,1)
(2,1)
(4,3)
(2,2)
(5,5)
(4,1)
El ujo actual resulta de once unidades. Aplicando nuevamente el algoritmo se
obtiene la tabla de incrementos de ujo:
2009/2010
52 c UJI
52
1 2 3 4 5 6
+ - - - - -
1 + - - (3, 1
+
) (2, 1
+
) -
4 + -
4,3
= 1 (3, 1
+
) (2, 1
+
) -
(1, 4
)
3 +
3,2
= 1 (1, 4
) (3, 1
+
) (2, 1
+
) -
(1, 3
) -
2 + (1, 3
) (1, 4
) (3, 1
+
) (2, 1
+
)
2,6
= 1
(1, 2
+
)
Por tanto, es posible incrementar el ujo en una nueva unidad a trav es de la
trayectoria 1 4 3 2 6. Actualizando los ujos de la red se tiene:
1
2
3
4
5
6
(4,4)
(2,2)
(6,4)
(4,2)
(2,0)
(3,0)
(2,1)
(4,4)
(2,2)
(5,5)
(4,1)
El ujo actual resulta de doce unidades. Aplicando nuevamente el algoritmo se
obtiene la tabla de incrementos de ujo:
1 2 3 4 5 6
+ - - - - -
1 + - - (2, 1
+
) (2, 1
+
) -
4 + - - (2, 1
+
) (2, 1
+
) -
5 + - - (2, 1
+
) (2, 1
+
)
5,6
= 3
(2, 5
+
)
Por tanto, es posible incrementar el ujo dos unidades a trav es de la trayectoria
1 5 6. Aplicando de nuevo el algoritmo se tiene:
2009/2010
53 c UJI
53
1
2
3
4
5
6
(4,4)
(2,2)
(6,4)
(4,4)
(2,0)
(3,0)
(2,1)
(4,4)
(2,2)
(5,5)
(4,3)
El ujo actual resulta de catorce unidades. Aplicando nuevamente el algoritmo
se obtiene la tabla de incrementos de ujo:
1 2 3 4 5 6
+ - - - - -
1 + - -
1,4
= 2 - -
(2, 1
+
)
4 + - - (2, 1
+
)
4,5
= 1 -
(1, 4
)
5 + - - (2, 1
+
) (1, 4
)
5,6
= 1
(1, 5
+
)
Por tanto es posible incrementar el ujo en una unidad a trav es del camino
1 4 5 6. Actualizando los ujos de la red se obtiene:
1
2
3
4
5
6
(4,4)
(2,2)
(6,5)
(4,4)
(2,0)
(3,0)
(2,0)
(4,4)
(2,2)
(5,5)
(4,4)
El ujo actual resulta de quince unidades. Aplicando nuevamente el algoritmo
de Ford-Fulkerson se tiene la tabla:
1 2 3 4 5 6
+ - - - - -
1 + - -
1,4
= 1 - -
(1, 1
+
)
4 + - - (1, 1
+
) - -
2009/2010
54 c UJI
54
Llegados a este punto no existen nodos etiquetados sin analizar, no habi endose al-
canzado el nodo nal, por tanto, seg un el algoritmo de Ford-Fulkerson ya no son
posibles nuevos incrementos de ujo, por lo que el ujo m aximo es el ujo actual.

2009/2010
55 c UJI
55
Tema 3
Programaci on lineal
3.1. Introducci on
La programaci on lineal es un caso particular de un problema m as general; la
programaci on matem atica que aborda el problema de optimizar una funci on o fun-
cional : X R denida sobre un cierto subconjunto E de un espacio vectorial
real (de dimensi on no necesariamente nita) sometida a un conjunto de restriccio-
nes L. En el problema expuesto anteriormente, L puede ser, bien un determinado
subconjunto de R
k
, bien un subconjunto de un determinado espacio funcional. Aten-
diendo al tipo de funci on o funcional a optimizar y al tipo de restricciones, podemos
clasicar los problemas de programaci on matem atica como:
- Programaci on no lineal: optimizar (X) sometido a X L.
- Teora de control y programaci on din amica: optimizar (X) sometido
a X Len caso de ser X un vector de un espacio de dimensi on innita.
A continuaci on, por su importancia en este curso, se muestra m as detalladamen-
te el problema de la programaci on no lineal como aqu el que satisface:
- L X R
n
.
- L =
X X|g(X)
donde g : R
n
R
m
,
b R
m
.
- L convexo.
Con estas condiciones se excluyen los problemas de innitas dimensiones, los
problemas con un n umero innito de restricciones y los problemas discretos (pro-
gramaci on entera). Estos ultimos ser an estudiados posteriormente mediante algorit-
mos especiales.
Existen tipos especiales en el problema de programaci on no lineal seg un sea la fun-
ci on a optimizar o las restricciones; en particular destacamos:
Si L = R
n
diremos que estamos ante un problema sin restricciones.
Si X = R
n
y s olo existen restricciones de igualdad diremos que esta-
mos ante un problema cl asico de extremos.
2009/2010
57 c UJI
56
Si la funci on g es un homomorsmo de espacios vectoriales, diremos
que estamos ante un problema con restricciones lineales. Este problema
tiene dos subclases muy importantes:
Si (X) = X
t
QX + p
t
X donde C es una matriz sim etrica
n n y p R
n
, diremos que estamos ante un problema de
programaci on cuadr atica.
Si (X) = p
t
X donde p R
n
, diremos que estamos ante
un problema de programaci on lineal.
Los problemas de programaci on din amica y de control no ser an abordados en este
curso.
Los m etodos de programaci on requieren alg un conocimiento acerca del an alisis
convexo. Para ello, denimos en primer lugar conjunto convexo.
3.2. Conjuntos convexos
Denici on 3.2.1
Sea K R
n
. Diremos que K es un conjunto convexo si
x ,
y K y [0, 1]
se verica que
x + (1 )
y K.
Ejemplo 3.2.1
Sea K = {(x, y, z) R
3
|x
2
+ y
2
+ z
2
1}.
Para estudiar si K es convexo, sean dos puntos cualesquiera (x
1
, y
1
, z
1
), (x
2
, y
2
, z
2
)
K y sea [0, 1].
El punto (x
1
, y
1
, z
1
) +(1)(x
2
, y
2
, z
2
) = (x
1
+(1)x
2
, y
1
+(1)y
2
,
, z
1
+ (1 )z
2
) pertenecer a a K si, y s olo si, se verica que
[x
1
+ (1 )x
2
]
2
+ [y
1
+ (1 )y
2
]
2
+ [z
1
+ (1 )z
2
]
2
1.
Desarrollando el primer miembro se tiene que
2
x
2
1
+ (1 )
2
x
2
2
+ 2(1 )x
1
x
2
+
2
y
2
1
+ (1 )
2
y
2
2
+ 2(1 )y
1
y
2
+
+
2
z
2
1
+(1)
2
z
2
2
+2(1)z
1
z
2
=
2
(x
2
1
+y
2
1
+z
2
1
) +(1)
2
(x
2
2
+y
2
2
+z
2
2
)+
2(1 )(x
1
x
2
+ y
1
y
2
+ z
1
z
2
) = ()
Teniendo en cuenta que x
2
1
+y
2
1
+z
2
1
1, x
2
2
+y
2
2
+z
2
2
1 y que x
1
x
2
+y
1
y
2
+z
1
z
2
es el producto escalar de los vectores

r
1
= (x
1
, y
1
, z
1
) ,
r
2
= (x
2
, y
2
, z
2
) y que
r
1

r
2
= ||
r
1
|| ||
r
2
|| cos 1 puesto que ||
r
1
|| = x
2
1
+ y
2
1
+ z
2
1
1,
||
r
2
|| = x
2
2
+ y
2
2
+ z
2
2
1 y cos 1 resulta
()
2
+ (1 )
2
+ 2(1 ) = [ + (1 )]
2
= 1
2
= 1
Por tanto, se verica la condici on requerida, lo que implica que el conjunto K es
convexo.
2009/2010
58 c UJI
57
Ejemplo 3.2.2
Sea el conjunto K = {(x, y) R
2
|x
2
+y
2
[1, 2], x 0, y 0}. Este conjunto no
es convexo, pues los puntos (1, 0),(0, 1) K; el punto (
1
2
,
1
2
) pertenece al segmento
que une (1, 0) con (0, 1), pues (
1
2
,
1
2
) = (1, 0) + (1 )(0, 1) con =
1
2
, pero
dicho punto no pertenece a K, pues

1
2
2
+
1
2
2
=
1
2
/ [1, 2]. Por tanto, K no es
convexo.
Teorema 3.2.1
Sea K R
N
un conjunto convexo y sea A : R
n
R
m
una transformaci on afn.
Entonces A(K) es convexo en R
m
.
Dem:
A transformaci on afn por tanto,
x R
n
se tiene que
b R
m
y f : R
n
R
m
lineal de modo que A(
x ) = f(
x ) +

b .
Sean

y
1
,
y
2
f(K), y sea [0, 1], entonces
x
1
,
x
2
K de modo que
y
1
= A(
x
1
),

y
2
= A(
x
2
), por tanto
y
1
+ (1 )
y
2
= A(
x
1
) + (1 )A(
x
2
) =
=
f(
x
1
) +

b )+
+ (1 )
f(
x
2
) +

b )) +

b
=
= f(
x
1
+ (1 )
x
2
) +
b + (1 )
b = f(
x
1
+ (1 )
b
y puesto que K es convexo se tiene que

x =
x
1
+ (1 )
x
2
K, as
y
1
+ (1 )
y
2
= f(
x ) +

b f(K)
y, por tanto, f(K) es convexo.
Teorema 3.2.2
Sea {K
i
}
iI
una familia de conjuntos convexos de R
n
. Entonces

iI
K
i
o es vaca o
es un conjunto convexo.
Dem:
Supongamos que

iI
K
i
= . Sean

x ,
y

iI
K
i
, entonces

x ,
y K
i
,
i I. Por tanto, [0, 1] se verica que
x + (1 )
y K
i
, i I pues
K
i
es convexo, de donde
x +(1 )
y

iI
K
i
. Por tanto,

iI
K
i
es convexo.
Recu erdese que un hiperplano afn en R
n
es una variedad afn donde la dimen-
si on del subespacio director es n 1. Un hiperplano afn en R
n
tiene por ecuaci on
a
1
x
1
+ a
2
x
2
+ + a
n
x
n
+ b = 0 donde (a
1
, a
2
, . . . , a
n
) =

0 .
Denici on 3.2.2
Un semiespacio en R
n
es un subconjunto de la forma a
1
x
1
+a
2
x
2
+ +a
n
x
n
+b
0 donde (a
1
, a
2
, . . . , a
n
) =

0 .
Ejemplo 3.2.3
El conjunto 3x + 3y 3 es un semiespacio en R
2
.
2009/2010
59 c UJI
58
Un hiperplano afn H a
1
x
1
+a
2
x
2
+ +a
n
x
n
+b = 0 divide el espacio R
n
en
dos semiespacios a
1
x
1
+a
2
x
2
+ +a
n
x
n
+b 0 y a
1
x
1
+a
2
x
2
+ +a
n
x
n
+b 0.
Si H est a escrito de modo que el primer coeciente a
i
no nulo sea positivo, a dichos
semiespacios se les denota por H
+
y H
.
Teorema 3.2.3
Todo semiespacio afn de R
n
es convexo.
Dem:
Sea un semiespacio S a
1
x
1
+ a
2
x
2
+ + a
n
x
n
+ b 0 y sean los puntos
(x
1
, x
2
, . . . , x
n
), (y
1
, y
2
, . . . , y
n
) S, sea [0, 1]. Entonces se tiene que
((x
1
, x
2
, . . . , x
n
)+(1)(y
1
, y
2
, . . . , y
n
) = (x
1
+(1)y
1
, . . . , x
n
+(1)y
n
)
a
1
(x
1
+ (1 )y
1
) + a
2
(x
2
+ (1 )y
2
) + + a
n
(x
n
+ (1 )y
n
) + b =
= (a
1
x
1
+a
2
x
2
+ +a
n
x
n
)+b+(1)(a
1
y
1
+a
2
y
2
+ +a
n
y
n
)+(1)b =
= (a
1
x
1
+a
2
x
2
+ +a
n
x
n
+b)+(1)(a
1
y
1
+a
2
y
2
+ +a
n
y
n
+b) 0+(1)0 = 0
pues 0 y 1 0. Por tanto, S es convexo.
Teorema 3.2.4
Sea H un hiperplano de R
n
. Entonces H es convexo.
Dem:
El hiperplano H puede escribirse como H = H
+
y puesto que H
+
y H
son convexos, se tiene que su intersecci on H tambi en lo es.

Consecuencia de este ultimo teorema es la siguiente:
Teorema 3.2.5
Toda variedad afn de R
n
es convexa.
Dem:
Inmediata pues toda variedad afn es intersecci on de hiperplanos.
Teorema 3.2.6
Sea K R
n
un conjunto cerrado y convexo y sea
p / K. Entonce son equivalen-

tes:
1.

0 / K.
2.
u K tal que
u ,
x > 0,
x K.
Dem:
) Si
u K tal que
u ,
x > 0,
x K evidentemente

0 / K pues
u ,
0 = 0.
)
Sea = nf {||
x ||;
x K}. Consid erese una sucesi on de puntos

u
i
K de
modo que lm
n+
||
u
n
|| = . La sucesi on anterior es de Cauchy, pues
v ,
w
R
n
se verica
||
v +
w||
2
+||
w||
2
= 2||
v ||
2
+ 2||
w||
2
2009/2010
60 c UJI
59
de este modo
||
u
i
u
j
||
2
= 2||
u
i
||
2
+2||
u
j
||
2
||
u
i
u
j
||
2
= 2||
u
i
||
2
+2||
u
j
||
2
4||
u
i
+

u
j
2
||
2
En la relaci on anterior se tiene que

u
i
+
u
j
2
K y por tanto, ||
u
i
+
u
j
2
|| , luego
||
u
i

u
j
||
2
2||
u
i
||
2
+ 2||
u
j
||
2
4.
As, puesto que para i, j +, se tiene:
lm
i,j+
||
u
i

u
j
||
2
2 lm
i+
||
u
i
|| + 2 lm
j+
||
u
j
|| 4 = 4 4 = 0
por lo que la sucesi on {
u
n
}
n=1
es de Cauchy, y por tanto,
u K de modo que
||
u || = . Por otra parte, se tiene que dicho punto

u es unico, pues sea

z K de
modo que ||
z || = , entonces
||
w||
2
= 2||
v ||
2
+2||
w||
2
4||
v

w
2
||
2
2||
v ||
2
+2||
w||
2
4 = 44 = 0
Sea

u el punto de norma mnima 0 en K y sea

x K, sea ]0, 1[,
entonces
0 ||
u + (1 )
x || ||
u || =
2
||
u

x || + 2
u

x ,
u ,
y por tanto, ]0, 1[
0 ||
u

x || + 2
u

x ,
u ,
de donde
u ,
x ,
u =
u

x ,
u 0 y por tanto,
u ,
x >
2
> 0.
Teorema 3.2.7 (Primer teorema de separaci on)

Sea X R
n
un conjunto cerrado y convexo. Sea

p / X, entonces para alg un
v X,

v =

0 se verica
v ,
p <nf{
v ,
x ;
x X}.
Dem:
Sea S = X
p , S es la imagen de X por una transformaci on afn, por tanto, S

es cerrado y convexo. Puesto que

p / X,

0 / S, al examinar la demostraci on del
teorema anterior resulta que
v S,

v =

0 de modo que
v ,
v ,
v ,
y S, y como

y =

x

p se tiene que
v ,
x

p
v ,
v de donde
v ,
v ,
p ||
v ||
2
<nf{
v ,
x ;
x X}.
Denici on 3.2.3
Sea el espacio vectorial R
n
. Llamamos combinaci on lineal convexa de los vectores
x
1
,
x
2
,. . . ,
x
n
R
n
a toda expresi on de la forma
k
i=0
x
i
donde
1
, . . . ,
k
R,
i
0, i = 1, . . . , k,
1
+
2
+ +
k
= 1.
2009/2010
61 c UJI
60
Ejemplo 3.2.4
Sean los vectores de R
2
, (1, 0), (0, 1), (1, 1). Determinar si los vectores (
1
2
,
1
2
) y
(
1
3
, 0) se pueden escribir como combinaci on lineal convexa de los anteriores.
Para que (
1
2
,
1
2
) sea combinaci on lineal convexa de los vectores (1, 0), (0, 1),
(1, 1) deben existir escalares
1
,
2
,
3
R,
1
0,
2
0,
3
0, tales que
1
+
2
+
3
= 1 y
1
(1, 0) +
2
(0, 1) +
3
(1, 1) = (
1
2
,
1
2
). Esto es equivalente a
1
+
2
+
3
= 1
1
+
3
=
1
2
1
+
2
=
1
2
(3.1)
sistema que resulta compatible determinado y cuya soluci on viene dada por
1
= 0,
2
=
3
=
1
2
, por tanto, en el primer caso la respuesta es armativa.
Para que (
1
3
, 0) sea combinaci on lineal convexa de los vectores (1, 0), (0, 1),
(1, 1) deben existir escalares
1
,
2
,
3
R,
1
0,
2
0, tales que
3
0 y
1
+
2
+
3
= 1 y
1
(1, 0) +
2
(0, 1) +
3
(1, 1) = (
1
3
, 0). Esto es equivalente a
1
+
2
+
3
= 1
1
+
3
=
1
3
1
+
2
=
1
0
(3.2)
El sistema tambi en es, en este caso, compatible determinado, siendo su soluci on
1
=
2
3
,
2
=
2
3
,
3
= 1. Soluci on que no cumple el requisito de
1
0 y, por
tanto, la respuesta en este caso es negativa.
El siguiente teorema nos ofrece una denici on alternativa de conjunto convexo.
Teorema 3.2.8
Sea K R
n
. Entonces K convexo si
x
1
,
x
2
, . . . ,
x
k
K y
1
,
2
, . . . ,
k

Rcon
i
0 y
1
+
2
+ +
k
= 1 se verica que
1
x
1
+
2
x
2
+ +
k
x
k

K.
Dem:
)
Sean
x ,
y K y sea [0, 1]. Deniendo

1
= y
2
= 1 se tiene que
1
0,
2
0 y
1
+
2
= 1, por tanto,
x + (1 )
y =
1
x +
2
y K, y
as K es convexo.
)
Sean
x
1
,
x
2
, . . . ,
x
k
K y sea
1
,
2
, . . . ,
k
R con
i
> 0 y
1
+
2
+
+
k
= 1.
Si k = 1 se tiene que
1
= 1 y, por tanto,
1
x
1
=

x
1
K. Supongamos que
se cumple para k 1, entonces para k se tiene que:
x
1
+ +
k
x
k
= (
1
+ +
k1
)
1
+ +
k1
x
1
+
+ +

k1
1
+ +
k1
x
k1
+
k
x
k
2009/2010
62 c UJI
61
Sea
i
=

i
1
++
k1
, i = 1, . . . , k 1, entonces se tiene que
i
> 0 y tambi en que
1
+ +
k1
=

1
++
k1
1
++
k1
= 1, de donde por hip otesis de inducci on
y =

1
1
+ +
k1
x
1
+ +

k1
1
+ +
k1
x
k1
K
as
x
1
+ +
k
x
k
= (
1
+ +
k1
)
y +
k
x
k
= (1
k
)
y +
k
x
k
K
Denici on 3.2.4
Sea S R
n
. Llamamos envoltura convexa de S al conjunto co(S) formado por
las combinaciones lineales convexas de elementos de S.
Teorema 3.2.9
Sea S R
n
. Entonces co(S) es el menor subconjunto convexo de R
n
que contiene
a S.
Dem:
Sean
y
1
,
y
2
co(K). Entonces se verica que
y
1
=
r
i=1
x
i
,

x
i
K,
i
> 0,
k
i=1
i
= 1
y
2
=
s
i=1
z
i
,

z
i
K,
i
> 0,
s
i=1
i
= 1
y sea [0, 1]. Entonces
y
1
+ (1 )
y
2
=
r
i=1
x
i
+
s
i=1
(1 )
i
z
i
Sea
i
=
i
, i = 1, . . . , r y sea
r+i
= (1 )
i
, i = 1, . . . , s y sea
v
i
=
x
i
, i = 1, . . . , r y sea
v
r+i
=
z
i
, i = 1, . . . , s. Entonces
y
1
+ (1 )
y
2
=
r+s
i=1
v
i
donde
v
1
K, i = 1, . . . , r + s,
i
0, i = 1, . . . , r + s y
r+s
i=1
i
= 1, de donde
y
1
+ (1 )
y
2
K y, por tanto, K es convexo.
Sea C convexo de modo que S C. Sea
y co(S). Entonces
x
1
, . . . ,
x
p

S C y
1
R, i = 1, . . . , p con
i
0 y
p
r=1
i
= 1 de modo que

y =
p
i=1
x
i
y como C es convexo se tiene que
y =
p
i=1
x
i
C. Por tanto, co(S)
C.
2009/2010
63 c UJI
62
Teorema 3.2.10 (Teorema de Caratheodory)
Sea S R
n
. Entonces si
x co(S),
x puede escribirse como combinaci on lineal

convexa de un subconjunto {
u
1
, . . . ,
u
p
} S donde p n + 1.
Dem:
Sea

x co(S), entonces
u
1
, . . . ,
u
k
y
1
, . . . ,
k
R con
i
> 0, i =
1, . . . , k y
k
i=1
i
= 1 de modo que

x =
k
i=1
u
i
. Si k n + 1 el teorema
est a probado.
Si k > n + 1, supongamos que ese k es el menor valor para el que en las condi-
ciones anteriores
x =
k
i=1
u
i
. En esas condiciones se tiene:
k
i=1
1
(
u
i
x ) =
0.
Por otra parte
1
, . . . ,
k
, no todos nulos, de modo que
1
= 0 y
k
i=2
i
(
u
i
x ) =
0. Por tanto, se tiene que
k
i=1
(
i
+ t
i
) (
u
i
x ) = 0. Sea t
0
un valor de t pa-
ra el cual (t) = mn{
i
+ t
i
; i = 2, . . . , k} es nulo. Sea
j
+ t
0
j
= 0, sea
M =
k
i=1
(
i
+t
0
i
) y sea
i
=

i
+t
0
i
M
; as, se tiene que
i
0, con
1
> 0,
j
= 0,
k
i=1
i
= 1,
j1
i=1
i
(
u
i
x )+
k
i=j+1
i
(
u
i
x ) de donde
x =
j1
i=1
u
i
+
k
i=j+1
u
i
.
Por tanto,
x puede ponerse como combinaci on lineal convexa de k 1 vectores de

S, lo cual contradice la hip otesis de que k es mnimo.
Teorema 3.2.11
Sea S R
n
compacto. Entonces co(S) es compacto.
Dem:
Sea S un conjunto compacto de R
n
. Sea el conjunto V R
n+1
i=0
S denido
como
V = {
0
, . . . ,
n
,
u
0
, . . . ,
u
n
:
i
[0, 1],

u
i
S, i = 0, . . . , n;
n
i=0
i
= 1}
V es un subconjunto cerrado y acotado de R
(n+1)
2
, por tanto, V es compacto. Sea
: R
(n+1)
2
R
n
denida como (
0
,
1
, . . . ,
n
,
u
0
,
u
1
, . . . ,
u
n
) =
n
i=0
u
i
la cual es continua y cuya imagen es co(S) (teorema de Caratheodory). Puesto que
V es compacto, se tiene que co(S) es compacto.
Teorema 3.2.12
Para todo conjunto convexo S R
n
son equivalentes:
( i)
v R
n
tal que
v ,
u > 0
u S.
(ii)
0 / co(S).
2009/2010
64 c UJI
63
Dem:
) Si (ii) es falso, entonces
1
, . . . ,
n
[0, 1] y
u
1
, . . . ,
u
k
S con
k n + 1, y
k
i=1
i
= 1 de modo que
0 =
k
i=1
u
i
. Por tanto:
0 =
v ,
0 =
k
i=1
v ,
u
i
y, por tanto, no todos los valores
v ,
u
i
pueden ser positivos, lo que implica que
(ii) es falso.
)
Si (ii) es cierto, se tiene por el teorema anterior que co(S) es compacto y por
3.2.6 se tiene que
v R
n
tal que
v ,
u > 0
u S.
Denici on 3.2.5
Sea K un conjunto convexo. Diremos que

z K es punto extremo de K si
x
1
, . . . ,
x
k
K de modo que
1
, . . . ,
k
Rcon
i
> 0 y
1
+ +
k
= 1 de
modo que la relaci on
z =
k
i=1
x
i
implica necesariamente
x
1
= . . . =

x
k
=

z .
Teorema 3.2.13 (Teorema de Krein-Milman)
Todo conjunto K R
n
convexo y compacto es la clausura de la envoltura convexa
de sus puntos extremos.
Dem:
Sea n = 1. Entonces K = [a, b] y, por tanto, K es la envoltura convexa de sus
puntos extremos {a, b}. Supongamos cierta la hip otesis para dimensiones menores
que n, y sea K R
n
. Sea S = {
x K;
x punto extremo de K} y sea H =

co(S). Dado que K es convexo, se verica que H K. Puesto que K cerrado se
tiene H K. Por otra parte, supongamos que H = K, entonces
p KH. Sin
p erdida de generalidad podemos suponer que
p =

0 pues si no lo es, lo logramos
mediante la transformaci on afn A(
x ) =

x
p . Como
0 / H, por 3.2
x H,
v R
n
de modo que se verica que
x ,
v < 0. Sea c = sup{
x ,
v >:

x
K} de donde c 0. Puesto que K es compacto, ese supremo se alcanza en alg un
punto, lo que implica que el conjunto K
= {
x K :
x ,
v >= c} es no vaco.
K
es un conjunto compacto y convexo, pues es intersecci on de K con el hiperplano

afn {
x R
n
;
x ,
v = c}.
Sea

z punto extremo de K
. Supongamos que

z no es punto extremo de K
,
entonces
z
1
,
z
2
K con

z =

z
1
,

z =

z
2
, y ]0, 1[ de modo que
z =
z
1
+ (1 )
z
2
, a partir de lo cual se tiene que
c =
z ,
v =
z
1
+ (1 )
z
2
,
v =
z
1
,
v + (1 )
z
2
,
v < c
si
z
1
,
v < c o
z
2
,
v < c. Por tanto,
z
1
,
v =
z
2
,
v = c de donde
z
1
,
z
2
K
, por tanto,

z no sera punto extremo de K
, lo cual es absurdo. A
partir de este resultado se tiene que

z S H y, por tanto, c =
z ,
v < 0, lo
cual es absurdo. Por tanto, K = H = co(S).
2009/2010
65 c UJI
64
Teorema 3.2.14
Sea K R
n
un conjunto convexo y compacto y sea f : R
n
R lineal. Entonces,
el m aximo y el mnimo de f en K se alcanzan al menos en un punto extremo.
Dem:
Sea M = sup{f(
x ) :

x K} y sea K
= {
x K : f(
x ) = c}, puesto que

K es compacto, sea M = max{f(
x ) :

x K}, por lo que
z K de modo
que f(
z ) = M y, por tanto, K
es no vaco. Por otra parte, K
K, por tanto,
K
es acotado, y como K
= f
1
(c) y f es continua, se tiene que K
es compacto.
Por el teorema de Krein-Milman K
es combinaci on lineal convexa de sus puntos

extremos, y por tanto, K
tiene al menos un punto extremo. Sea
x punto extremo de
K
. Supongamos que
x
1
,
x
2
K,
x
1
=

x ,
x
2
=

x de manera que ]0, 1[
de modo que
x =
x
1
+ (1 )
x
2
, por otra parte se tiene que bien f(
x
1
) < c,
bien f(
x
2
) < c, o ambas, pues

x punto extremo en K
. De este modo, se tiene

que
c = f(
x ) = f(
x
1
) + (1 )f(
x
2
) < c + (1 )c = c
lo cual es absurdo, por tanto,
x es tambi en punto extremo en K. .

3.3. Programaci on lineal
El problema que se plantea en programaci on lineal consiste en optimizar una
funci on afn Z = c
1
x
1
+c
2
x
2
+ +c
n
x
n
+d sometida a un conjunto de restricciones
lineales de igualdad o desigualdad dado por
a
1,1
x
1
+ a
1,2
x
2
+ +a
1,n
x
1
b
1
+ + +
a
p,1
x
1
+ a
p,2
x
2
+ +a
p,n
x
1
b
p
a
p+1,1
x
1
+ a
p+1,2
x
2
+ +a
p+1,n
x
1
= b
p+1
+ + + =
a
p+q,1
x
1
+ a
p+q,2
x
2
+ . . . +a
p+q,n
x
1
= b
p+q
a
p+q+1,1
x
1
+ a
p+q+1,2
x
2
+ +a
p+q+1,n
x
1
b
p+q+1
+ + +
a
p+q+r,1
x
1
+ a
p+q+r,2
x
2
+ +a
p+q+r,n
x
1
b
p+q+r
p, q, r, n Z
+
con p + q + r > 0, n > 0, c
i
, d, a
i,j
, x
i
R
La funci on Z a optimizar recibe el nombre de funci on objetivo, el conjunto
K R
n
denido por las restricciones recibe el nombre de conjunto factible, y es
un conjunto convexo. Las variables x
1
, x
2
, . . . , x
n
reciben el nombre de variables
de decisi on, y los coecientes c
1
, c
2
, . . . , c
n
, coecientes de costo.
Denici on 3.3.1
Sean

a ,
b R
n
. Diremos que

a

b si a
i
b
i
, i = 1, . . . , n. Tambi en
diremos
a

b si a
i
b
i
, i = 1, . . . , n.
2009/2010
66 c UJI
65
Denici on 3.3.2
Llamamos problema de programaci on lineal en forma cl asica a un problema de la
forma:
maximizar Z =
c ,
x + d
sometido a:
A
0 , A R
mn
,

x ,
c R
n
,

b R
m
, d R
Ejemplo 3.3.1
Maximizar Z = 2x + 3y 1
sometido a:
x + 2y 4
2x y 5
x, y 0
Cualquier problema de programaci on lineal puede ser reducido a forma cl asica; para
ello basta proceder seg un:
Minimizar una funci on Z =
c ,
x + d es equivalente a maximizar Z =
c ,
x d. Adem as, se verica que Z

mn
= (Z
max
).
La restricci on
n
j=1
a
i,j
x
j
b
i
es equivalente a la dada por
n
j=1
a
i,j
x
j
b
i
.
La restricci on
n
j=1
a
i,j
x
j
= b
i
es equivalente al par de restricciones
n
j=1
a
i,j
x
j
b
i
n
j=1
a
i,j
x
j
b
i
.
La restricci on
j=1
a
i,j
x
j
b
i
es equivalente al par de restricciones
n
j=1
a
i,j
x
j
b
i
n
j=1
a
i,j
x
j
b
i
.
2009/2010
67 c UJI
66
Si x
i
es una variable de decisi on que no requiere ser mayor o igual que ce-
ro, dicha variable puede ser reemplazada por la diferencia de dos variables
positivas u
i
, v
i
0, esto es x
i
= u
i
v
i
con u
i
, v
i
0.
Ejemplo 3.3.2
Escribir en su forma cl asica el problema
Minimizar Z = 2x + 3y 1
sometido a:
x + 2y = 1
|2x y| 5
x, y R
Aplicando el procedimiento anterior se obtiene el problema en su forma cl asica
como:
Sea
x = x
1
x
2
y = x
3
x
4
donde x
1
, x
2
, x
3
, x
4
0
Maximizar Z
1
= 2x + 2x
2
3x
3
+ 3x
4
+ 1
sometido a:
x
1
x
2
+ 2x
3
2x
4
1
x
1
x
2
+ 2x
3
2x
4
1
2x
1
2x
2
x
3
+ x
4
5
2x
1
2x
2
x
3
+ x
4
5
donde x
1
, x
2
, x
3
, x
4
0
Denici on 3.3.3
Llamamos problema de programaci on lineal en la forma est andar a un problema
de la forma:
Maximizar la funci on Z =
c ,
x + d
sometido a las restricciones:
A
x =

b
x

0 ,

b

0
A R
n,m
,

x R
m
,

b R
n
,

c R
m
, d R
Todo problema de programaci on lineal puede ser llevado a su forma est andar a
partir de su formulaci on cl asica teniendo en cuenta las siguientes consideraciones
2009/2010
68 c UJI
67
Toda desigualdad puede ser transformada en igualdad mediante la adici on o
sustracci on de una variable positiva llamada variable de holgura.
Toda desigualdad puede ser cambiada de sentido sin mas que multiplicar am-
bos miembros por 1.
Ejemplo 3.3.3
Sea el problema dado en su forma cl asica como:
Maximizar Z = 2x + 2x
2
3x
3
+ 3x
4
+ 1
sometido a:
x
1
x
2
+ 2x
3
2x
4
1
x
1
x
2
+ 2x
3
2x
4
1
2x
1
2x
2
x
3
+ x
4
5
2x
1
2x
2
x
3
+ x
4
5
donde x
1
, x
2
, x
3
, x
4
0
aplicando las transformaciones anteriores se tiene el problema en su forma est andar
como:
Maximizar Z = 2x + 2x
2
3x
3
+ 3x
4
+ 1
sometido a:
x
1
x
2
+ 2x
3
2x
4
+ x
5
= 1
x
1
x
2
+ 2x
3
2x
4
x
6
= 1
2x
1
2x
2
x
3
+ x
4
+ x
7
= 5
2x
1
+ 2x
2
+ x
3
x
4
+ x
8
= 5
donde x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
, x
8
0
Denici on 3.3.4
Sea un problema de programaci on lineal dado en su forma est andar y sea K R
n
el conjunto dado por las restricciones del problema
x R
n
: A
x =

b ,

x

0
Diremos que un punto
x es punto b asico del problema si S

n
de modo que la
matriz A R
nm
puede descomponerse como A = [D|E] donde D = {d
i,j
}, i =
1, . . . , m; j = 1, . . . , m, es matriz regular, E = {e
i,j
}, i = 1, . . . , m; j = m +
1, . . . , n, de modo que
x satisface x
i
= 0, i = m + 1, . . . , n y D
y =

b donde
i = (x
1
, . . . , x
m
)
t
. Si adem as

x K diremos que

x es un punto factible
b asico.
El nombre de b asico se debe a que las columnas
1
,
2
, . . . ,
m
de la matriz forman
una base de R
m
.
2009/2010
69 c UJI
68
Teorema 3.3.1
Un punto b asico
x es factible si, y s olo si, x

i
0, i = 1, . . . , n.
Dem:
En primer lugar, si
x es b asico se tiene que

A
x = D
1
. . .
x
+ E
m+1
. . .
x
=

b +
0 =

b
y, por tanto,
x K si, y s olo si, x

i
0, i = 1, . . . , n.
Denici on 3.3.5
Diremos que un punto factible es no degenerado si el cardinal de I(
x ) es n,
esto es,

x tiene exactamente n componentes mayores que cero. En caso contrario
diremos que
x es degenerado.
Denici on 3.3.6
Sea un problema de programaci on lineal dado en su forma est andar y sea K R
n
el conjunto dado por las restricciones del problema
x R
n
: A
x =

b ,

x

0
y sea
x K un punto factible. Llamamos I(
x ) = {i {1, . . . , n} : x
i
> 0}.
Teorema 3.3.2 (Teorema fundamental de la programaci on lineal)
Sea un problema de programaci on lineal dado en su forma est andar y sea

A
i
el
vector dado por la i- esima columna de la matriz A. Sea

x K un punto factible.
Entonces las siguientes armaciones son equivalentes:
1.

x es un punto extremo de K.
2. {
A
i
: i I(
x )} es un conjunto linealmente independiente.

Dem:
2) 1)
Supongamos que

x no es punto extremo, entonces
u ,
v K {
x } y
]0, 1[ de modo que
x =
u + (1 )
v .
Para cada i / I(
x ) se tiene que x
i
= 0, por tanto, 0 = u
i
+ (1 )v
i
y
dado que

u ,
v K se tiene que

u

0 ,

v

0 , por tanto, es necesario que
u
i
= v
i
= 0.
Por otra parte, se verica que A
u =

b , y A
u =

b por tanto, A
u A
v =

0
lo que es equivalente a
n
i=0
(u
i
v
i
)
A
i
=
iI(
x )
(u
i
v
i
)
A
i
=

0 .
Como {
A
i
: i I(
x )} es linealmente independiente, es necesario que se

verique que u
i
v
i
= 0, I(
x ) y por tanto, u
i
= v
i
, I(
x ), de donde
u =

v ;
con lo cual
x =
u +(1)
v =
u +(1)
u =

u , pero
u ,
v K{
x },
lo cual es una contradicci on. Por tanto,
x es punto extremo de K.
1) 2)
2009/2010
70 c UJI
69
Sup ongase que el conjunto {
A
i
: i I(
x )} es no libre, entonces w
i

R, i I(
x ) no todos nulos de modo que

I(
x )
w
i
A
i
= 0, y sea w
i
= 0, i /
I(
x ). Denominando como
w al vector cuyas componentes viene dadas por w

i
, i =
1, . . . , n se tiene que R
+
, por tanto, se verica que A(
w) = A
w = A
x =

b . Sea < max{ R
+
: x
i
w
i
= 0, i I(
x )}. Entonces,
se verica que
u =

x +
w K y
v =

v
w K y, por tanto,
1
2
u +
1
2
v =

x
lo cual no es posible pues
x es un punto extremo de k, por tanto, {
A
i
: i I(
x )}
es libre.
Denici on 3.3.7
Sea un problema de programaci on lineal escrito en forma est andar y sea {
A
i
:
i I(
x )} base de R
n
. Entonces, llamamos soluci on b asica asociada a la soluci on
del sistema que satisface x
i
= 0 i / I(
x )}. A las variables x

i
de modo que
i I(
x ) se les denomina variables b asicas, siendo denominadas las restantes x

i
como variables no b asicas.
3.3.1. Algoritmo del simplex
La resoluci on de un problema de programaci on lineal puede abordarse por di-
versos procedimientos. La soluci on del problema de programaci on lineal, si esta
existe, debe alcanzarse en un punto extremo. En este curso se abordar a el llamado
algoritmo del simplex (Dantzing, 1948), el cual consta de dos etapas:
Encontrar un punto extremo de K.
Cambiar de punto extremo de K de modo que se incremente el valor de la
funci on objetivo Z.
Para la resoluci on del algoritmo del simplex debemos tener en cuenta el siguiente
teorema.
Teorema 3.3.3
Sea un problema de programaci on lineal dado en su forma est andar. Sea la funci on
objetivo Z =
n
i=0
c
i
x
i
escrita de modo que si x
i
es variable b asica, c
i
= 0 siendo
c
i
0 en otro caso. Entonces, Z alcanza su m aximo en K en el punto
x extremo,
tal que sus coordenadas no b asicas se anulan.
Dem:
Dado que
x K se verica que x
i
0, i = 1, . . . , n, entonces
y K, Z(
y ) =
n
i=1
c
i
y
i
=
iI(
x )
c
i
y
i
0
Por otra parte, el valor cero es alcanzado pues
Z(
x ) =
n
i=1
c
i
x
i
=
iI(
x )
c
i
x
i
= 0
2009/2010
71 c UJI
70
por tanto, dicho punto b asico es optimo.
Para encontrar un punto extremo se aplica el teorema fundamental de la pro-
gramaci on lineal, seg un el cual un punto es extremo si, y s olo si, es punto fac-
tible b asico, para lo cual bastar a que el conjunto de columnas de A correspon-
dientes a los ndices de I(
x ) sea linealmente independiente, y que se satisfaga

x
i
, 0 i = 1, . . . , n. En este apartado supondremos no degeneraci on, as las co-
lumnas anteriores formar an una base de R
m
. En caso de degeneraci on, esta se puede
evitar sumando al segundo miembro de cada ecuaci on una cantidad
i
donde i repre-
senta la la correspondiente a la ecuaci on y una cantidad positiva sucientemente
peque na.
La forma habitual de dar las restricciones de un problema de programaci on li-
neal es mediante un conjunto de desigualdades lineales para las variables de deci-
si on. Estas restricciones pueden ser transformadas en un conjunto de desigualdades
lineales para un conjunto de variables positivas. Para llevar dichas desigualdades
a la formulaci on est andar, las escribiremos, en primer lugar, dejando en el primer
miembro la parte correspondiente a las variables y en el segundo miembro los t ermi-
nos independientes, de modo que estos resulten mayores o iguales que cero. Una
vez escritas las restricciones de esta manera, se procede a introducir un conjunto
de variables positivas, llamadas, como es sabido, variables de holgura, las cuales
mediante su adici on o sustracci on permiten transformar las desigualdades en igual-
dades. Si las desigualdades escritas en la forma indicada son todas de la forma ,
entonces habr a una variable de holgura por cada ecuaci on, de modo que si escri-
bimos como es habitual las variables de holgura al nal de la matriz de la forma
est andar, las m ultimas columnas resultan ser
1 0 0 . . . 0
0 1 0 . . . 0
0 0 1 . . . 0
. . . . . . . . . . . . . . .
0 0 0 . . . 1
Por tanto, el punto resultante de igualar a cero las variables correspondientes a las
columnas 1, 2, . . . , n m ser a un punto factible b asico; dicho punto resulta
x =
(0, 0, . . . , 0, b
1
, . . . , b
m
)
t
.
En el caso de que hayan aparecido desigualdades de tipo el proceso anterior
ya no ser a posible, pues las columnas correspondientes a las variables de holgura
incluir an vectores de la forma (0, . . . , 0, 1, 0, . . . , 0)
t
, por lo que la soluci on b asica
consistente en anular todas las variables excepto las de holgura no ser a factible
por ser negativos los valores correspondientes a las columnas procedentes de las
desigualdades de tipo .
Uno de los m etodos existentes para la obtenci on de un punto factible b asico
inicial consiste en la introducci on de un conjunto de variables positivas llamadas
variables articiales. El procedimiento que se sigue es el siguiente: en cada ecua-
ci on en la que la variable de holgura aparece con signo menos, se a nade una nueva
variable articial. De este modo, el conjunto de columnas correspondientes a las va-
riables de holgura con signo positivo y a las variables articiales formar a una base
de R
n
.
2009/2010
72 c UJI
71
El problema inicial tendr a puntos extremos si y s olo si existen puntos extremos
en el nuevo conjunto de restricciones de modo que para cada variable articial se
tenga x
i
= 0. El siguiente ejemplo ilustra esta t ecnica.
Ejemplo 3.3.4
Sea un problema de programaci on lineal donde el conjunto K R
n
de restricciones
est a denido mediante las desigualdades
3x + 2y + z 1
2x + 2y 20
z 1
x, y 0
En primer lugar, se escribe el problema en su formulaci on est andar haciendo x =
x
1
, y = x
2
, z = x
3
(x, y, x son no negativas) e introduciendo las variables de
holgura x
4
, x
5
, x
6
0 de modo que
3x
1
+ 2x
2
+ x
3
x
4
= 1
2x
1
+ 2x
2
+ x
5
= 20
x
3
x
6
= 1
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
lo que en forma matricial resulta
3 2 1 1 0 0
2 2 0 0 1 0
0 0 1 0 0 1
x
1
x
2
x
3
x
4
x
5
x
6
1
20
1
, x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
obs ervese que si se hace x
1
= x
2
= x
3
= 0 resulta x
4
= 1, x
5
= 20, x
6
= 1 por
tanto, el punto no es factible.
Para lograr un punto factible inicial se introducen las variables articiales x
7
, x
8

0 de donde resulta el conjunto K
R denido por las ecuaciones
3 2 1 1 0 0 1 0
2 2 0 0 1 0 0 0
0 0 1 0 0 1 0 1
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
1
20
1
, x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
donde x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
, x
8
0, lo que dene un conjunto K
R
8
.
2009/2010
73 c UJI
72
Resulta inmediato que el conjunto K es la proyecci on sobre R
6
del conjunto
{
x K
: x
7
= x
8
= 0}. Una forma de encontrar tales puntos es mediante la
resoluci on del siguiente problema auxiliar de programaci on lineal.
Maximizar la funci on Z
aux
=
variables articiales = x
7
x
8
sometida a las restricciones
3 2 1 1 0 0 1 0
2 2 0 0 1 0 0 0
0 0 1 0 0 1 0 1
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
1
20
1
x R
8
, x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
, x
8
0
Evidentemente, K ser a no vaco si y s olo si la funci on auxiliar Z
aux
alcanza como
m aximo el valor cero en un punto en que x
7
= x
8
= 0.
Una vez resuelto este problema, del que s se tiene un punto factible b asico ini-
cial cuyas variables b asicas vienen dadas por las columnas correspondientes a las
variables de holgura que aparecen con signo + y las correspondientes a las varia-
bles articiales, se dispondr a de un punto factible b asico inicial. Con ello, como se
ver a m as adelante, el problema se reduce a la segunda etapa.
3.3.2. Algoritmo del simplex: forma abstracta
Consid erese un problema de programaci on lineal dado en su forma est andar
como max Z =
c ,
x + d de modo que A
x =

b , A R
mn
,

x ,
c R
n
,
b R
m
,

x

0 ,

b

0 .
Sea

x K punto extremo no degenerado. Por 3.3 se tiene que el conjunto de
vectores {
A
i
i I(
x )} es linealmente independiente; adem as, por la hip otesis de

no degeneraci on es base. Entonces para cada j = 1, . . . , m existen escalares D
i,j
tales que:
A
j
=
iI(
x )
D
i,j
A
i
j = 1, . . . , m.
Deniendo D
i,j
= 0 si i / I(
x ) se puede escribir j = 1, . . . , m
A
j
=
n
i=1
D
i,j
A
i
o A = A D
T
.
Sea

f = D
t
c . Entonces q / I(
x ) y R se verica que

A
q
=
n
i=1
D
j,i
A
i
, y
2009/2010
74 c UJI
73
por tanto
b = A
x +
A
q

n
i=1
D
j,i
A
i
i=1,n
x
i
A
i
+
n
i=1
i,q
A
i
i=1
D
j,i
A
i
=
=
n
i=1
x
i
+
n
i=1
i,q

n
i=1
D
j,i
A
i
=
n
i=1
y
i
A
i
= A
y
donde
y =

x
D
q
+
q
y
i,j
es la delta de Kronocher, D
q
= (D
1,q
, . . . , D
n,q
)
t
y
q
= (
1,q
, . . . ,
n,q
)
t
.
Puesto que q / I(
x ), se verica que D
q,q
= 0 y x
q
= 0, entonces y
q
=
x
q
D
q,q
+
q
= . Para que y K es necesario, por una parte, que 0. Por
otra parte, se tiene que
c ,
y =
n
i=1
c
i
x
i
i=1
c ,
D
q
+
n
i=1
c
i
i,q
de donde
c ,
y =
c ,
c ,
D
q
+ c
q
=
c ,
x + (c
q
f
q
).
Para incrementar el valor de la funci on objetivo, el valor de q debe tomarse de modo
que c
q
f
q
0. N otese que si

c

f no es posible incrementar el valor de la
funci on objetivo siendo en ese caso
x una soluci on optima. Cuando no se cumple la

condici on
c

f , se toma q de modo que c
q
f
q
= max{c
i
f
i
: i = 1, . . . , n},
eligi endose uno de ellos si hay varios.
Para encontrar, siguiendo este m etodo, un nuevo punto extremo, debe tenerse en
cuenta que el nuevo punto
y debe ser tal que I(
y ) tenga a lo sumo m elementos.

Como
y

x {q}, bastar a con encontrar un 0 de modo que exista un valor
i

x tal que x
i
D
i,q
= 0 y x
j
D
j,q
0 si j = i. En caso de ser D
i,q
0
i I(
x ) se verica que 0, x
i
D
i,q
> 0, por tanto,

y K y dado que
Z(
y ) =
c ,
x +(c
q
f
q
) +d se tiene que lm
+
Z(
y ) = +y, por tanto, se

trata de un problema no acotado.
Si {i I(
x ) : D
i,q
> 0} = sea = mn
x
i
D
i,q
: D
i,q
> 0
, entonces se
tiene que y
i
0 i I(
x ) {q}, por lo que
y K.
Sea p un valor para el que se alcanza dicho mnimo, entonces se verica I(
y )
(I(
x ) {q}) {p}. Para demostrar que
y es punto extremo de K bastar a demos-

trar que el conjunto de columnas {
A
i
: i I(
y )} es linealmente independiente;
para ello, sea

iI(
y )
A
i
= 0, entonces haciendo
p
= 0 se verica
iI(
y )
A
i
=
iI(
x )
A
i
+
q
A
q
= 0
Si
q
= 0 se tiene que
i
= 0 i I(
x ) pues

x es punto extremo y, por tanto,
las columnas correspondientes de la matriz A son linealmente independientes. Si
2009/2010
75 c UJI
74
q
= 0, se verica que
A
q
=
iI(
x )
A
i
, pero por otra parte tambi en se tiene que
A
q
=
iI(
x )
D
i,q
A
i
y dado que los vectores del segundo miembro son linealmente
independientes, los coecientes de la combinaci on lineal deben ser unicos. As

i
q
=
D
i,q
i I(
x ), por tanto, debe vericarse que

p
q
= D
p,q
lo cual no es posible pues
p
= 0 y D
p,q
> 0, por tanto,
q
= 0.
3.3.3. Algoritmo del simplex: m etodo tabular
A continuaci on se expone un m etodo tabular para resolver problemas de progra-
maci on lineal mediante el m etodo del simplex.
Sea un problema de programaci on lineal dado en su forma est andar max Z =
c ,
x +d sometido a las restricciones A
x =

b donde
x ,
x R
n
, A R
mn
,
b R
m
, d R,

x

0 ,

b

0 . El m etodo tabular consiste en escribir el
problema de modo que:
En la primera lnea se escribe los coecientes de la funci on Z +
c ,
x =
d.
Las siguientes lneas deben contener cero en la primera columna (la corres-
pondiente Z) y a continuaci on los coecientes de las ecuaciones A
b =

b .
Cada lnea (de la dos en adelante) contiene una, y s olo una, variable b asica.
Cada lnea contiene una variable b asica distinta.
La ultima columna corresponde a los t erminos independientes de las restric-
ciones, los cuales deben ser mayores o iguales que cero.
La funci on objetivo deber a expresarse en funci on de variables no b asicas.
Ejemplo 3.3.5
Sea el problema de programaci on lineal max Z = 2x + 3y + z + 3 sometido a las
restricciones
x + y + z 7
x + y + z 2
x + 2y 5
x 4
x, y 0
Para reducir el problema a variables positivas, sea x = x
1
, y = x
2
, z = x
3
x
4
con
x
1
, x
2
, x
3
, x
4
0.
2009/2010
76 c UJI
75
Para reducir el problema a su forma est andar, las restricciones deber an ser es-
critas de modo que
b 0; as se tiene
max Z = 2x
1
+ 3x
2
+ x
3
x
4
+ 3
sometido a :
x
1
+ x
2
+ x
3
x
4
7
x
1
x
2
x
3
+ x
4
2
x
1
+ 2x
2
5
x
1
4
x
1
, x
2
, x
3
, x
4
0
Introduciendo las variables de holgura x
5
, x
6
, x
7
, x
8
0 se tiene el problema en su
forma est andar como
max Z = 2x
1
+ 3x
2
+ x
3
x
4
+ 3
sometido a :
x
1
+ x
2
+ x
3
x
4
+ x
5
= 7
x
1
x
2
x
3
+ x
4
+ x
6
= 2
x
1
+ 2x
2
+ x
7
= 5
x
1
+ x
8
= 4
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
, x
8
0
Puesto que todas las variables de holgura aparecen con signo + podemos tomar
estas como variables b asicas iniciales, con lo cual el problema se puede expresar de
modo tabular como
-1 2 3 1 -1 0 0 0 0 -3
x
5
0 1 1 1 -1 1 0 0 0 7
x
6
0 -1 -1 -1 1 0 1 0 0 2
x
7
0 1 2 0 0 0 0 1 0 5
x
8
0 1 0 0 0 0 0 0 1 4
La primera columna indica la variable b asica correspondiente a cada la, la segunda
corresponde a la variable Z, las columnas de la tres hasta la diez corresponden
a las variables x
1
, . . . , x
8
y la ultima, a los t erminos independientes. En muchas
ocasiones, por simplicidad, se prescinde de las dos primeras columnas (de una e
incluso de las dos).
Para aplicar el algoritmo del simplex directamente sobre la tabla debe procederse
del siguiente modo:
1. Si todos los coecientes de la funci on objetivo son menores o iguales que
cero, el punto b asico actual es optimo, con lo que naliza el algoritmo.
2. Eljase la variable b asica x
j
que aparezca con mayor coeciente en la funci on
objetivo (si hay varias tomar una de ellas). Esta variable se tomar a como nueva
variable b asica.
2009/2010
77 c UJI
76
3. Si el coeciente a
i,j
correspondiente a la i- esima ecuaci on es mayor que cero,
dividir toda la la por a
i,j
. Si no existe ning un coeciente a
i,j
> 0 el problema
es no acotado nalizando el algoritmo.
4. De las las en que a
i,j
= 1 eljase la k- esima de modo que b
k
= mn{b
i
| a
i,j
=
1, i = 1, . . . , m} (si hay varias que cumplen la condici on esc ojase una de
ellas). La variable que saldr a de la base ser a la variable b asica correspondiente
a la k- esima la.
5. En toda la columna j hacer el elemento a
i,j
= 0 si i = k utilizando para
ello la la k, y el proceso de eliminaci on gaussiana. Hacer tambi en cero, por
id entico procedimiento, el coeciente c
j
de la funci on objetivo.
Ejemplo 3.3.6
Consid erese el problema de programaci on lineal dado por la tabla anterior, y obt enga-
se una soluci on optima.
Dada la tabla (donde no se ha escrito por simplicidad la columna correspondien-
te a Z) se observa que no todos los coecientes de la funci on objetivo son menores
o iguales a cero
2 3 1 -1 0 0 0 0 -3
x
5
1 1 1 -1 1 0 0 0 7
x
6
-1 -1 -1 1 0 1 0 0 2
x
7
1 2 0 0 0 0 1 0 5
x
8
1 0 0 0 0 0 0 1 4
Se observa que el mayor coeciente positivo de la funci on objetivo es el corres-
pondiente a la tercera columna; as, deber a entrar x
2
como nueva variable b asica.
Haciendo uno los elementos positivos de la tercera columna correspondientes a las
ecuaciones se tiene
2 3 1 -1 0 0 0 0 -3
x
5
1 1 1 -1 1 0 0 0 7
x
6
-1 -1 -1 1 0 1 0 0 2
x
7
1
2
1 0 0 0 0
1
2
0
5
2
x
8
1 0 0 0 0 0 0 1 4
El menor t ermino independiente de las ecuaciones en el que el coeciente a
i,2
es la
unidad es el correspondiente a la tercera ecuaci on, por tanto, deber a salir de la base
la variable x
7
; as se tiene
1
2
0 1 -1 0 0 -
3
2
0 -
21
2
x
5
1
2
0 1 -1 1 0 -
1
2
0
9
2
x
6
3
2
0 -1 1 0 1
1
2
0
9
2
x
2
1
2
1 0 0 0 0
1
2
0
5
2
x
8
1 0 0 0 0 0 0 1 4
Los coecientes de la funci on objetivo no son en su totalidad menores o iguales a
cero, por tanto, se toma el de mayor valor que es el correspondiente a la tercera
columna. Como el unico a
i,3
> 0 es el correspondiente a la primera restricci on se
tiene que la variable que saldr a de la base es x
5
; as
2009/2010
78 c UJI
77
0 0 0 0 -1 0 -1 0 -15
x
2
1
2
0 1 -1 1 0 -
1
2
0
9
2
x
6
2 0 0 0 1 1 0 0 9
x
2
1
2
1 0 0 0 0
1
2
0
5
2
x
8
1 0 0 0 0 0 0 1 4
Dado que todos los coecientes de la funci on objetivo son menores o iguales que
cero, el punto actual ser a punto factible optimo, as el punto x
1
= 0, x
2
=
5
2
, x
3
=
9
2
,
x
4
= 0, x
5
= 0, x
6
= 0, x
7
= 0, x
8
= 4 es punto factible optimo, siendo el valor
del problema Z = 15. En funci on de las variables de decisi on el optimo, se alcanza
en el punto (x, y, z) = (0,
5
2
,
9
2
).
Ejemplo 3.3.7
Sea el problema de programaci on lineal dado por
M ax Z = y x
sometido a:
y 2x 1
2y x 1
Puesto que no se indica que x 0, y 0 se introducen las nuevas variables
x
1
, x
2
, x
3
, x
4
0 de modo que x = x
1
x
2
, y = x
3
x
4
.
Introduciendo las variables de holgura x
5
, x
6
0 se tiene el problema:
M ax Z = x
1
+ x
2
+ x
3
x
4
2x
1
+ 2x
2
+ x
3
x
4
+ x
5
= 1
x
1
x
2
2x
3
+ 2x
4
+ x
6
= 1
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
lo que en forma tabular se expresa como:
-1 1 1 -1 0 0 0
-2 2 1 -1 1 0 1
1 -1 -2 2 0 1 1
Las variables b asicas son x
5
, x
6
.
El mayor coeciente positivo de la funci on objetivo es 1; por comodidad ha-
remos entrar en la base x
3
puesto que su coeciente en la primera ecuaci on es la
unidad. As, se tiene:
1 -1 0 0 -1 0 -1
-2 2 1 -1 1 0 1
-3 3 0 0 2 1 3
Puesto que el unico coeciente positivo de la funci on objetivo es el correspondiente
a x
1
y los coecientes de x
1
en las ecuaciones de restricci on son negativos, se tiene
que el problema tiene soluci on no acotada Z = +.
2009/2010
79 c UJI
78
Ejemplo 3.3.8
Resolver el problema de programaci on lineal:
max Z = x + y sometida a las restricciones:
2x + 2y 1
3x + 3y 1
x
1
5
x, y 0
Para resolver el problema, puesto que x, y 0, hacemos x = x
1
, y = x
2
e in-
troducimos las variables de holgura x
3
, x
4
, x
5
0 para reducir el problema a su
formulaci on est andar. Maximizar la funci on Z = x
1
+ x
2
sometida a las restriccio-
nes:
2x
1
+ 2x
2
+ x
3
= 1
3x
1
+ 3x
2
+ x
4
= 1
x
1
+ . . . . . . . . . x
5
=
1
5
x
1
, x
2
, x
3
, x
4
, x
5
0
Puesto que las columnas correspondientes a las variables de holgura no forman
una base admisible, es necesario introducir variables articiales para completar la
base. As, introduciendo las variables x
6
, x
7
0 se obtiene el problema auxiliar
correspondiente a la fase I:
Fase I:
Maximizar la funci on Z = x
6
x
7
sometida a las restricciones:
2x
1
+ 2x
2
+ x
3
+ = 1
3x
1
+ 3x
2
+ x
4
+ + x
6
= 1
x + . . . x
5
+ x
7
=
1
5
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
0
lo que en forma tabular se escribe como:
0 0 0 0 0 -1 -1 0
2 2 1 0 0 0 0 1
3 3 0 -1 0 1 0 1
1 0 0 0 -1 0 1
1
5
Escribiendo la funci on objetivo como funci on de variables no b asicas se tiene:
4 3 0 -1 -1 0 0
6
5
2 2 1 0 0 0 0 1
3 3 0 -1 0 1 0 1
1 0 0 0 -1 0 1
1
5
2009/2010
80 c UJI
79
el mayor valor positivo de la funci on objetivo es el correspondiente a la primera
columna; as:
4 3 0 -1 -1 0 0
6
5
1 1
1
2
0 0 0 0
1
2
1 1 0 -
1
3
0
1
3
0
1
3
1 0 0 0 -1 0 1
1
5
el menor valor es el correspondiente a la tercera la; as, saldr a de la base x
7
y
entrar a x
1
.
0 3 0 -1 3 0 -4
2
5
0 1
1
2
0 1 0 -1
3
10
0 1 0 -
1
3
1
1
3
-1
2
15
1 0 0 0 -1 0 1
1
5
El mayor valor de la funci on objetivo es el correspondiente a la quinta columna; as,
se tiene:
0 0 0 0 0 -1 -1 0
0 0
1
2
1
3
0 -
1
3
0
1
6
0 1 0 -
1
3
1
1
3
-1
2
15
1 1 0 -
1
3
0
1
3
0
1
3
con lo que naliza la fase uno x
6
= x
7
= 0, Z
aux
= 0.
Fase II:
1 1 0 0 0 0
0 0
1
2
1
3
0
1
6
0 1 0 -
1
3
1
2
15
1 1 0 -
1
3
0
1
3
Escribiendo la funci on objetivo en funci on de variables no b asicas se obtiene
0 0 0
1
3
0 -
1
3
0 0
1
2
1
3
0
1
6
0 1 0 -
1
3
1
2
15
1 1 0 -
1
3
0
1
3
puesto que el unico valor positivo de la funci on objetivo es el correspondiente a la
cuarta columna, se tiene:
0 0 0
1
3
0 -
1
3
0 0
3
2
1 0
1
2
0 1 0 -
1
3
1
2
15
1 1 0 -
1
3
0
1
3
y por tanto:
0 0 -
1
2
0 0 -
1
2
0 0
3
2
1 0
1
2
0 1
1
2
0 1
3
10
1 1
1
2
0 0
1
2
2009/2010
81 c UJI
80
Por tanto, una soluci on del problema es x
1
=
1
2
, x
2
= x
3
= 0, x
4
=
1
2
, x
5
=
3
2
,
Z =
1
2
.
Ejemplo 3.3.9
Obtener el mnimo de la funci on Z = x y + 4 sometida a las restricciones
x + y + z 1
x + 2y 7
x, y, z 0
Puesto que x, y, z 0 basar a x = x
1
, y = x
2
, z = x
3
con x
1
, x
2
, x
3
0.
Introduciendo variables de holgura x
4
, x
5
0 se tiene
x
1
+ x
2
+ x
3
+ x
4
= 1
x
1
+ 2x
2
x
5
= 7
x
1
, x
2
, x
3
, x
4
, x
5
0
Puesto que la variable de holgura x
5
aparece con signo menos, para formar base
inicial es necesario introducir la variable articial x
6
0, con lo que resulta
x
1
+ x
2
+ x
3
+ x
4
= 1
x
1
+ 2x
2
x
5
+ x
6
= 7
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
Fase I:
Se procede a maximizar la funci on auxiliar Z
aux
= x
6
.
Expresando el problema en forma tabular se tiene
0 0 0 0 0 -1 0
1 1 1 1 0 0 1
1 2 0 0 -1 1 7
de donde
1 2 0 0 -1 0 7
1 1 1 1 0 0 1
1 2 0 0 -1 1 7
El mayor coeciente positivo de la funci on objetivo es el correspondiente a la se-
gunda columna; as
1 2 0 0 -1 0 7
1 1 1 1 0 0 1
1
2
1 0 0 -
1
2
1
2
7
2
el menor t ermino independiente es el correspondiente a la primera ecuaci on; as, se
tiene
-1 0 -2 -2 -1 0 5
1 1 1 1 0 0 1
-
1
2
0 -1 -1 -
1
2
1
2
5
2
2009/2010
82 c UJI
81
dado que todos los coecientes de la funci on objetivo son negativos, se tiene que
el punto actual es punto optimo, siendo el valor del problema Z
aux
= 5 el cual
se alcanza en el punto x
1
= 0, x
2
= 1, x
3
= 0, x
4
= 0, x
5
= 0, x
6
= 5. Dado
que dicho valor no es cero, se tiene que el conjunto factible del problema inicial es
vaco y, por tanto, no hay puntos optimos.
Soluci on general
En ocasiones es posible llevar el problema de programaci on lineal a una forma
en la que las variables no b asicas vienen dadas por x
i
1
, . . . , x
r
y en la que la funci on
objetivo se expresa como c
i
1
x
i
1
+ +c
i
s
x
i
s
+d con s < r y donde c
i
1
< 0,,. . .,c
i
s
<
0. En este caso, para obtener el mnimo de la funci on objetivo podemos proceder
a igualar a cero las variables no b asicas, y resolver el sistema restante para las
b asicas, con lo que obtiene un punto factible optimo en el cual se alcanza el valor
del problema Z = d.
En este caso, puesto que la funci on objetivo no depende de x
i
s+1
, . . . , x
i
k
, para
obtener dicho m aximo bastar a con anular las variables no b asicas que aparecen en
la funci on objetivo, alcanz andose tambi en el valor Z = d, pues esta es indepen-
diente del valor que tomen las variables x
i
s+1
, . . . , x
i
k
. As, el valor del problema se
obtendr a en el conjunto
S = {
x R
n
: A
x =

b ,

x >

0 , x
i
1
= 0, . . . , x
i
s
= 0}.
Este conjunto es conveniente escribirlo partiendo de la formulaci on est andar inicial,
pues siempre es deseable dar la respuesta del problema en funci on de las variables
de decisi on.
Ejemplo 3.3.10
Maximizar Z = x + y
sometido a:
3x + 3y 1
2x + 2y 1
x, y 0 (3.3)
Encontrar su soluci on general.
Para expresar el problema en funci on de variables positivas, dado que x, y 0
basta denir x = x
1
, e y = x
2
. A continuaci on se introducen las variables de
holgura x
3
, x
4
0 de modo que el problema se reescribe como:
M ax Z = x
1
+ x
2
3x
1
+ 3x
2
x
3
= 1
2x
1
+ 2x
2
+ x
4
= 1
x
1
, x
2
, x
3
, x
4
0
2009/2010
83 c UJI
82
Fase I:
3
aparece con signo menos ser a necesario
introducir la variable articial x
5
; as, se tiene
3x
1
+ 3x
2
x
3
+ x
5
= 1
2x
1
+ 2x
2
+ x
4
= 1
x
1
, x
2
, x
3
, x
4
0
lo que en forma tabular se escribe como:
0 0 0 0 -1 0
3 3 -1 0 1 1
2 2 0 1 0 1
3 3 -1 0 0 1
3 3 -1 0 1 1
2 2 0 1 0 1
3 3 -1 0 0 1
1 1 -
1
3
0
1
3
1
3
1 1 0
1
2
0
1
2
Tomando como nueva variable b asica x
1
, se tiene:
0 0 0 0 -1 0
1 1 -
1
3
0
1
3
1
3
0 0
1
3
1
2
-
1
3
1
6
con lo que naliza la fase I.
Fase II:
1 1 0 0 0
1 1 -
1
3
0
1
3
0 0
1
3
1
2
1
6
Para tener las columnas de la base x
1
, x
4
en forma can onica, se multiplica por dos
la ultima la, as
1 1 0 0 0
1 1 -
1
3
0
1
3
0 0
2
3
1
1
3
Expresando la funci on objetivo en funci on de variables no b asicas se tiene
0 0
1
3
0 -
1
3
1 1 -
1
3
0
1
3
0 0
2
3
1
1
3
por tanto:
2009/2010
84 c UJI
83
0 0
1
3
0 -
1
3
1 1 -
1
3
0
1
3
0 0 1
3
2
1
2
de donde
0 0 0 -
1
2
-
1
2
1 1 0 -
1
2
1
2
0 0 1
3
2
1
2
Las variables b asicas son x
1
, x
3
; as la soluci on general del problema lineal aso-
ciado es que la funci on Z alcanza un valor m aximo de
1
2
. Puesto que la variable no
b asica x
2
no aparece en la funci on objetivo no es necesario anularla; as, partiendo
de la forma est andar inicial, se tiene que el conjunto S donde se alcanza el m aximo
est a dado por las ecuaciones
3x
1
+ 3x
2
x
3
= 1
2x
1
+ 2x
2
+ x
4
= 1
x
1
, x
2
, x
3
, x
4
0
a la que se a nade x
4
= 0; as, resulta
3x
1
+ 3x
2
x
3
= 1
2x
1
+ 2x
2
= 1
x
1
, x
2
, x
3
0
eliminando las variables de holgura podemos escribir en forma de desigualdades
3x
1
+ 3x
2
1
2x
1
+ 2x
2
= 1
x
1
, x
2
0
cuya soluci on es:
2x
1
+ 2x
2
= 1
x
1
, x
2
0
Escribiendo este resultado en funci on de las variables de decisi on se tiene
2x + 2y = 1
x, y 0
S =
(x, y) R
2
|x + y =
1
2
, x 0, y 0

2009/2010
85 c UJI
84
Tema 4
Programaci on entera
4.1. Introducci on
El problema de programaci on entera es un problema consistente en optimizar
f(x
1
, . . . , x
n
), sujeto a restricciones dadas por g
i
(x
1
, . . . , x
n
) b
i
, i = 1, . . . , m
con x
i
0, i = 1, . . . , n, y x
j
Z
+
= {0, 1, 2, . . .}, j I {1, . . . , n}. Cuando
I = {1, . . . , n} diremos que el problema es entero puro y cuando I = {1, . . . , n}
diremos que el problema es entero mixto. El problema de programaci on entera m as
estudiado es el lineal, el cual podemos formular como:
Optimizar <

c ,
x >, sometido a A
x

b , A R
mn
,

b R
m
,
b

0 .
x
j
0, j {1, . . . , n}; x
j
Z
+
, j I {1, . . . , n}.
Nuestro estudio se reducir a, en este curso, a problemas de programaci on lineal en-
tera (en particular cuando I = {1, . . . , n}).
Cuando se intenta la resoluci on de un problema de programaci on entera, parece
l ogico pensar que un buen procedimiento puede ser la resoluci on del problema sin
contar con la restricci on de variables enteras, para a continuaci on a partir de la so-
luci on del problema continuo buscar por aproximaci on por redondeo la soluci on
del caso discreto. Lamentablemente, este procedimiento no proporciona en muchos
casos buenos resultados.
Los procedimientos principales para la resoluci on del problema de programaci on
entera se clasican en m etodos algebraicos, m etodos combinatorios y m etodos de
enumeraci on. Estos m etodos consisten fundamentalmente en:
M etodos algebraicos: consisten en a nadir restricciones al problema con-
tinuo asociado de modo que este, junto a las nuevas restricciones, tenga
soluci on factible optima entera. Este m etodo consiste en eliminar de la
regi on factible del problema continuo partes que no son factibles en el
problema discreto. Tambi en recibe el nombre de m etodo de los conjun-
tos de corte.
M etodos combinatorios: en este grupo se incluyen algoritmos de na-
turaleza combinatoria que poseen la propiedad de que el n umero de
2009/2010
87 c UJI
85
pasos est a acotado por una expresi on de tipo polin omica en n. Entre es-
tos m etodos est a el de Goromy, consistente en ir efectuando redondeos
a las variables del problema continuo, imponiendo a su vez condiciones
adicionales, lo que conduce a un proceso de programaci on din amica.
M etodos de enumeraci on: partiendo de que el n umero de posibles so-
luciones optimas debe ser nito, se busca mediante la enumeraci on de
estos (o exploraci on dirigida ) una soluci on factible optima. Este m eto-
do suele utilizarse en un tipo especial de problemas de programaci on
entera; los problemas cero-uno, en los que las variables pueden tomar
unicamente valor cero o uno.
En el presente curso unicamente estudiaremos en cierta profundidad los m etodos
algebraicos, en particular los m etodos de ramicaci on, y el m etodo de los planos de
cortes, lo cual es suciente para nuestros prop ositos. Los m etodos de ramicaci on
y de planos de corte parten de la soluci on del problema lineal asociado, problema
que a continuaci on denimos:
Denici on 4.1.1
Sea el problema de programaci on entera denido por:
Optimizar <
c ,
x >,
sometido a A
b , A R
mn
,
b R
m
,
0 .
x
j
0, j {1, . . . , n}; x
j
Z
+
, j I {1, . . . , n}.
Llamamos programa lineal asociado al problema:
Optimizar Z =<
c ,
x > +d.
sometido a A
b , A R
mn
, d R.
x
j
0, j {1, . . . , n}.
4.2. M etodo de ramicaci on
Sea el problema de programaci on entera dado por
Optimizar <
c ,
x >,
sometido a A
b , A R
mn
,
b R
m
,
b 0.
x
j
0, j {1, . . . , n}; x
j
Z
+
, j {1, . . . , r}, r n.
El m etodo de ramicaci on consiste en resolver, en primer lugar, el problema lineal
asociado, obteni endose para este una soluci on

x . Entonces si j {1, . . . , r} y
x
j
= t
j
/ Z resulta que en el problema entero se debe vericar necesariamen-
te una de las siguientes condiciones: x
j
E[t
j
] o bien x
j
E[t
j
] + 1, donde
E[ ] representa la funci on parte entera. Consecuencia de esto es que el proble-
ma inicial se descompone en una serie de problemas consistentes en a nadir a este
las restricciones derivadas de las condiciones x
j
E[t
j
], x
j
E[t
j
] + 1 donde
2009/2010
88 c UJI
86
j {i {1, . . . , r} : t
j
/ Z}. N otese que esto implica resolver 2
p
problemas
donde p es el n umero de variables no enteras.
La soluci on del problema entero se alcanza cuando, una vez resueltos estos pro-
blemas, resulta que el mayor de los m aximos de los distintos problemas se alcanza
en un punto en el que se cumplen las condiciones de integridad, en cuyo caso, esta
es la soluci on del problema. En caso de no cumplirse lo anterior, debe procederse
a la ramicaci on de los problemas anteriores comenzando por el de mayor m aximo
hasta que se satisfaga la condici on de integridad requerida.
Ejemplo 4.2.1
Maximizar la funci on
Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
, x
2
0
x
1
, x
2
Z
En primer lugar, se tiene que el problema lineal asociado viene dado por
Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
, x
2
0
que en su forma est andar resulta
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
+ x
3
= 12
x
1
+ x
2
+ x
4
= 2
x
1
, x
2
, x
3
, x
4
0
lo que en forma tabular resulta
B asicas 1 2 0 0 0
x
3
4 3 1 0 12
x
4
-1 1 0 1 2
0 0 12 2
2009/2010
89 c UJI
87
El mayor coeciente de la funci on objetivo es el correspondiente a la variable
x
2
; as se tiene
B asicas 1 2 0 0 0
x
3
4
3
1
1
3
0 4
x
4
-1 1 0 1 2
y puesto que el menor t ermino independiente correspondiente a las las en que es
uno, el coeciente de x
2
es el de la segunda, se tiene
B asicas 3 0 0 -2 -4
x
3
7
3
0
1
3
-1 2
x
2
-1 1 0 1 2
El mayor coeciente positivo de la funci on objetivo es el correspondiente a la va-
riable x
1
; as, se tiene
B asicas 3 0 0 -2 -4
x
3
1 0
1
7

3
7
6
7
x
2
-1 1 0 1 2
de donde
B asicas 0 0
3
7
-
5
7
-
46
7
x
1
1 0
1
7

3
7
6
7
x
2
0 1
1
7
4
7
20
7
46
7
20
7
0 0
Puesto que la funci on objetivo est a expresada en funci on de variables no b asicas y
todos sus coecientes son negativos, se tiene que la soluci on actual es m aximo de
Z. Dicha soluci on viene dada por x
1
=
6
7
, x
2
=
20
7
, x
3
= 0, x
4
= 0. Esta soluci on
no cumple el requisito de integridad establecido, por lo cual deben imponerse las
condiciones adicionales para x
1
de cumplir x
1
0 o x
1
1, y para x
2
, x
2
2
o x
3
3.
De este modo tenemos cuatro posibles condiciones adicionales dadas por:
Caso I: x
1
0, x
2
2.
Caso II: x
1
0, x
3
3.
Caso III: x
1
1, x
2
2.
Caso IV: x
1
1, x
2
3.
A continuaci on procedemos a resolver estos casos de modo independiente.
2009/2010
90 c UJI
88
Caso I: En este caso necesariamente x
1
= 0, por lo que el problema se podra
simplicar. No obstante, ser a resuelto sin tener en cuenta dicha circunstancia.
max Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
0
x
2
2
x
1
, x
2
0
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
+ x
3
= 12
x
1
+ x
2
+ x
4
= 2
x
1
+ + x
5
= 0
+ x
2
+ x
6
= 2
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
lo que en forma tabular resulta
1 2 0 0 0 0 0
4 3 1 0 0 0 12
-1 1 0 1 0 0 2
1 0 0 0 1 0 0
0 1 0 0 0 1 2
as
1 2 0 0 0 0 0
4
3
1
4
3
0 0 0 4
-1 1 0 1 0 0 2
1 0 0 0 1 0 0
0 1 0 0 0 1 2
de donde
3 0 0 -2 0 0 -4
7
3
0
1
3
-1 0 0 2
-1 1 0 1 0 0 2
1 0 0 0 1 0 0
1 0 0 -1 0 1 0
expresando la base en forma can onica se tiene
2009/2010
91 c UJI
89
3 0 0 -2 0 0 -4
7 0 1 -3 0 0 6
-1 1 0 1 0 0 2
1 0 0 0 1 0 0
1 0 0 -1 0 1 0
a continuaci on, se tiene
0 0 0 -2 -1 0 -4
7 0 1 -3 -7 0 6
0 1 0 1 1 0 2
1 0 0 0 1 0 0
0 0 0 -1 -1 1 0
Dado que todos los coecientes de la funci on objetivo son menores que cero, se
tiene que el punto actual x
1
= 0, x
2
= 2, x
3
= 6, x
4
= 0, x
5
= 0, x
6
= 0 es
punto factible optimo y dado que cumple la condici on de integridad, es soluci on del
problema entero en el caso I.
El valor del problema resulta Z
I
= 4.
Caso II:
max Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
0
x
2
3
x
1
, x
2
0
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
+ x
3
= 12
x
1
+ x
2
= 2
x
1
+ + x
5
= 0
+ x
2
x
6
= 3
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
6
aparece con signo menos, ser a necesario buscar,
en primer lugar, una base inicial, lo que trataremos de lograr mediante la introduc-
ci on de una variable articial y maximizando la funci on auxiliar Z
aux
= x
7
. El
problema resultante lo podemos escribir en forma tabular como:
Fase I
2009/2010
92 c UJI
90
0 0 0 0 0 0 -1 0
4 3 1 0 0 0 0 12
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
0 1 0 0 0 -1 1 3
Expresando la funci on objetivo en funci on de variables no b asicas, se tiene
0 1 0 0 0 -1 0 3
4 3 1 0 0 0 0 12
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
0 1 0 0 0 -1 1 3
Aplicando el m etodo del simplex se tiene
0 1 0 0 0 -1 0 3
4
3
1
1
3
0 0 0 0 4
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
0 1 0 0 0 -1 1 3
de donde
0 1 0 0 0 -1 0 3
4
3
1
1
3
0 0 0 0 4
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
0 1 0 0 0 -1 1 3
A continuaci on
1 0 0 -1 0 0 0 1
7
3
0
1
3
1 0 0 0 2
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
1 0 0 -1 0 -1 1 1
expresando la base en forma can onica, se tiene
1 0 0 -1 0 0 0 1
7 0 1 3 0 0 0 6
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
1 0 0 -1 0 -1 1 1
A continuaci on se tiene
1 0 0 -1 0 0 0 1
1 0
1
7
3
7
0 0 0
6
7
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
1 0 0 -1 0 -1 1 1
2009/2010
93 c UJI
91
de donde
0 0 0 -1 -1 0 0 1
1 0
1
7
3
7
0 0 0
6
7
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
1 0 0 -1 0 -1 1 1
Finalmente
0 0 0 -1 -1 0 0 1
1 0
1
7
3
7
0 0 0
6
7
-1 1 0 1 0 0 0 2
1 0 0 0 1 0 0 0
1 0 0 -1 0 -1 1 1
En este caso, se obtiene Z
aux
= 1 con lo que el conjunto factible del problema
correspondiente al caso II es vaco.
Caso III
max Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
1
x
2
2
x
1
, x
2
0
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
+ x
3
= 12
x
1
+ x
2
= 2
x
1
+ x
5
= 1
+ x
2
+ x
6
= 2
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
5
aparece con signo menos, ser a necesario bus-
car, en primer lugar, una base inicial, lo que trataremos de lograr mediante la in-
troducci on de una variable articial x
7
0 y maximizando la funci on auxiliar
Z
aux
= x
7
. El problema resultante lo podemos escribir en forma tabular como:
Fase I:
0 0 0 0 0 0 -1 0
4 3 1 0 0 0 0 12
-1 1 0 1 0 0 0 2
1 0 0 0 -1 0 1 1
0 1 0 0 0 1 0 2
2009/2010
94 c UJI
92
1 0 0 0 -1 0 0 1
4 3 1 0 0 0 0 12
-1 1 0 1 0 0 0 2
1 0 0 0 -1 0 1 1
0 1 0 0 0 1 0 2
Aplicando el m etodo del simplex, se tiene
1 0 0 0 -1 0 0 1
1
3
4
1
4
0 0 0 0 3
-1 1 0 1 0 0 0 2
1 0 0 0 -1 0 1 1
0 1 0 0 0 1 0 2
y de aqu
0 0 0 0 0 0 -1 0
0
3
4
1
4
0 1 0 -1 2
0 1 0 1 -1 0 1 3
1 0 0 0 -1 0 1 1
0 1 0 0 0 1 0 2
Puesto que la funci on objetivo auxiliar alcanza su m aximo Z
aux
= 0 en x
7
= 0
se pasa a la fase II.
Fase II
1 2 0 0 0 0 0
0
3
4
1
4
0 1 0 2
0 1 0 1 -1 0 3
1 0 0 0 -1 0 1
0 1 0 0 0 1 2
Escribiendo la funci on objetivo en funci on de variables no b asicas, se tiene
0 2 0 0 1 0 -1
0
3
4
1
4
0 1 0 2
0 1 0 1 -1 0 3
1 0 0 0 -1 0 1
0 1 0 0 0 1 2
de donde
0 2 0 0 1 0 -1
0 1
1
3
0
4
3
0
8
3
0 1 0 1 -1 0 3
1 0 0 0 -1 0 1
0 1 0 0 0 1 2
de donde
2009/2010
95 c UJI
93
0 0 0 0 1 -2 -5
0 0
1
3
0
4
3
-1
2
3
0 0 0 1 -1 -1 3
1 0 0 0 -1 0 1
0 1 0 0 0 1 2
por tanto,
0 0 0 0 1 -2 -5
0 0
1
4
0 1 -
3
4
1
2
0 0 0 1 -1 -1 3
1 0 0 0 -1 0 1
0 1 0 0 0 1 2
As, resulta
0 0 -
1
4
0 -
5
4
-
11
2
0 0
1
4
0 1 -
3
4
1
2
0 0
1
4
1 0 -
7
4
3
2
1 0
1
4
0 0 -
3
4
3
2
0 1 0 0 0 1 2
El punto optimo se encuentra en x
1
=
3
2
, x
2
= 2, x
4
= x
6
= 0, x
3
=
3
2
, x
4
=
1
2
,
siendo el valor del problema Z =
11
2
.
Caso IV
max Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
1
x
2
3
x
1
, x
2
0
(4.1)
Para resolver este problema lo haremos directamente en forma tabular, siendo
en este caso necesario recurrir a las dos fases; as, se tiene:
Fase I
0 0 0 0 0 0 -1 -1 0
4 3 1 0 0 0 0 0 12
-1 1 0 1 0 0 0 0 2
1 0 0 0 -1 0 1 0 1
0 1 0 0 0 -1 0 1 3
2009/2010
96 c UJI
94
1 1 0 0 -1 -1 0 0 4
4 3 1 0 0 0 0 0 12
-1 1 0 1 0 0 0 0 2
1 0 0 0 -1 0 1 0 1
0 1 0 0 0 -1 0 1 3
A continuaci on
1 1 0 0 -1 -1 0 0 4
1
3
4
1
4
0 0 0 0 0 3
-1 1 0 1 0 0 0 0 2
1 0 0 0 -1 0 1 0 1
0 1 0 0 0 -1 0 1 3
por tanto
1 1 0 0 -1 -1 0 0 4
1
3
4
1
4
0 0 0 0 0 3
-1 1 0 1 0 0 0 0 2
1 0 0 0 -1 0 1 0 1
0 1 0 0 0 -1 0 1 3
y as
0 1 0 0 0 -1 -1 0 3
0
3
4
1
4
0 1 0 -1 0 2
0 1 0 1 -1 0 1 0 3
1 0 0 0 -1 0 1 0 1
0 1 0 0 0 -1 0 1 3
A partir de esta tabla, se tiene
0 1 0 0 0 -1 -1 0 3
0 1
1
3
0
4
3
0 -
4
3
0
8
3
0 1 0 1 -1 0 1 0 3
1 0 0 0 -1 0 1 0 1
0 1 0 0 0 -1 0 1 3
de donde
0 0 -
1
3
0 -
4
3
-1
1
3
0
1
3
0 1
1
3
0
4
3
0 -
4
3
0
8
3
0 0 -
1
3
1 -
7
3
0
7
3
0
1
3
1 0 0 0 -1 0 1 0 1
0 0 -
1
3
0 -
4
3
-1
4
3
1
1
3
El mayor coeciente positivo de Z
aux
es
1
3
; as
0 0 -
1
3
0 -
4
3
-1
1
3
0
1
3
0 1
1
3
0
4
3
0 -
4
3
0
8
3
0 0 -
1
7
3
7
-1 0 1 0
1
7
1 0 0 0 -1 0 1 0 1
0 0 -
1
4
0 -1 -
3
4
1
3
4
1
4
2009/2010
97 c UJI
95
Por tanto, en este caso el conjunto factible resulta vaco por no ser cero el m aximo
de la funci on objetivo auxiliar.
An alisis de resultados
En los casos anteriores se han obtenido los resultados
Caso: I II III VI
Z
max
4
11
2

x
max
0
3
2

y
max
2 2
El m aximo se alcanza en el caso III, no siendo alcanzado con x
1
, x
2
Z, pues la
variable x
1
no cumple la condici on de integridad; por tanto, deber a separarse en dos
regiones, x
1
1 y x
1
2, lo que se analizar a como caso V cuando x
1
1, x
1
1,
y x
2
2 y caso VI cuando x
1
1, x
1
2, x
2
2, lo que resulta equivalente a:
Caso V: x
1
= 1, x
2
2.
Caso VI: x
1
2 y x
2
2.
Caso V
En este caso procederemos a simplicar el problema (podra procederse igual
sin hacer esto); as se tiene el problema inicial con las restricciones adicionales
x
1
= 1, x
2
2, por tanto, este se reduce a :
max Z = 1 + 2x
2
4 + 3x
2
12
1 + x
2
3
x
2
2
x
2
0
(4.2)
lo que equivale a
max Z = 2x
2
+ 1
x
2
2
x
2
0
Introduciendo variables de holgura y escribiendo en forma tabular, se tiene
2 0 -1
x
3
1 1 2

0 -2 -5
x
2
1 1 2
2009/2010
98 c UJI
96
por tanto, x
2
= 2, x
3
= 0, Z = 5, y recordemos que x
1
= 1.
Caso VI
En este caso deben a nadirse al problema inicial las condiciones x
1
2 y x
2
2.
max Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
2
x
2
2
x
1
, x
2
0
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
+ x
3
= 12
x
1
+ x
2
= 2
x
1
+ x
5
= 2
+ x
2
+ x
6
= 2
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
5
aparece con signo menos, ser a necesario bus-
car, en primer lugar, una base inicial, lo que trataremos de lograr mediante la in-
troducci on de una variable articial x
7
0 y maximizando la funci on auxiliar
Z
aux
= x
7
. El problema resultante lo podemos escribir en forma tabular como:
Fase I:
0 0 0 0 0 0 -1 0
4 3 1 0 0 0 0 12
-1 1 0 1 0 0 0 2
1 0 0 0 -1 0 1 2
0 1 0 0 0 1 0 2
Expresando la funci on objetivo en funci on de variables no b asicas, se obtiene
1 0 0 0 -1 0 0 2
4 3 1 0 0 0 0 12
-1 1 0 1 0 0 0 2
1 0 0 0 -1 0 1 2
0 1 0 0 0 1 0 2
por tanto,
1 0 0 0 -1 0 0 2
1
3
4
1
4
0 0 0 0 3
-1 1 0 1 0 0 0 2
1 0 0 0 -1 0 1 2
0 1 0 0 0 1 0 2
2009/2010
99 c UJI
97
de donde
0 0 0 0 0 -1 0
0
3
4
1
4
0 1 0 -1 1
0 1 0 1 -1 0 1 4
1 0 0 0 -1 0 1 2
0 1 0 0 0 1 0 2
por tanto Z
aux
alcanza el valor Z
aux
= 0 con x
7
= 0.
Fase II
1 2 0 0 0 0 0
0
3
4
1
4
0 1 0 1
0 1 0 1 -1 0 4
1 0 0 0 -1 0 2
0 1 0 0 0 1 2
0 2 0 0 1 0 -2
0
3
4
1
4
0 1 0 1
0 1 0 1 -1 0 4
1 0 0 0 -1 0 2
0 1 0 0 0 1 2
El mayor coeciente positivo de Z es el correspondiente a x
2
, por tanto,
0 2 0 0 1 0 -2
0 1
1
3
0
4
3
0
4
3
0 1 0 1 -1 0 4
1 0 0 0 -1 0 2
0 1 0 0 0 1 2
de donde resulta
0 0 -
2
3
0 -
5
3
0 -
14
3
0 1
1
3
0
4
3
0
4
3
0 0 -
1
3
1
7
3
0
8
3
1 0 0 0 -1 0 2
0 0 -
1
3
0 -
4
3
1
2
3
el m aximo se alcanza para x
1
= 2, x
2
=
4
3
, x
3
= x
5
= 0, x
4
=
8
3
, x
6
=
2
3
, siendo el
valor del problema Z =
14
3
.
An alisis de resultados
Una vez resueltos los casos V y VI, los cuales sustituyen al caso III. resulta la
tabla:
2009/2010
100 c UJI
98
Caso I II VI V VI
Z
max
4 5
14
3
x
max
0 1 2
y
max
2 2
4
3
el m aximo de Z es el correspondiente al caso V. Dicho m aximo es alcanzado en el
punto x
1
= 1, x
2
= 2, el cual cumple las condiciones de integridad. Por tanto, esta
es la soluci on del problema siendo el valor de este Z = 5.
4.3. M etodo del plano de corte
Para evitar el enorme coste que puede llegar a tener el m etodo de ramicaci on
se introduce el m etodo de los planos de corte, el cual optimiza las restricciones
que hay que a nadir cuando encontramos una soluci on del problema lineal asociado
que no cumple con las condiciones de integridad requeridas de programaci on lineal
entera formulado anteriormente. Sea el problema lineal asociado al problema de
programaci on entera formulado anteriormente dado por
Optimizar <

c ,
x >,
sometido a A
x

b , A R
mn
.
x
j
0, j {1, . . . , n}.
Para resolver el problema entero supondremos, en primer lugar, que se tiene
resuelto el problema lineal asociado y que x es una soluci on optima del problema
lineal asociado, la cual no es entera, pues caso de serlo esta sera tambi en la so-
luci on del problema entero. Un plano de corte es un hiperplano de R
n
que separa
estrictamente {
x } del conjunto de soluciones factibles enteras del problema. Un

corte es una restricci on lineal de desigualdad que satisface:
1. Elimina la soluci on optima del problema lineal asociado que no satisface las
condiciones de integridad.
2. Es vericada por todas las soluciones factibles del problema entero inicial.
Si la soluci on del problema asociado no cumple las condiciones de integridad
requeridas, debe darse necesariamente la condici on de que reordenadas las ecua-
ciones de restricci on, la matriz D es la correspondiente a la base can onica, la cual
suponemos que ocupa las primeras n columnas, y que de entre las variables b asicas
x
1
, . . . , x
m
, alguna x
r
debe de satisfacer condici on de integridad y su respectivo b
r
es no entero; entonces para dicha variable x
r
se tiene la ecuaci on:
x
r
+
n
j=m+1
a
r,j
= b
r
Sea B
r,j
= [b
r
] y A
r,j
= [a
r,j
] la parte entera de b
r
y a
r,j
respectivamente, y sean
r
,
r,i
las respectivas partes fraccionarias
r
= b
r
B
r
, y
r,j
= a
r,j
A
r,j
, entonces
x
r
+
n
j=m+1
[A
r,j
+
r,j
] x
r,j
= B
r
+
r
2009/2010
101 c UJI
99
Si se reordena esta ecuaci on como:
x
r
+
n
j=m+1
a
r,j
x
j
B
r
=
r
j=m+1
i,r
x
j
Para cualquier soluci on factible que satisfaga las condiciones de integridad, el pri-
mer miembro ser a entero. El segundo miembro es pues entero, y puesto que B
r

]0, 1[ y A
r,j
[0, 1[ se tiene que el segundo miembro es tambi en estrictamente
menor que la unidad. As, para cualquier soluci on factible optima del problema
asociado se verica la desigualdad:
j=m+1
i,r
x
j
0
Por otra parte, si

y es una soluci on factible del problema lineal asociado, resul-
tar a que puesto que ahora x
j
, j = m + 1, . . . , n son variables no b asicas (y por
tanto, nulas), no podr a vericarse la condici on
r
j=m+1
i,r
x
j
=
r
> 0.
Por tanto, el problema entero satisface adem as de las restricciones iniciales, la res-
tricci on adicional deducida del plano de corte.
As, ahora se procede de nuevo a resolver el problema asociado a nadiendo la nueva
restricci on, procedi endose de nuevo como antes, hasta alcanzar una soluci on facti-
ble del problema asociado con las restricciones a nadidas que verique la condici on
de integridad.
N otese que en cada iteraci on se deber a aplicar, posiblemente, el m etodo de pena-
lizaci on o el m etodo de las dos fases, puesto que la soluci on optima del problema
asociado no pertenece al conjunto factible en cuanto a nadimos la nueva restricci on.
Ejemplo 4.3.1
Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
, x
2
0
x
1
, x
2
Z
En primer lugar, procedemos a resolver el programa lineal asociado dado por
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
12
x
1
+ x
2
2
x
1
, x
2
0
2009/2010
102 c UJI
100
Dicho problema resulta en su forma est andar
Maximizar Z = x
1
+ 2x
2
4x
1
+ 3x
2
+ x
3
= 12
x
1
+ x
2
+ x
4
= 2
x
1
, x
2
, x
3
, x
4
0
problema que ha sido resuelto en el ejemplo 4.2.1, y cuya soluci on se alcanza en el
punto x
1
=
6
7
, x
2
=
20
7
, x
3
= 0, x
4
= 0.
Dicha soluci on no cumple el requisito de integridad; por tanto, se buscar a un
plano de corte para excluir dicha soluci on de la regi on factible. As, se tiene:
x
1
+
1
7
x
3
3
7
x
4
=
6
7
.
Separando cada coeciente en parte entera y parte fraccionaria, se obtiene
x
1
+
1
7
x
3
x
4
+
4
7
x
4
=
6
7
,
de donde se tiene
x
1
x
4
=
1
7
x
3
4
7
x
4
+
6
7
0,
por tanto, para obtener integridad debe satisfacerse la relaci on
1
7
x
3
+
4
7
x
4

6
7
lo que escrito en forma est andar ser a
1
7
x
3
+
4
7
x
4
x
5
=
6
7
,
donde x
5
es una variable de holgura x
5
0. Puesto que la variable de holgura entra
con signo negativo es necesario introducir una variable articial y aplicar el m etodo
de las dos fases; as, en primer lugar, se maximiza la funci on auxiliar Z
aux
= x
6
en el conjunto denido por las restricciones dadas en la tabla anterior junto a la
nueva dada por el plano de corte. As, la primera fase en forma tabular se escribe
como
Fase I:
B asicas 0 0 0 0 0 -1 0
x
1
1 0
1
7

3
7
0 0
6
7
x
2
0 1
1
7
4
7
0 0
20
7
x
6
0 0
1
7
4
7
-1 1
6
7
Escribiendo la funci on objetivo en funci on de variables no b asicas, se tiene
2009/2010
103 c UJI
101
B asicas 0 0
1
7
4
7
-1 0
6
7
x
1
1 0
1
7

3
7
0 0
6
7
x
2
0 1
1
7
4
7
0 0
20
7
x
6
0 0
1
7
4
7
-1 1
6
7
El mayor coeciente positivo corresponde a la columna asociada a x
4
; as
B asicas 0 0
1
7
4
7
-1 0
6
7
x
1
1 0
1
7

3
7
0 0
6
7
x
2
0 1
1
7
4
7
0 0
20
7
x
6
0 0
1
4
1 -
7
4
7
4
3
2
El menor t ermino independiente correspondiente a las las cuyo valor en la co-
lumna de x
4
es 1, corresponde a la tercera la; as, entrar a en la base x
4
y saldr a x
6
,
por tanto:
B asicas 0 0 0 0 0 -1 0
x
1
1 0
1
4
0
3
4
3
4
3
2
x
2
0
7
4
0 0
7
4
-
7
4
7
2
x
4
0 0
1
4
1 -
7
4
7
4
3
2
La funci on auxiliar se maximiza para x
6
= 0 y toma valor Z
aux
= 0
Fase II
B asicas 0 0
3
7
-
5
7
0 -
46
7
x
1
1 0
1
4
0
3
4
3
2
x
2
0
7
4
0 0
7
4
7
2
x
4
0 0
1
4
1 -
7
4
3
2
Escribiendo la funci on objetivo en funci on de variables no b asicas, y escribiendo
la base en forma can onica, se tiene
B asicas 0 0
1
4
0 -
5
4
-
11
2
x
1
1 0
1
4
0
3
4
3
2
x
2
0 1 0 0 1 2
x
4
0 0
1
4
1 -
7
4
3
2
3
2
2 0
3
2
0
Puesto que todos los coecientes de la funci on objetivo, una vez escrita en fun-
ci on de variables no b asicas, son menores que cero, se tiene que el punto actual
es soluci on optima del problema. Dicha soluci on tampoco cumple la condici on de
integridad; por tanto, ser a necesario a nadir un nuevo plano de corte que excluya
dicho punto del conjunto factible. Dicho plano se obtiene a partir de la ecuaci on
correspondiente a la variable b asica x
1
, cuya soluci on no es entera:
x
1
+
1
4
x
3
3
4
x
5
=
3
2
,
2009/2010
104 c UJI
102
de donde separando partes enteras y fraccionarias se obtiene
x
1
+
1
4
x
3
x
5
+
1
4
x
5
= 1 +
1
2
,
y por tanto
x
1
x
5
1 =
1
4
x
3
1
4
x
5
+
1
2
0.
As, el nuevo plano de corte resulta
1
4
x
3
+
1
4
x
5

1
2
.
Para resolver el problema con la nueva restricci on ser a necesario aplicar de nue-
vo el m etodo de las dos fases; as, se tiene
Fase I:
B asicas 0 0 0 0 0 0 -1 0
x
1
1 0
1
4
0
3
4
0 0
3
2
x
2
0 1 0 0 1 0 0 2
x
4
0 0
1
4
1 -
7
4
0 0
3
2
x
7
0 0
1
4
0
1
4
-1 1
1
2
Escribiendo la funci on objetivo en funci on de variables no b asicas se obtiene
B asicas 0 0
1
4
0
1
4
-1 0
1
2
x
1
1 0
1
4
0
3
4
0 0
3
2
x
2
0 1 0 0 1 0 0 2
x
4
0 0
1
4
1 -
7
4
0 0
3
2
x
7
0 0
1
4
0
1
4
-1 1
1
2
El mayor coeciente positivo de la funci on objetivo es el correspondiente a x
3
,
haciendo la unidad en los valores positivos de la columna, se tiene la tabla:
B asicas 0 0
1
4
0
1
4
-1 0
1
2
x
1
4 0 1 0 -3 0 0 6
x
2
0 1 0 0 1 0 0 2
x
4
0 0 1 4 -7 0 0 6
x
7
0 0 1 0 1 -4 4 2
El menor t ermino independiente corresponde a la cuarta ecuaci on; as
B asicas 0 0 0 0 0 0 -1 0
x
1
4 0 0 0 -5 4 -4 4
x
2
0 1 0 0 1 0 0 2
x
4
0 0 0 4 -8 4 -4 4
x
3
0 0 1 0 1 -4 4 2
Por tanto, aqu naliza la fase I.
Fase II
2009/2010
105 c UJI
103
B asicas 0 0
1
4
0 -
5
4
0 -
11
2
x
1
4 0 0 0 -4 4 4
x
2
0 1 0 0 1 0 2
x
4
0 0 0 4 -8 4 4
x
3
0 0 1 0 1 -4 2
Escribiendo la funci on objetivo en funci on de variables no b asicas, y expresando
la base en forma can onica, se tiene
B asicas 0 0 0 0 -1 -1 -5
x
1
1 0 0 0 -1 1 1
x
2
0 1 0 0 1 0 2
x
4
0 0 0 1 -2 1 1
x
3
0 0 1 0 1 -4 2
Puesto que todos los coecientes de la funci on objetivo, una vez escrita en funci on
de variables no b asicas, son negativos; se tiene que el punto actual es la soluci on
optima del problema, y dado que esta es entera es tambi en la soluci on del programa
entero.
Por tanto, la funci on Z = x
1
+ 2x
2
alcanza su m aximo en el punto de coorde-
nadas x
1
= 1, x
2
= 2, siendo el valor del problema Z = 5.
2009/2010
106 c UJI
104
Tema 5
Resoluci on de ecuaciones
5.1. Introducci on
En este captulo se aborda el estudio de un conjunto de t ecnicas num ericas para
la resoluci on de ecuaciones, tanto algebraicas como trascendentes, hasta alcanzar la
soluci on con un grado de precisi on especicado de antemano.
Son pocas las ecuaciones que podemos encontrar que resulten resolubles de un mo-
do exacto; ello no es impedimento para alcanzar sus soluciones con la precisi on que
se requiera, para lo que se estudian m etodos que proporcionan algoritmos utiles a
la hora de abordar tales problemas, los cuales son f acilmente implementables en el
ordenador mediante el uso de lenguajes de programaci on de alto nivel, tales como
Fortran 2003 o C 99.
Los m etodos, los clasicaremos en cerrados si parten de un intervalo cerrado [a, b]
donde se sabe que contiene una soluci on de la ecuaci on f(x) = 0, y abiertos cuan-
do unicamente se cuenta con una aproximaci on inicial a la soluci on. Finalmente,
por su importancia, se aborda el estudio de los m etodos de punto jo, as como el
estudio de su convergencia.
5.2. M etodos cerrados.
El problema que abordan los m etodos cerrados es el siguiente: Sea f : [a, b]
R una funci on continua de modo que presenta signos contrarios en sus extremos,
f(a) f(b) < 0; entonces de acuerdo al teorema de Bolzano c ]a, b[ de modo que
f(c) = 0. Los m etodos cerrados que estudiaremos son el m etodo de bisecci on y el
m etodo de la cuerda (o regula falsi).
5.2.1. M etodo de bisecci on
El m etodo de bisecci on consiste en considerar el punto medio c =
a+b
2
del
intervalo [a, b] donde existe una raz y estudiar el signo de f(c) pudiendo resultar
tres casos:
1. f(c) = 0, en cuyo caso c es la raz buscada y por tanto naliza el proceso.
2009/2010
108 c UJI
105
2. f(a) f(c) > 0, en cuyo caso el signo de f es el mismo en a y en c por lo que
el cambio de signo en la funci on se produce en el intervalo [c, b].
3. f(a) f(c) < 0, en cuyo caso el cambio de signo de f se produce en el
intervalo [a, c].
A continuaci on, se procede a aplicar de nuevo el m etodo al nuevo intervalo donde
se produce el cambio de signo, obteni endose en cada iteraci on un problema equiva-
lente en un nuevo intervalo cuya longitud es la mitad.
El error que se produce al aproximar la raz por el punto central del intervalo es me-
nor o igual a la mitad de la longitud de dicho intervalo, y por tanto, para la iteraci on
n- esima se puede asegurar que este es menor que
ba
2
n
.
El m etodo de bisecci on se materializa en el siguiente algoritmo:
Dada una funci on continua f : [a, b] R de modo que se satisface f(a) f(b) < 0,
y dada una cota de error admisible > 0,
1. Tomar a
0
= a, b
0
= b, n = 0.
2. n = n + 1, c
n
=
a
n1
+b
n1
2
.
3. Si
f(c
n
) = 0 r = c
n
soluci on exacta y n del algoritmo.
f(a) f(c) > 0 a
n
= c
n
, b
n
= b
n1
.
f(a) f(c) < 0 a
n
= a
n1
, b
n
= c
n
.
4. Si

b
n
a
n
< tomar c
n
como raz y nalizar.
b
n
a
n
ir a paso 2.
de este modo se obtiene la raz r = c
n
con la precisi on requerida.
La convergencia del m etodo est a garantizada pues de no encontrar la raz exacta
(f(c
n
) = 0, en cuyo caso r = c
n
es el verdadero valor de la raz), r [a
n
, b
n
], n
N y, por tanto, r
nN
[a
n
, b
r
] y puesto que [a
n+1
, b
n+1
] [a
n
, b
n
], n N y la
longitud de [a
n
, b
n
] decrece en progresi on geom etrica, existe un unico punto com un
a todos los intervalos [a
n
, b
n
], que es la raz.
Ejemplo 5.2.1
Encontrar una raz positiva de la ecuaci on x 2 sen x = 0 exacta hasta la segunda
cifra decimal aplicando el m etodo de bisecci on en el intervalo [1.3 , 3.5].
En primer lugar se comprueban las condiciones del m etodo; f debe ser una
funci on continua (lo es) que toma valores de signo contrario en los extremos del
intervalo (los toma, pues f(1.3) = 0, 63, f(3.5) = 4.20). El m etodo de bisecci on
se basa en tomar a = 1.3, b = 3.5 y c =
a+b
2
y reducir el problema al intervalo
2009/2010
109 c UJI
106
[a, c] o [c, b] eligi endose aqu el en el que produce el cambio de signo en f (si resulta
f(c) = 0, se habra encontrado la raz y se nalizara el algoritmo). El proceso se
repite hasta que la longitud del intervalo resultante sea menor que la cota de error
admitida, momento en el que se toma c como la raz de f.
n a b c f(c)
1 1.3 3.5 2.4 1.05
2 1.3 2.4 1.85 -0.07
3 1.85 2.4 2.12 0.42
4 1.85 2.12 1.99 0.16
5 1.85 1.99 1.92 0.04
6 1.85 1.92 1.89 -0.02
7 1.89 1.92 1.90 0.01
8 1.89 1.98 1.90 0.01
La longitud del intervalo es 0.01, por tanto, la soluci on es x = 1.90.
5.2.2. M etodo de la regula falsi

El m etodo de la regula falsi, tambi en llamado m etodo de la cuerda, m etodo de
las partes proporcionales, o m etodo de la falsa posici on, pretende resolver al igual
que el m etodo de bisecci on el problema siguiente:
Dada de una funci on f : [a, b] R continua tal que f(a) f(b) < 0, encontrar
un punto c ]a, b[ de modo que f(c) = 0.
Este m etodo en lugar de tomar en cada paso como valor aproximado de la raz
el punto medio del intervalo [a, b], toma un punto c, de modo que los segmentos
ac y cb sean proporcionales a los valores |f(a)| y |f(b)| respectivamente, lo cual
proporciona en general mejores aproximaciones.
A
M
C
B
N
donde A = (a, 0), C = (c, 0), B = (b, 0), M = (a, f(a)), y N = (b, f(b)).
En la gura se puede apreciar que los tri angulos

ACM y

BCN son semejantes, por
2009/2010
110 c UJI
107
tanto, se verica la igualdad
AC
BC
=
AM
BN
y por tanto
c a
b c
=
f(a)
f(b)
de donde se obtiene sin dicultad
c =
a f(b) b f(a)
f(b) f(a)
c = a
b a
f(b) f(a)
f(a) = b
b a
f(b) f(a)
f(b)
Teorema 5.2.1
Sea f : [a, b] una funci on de clase C
2
([a, b]) de modo que f(a) (b) < 0 y
sign (f
(x)) = Cte x [a, b]. Entonces, la sucesi on formada por x

n+1
= b
n

f(b
n
)
f(b
n
)f(a
n
)
(b
n
a
n
) donde a
0
= a, b
0
= b, siendo a
n+1
= a
n
, b
n+1
= x
n+1
si
f(x
n+1
) f(a
n
) 0, y a
n+1
= x
n+1
, b
n+1
= b
n
si f(x
n+1
) f(a
n
) > 0 converge a
una raz r ]a, b[ de la ecuaci on f(x) = 0.
Dem:
Supongamos que f
(x) > 0 x [a, b] (el caso f
(x) < 0 se reduce a este

considerando la funci on g(x) = f(x)) y supongamos tambi en que f(a) < 0
(en otro caso bastar a considerar la funci on h(x) = f(x) y tomar como intervalo
[b, a]).
Entonces x
n+1
= b
n

f(b
n
)
f(b
n
)f(a
n
)
(b
n
a
n
) y puesto que f
(x) > 0 en [a, b] se

tiene que la funci on est a por debajo de la cuerda que une los extremos (a
n
, f(a
n
)),
(b
n
, f(b
n
)) y, por tanto, f(x
n+1
) < 0. De este modo, a
n
= a, y b
n+1
= x
n+1
n N, por tanto, se tiene:
x
n+1
= x
n

f(b
n
)
f(b
n
) f(a)
(x
n
a) n N.
Entonces, se tiene que x
n+1
x
n
=
f(x
n
)
f(x
n
)f(a)
(x
n
a) > 0 por tanto x
n+1
< x
n
.
As, la sucesi on {x
n
}
n=1
es mon otona creciente acotada inferiormente por a y, por
tanto, r = lm
n
x
n
.
Puesto que f es continua, tomando lmite en la expresi on que dene x
n+1
se
tiene
lm
n
x
n+1
= lm
n
x
n

lm
n
x
n
lm
n
f(x
n
) f(a)
( lm
n
x
n
a)
y, por tanto:
0 =
f(r)
f(r) f(a)
(r a)
de donde se tiene que f(r) = 0, pues el caso r = a no es posible por ser f(a) > 0
y f(r) = lm
n
f(x
n
) 0.
2009/2010
111 c UJI
108
Para estimar el error cuando el intervalo [a, b] es tal que el signo de f
(x) es
constante, puede procederse como: sea r la raz de f(x) en [a, b] y sea {x
n
}
n=0
la
sucesi on formada por los sucesivos valores de c. Entonces, se verica:
a
n
= x
n1

f(x
n1
)
f(x
n1
) f(a)
(x
n1
a)
y por tanto, dado que f(r) = 0 se tiene
f(r) f(x
n1
) =
f(x
n1
) f(a)
x
n1
a
(x
n
x
n1
).
Por otra parte:
f(x
n
) f(r) = f
()(x
n
r), ]a, b[
f(x
n1
) f(a) = (x
n1
a)f
()
donde , ]a, b[. As, se tiene
(r x
n1
)f
() = (x
n
x
n1
)f
()
y de aqu
|r x
n
| =
|f
() f
()|
|f
()|
|x
n
x
n1
|
M m
m
|x
n
x
n1
|
donde m y M son el m aximo y el mnimo de |f
(x)| en [a, b]. Si el intervalo [a, b]

es tan peque no que M 2m se tiene que
|r x
n
| |x
n
x
n1
|
puede tomarse como cota del error.
Ejemplo 5.2.2
cifra decimal ( usese calculadora) aplicando el m etodo de la regula falsi en [1.3, 3.5]
En este caso, el valor de c viene dado por
c = a f(a)
b a
f(b) f(a)
deteni endose el mismo, cuando obtenemos dos valores de c consecutivos cuya dife-
rencia es menor que el error admitido.
n a b c f(c) |c
n
c
n1
|
1 1.3 3.5 1.59 -0.41
2 1.59 3.5 1.75 -0.20 .14
3 1.75 3.5 1.84 -0.09 .09
4 1.84 3.5 1.87 -0.03 .03
5 1.87 3.5 1.89 -0.01 .02
6 1.89 3.5 1.89 0.00 .00
La soluci on tomada ser a x = 1.89.

2009/2010
112 c UJI
109
5.3. M etodos abiertos
Los m etodos abiertos parten de una aproximaci on inicial a la raz x
0
, la cual se
pretende renar en sucesivas iteraciones. Los principales m etodos abiertos son el
m etodo de Newton (y sus modicaciones) y los m etodos iterativos de punto jo.
5.3.1. M etodo de Newton
A continuaci on presentamos el llamado m etodo de Newton (tambi en llamado
m etodo de la tangente), el cual consiste en dada una ecuaci on f(x) = 0 donde f es
una funci on continua y derivable y dada una aproximaci on inicial x
0
a una raz, se
construye una nueva aproximaci on x
1
como el punto de corte de la tangente a f(x)
en el punto x
0
con el eje de abscisas, y as sucesivamente.
x
n
x
n+1
Sea x
n
el punto actual, la ecuaci on de la recta tangente a la curva y = f(x) en el
punto (x
n
, f(x
n
)) viene dada en su forma punto pendiente por
y f(x
n
) = f
(x
n
)(x x
n
).
Esta recta corta al eje de abscisas en el punto (x
n+1
, 0). As, se tiene la f ormula de
iteraci on de Newton
x
n+1
= x
n
f(x
n
)
f
(x
n
)
.
El error en el m etodo de Newton tambi en se puede estimar mediante
|r x
n
| |x
n
x
n1
|.
Ejemplo 5.3.1
cifra decimal ( usese calculadora) aplicando el m etodo de Newton partiendo de x
0
=
1.3.
2009/2010
113 c UJI
110
El m etodo de Newton se basa en la sucesi on x
n+1
= x
n
f(x
n
)
f
(x
n
)
, deteni endose
el proceso cuando |x
n+1
x
n
| < 10
2
. As, tenemos:
f(x) = x sen x, f
(x) = 1 2 cos x
y por tanto,
x
n+1
= x
n
x
n
2sen x
n
1 2 cos x
n
Tomando como x
0
= 1.3 se obtiene
x
0
x
1
x
2
x
3
x
4
1.30 2.65 2.03 1.90 1.90
por tanto, la soluci on es x = 1.90.
5.3.2. M etodo de Newton modicado
Consiste en aproximar en todas las iteraciones el valor de f
(x
n
) por f
(x
0
), de
este modo, nos evitaremos tener que calcular la derivada en cada etapa, pero pre-
senta el inconveniente de empeorar la convergencia. As, se tiene la aproximaci on
x
n+1
= x
n
f(x
n
)
f
(x
0
)
.
El error en este m etodo puede estimarse como |r x
n+1
| |x
n+1
x
n
|.
5.3.3. M etodo de la secante
El m etodo de la secante puede considerarse como una variaci on del m etodo de
Newton x
n+1
= x
n

f(x
n
)
f
(x
n
)
, pues resulta de sustituir la derivada f
(x
n
) por una
aproximaci on a la misma: f
(x
n
)
f(x
n
)f(x
n1
)
x
n
x
n1
resultando de este modo
x
n+1
= x
n
x
n
x
n1
f(x
n
) f(x
n1
)
f(x
n
)
El error en este m etodo puede estimarse como |r x
n+1
| |x
n+1
x
n
|.
Ejemplo 5.3.2
Explicar el comportamiento de los m etodos de bisecci on, de la regula falsi y de
Newton en el caso de que la ecuaci on a resolver fuera x
2
4xsen x + 4sen
2
x = 0
tomando en caso de los primeros, el intervalo inicial [1.3, 3.5]; y x = 1.3, en el
m etodo de Newton.
Respecto al comportamiento de los m etodos para la ecuaci on x
2
4 xsen x +
4sen
2
x = 0, se tiene que f(x) es una funci on continua en [1.3, 3.5] siendo f(1.3) =
0.39 y f(3.5) = 17.65, dado que ambos valores tienen el mismo signo, no es posible
aplicar ni el m etodo de bisecci on ni el m etodo de la regula falsi.
2009/2010
114 c UJI
111
El m etodo de Newton es un m etodo abierto, por lo que s que es posible utili-
zarlo. As, se tiene:
f(x) = x
2
4xsen x+4sen
2
x, f
(x) = 2x4sen x4xcos x+8sen xcos x

y as
x
n+1
= x
n
x
2
n
4x
n
sen x
n
+ 4 sen
2
x
n
2x
2
4 sen x
n
4, x
n
cos x
n
+ 8 sen x
n
cos x
n
Tomando como x
0
= 1.3 se obtiene la sucesi on:
x
0
x
1
x
2
x
3
x
4
1.30 1.97 1.93 1.90 1.90
por tanto, la soluci on es x = 1.90.
5.3.4. M etodos de punto jo

A continuaci on se estudia un tipo particular de funciones, las funciones contrac-
tivas, utiles para la construcci on de m etodos num ericos de resoluci on de ecuaciones.
Estos m etodos est an basados en el teorema del punto jo que estudiamos a conti-
nuaci on.
Denici on 5.3.1
Sea f : I I una aplicaci on de un intervalo I, acotado o no, de R. Diremos que
f es una aplicaci on contractiva si k R, 0 < k < 1 de modo que x
1
, x
2
I
se verica |f(x
1
) f(x
2
)| K|x
1
x
2
| (el caso de K = 0 no se considera pues
implica f constante en I).
Teorema 5.3.1
Si f : I I es contractiva, entonces f es continua en I.
Dem:
Sea > 0, entonces se tiene que si x
1
, x
2
I tales que |x
1
x
2
| con = se
verica
|f(x
1
) f(x
2
)| K|x
1
x
2
| K = K <
por tanto, f es continua en I.
Teorema 5.3.2
Sea f : I Runa funci on continua y derivable en I de modo que |f
(x)| K < 1,
x I, entonces f es contractiva en I.
Dem:
Sean x
1
, x
2
I. Por el teorema del valor medio existe ]x
1
, x
2
[ (suponemos
sin p erdida de generalidad que x
1
< x
2
) tal que f(x
2
) f(x
1
) = f
()(x
2
x
1
) y
por tanto:
|f(x
2
) f(x
1
)| = |f
()| |x
2
x
1
| < K|x
2
x
1
|
con 0 < K < 1 y por tanto, f es contractiva.

2009/2010
115 c UJI
112
Denici on 5.3.2
Sea f : A A una aplicaci on de un conjunto A en s mismo, Diremos que un
punto c A es punto jo de la aplicaci on f si se verica que f(c) = c.
Teorema 5.3.3 (del punto jo)
Sea f : I I una aplicaci on contractiva sobre un intervalo de R. Entonces existe
un unico punto c I jo por la aplicaci on f.
Dem:
Veamos en primer lugar que si existe, tal punto c es unico. Sean c, r I puntos
jos de f, entonces, si c = r se verica
0 < |c r| = |f(c) f(r)| K|c r| |c r|
lo cual es absurdo; por tanto, c = r.
A continuaci on veamos la existencia de tal punto jo. Sea x
0
I, sea x
n+1
=
f(x
n
). Veamos que la sucesi on {x
n
}
n=0
es una sucesi on de Cauchy; para ello, sean
n, m N con m > n m = n + p. As, se tiene
|x
m
x
n
| = |x
n+p
x
n+p1
+ x
n+p1
x
n+p2
+x
n+2
x
n+1
+ x
n+1
x
n
|
|x
n+p
x
n+p1
|+|x
n+p1
x
n+p2
|++|x
n+1
x
n
|
p=0
|x
n+p+1
x
n+p
| .
Por otra parte, se verica |x
2
x
1
| = |f(x
1
) f(x
0
)| K|x
1
x
0
|, y por tanto,
por inducci on se tiene |x
p+1
x
p
| K
p
|x
1
x
0
|; por tanto, se tiene
|x
m
x
n
| K
n+p1
|x
1
x
0
| + K
n+p2
|x
1
x
0
| + +K
n
|x
1
x
0
|
p=0
K
n+p
|x
1
x
0
| =
K
n
1 K
|x
1
x
0
| .
Por tanto, para que |x
m
x
n
| < es suciente que
K
n
1K
|x
1
x
0
| < , lo cual en el
caso de que x
0
= x
1
(y, por tanto, x
0
punto jo de f) se cumple, y en el caso de ser
x
0
= x
1
bastar a que
K
n
< (1 K), nlog K < log [(1 K)] , n >
log [(1 K)]
log K
pues log K < 0 al ser K ]0, 1[, por tanto, para que |x
m
x
n
| < bastar a que
n, m E
log[(1K)]
log K
+ 1 siendo E la funci on parte entera.

La sucesi on {x
n
}
n=0
es de Cauchy y, por tanto, es convergente; sea x = lm
n
x
n
,
por continuidad se tiene que x = lm
n
x
n+1
= lm
n
f(x
n
) = f( lm
n
x
n
) = f(x) y
por tanto x es punto jo de f.
Dada una ecuaci on f(x) = 0, puede en general escribirse de una forma equiva-
lente como x = (x), si es una aplicaci on contractiva sobre un intervalo I, puede
obtenerse la soluci on de la ecuaci on inicial tomando un punto x
0
I y a partir de
el construyendo la sucesi on x
n+1
= (x
n
); as, se tendr a que x = lm
n
x
n
es la raz
buscada.
2009/2010
116 c UJI
113
Ejemplo 5.3.3
Mediante el m etodo iterativo resolver la ecuaci on x + 0.2 sen x + 0.1 cos x = 5
partiendo de la aproximaci on x
0
= 5. Qu e se puede decir acerca de la convergencia
del m etodo?
Para resolver el problema mediante el m etodo iterativo (lo haremos hasta ob-
tener cuatro cifras decimales exactas), construimos en primer lugar la relaci on de
recurrencia
x
n+1
= 5 0.2sen x
n
0.1 cos x
n
, x
0
= 5
lo que conduce a la tabla:
n 0 1 2 3 4 5 6 7
x
n
5 5.16342 5.13641 5.14115 5.14032 5.14047 5.14044 5.14045
por tanto, la soluci on con cuatro cifras decimales exactas es x = 5.1405.
Respecto a la convergencia del m etodo, observar que la relaci on de recurrencia
est a obtenida a partir de la funci on (x) = 50.2sen x0.1 cos x funci on continua
y derivable en toda la recta real. Esta funci on satisface
|
(x)| = | 0.2 cos x + 0.1sen x| |0.2 cos x| +|0.1sen x| =

= 0.2| cos x| + 0.1|sen x| 0.2 + 0.1 = 0.3 < 1
por tanto, el m etodo converge.
5.4. Sistemas de ecuaciones no lineales

Acontinuaci on se aborda el estudio de la resoluci on de un sistema de ecuaciones
de la forma
f
1
(x
1
, x
2
, ..., x
n
) = 0
f
1
(x
1
, x
2
, ..., x
n
) = 0
..............................
f
1
(x
1
, x
2
, ..., x
n
) = 0
el cual, en forma vectorial se escribe como

f (
x ) =

0 , y del que tenemos una
aproximaci on inicial
x
0
= (x
0
1
, x
0
2
, ..., x
0
n
).
A continuaci on estudiaremos m etodos para construir una sucesi on de aproxima-
ciones convergente a la soluci on.
5.4.1. M etodo de Newton-Ralphson
El m etodo de Newton-Ralphson consiste en dada una aproximaci on

x
k
a la
soluci on de la ecuaci on

f (
x ) =

0 , buscar una nueva iteraci on

x
k+1
=

x
k
+
2009/2010
117 c UJI
114
x
k
de modo que satisfaga no la ecuaci on inicial

f (
x ) =

0 , sino la ecuaci on
linealizada en
x
k
, esto es el desarrollo de Taylor en primer orden en
x
k
de
f (
x
k+1
) alrededor del punto

x
k
. Dicha ecuaci on se escribe en forma vectorial
como
f (
x
k+1
) =

f (
x
k
+
x
k
)

f (
x
k
) +J(
f )(
x
k
)
x
k
=

0
donde J denota la matriz jacobiana de la funci on
f .
Si J(
f )(
x
k
) = 0 la ecuaci on
f (
x
k
) +J(
f )(
x
k
)
x
k
=

0
puede multiplicarse por
J(
f )(
x
k
)
1
, obteni endose
J(
f )(
x
k
)
f (
x
k
) +
x
k
=

0
de donde
x
k
=
J(
f )(
x
k
)
f (
x
k
),

x
k+1
=

x
k
+
x
k
lo que constituye la f ormula de iteraci on de Newton-Ralphson.
La f ormula anterior requiere la inversi on de una matriz, lo cual constituye una de
las operaciones mas difciles en c alculo num erico, por ello es preferible, en general,
la resoluci on del sistema J(
f )(
x
k
)
x
k
=
f (
x
k
), el cual resulta de modo
explcito:
f
1
x
1
x
k
f
1
x
2
x
k

f
1
x
n
x
k
f
2
x
1
x
k
f
2
x
2
x
k

f
2
x
n
x
k

f
n
x
1
x
k
f
n
x
2
x
k

f
n
x
n
x
k
x
k
1
x
k
2

x
k
n
f
1
(
x
k
)
f
2
(
x
k
)

f
n
(
x
k
)
Teorema 5.4.1
Sea un sistema de ecuaciones lineales dado por
f
1
(x
1
, x
2
, ..., x
n
) = 0
f
1
(x
1
, x
2
, ..., x
n
) = 0
..............................
f
1
(x
1
, x
2
, ..., x
n
) = 0
donde f C
2
(), donde R
n
) es un conjunto abierto y convexo. Sea

x
0

tal que 0 para el cual V = {
x R
n
: ||
x

x
0
|| } siendo
||
x || = max{|x
1
| : i = 1, . . . , n}, de manera que se satisfagan las condiciones
La matriz jacobiana J
f (
x
0
) tiene inversa
0
= J
f
1
(
x
0
) de modo que
||
0
|| .
2009/2010
118 c UJI
115
||
0
f (
x
0
)||

2
.
n
k=1
2
f
i
x
j
x
k
, i, j = 1, n
x V .
n 1.
Entonces la sucesi on
x
n+1
=

x
n
J(
f )(
x
n
)
f (
x
n
)
es convergente a un vector
x de modo que
f (
x ) = 0.
Dem:
No se proporciona por exceder el nivel del curso.
Ejemplo 5.4.1
Resolver mediante el m etodo de Newton-Ralphson el sistema:
1 + x
2
y
2
+ e
x
cos x = 0
2xy + e
x
sen y = 0
partiendo de la aproximaci on inicial (x
0
, y
0
) = (1, 4). Aplicar cinco iteraciones.
El m etodo de Newton-Ralphson consiste, como es sabido, en reemplazar el sis-
tema de ecuaciones
f(x, y) = 0
g(x, y) = 0
en el entorno de una aproximaci on a la soluci on (x
n
, y
n
) por su polinomio de Taylor
de primer orden; as si (x
n
+x
n
, y
n
+y
n
) es la soluci on en primer orden en Taylor
de la ecuaci on inicial:
0 = f(x
n
+ x
n
) f(x
n
, y
n
) +
f
x
(x
n
,y
n
)
x
n
+
f
y
(x
n
,y
n
)
y
n
0 = g(x
n
+ x
n
) g(x
n
, y
n
) +
g
x
(x
n
,y
n
)
x
n
+
g
y
(x
n
,y
n
)
y
n
Las derivadas parciales vienen dadas por:
f
x
(x
n
,y
n
)
= 2x
n
+ e
x
n
cos x
n
e
x
n
cos x
n
,
f
y
(x
n
,y
n
)
= 2y
n
g
x
(x
n
,y
n
)
= 2Y
n
+ e
x
n
sen y
n
,
g
y
(x
n
,y
n
)
= 2x
n
+ e
x
n
cos y
n
2009/2010
119 c UJI
116
as, para la primera iteraci on se tiene el sistema:
1.49167 8.00000
7.72159 2.24046

x
0
y
0
13.8012
8.27841
x
0
y
0
0.542214
1.82626
as, calculamos x
1
= x
0
+x
0
, y
1
= y
0
+y
0
resultando (x
1
, y
1
) = (0.457786, 2.17374).
Para la segunda iteraci on se tiene el sistema:
0.06841 4.34749
4.86861 1.27435

x
1
y
1
2.94806
1.46910
x
1
y
1
0.123746
0.68005
de donde (x
2
, y
2
) = (0.457786, 2.17374). Para la tercera iteraci on se tiene:
0.24313 2.98738
3.70128 0.61292

x
2
y
2
0.44308
0.284005
x
2
y
2
0.05288
0.14401
de donde (x
3
, y
3
) = (0.28116, 1.34968). Para la cuarta iteraci on se tiene:
0.37242 2.69935
3.43588 0.39674

x
3
y
3
0.01730
0.02241
x
3
y
3
0.00588
0.00560
de donde (x
4
, y
4
) = (0.27528, 1.34407). Finalmente para la quinta iteraci on se
tiene:
0.38661 2.68815
3.42808 0.37987

x
4
y
4
0.00001
0.00007
x
4
y
4
0.00002
0.00001
de donde (x
5
, y
5
) = (0.27530, 1.34408).
5.4.2. M etodo de la m axima pendiente

Una alternativa para la resoluci on de sistemas no lineales es la siguiente:
Sea el sistema de ecuaciones lineales
f
1
(x
1
, x
2
, ..., x
n
) = 0
f
1
(x
1
, x
2
, ..., x
n
) = 0
..............................
f
1
(x
1
, x
2
, ..., x
n
) = 0
y sea (x
0
1
, x
0
2
, . . . , x
0
n
) una aproximaci on inicial.
El m etodo de la m axima pendiente consiste en transformar el problema de re-
solver el sistema en el equivalente consistente en encontrar los puntos

x R
n
de
modo que la funci on potencial U : R
n
R denida como U(
x ) =
n
i=1
f
i
(
x )
2
se
anule; U(
x ) = 0.
Sea

x un punto en el que se anula U(
x ), entonces dicho punto es un mnimo

de U(
x ) y, por tanto, si

f : R
n
R
n
es de clase C
1
(R
n
) debe vericarse que
2009/2010
120 c UJI
117
J
x
= 0. Por otra parte, indicar que la condici on de mnimo de U(
x ) no es
suciente para que
x sea raz de la ecuaci on
f (
x ) = 0, pero s necesaria.
El m etodo de la m axima pendiente consiste en lo siguiente: partiendo de una
aproximaci on inicial
x
0
a una raz de la ecuaci on
f (
x ) = 0, buscar el mnimo de
U al que se llega siguiendo la direcci on de m axima pendiente. Si adem as en dicho
mnimo se anula la funci on potencial U, este ser a raz de la ecuaci on.
Para encontrar el mnimo de U siguiendo la direcci on de m aximo descenso en
x
k
m as pr oximo a

x
k
, al cual denotaremos como

x
k+1
, se dene la funci on
k
(t) = U(
x
k
t
U(
x
k
)).
Si
x
k
es pr oximo al mnimo, t ser a una cantidad peque na, por ello para evaluar
(t) = U(
x
k
tU(
x
k
)) procederemos a aproximar dicha cantidad por
k
(t) = U(
x
k
t
U(
x
k
)) =
n
i=1
f
2
i
(
x
k
t
U(
x
k
)) =
=
n
i=1
f
i
(
x
k
) t
f
i
(
x
k
), U(
x
k
)) + O(t
2
)
2
despreciando t erminos en t de orden superior al primero, se tiene que la condici on
de mnimo viene dada por
k
(t) =
n
i=1
f
i
(
x
k
) t
f
i
(
x
k
),
U(
x
k
))
2
de donde:
d
k
(t)
dt
= 2
n
i=1
f
i
(
x
k
) t
f
i
(
x
k
),
U(
x
k
))
f
i
(
x
k
),
U(
x
k
))
y por tanto,
d
k
(t)
dt
= 2
n
i=1
f
i
(
x
k
)
f
i
(
x
k
),
U(
x
k
)) t
f
i
(
x
k
),
U(
x
k
))
2
Dado que J
f (
x ) es la matriz jacobiana de la funci on
f , se tiene que
n
i=1
f
i
(
x
k
)
f
i
(
x
k
), U(
x
k
))
f (
x
k
), J
f (
x
k
)
U(
x
k
,
y
n
i=1
f
i
(
x
k
), U(
x
k
))
2
= J
f (
x
k
)
U(
x
k
), J
f (
x
k
)
U(
x
k
),
y por tanto,
d
k
(t)
dt
= 2
f (
x
k
), J
f (
x
k
)
U(
x
k
)
tJ
f (
x
k
)
U(
x
k
), J
f (
x
k
)
U(
x
k
)
,
2009/2010
121 c UJI
118
Sea t
k
el valor de t que anula la expresi on anterior, dicho valor viene dado por
t
k
=

f (
x
k
), J
f (
x
k
)
U(
x
k
)
J
f (
x
k
)
U(
x
k
), J
f (
x
k
)
U(
x
k
)
.
de donde:
x
k+1
=

x
k

f (
x
k
), J
f (
x
k
)
U(
x
k
)
J
f (
x
k
)
U(
x
k
), J
f (
x
k
)
U(
x
k
)
U(
x
k
)
Para ello puede procederse seg un el siguiente algoritmo:
1. Determinar la direcci on de m aximo decrecimiento en el punto

x
k
, la cual
viene dada por U(
x
k
) y el jacobiano de
f (
x
k
) dado por J(
f )(
x
k
).
2. Buscar el mnimo de U(
x ) siguiendo la direcci on de m aximo descenso
x
k+1
dado por
3. Evaluar la condici on de error de modo que si ||
x
k+1

x
k
|| se toma
como aproximaci on

x
k+1
y naliza el algoritmo. Caso de no cumplirse la
condici on, ir al paso 2.
5.5. Ecuaciones polin omicas
En esta secci on se aborda de modo especial el estudio de las ecuaciones de tipo
polin omico, esto es, ecuaciones de la forma
a
n
z
n
+ a
n1
z
n1
+ . . . + a
1
z + a
0
= 0, a
0
, a
1
, . . . , a
n
C, a
n
= 0, z C
donde C representa el cuerpo de los n umeros complejos.
Denici on 5.5.1
Sea P
n
(z) = a
n
z
n
+ a
n1
z
n1
+ . . . + a
1
z + a
0
un polinomio de grado n 1.
Diremos que r C es raz de P
n
(z) si se verica que P
n
(r) = 0.
Algunos resultados cl asicos sobre polinomios son los siguientes:
Teorema 5.5.1 (Teorema fundamental del algebra)
Sea P
n
(z) =
n
i=0
a
i
z
i
un polinomio de grado n 1 con coecientes complejos,
entonces r C de modo que P
n
(r) = 0
La demostraci on de este teorema se omite pues excede, en mucho, el nivel de
este curso.
Teorema 5.5.2 (Teorema del resto)
Sea P
n
(x) un polinomio de grado n 1 en la indeterminada x, y sea a C.
Entonces P
n
(a) coincide con el resto de dividir P
n
(x) por x a.
2009/2010
122 c UJI
119
Dem:
P
n
(x) = Q
n1
(x)(x a) + r, donde Q
n1
(x) es el cociente y r C el resto.
Entonces se tiene que P
n
(a) = Q
n1
(a)(a a) + r = r.
Teorema 5.5.3 (Teorema de Runi)
Sea P
n
(x) un polinomio de grado n 1 en la indeterminada x, y sea a C.
Entonces P
n
(x) es divisible por x a si, y s olo si, P
n
(a) = 0.
Dem:
Consecuencia inmediata del anterior, pues P
n
(x) divisible por x a si, y s olo
si, el resto r = 0, pero r = P
n
(a) de donde se sigue el resultado.
Teorema 5.5.4
Sea P
n
(z) =
n
i=0
a
i
z
i
un polinomio de grado n 1 con coecientes complejos,
entonces r
1
, . . . , r
s
C, y n
1
, . . . , n
s
N de modo que P
n
(z) = a
n
s
i=1
(z r
i
)
n
i
con
s
i=1
n
i
= n.
Dem:
Consecuencia inmediata del teorema fundamental del algebra y del teorema de
Runi.
Teorema 5.5.5
Sea P
n
(z) =
n
i=0
a
i
z
i
un polinomio de grado n con coecientes en C y sea r
C {0} una raz de P
n
(z). Entonces
1
r
es raz del polinomio Q
n
(z) =
n
i=0
a
i
z
in
.
Dem:
P
n
(z) =
n
i=0
a
i
z
i
, entonces z = 0 se tiene
P
n
(z) = z
n
n
i=0
a
i
z
in
= z
n
Q
n
(z).
Por tanto, si r = 0 es raz de P
n
(z) se tiene que 0 = P
n
(r) = r
n
Q
n
(
1
r
) y puesto que
r = 0 Q
n
(
1
r
) = 0, con lo que se tiene el resultado.
Teorema 5.5.6
Sea P
n
(x) un polinomio de grado n 1 con coecientes reales, y sea r C raz
de P
n
(x), entonces z tambi en es raz de P
n
(x).
Dem:
Sea r C raz de P
n
(x), entonces P
n
(r) =
n
i=0
a
n
r
n
= 0. Por otra parte, un
n umero complejo z es real si, y s olo si, z = z donde z es la conjugaci on compleja,
esto es + i = i.
2009/2010
123 c UJI
120
Tomando conjugados en ambos miembros de la igualdad P
n
(r) = 0 se tiene que
P
n
(r) = 0 = 0, y por tanto
P
n
(r) =
n
i=0
a
n
x
n
=
n
i=0
a
n
r
n
=
n
i=0
a
n
r
n
= P
n
(r)
y por tanto, P
n
(r) = 0, de donde se sigue el resultado.
Teorema 5.5.7
Sea P
n
(x) un polinomio de grado n 1 con coecientes reales. Si z = + i es
raz, entonces P
n
(x) es divisible por (x )
2
+
2
.
Dem:
Por el teorema anterior si + i es raz de P
n
(x), entonces i tambi en lo
es. Por tanto, P
n
(x) es divisible por x [ + i ] y por x [ i ], por lo que es
divisible por el producto de ambos. As, P
n
(x) es divisible por
(x [ + i ]) (x [ i ]) = (x )
2
i
2
2
= (x )
2
+
2
.
de donde se sigue el teorema.
Teorema 5.5.8
Sea P
n
(x) un polinomio de grado n 1 con coecientes reales. Entonces P
n
(x) se
factoriza como
P
n
(x) = K
s
i=1
(x x
i
)
n
i
r
j=1
(x
j
)
2
+
j
m
j
donde K R, x
1
, . . . , x
s
R,
1
, . . . ,
r
,
1
, . . . ,
r
R, n
1
, . . . , n
s
, m
1
, . . . , m
r

N, n
1
+ . . . + n
s
+ 2m
1
+ . . . + 2m
r
= n.
Dem:
Se deduce inmediatamente de los resultados anteriores.
Denici on 5.5.2
Sea P
n
(x) un polinomio cuya factorizaci on completa viene dada por
P
n
(x) = K
s
i=1
(x x
i
)
n
i
r
j=1
(x
j
)
2
+
j
m
j
.
Entonces a los n umeros n
1
, . . . , n
s
, m
1
, . . . , m
r
se les denomina grado de multi-
plicidad de las races r
1
, . . . , r
s
y
1
i
1
, . . . ,
r
i
r
, respectivamente.
Teorema 5.5.9
Sea P
n
(z) un polinomio con coecientes complejos y sea r C raz de multiplici-
dad 1 k n. Entonces r es raz de P
k)
n
(z), i = 0, . . . , k 1 y no lo es de P
k)
n
(z)
donde P
i)
n
(z) =
d
i
duz
i
P
n
(z).
2009/2010
124 c UJI
121
Dem:
Si r es raz de orden k de P
n
(z), entonces P
n
(z) = (z r)
k
Q(z) donde Q(z)
es un polinomio de grado n k de manera que Q(r) = 0. Si i k se tiene que
P
i)
n
(z) =
i
j=0
i
j
d
j
dz
j
(z r)
k
d
ij
dz
ij
Q(z)
,
as
P
i)
n
(z) =
i
j=1
i
j
k!
(k j)!
(z r)
kj
Q
ij
(z.)
Por tanto, si i < k se tiene que P
i)
n
(z) = (zr)
ki
R(z) donde R(z) es un polinomio
en z, de donde P
n
(r) = 0. Por otra parte, P
k)
n
(z) = (z r)S(z) + k!Q(z) siendo
S(z) un polinomio en z, de donde P
k)
n
(r) = (r r)S(r) + k!Q(r) = k!Q(r) = 0
pues Q(r) = 0.
Teorema 5.5.10
Sea P
n
(z) un polinomio con coecientes complejos y sea r raz de multiplicidad
k > 1. Entonces r es tambi en raz de P
n
(z) de multiplicidad k 1.
Dem:
P
n
(z) = (zr)
k
Q(z) donde Q(z) es un polinomio en z de modo que Q(r) = 0.
Entonces derivando se tiene
P
n
(z) = k(z r)
k1
Q(z) + (z r)
k
Q
(z)
y por tanto:
P
n
(z) = (z r)
k
[kQ(z) + (z r)Q
(z)] = (z r)
k1
S(z)
donde S(z) = kQ(z) + (z r)Q
(z).
Por otra parte, S(r) = kQ(r) + (r r)Q
(r) = kQ(r) = 0, de donde se sigue

el resultado.
Denici on 5.5.3
Sean P(z), Q(z) polinomios de coecientes en C. Diremos que un polinomio D(z)
con coecientes en C es m aximo com un divisor de P(z) y Q(z) si D(z) divide a
P(z) y a Q(z) y para cualquier otro divisor com un R(z) de P(z) y Q(z) se verica
que grad(R(z)) grad(D(z)).
Diremos que los polinomios P(z) y Q(z) son primos entre s cuando grad(D(z)) =
0.
Teorema 5.5.11
Sea el polinomio D(z) divisor com un de los polinomios P(z) y Q(z) con grad(P(z)
grad(Q(z)), y sea r(z) el resto de dividir P(z) entre Q(z). Entonces D(z) divide a
r(z).
2009/2010
125 c UJI
122
Dem:
Sea c(z) el cociente de dividir P(z) entre Q(z), entonces P(z) = Q(z)c(z) +
r(z). Puesto que D(z) divide a P(z) se tiene que P(z) = D(z)p(z); por la misma
raz on se tiene Q(z) = D(z)q(z). Por tanto, D(z)p(z) = D(z)q(z)c(z) + r(z), de
donde r(z) = D(z) [p(z) q(z)c(z)]. Por tanto, D(z) divide a r(z).
El c alculo del m aximo com un divisor de dos polinomios puede efectuarse f acil-
mente por medio del algoritmo de Euclides. Este algoritmo est a basado en el teore-
ma anterior y consiste en lo siguiente:
1. Tomar el polinomio de mayor grado como D(z) y el de menor como d(z). En
caso de ser del mismo grado tomar como D(z) y el otro como d(z).
2. Efectuar la divisi on de D(z) entre d(z). Sea c(z) el cociente y r(z) el resto
de modo que D(z) = c(z)d(z) + r(z).
3. Si r(x) = 0, el m aximo com un divisor buscado es d(z), con lo que naliza el
algoritmo. Si por el contrario r(z) = 0 hacer D(z) = d(z) y d(z) = r(z) e ir
al paso 2.
Ejemplo 5.5.1
Calcular el m aximo com un divisor de los polinomios z
4
+ 3z
3
+ 4z
2
+ 3z + 1 y
z
3
+ 2z
2
z 2.
Tomando como D(z) = z
4
+3z
3
+4z
2
+3z +1 y como d(z) = z
3
+2z
2
z 2
y efectuando la divisi on, se tiene
D(z) = d(z)c(z) + r(z), donde c(x) = z + 1, r(x) = 3z
2
+ 6z + 3.
Puesto que r(x) = 0, sea D(z) = z
3
+2z
2
z 2 y d(z) = 3z
2
+6z +3, entonces
se tiene
D(z) = d(z)c(z) + r(z), donde c(x) =
z
3
, r(x) = 2z 2.
Puesto que r(x) = 0 sea D(z) = 3z
2
+6z +3 y d(z) = 2z 2 , entonces se tiene
D(z) = d(z)c(z) + r(z), donde c(x) =
3
2
z
3
2
, r(x) = 0.
Puesto que r(x) = 0, el m aximo com un divisor es d(z) = 2z 2.
Tambi en es posible dar como m aximo com un divisor k d(z) donde k R{0};
as, podemos dar como resultado z + 1.
El algoritmo de Euclides puede aplicarse de forma tabular como:
z + 1
z
3

3
2
z
3
2
z
4
+ 3z
3
+ 4z
2
+ 3z + 1 z
3
+ 2z
2
z 2 3z
2
+ 6z + 3 2z 2
3z
2
+ 6z + 3 2z 2 0

2009/2010
126 c UJI
123
Teorema 5.5.12
Sea P(z) un polinomio de grado n 1 y sea D(z) el m aximo com un divisor de
P
n
(z) y de su derivada P
n
(z). Entonces, el polinomio
P
n
(z)
D(z)
tiene las mismas races
que P
n
(z) pero con multiplicidad uno.
Dem:
Sea un polinomio de grado n 1. Entonces P
n
(z) se factoriza como
P
n
(x) = K
s
i=1
(z x
i
)
n
i
r
j=1
(z
j
)
2
+
j
m
j
,
por tanto
P
n
(z) = S(z)
s
i=1
(z x
i
)
n
i
1
r
j=1
(z
j
)
2
+
j
m
j
1
,
donde S(z) es un polinomio que no tiene por races x
i
, i = 1, . . . , s,
i
i
i
, j =
1, . . . , r, por tanto, el m aximo com un divisor de P
n
(z) y P
n
(z) es
D(z) =
s
i=1
(z x
i
)
n
i
1
r
j=1
(z
j
)
2
+
j
m
j
1
,
y por tanto
P
n
(z)
D(z)
=
s
i=1
(z x
i
)
r
j=1
(z
j
)
2
+
j
,
con lo que se tiene el resultado.
5.5.1. Acotaci on y separaci on de races
En el caso de ecuaciones polin omicas es posible establecer, por una parte, cotas
superiores e inferiores a los valores de sus races, y tambi en en el caso de ser estas
reales simples, determinar intervalos en los que se encuentra una unica raz, t ecnica
conocida como separaci on de races.
Teorema 5.5.13
Sea la ecuaci on polin omica P
n
(z) =
n
i=0
a
i
x
i
= 0 y sea A = max{|a
0
|, . . . , |a
n1
|}.
Entonces si r C es raz de P
n
(z), se verica que |r| < 1 +
A
a
n
.
Dem:
Si |z| > 1 se tiene:
|P
n
(z)| = |a
n
z
n
+ a
n1
z
n1
+ . . . + a
1
z + a
0
|
|a
n
z
n
| |a
n1
z
n1
+ . . . + a
1
z + a
0
|
|a
n
z
n
| A
|z|
n1
+ . . . +|z| + 1
=
2009/2010
127 c UJI
124
= |a
n
||z|
n
A
|z|
n
1
|z| 1
>
|a
n
|
A
|z| 1
|z|
n
.
Por tanto, si
|a
n
|
A
|z| 1
0
z no puede ser raz de la ecuaci on, de donde para que r con |r| > 1 sea raz es
necesario que
|a
n
|
A
|r| 1
< 0,
|r| < 1 +
A
a
n
.
Si |r| < 1, la relaci on se verica directamente. Finalmente, si |r| = 1, tambi en se
verica pues A > 0 ya que en caso de ser A = 0 la unica raz de la ecuaci on sera
r = 0.
Teorema 5.5.14
Sea la ecuaci on polin omica dada por P
n
(z) =
n
i=0
a
i
x
i
= 0 con a
0
= 0 y sea
B = max{|a
1
|, . . . , |a
n
|}. Entonces si r C es raz de la ecuaci on P
n
(z) = 0 se
verica |r| >
1
1+
B
|a
0
|
.
Dem:
Basta considerar que el polinomio Q
n
(z) = z
n
P
n
(
1
z
) del cual es raz
1
r
y cuyo
desarrollo viene dado por Q
n
(z) = a
0
z
n
+ . . . + a
n1
z + a
n
, por tanto
1
r
< 1 +
B
a
0
donde B = max{|a
1
|, . . . , |a
n
|}, a partir de lo cual se tiene
|r| >
1
1 +
B
|a
0
|
.
Ejemplo 5.5.2
Sea el polinomio P
n
(z) = z
5
+ 3z
4
7z
3
+ z
2
1. Encontrar una acotaci on para
las races complejas de la ecuaci on P
n
(z) = 0.
Sean A = max{|a
0
|, . . . , |a
n1
|}, B = max{|a
1
|, . . . , |a
n
|}. Entonces se veri-
ca que si r C es raz de la ecuaci on P
n
(z) = 0, debe vericarse que
1
1 +
B
|a
0
|
< |r| < 1 +
A
|a
n
|
,
y puesto que en este caso A = B = 7 se tiene que
1
1 +
7
1
< |r| < 1 +
7
1
,
de donde se obtiene
1
8
< |r| < 7.

2009/2010
128 c UJI
125
En el caso de polinomios con coecientes reales es posible proporcionar lmites
mas estrechos para las races, as como establecer cual es el n umero de races reales
comprendidas en un intervalo [a, b]. Para ello, en primer lugar, sea P
n
(x) = a
n
x
n
+
+ a
1
x + a
0
un polinomio de grado n 1 con coecientes reales, y consid erese
los polinomios auxiliares S
n
(x) = P
n
(x), y tambi en si a
0
= 0 Q
n
(x) = x
n
P
n
(
1
x
).
El primero de dichos polinomios tiene por races las mismas de P
n
(x) cambiadas
de signo, siendo las del segundo las inversas de las races de P
n
(x).
Teorema 5.5.15 (Teorema de Lagrange)
Sea P
n
(x) = a
n
x
n
+. . . +a
1
x+a
0
un polinomio de grado n 1 y sea x
+
una raz
positiva de P
n
(x) = 0. Entonces si |a
n
| > 0, a
k
< 0 es el coeciente negativo de
mayor grado y B = max{|a
i
| : a
i
< 0, i = 0, . . . , n 1}, se verica
x
+
< 1 +
nk
B
a
n
.
Dem:
Si x
+
1 se tiene el teorema (de modo totalmente similar a como se obtuvo en
el teorema anterior).
Si x
+
> 1, sea I = {i {1, 2, . . . , n} : a
i
> 0} y sea I = {1, . . . , n} I.
Entonces x > 0:
P
n
(x) =
iI
a
i
x
i
+
iI
a
i
x
i
a
n
x
n
B
iI
x
i
a
n
x
n
B
nk
i=0
x
i
= a
n
x
n
B
x
nk+1
1
x 1
.
Puesto que x > 1 se tiene que
P
n
(x) =
x
k+1
x 1
a
n
x
nk1
(x 1) B
>
x
k+1
x 1
a
n
(x 1)
nk
B
,
y por tanto, si x > 0 es raz de P
n
(x), no puede darse la condici on
a
n
(x 1)
k
B 0
de donde a
n
(x
+
)
nk
B < 0, y por tanto:
x
+
< 1 +
nk
B
a
n
.
Ejemplo 5.5.3
Sea el polinomio P
n
(z) = z
5
+ 3z
4
7z
3
+ z
2
las races reales de la ecuaci on P
n
(z) = 0.
2009/2010
129 c UJI
126
Sea x
+
raz real positiva de P
n
(x) = 0. El coeciente negativo correspondiente
al mayor grado es a
3
= 7 y B = max{|a
i
| : a
i
< 0, i = 0, . . . , n 1} = 7.
Entonces, se tiene
x
+
< 1 +
53
B
a
n
= 1 +
7 < 1 + 2.65 = 3.65.

Para establecer una cota inferior de las races positivas sea el polinomio Q
n
(x) =
x
n
P
n
(
1
x
) = x
5
+ x
3
7x
2
+ 3x + 1, que multiplicado por 1 para que el coe-
ciente principal sea positivo, resulta Q
n
(x) = x
5
x
3
+ 7x
2
3x 1; as, en este
caso k = 3 y B = 3. Por tanto:
1
x
+
< 1 +
53
3
1
= 1 +
3 < 2.74.
Por tanto, se tiene
x
+
>
1
2.74
> 0.3.
Finalmente, podemos asegurar que las races positivas satisfacen 0.36 < x
+
<
3.6.5.
Respecto a las races reales negativas consid erese el polinomio S
n
(z) = P
n
(x).
Tomando el signo para que el coeciente principal sea positivo, resulta S
n
(z) =
x
5
3x
4
+ 7x
3
x
2
+ 1, y aplicando el teorema anterior se tiene que
x
< 1 +
54
3
1
= 1 + 3 = 4,
por tanto x
> 4. Finalmente tomando el polinomio x

5
x
3
+ 7x
2
3x + 1 se
tiene que
1
x
< 1 +
53
3
1
= 1 +
3 < 2.74,
de donde x
<
1
2.74
< 0.36. Por tanto:
4 < x
< 0.36.
Este procedimiento aporta habitualmente mejores acotaciones que el m etodo gene-
ral.
Teorema 5.5.16 (Teorema de Newton)
Sea P
n
(x) =
n
i=0
a
i
x
i
un polinomio de grado n 1 de coecientes reales con
a
n
> 0 y sea c R
+
de modo que P
n
(c) > 0, P
k)
n
(c) > 0, k = 1, . . . , n. Entonces
si x
+
R
+
es raz de la ecuaci on P
n
(x) = 0, se verica que x
+
< c.
Dem:
Sea
P
n
(x) = P
n
(c) +
n
k=1
P
k)
n
k!
(c)(x c)
k
,
2009/2010
130 c UJI
127
el desarrollo en serie de Taylor del polinomio P(x) alrededor del punto c. Entonces
si x c se tiene que
P
n
(x) = P
n
(c) +
n
k=1
P
k)
n
k!
(c)(x c)
k
P
n
(c) +
n
k=1
P
k)
n
k!
(c c)
k
= P
n
(c) > 0
Por tanto, x c no puede ser raz de P
n
(x). Entonces si x
+
R
+
satisface
P
n
(x
+
) = 0, se tiene que x
+
< c.
Ejemplo 5.5.4
Sea el polinomio P
n
(z) = x
5
+ 3x
4
7x
3
+ x
2
las races reales positivas de la ecuaci on P
n
(z) = 0.
En primer lugar se calculan las derivadas de P
n
(x); as, se tiene
P
1)
n
(x) = 5x
4
+ 12x
3
21x
2
+ 2x
P
2)
n
(x) = 20x
3
+ 36x
2
42x + 2
P
3)
n
(x) = 60x
2
72x 42
P
4)
n
(x) = 120x 72
P
5)
n
(x) = 120.
En la siguiente tabla se da el valor de P
n
(c) y de sus derivadas para distintos valores
de c, comenzando por el valor 2.74 proporcionado por la acotaci on de Lagrange.
c P
n
(c) P
n
(c) P
n
(c) P
3)
n
(c) P
4)
n
(c) P
5)
n
(c)
2.74 186.04 376.49 568.61 605.74 400.80 120.00
2.70 171.43 354.23 544.70 589.80 396.00 120.00
2.50 110.72 256.56 434.50 513.00 372.00 120.00
2.30 67.44 179.43 339.18 441.00 348.00 120.00
2.10 37.77 119.96 257.78 373.80 324.00 120.00
1.90 18.45 75.46 189.34 311.40 300.00 120.00
1.70 6.75 43.43 132.90 253.80 276.00 120.00
1.50 0.41 21.56 87.50 201.00 252.00 120.00
1.30 -2.41 7.75 52.18 153.00 228.00 120.00
Por tanto, podemos concluir que x
+
< 1.5.
5.5.2. N umero de races. Separaci on
Dado un polinomio P
n
(x) de grado n 1 resulta de inter es conocer, por una
parte, el n umero de races reales de la ecuaci on en un cierto intervalo, y por otra, ser
capaces de encontrar intervalos en los que exista una unica raz. Este ultimo proceso
se conoce como separaci on de races.
En primer lugar, recordar que dado un polinomio P
n
(x) se tiene que
Si dado un intervalo [a, b], a < b se verica P
n
(a)P
n
(b) < 0. Entonces P
n
(x)
tiene un n umero impar de races en [a, b].
2009/2010
131 c UJI
128
Si dado un intervalo [a, b], a < b se verica P
n
(a)P
n
(b) > 0. Entonces P
n
(x)
o no tiene races en [a, b] o tiene un n umero par de races en [a, b].
Denici on 5.5.4
Sea una n-tupla de n umeros distintos de cero (c
1
, c
2
, . . . , c
n
). Llamamos n ume-
ro de cambios de signo de (c
1
, c
2
, . . . , c
n
) al cardinal de conjunto N = {i
{1, 2, . . . , n 1} : c
i
c
i+1
< 0}. Si existen elementos nulos, tambi en es posible
denir n umero de cambios de signo como el n umero de cambios de signo de la r-
tupla (c
i
1
, . . . , c
i
r
) formada por los elementos no nulos, donde el orden se conserva.
Denici on 5.5.5
Sean una n-tupla de n umeros (c
1
, c
2
, . . . , c
n
) con c
1
= 0, c
n
= 0. Llamamos
n umero superior de cambios de signo de (c
1
, c
2
, . . . , c
n
) al cardinal del conjunto
N = {i {1, 2, . . . , n 1} : a
i
a
i+1
< 0} donde a
i
= c
i
si c
i
0 y si c
k
= c
k+1
=
. . . , c
k+1
= 0 con c
k1
= 0, c
k+l
= 0 a
k+i
= (1)
li
c
k+l
, i = 0, . . . , l 1.
Denici on 5.5.6
Sea una n-tupla de n umeros (c
1
, c
2
, . . . , c
n
) con c
1
= 0, c
n
= 0. Llamamos n umero
inferior de cambios de signo de (c
1
, c
2
, . . . , c
n
) al cardinal de conjunto N = {i
{1, 2, . . . , n 1} : a
i
a
i+1
< 0} donde a
i
= c
i
si c
i
= 0 y si c
k
= c
k+1
=
. . . , c
k+l1
= 0, a
k+i
= c
k1
, i = 0, . . . , l 1.
Ejemplo 5.5.5
Dada la n-tupla (2, 0, 0, 1, 0, 2, 2), se tiene que
N es el n umero de cambios de signo de (2, 2, 2, 1, 1, 2, 2) as N = 6.
N es el n umero de cambios de signo de (2, 2, 2, 1, 1, 2, 2) as N = 2.
Denici on 5.5.7
Sea la secuencia formada por los polinomios f
0
(x), f
1
(x), . . . , f
n
(x). Diremos que
dicha secuencia es una secuencia de Sturm si:
1. Los polinomios consecutivos de la secuencia anterior no tienen races comu-
nes.
2. f
n
(x) es una constante.
3. Si
k
es raz de f
k
(x) con k = 1, . . . , n 1 se tiene que f
k1
(
k
)f
k+1
(
k
) <
0.
4. Si
0
es raz de f
0
(x), se tiene que el producto f
0
(x)f
1
(x) cambia de signo
de a + cuando al crecer x pasa por x =
0
.
Denici on 5.5.8
Sea P
n
(x) un polinomio de grado n 1. Llamamos secuencia de Sturm del polino-
mio P
n
(x) a la secuencia (S
0
(x), S
1
(x), S
2
(x), . . . , S
n
(x)) denida como S
0
(x) =
P
n
(x), S
1
(x) = P
n
(x) y para k 2, S
k
(x) es el resto cambiado de signo resultante
dividir S
k2
(x) entre S
k1
(x).
2009/2010
132 c UJI
129
Teorema 5.5.17
Sea P
n
(x) un polinomio de grado n 1 el cual no contiene races m ultiples. En-
tonces la secuencia anterior es efectivamente una secuencia de Sturm.
Dem:
1. En efecto, si x = raz de S
k
(x) y S
k+1
(x) con k = 0 se tiene que es raz
com un de P
n
(x) y de P
n
(x), por tanto, es raz de multiplicidad mayor o igual
que 2 de P
n
(x), lo cual es absurdo. Si k > 0, sea k el menor valor para el que
se tiene que es raz com un de S
k
(x) y S
k+1
(x), entonces
S
k1
(x) = S
k
(x)Q
k
(x) S
k+1
(x)
por tanto, tambi en es raz de S
k1
(x), lo cual es imposible por la condici on
de mnimo de k.
2. Puesto que P
n
(x) no contiene races m ultiples, P
n
(x) y P
n
(x) son primos
entre s lo que implica que su m aximo com un divisor es una constante. Seg un
la construcci on de la secuencia este m aximo com un divisor es S
n
(x) pues el
tomar signo menos para los restos no modica el algoritmo de Euclides.
3. S
k1
(x) = S
k
(x)Q
(
x)S
k+1
(x) por tanto si S
k
() = 0 se tiene que S
k1
() =
S
k1
() y puesto que S
k
( = 0 se tiene S
k1
()S
k+1
() < 0.
4. Inmediato, pues si S
0
() = 0 > 0 de modo que S
0
(x) = 0 si x [
, + ] {} y P
n
(x) = 0 tiene signo constante si x [ , + ].
Entonces si x [, [ y S
0
(x) > 0 se tiene que P
n
(x) > 0 por tanto, debe
ser decreciente de donde P
n
(x) < 0, as S
1
(x) < 0, y por tanto S
0
(x)S
1
(x) <
0 si x [ , [, por otra parte, en ], + ] P
n
(x) < 0 y, por tanto,
S
0
(x)S
1
(x) > 0. Si P
n
(x) < 0 si x [ , [, P
n
(x) > 0 pues P
n
(x) debe
ser creciente en [, +] con lo que tambi en se tiene que S
0
(x)S
1
(x) < 0
si x [ , [ y S
0
(x)S
1
(x) > 0 si x ], +].
Ejemplo 5.5.6
Sea el polinomio P(x) = x
5
2x
3
+x 1. Hallar su secuencia de Sturm.
Para hallar la secuencia de Sturm, sea S
0
(x) = x
5
2x
3
+ x 1. S
1
(x) =
P
n
(x) = 5x
4
6x
2
+ 1. As, efectuando la divisi on se tiene que
S
0
(x) = S
1
(x)
5
4
x
2
5
4
5
4
x
2
+
1
4
S
2
(x) =
5
4
x
2
1
4
S
1
(x) = S
2
(x)
16
25
x
16
25
x + 1
S
3
(x) =
16
25
x 1
S
2
(x) = S
3
(x)
125
64
x +
3125
1024
+
2869
1024
S
4
(x) =
2869
1024
Por tanto, la secuencia de Sturm es
x
5
2x
3
+x 1, 5x
4
6x
2
+ 1,
5
4
x
2
1
4
,
16
25
x 1,
2869
1024

2009/2010
133 c UJI
130
Teorema 5.5.18 (Teorema de Sturm)
Sea P
n
(x) un polinomio de grado n 1 el cual no contiene races m ultiples. Sea
N(x) el n umero de variaciones de signo en la secuencia de Sturm S
0
(x), . . . , S
n
(x)
del polinomio, sea [a, b] R, a < b y sea N(a, b) el n umero de races reales de
P
n
(x) contenidas en dicho intervalo [a, b]. Entonces N(a, b) = N(a) N(b).
Dem:
Sea N(c) en n umero de variaciones de signo en la secuencia de Sturm del po-
linomio P
n
(x) para x = c. El valor N(c) s olo puede variar al pasar por una raz
de uno de los polinomios S
k
(x) de la secuencia de Sturm. Pueden darse dos casos:
k = 0 y k = 0.
Si k = 0, > 0, de modo que si x
1
[c , c[, S
0
(x
1
)S
1
(x
1
) < 0 y
S
0
(x
2
)S
1
(x
2
) > 0, cuando x
2
]c, c + ]. Por tanto, en los tres primeros t ermi-
nos de la secuencia de Sturm hay un cambio m as de signo en x
1
que en x
2
, pues
unicamente pueden darse para S
0
(c ), S
1
(c ); S
0
(c + ), S
1
(c + ) los casos
+, , ; , , y , +; +, +.
Si k = 0 y c es raz de S
k
(x), por ser S
0
(x), . . . , S
n
(x) secuencia de Sturm se
tiene que S
k1
(c)S
k1
(c) < 1. Por otra parte, > 0 de modo que S
k1
(x) = 0 y
S
k+1
(x) = 0 si x [c , c + ] y c es la unica raz de S
k
(x) en [c , c + ]. De
este modo, la secuencia formada por S
k1
(x), S
k
(x), S
k+1
(x) no presenta cambios
de signo en [c , c + ] pues para las ternas
S
k1
([c ), S
k
([c ), S
k+1
([c ); S
k1
([c + ), S
k
([c + ), S
k+1
([c + )
s olo caben las posibilidades
+, +, ; +, , +, , ; +, +, , +, +; , , + , , +; , +, +
Dado que el m etodo de Sturm puede resultar complicado enunciaremos a conti-

nuaci on algunos resultados acerca del n umero de races de un polinomio, resultados
que en ocasiones pueden sernos utiles.
Teorema 5.5.19 (Teorema de Boundan-Fourier)
Sea P
n
(x) un polinomio de grado n 1 con coecientes reales, y sean a, b
R, a < b de modo que P
n
(a)P
n
(b) = 0, y sea N(a, b) el n umero de races de P
n
(x)
en el intervalo [a, b] donde cada raz cuenta tantas veces como su multiplicidad. Sea
la secuencia (P
n
(x), P
n
(x), . . . , P
n)
n
(x)), y sea N(x), N(x) los n umeros superior e
inferior de cambios de signo de la secuencia anterior. Entonces se verica que
N(a, b) = N(a) N(b) 2k, k = 0, 1, . . . E
N(a) N(b)
2
donde E[] representa la funci on parte entera.

Dem:
Consid erese la secuencia P
n
(x), P
n
(x), . . . , P
n)
n
(x). Sean a, b R con a < b
de modo que P
n
(a) = 0, P
n
(b) = 0. Sea [a, b]. Si no es raz de ninguno
de los polinomios de la secuencia, se tiene que > 0 de modo que ninguno de
2009/2010
134 c UJI
131
los polinomios de la secuencia se anula en el intervalo [ , + ] y, por tanto,
N( ) = N( + ).
Si es raz de orden k de P
n
(x) con 1 k n se tiene que P
n
() = P
n
() =
= P
k1)
n
() = 0 y P
k)
n
() = 0. Sea > 0 de modo que P
s)
n
(x) = 0 si
x [ , + ] {}, dicho existe pues tanto P
n
(x) como sus derivadas son
polinomios no id enticamente nulos. Entonces se tiene s = 0, 1, . . . , k 1 que si
P
s)
n
( ) > 0 necesariamente P
s+1)
n
( ) < 0 y si P
s)
n
( ) < 0, entonces
P
s+1)
n
() > 0. Por otra parte, s = 0, 1, . . . , k 1 tambi en se tiene que el signo
de P
s)
n
( + ) y de P
s+1)
n
( + ) coinciden, por tanto N( ) N( + ) = k.
Si no es raz de P
n
(x) pero es raz de orden k de P
s)
n
(x) con s + k < n se
tiene que P
k1)
n
() = 0, P
k)
n
() = = P
k+s1)
n
() = 0, P
k+s)
n
() = 0. Por
otra parte, > 0 de modo que ning un polinomio de la secuencia se anula en el
conjunto [ , + ] {}, y puesto que P
k1)
n
(x), P
k+s)
n
(x) no cambian de
signo en [ , + ] se tiene que la variaci on de signos en la secuencia ser a nulo
o ser a par.
Para nalizar ,cabe la posibilidad de que en x = a o en x = b no se anule P
n
(x)
pero s lo haga alguna de sus derivadas. Entonces se tiene que > 0 de modo
que los polinomios de la secuencia no se anulan en ]a, a + ] ni en [b , b[ por
tanto el n umero N(a, b) de races de P
n
(x) cumple N(a, b) = N(a + , b ) =
N(a +) N(b ) 2k = N(a) N(b) 2k con , k = 0, 1, . . . E
N(a)N(b)
2
Ejemplo 5.5.7
Determinar a partir del teorema de Boundan-Fourier el n umero de races del poli-
nomio P
n
(x) = x
4
+ 2x
3
3x
2
4x + 4 en el intervalo [
1
2
,
3
2
].
Sea la secuencia P
n
(x), P
n
(x), P
n
(x), P
n
(x), P
iv)
n
(x), P
v)
n
(x) dicha secuencia
viene dada de modo explcito por
x
4
+ 2x
3
3x
2
4x + 4; 4x
3
+ 6x
2
6x + 4; 12x
2
+ 12x 6; 24x + 12, 24
As, para x =
1
2
se tiene la secuencia
25
16
, 5, 3, 24, 24, y para x =
3
2
la secuencia
resulta
49
16
, 14, 39, 48, 24 y, por tanto, N
1
2
= 2 y N
3
2
= 0.
Por tanto, dicho polinomio tiene bien dos races, bien ninguna en dicho interva-
lo.
Teorema 5.5.20 (Regla de los signos de Descartes)
Sea P
n
(x) = a
n
x
n
+ a
n1
x
n
1 + + a
0
un polinomio de grado n 1 con
coecientes reales. Entonces el n umero de races positivas de P
n
(x) donde cada
raz cuenta seg un su multiplicidad viene dado por N 2k donde N es el n umero de
cambios de signo de la secuencia (a
0
, a
1
, . . . , a
n
) y k un n umero entero comprendi-
do entre 0 y E
N
2
.
Dem:
El n umero de races reales positivas de P
n
(x) es, seg un el teorema de Boundan-
Fourier, N(0, +) = N(0) N() 2k. Pero, por una parte
(P
n
(0), P
n
(0), . . . , P
n)
n
(0)) = (a
0
, a
1
, . . . , k!a
k
, . . . , n!a
n
)
2009/2010
135 c UJI
132
cuyos signos coinciden con los de (a
0
, a
1
, . . . , a
n
), por tanto N(0) = N
Por otra parte, se tiene que N(+) = 0 pues
(P
n
(+), P
n
(+), . . . , P
n)
n
(+)) = (+, +, . . . , +),
as, N(0, +) = N 2k con k = 0, 1, . . . , E
N
2
.
Teorema 5.5.21 (Teorema de Hua)
Sea P
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
0
un polinomio de grado n 1. Entonces
para que todas sus races sean reales es necesario que a
2
i
> a
i1
a
i+1
, i = 1, . . . , n
1.
Ejemplo 5.5.8
Pueden tener los polinomios P(x) = x
4
+2x
3
3x
2
4x+4 y Q(x) = x
4
+x
3
+
2x
2
+ x + 1 todas sus races reales?
En el primer caso se tiene que
a
2
3
= 2, a
2
a
4
= 3 a
2
3
> a
2
a
4
a
2
2
= 9, a
1
a
3
= 8 a
2
2
> a
1
a
3
a
2
1
= 16, a
0
a
2
= 12 a
2
1
> a
0
a
2
.
Por tanto, dicho polinomio s que puede tener todas sus races reales.
En el otro caso se tiene que b
2
3
= 1, b
2
b
4
= 2 b
2
3
b
2
b
4
y, por tanto, no se
satisface b
2
3
> b
2
b
4
de donde no todas las races de la ecuaci on Q(z) = 0 pueden
ser reales.
5.5.3. M etodo de Bairstow
El m etodo de Bairstow pretende resolver una ecuaci on polin omica P
n
(x) = 0
para n > 2 mediante su descomposici on como producto de un factor cuadr atico y de
un polinomio Q(x) de grado n 2; de este modo se procede a resolver la ecuaci on
resultante de igualar a cero dicho factor cuadr atico y reducir el problema, a uno de
una ecuaci on polin omica cuyo grado es menor en dos unidades al polinomio inicial.
Sea un polinomio P
n
(z) =
n
i=0
a
i
z
i
y sea el factor cuadr atico z
2
uz v, entonces
podemos escribir
P
n
(z) = (z
2
uz v)Q
n
(z) + r(z),
donde r(z) es un polinomio de grado menor que dos.
Por conveniencia, y sin p erdida de generalidad, escribiremos Q(z) y r(z) como
Q(z) =
n
i=2
b
i
z
i2
, r(z) = b
1
(z u) + b
0
.
Efectuando operaciones resulta
(z
2
uz v)Q
n
(z) +r(z) = b
n
z
n
+(b
n1
ub
n
)z
n1
+
n2
i=0
(b
i
ub
i+1
vb
i+2
)z
i
,
2009/2010
136 c UJI
133
deniendo b
n+1
= b
n+2
= 0 se tiene
(z
2
uz v)Q
n
(z) + r(z) =
n
i=0
(b
i
ub
i+1
vb
i+2
)z
i
,
y por tanto:
b
k
= a
k
+ ub
k+1
+ vb
k+2
, k = n, n 1, .., 2, 1.
Para que P
n
(x) sea m ultiplo de z
2
uzv es necesario y suciente que b
0
= b
1
= 0,
por tanto, podemos plantear el problema de encontrar valores (u, v) de modo que
P
n
(x) sea m ultiplo de z
2
uz v
b
0
(u, v) = 0
b
1
(u, v) = 0
lo que constituye un sistema de ecuaciones no lineales que resolveremos utilizando
el m etodo de Newton Ralphson. As, si (u
r
, v
r
) es una aproximaci on a la raz del
sistema b
0
(u, v) = b
1
(u, v) = 0 se tiene que la siguiente aproximaci on (u
r+1
, v
r+1
)
viene dada por
u
r+1
= u
r
+ u
r
v
r+1
= v
r
+ v
r
donde

b
0
u
b
0
v
b
1
u
b
1
v
(u
r
,v
r
)
u
r
v
r
b
0
(u
r
, v
r
)
b
1
(u
r
, v
r
)
.
Deniendo c
r
=
b
r
u
y d
r
=
b
r1
v
, haciendo c
n
= c
n+1
= 0, d
n
= d
n+1
= 0 y
derivando la recurrencia que nos proporcionan los b
k
se tiene
c
k
= b
k+1
+ uc
k+1
+ vc
k+2
d
k
= b
k+1
+ ud
k+1
+ vd
k+2
, k = n 1, n 2, . . . , 2, 1.
y puesto que coinciden las recurrencias y las condiciones iniciales, se tiene que
c
k
= d
k
.
Finalmente, se obtiene que (u
r
, v
r
) satisfacen
c
0
c
1
c
1
c
2

u
r
v
r
b
0
b
1
.
Ejemplo 5.5.9
Resu elvase la ecuaci on z
4
4z
3
+ 7z
2
5z 2 mediante el m etodo de Bairstow.
El m etodo de Bairstow se basa en la obtenci on de factores cuadr aticos de la
forma z
2
uz v. Para ello, dados unos valores iniciales de (u, v) se procede a
determinar los coecientes b
k
denidos como
b
k
= a
k
+ ub
k+1
+ v b
k+2
, b
n+2
= b
n+1
= 0,
a partir de los cuales se determinan los valores c
k
=
b
k
u
y d
k
=
b
k1
v
, valores que
se determinan como:
c
k
= b
k+1
+ uc
k+1
+ v c
k+2
, c
n+1
= c
n
= 0
2009/2010
137 c UJI
134
c
k
= b
k+1
+ uc
k
+ 1 + v c
k
+ 2, c
n+1
= c
n
= 0
los valores d
k
coinciden con los de c
k
.
A continuaci on, se procede a resolver el sistema
c
0
c
1
c
1
c
2

u
0
v
0
2
5
,
El m etodo se aplica iterativamente hasta que ||(u, v)|| < err. As, para (u
0
, v) =
(0, 0) resulta:
k 4 3 2 1 0
b
k
1 -4 7 -5 -2
c
k
0 1 -4 7 -5
A continuaci on, se procede a resolver el sistema:
5 7
7 4

u
0
v
0
2
5
u
0
v
0
1.483
1.345
.
Repitiendo los c alculos para (u
1
, v
1
) = (1.483, 1.345) donde u
1
= u
0
+ u
0
, v
1
=
v
0
+ v
1
, se tiene
k 4 3 2 1 0
b
k
1.000 -2.517 4.612 -1.546 1.910
c
k
0.00 1.000 -1.034 4.423 3.621
3.621 4.423
4.423 1.034

u
1
v
1
0.910
1.546
u
1
v
1
0.209
0.603
,
Por tanto, (u
2
, v
2
) = (1.691, 0.742). Iterando de nuevo se tiene:
k 4 3 2 1 0
b
k
1.000 -2.309 3.837 -0.223 0.471
c
k
0.00 1.000 -0.617 3.536 5.299
5.299 3.536
3.536 0.617

u
2
v
2
0.471
0.223
u
2
v
2
0.031
0.181
.
Ahora se tiene que (u
3
, v
3
) = (1.722, 0.561). Iterando de nuevo se obtiene:
k 4 3 2 1 0
b
k
1.000 -2.277 3.638 -0.010 0.026
c
k
0.000 1.000 -0.554 3.245 5.270
5.270 3.245
3.245 0.554

u
3
v
3
0.026
0.010
u
3
v
3
0.001
0.010
.
Por tanto, (u
4
, v
4
) = (1.723, 0.551). Iterando de nuevo se tiene:
2009/2010
138 c UJI
135
k 4 3 2 1 0
b
k
1.000 -2.276 3.627 0.000 0.000
c
k
0.00 1.000 -0.551 3.228 5.262
5.262 3.228
3.228 0.551

u
4
v
4
0.000
0.000
u
4
v
4
0.000
0.000
con lo que termina el proceso. El polinomio inicial queda factorizado como:

z
4
4z
3
+ 7z
2
5z 2 =
z
2
1.723z 0.551

1.000z
2
2.276z + 3.627
.
Resolviendo las dos ecuaciones de segundo grado se tiene que las races son:
z
1
= 0.276, z
2
= 1.999, z
3
= 1.138 +1.527i, z
4
= 1.138 +1.527i.

2009/2010
139 c UJI
136
Tema 6
Sistemas lineales de ecuaciones
6.1. Introducci on
Uno de los t opicos m as importantes de los m etodos num ericos consiste en el
estudio de m etodos ecaces para la resoluci on de sistemas lineales de ecuaciones.
En el presente captulo un sistema de ecuaciones lineales lo representaremos
como A
x =

b , donde A es una matriz real o compleja regular n n y que de-
nominaremos matriz del sistema,
b es un vector de R
n
llamado vector de t erminos
independientes y

x es un vector de R
n
que representa la soluci on del sistema de
ecuaciones.
De forma completa, el sistema anterior se representa como:
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n

a
n,1
a
n,2
a
n,n
x
1
x
2

x
n
b
1
b
2

b
n
.
Los m etodos para la resoluci on de tales sistemas se clasican como m etodos direc-
tos, cuando nos proporcionan la soluci on exacta del sistema en un n umero nito de
operaciones, y m etodos iterativos, si est an basados en un esquema de aproximacio-
nes sucesivas de convergentes a la soluci on.
6.2. M etodos directos
Para abordar el estudio de los m etodos directos estudiaremos en primer lugar
unos tipos especiales de sistemas de ecuaciones cuya soluci on exacta se puede
escribir de modo inmediato, tales sistemas son los llamados sistemas diagonales
D
x =
b de modo que d
i,j
= 0 si i = j
= 0 si i = j
.
Este tipo de sistema se resuelve de modo inmediato mediante
x
i
=
b
i
d
i,i
, i = 1, . . . , n.
2009/2010
141 c UJI
137
Otra clase de sistemas que se resuelve f acilmente son los llamados sistemas trian-
gulares inferiores, estos sistemas se suelen representar como L
x =
b donde L es
una matriz triangular inferior, y puesto que debe ser no singular, se tiene que todos
los elementos de la diagonal principal son distintos de cero. As, se tiene el sistema
_
1,1
0 0 0
2,1

2,2
0 0
0
2,1

2,2
0
n1,n1
0
2,1

2,2
0
n,n1
n, n
_
_
_
_
x
1
x
2

x
n1
x
n
_
_
=
_
_
b
1
b
2

b
n1
b
n
_
_
La soluci on de este sistema viene dada mediante el algoritmo
x
i
=
_
_
b
1
1,1
i = 1
b
i
i1
P
j=1
i,j
x
j
i,i
i = 2, . . . , n
.
El caso de un sistema triangular superior U
x =
b donde U es una matriz triangu-

lar superior y los elementos de la diagonal son no nulos:
_
_
u
1,1
u
1,2
u
1,n1
u
1,n
0 u
2,2
u
2,n1
u
2,n
0 0
0 0 u
n1,n1
u
n1,n
0 0 0 u
n,n
_
_
_
_
x
1
x
2

x
n1
x
n
_
_
=
_
_
b
1
b
2

b
n1
b
n
_
_
.
La soluci on de este sistema viene dada mediante el algoritmo
x
i
=
_
_
b
n
u
n,n
i = n
b
i
n
P
j=i+1
u
i,j
x
j
u
i,i
i = n 1, n 2, . . . , 1
Los m etodos directos tratan de reducir el problema a uno o varios de estos casos,
bien mediante la transformaci on del sistema inicial en uno de estos a base de efec-
tuar adecuadas combinaciones lineales, lo que constituye los llamados m etodos tipo
Gauss, bien mediante una adecuada descomposici on de la matriz A del sistema co-
mo producto de matrices de tipo L, D, U, reduciendo de este modo el problema a
la resoluci on secuencial de los problemas elementales anteriormente abordados, lo
que constituye los llamados m etodos de descomposici on.
6.2.1. M etodos gaussianos
Como es bien conocido, el m etodo de Gauss consiste en la sustituci on de un
sistema de ecuaciones lineales por otro equivalente triangular superior, lo que se
consigue teniendo en cuenta que, dado un sistema de ecuaciones lineales A
x =
b ,
las siguientes operaciones transforman el sistema en otro equivalente (entendiendo
por equivalente el tener la misma soluci on) al primero:
2009/2010
142 c UJI
138
1. El intercambio de dos ecuaciones entre s.
2. La sustituci on de una ecuaci on por la combinaci on lineal de ecuaciones en la
que aparezca la ecuaci on sustituida con coeciente no nulo.
Con estas reglas se procede como sigue: dado el sistema lineal
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n

a
n,1
a
n,2
a
n,n
_
_
_
_
x
1
x
2

x
n
_
_
=
_
_
b
1
b
2

b
n
_
_
,
se reescribe como
_
_
a
(1)
1,1
a
(1)
1,2
a
(1)
1,n
a
(1)
2,1
a
(1)
2,2
a
(1)
2,n

a
(1)
n,1
a
(1)
n,2
a
(1)
n,n
_
_
_
_
x
1
x
2

x
n
_
_
=
_
_
b
(1)
1
b
(1)
2

b
(1)
n
_
_
.
donde a
(1)
i,j
= a
i,j
y b
(1)
i
= b
1
si a
1,1
= 0. En el caso en que a
1,1
= 0 sea i
1
la primera
ecuaci on para la que a
i
1
,1
= 0, entonces se dene
a
(1)
i,j
=
_
_
a
i,j
i = 1, i
1
a
i
1
,j
i = 1
a
1,j
i = i
1
b
(1)
i
=
_
_
b
i
si i = 1, i
1
b
i
1
i = 1
b
1
i = i
1
i, j = 1, . . . , n,
a partir de lo cual se procede a anular todos los elementos de la primera columna
salvo el primero, utilizando la transformaci on:
Fila i- esima = Fila i- esima
a
(1)
i,1
a
(1)
1,1
Fila primera.
esto es
(1)
i,j
= a
i,j

a
i,1
a
1,1
a
1,j

(1)
i
= b
i

a
i,1
a
1,1
b
1
i = 2, . . . , n
Si
(1)
2,2
= 0, i, j = 2, . . . , n se realiza la transformaci on a
(2)
i,j
=
(1)
i,j
y b
(2)
i
=
(1)
i
.
Si
(1)
2,2
= 0, sea i
2
el primer i {2, 3, . . . , n} para el que
(1)
i
2
,2
= 0 en cuyo caso se
dene:
a
(2)
i,j
=
_
(1)
i,j
i = 2, i
2
(1)
i
1
,j
i = 1
(1)
1,j
i = i
2
, b
(2)
i
=
_
(1)
i
i = 2, i
2
(1)
i
2
i = 1
(1)
2
i = i
2
, i, j = 2, . . . , n,
2009/2010
143 c UJI
139
con lo que el sistema se puede escribir en la forma
_
_
a
(1)
1,1
a
(1)
1,2
a
(1)
1,3
a
(1)
1,n
0 a
(2)
2,2
a
(2)
2,3
a
(2)
2,n
0 a
(2)
3,2
a
(2)
3,3
a
(2)
3,n
0
0 a
(2)
n,2
a
(2)
n,3
a
(2)
n,n
_
_
_
_
x
1
x
2
x
3

x
n
_
_
=
_
_
b
(1)
1
b
(2)
2
b
(2)
3

b
(2)
n
_
_
,
donde a
(2)
2,2
= 0 Sea el sistema:
_
_
a
(1)
1,1
a
(1)
1,2
a
(1)
1,3
a
(1)
1,k
a
(1)
1,n
0 a
(2)
2,2
a
(2)
2,3
a
(2)
2,k
a
(2)
2,n
0 0 a
(k)
3,k
a
(3)
3,k
a
(2)
3,n
0 0 0
0 0 0 0 a
(k)
k,k
a
(k)
k,n
0 0 0 0
0 0 0 0 a
(k)
n,k
a
(k)
n,n
_
_
_
_
x
1
x
2
x
3

x
k

x
n
_
_
=
_
_
b
(1)
1
b
(2)
2
b
(3)
3

b
(k)
k

b
(k)
n
_
_
donde a
(k)
k,k
= 0. Aplicando el proceso de eliminaci on gaussiana a la k- esima colum-
na se tiene:
Fila i- esima = Fila i- esima a
(k)
i,k
/a
(k)
k,k
Fila k- esima
esto es
(k)
i,j
= a
i,j

a
(k)
i,k
a
(k)
k,k
a
(k)
k,j

(k)
i
= b
(k)
i

a
(k)
i,k
a
(k)
k,k
b
(k)
k
i = k + 1, . . . , n
Si
(k)
k,k
= 0, i, j = k, . . . , n se realiza la transformaci on a
(k+1)
i,j
=
(k)
i,j
y b
(k+1)
i
=
(k)
i
.
Si
(k)
k,k
= 0, sea i
k
el primer i {k, . . . , n} para el que
(k)
i
k
,k
= 0 en cuyo se dene:
a
(k+1)
i,j
=
_
(k)
i,j
i = k, i
k
(k)
i
k
,j
i = k
(k)
k,j
i = i
k
b
(k+1)
i
=
_
(k)
i
i = k, i
k
(k)
i
k
i = k
(k)
k
i = i
k
i, j {k, . . . , n}
con lo que el sistema se puede reescribir de forma
_
_
a
(1)
1,1
a
(1)
1,2
a
(1)
1,3
a
(1)
1,k
a
(1)
1,n
0 a
(2)
2,2
a
(2)
2,3
a
(2)
2,k
a
(2)
2,n
0 0 a
(3)
3,k
a
(3)
3,k
a
(2)
3,n
0 0 0
0 0 0 0 a
(k)
k,k
a
(k)
k,n
0 0 0 0 0
0 0 0 0 0 0 a
(n)
n,n
_
_
_
_
x
1
x
2
x
3

x
k

x
n
_
_
=
_
_
b
(1)
1
b
(2)
2
b
(3)
3

b
(k)
k

b
(k)
n
_
_
2009/2010
144 c UJI
140
Con estas tranformaciones, el sistema se reduce a uno equivalente triangular supe-
rior en el que todos los elementos de la diagonal son no nulos, el cual se resuelve
de modo inmediato, seg un procedimiento estudiado anteriormente.
Ejemplo 6.2.1
Resolver mediante el m etodo de Gauss el sistema de ecuaciones dado por:
2 1 4 11
2 1 7 4
1 3 2 8
4 3 5 0
x
1
x
2
x
3
x
4
2
3
4
5
En primer lugar, escribimos el sistema en la forma
2 1 -4 11 2
2 1 7 4 -3
1 -3 -2 8 4
-4 3 -5 0 5
,
siendo [A|b] la matriz cuya primera parte, [A|, representa la matriz A del sistema, y
cuya segunda parte, |b] representa el vector de t erminos independientes.
Puesto que a
1,1
es distinto de cero utilizamos como pivote dicho elemento, con
lo que haciendo ceros en la primera columna mediante el algoritmo de eliminaci on
gaussiana, se obtiene:
2 1 -4 11 2
0 0 11 -7 -5
0
7
2
0
5
2
3
0 5 -13 22 9
.
En esta tabla el elemento a
2,2
= 0, por lo que se debe permutar las las segunda y
tercera
2 1 -4 11 2
0
7
2
0
5
2
3
0 0 11 -7 -5
0 5 -13 22 9
.
Aplicando a continuaci on el algoritmo de eliminaci on gaussiana, se obtiene:
2 1 -4 11 2
0
7
2
0
5
2
3
0 0 11 -7 -5
0 0 -13
179
7
93
7
,
2009/2010
145 c UJI
141
de donde nalmente, se tiene
2 1 -4 11 2
0
7
2
0
5
2
3
0 0 11 -7 -5
0 0 0
1332
77
568
77
.
Resolviendo el sistema triangular superior, se tiene x
4
=
142
333
, x
3
=
61
333
, x
2
=
184
333
, x
1
=
478
333
.
6.2.2. M etodo del pivote total

En el algoritmo de Gauss para la resoluci on de sistemas de ecuaciones, en la
i- esima iteraci on se procede a dividir la i- esima la por el elemento a
i,i
. En muchos
casos, los coecientes de un sistema de ecuaciones no son valores exactos sino
que cada valor num erico esta afectado por un error (de medida, de truncamiento,
etc) cuyo valor viene dado por . Sea
i,j
el valor exacto de los coecientes y a
i,j
aproximaciones con error menor que . Para eval uar el error cometido al aproximar
por
a
b
, donde = a +a, = b +b, se procede, en primer lugar, a desarrollar
=
a+a
b+b
en primer orden respecto a a, b. As, se obtiene
a + a
b + b
=
a
b
+
a
b

ab
b
2
.
Por tanto, en primer orden
a
b
a
b

ab
b
2
=
|b a|
b
2
.
En esta expresi on aparece b en el denominador, por lo que su valor disminuye cuan-
do aumenta |b|.
(1)
i,j
= a
i,j

a
i,1
a
1,1
a
1,j

(1)
i
= b
i

a
i,1
a
1,1
b
1
i = 2, . . . , n.
Con objeto de minimizar el error, el m etodo del pivote total propone una varia-
ci on con respecto al m etodo de Gauss, consistente en elegir como pivote en ca-
da iteraci on el mayor elemento en valor absoluto de la submatriz i {k, . . . , n},
j {k, . . . , n}. Si dicho elemento es el que ocupa el lugar (i
k
, j
k
) se deber an inter-
cambiar las las k- esima y i
k
- esima y las columnas k- esima y j
k
- esima.
Como es conocido el intercambio de las (cambiando tambi en los respectivos t ermi-
nos independientes) conduce a un sistema equivalente, no siendo as en el caso
de intercambio de columnas, pues cada una de ellas est a ligada a una variable x
j
,
por lo que si se intercambian las columna r y la s, el vector de soluci on debe ser
cambiado por (x
(1)
, x
(2)
, . . . , x
(n)
)
t
donde es la permutaci on de n elementos
= (1, . . . , r 1, s, r +1, . . . , s 1, r, r +1, . . . n) y donde
t
indica transposici on.
2009/2010
146 c UJI
142
Recu erdese que una permutaci on de n elementos es una aplicaci on biyectiva de
{1, 2, . . . , n} en {1, 2, . . . , n}. Para denotar una permutaci on de n elementos, se ha
utilizado la notaci on = (
1
,
2
, . . . .,
n
) que indica que la imagen de i es
i
,
(es decir, el lugar al que mueve al elemento i), lo que se lee como el i al
i
. El
conjunto de todas las permutaciones de n elementos se denota por S
n
y tiene una
estructura de grupo con respecto a la composici on de aplicaciones.
Sea el sistema lineal A
x =

b donde A es una matriz regular de tama no n n y
x ,
b R
n
dado por:
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n

a
n,1
a
n,2
a
n,n
_
_
_
_
x
1
x
2

x
n
_
_
=
_
_
b
1
b
2

b
n
_
_
,
Sea (i
1
, j
1
) de modo que |a
i
1
,j
1
| = max {|a
i,j
| ; i, j = 1, 2, . . . n}, entonces el siste-
ma se reescribe como
_
_
a
(1)
1,1
a
(1)
1,2
a
(1)
1,n
a
(1)
1,1
a
(1)
1,2
a
(1)
1,n

a
(1)
1,1
a
(1)
1,2
a
(1)
1,n
_
_
_
_
x
1
(1)
x
1
(2)

x
1
(n)
_
_
=
_
_
b
(1)
1
b
(1)
2

b
(1)
n
_
_
,
donde
a
(1)
i,j
=
_
_
a
i,j
i = 1, i
1
, j = 1, j
1
a
i
1
,j
i = 1, j = j
1
a
1,j
i = i
1
, j = j
1
a
i,j
1
i = 1, i
1
, j = 1
a
i,1
i = 1, i
1
, j = j
1
a
i
1
,j
1
i = 1, j = 1
a
1,1
i = i
1
, j = j
1
, b
(1)
i
=
_
_
b
i
si i = 1, i
1
b
i
1
i = 1
b
1
i = i
1
, i, j = 1, . . . , n,
siendo
1
la permutaci on (j
1
, 2, 3, . . . , j
1
1, 1, j
1
+1, . . . n). N otese que la deni-
ci on de los a
(1)
i,j
engloba los casos en que i
1
= 1 o j
1
= 1.
A continuaci on se inicia el proceso de eliminaci on gaussiana, con lo que se obtiene
(1)
i,j
=
a
1,j
i = 1
a
i,j

a
i,1
a
1,1
a
1,j
i = 1

(1)
i
=
b
1
i = 1
b
i

a
i,1
a
1,1
b
1
i = 1
i = 1, . . . , n.
2009/2010
147 c UJI
143
Sea (i
2
, j
2
) de modo que |
i
1
j
1
| = max {|
i,j
| ; i, j = 1, 2, . . . n} y sea
a
(2)
i,j
=
_
(1)
i,j
i = 2, i
2
, j = 2, j
2
(1)
i
2
,j
i = 2, j = j
2
(1)
2,j
i = i
2
, j = j
2
a
i,j
2
i = 2, i
2
, j = 2
(1)
i,2
i = 2, i
2
, j = j
2
(1)
i
2
,j
2
i = 2, j = 2
(1)
2,2
i = i
2
, j = j
2
b
(2)
i
=
_
(1)
i
si i = 2, i
2
(1)
i
2
i = 2
(1)
2
i = i
2
i, j = 1, . . . , n,
de donde se obtiene el sistema:
_
_
a
(2)
1,1
a
(2)
1,2
a
(2)
1,3
a
(2)
1,n
0 a
(2)
2,2
a
(2)
2,3
a
(2)
2,n
0 a
(2)
3,2
a
(2)
3,3
a
(2)
3,n
0
0 a
(2)
n,2
a
(2)
n,3
a
(2)
n,n
_
_
_
_
x
1
(1)
x
1
(2)
x
1
(3)

x
1
(n)
_
_
=
_
_
b
(2)
1
b
(2)
2
b
(2)
3

b
(2)
n
_
_
.
Sea el sistema resultante de aplicar k 1 veces el m etodo
_
_
a
(k)
1,1
a
(k)
1,2
a
(k)
1,3
a
(k)
1,k
a
(k)
1,n
0 a
(k)
2,2
a
(k)
2,3
a
(k)
2,k
a
(k)
2,n
0 0 a
(k)
3,k
a
(k)
3,k
a
(k)
3,n
0 0 0
0 0 0 0 a
(k)
k,k
a
(k)
k,n
0 0 0 0
0 0 0 0 a
(k)
n,k
a
(k)
n,n
_
_
_
_
x
k1
(1)
x
k1
(2)
x
k1
(3)

x
k1
(k)

x
k1
(n)
_
_
=
_
_
b
(k)
1
b
(k)
2
b
(k)
3

b
(k)
k

b
(k)
n
_
_
.
Aplicando el algoritmo de eliminaci on gaussiana a la k- esima columna, se tiene
(k)
i,j
=
_
_
_
a
(k)
k,j
i k
a
(k)
i,j

a
(k)
i,k
a
k,k
(k)
a
(k)
k,j
i = k
i, j = 1, . . . , n, i j
(k)
i
=
_
_
_
b
(k)
1
i k
b
(k)
i

a
(k)
i,k
a
(k)
k,k
b
(k)
k
i > k
i, j = 1, . . . , n, i j.
Sea (i
k
, j
k
) de modo que

(k)
i
k
,j
k
= max
(k)
i,j
; i, j = k, k + 1, . . . n
, y sea la
permutaci on
k
= (1, 2, . . . , k1, i
k
, k+1, . . . , i
k
1, k, i
k
+1, . . . , n)
k1
(donde
2009/2010
148 c UJI
144
el producto debe tomarse en el sentido de composici on de aplicaciones), deniendo
a
(k+1)
i,j
=
_
(k)
i,j
i = k, i
k
, j = k, j
k
(k)
i
k
,j
i = k, j = j
k
(k)
k,j
i = i
k
, j = j
k
(k)
i,j
k
i = k, i
k
, j = k
(k)
i,k
i = k, i
k
, j = j
k
(k)
i
k
,j
k
i = k, j = k
(k)
k,k
i = i
k
, j = j
k
i, j = 1, . . . , n.
b
(k+1)
i
=
_
(k)
i
i = k, i
k
(k)
i
k
i = k
(k)
k
i = i
k
i, j = 1, . . . , n.
Aplicando n 1 veces el algoritmo se obtiene:
_
_
a
(n)
1,1
a
(n)
1,2
a
(n)
1,2
a
(n)
1,n1
a
(n)
1,n
0 a
(n)
2,2
a
(n)
2,2
a
(n)
2,n1
a
(n)
2,n
0 0 a
(n)
3,2
a
(n)
3,n1
a
(n)
3,n
0 0 0
0 0 0 0 0 a
(n)
n1,n1
a
(n)
n1,n
0 0 0 0 0 0 a
(n)
n,n
_
_
_
_
x
n1
(1)
x
n1
(2)
x
n1
(3)

x
n1
(n1)
x
n1
(n)
_
_
=
_
_
b
(n)
1
b
(n)
2
b
(n)
3

b
(n)
n1
b
(n)
n
_
_
que es un sistema triangular superior cuya soluci on viene dada por
x
n1
(i)
=
b
k
i

n
j=i+1
a
(k)
i,j
x
n1
(j)
a
(k)
i,i
.
6.2.3. M etodos de descomposici on
En este epgrafe se aborda el estudio de m etodos para la descomposici on de
matrices A
nn
en producto de una matriz triangular inferior L y de una matriz
triangular superior U.
Sean las matrices A, L, U;
A =
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n

a
n,1
a
n,2
a
n,n
_
_
, L =
_
1,1
0 0
2,1

2,2
0
. . .
n,1

n,2

n,n
_
_
,
U =
_
_
u
1,1
u
1,2
u
1,n
0 u
2,2
u
2,n
0 0
0 0 0 u
n,n
_
_
.
2009/2010
149 c UJI
145
As, se tiene:
1,1
0 0
2,1

2,2
0
. . .
n,1

n,2

n,n
u
1,1
u
1,2
u
1,n
0 u
2,2
u
2,n
0 0
0 0 0 u
n,n
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n

a
n,1
a
n,2
a
n,n
y por tanto:
mn{i,j}
r=1
i,r
u
r,j
= a
i,j
lo que constituye un sistema de n
2
ecuaciones con n
2
+ n inc ognitas, por lo que
se debe jar n condiciones adicionales para obtener una unica soluci on. Entre las
soluciones mas habituales se encuentra hacer
i,i
= 1, i = 1, . . . , n y u
i,i
=
1, i = 1, . . . , n, lo que da lugar a la descomposici on de Doolittle en el primer
caso y la descomposici on de Crout en el segundo.
Las ecuaciones resultantes para la descomposici on de Doolittle son las siguientes:
Para cada i = 1, . . . , n
i,i
= 1,
u
i,j
= a
i,j

i1
r=1
i,r
u
r,j
, j = i, i + 1, . . . , n,
j,i
=
a
j,i

i1
r=1
j,r
u
r,i
u
i,i
, j = i + 1, . . . , n.
Para el caso de la descomposici on de Crout resulta para cada i = 1, . . . , n:
u
i,i
= 1,
j,i
= a
j,i

i1
r=1
j,r
u
r,i
, j = i, . . . , n,
u
i,j
=
a
i,j

i1
r=1
i,r
u
r,j
i,i
, j = i + 1, . . . , n.
En el caso en que la matriz A sea real, sim etrica y denida positiva, la matriz U
puede tomarse como U = L
t
(donde
t
indica trasposici on). En este caso, el m etodo
recibe el nombre de m etodo de Choleski o de la raz cuadrada, resultando en este
caso las ecuaciones, para cada valor de i = 1, . . . , n:
i,i
=
a
i,j

i1
r=1
2
i,s
,
i,j
=
a
i,j

i1
r=1
i,r
r,j
i, i
, j = i + 1, . . . , n.
2009/2010
150 c UJI
146
6.2.4. Sistemas Tridiagonales
Muchos problemas del c alculo num erico conducen a una clase especial de sis-
temas de ecuaciones lineales llamados tridiagonales, en los cuales la matriz del
sistema est a formada por ceros excepto en la diagonal principal, la subdiagonal y la
superdiagonal.
Es por su importancia por lo que se estudia un m etodo directo muy eciente para su
resoluci on. Sea el sistema
d
1
c
1
0 0 0 0 0
a
1
d
2
c
2
0 0 0 0
0 a
2
d
3
c
3
0 0 0

0 0 0 0 d
n2
c
n2
0
0 0 0 0 a
n2
d
n1
c
n1
0 0 0 0 0 a
n1
d
n
x
1
x
2
x
2

x
n2
x
n1
x
n
b
1
b
2
b
2

b
n2
b
n1
b
n
.
El sistema se reduce a triangular superior mediante las transformaciones
1
= d
1
,
1
= b
1
,
i
= d
i
a
i1
i1
c
i
,
i
= b
i
a
i1
i1
i1
, i = 2, . . . , n,
de donde resulta el sistema:
1
c
1
0 0 0 0 0
0
2
c
2
0 0 0 0
0 0
3
c
3
0 0 0

0 0 0 0
n2
c
n2
0
0 0 0 0 0
n1
c
n1
0 0 0 0 0 0
n
x
1
x
2
x
2

x
n2
x
n1
x
n
n2
n1
.
cuya soluci on viene dada de modo inmediato por
x
n
=

n
n
, x
i
=
n1
j=i
c
j
x
j+1
i
, i = n 1, . . . , 2, 1.
6.3. M etodos iterativos
Una t ecnica alternativa para la resoluci on de sistemas de ecuaciones lineales
la constituyen los llamados m etodos iterativos. Estos m etodos est an basados en lo
siguiente:
Sea el sistema de ecuaciones lineales A
x =
b donde A es una matriz no singular

de n umeros reales o complejos de tama no n n,
x ,
b vectores de R
n
o C
n
.
2009/2010
151 c UJI
147
Sea Quna matriz regular de tama no nn, real o compleja seg un sea el sistema, a la
cual llamaremos matriz de partici on. Entonces, el sistema inicial resulta equivalente
a
Q
x = (Q A)
x +

b .
A partir de la cual establecemos la recurrencia
Q
x
(k+1)
= (Q A)
x
(k)
+

b , k = 0, 1, . . . , n, . . .
con lo que a partir de una soluci on inicial

x
0
se determina la sucesi on
x
(k)
k=0
,
la cual si converge lo hace a un punto

x = lm
k
x
(k)
pues, dado que las aplicacio-
nes lineales son continuas, si N es una matriz n n, se verica
lm
k
N
x
(k)
= N lm
k
x
(k)
= N
x ,
por lo que dicho lmite, si existe, satisface Q
x = (Q A)
x +

b y por tanto, el
sistema original A
x =

b .
Una condici on suciente de convergencia para la sucesi on

x
(k)
k=0
denida an-
teriormente es que ||M|| < 1 donde:
||M|| = max {||M(
x )||, | ||
x || = 1} ,
es la norma matricial subordinada a la norma de R
n
, y M = I Q
1
A. En este
caso, dado que el sistema lo podemos escribir como
x =

(
x ) = M
x +

,

= Q
1
b
se verica que
x ,
y R
n
,
x )

(
y )
(M
x +

) (M
y

)
=
= ||(M(
x

y )|| ||M|| ||
x

y || ,
y dado que ||M|| < 1, se tiene que

: R
n
R
n
es contractiva y, por tanto, tiene
un unico punto jo

x al cual converge la sucesi on

x
(k)
k=0
cualquiera que sea
el punto de partida

x
0
que se tome.
A continuaci on, se estudian en mayor detalle tres de estos m etodos.
6.3.1. M etodo de Richardson
Este m etodo consiste en tomar como matriz de partici on la identidad, con lo que
la iteraci on resulta:
x
(k+1)
= (I A)
x
(k)
+

b ,

x
(0)
=

b
lo que escrito de modo explcito resulta:
x
(k+1)
1
x
(k+1)
2

x
(k+1)
n
1 a
1,1
a
1,2
a
1,n
a
2,1
1 a
2,2
a
2,n

a
n,1
a
n,2
1 a
n,n
x
(k)
1
x
(k)
2

x
(k)
n
b
1
b
2

b
n
.
Este m etodo es interesante cuando la matriz del sistema es pr oxima a la identidad.
2009/2010
152 c UJI
148
6.3.2. M etodo de Jacobi
El m etodo de Jacobi requiere que la diagonal de la matriz A del sistema no
contenga ceros. En este m etodo se toma como matriz de partici on la matriz Q dada
por q
i,j
= a
i,j
i,j
, i, j = 1, . . . , n (
i,j
representa la delta de Kronecher que toma
valor cero si i = j y toma valor uno cuando i = j). As, el sistema resulta:
_
_
a
1,1
0 0 0
0 a
2,2
0 0

0 0 a
n1,n1
0
0 0 0 a
n,n
_
_
_
_
x
(k+1)
1
x
(k+1)
2

x
(k+1)
n1
x
(k+1)
n
_
_
=
=
_
_
0 a
1,2
a
1,n1
a
1,n
a
2,1
0 a
2,n1
a
2,n

a
n1,1
a
n1,2
0 a
n1,n
a
n,1
a
n,2
a
n,n1
0
_
_
_
_
x
(k)
1
x
(k)
2

x
(k)
n1
x
(k)
n
_
_
+
_
_
b
1
b
2

b
n1
b
n
_
_
.
cuya soluci on puede obtenerse mediante:
x
(k+1)
1
=
a
1,2
a
1,1
x
(k)
2

a
1,3
a
1,1
x
(k)
3

a
1,n1
a
1,1
x
(k)
n1

a
1,n
a
1,1
x
(k)
n
+
b
1
a
1,1
x
(k+1)
2
=
a
2,1
a
2,2
x
(k)
1

a
2,3
a
2,2
x
(k)
2

a
2,n1
a
2,2
x
(k)
n1

a
2,n
a
2,2
x
(k)
n
+
b
2
a
2,2

x
(k+1)
n
=
a
n,1
a
n,n
x
(k)
1

a
n,2
a
n,n
x
(k)
2

a
n,3
a
n,n
x
(k)
3

a
n,n1
a
n,n
x
(k)
n1
+
b
n
a
n,n
.
Ejemplo 6.3.1
Resolver mediante el m etodo de Jacobi el sistema de ecuaciones:
_
_
2 1 0
1 6 2
4 3 8
_
_
_
_
x
y
z
_
_
=
_
_
2
4
5
_
_
.
En primer lugar, dividimos cada la por el elemento de la diagonal resultando:
_
_
1
1
2
0
1
6
1
1
3
1
2

3
8
1
_
_
_
_
x
y
z
_
_
=
_
_
1
2
3
5
8
_
_
.
En segundo lugar, descomponemos el sistema en:
_
_
_
_
_
1 0 0
0 1 0
0 0 1
_
_
+
_
_
0
1
2
0
1
6
0
1
3
1
2

3
8
0
_
_
_
_
_
_
_
x
y
z
_
_
=
_
_
1
2
3
5
8
_
_
,
para a continuaci on dejar en el primer miembro el vector (x, y, z)
t
( producto de la
identidad por (x, y, z)
t
) y el resto en el segundo miembro
_
_
x
y
z
_
_
=
_
_
0
1
2
0
1
6
0 +
1
3
1
2
+
3
8
0
_
_
_
_
x
y
z
_
_
+
_
_
1
2
3
5
8
_
_
2009/2010
153 c UJI
149
a partir de la cual se construye la recurrencia:
x
k+1
y
k+1
z
k+1
0
1
2
0
1
6
0
1
3
1
2
3
8
0
x
k
y
k
z
k
2
3
5
8
x
0
y
0
z
0
2
3
5
8
.
La soluci on la buscaremos con tres cifras decimales exactas; as, se tiene:
n 0 1 2 3 4 5
x
n
1.000 0.667 0.688 0.590 0.619 0.613
y
n
-0.667 -0.625 -0.819 -0.762 -0.774 -0.755
z
n
0.625 -0.125 0.057 -0.026 0.044 0.025
n 6 7 8 9 10
x
n
0.622 0.620 0.620 0.620 0.620
y
n
-0.760 -0.759 -0.760 -0.760 -0.760
z
n
0.035 0.029 0.031 0.030 0.030
Por tanto, la soluci on es: (x, y, z)
t
= (0.620, 0.760, 0.030).
6.3.3. M etodo de Gauss-Seidel

El m etodo de Gauss-Siedel puede considerarse una variaci on del m etodo de
Jacobi en el sentido siguiente: en el m etodo de Jacobi se calcula a partir de una
iteraci on
x
(k)
la iteraci on
x
(k+1)
, utiliz andose durante todo el c alculo las compo-
nentes de la k- esima iteraci on. El algoritmo mediante el que se efect ua el c alculo
determina, en primer, lugar el valor de x
(k+1)
1
, por lo que este valor m as actualiza-
do puede ser empleado en el c alculo de x
(k+1)
2
; as, al efectuar el c alculo de x
(k+1)
i
pueden ser empleados los valores de x
(k+1)
1
,. . . ,x
(k+1)
i1
en lugar de los, en principio,
menos precisos x
(k)
1
,. . . ,x
(k)
i1
, como lo que se espera en general es una convergencia
m as r apida.
Formalmente, el m etodo de Gauss-Seidel consiste en tomar como matriz de parti-
ci on Q la submatriz triangular inferior de A; as, el m etodo se plantea como
a
1,1
0 0 0
a
2,1
a
2,2
0 0

a
n1,1
a
n1,2
a
n1,n1
0
a
n,1
a
n,2
a
n,n1
a
n,n
x
(k+1)
1
x
(k+1)
2

x
(k+1)
n1
x
(k+1)
n
=
=
0 a
1,2
a
1,n1
a
1,n
0 0 a
2,n1
a
2,n

0 0 0 a
n1,n
0 0 0 0
x
(k)
1
x
(k)
2

x
(k)
n1
x
(k)
n
b
1
b
2

b
n1
b
n
,
2009/2010
154 c UJI
150
cuya soluci on puede obtenerse mediante:
x
(k+1)
1
=
a
1,2
a
1,1
x
(k)
2

a
1,n1
a
1,1
x
(k)
n1

a
1,n
a
1,1
x
(k)
n
+
b
1
a
1,1
x
(k+1)
2
=
a
1,1
a
2,2
x
(k+1)
1

a
2,n1
a
2,2
x
(k)
n1

a
2,n
a
2,2
x
(k)
n
+
b
2
a
2,2

x
(k+1)
n
=
a
n,1
a
n,n
x
(k+1)
1

a
n,2
a
n,n
x
(k+1)
2

a
n,n1
a
n,n
x
(k+1)
n1
+
b
n
a
n,n
.
Ejemplo 6.3.2
Resolver mediante el m etodo de Gauss-Seidel el sistema de ecuaciones:
2 1 0
1 6 2
4 3 8
x
y
z
2
4
5
Para resolver el problema mediante el m etodo de Gauss-Seidel escribimos de

modo explcito la iteraci on de Jacobi; as, se tiene:
x
k+1
=
1
2
y
k
+ 1
y
k+1
=
1
6
x
k
+
1
3
z
k
2
3
z
k+1
=
1
2
x
k
+
3
8
y
k
+
5
8
.
El algoritmo de Gauss-Seidel se obtiene reemplazando en el segundo miembro las
variables por su nueva iteraci on cuando esto sea posible; as, se obtiene:
x
k+1
=
1
2
y
k
+ 1
y
k+1
=
1
6
x
k+1
+
1
3
z
k
2
3
z
k+1
=
1
2
x
k+1
+
3
8
y
k+1
+
5
8
n 0 1 2 3 4 5 6 7 8
x
n
1.000 0.667 0.715 0.620 0.612 0.620 0.621 0.620 0.620
y
n
-0.667 -0.569 -0.760 -0.776 -0.761 -0.759 -0.760 -0.760 -0.760
z
n
0.625 0.078 -0.018 0.024 0.034 0.031 0.030 0.030 0.030
6.3.4. An alisis de la convergencia de los m etodos

Como es sabido, la convergencia de un m etodo iterativo
x
(k+1)
= M
x
(k)
+
est a garantizada si se verica que existe una norma matricial subordinada a una
norma vectorial tal que ||M|| 1.
2009/2010
155 c UJI
151
Por la sencillez de su aplicaci on, consideramos la norma vectorial en R
n
dada por
x = max {|x
1
|, |x
2
|, . . . , |x
n
|}. La norma matricial subordinada a esta, resulta
M = max
j=1
|a
1,j
|,
n
j=1
|a
2,j
|, . . . ,
n
j=1
|a
n,j
|
.
En el caso del m etodo de Richardson la matriz de M resulta I A por lo que la
condici on se verica si
M = max
|1 a
1,1
| +
n
j=2
|a
1,j
|, |a
2,1
| + |1 a
2,2
| +
n
j=3
|a
2,j
| , . . . ,
, . . . ,
n2
j=1
|a
n1,j
| + |1 a
n1,n1
| + |a
n1,n
|,
n1
j=1
|a
n,j
| + |1 a
n,n
|
1,
lo que se verica si las componentes de la diagonal de A son sucientemente pr oxi-
mas a la unidad, y el resto de componentes a cero.
Respecto al m etodo de Jacobi, la condici on se cumple si se verica
i1
j=0
a
i,j
a
i,i
+
n
j=i+1
a
i,j
a
i,i
1 i = 1, . . . , n,
lo cual es equivalente a
i1
j=0
|a
i,j
| +
n
j=i+1
|a
i,j
| |a
i,i
|, i = 1, . . . , n, lo que
coincide con la denici on de matriz diagonal dominante. Por tanto, una condici on
suciente de convergencia para el m etodo de Jacobi es que la matriz A sea diagonal
dominante.
Respecto al m etodo de Gauss-Seidel consideremos, en primer, lugar el sistema
inicial escrito en la forma

x = M
x +

donde M y

vienen dados por
M =
0
a
1,2
a
1,1

a
1,n1
a
1,1
a
1,n
a
1,1
a
1,2
a
2,2
0
a
2,n1
a
2,2
a
2,n
a
2,2

a
n1,1
a
n1,n1
a
n1,2
a
n1,n1
0
a
n1,n
a
n1,n1
a
n,1
a
n,n
a
n,2
a
n,n

a
n,n1
a
n,n
0
,

=
b
1
a
1,1
b
2
a
2,2

b
n1
a
n1,n1
b
n
a
n,n
.
Con esta notaci on el algoritmo de Gauss-Seidel puede ser escrito como
x
(k+1)
i
=
i1
j=0
m
i,j
x
(k+1)
j
+
n
j=i
m
i,j
x
(k)
j
+
i
, i = 1, . . . n.
La soluci on del sistema

x satisface por su parte
x
i
=
i1
j=0
m
i,j
x
j
+
n
j=i
m
i,j
x
j
+
i
, i = 1, . . . n,
2009/2010
156 c UJI
152
por tanto, se verica
x
i
x
(k+1)
i
=
i1
j=0
m
i,j
x
i
x
(k+1)
j
+
n
j=i
m
i,j
x
i
x
(k)
j
, i = 1, . . . n,
y por tanto,
|x
i
x
(k+1)
i
| =
i1
j=0
m
i,j
x
i
x
(k+1)
j
+
n
j=i
x
i
x
(k)
j
, i = 1, . . . n.
Por otra parte
x

x
(k)
= max
x
i
x
(k)
i
; i = 1, . . . , n
y como consecuen-
cia se verica

x
i
x
(k)
i
x

x
(k)
, i = 1., , , n.
Sea p
i
=
i1
j=0
|a
i,j
|, q
i
=
n
j=i
|a
i,j
| , i = 1, . . . , n. Con esta notaci on se verica
x
i
x
(k+1)
i
p
i
x

x
(k+1)
+ q
i
x

x
(k)
, i = 1, . . . , n,
entonces, si s es el valor para el que es m aximo el segundo miembro, tambi en se
verica

x

x
(k+1)
p
s
x

x
(k+1)
+ q
s
x

x
(k)
,
o lo que es equivalente,
x

x
(k+1)

q
s
1 p
s
x

x
(k)
.
Sea = max
q
i
1p
i
; i = 1, . . . , n
, entonces:
x

x
(k+1)
x

x
(k)
.
Entonces se verica que
x

x
(k)
x

x
(k1)
x

x
(0)
.
Por tanto, el proceso ser a convergente si < 1. Por otra parte,
p
i
+ q
i
M, i = 1, . . . , n,
de donde i = 1, . . . , n se obtiene q
i
M p
i
. Si adem as se verica M > 1,
entonces:
q
i
1 p
i
M p
i
1 p
i
M p
i
+M
1 p
i
=M, i = 1, . . . , n, . . . ,
de donde M < 1 y, por tanto, se obtiene que si M < 1 el proceso de
Gauss-Seidel es convergente.
2009/2010
157 c UJI
153
Ejemplo 6.3.3
Estudiar la convergencia de los m etodos de Jacobi y Gauss-Seidel para el sistema
2 1 0
1 6 2
4 3 8
x
y
z
2
4
5
Los m etodos anteriores convergen para un sistema
x = M
x +
b si se satisface
que una de las normas matriciales (norma la, norma columna o norma total) son
menores que la unidad. Por ello, calculamos la norma la de M denida como:
||M|| = max
i=0
|a
i,j
|; j = 1, 3
= max
1
2
,
1
6
+
1
3
,
1
2
+
3
8
=
= max
1
2
,
1
2
,
7
8
=
7
8
< 1.
Por tanto, se dan las condiciones de convergencia de ambos m etodos.

2009/2010
158 c UJI
154
Tema 7
Aproximaci on de funciones
7.1. Introducci on
En el presente captulo se pretende abordar el problema de estimar el valor de
una funci on en un punto a partir de un conjunto de valores de la misma, en unos
determinados nodos x
0
, x
1
, , x
n
. Este proceso es conocido como reconstrucci on
de una funci on, y es el proceso inverso a la discretizaci on, la cual consiste en cal-
cular los valores de una funci on sobre un conjunto discreto de puntos. El proceso
de discretizaci on es unico, no as el de reconstrucci on pues dada la tabla de valores
{(x
i
, y
i
)}
n
i=0
de una funci on f(x), existen muchas funciones G : R de modo que
G(x
i
) = y
i
, i = 0, . . . , n.
Existen varias t ecnicas para reconstruir una funci on, una de las m as sencillas
consiste en elegir una funci on G(x) en un espacio de funciones sucientemente
general de modo que G(x
i
) = y
i
, i = 0, . . . , n. Una funci on G que cumple la
condici on anterior se dice que interpola la tabla {(x
i
, y
i
)}
n
i=0
, y cuando dicha tabla
se corresponde con la de valores de una determinada funci on f(x) se dice que G(x)
interpola a f(x) en los nodos x
0
, x
1
, . . . , x
n
.
Los m etodos de interpolaci on se basan en encontrar una clase de funciones que
pueda aproximar tanto como se desee a una funci on continua en un intervalo [a, b]
y elegir dentro de esta clase una que cumpla ciertas condiciones e interpole la tabla.
Los m etodos m as sencillos de interpolaci on son los llamados m etodos de interpo-
laci on polinomial, pues los polinomios cumplen el teorema de aproximaci on de
Weierstrass que enunciamos sin demostrar.
Teorema 7.1.1 (Teorema de Weierstrass)
Sea f : [a, b] R una funci on continua, entonces 0 P(x) polinomio de
modo que |f(x) P(x)| , x [a, b].
Cuando los datos sobre los que se reconstruye la funci on no son exactos, por
ejemplo, si han sido obtenidos mediante procesos de medida y pueden estar afecta-
dos de errores, es preferible recurrir a t ecnicas de regresi on para estimar la funci on,
dando lugar a otras t ecnicas de reconstrucci on.
En el presente captulo unicamente se abordara la reconstrucci on mediante in-
terpolaci on polin omica.
2009/2010
160 c UJI
155
7.2. Consideraciones generales sobre la interpolaci on
polin omica
A continuaci on se aborda el estudio de una serie de consideraciones generales
sobre la interpolaci on polin omica.
Teorema 7.2.1
Sea una tabla de valores {(x
i
, y
i
)}
n
i=0
con x
0
< x
1
< . . . < x
n
. Entonces, existe un
unico polinomio de grado menor o igual que n que interpola la tabla.
Dem:
Un polinomio de grado menor o igual que n puede representarse como P
n
(x) =
n
i=0
a
i
x
i
. Por tanto, el polinomio queda unvocamente determinado cuando se cono-
cen sus coecientes. El polinomio interpola la tabla en los nodos x
0
, x
1
, . . . , x
n
, por
tanto, se satisfacen las ecuaciones
P
n
(x
0
) = a
0
+ a
1
x
0
+ a
2
x
2
0
+ + a
n
x
n
0
= y
0
P
n
(x
1
) = a
0
+ a
1
x
1
+ a
2
x
2
1
+ + a
n
x
n
1
= y
1
P
n
(x
2
) = a
0
+ a
1
x
2
+ a
2
x
2
2
+ + a
n
x
2
2
= y
2

P
n
(x
n
) = a
0
+ a
1
x
n
+ a
2
x
2
n
+ + a
n
x
n
0
= y
0
lo que escrito en forma matricial resulta
1 x
0
x
2
0
x
n
0
1 x
1
x
2
1
x
n
1
1 x
2
x
2
2
x
n
2

1 x
n
x
2
n
x
n
n
a
0
a
1
a
2
.
.
.
a
n
y
0
y
1
y
2
.
.
.
y
n
El sistema es compatible y determinado, puesto que su determinante resulta el co-

nocido determinante de Vandermonde cuyo valor viene dado por
1 x
0
x
2
0
x
n
0
1 x
1
x
2
1
x
n
1
1 x
2
x
2
2
x
n
2

1 x
n
x
2
n
x
n
n
=
n
i=1
i1
j=0
(x
i
x
j
) = 0
pues x
0
< x
1
, < x
n
. Por tanto, se verica el teorema.
En general, dada una funci on f(x) de la cual disponemos de la tabla de valores

{(x
i
, y
i
)}
n
i=0
sobre los nodos x
0
< x
1
< < x
n
, y dado un polinomio que in-
terpola dicha tabla, unicamente podemos armar que f(x) y P(x) coinciden en los
nodos. Para un punto x distinto a los nodos, en general podemos decir que el error
E(x) = f(x) P
n
(x) cometido al aproximar f(x) mediante P
n
(x) ser a habitual-
mente E(x) = 0. La funci on E(x) se puede acotar en algunos casos si se tiene m as
2009/2010
161 c UJI
156
informaci on sobre la funci on f(x). El siguiente teorema establece una acotaci on del
error cuando la funci on a interpolar es sucientemente derivable.
Teorema 7.2.2
Sea f : [a, b] R, f C
n+1
[a, b], y sean los nodos a x
0
< x
1
< . . . . < x
n
b.
Entonces se verica que la funci on E
n
(x) = f(x) P
n
(x) donde P
n
(x) es el
polinomio interpolante de grado menor o igual que n satisface la acotaci on.
|E
n
(x)| =
max
f
n+1)
(x)
; x [a, b]
(n + 1)!
|x x
0
||x x
1
| |x x
n
|.
Dem:
Sea f C
n+1
([a, b]) y sea P
n
(x) el polinomio que interpola dicha funci on sobre
los nodos a x
0
< x
1
< < x
n1
< x
n
b.
Sea x [x
0
, x
n
] y sea E(x) = f(x) P
n
(x) el error cometido cuando se
aproxima f(x) mediante P
n
(x). Si x coincide con alguno de los nodos, dicho error
es cero. Por otra parte, sea R el valor para el cual una vez jado x se tiene
E(x) = (x x
0
)(x x
1
) . . . (x x
n
).
Sea x
0
< x
1
< < x
k1
< x < x
k
< < x
n
, y sea (x) la funci on denida
como
(t) = f(t) P
n
(t) (t x
0
)(t x
1
) (t x
n
).
Dicha funci on es de clase C
k+1
([a, b]) y satisface que (x
0
) = (x
1
) = 0. Por tan-
to, por el teorema de Rolle existe
0,0
]x
0
, x
1
[ de modo que
(
0,0
) = 0. An aloga-
mente, existe
0,1
]x
1
, x
2
[ de modo que
(
0,1
) = 0, . . .,
0,k1
]x
k1
, x[ de mo-
do que
(
0,k1
) = 0,
0,k
]x, x
k
[ de modo que
(
0,k
) = 0, . . .,
0,n
]x
n1
, x
n
[,
(
0,n
) = 0. Dichos puntos satisfacen a <
0,0
<
0,1
< <
0,n
< b. En el
intervalo [
0,i
,
0,i+1
] se tiene que
(
0,i
) =
(
0,1+1
) = 0 y
C
k
([
0,i
,
0,i+1
])
por tanto,
1,i
]
0,i
,
0,i+1
[ de modo que
(
1,i
) = 0, i = 0, . . . , n 1.
Repitiendo el proceso se obtiene que
n,0
]
n1,0
,
n1,1
[ de manera que se
verica
d
n+1
(t)
dt
n+1
t=
n,0
= 0, por tanto ]a, b[ de modo que
n+1)
() = 0, en
particular =
n,0
.
Por otra parte, se tiene que
n+1)
(t) = f
n+1)
(t) (n + 1)! de donde se tiene
que =
f
n+1)
(xi)
(n+1)!
, y por tanto, ]a, b[ de modo que
E(x) =
f
n+1)
()
(n + 1)!
(x x
0
)(x x
1
) (x x
n
),
a partir de lo cual se obtiene
|E(x)| =
|f
n+1)
()|
(n + 1)!
|x x
0
| |x x
1
| |x x
n
|,
y por tanto:
|E(x)|
max{|f
n+1)
()| : [a, b]}
(n + 1)!
|x x
0
| |x x
1
| |x x
n
|.

2009/2010
162 c UJI
157
Ejemplo 7.2.1
Determinar el m aximo error que se comete al aproximar el valor de sen 0.4 a partir
de los valores de la funci on seno en los nodos 0, 0.25, 0.5, 0.75, 1
En este caso, se tiene que n = 5, y
d
5
sen x
dx
5
= cos x; as, se tiene
|E(x)|
1
5!
|0.4 0.0| |0.4 0.25| |0.4 0.5| |0.4 0.75| |0.4 1.0| =
=
1
120
0.4 0.14 0.1 0.36 0.6 = 0.0000105.
La expresi on del error consta de dos partes, la primera

| max{|f
n+1)
()|: [a,b]}
(n+1)!
de-
pende del n umero de nodos y de la funci on a interpolar. La segunda parte, |x
x
0
| |x x
1
| |x x
n
| depende de los nodos y del punto en el que se interpola.
Para tratar de minimizar el error en la interpolaci on de orden n, nada se puede
hacer respecto a la primera parte del error, pues la funci on cuyos valores se interpo-
lan viene dada. Respecto a la segunda parte, y si es posible elegir los nodos sobre los
que se realiza la interpolaci on, estos deben ser elegidos de modo que se minimice
el m aximo valor que puede tomar |x x
0
| |x x
1
| |x x
n
| para x [a, b].
Para ello se introducen a continuaci on los llamados polinomios de Tchevichev.
Denici on 7.2.1
Llamamos polinomio de Tchevichev de grado n a T
n
(x) = cos(narccos x).
Teorema 7.2.3
Las funciones T
n
(x) son polinomios cuyo valor viene dado por T
0
(x) = 1, T
1
(x) =
x, T
n+2
(x) = 2xT
n+1
(x) T
n
(x), n = 0, 1, . . .
Dem:
Para n = 0 se tiene T
0
(x) = cos(0arccos x)) = cos 0 = 1. Para n = 1 se tiene
T
1
(x) = cos(arccos x) = x.
T
n+2
(x) = cos[(n + 2)arccos x] = cos[(n + 1)arccos x + arccos x] =
= cos[(n + 1)arccos x] cos[arccos x] sen [(n + 1)arccos x]sen [arccos x]
T
n+2
(x) = cos[(n+2)arccos x] = T
n+1
(x) x sen [(n+1)arccos x]sen [arccos x].
sen xsen y =
1
2
cos(x + y) +
1
2
cos(x y)
y por tanto,
sen [(n+1)arccos x]sen [arccos x] =
1
2
cos[(n+2)arccos x]+
1
2
cos[narccos x] =
=
1
2
T
n+2
(x) +
1
2
T
n
(x).
2009/2010
163 c UJI
158
As:
T
n+2
(x) = cos[(n + 2)arccos x] = xT
n+1
(x) +
1
2
T
n+2
(x)
1
2
T
n
(x)
de donde
T
n+2
(x) = 2xT
n+1
(x) T
n
(x), n 0
Denici on 7.2.2
Sea f : [a, b] R. Llamamos norma innito de f a ||f||
= max{|f(x)| : x
[a, b]}.
Teorema 7.2.4
Sea P
n
: [1, 1] R una funci on polin omica de grado n cuyo coeciente principal
es igual a la unidad. Entonces ||P
n
||
2
1n
.
Dem:
Supongamos que existe una funci on polin omica P
n
(x) = a
n
x
n
+. . . +a
1
x+a
0
con a
n
= 1, cuyo dominio est a restringido a [1, 1] de modo que ||P
n
||
< 2
1n
.
Sea Q(x) = 2
1n
T
n
(x), entonces Q(x) es un polinomio de grado n cuyo coeciente
principal es la unidad, pues seg un la f ormula de recurrencia obtenida en el teorema
anterior, el coeciente principal de T
n
(x) es 2
n1
.
Sean los valores x
k
= cos
k
n
k = 0, . . . , n, los cuales est an comprendidos en
[1, 1]. Por otra parte:
Q(x
k
) = 2
1n
cos
narccos
cos
k
n
= 2
1n
cos k = (1)
k
2
1n
Sea el polinomio S(x) = Q(x) P
n
(x) entonces se verica que S(x) es un poli-
nomio de grado menor o igual que n. Tambi en se verica
(1)
k
P
n
(x
k
) |P
n
(x
k
)| < 2
1n
= (1)
k
T
n
(x
k
),
de donde
(1)
k
S(x
k
) = (1)
k
[Q(x) P
n
(x)] > 0,
por tanto, S(x) presenta al menos n cambios de signo en el intervalo [1, 1] y por
continuidad, n races, lo cual no es posible pues el grado de S(x) es menor o igual
que n 1, por tanto, no es posible admitir ||P
n
||
< 2
1n
, de donde se sigue el
teorema.
7.3. Interpolaci on de Lagrange
Tal y como se ha visto anteriormente, dada una tabla {(x
i
, y
i
)}
n
i=0
de valores
de una funci on sobre los nodos x
0
< x
1
< < x
n
, existe un unico polinomio
de grado menor o igual que n que interpola a la funci on en dichos nodos. En el
teorema de existencia y unicidad se proporciona un m etodo para la obtenci on del
2009/2010
164 c UJI
159
polinomio interpolante; este m etodo consiste en la resoluci on del sistema de ecua-
ciones lineales que satisfacen sus coecientes. Sin embargo, este procedimiento no
es pr actico, pues la resoluci on del sistema implica un gran n umero de operaciones.
Para solventar este problema se proponen varios m etodos para obtener el polinomio
interpolante sin recurrir a la resoluci on de dicho sistema, entre tales m etodos est an
los m etodos de Lagrange, de Newton, etc. N otese que todos los m etodos conducen
al mismo polinomio interpolante, y son unicamente, distintos procedimientos para
su obtenci on.
En primer lugar, abordamos el estudio del m etodo de Lagrange para la obtenci on
del polinomio de interpolaci on. Este m etodo est a basado en el siguiente teorema:
Teorema 7.3.1
Sea x
0
< x
1
< < x
n
un conjunto de nodos. Entonces, existe un unico conjunto
de funciones {
i
(x)}
n
i=0
tales que satisfacen:
1.- {
i
(x)}
n
i=0
son polinomios de grado n.
2.-
i
(x
i
) = 1, i = 0, 1, . . . , n.
3.-
i
(x
j
) = 0, i, j = 0, 1, . . . , n; i = j.
Dem:
La funci on
i
(x
j
) = 0, i, j = 0, 1, . . . , n si i = j, por tanto, x
j
es raz de
i
(x)
cuando j = i; as,
i
(x) =
i
(x)(x x
0
) (x x
i1
)(x x
i+1
) (x x
n
).
Puesto que
i
(x) debe ser un polinomio de grado n,
i
(x) = C
i
R debe ser una
constante real, y por tanto
i
(x) = C
i
(xx
0
) (xx
i1
)(xx
i+1
) (xx
n
).
El valor de la constante lo determinamos a partir de la condici on
i
(x
i
) = 1. As:
C
i
(x
i
x
0
) (x
i
x
i1
)(x
i
x
i+1
) (x
i
x
n
) = 1,
y por tanto
C
i
=
1
(x
i
x
0
) (x
i
x
i1
)(x
i
x
i+1
) (x
i
x
n
)
,
de donde
i
(x) =
(x x
0
) (x x
i1
)(x x
i+1
) (x x
n
)
(x
i
x
0
) (x
i
x
i1
)(x
i
x
i+1
) (x
i
x
n
)
.
N otese que dichas funciones dependen unicamente de los nodos y no de los va-
lores de la funci on a interpolar.
El conjunto de funciones {
i
(x)}
n
i=0
recibe el nombre de funciones de base de la
interpolaci on de Lagrange. Estas funciones constituyen una base del espacio vecto-
rial de los polinomios de grado menor o igual que n, pues constituyen un conjunto
linealmente independiente de polinomios de grado menor o igual que n de n + 1
elementos (igual a la dimensi on del espacio vectorial que se pretende generar) y,
por tanto, constituyen una base. La independencia lineal se desprende inmedia-
tamente, pues sea a
0
, a
1
, . . . , a
n
R de modo que se satisfaga
n
i=0
a
i
i
(x) = 0,
2009/2010
165 c UJI
160
as
n
i=0
a
i
i
(x
j
) = 0, j = 0, 1, . . . , n y por tanto:
n
i=0
a
i
i
(x
j
) = a
0
0
(x
j
) + . . . + a
j1
j1
(x
j
)+
+ a
j
j
(x
j
) + a
j+1
j+1
(x
j
) + . . . + a
n
n
(x
j
) =
= a
0
0 + . . . + a
j1
0 + a
j
1 + a
j+1
0 + . . . + a
n
0 = a
j
= 0.
Entonces, a
j
= 0, j = 0, 1, . . . , n.
El polinomio de interpolaci on puede ser construido f acilmente a partir de dichas
funciones como
L
n
(x) =
n
i=0
y
i
i
(x).
Dicho polinomio recibe el nombre de polinomio interpolante de Lagrange. Veamos
que efectivamente dicho polinomio interpola la tabla {(x
i
, y
i
)}
n
i=0
, para ello sea un
nodo arbitrario x
j
{x
0
, x
1
, . . . , x
n
}, entonces:
L
n
(x
j
) =
n
i=0
y
i
i
(x
j
) = y
0
0
(x
j
) + . . . + y
j1
j1
(x
j
)+
+ y
j
j
(x
j
) + y
j+1
j+1
(x
j
) + . . . + yn
n
(x
j
) =
= ay
0
+ . . . + y
j1
0 + y
j
1 + y
j+1
0 + . . . + y
n
0 = y
j
,
y por tanto, dicho polinomio interpola la tabla.
Finalmente, veamos una notaci on m as compacta para dichos polinomios. De-

namos en primer lugar la funci on (x) =
n
i=0
(x x
i
) y calculemos su derivada
la cual podemos expresar como:
(x) =
i=0
(x)
xx
i
x / {x
0
, x
1
, . . . , x
n
}
(x
i
x
0
) (x
i
x
i1
)(x
i
x
i+1
) (x
i
x
n
) x = x
i
, i = 0, 1, . . . , n.
con lo cual se tiene que L
n
(x) =
i = 0
n
(x)
(xx
i
)
(x
i
)
y
i
si x / {x
0
, x
1
, . . . , x
n
}, y
por tanto:
L
n
(x) =
i=0
(x)
(xx
i
)
(x
i
)
y
i
x / {x
0
, x
1
, . . . , x
n
}
y
i
x = x
i
, i = 0, 1, . . . n
Ejemplo 7.3.1
Dada la tabla
n 0 1 2 3
x
n
1 2 0 3
y
n
3 2 -4 5
2009/2010
166 c UJI
161
Calcular mediante el m etodo de interpolaci on de Lagrange los valores f(1.5) y
f(2.5).
Para calcular el polinomio de interpolaci on de Lagrange calcularemos en cada
caso los valores de la tabla:
x x
0
x
0
x
1
x
0
x
2
x
0
x
3
x
1
x
0
x x
1
x
1
x
2
x
1
x
3
x
2
x
0
x
2
x
1
x x
2
x
2
x
3
x
3
x
0
x
3
x
1
x
3
x
2
x x
3
,
lo que resulta para x = 1.5:
0.5 -1 1 -2 1 l
0
(1.5) =
0.5625
1
= 0.5625
1 -0.5 2 -1 1 l
1
(1.5) =
0.5625
1
= 0.5625
-1 -2 1.5 -3 -9 l
2
(1.5) =
0.5625
9
= 0.0625
2 1 3 -1.5 -9 l
3
(1.5) =
0.5625
9
= 0.0625
0.5625
En la tabla anterior detr as de las echas aparecen el producto de las las y de la
diagonal, respectivamente. En la ultima columna, aparece el valor de las funciones
de base en el punto x = 1.5.
Finalmente, el valor del polinomio de Lagrange lo calcularemos como:
L
3
(1.5) =
3
i=0
l
i
(1.5)y
i
= 0.5625 3+0.5625 20.0625 (4)0.0625 5 = 2.75 .
Para interpolar en el punto x = 2.5 por el m etodo de Lagrange bastar a cambiar la
diagonal de la tabla y efectuar los correspondientes c alculos:
1.5 -1 1 -2 3 l
0
(2.5) =
0.9375
3
= 0.3125
1 0.5 2 -1 -1 l
1
(2.5) =
0.9375
1
= 0.9375
-1 -2 2.5 -3 -15 l
2
(2.5) =
0.9375
15
= 0.0625
2 1 3 -0.5 -3 l
3
(2.5) =
0.9375
3
= 0.3125
-0.9375
L
3
(2.5) =
3
i=0
l
i
(2.5)y
i
= 0.31253+0.93752+0.0625(4)+.31255 = 2.25 .
7.4. Interpolaci on de Newton

En esta secci on se aborda el estudio de un m etodo alternativo al de Lagrange
para la obtenci on de un polinomio interpolante de grado menor o igual que n para
la tabla de valores {(x
i
, y
i
)}
n
i=0
. Para ello denamos, en primer lugar, el concepto
de diferencia dividida de una funci on f(x) sobre los puntos x
i
, x
j
.
2009/2010
167 c UJI
162
Denici on 7.4.1
Llamamos diferencia dividida de la funci on f(x) en los puntos x
i
, x
j
a la cantidad
[x
i
, x
j
]
f
=
f(x
j
) f(x
i
)
x
j
x
i
.
Cuando todos los c alculos se reeren a una misma funci on, se suele suprimir el
subndice f, pues en ese caso no hay ambig uedad. En este apartado, puesto que se
trata de interpolar una tabla de valores de una determinada funci on, prescindiremos
del subndice f.
Las diferencias divididas satisfacen la propiedad sim etrica. As, [x
i
, x
j
] = [x
j
, x
i
].
A continuaci on extendemos el concepto de diferencia dividida como:
1. Diferencia dividida de orden cero
[x
i
] = f(x
i
)
2. Diferencia dividida de orden k + 1
x
i
1
, x
i
2
, . . . , x
i
k
, x
i
k+1
x
i
2
, . . . ., x
i
k
, x
i
k+1
[x
i
1
, x
i
2
, . . . , x
i
k
]
x
i
k+1
x
i
1
A partir de esta denici on se obtiene inmediatamente el siguiente resultado:
Sean los puntos x
1
, x
2
, . . . ., x
n
R, y sea una permutaci on de n elementos.
Entonces [x
1
, x
2
, . . . , x
n
] =
x
(1)
, x
(2)
, . . . ., x
(n)
.
Teorema 7.4.1
Sea P(x) un polinomio de grado n, entonces sus diferencias divididas de orden n
son constantes.
Dem:
Sea x
i
1
R, y sea [x, x
i
1
] =
P
n
(x)P
n
(x
i
1
)
xx
i
1
. Evidentemente, se tiene que x
i
1
es
raz de P
n
(x)P
n
(x
i
1
), por tanto, P
n
(x)P
n
(x
i
1
) es divisible por xx
i
1
. Entonces
la diferencia dividida [x, x
i
1
] es un polinomio de grado n 1.
Sea x
i
2
R{x
i
1
} y sea P
n1
(x) = [x, x
i
1
]; por tanto, se satisface la relaci on
P
n
(x) = P
n
(x
i
1
) + P
n1
(x)(x x
i
1
).
Sea la diferencia [x, x
i
1
, x
i
2
], entonces se verica que el numerador de
[x, x
i
1
, x
i
2
] =
[x
,
x
i
1
] [x
i
1
, x
i
2
]
x x
i
2
,
se anula si x = x
i
2
lo que implica que es m ultiplo de x x
i
2
, por tanto, [x, x
i
1
, x
i
2
]
es un polinomio de grado n2 que llamaremos P
n2
(x). Dicho polinomio satisface
la relaci on
P
n1
(x) = P
n1
(x
i
2
) + P
n2
(x)(x x
i
2
) = [x
i
1
x
i
2
] + P
n2
(x)(x x
i
2
).
2009/2010
168 c UJI
163
Supongamos que para orden k se tienen los puntos distintos x
i
1
, . . . , x
i
k
R, y que
P
nk
(x) = [x, x
i
1
, . . . , x
i
k
] es un polinomio de grado n k que satisface
P
nk
(x) = P
nk
(x
i
k
) + P
nk+1
(x)(x x
i
k
) = [x
i
1
, . . . ., x
i
k
] + P
nk+1
(x x
i
k
).
Sea x
k+1
R {x
i
1
, x
i
2
, . . . , x
i
k
}. Entonces:
P
nk1
(x) =
x, x
i
1
, . . . , x
i
k
, x
i
k+1
=
[x, x
i
1
, . . . , x
i
k
]
x
i
1
, . . . , x
i
k
, x
i
k+1
x x
i
k+1
,
de donde
P
nk1
(x) =
P
nk
(x) P
nk
(x
i
k+1
)
x x
i
k+1
se anula en x = x
i
k+1
y, por tanto, P
nk
(x) P
nk
(x
i
k+1
) es divisible por xx
i
k+1
.
As, P
nk1
(x) es un polinomio de grado n k 1 que satisface la relaci on
P
nk
(x) = P
nk1
(x
i
k+1
) + P
nk1
(x)(x x
i
k+1
).
Por tanto, P
0
(x) = [x, x
i
1
, x
i
2
, . . . ., x
i
n
] =
P
1
(x)P
1
(x
i
n
)
xx
i
n
es un polinomio de grado 0,
y por consiguiente, constante. Sea x
i
n+1
R{x
i
1
, x
i
2
, . . . , x
i
n
}. Entonces puesto
que P
0
(x) es constante se satisface que
[x, x
i
1
, x
i
2
, . . . ., x
i
n
] = P
0
(x) =
x
i
1
, x
i
2
, . . . ., x
i
n
, x
i
n+1
Teorema 7.4.2
El polinomio N
n
(x) denido como
N
n
(x) = [x
0
] + [x
0
, x
1
](x x
0
) + [x
0
, x
1
, x
2
](x x
0
)(x x
1
) + . . . +
+ . . . + [x
0
, x
1
, . . . , x
n
](x x
0
)(x x
1
) (x x
n1
)
interpola la tabla {(x
i
, y
i
)}
n
i=0
de valores de una funci on sobre los nodos x
0
< x
1
<
< x
n
.
Dem:
Aplicando el teorema anterior al polinomio interpolante de Lagrange P
n
(x) =
L
n
(x) y a los puntos (x
i
1
, x
i
2
, . . . , x
i
n+1
) = (x
0
, x
1
, . . . , x
n
) se tiene que:
P
1
(x) = P
1
(x
n
)+P
0
(x
n
)(xx
n1
) = [x
0
, x
1
, . . . , x
n1
]+[x
0
, x
1
, . . . , x
n
](xx
n1
)
P
2
(x) = P
2
(x
n
1) + P
1
(x)(x x
n2
) =
= [x
0
, x
1
, . . . , x
n2
]+([x
0
, x
1
, . . . , x
n1
] + [x
0
, x
1
, . . . , x
n
](x x
n1
)) (xx
n2
).
As:
P
n
(x) = P
n
(x
0
) + P
n1
(x)(x x
0
) = [x
0
] + [x
0
, x
1
](x x
0
)+
+[x
0
, x
1
, x
2
](xx
0
)(xx
1
)+. . .+[x
0
, x
1
, . . . , x
n
](xx
0
)(xx
1
) (xx
n1
).
Esta forma del polinomio interpolante se conoce como primera f ormula de Newton
o f ormula de interpolaci on de Newton hacia adelante.

2009/2010
169 c UJI
164
Ejemplo 7.4.1
Dada la tabla
n 0 1 2 3
x
n
1 2 0 3
y
n
3 2 -4 5
Calcular los valores f(1.5) y f(2.5) mediante el polinomio de interpolaci on de
Newton en su primera forma.
Para interpolar mediante el m etodo de Newton calcularemos las diferencias di-
vididas;
x
0
[x
0
]
[x
0
, x
1
]
x
1
[x
1
] [x
0
, x
1
, x
2
]
[x
1
, x
2
] [x
0
, x
1
, x
2
, x
3
]
x
2
[x
2
] [x
1
, x
2
, x
3
]
[x
2
, x
3
]
x
3
[x
3
]
lo que para nuestros datos resulta:
1 3
-1
2 2 -4
3 2
0 -4 0
3
3 5
El polinomio de interpolaci on de Newton (primera forma) se escribe como:
N
3
(x) = [x
0
] + [x
0
, x
1
](x x
0
) + [x
0
, x
1
, x
2
](x x
0
)(x x
1
)+
+ [x
0
, x
1
, x
2
, x
3
](x x
0
)(x x
1
)(x x
2
),
lo que resulta para x = 1.5:
N
3
(1.5) = 3 1 0.5 4 0.5 (0.5) + 2 0.5 (0.5) 1.5 = 2.75,
y para x = 2.5:
N
3
(2.5) = 3 1 1.5 4 1.5 (0.5) + 2 1.5 (0.5) 2.5 = 2.25 .
Teorema 7.4.3
El polinomio N
n
(x) dado por
N
n
(x) = [x
n
] +[x
n1
, x
n
](x x
n
) +[x
n2
, x
n1
, x
n
](x x
n1
)(xx
n
) +. . . +
+ . . . + [x
0
, x
1
, . . . , x
n
](x x
1
) (x x
n1
)(x x
n
)
interpola la tabla {(x
i
, y
i
)}
n
i=0
de valores de una funci on sobre los nodos x
0
< x
1
<
< x
n
.
2009/2010
170 c UJI
165
Dem:
Se obtiene igual que en el caso anterior sin m as que escribir los nodos en el
orden x
n
, x
n1
, . . . , x
1
, x
0
.
Esta f ormula es conocida como segunda forma del polinomio interpolante de

Newton o tambi en como f ormula de interpolaci on de Newton hacia atr as.
7.4.1. Interpolaci on con puntos igualmente espaciados
Denici on 7.4.2
Sean los nodos x
0
< x
1
< < x
n
igualmente espaciados mediante un paso h,
esto es, x
i
x
i1
= h > 0, i = 1, . . . , n, y sean y
0
, . . . , y
n
los valores de una
determinada funci on sobre ellos. Llamamos diferencia avanzada de la funci on en
el nodo i a y
i
= y
i+1
y
i
donde i = 0, . . . , n 1.
Denici on 7.4.3
Dada la tabla de valores {x
i
, y
i
}
n
i=0
de una funci on sobre los nodos igualmente
espaciados x
0
< x
1
< < x
n
se dene diferencia avanzada de orden k como
k
y
i
=
k1
y
i+1

k1
y
i
siendo
0
y
i
= y
i
.
Es inmediato que
1
y
i
= y
i
.
De modo an alogo, se denen diferencias retardadas como:
Denici on 7.4.4
i
, y
i
}
n
i=0
espaciados x
0
< x
1
< < x
n
se dene diferencia retardada de orden k como
k
y
i
=
k1
y
i+1

k1
y
i
siendo
0
y
i
= y
i
.
A las diferencias
1
y
i
tambi en se les denota como y
i
y normalmente son deno-
minadas de un modo m as simple como diferencia retardada de y en el nodo i.
Denici on 7.4.5
Sea un conjunto de nodos igualmente espaciados x
0
< x
1
< < x
n
. Llamamos
productos generalizados de orden k = 0, . . . , n hacia adelante y hacia atr as a
las cantidades [x]
k
y {x}
k
denidas como
[x]
k
= [x]
k1
(xk+1), {x}
k
= {x}
k1
(xn+k1), donde [x]
0
= {x}
0
= 1 .
Teorema 7.4.4
i
, y
i
}
n
i=0
espaciados x
0
< x
1
< < x
n
, se tiene que el polinomio interpolante de Newton
N
n
(x) en su primera forma viene dado por
N
n
(x) =
n
k=0
k
y
0
k!
[q]
k
,
donde q =
xx
0
h
.
2009/2010
171 c UJI
166
Dem:
Sea N
n
(x) el polinomio de interpolaci on de Newton en su primera forma, el
cual viene dado por
N
n
(x) = [x
0
] + [x
0
, x
1
](x x
0
) + [x
0
, x
1
, x
2
](x x
0
)(x x
1
) + +
+ + [x
0
, . . . , x
n
](x x
0
) (x x
n1
)
Seg un las deniciones anteriores, se tiene que [x
i
] =
0
i
, [x
i
, x
i+1
] =
y
i+1
y
i
x
i+1
x
i
=
1
y
i
h
. Para evaluar las diferencias segundas, [x
i
, x
i+1
, x
i+2
], se tiene:
[x
i
, x
i+1
, x
i+2
] =
[x
i+1
, x
i+2
] [x
i
, x
i+1
]
x
i+2
x
i
=

1
y
i+1

1
y
i
2h
2
=

2
y
i
2h
2
.
Supongamos que [x
i
, x
i+1
, . . . , x
i+k
] =

k
y
i
k!h
k
, entonces:
[x
i
, x
i+1
, . . . , x
i+k
, x
i+k+1
] =
[x
i+1
, . . . , x
i+k
, x
i+k+1
] [x
i
, x
i+1
, . . . , x
i+k
]
x
i+k+1
x
i
=
=
k
y
i+1
k!h
k

k
y
i
k!h
k
(k + 1)h
=

k+1
y
i
(k + 1)!h
k+1
,
lo que conrma la hip otesis de inducci on.
k
i=0
(x x
k
) =
i=0
(qh + x
0
x
k
) =
i=0
(qh kh) = [q]
k
h
k
por tanto:
N
n
(x) =
n
k=0
k
y
0
k!h
h
[q]
k
h
k
=
n
k=0
k
y
0
k!
[q]
k
Teorema 7.4.5
i
, y
i
}
n
i=0
espaciados x
0
, . . . , x
n
, se tiene que el polinomio interpolante de Newton N
n
(x) en
su segunda forma viene dado por
N
n
(x) =
n
k=0
k
y
n
k!
{q}
k
,
donde q =
xx
0
h
.
Dem:
Completamente an aloga a la anterior.

2009/2010
172 c UJI
167
7.5. Interpolaci on osculatoria. Polinomio de Hermite
En las anteriores secciones se ha abordado la resoluci on del problema de la
reconstrucci on de una funci on f(x) a partir de una tabla de valores de la misma,
{(x
i
, f(x
i
))}
n
i=1
. En esta secci on se aborda el estudio de como aproximar una fun-
ci on mediante interpolaci on polin omica cuando, adem as de la anterior tabla de va-
lores, se conoce tambi en el valor de la primera o sucesivas derivadas en los nodos.
Dentro de la interpolaci on osculatoria, uno de los casos m as importantes es el si-
guiente: encontrar una funci on f(x) de modo que ella y su derivada interpolen la
tabla de valores {(x
i
, y
i
, y
i
)}
n
i=0
, esto es, f(x
i
) = y
i
, f
(x
i
) = y
i
, i = 0, 1, . . . , n.
Para resolver este problema, se tiene en, primer lugar, que existe un unico polino-
mio de grado menor o igual que 2n+1 que interpola la tabla {(x
i
, y
i
, y
i
)}
n
i=0
; dicho
polinomio se conoce como polinomio interpolante de Hermite H
2n+1
(x) para la ta-
bla {(x
i
, y
i
, y
i
)}
n
i=0
.
La construcci on del polinomio de Hermite puede abordarse por varios procedimien-
tos, siendo los principales el de Lagrange y el de Newton, de los cuales unicamente
analizaremos el enfoque lagrangiano, el cual se puede abordar del siguiente modo:
Teorema 7.5.1
Sean los nodos x
0
< x
1
< x
2
< . < x
n
. Entonces existen unos unicos conjuntos
de funciones {
i
(x)}
n
i=0
y {
i
(x)}
n
i=0
, tales que:
1.
i
(x),
i
(x) son polinomios de grado 2n + 1, i = 0, 1, . . . , n.
2.
i
(x
i
) = 1,
i
(x
i
) = 0,
i
(x
i
) = 0,
i
(x
i
) = 1, i = 0, 1, . . . , n.
3.
i
(x
j
) =
i
(x
j
) = 0,
i
(x
j
) =
i
(x
j
) = 0, i, j = 0, 1, . . . , n, i = j.
Dem:
La funci on
i
(x) y su derivada se anulan en los nodos x
0
, . . . , x
i1
, x
i+1
, . . . , x
n
.
Por tanto, dichos nodos son raz doble de
i
(x) y, por tanto,
i
(x) es divisible por
el polinomio
(x x
0
)
2
(x x
1
)
2
(x x
i1
)
2
(x x
i+1
)
2
(x x
n
)
2
y por ello, tambi en lo es por
2
i
(x) siendo
i
(x) la i- esima funci on de base de la
interpolaci on de Lagrange. Puesto que
i
(x) debe ser un polinomio de grado 2n+1,
debe de cumplirse que
i
(x) = (
i
x +
i
)
2
i
(x).
Los coecientes
i
,
i
se determinan a partir de las condiciones
i
(x
i
) = 1 y
i
(x
i
) = 0; as, se tiene que:
i
(x
i
) = (
i
x
i
+
i
)
2
i
(x
i
), y, por tanto,
i
x
i
+
i
= 1.
Por otra parte, se tiene:
i
(x) =
i
2
i
(x) + 2(
i
x +
i
)
i
(x)
i
(x)
2009/2010
173 c UJI
168
de donde
i
(x
i
) =
i
2
i
(x
i
) + 2(
i
x
i
+
i
)
i
(x
i
)
i
(x
i
), y, por tanto,
i
+ 2
i
(x
i
) = 0,
de donde se obtiene:
i
= 2
i
(x
i
),
i
= 1 + 2
i
(x
i
)x
i
,
y por tanto:
i
x +
i
= 2
i
(x
i
)x + 1 + 2
i
(x
i
) = 1 2
i
(x
i
)(x x
i
),
As,
i
(x) = [1 2
i
(x
i
)(x x
i
)]
2
i
(x).
Para determinar
i
(x) procederemos de un modo similar. As, puesto que la funci on
i
(x) y su derivada se anulan en los nodos x
0
, . . . , x
i1
, x
i+1
, . . . , x
n
, y dado que
esta debe de ser un polinomio de grado 2n + 1,
i
(x), debe tener la forma:
i
(x) = (
i
x
i
+
i
)
2
i
(x)
Puesto que
i
(x
i
) = 0 se tiene que
i
(x) debe contener como factor a x x
i
(el
cual no est a contenido en
i
(x)) y, por tanto,
i
x
i
+
i
= C
i
(x x
i
); de este modo
se satisface
i
(x) = C
i
2
i
(x) + 2C
i
(x x
i
)
i
(x)
i
(x),
y dado que
i
(x
i
) = 1, se tiene
1 = C
i
2
i
(x) + 2C
i
(x x
i
)
i
(x
i
)
i
(x
i
) = C
i
1 + 0 = c
i
.
De este modo, resulta que
i
(x) = (x x
i
)
2
i
(x).
Teorema 7.5.2
El polinomio H
2n+1
(x) =
n
i=0
[
i
(x)y
i
+
i
(x)y
i
] interpola la tabla de valores de la
funci on f(x) y su derivada dada por {(x
i
, y
i
, y
i
)}
n
i=0
.
Dem:
Sea x
j
{x
0
, x
1
, . . . , x
n
}, entonces:
H
2n+1
(x
j
) =
n
i=0
[
i
(x
j
)y
i
+
i
(x
j
)y
i
] =
n
i=0
[
i,j
y
i
+ 0y
i
] =
j,j
y
j
= y
j
,
H
2n+1
(x
j
) =
n
i=0
[
i
(x
j
)y
i
+
i
(x
j
)
i
] =
n
i=0
[0y
i
+
i,j
y
i
] =
j,j
y
j
= y
j
,
donde
i,j
=
1 i = j
0 i = j
representa la delta de Kronecher. Por tanto, se verica el
teorema.

2009/2010
174 c UJI
169
7.6. Interpolaci on segmentaria
En un principio, puede parecer que obtener m as precisi on en las t ecnicas de in-
terpolaci on es cuesti on de tomar un mayor n umero de puntos en el intervalo donde
se requiere interpolar; sin embargo, esto no siempre es as, basta tratar de aproximar
la funci on f(x) =
1
1+25x
2
en el intervalo [1, 1] a partir de su tabla de valores en
los puntos x
0
= 1, x
k
= x
0
+ k h, k = 0, 1, . . . , n con h =
2
n
para observar
que cuando aumenta n, el error lejos de disminuir, crece desmesuradamente alrede-
dor de los puntos x = 1, x = 1. Este problema puede ser resuelto si en lugar de
realizar la interpolaci on con un unico polinomio interpolador para todo el intervalo
[-1,1], se subdivide este en subintervalos y se utiliza en cada uno de ellos un poli-
nomio interpolante distinto. Para ello, deniremos en primer lugar el concepto de
polinomio trazador (o splin) como:
Denici on 7.6.1
Sea un intervalo [a, b] en R y sea a = x
0
< x
1
< . . . < x
n1
< x
n
= b una
partici on de [a, b] en subintervalos. Diremos que S(x) es un polinomio trazador o
splin en [a, b] asociado a la partici on a = x
0
< x
1
< . . . . < x
n1
< x
n
= b si
S
0
(x), S
1
(x), . . . ., S
n1
(x) polinomios de modo que
S(x) =
S
0
(x) x [x
0
, x
1
[
S
1
(x) x [x
1
, x
2
[
. . . . . . . . . . . . . . .
S
i
(x) x [x
i
, x
i+1
[
. . . . . . . . . . . . .
S
n1
(x) x [x
n1
, x
n
]
,
Si adem as i = 0, 1, . . . , n1, S
i
(x) es un polinomio de grado k y se cumplen
las condiciones de continuidad
S
i
(x
i+1
) = S
i+1
(x
i+1
), S
i
(x
i+1
) = S
i+1
(x
i+1
), . . . ., S
k1)
i
(x
i+1
) = S
k1)
i+1
(x
i+1
),
se dice que S(x) es un splin de orden k.
Denici on 7.6.2
Diremos que un splin S(x) interpola la tabla de valores de una funci on {(x
i
, y
i
)}
n
i=0
si i = 0, 1, . . . , n, se verica que S(x
i
) = y
i
.
N otese que los nodos de la tabla y de la partici on en donde se dene el splin no
tienen necesariamente que coincidir.
Dentro de la interpolaci on por polinomios trazadores (splines) merecen especial
consideraci on los llamados splines lineales y los splines c ubicos (de tercer orden).
Respecto a los splines lineales se verica:
Teorema 7.6.1
Dada la tabla de valores {(x
i
, y
i
)}
n
i=0
de una funci on f(x), existe un unico splin de
grado uno, asociado a la partici on x
0
< x
1
< < x
n
que interpola dicha funci on
en dichos nodos.
2009/2010
175 c UJI
170
Dem:
Sea S(x) un splin de grado uno asociado a la partici on
S(x) =
S
0
(x) x [x
0
, x
1
]
S
1
(x) x [x
1
, x
2
]
. . . . . . . . . . . . . . .
S
i
(x) x [x
i
, x
i+1
]
. . . . . . . . . . . . .
S
n1
(x) x [x
n1
, x
n
]
donde por condici on de continuidad se permite escribir los subintervalos como ce-
rrados. Por interpolar la tabla S
i
(x) debe ser el unico polinomio de grado uno que
interpola {(x
i
, y
i
), (x
i+1
, y
i+1
)}, y por tanto se verica que
S
i
(x) =
x x
i+1
x
i
x
i+1
y
i
+
x x
i
x
i+1
x
i
y
i+1
, i = 0, 1, . . . , n 1,
Respecto a la interpolaci on mediante splines c ubicos se verica el siguiente

resultado:
Teorema 7.6.2
Dada la tabla de valores {(x
i
, y
i
)}
n
i=0
de una funci on f(x) , existe un unico splin de
c ubico asociado a la partici on x
0
< x
1
< < x
n
que interpola dicha funci on en
dichos nodos y que satisface S
0
(x
0
) = 0, y S
n1
(x
n
) = 0.
Dem:
Sea el splin S(x) de grado tres, denido como
S(x) =
S
0
(x) x [x
0
, x
1
]
S
1
(x) x [x
1
, x
2
]
. . . . . . . . . . . . . . .
S
i
(x) x [x
i
, x
i+1
]
. . . . . . . . . . . . .
S
n1
(x) x [x
n1
, x
n
]
que interpola la tabla {(x
i
, y
i
)}
n
i=0
. Entonces i = 0, 1, . . . n 1, se tiene:
S
i
(x
i
) = y
i
, S
i
(x
i+1
) = y
i+1
, S
i
(x
i+1
) = S
i+1
(x
i+1
), S
i
(x
i+1
) = S
i+1
(x
i+1
),
expresiones en las que se recogen la condiciones de interpolaci on y continuidad.
Por ser S(x) un splin c ubico, las funciones S
i
(x) son polinomios de grado tres,
y por tanto, sus primeras derivadas son polinomios de grado dos y sus segundas
derivadas son polinomios de grado uno, por tanto, la segunda derivada S
i
(x) puede
determinarse conociendo su valor en los extremos.
2009/2010
176 c UJI
171
Sea S
i
(x
i
) = z
i
, S
i
(x
i+1
) = z
i+1
, i = 1, 2, . . . , n 1. A partir de esto se
puede obtener S
i
(x) mediante interpolaci on lineal resultando:
S
i
(x) =
x x
i+1
x
i
x
i+1
z
i
+
x x
i
x
i+1
x
i
z
i+1
, i = 0, 1, . . . , n 1.
Deniendo h
i
= x
i+1
x
i
, i = 0, . . . , n 1 se obtiene
S
i
(x) =
x
i+1
x
h
i
z
i
+
x x
i
h
i
z
i+1
, i = 0, 1, . . . , n 1,
a partir de lo cual obtenemos, integrando dos veces con respecto a la variable x:
S
i
(x) =
1
6
(x
i+1
x)
3
h
i
z
i
+
1
6
(x x
i
)
3
h
i
z
i+1
+ p
i
(x), i = 0, 1, . . . , n 1,
donde p
i
(x) es un polinomio de grado uno en x que expresaremos como p
i
(x) =
i
(x
i+1
x) +
i
(x x
i
). Por tanto, i = 0, 1, . . . , n 1, se obtiene
S
i
(x) =
1
6
(x
i+1
x)
3
h
i
z
i
+
1
6
(x x
i
)
3
h
i
z
i+1
+
i
(x
i+1
x) +
i
(x x
i
).
Dicho polinomio debe interpolar la tabla {(x
i
, y
i
)}
n
i=0
, por tanto, se verica S
i
(x
i
) =
y
i
, S
i
(x
i+1
) = y
i+1
de donde se tiene inmediatamente
1
6
h
2
i
z
i
+
i
h
i
= y
i

i
=
y
i
h
i
1
6
z
i
h
i
1
6
h
2
i
z
i+1
+
i
h
i
= y
i+1

i
=
y
i+1
h
i
1
6
z
i+1
h
i
.
Por tanto se tiene
S
i
(x) =
1
6
(x
i+1
x)
3
h
i
z
i
+
1
6
(x x
i
)
3
h
i
z
i+1
+
y
i
h
i
1
6
z
i
h
i
(x
i+1
x)+
+
y
i+1
h
i
1
6
z
i+1
h
i
(x x
i
) i = 0, . . . , n 1.
Por otra parte, se debe vericar la condici on de continuidad para la primera derivada
S
(x); as, S
i
(x
i
+ 1) = S
i+1
(x
i
+ 1), i = 0, . . . , n 2. Derivando S
i
(x) y S
i+1
(x)
se obtiene:
S
i
(x) =
1
2
(x
i+1
x)
2
h
i
z
i
+
1
2
(x x
i
)
2
h
i
z
i+1
+
1
6
z
i
h
i

y
i
h
i
+
y
i+1
h
i
1
6
z
i+1
h
i
S
i+1
(x) =
1
2
(x
i+2
x)
2
h
i+1
z
i+1
+
1
2
(x x
i+1
)
2
h
i+1
z
i+2
+
1
6
z
i+1
h
i+1
y
i+1
h
i+1
+
y
i+2
h
i+1
1
6
z
i+2
h
i+1
,
y por tanto,
S
i
(x
i+1
) =
1
2
h
i
z
i+1
+
1
6
z
i
h
i

y
i
h
i
+
y
i+1
h
i
1
6
z
i+1
h
i
2009/2010
177 c UJI
172
S
i+1
(x
i+1
) =
1
2
h
i+1
z
i+1
+
1
6
z
i+1
h
i+1
y
i+1
h
i+1
+
y
i+2
h
i+1
1
6
z
i+2
h
i+1
,
igualando y operando se obtiene
1
6
z
i
h
i
+
1
3
(h
i
+ h
i+1
) z
i+1
+
1
6
h
i+1
z
i+2
=
y
i
h
i
1
h
i
+
1
h
i+1
y
i+1
+
y
i+2
h
i+1
,
y nalmente
z
i
h
i+2
(h
i
+ h
i+1
) z
i+1
+ h
i+1
z
i+2
=
6
h
i+1
(y
i+2
y
i+1
)
6
h
i
(y
i+1
y
i
)
o lo que es equivalente:
z
i1
h
i+1
(h
i1
+ h
i
) z
i
+ h
i
z
i+1
=
6
h
i
(y
i+1
y
i
)
6
h
i1
(y
i
y
i1
) .
Por tanto, y puesto que z
0
= z
n
= 0, los valores z
1
, . . . , z
n1
satisfacen el sistema
de ecuaciones lineales
a
1
h
1
0 0 0 . . . . 0 0 0
h
1
a
2
h
2
0 0 . . . . 0 0 0
0 h
2
a
3
h
3
0 . . . . 0 0 0
. . . . . . . . . . . . . . . . . . . . . . . .
0 0 0 0 0 . . . . h
n2
a
n2
h
n1
0 0 0 0 0 . . . . 0 h
n1
a
n1
z
1
z
2
z
3
. . .
z
n2
z
n1
b
1
b
2
b
3
. . . . . .
b
n2
b
n1
donde:
a
i
= 2 (h
i
+ h
i1
) , b
i
= v
i
v
i1
, con v
i
=
6
h
i
(y
i+1
y
i
) .
Ejemplo 7.6.1
Construir el splin c ubico natural correspondiente a la tabla
n 0 1 2 3
x
n
1 2 0 3
y
n
3 2 -4 5
Para construir el splin c ubico natural correspondiente a la tabla procedemos, en
primer lugar, a reordenar la misma
n 0 1 2 3
x
n
0 1 2 3
y
n
-4 3 2 5
2009/2010
178 c UJI
173
El paso h
i
= x
i+1
x
i
= 1 es constante e igual a uno. El problema se reduce a
encontrar los valores z
1
, z
2
correspondientes a S
(x
i
), lo cual se consigue a partir
de las relaciones
h
i
= x
i+1
x
i
, u
i
= 2(h
i+1
+ h
i
)
b
i
= 6/h
i
(y
i+1
y
i
), v
i
= b
1
b
i1
.
Finalmente, el problema se resuelve a partir del sistema de ecuaciones
u
1
h
1
h
1
u
2

z
1
z
2
v
1
v
2
.
As se tiene h
1
= h
2
= 1, u
1
= u
2
= 4, b
0
= 42, b
1
= 6, b
2
= 18,v
1
= 48,v
2
=
24, por tanto, se debe resolver el sistema:
4 1
1 4

z
1
z
2
48
24
cuya soluci on viene dada por z

1
=
72
5
, z
2
=
48
5
; por tanto el splin c ubico que
interpola la tabla de datos viene dado por:
S(x) =
S
0
(x) =
12
5
x
3
+
47
5
x 4 si x [0, 1]
S
1
(x) = 4x
3
96
5
x
2
+
143
5
x
25
5
si x [1, 2]
S
2
(x) =
8
5
x
3
+
72
5
x
2
193
5
x +
172
5
si x [2, 3].

2009/2010
179 c UJI
174
Tema 8
Diferenciaci on e integraci on
num erica
8.1. Introducci on
En el presente captulo se aborda el estudio de un conjunto de t ecnicas num eri-
cas cuyo objeto es, por una parte, conseguir aproximaciones num ericas al valor de
las derivadas de una determinada funci on; y por otra, determinar el valor de una
integral denida con la mayor precisi on posible.
El primer problema es, en general, de gran dicultad, pues como se muestra en
el ejemplo, de la proximidad de dos funciones no se sigue la proximidad de sus
derivadas. Sean las funciones f
1
(x) = x
2
+ x, y f
2
(x) = x
2
+ x + sen
x
2
donde
es una peque na cantidad positiva; estas funciones satisfacen, por una parte:
|f
1
(x) f
2
(x)| =
sen
x
sen
x
.
Por otra parte, se verica que f
1
(x) = 2x + 1, y f
2
(x) = 2x + 1 +
1
cos
x
2
; as, en
x = 0 se tiene que
|f
1
(0) f
2
(0)| , |f
1
(0) f
2
(0)| =
1
.
La primera cantidad es peque na cuando es peque no, armaci on que no es posible
hacer respecto a las derivadas pues cuando es peque no
1
es grande.
El problema de la integraci on num erica es, en principio, mucho m as sencillo,
pues si en un intervalo [a, b] se verica |f
1
(x) f
2
(x)| , entonces se verica
b
a
f
1
(x)dx
b
a
f
2
(x)dx
b
a
|f
1
(x) f
2
(x)| dx
f
a
dx = (b a).
El m etodo que se seguir a para obtener aproximaciones a las derivadas e integrales
de funciones estar a basado en encontrar una aproximaci on a la funci on mediante
interpolaci on polinomial, para a continuaci on efectuar la operaci on requerida sobre
el polinomio interpolante.
En este captulo, el tema de la derivaci on num erica se abordar a someramente;
mientras que dada su importancia, la integraci on num erica se tratar a con mayor
detalle.
2009/2010
181 c UJI
175
8.2. Derivaci on num erica
Sea f(x) una funci on continua y sucientemente derivable en un intervalo [a, b]
de la que conocemos sus valores en los nodos a x
0
< x
1
< < x
n1
< x
n
b.
A partir de la tabla {(x
i
, f(x
i
))}
n
i=0
se construye el polinomio interpolante para la
misma, que en su forma de Lagrange resulta L
n
(x) =
n
i=0
i
(x)f(x
i
). A partir de
esta expresi on, resulta:
f(x) = L
n
(x) +
1
(n + 1)!
f
(n+1)
(
x
)w(x), donde w(x) =
n
i=0
(x x
i
).
Derivando se obtiene
f
(x) = L
n
(x) +
1
(n + 1)!
f
(n+1)
(
x
)w
(x) +
1
(n + 1)!
w(x)
d
dx
f
(n+1)
(
x
)
donde w
(x) =
n
i=0
n
j=0
j=k
(x x
j
). Esta expresi on se simplica en el caso de ser eva-
luada en los nodos, pues w
(x
k
) =
n
j=0
j=k
(x x
j
).
El error que se comete al tomar la aproximaci on f
(x) L
n
(x) viene dado por
1
(n+1)!
f
(n+1)
(
x
)w
(x) +
1
(n+1)!
w(x)
d
dx
f
(n+1)
(
x
), expresi on que se simplica en el
caso de evaluar la derivada sobre uno de los nodos, pues en ellos w(x
i
) = 0 y,
por tanto, en este caso el error viene dado por
1
(n+1)!
f
(n+1)
(
x
k
)w
(x
k
). A partir
de esta ultima expresi on, en el caso de un mallado regular de nodos x
0
, x
1
, . . . , x
n
donde x
i
= x
0
+ ih, el error cometido al interpolar en el nodo x
k
viene dado por
1
(n+1)!
f
(n+1)
(
x
k
)k(k 1) 1(1)(2) (k n)h
n
.
Por tanto, el error es de orden n en h.
8.2.1. F ormulas mas usuales de derivaci on num erica
A continuaci on exponemos un conjunto de f ormulas de uso muy com un en de-
rivaci on num erica. En este apartado consideraremos que los nodos x
0
, x
1
, . . . , x
n
est an igualmente espaciados de modo que x
i
= x
0
+ ih. En primer lugar, se tiene
f
(x
i
)
y
i+1
y
i
h
,
la cual procede de derivar el polinomio interpolante en los nodos x
i
, x
i+1
.
Para determinar el orden del error mediante un m etodo alternativo desarrollamos
y
i+1
en serie de Taylor alrededor del punto x
i
, as:
y
i+1
= y
i
+ y
i
h +
1
2
f()h
2
de donde
f
(x
i
) =
y
i+1
y
i
h

1
2
f
()h,
2009/2010
182 c UJI
176
por tanto, la aproximaci on es de orden uno en h.
Puede comprobarse que la aproximaci on dada por f
(x
i
)
y
i
y
i1
h
, es tambi en de
primer orden en h.
Otra aproximaci on de gran utilidad es la siguiente:
f
(x
i
)
y
i+1
y
i1
2n
.
Para evaluar su precisi on consideramos los desarrollos
y
i+1
= y
i
+ y
i
h +
1
2
y
i
h
2
+
1
6
f
3)
(
1
)h
3
,
1
]x
i
, x
i+1
[,
y
i1
= y
i
y
i
h +
1
2
y
i
h
2
1
6
f
3)
(
2
)h
3
,
1
]x
i1
, x
i
[,
restando ambas expresiones y dividiendo por 2h se obtiene
y
i+1
y
i1
2h
= y
i
+
1
6
f
3)
(
1
) + f
3)
(
2
)
h
2
.
Si f es una funci on al menos C
3
se tiene que [mn{
1
,
2
}, max{
1
,
2
}] de
modo que f
3)
() =
1
2
f
3)
(
1
) + f
3)
(
2
)
; as
y
i
=
y
i+1
y
i1
2h

1
3
f
3)
()h
2
.
Esta f ormula es m as precisa que la anterior pues es de segundo orden en h.
Otra f ormula de gran inter es es la aproximaci on a la segunda derivada dada por
y
i

y
i+1
2y
i
+ y
i1
h
2
.
Para determinar su error consideremos los desarrollos
y
i+1
= y
i
+ y
i
h +
1
2
y
i
h
2
+
1
6
y
3)
i
h
3
+
1
24
f
4)
(
1
)h
4
,
1
]x
i
, x
i+1
[
y
i1
= y
i
y
i
h +
1
2
y
i
h
2
1
6
y
3)
i
h
3
+
1
24
f
4)
(
2
)h
4
,
1
]x
i1
, x
i
[.
A partir de estas expresiones obtenemos
y
i+1
2y
i
+ y
i1
= y
i
h
2
+
1
24
f
4)
(
1
) + f
4)
(
2
)
h
4
,
de donde dividiendo por h
2
se obtiene
y
i+1
2y
i
+ y
i1
h
2
= y
i
+
1
24
f
4)
(
1
) + f
4)
(
2
)
h
2
,
y por tanto,
y
i
=
y
i+1
2y
i
+ y
i1
h
2

1
24
f
4)
(
1
) + f
4)
(
2
)
h
2
.
Finalmente, procediendo como antes se obtiene
y
i
=
y
i+1
2y
i
+ y
i1
h
2

1
12
f
4)
()h
2
.
As, la aproximaci on resultante es de segundo orden en h.
2009/2010
183 c UJI
177
F ormulas de alto orden en los extremos
A partir de la interpolaci on de Newton con puntos igualmente espaciados, se
obtiene el conjunto de f ormulas de orden n dado por
y
i
=
1
h
1
2
2
+
1
3
3
+ +
(1)
n1
n

n
y
i
y
i
=
1
h
+
1
2
2
+
1
3
3
+ +
1
n
y
i
y
i
=
1
h
2
1
2
2
+
1
3
3
+ +
(1)
n1
n

n
2
y
i
y
i
=
1
h
2
+
1
2
2
+
1
3
3
+ +
1
n
n
+ . . .
2
y
i
,
y, en general, para orden m se verica
y
m)
i
=
1
h
n
1
2
2
+
1
3
3
+ +
(1)
n1
n

n
m
y
i
y
m)
i
=
1
h
n
+
1
2
2
+
1
3
3
+ +
1
n
m
y
i
.
Derivaci on mediante extrapolaci on
Un m etodo particularmente util para aumentar la precisi on de las f ormulas de
derivaci on num erica es el de extrapolaci on, el cual consiste en obtener aproxima-
ciones a la derivada con dos pasos distintos, h
1
y h
2
, a partir de lo cual se obtienen
sendas aproximaciones y
(h
1
) y y
(h
2
) a la derivada y
(x
i
). Si la funci on y(x) es
sucientemente derivable, si adem as se cumple que O(h
1
) = O(h
2
) = O(h
1
h
2
),
y el m etodo de derivaci on es de orden O
k
(h), se vericar a que
y
(x
i
) = y
(h
1
) + a
1
h
k
1
+ O
k+1
(h
1
)
y
(x
i
) = y
(h
2
) + a
1
h
k
2
+ O
k+1
(h
2
)
y
(x
i
)h
k
2
= y
(h
1
)h
k
2
+ a
1
h
k
1
h
k
2
+ O
k+1
(h
1
)h
k
2
y
(x
i
)h
k
1
= y
(h
2
)h
k
1
+ a
1
h
k
2
h
k
1
+ O
k+1
(h
2
)h
k
1
de donde se tiene,
y
(x
i
)
h
k
2
h
k
1
= y
(h
1
)h
k
2
y
(h
1
)h
k
2
+ O
2k+1
(h
1
),
y por tanto,
y
(x
i
) =
y
(h
1
)h
k
2
y
(h
1
)h
k
2
h
k
2
h
k
1
+ O
k+1
(h
1
),
f ormula que resulta de un orden mayor que la inicial.
El m etodo de extrapolaci on es particularmente interesante cuando la f ormula de
derivaci on inicial es de tipo central, pues en ese caso el desarrollo del error cometi-
do al aproximar la derivada mediante la f ormula num erica s olo contiene potencias
pares, por lo que cada vez que se aplica el m etodo, el orden de la f ormula resultante
aumenta en dos unidades.
2009/2010
184 c UJI
178
Ejemplo 8.2.1
Obtener mediante extrapolaci on una f ormula de derivaci on cuyo error sea de cuarto
orden a partir de y
i
(h) =
y
i+1
y
i1
2h
.
Para un paso h, se tiene
y
i
= y
i
(h)
1
3
f
3)
()h
2
+ O
4
(h).
Para un paso 2h:
y
i
= y
i
(2h)
4
3
f
3)
()h
2
+ O
4
(h).
Multiplicando la primera expresi on por cuatro y restando se tiene
3y
i
= 4 y
i
(h) y
i
(2h) + O
4
(h),
y por tanto:
y
i
=
4 y
i
(h) y
i
(2h)
3
+ O
4
(h),
lo que conduce a la f ormula
y
i

y
i+2
+ 8y
i+1
8y
i1
+ y
i2
12h
.
8.3. Integraci on num erica

El problema de la integraci on (o cuadratura) num erica trata de determinar el
valor de una integral
b
a
f(x)dx con una precisi on denida de antemano. El m etodo
que seguiremos para obtener dicho valor ser a aproximar la funci on f(x) por un
polinomio, para a continuaci on integrar dicho polinomio.
Sean los puntos a x
0
< x
1
< x
2
< . < x
n1
< x
n
b y sea la aproximaci on
L
n
(x) =
n
i=0
i
(x)f(x
i
) a f(x) mediante el polinomio de interpolaci on de Lagrange
en los nodos x
0
, . . . , x
n
. A continuaci on se proceder a efectuar la aproximaci on
b
a
f(x)dx
b
a
n
i=0
i
(x)f(x
i
)dx =
n
i=0
b
a
i
(x)dx
f(x
i
) =
n
i=0
A
i
f(x
i
),
donde A
i
=
b
a

i
(x)dx.
Cuando x
0
= a y x
n
= b se dice que la f ormula de cuadratura es cerrada. En
caso de ser a < x
0
y x
n
< b se dice que la f ormula es abierta. En general, son
m as difciles de obtener las f ormulas abiertas que las cerradas, si bien las primeras
pueden ser construidas de modo que resulten de mayor precisi on para la misma
cantidad de nodos.
2009/2010
185 c UJI
179
Diremos que una f ormula de cuadratura num erica es de orden n si es exacta para
polinomios de grado menor o igual a n. La elecci on del m etodo de interpolaci on nos
asegura que tomando n+ 1 nodos x
0
, x
1
, . . . , x
n
en un intervalo [a, b], la cuadratura
num erica resultante es al menos de orden n, pues si f(x) es un polinomio de grado
menor o igual que n se verica que L
n
(x) = f(x), de donde se tiene la igualdad de
resultados.
8.3.1. F ormulas de Newton-Cotes
Las f ormulas de Newton-Cotes son f ormulas cerradas construidas del modo si-
guiente.
Sea n > 0, y sea x
0
= a, h =
ba
n
, x
k
= x
0
+ kh, k = 0, 1, . . . , n. Sea
L
n
(x) el polinomio de interpolaci on de Lagrange sobre los nodos x
0
, x
1
, . . . , x
n
.
Para obtener la correspondiente f ormula de cuadratura bastar a obtener los valores
A
i
, para lo cual efectuaremos el cambio de variable x = x
0
+ th, as dx = hdt y
x
i
= x(i), i = 0, 1, . . . , n. De este modo
A
i
=
b
a
i
(x)dx =
n
0
i
(x(t))hdt = h
n
0
i
(x(t))dt =
b a
n
n
0
i
(x(t))dt.
Por otra parte,
i
(x) =
(x x
0
) . . . .(x x
i1
)(x x
i+1
) . . . .(x x
n
)
(x
i
x
0
) . . . (x
i
x
i1
)(x
i
x
i+1
) . . . (x
i
x
n
)
,
y dado que
x x
k
= x
0
+ th (x
0
+ kh) = (t k)h
x
i
x
k
= x
0
+ ih (x
0
+ kh) = (i k)h,
se tiene
i
(x) =
th. . . .(t i + 1)h (t i 1)h. . . .(t n)h
ih. . . .h(h) . . . .(i n)h
=
= (1)
ni
t(t 1) . . . (t i + 1)(t i 1) . . . .(t n)
i!(n i)!
.
De este modo:
A
i
=
b a
n

i
,
i
= (1)
ni
n
0
t(t 1) (t i + 1)(t i 1) (t n)
i!(n i)!
dt,
donde los coecientes
i
son independientes del intervalo [a, b]. De este modo, es
posible rescribir la f ormula de cuadratura num erica como
b
a
f(x)dx =
b a
n
n
i=0
i
f(x
i
)
obteni endose una f ormula que depende del intervalo unicamente a trav es del factor
b a y de la posici on de los nodos, pero no de los factores
i
.
A continuaci on obtendremos de modo explcito las cuadraturas num ericas para el
caso particular n = 1 y n = 2.
2009/2010
186 c UJI
180
F ormula del trapecio
La cuadratura de Newton-Cotes con n = 1 recibe el nombre de f ormula del
trapecio. Para determinar la f ormula del trapecio bastar a determinar sus coecientes
0
,
1
. As:
0
= (1)
10
1
0
t 1
0!1!
dt =
1
0
(t 1)dt =
t
2
2
t
1
0
=
1
2
1
=
1
2
1
= (1)
11
1
0
t
1!0!
dt =
1
0
tdt =
t
2
2
1
0
=
1
2
,
De este modo se tiene
T(f(x), a, b) = (b a)
1
2
f(x
0
) +
1
2
f(x
1
)
,
o lo que es equivalente
T(f(x), a, b) =
b a
2
[f(a) + f(b)] .
F ormula de Simpson
A continuaci on se aborda el estudio de la f ormula de Newton-Cotes de orden 2
o f ormula de Simpson. Al igual que antes deberemos obtener los valores de
0
,
1
,
y
2
; as:
0
= (1)
20
2
0
(t 1)(t 2)
0!2!
dt =
1
2
2
0
(t
2
3t + 2)dt =
1
2
t
3
3

3
2
t
2
+ 2t
2
0
=
=
1
2
8
3

12
3
+ 2
=
1
3
,
1
= (1)
21
2
0
t(t 2)
1!1!
dt =
2
0
(t
2
2t)dt =
t
3
3
t
2
2
0
=
8
3
4
=
4
3
,
2
= (1)
22
2
0
t(t 1)
2!0!
dt =
1
2
2
0
(t
2
t)dt =
1
2
t
3
3

t
2
2
2
0
=
1
2
8
3
2
=
1
3
,
de donde resulta
S(f(x), a, b) =
b a
2
1
3
f(x
0
) +
4
3
f(x
1
) +
1
3
f(x
2
)
,
o lo que es equivalente
S(f(x), a, b) =
b a
6
f(a) + 4f(
a + b
2
) + f(b)
.
.
2009/2010
187 c UJI
181
8.4. F ormulas compuestas
Para aumentar la precisi on de las f ormulas de cuadratura num erica de Newton-
Cotes una soluci on consiste en dividir el intervalo [a, b] en subintervalos mas pe-
que nos, aplicar en cada uno de ellos una f ormula de cuadratura num erica y sumar
los resultados; as se tienen las f ormulas compuestas del trapecio y de Simpson.
8.4.1. F ormula del trapecio compuesta
Sea la integral

b
a
f(x)dx, y sea n > 1. Sea h =
ba
n
y sea x
k
= x
0
+ k h donde
x
0
= a, k = 0, 1, . . . , n. Entonces, se tiene que
b
a
f(x)dx =
n1
k=0
x
k+1
x
k
f(x)dx
n1
k=0
x
k+1
x
k
2
[f(x
k
) + f(x
k+1
)] ,
y por tanto:
b
a
f(x)dx
h
2
f(x
0
) + 2
n1
k=1
f(x
k
) + f
(
x
n
)
,
b
a
f(x)dx
b a
2n
f(a) + 2
n1
k=1
f
a + k
b a
n
+ f(b)
.
lo que constituye la f ormula del trapecio compuesta.
Ejemplo 8.4.1
Aproximar mediante la regla del trapecio compuesto con n = 2 y n = 4 el valor de
la integral

1
0
sen (x
2
)dx. Utilizar cuatro decimales en los c alculos.
1. Para n = 2 se tiene: h = 0.5, x
0
= 0, x
1
= 0.5, x
2
= 1, por tanto:
1
0
sen (x
2
)dx
1 0
4
sen 0
2
+ 2 sen 0.5
2
+ sen 1
2
esto es,
1
0
sen (x
2
)dx 0.25(0+2 sen 0.25+sen 1) = 0.25(0+2 0, 2474+0.8415)
1
0
sen (x
2
)dx 0.3341 .
2. Para n = 4 se tiene: h = 0.25, x
0
= 0, x
1
= 0.25, x
2
= 0.5, x
3
= 0.75, y
x
4
= 1, por tanto:
1
0
sen (x
2
)dx
1 0
8
sen 0
2
+ 2 sen 0, 25
2
+ 2 sen 0.5
2
+ 2sen 0.75
2
+ sen 1
2
.
2009/2010
188 c UJI
182
esto es
1
0
sen (x
2
)dx 0.25(0+2 sen 0.0625+2sen 0.25+2 sen 0.5625+sen 1) = 0.3160 .
El valor verdadero de la integral con cuatro cifras es
1
0
sen (x
2
)dx = 0.3103 .
8.4.2. F ormula del Simpson compuesta

Sea la integral

b
a
f(x)dx, y sea n > 1, y sea h =
ba
2n
sea x
k
= x
0
+ k h donde
x
0
= a, k = 0, 1, . . . , 2n. Entonces se tiene
b
a
f(x)dx =
n1
k=0
x
2k+2
x
2k
f(x)dx
n1
k=0
x
2k+2
x
2k
6
[f(x
2k
) + 4f(x
2k+1
) + f(x
2k+2
)] ,
y por tanto:
b
a
f(x)dx =
b a
6n
f(x
0
) + 4
n1
k=0
f(x
2k+1
) + 2
n1
k=1
f(x
2k
) + f(x
2n
)
,
lo que constituye la f ormula de Simpson compuesta.
Ejemplo 8.4.2
Evaluar mediante la f ormula de Simpson compuesta con n = 2 la integral
1
0
sen (x
2
)dx.
Utilizar cuatro decimales en los c alculos.
Para n = 2, se tiene: h = 0.25, x
0
= 0, x
1
= 0.25, x
2
= .5, x
3
= .75, x
4
= 1.00,
por tanto:
1
0
sen (x
2
)dx
1 0
12
sen 0
2
+ 4 sen 0, 25
2
+ 4 sen 0.75
2
+ 2 sen 0.5
2
+ sen 1
2
,
esto es
1
0
sen (x
2
)dx 0, 0833(0+4 sen 0.0625+4 sen 0.5625+2 sen 0.25+sen 1) = 0.3098 .
N otese que este resultado ha requerido la evaluaci on de la funci on f(x) = sen (x
2
)
en cinco puntos, las mismas que en el caso del trapecio compuesto con n = 4,
siendo en este caso, mayor la precisi on alcanzada.
2009/2010
189 c UJI
183
8.5. Cuadraturas gaussianas
Las f ormulas de Newton-Cotes forman parte de las denominadas f ormulas ce-
rradas; estas f ormulas eval uan la funci on sobre un conjunto de nodos igualmente
espaciados.
Si se eliminan las restricciones x
0
= a, x
n
= b, y x
k
= x
0
+ k
ba
n
, es posible
encontrar f ormulas de cuadratura num erica de la forma
b
a
f(x)dx =
n
k=0
k
f(x
k
)
de modo que sean exactas para polinomios de hasta grado 2n1. Para lograr tal n
se requiere que se satisfagan las igualdades
b
a
n
k
dx =
n
k=0
k
x
k
, k = 0, 1, . . . , 2n 1,
lo que equivale a que se satisfagan las igualdades
n
k=0
k
x
k
=
(b a)
k+1
k + 1
, k = 0, 1, . . . , 2n 1.
Para lograr este prop osito puede resolverse directamente el sistema anterior, obte-
ni endose de el los valores de
i
y de x
i
.
Ejemplo 8.5.1
Encontrar una f ormula de cuadratura num erica de la forma
b
a
f(x)dx = (b a)f(x
0
)
exacta para polinomios de grado uno.
La f ormula debe ser exacta para f(f) = 1 y para f(x) = x. As, se tiene que
(b a) = (b a), (b a)x
0
=
b
2
a
2
2
.
De la primera de dichas ecuaciones se tiene que = 1, y de la segunda (b a)x
0
=
b
2
a
2
2
=
(ba)(b+a)
2
de donde x
0
=
a+b
2
.
As, la f ormula

b
a
f(x)dx (b a)f
a + b
2
s olo requiere una evaluaci on de la funci on y es exacta para polinomios hasta grado
uno.
2009/2010
190 c UJI
184
8.5.1. Polinomios de Legendre
El m etodo seguido en el ejemplo anterior se complica extraordinariamente al
crecer n. Por ello es preferible seguir una va alternativa, la cual est a basada en las
propiedades de los llamados polinomios de Legendre. Los polinomios de Legendre
aparecen al tratar de obtener el valor del inverso de un lado de un tri angulo en
funci on de los otros dos, de longitudes r, r
y del angulo comprendido entre ellos.

r
En el citado tri angulo se satisface la relaci on
2
= r
2
+ r
2
2rr
cos ,
y por tanto:
1
=
1
r
2
+ r
2
2rr
cos
.
Sea r < r
y sea t =
r
r
, x = cos . Entonces se verica que

1
=
1
r
1 + t
2
2tx
La funci on
G(t, x) =
1
1 + t
2
2tx
,
para un x jo 1 x 1, puede desarrollarse en serie de potencias de t como
G(t, x) =
n=0
t
n
P
n
(x),
donde los P
n
(x) son los coecientes de Taylor del desarrollo, los cuales vienen
dados por
P
n
(x) =
1
n!
d
n
dt
n
1 + t
2
2tx
t=0
.
2009/2010
191 c UJI
185
Denici on 8.5.1
Llamamos polinomios de Legendre a los coecientes del desarrollo en serie de
Taylor respecto a la variable t alrededor de t = 0, denot andose por P
n
(x) al coe-
ciente de t
n
en dicho desarrollo. La funci on G(t, x) se denomina funci on genera-
triz de los polinomios de Legendre.
Teorema 8.5.1
Las funciones P
n
(x) son polinomios de grado n dados por P
0
(x) = 0, P
1
(x) = x,
(n + 1)P
n+1
(x) (2n + 1)xP
n
(x) + nP
n1
(x) = 0, n 1.
Dem:
Para n = 0 se tiene que P
0
(x) = G(0, x) = 1. Para n = 1 se verica
P
1
(x) =
d
dt
1 + t
2
2tx
t=0
=
1
2
2t 2x
1 + t
2
2tx
t=0
= x.
Para obtener los valores de P
n
(x) con n > 1, se deriva con respecto a t la igualdad
1
1 +t
2
2tx
=
n=0
t
n
P
n
(x)
obteni endose
x t
(
1 + t
2
2tx)
3
=
n=1
nt
n1
P
n
(t),
x t
1 + t
2
2tx
G(t, x) =
n=1
nt
n1
P
n
(t),
de donde
(x t)
n=0
t
n
P
n
(x) = (1 + t
2
2tx)
n=1
nt
n1
P
n
(t),
n=0
t
n
xP
n
(x)
n=0
t
n+1
P
n
(x) =
n=1
nt
n1
P
n
(t)+
n=1
nt
n+1
P
n
(t)
n=1
2nt
n
xP
n
(x),
n=0
t
n
xP
n
(x)
n=1
t
n
P
n1
(x) =
=
n=0
(n + 1)t
n
P
n+1
(t) +
n=2
(n 1)t
n
P
n1
(t)
n=1
2nt
n
xP
n
(x).
As, para n = 0 se verica P
1
(x) = xP
0
(x), para n = 1, 2P
2
(x) = 3P
1
(x) P
0
(x)
y, para n > 1:
(n + 1)P
n+1
(2n + 1)xP
n
(x) + nP
n1
(x) = 0, n > 1,
relaci on que tambi en se verica, tal como se ha visto anteriormente para n = 1.
A partir de estas relaciones se tiene de modo inmediato que P
n
(x) es un polino-
mio de grado n.
2009/2010
192 c UJI
186
Denici on 8.5.2
Se dice que un conjunto de funciones {f
n
(x)}
nI
son ortogonales en un intervalo
[a, b] con respecto a una funci on de peso (x) > 0, x ]a, b[ si n, m I, n = m,
se verica la igualdad

b
a
f
n
(x)f
m
(x)(x)dx = 0.
Ejemplo 8.5.2
Los polinomios de Tchevichev T
n
(x) son ortogonales en [1, 1] con respecto al
peso =
1
1x
2
, pues si n = m se verica que
1
1
T
n
(x)T
m
(x)
dx
1 x
2
= 0,
donde consideraremos n > m.
En efecto, sea x = cos t, entonces, se tiene que t = arccos x de donde dt =
dx
1x
2
, y t [0, ]. Por otra parte:
T
n
(x) = T
n
(cos t) = cos(narccos (cos t)) = cos nt,
as se tiene que
1
1
T
n
(x)T
m
(x)
dx
1 x
2
=
1
1
T
n
(x)T
m
(x)
dx
1 x
2
=

0
cos nt cos mtdt =
=

0
1
2
[cos(n + m)t + cos(n m)x]dx =
=
1
2(n + m)
sen (n + m)x
0
+
1
2(n m)
sen (n m)x
0
= 0.
Teorema 8.5.2
Los polinomios de Legendre son ortogonales en el intervalo [1, 1] con respecto al
peso (x) = 1.
Dem:
Consid erese el producto de funciones generatrices
G(t, x)G(s, x) =
n=0
P
n
(x)t
n
m=0
P
m
(x)s
m
.
Por tanto:
G(t, x)G(s, x) =
n=0
m=0
P
n
(x)P
m
(x)t
n
s
m
.
Integrando ambos miembros con respecto a x en [1, 1] se tiene
1
1
G(t, x)G(s, x)dx =
1
1
n=0
m=0
P
n
(x)P
m
(x)t
n
s
m
dx,
2009/2010
193 c UJI
187
de donde
1
1
G(t, x)G(s, x)dx =
n=0
m=0
1
1
[P
n
(x)P
m
(x)dx]
t
n
s
m
.
La primitiva correspondiente a la integral del primer miembro viene dada por
1
1
G(t, x)G(s, x)dx =
1
t s
log[
s(1 + t
2
2t x) +
t(1 + s
2
2s x)],
y por tanto:
1
1
G(t, x)G(s, x)dx =
1
t s
log
(1 + t)
s + (1 + s)
t
(1 t)
s + (1 s)
t
,
de donde
1
1
G(t, x)G(s, x)dx ==
1
t s
log
(
t +
s)(1 +
t s
(
t +
s)(1
t s
.
Finalmente,

1
1
G(t, x)G(s, x)dx =
1
t s
log
1 +
t s
1
t s
Sea la funci on f(z) =
1
z
log
1+z
1z
. Si |z| < 1 se tiene que
1
z
log
1 + z
1 z
= 2
n=0
z
2n
2n + 1
,
y por tanto:

1
1
G(t, x)G(s, x)dx = 2
n=0
t
n
s
n
2n + 1
.
El desarrollo asint otico de una funci on es unico; por tanto, para n = m, debe veri-
carse

1
1
P
n
(x)P
m
(x)dx = 0.
Teorema 8.5.3
Sea P
n
(x) el polinomio de Legendre de grado n. Entonces

1
1
[P
n
(x)]
2
dx =
2
2n+1
.
Dem:
En el teorema anterior se tiene que los desarrollos asint oticos tambi en deben
coincidir cuando n = m; as, se tiene que

1
1
[P
n
(x)]
2
dx =
2
2n+1
.
Teorema 8.5.4
Sea P
n
(x) el polinomio de Legendre de grado n y sea Q(x) un polinomio de grado
m < n. Entonces

1
1
Q(x)P
n
(x) = 0.
2009/2010
194 c UJI
188
Dem:
Los polinomios de Legendre {P
0
(x), P
1
(x), . . . , P
m
(x)} constituyen una base
del espacio vectorial de los polinomios de grado menor o igual que m. Por tanto,
existen escalares
0
, . . . ,
m
de modo que Q(x) =
m
i=0
1
P
i
(x). De este modo, se
tiene que
1
1
Q(x)P
n
(x) =
1
1
m
i=0
i
P
i
(x)P
n
(x)dx =
m
i=0
1
1
P
i
(x)P
n
(n)dx = 0,
pues dado que i < m, por 8.5.1 se tiene que

1
1
P
i
(x)P
n
(n)dx = 0 de donde se
sigue el resultado.
Teorema 8.5.5
Sean los nodos 1 x
1
< x
2
< < x
n
b y sea P
n
(x) el polinomio de
Legendre de grado n. Entonces, el conjunto
B = {
1
(x), . . . ,
n
(x), P
n
(x), xP
n
(x), . . . , x
n1
P
n
(x)},
donde {
1
(x), . . . ,
n
(x)} son las funciones de base de la interpolaci on de Lagrange
sobre los nodos x
1
, . . . , x
n
constituye una base del espacio vectorial de los polino-
mios de grado menor o igual que 2n 1.
Dem:
Sea
1
, . . . ,
n
R y sea
0
, . . . ,
n1
R de modo que
n
i=1
i
(x) +
n1
i=0
1
x
i
P
n
(x) = 0.
En la expresi on anterior el unico t ermino de grado 2n1 procede de
n1
x
n1
P
n
(x).
Por tanto,
n1
= 0. Supongamos que
n1
= =
nk
= 0 con k < n. Enton-
ces,
n
i=1
i
(x) +
n1
i=0
1
x
i
P
n
(x) =
n
i=1
i
(x) +
nk1
i=0
1
x
i
P
n
(x) = 0.
El t ermino de mayor grado 2nk 1 unicamente puede proceder de x
nk1
P
n
(x)
por tanto,
nk1
= 0. De este modo se tiene que
i
= 0, i = 0, . . . , n1. Entonces,
se tiene que
n
i=1
i
(x) = 0, pero en este caso se tiene que
i
= 0 pues el conjunto
de funciones de base de la interpolaci on de Lagrange es linealmente independiente.
Finalmente, puesto que el cardinal del conjunto B es igual a la dimensi on del
espacio vectorial, la cual es igual a 2n, se tiene que B es una base del espacio
vectorial de los polinomios de grado menor o igual que 2n 1.
2009/2010
195 c UJI
189
8.5.2. F ormulas de cuadratura de Gauss
A partir del teorema anterior se puede construir un conjunto de f ormulas de
cuadratura num erica en el intervalo [a, b], llamadas cuadraturas gaussianas, del si-
guiente modo:
Sea P
n
(x) el polinomio de Legendre de grado n > 1 y sean 1 < x
1
< x
2
<
< x
n
< 1 sus races. Sea f : [1, 1] Runa funci on y L
n
(x) =
n=1
i
(x)f(x
i
)
su polinomio de interpolaci on construido sobre los nodos x
1
, x
2
, . . . , x
n
G(f, n) =
1
1
L
n
(x)dx =
n
i=1
i
f(x
i
),
i
=
1
1
i
(x)dx,
lo que constituye la f ormula de integraci on gaussiana de n nodos.
Teorema 8.5.6
La f ormula de integraci on gaussiana de n es exacta para polinomios hasta grado
2n 1.
Dem:
Sea Q
k
(x) un polinomio de grado k menor que 2n 1. Sean x
1
< < x
n
las races del polinomio de Legendre de grado n y sea {
i
(x)}
n
i=1
el conjunto de
funciones de base de la interpolaci on de Lagrange sobre los nodos x
1
, . . . , x
n
, y sea
P
n
(x) el polinomio de Legendre de grado n.
Puesto que el conjunto {
1
(x), . . . ,
n
(x), P
n
(x), xP
n
(x), . . . , x
n1
P
n
(x)} cons-
tituye una base del espacio vectorial de los polinomios de grado menor o igual que
2n 1, se tiene que existe un unico conjunto de coecientes
1
, . . . ,
2n
de modo
que
Q
k
(x) =
n
i=1
i
(x)Q
k
(x
i
) +
n
i=1
n+i
x
i1
P
n
(x).
Integrando ambos miembros se tiene
1
1
Q
k
(x)dx =
1
1
i=1
i
(x)Q
k
(x
i
) +
n
i=1
n+i
x
i1
P
n
(x)
dx.
por otra parte se tiene que
Q
k
(x
j
) =
n
i=1
i
(x
j
)Q
k
(x
i
) +
n
i=1
n+i
x
i1
j
P
n
(x
j
) =
j
,
pues
i
(x
j
) =
i,j
donde
i,j
es la de Kronecher y P
n
(x
j
) = 0 pues los nodos son
las races de P
n
(x). De este modo, se tiene que
1
1
Q
k
(x)dx =
n
i=1
i
Q
k
(x
i
) +
n
i=0
1
1
x
i1
P
n
(x)dx.
2009/2010
196 c UJI
190
Por otra parte, se tiene por 8.5.1 que
1
1
x
i1
P
n
(x)dx = 0, de donde
1
1
Q
k
(x)dx =
n
i=1
i
Q
k
(x
i
) = G(Q
k
(x), n).
Cuando la integraci on se realiza en un intervalo arbitrario [a, b], la integraci on

puede reducirse al intervalo [1, 1] mediante la transformaci on x =
ab
2
t +
a+b
2
. De
este modo se tiene que dx =
ba
2
dt. As
b
a
f(x)dx =
b a
2
1
1
f
a b
2
t +
a + b
2
dt,
por tanto, si t
1
, t
2
, . . . , t
n
son las races del polinomio de Legendre de grado n, se
tiene la f ormula de cuadratura gaussiana:
G(f, a, b, n) =
b a
2
n
i=1
i
f(
a b
2
t
i
+
a + b
2
,
i
=
1
1
i
(x)dx.
Ejemplo 8.5.3
Obtener la cuadratura gaussiana de tres nodos. Aproximar mediante ella el valor de
la integral
1
0
sen (x
2
)dx (utilizar cuatro decimales en las aproximaciones).
En primer lugar, debe determinarse el valor del polinomio de Legendre P
3
(x),
lo cual se har a sabiendo que P
0
(x) = 1, P
1
(x) = x, y de la relaci on de recurrencia
(n + 1)P
n+1
(x) (2n + 1)xP
n
(x) + nP
n1
(x) = 0, n 1, a partir de la cual es
f acil obtener P
2
(x) =
3x
2
1
2
, P
3
(x) =
5x
3
3x
2
.
Los nodos ser an las races de la ecuaci on P
3
(x) = 0, esto es x
1
=
3
5
, x
2
= 0,
x
3
=
3
5
. A partir de estos valores se tiene que:
1
(x) =
x
3
5
3
5
3
5
=
5
6
x
3
5
2
(x) =
3
5
3
5
3
5
3
5
=
5
3
x
2
3
5
3
(x) =
x +
3
5
3
5
3
5
=
5
6
x
3
5
,
Integrando, se obtiene:
1
=
1
1
5
6
x
3
5
dx =
5
9
2009/2010
197 c UJI
191
2
=
1
1
5
3
x
2
3
5
=
8
9
3
=
1
1
5
3
x
3
5
=
5
9
,
y por tanto, se tiene la f ormula de cuadratura gaussiana de tres nodos:
b
a
f(x)dx =
b a
2
5
9
f
a + b
2

b a
2
3
5
+
8
9
f
a + b
2
+
+
5
9
f
a + b
2
+
b a
2
3
5
.
Aplicando la f ormula anterior se tiene que
1
0
sen x
2
dx
1
2
5
9
sen
1
2

1
2
3
5
2
+
8
9
sen
1
2
2
+ sen
1
2
+
1
2
3
5
,
esto es
1
0
sen x
2
dx
1
2
5
9
sen 0.0127 +
8
9
sen .2500 +
5
9
sen 0.7873
= 0.3103 .
N otese que el valor verdadero de la integral es 0.3103, por tanto mediante el uso
de una cuadratura gaussiana de tres nodos se alcanza el verdadero con precisi on de
10
4
.

2009/2010
198 c UJI
192
Tema 9
Integraci on de ecuaciones
diferenciales
9.1. Introducci on
En el presente captulo se aborda el estudio del problema de la integraci on de
ecuaciones diferenciales ordinarias, tanto a partir de condiciones iniciales como en
el caso de condiciones de contorno.
El problema m as sencillo es el de condici on inicial, el cual se plantea en su
versi on m as simple en los siguientes t erminos:
obtener una funci on y(x) de modo que
(x) = f(x, y), x [a, b]

y(a) = y
0
Este problema puede ser resuelto bajo ciertas condiciones de modo analtico, si bien
en la mayor parte de los casos no es posible obtener una soluci on del mismo en una
forma cerrada.
Los m etodos num ericos para resolver este problema dividen el intervalo [a, b] en
un determinado n umero de subintervalos [x
i1
, x
i
], i = 1, . . . , n de modo que a =
x
0
< x
1
< < x
n
= b. Estos m etodos se clasican en m etodos de pasos libres y
m etodos de pasos ligados. Los m etodos de pasos libres obtienen aproximaciones a
y(x
i+1
) a partir de un unico valor y(x
i
). Los m etodos de pasos ligados obtienen sus
aproximaciones a y(x
i+k
) a partir de los valores y(x
i
), y(x
i+1
), . . . , y(x
i+k1
).
La soluci on en un punto cualquiera del intervalo [a, b] puede ser obtenida a partir
de la tabla {x
i
, y(x
i
))}
n
i=0
mediante un adecuado proceso de reconstrucci on como
puede ser la interpolaci on.
Los llamados problemas de contorno se abordar an de modo somero dado que
por limitaciones de este curso no es posible profundizar en ellos. A este n se esbo-
zar an los m etodos de tiro y los m etodos de diferencias.
2009/2010
200 c UJI
193
9.2. M etodos de pasos libres
Sea el siguiente problema: dada la ecuaci on diferencial y
(x) = f(x, y), x

[a, b] con y(a) = y
0
, encontrar una funci on y C
1
([a, b]) de modo que se satisfaga
la ecuaci on y la condici on inicial. Los m etodos de pasos libres pretenden obtener
una aproximaci on a y(a + h) mediante una funci on Y (a, h, y
a
, f).
Entre los m etodos de pasos libres m as utilizados est an los m etodos de Taylor, y
sobre todo los m etodos de Runge-Kutta.
9.2.1. M etodos de Taylor
Los m etodos de Taylor est an basados en aproximar la soluci on de la ecuaci on
diferencial mediante el desarrollo en serie de Taylor de la funci on y(x). Dentro de
los m etodos de Taylor podemos distinguir los m etodos explcitos, los cuales pro-
porcionan directamente y(x +h) y los m etodos implcitos, los cuales proporcionan
una ecuaci on que debe satisfacer y(x + h).
Si f es sucientemente derivable, se tiene que
y(x+h) = y(x)+y
(x)h+
y
(x)
2
h
2
+ +
y
k)
(x)
k!
h
k
+
y
k+1)
(x + h)
(k + 1)!
h
k+1
, ]0, 1[,
donde las derivadas y
k)
(x) pueden ser calculadas a partir del esquema
y
(x) = f(x, y)
y
(x) =
f
x
+
f
y
dy
dx
=
f
x
+ f
f
y
.
Introduciendo el operador
D =

x
+ f

y
,
y la notaci on simb olica
D
n
=
f
x
+ f
f
y
n
,
se tiene que y
k+1)
(x) = D
k
f.
9.2.2. M etodos de Taylor explcitos
Los m etodos de Taylor explcitos de orden k consisten en desarrollar la funci on
y(x) alrededor del punto x
i
para obtener, a partir de este desarrollo, el valor de
y(x
i
+ h) mediante una serie de Taylor truncada en orden k + 1. As, para una
ecuaci on diferencial y
= f(x, y) con condici on inicial y(x

0
) = y
0
, la f ormula de
integraci on
y
i+1
= y
i
+ y
i
h +
1
2
y
i
h
3
+ +
1
k!
y
k)
i
h
k
, y
k)
i
=
d
k
y
dx
k
x=x
i
.
2009/2010
201 c UJI
194
Ejemplo 9.2.1
Integrar en el intervalo [0, 1] mediante un m etodo de Taylor explcito de orden 3 la
ecuaci on diferencial y
= y
2
sen xe
x
, y(0) = 1. Efectuar la integraci on mediante
un paso h = 1, mediante un paso h = 0.5 y mediante un paso h = 0.25.
En primer lugar, debe obtenerse la f ormula de cuadratura; as, aplicando sobre
y
k)
el operador D =

x
+ (y
2
sen xexp x)

y
se obtiene
y
= y
2
sen xe
x
y
= 2e
2x
y
3
sen
2
x + e
x
y
2
cos x e
x
y
2
sen x
y
= 4e
2x
y
3
sen
2
x + 4e
2x
y
3
cos xsen x 2e
x
y
2
cos x+
+ e
x
sen x
6e
2x
y
2
sen
2
x 2e
x
ysen x + 2e
x
y cos x
y
2
y
i+1
= y
i
+ y
2
i
sen x
i
e
x
i
h +
1
2
y
2
i
2e
2x
i
y
1
sen
2
x
i
+ e
x
i
cos x
i
e
x
i
sen x
i
h
2
+
+
1
6
4e
2x
i
y
3
i
sen
2
x
i
+ 4e
2x
i
y
3
i
cos x
i
sen x
i
2e
x
i
y
2
i
cos x
i
+
+e
x
i
sen x
i
6e
2x
i
y
2
i
sen
2
x
i
2e
x
i
y
i
sen x
i
+ 2e
x
i
y
i
cos x
i
y
2
i
h
3
1. Paso h = 1.0 x
0
= 0, x
1
= 1. Aplicando la f ormula anterior se obtiene
y
1
= 1.16667.
2. Paso h = 0.5 x
0
= 0, x
1
= 0.5, x
2
= 1. Aplicando la f ormula anterior se
obtiene en primer lugar y
1
= 1.08333, y volviendo a aplicar y
2
= 1.30563
3. Paso h = 0.25. En este caso se tiene
i 0 1 2 3 4
x
i
0.00 .25 .50 .75 1.00
y
i
1.0000 1.0260 1.0956 1.1975 1.3238
El verdadero valor con cuatro cifras es y = 1.3259, el cual se alcanza con un paso
de h = 0.1.
9.2.3. M etodos de Taylor implcitos
Los m etodos de Taylor implcitos de orden k consisten en desarrollar la funci on
y(x) alrededor del punto x
i+1
para obtener a partir de este desarrollo una ecuaci on,
la cual debe ser resuelta para poder obtener a partir de ella el valor de y(x
i
+h). La
ecuaci on se obtiene a partir de una serie de Taylor truncada en orden k + 1. En este
caso a partir del desarrollo:
y
i
= y
i+1
y
i+1
h +
1
2
y
i+1
h
2
1
6
y
i+1
h
3
+ + (1)
k
1
k!
y
k)
i+1
h
k
,
se obtiene la f ormula de integraci on
y
i+1
= y
i
+ y
i+1
h
1
2
y
i+1
h
2
+
1
6
y
i+1
h
3
+ + (1)
k+1
1
k!
y
k)
i+1
h
k
,
2009/2010
202 c UJI
195
lo que dados los valores de x
i
, y
i
, h proporciona una ecuaci on en y
i+1
de la forma
y
i+1
= (x
i
, y
i
, h, y
i+1
), la cual se debe resolver. Un procedimiento para resol-
ver esta ecuaci on consiste en tomar una aproximaci on inicial dada por una f ormula
explcita, para a continuaci on utilizar la ecuaci on del m etodo implcito de modo
iterativo hasta alcanzar la soluci on de esta con suciente precisi on; caso de no dis-
poner de tal f ormula y ser el paso sucientemente peque no, se puede tomar y
i
como
aproximaci on inicial.
Ejemplo 9.2.2
Integrar con paso h = 1 la ecuaci on del ejemplo anterior.
La f ormula de cuadratura resultante es
y
i+1
= y
i
+
1
2
y
2
i+1
2e
2x
i+1
y
1
sen
2
x
i+1
e
x
i+1
cos x
i+1
e
x
i+1
sen x
i+1
h
2
+
+
1
6
4e
2x
i+1
y
3
i+1
sen
2
x
i+1
+ 4e
2x
i+1
y
3
i+1
cos x
i+1
sen x
i+1
2e
x
i+1
y
2
i+1
cos x
i+1
+
+e
x
i+1
sen x
i+1
6e
2x
i+1
y
2
i+1
sen
2
x
i+1
2e
x
i+1
y
i+1
sen x
i+1
+ 2e
x
i+1
y
i+1
cos x
i+1
y
2
i+1
h
3
Teniendo en cuenta que y
0
= 1, x
1
= 1, y tomando como primera iteraci on a y
1
el
valor y
1,0
= 1, se tiene
n 1 2 3 4 5 6 7 8 9
y
1,n
1.1982 1.2661 1.2910 1.3002 1.3037 1.3051 1.3055 1.3059 1.3059
Por tanto, y
1
1.3059, valor mucho mas pr oximo a la soluci on real que el propor-
cionado por el m etodo explcito
9.2.4. M etodos de Euler
A continuaci on se exponen dos m etodos de Taylor de primer orden, uno explci-
to y otro implcito llamados m etodos de Euler.
M etodo de Euler explcito
El m etodo de Taylor explcito de primer orden tambi en recibe el nombre de
m etodo de Euler explcito. Para el problema y
= f(x, y), x [a, b], y(a) = y

0
resulta para el mallado x
0
= a, h =
ba
n
, x
k
= x
0
+ k h, k = 0, . . . , n,
y
i+1
= y
i
+ f(x
i
, y
i
)h.
El error de truncamiento local de este m etodo viene dado por
y
()
2
h
2
, donde
[x
i
, x
i+i
]. Es por tanto un m etodo exacto para polinomios hasta grado uno.
2009/2010
203 c UJI
196
Ejemplo 9.2.3
Integrar la ecuaci on diferencial y
= x + y, entre 0 y 1 sabiendo que y(0) = 1..

Utilcese el m etodo explcito de Euler con paso h = 0.5 (utilizar dos cifras decima-
les).
En este caso se tiene que x
0
= 0.0, x
1
= 0.5, x
2
= 1.0. As:
y
1
= y
0
+ hf(x
0
, y
0
) = 1.00 + 0.50(0.00 + 1.00) = 1.50
y
2
= y
1
+ hf(x
1
, y
1
) = 1.50 + 0.50(0.50 + 1.50) = 2.50
La soluci on proporcionada por el m etodo de Euler explcito es y(1) 2.5.
N otese que en este caso la soluci on exacta es conocida y viene dada por y =
2e
x
x 1 y por tanto y(1) = 2e 2 = 3.4366.
M etodo de Euler implcito
El m etodo de Taylor implcito de primer orden tambi en recibe el nombre de
m etodo de Euler implcito. Para el problema y
= f(x, y), x [a, b], y(a) = y

0
resulta para el mallado x
0
= a, h =
ba
n
, x
k
= x
0
+ k h, k = 0, . . . , n
y
i+1
= y
i
+ f(x
i+1
, y
i+1
)h.
Ejemplo 9.2.4
= x + y, entre 0 y 1 sabiendo que y(0) = 1.0.

Utilcese el m etodo implcito de Euler con paso h = 0.5 (efectuar los c alculos con
dos cifras decimales).
0
= 0.0, x
1
= 0.5, x
2
= 1.0. As:
y
1
= y
0
+ 0.5f(0.5, y
1
)
Tomando como primera aproximaci on la dada por el m etodo de Euler explcito se
tiene
y
1,0
= y
0
+ hf(x
0
, y
0
) = 1.00 + .50(0.00 + 1.00) = 1.50,
de donde aplicando la f ormula iterativa
y
1,k+1
= y
0
+ 0.5f(0.5, y
1,k
),
se tiene
k 1 2 3 4 5 6 7 8
y
1,k
2.00 2.25 2.38 2.47 2.48 2.49 2.50 2.50
Para y
2
se tiene, en primer lugar, la aproximaci on inicial dada por el m etodo de
Euler explcito
y
2,0
= 2.50 + 0.50f(0.50, 2.50) = 4.25,
a partir de la cual se tiene
k 1 2 3 4 5 6 7 8
y
2,k
5.12 5.56 5.78 5.89 5.95 5.97 5.99 5.99
por tanto el m etodo de Euler implcito nos proporciona la soluci on y(1) 5.99.
2009/2010
204 c UJI
197
-m etodos
Los m etodos de Euler explcito e implcito pueden ser incluidos en los llamados
-m etodos. Sea [0, 1], un -m etodo es una combinaci on lineal convexa de un
m etodo explcito y de un m etodo implcito seg un los valores de un par ametro . As,
se tiene
y
i+1
= y
i
+ [f(x
i
, y
i
) + (1 )f(x
i+1
, y
i+1
)] h.
El error de truncamiento de estos m etodos viene dado por
E =
2
y
(
1
)
(1 )
2
y
(
2
)
h
2
,
1
,
2
]x
i
, x
i+1
].
Por tanto,
2
=
1
+ t h, t ] 1, 1[, a partir de lo cual
y
(
2
) = y
(
1
+ t h) = y
(
1
) + y
(
1
+ t h)h, ]0, 1[,
de donde
E =
2 1
2
y
(
1
)h
2
1
2
y
(
1
+ t h)h
3
,
el cual es de orden O(h
2
), excepto en el caso de =
1
2
en el cual O(h
3
). En este
ultimo caso el m etodo es exacto para polinomios hasta grado dos. El -m etodo
resulta para =
1
2
:
y
i+1
= y
i
+
1
2
[f(x
i
, y
i
) + f(x
i+1
, y
i+1
)] h.
Ejemplo 9.2.5

Utilcese un -m etodos con = 0.2 y paso h = 0.5.
Para = 0.2, se tiene:
y
1
= 1.0000 + 0.5 [0.2 f(0.00, 1.0000) + 0.8 f(0.50, y
1
)] ,
lo que resulta una ecuaci on implcita en y
1
. Tomando como aproximaci on inicial la
dada por el m etodo de Euler explcito, y
1,0
= 1.0 + 0.5 f(0.0, 1.0) = 1.5, se tiene:
n 1 2 3 4 5 6 7 8
y
1,n
1.500 1.900 2.060 2.124 2.150 2.160 2.164 2.166 2.166
a continuaci on, para y
2
, se tiene:
y
1
= 2.166 + 0.5 [0.2 f(0.50, 2.166) + 0.8 f(1.0, y
2
)] ,
ecuaci on implcita en y
2
. Tomando como aproxiamci on inicial y
2
= y
1
+0.5f(0.5, y
1
),
se tiene:
n 1 2 3 4 5 6 7 8 9
y
2,n
1.5 3.433 4.206 4.515 4.639 4.688 4.708 4.716 4.719 4.720
Por tanto y(1) = 4.720.

2009/2010
205 c UJI
198
M etodo del punto medio
Otra variante del m etodo de Euler es el llamado m etodo del punto medio, el cual
consiste en desarrollar tanto y
i
como y
i+1
alrededor del punto x
i
+
h
2
. Denotando
por x
i+
1
2
= x
i
+
h
2
, y por y
i+
1
2
= y(x
i+
1
2
) se tiene
y
i+1
= y
i+
1
2
+ f(x
i+
1
2
, y
i+
1
2
)
h
2
+
1
2
y
(
2
)
h
2
4
y
i
= y
i+
1
2
f(x
i+
1
2
, y
i+
1
2
)
h
2
+
1
2
y
(
1
)
h
2
4
,
restando ambas expresiones, se tiene
y
i+1
y
i
= f(x
i+
1
2
, y
i+
1
2
)h + [y
(
2
) y
(
1
)]
h
3
8
,
lo cual proporciona el llamado m etodo del punto medio
y
i+1
y
i
= f(x
i+
1
2
, y
i+
1
2
)h.
El valor de y
i+
1
2
puede ser aproximado mediante y
i+
1
2
= y
i
+
h
2
f(x
0
, y
0
).
El orden de dicho m etodo viene dado por
E = y
(
1
)
h
2
8
y
(
2
)
h
2
8
= y
()y
(
1
)
h
2
8
, ]m, M[,
donde m = mn{
1
, 2}, M = max{
1
,
2
}.
Puede observarse que el m etodo es de segundo orden, siendo en este caso la
constante multiplicativa menor que para el -m etodo con =
1
2
.
Ejemplo 9.2.6
= x + y, entre 0 y 1 sabiendo que y(0)1.0.

Utilcese el m etodo del punto medio con paso h = 0.5.
0
= 0.0, x
1
= 0.5, x
2
= 1.0; as,
y
1
= 1.0000 + .5000f[0.0000 + 0.2500, 1.0000 + 0.2500f(0.0000, 1.0000)] = 1.7500
y
2
= 1.7500 + .5000f[0.5000 + 0.2500, 1.7500 + 0.2500f(.50000, 1.7500)] = 3.2812
9.2.5. M etodos de Runge-Kutta

Los m etodos de Taylor presentan el inconveniente de tener la necesidad de eva-
luar derivadas de la funci on, lo cual al estar esta dada de forma implcita puede con-
ducir a elevar el orden de las f ormulas a desarrollos muy complicados. Los m etodos
de Euler son sencillos de implementar, pero presentan el inconveniente de requerir
un muy elevado n umero de pasos a un cuando la precisi on requerida en la soluci on
no sea excesivamente elevada.
2009/2010
206 c UJI
199
Los -m etodos utilizan la evaluaci on de la derivada en varios puntos, consi-
gui endose en algunos casos ( =
1
2
) elevar el orden del m etodo.
La idea principal de los m etodos de Runge-Kutta consiste en buscar aproxi-
maciones a la soluci on en puntos intermedios del intervalo [x
i
, x
i+1
] y utilizar una
combinaci on lineal de los valores de la derivada en varias de estas aproximaciones
para obtener un valor de y
i+1
exacto hasta orden p en h.
Sea la ecuaci on diferencial y
= f(x, y), y(x

0
) = y
0
y sea x
i
= x
0
+ i h con
h > 0. Para evaluar y(x
i+1
) una vez conocido el valor de y
i
se procede como sigue:
sean 0
1

2

r
1 y sea
1
, . . . ,
r
[0, 1] de modo que
r
i=1
i
= 1. Los m etodos de Runge-Kutta pretenden evaluar y
i+1
como
y
i+1
= y
i
+
r
i=1
i
k
i
,
donde
k
i
= hf(x
i
+
i
h, y
i
+
r
j=1
i,j
k
j
),
r
j=1
i,j
=
i
.
Los coecientes
i
,
i
,
i,j
, i, j = 1, . . . , r deben determinarse de modo que el
desarrollo en serie de Taylor de la aproximaci on y
i
+
r
i=1

i
k
i
coincida con el
desarrollo de y(x
i
+ h) hasta orden p en h.
Los m etodos de Runge-Kutta se clasican en explcitos, cuando los valores de k
i
pueden ser evaluados en funci on de k
1
, k
2
, . . . , k
i1
, e implcitos, cuando lo anterior
no es posible. En los m etodos explcitos, la matriz (
i,j
) satisface
i,j
= 0, i j.
En los m etodos implcitos debe resolverse en cada paso un sistema de ecuaciones
de la forma
k
1
= f(x
i
+
1
h, y
i
+
1,1
k
1
+
1,2
k
2
+ +
1,p
k
p
)
k
2
= f(x
i
+
2
h, y
i
+
2,1
k
1
+
2,2
k
2
+ +
2,p
k
p
)
=
k
p
= f(x
i
+
p
h, y
i
+
p,1
k
1
+
p,2
k
2
+ +
p,p
k
p
).
El proceso de obtenci on de los coecientes es costoso, por ello, dado que el pro-
cedimiento es el mismo, se expondr a unicamente los m etodos de Runge-Kutta de
orden dos con dos evaluaciones de la funci on.
M etodos de Runge-Kutta de orden dos con dos evaluaciones de la funci on
Sea el problema de condici on inicial para la ecuaci on diferencial y
= f(x, y)
con y(x
0
) = y
0
donde f(x, y) es una funci on de clase C
3
([a, b]) de modo que
x
0
[a, b], x
1
= x
0
+ h [a, b], h > 0. En estas condiciones se tiene que
y
1
= y
0
+
1
k
1
+
2
k
2
,
donde
k
1
= hf(x
0
+
1
h, y
0
+
1,1
k
1
+
1,2
k
2
)
k
2
= hf(x
0
+
2
h, y
0
+
2,1
k
1
+
2,2
k
2
).
2009/2010
207 c UJI
200
Desarrollando y(x
0
+ h) hasta orden dos en h se tiene
y(x
0
+ h) = y(x
0
) + y
(x
0
)h +
1
2
y
(x
0
)h
2
+ O(h
3
),
esto es
y(x
0
+h) = y(x
0
) +y
(x
0
)h+
1
2
f
x
(x
0
,y
0
)
h
2
+
1
2
f(x
0
, y
0
)
f
y
(x
0
,y
0
)
h
2
+O(h
3
).
Para desarrollar y
1
hasta orden dos, y puesto que k
1
, k
2
son de primer orden en h,
bastar a desarrollar f(x + x, y + y) hasta orden uno en x, y. As se tiene
f(x + x, y + y) = f(x, y) +
f
x
(x,y)
x +
f
y
(x,y)
y + O(h
2
)
Por tanto
k
1
= f(x
0
, y
0
)h +
f
x
(x
0
,y
0
)
1
h
2
+
f
y
(x
0
,y
0
)
(
1,1
k
1
+
1,2
k
2
) h + O(h
3
)
k
2
= f(x
0
, y
0
)h +
f
x
(x
0
,y
0
)
2
h
2
+
f
y
(x
0
,y
0
)
(
2,1
k
1
+
2,2
k
2
) h + O(h
3
).
En el segundo miembro de estas igualdades aparece k
1
, k
2
en t erminos de orden uno
en h, por tanto, para obtener los desarrollos en segundo orden bastar a aproximar en
orden uno k
1
, k
2
, esto es k
1
= k
2
= hf(x
0
, y
0
) de donde se tiene
k
1
= f(x
0
, y
0
)h +
f
x
(x
0
,y
0
)
1
h
2
+ f(x
0
, y
0
)
f
y
(x
0
,y
0
)
(
1,1
+
1,2
) h
2
+ O(h
3
)
k
2
= f(x
0
, y
0
)h +
f
x
(x
0
,y
0
)
2
h
2
+ f(x
0
, y
0
)
f
y
(x
0
,y
0
)
(
2,1
+
2,2
) h
2
+ O(h
3
).
Entonces, para y
1
se tiene
y
1
= y
0
+ (
1
+
2
)f(x
0
, y
0
)h + (
1
1
+
2
2
)
f
x
(x
0
,y
0
)
1
h
2
+
+ [
1
(
1,1
+
1,2
) + 2 (
2,1
+
2,2
)] f(x
0
, y
0
)
f
y
(x
0
,y
0
)
h
2
+ O(h
3
).
Por tanto, deben satisfacerse las igualdades
1
+
2
= 1
1
+
2
2
=
1
2
1
(
1,1
+
1,2
) +
2
(
2,1
+
2,2
) =
1
2
.
2009/2010
208 c UJI
201
Por razones de compatibilidad del sistema, y dado que la evaluaci on de la funci on
f(x, y) debe realizarse en un punto lo m as pr oximo posible a f(x, y(x)), se tiene
que
1,1
+
1,2
=
1
,
2,1
+
2,2
=
2
. Por tanto, debe vericarse
1
+
2
= 1
1
+
2
2
=
1
2
1,1
+
1,2
=
1
2,1
+
2,2
=
2
.
Ejemplo 9.2.7
Encontrar un m etodo de Runge-Kutta explcito de segundo orden con dos evalua-
ciones de la funci on en los puntos x
0
, x
1
.
Con las condiciones del enunciado, se tiene que
1
= 0,
2
= 1,
1,1
=
1,2
=
2,2
= 0, por tanto,
1,2
= 1,
1
=
1
2
,
2
=
1
2
. As, resulta
k
1
= hf(x
0
, y
0
)
k
2
= hf(x
0
+ h, y
0
+ k
1
)
y
1
= y
0
+
1
2
k
1
+
1
2
k
2
.
Este m etodo explcito de Runge-Kutta de segundo orden se conoce como m etodo
de Heun.
Ejemplo 9.2.8
Obtener un m etodo de Runge-Kutta explcito de segundo orden mediante dos eva-
luaciones de la funci on en los puntos x
0
, x
0
+
1
2
h.
En este caso resulta
1
= 0,
1
=
1
2
,
1,1
=
1,1
=
2,2
= 0,
2,1
=
1
2
,
1
= 0,
2
= 1, por tanto se tiene
k
1
= hf(x
0
, y
0
)
k
2
= hf(x
0
+
1
2
h, y
0
+
1
2
k
1
)
y
1
= y
0
+ k
2
.
Este m etodo explcito de Runge-Kutta de segundo orden se conoce como m etodo
del punto medio modicado.
M etodos de Runge-Kutta de orden superior
Los m etodos de Runge-Kutta de ordenes mayores se obtienen de modo similar
solo que con mucho m as esfuerzo, por esta raz on se omite su deducci on. A conti-
nuaci on se expone el m etodo de RungeKutta cl asico de cuarto orden, dado que es
el m as utilizado.
2009/2010
209 c UJI
202
M etodo de Runge-Kutta cl asico de cuarto orden
Este m etodo utiliza la evaluaci on de la funci on en los puntos x
i
, x
i
+
h
2
y x
i
+h.
As, se tiene
k
1
= hf (x
i
, y
i
)
k
2
= hf
x
i
+
h
2
, y
0
+
k
1
2
k
3
= hf
x
i
+
h
2
, y
0
+
k
2
2
k
2
= hf (x
i
+ h, y
0
+ k
3
)
y
i+1
= y
i
+
1
6
(k
1
+ 2 k
2
+ 2 k
3
+ k
4
) .
Ejemplo 9.2.9

Utilcese el m etodo de RungeKutta cl asico de cuarto orden con paso h = .5.
0
= 0, x
1
= 0.5, x
2
= 1.0; as:
x
i
y
i
k
1
k
2
k
3
k
4
y
i
+ 1
0.0 1.0000 0.5000 0.7500 0.8125 1.1563 1.7969
0.5 1.7969 1.1484 1.5606 1.6636 2.2302 3.4347
9.2.6. M etodos de pasos ligados

Los m etodos de pasos ligados son m etodos en los cuales se requiere el cono-
cimiento del valor de la funci on sobre un n umero k de nodos x
i
, x
i+1
, . . . , x
i+k1
para poder determinar el valor de la funci on en el nodo y
i+k
, lo que implica una re-
laci on funcional de la forma y
i+k
= (x
i
, h, y
i
, y
i+1
, . . . , y
i+k
, f). En el estudio que
aqu se presenta unicamente se abordar an los llamados m etodos lineales multipaso,
los cuales son m etodos de la forma
a
0
y
i
+ a
1
y
i+1
+ + a
k1
y
i+k1
+ a
k
y
i+k
= h(b
0
f
i
+ + b
k1
f
i+k1
+ b
k
f
i+k
,
donde a
k
= 0, |a
0
| + |b
0
| = 0, f
j
= f(x
j
, y
j
). Por conveniencia, en lo sucesivo se
tomar a a
k
= 1.
Un m etodo lineal multipaso se dice explcito cuando b
k
= 0 e implcito cuando
b
k
= 0. Un m etodo lineal multipaso se dice de orden n cuando la f ormula del
m etodo es exacta hasta orden n en h, lo cual implica que los desarrollos en serie de
Taylor de ambos miembros coinciden hasta orden n. Para obtener m etodos lineales
multipasos existen tres procedimientos fundamentales, los desarrollos en serie de
Taylor, la interpolaci on osculatoria y la integraci on num erica.
2009/2010
210 c UJI
203
Los m etodos lineales multipaso son f aciles de programar, pero presentan el in-
conveniente de necesitar de un m etodo de pasos libres de orden mayor o igual que
el para calcular los puntos y
1
, y
2
, . . . , y
k1
necesarios para iniciar el c alculo.
M etodos lineales multipaso obtenidos mediante desarrollo en serie
Sea un m etodo lineal de k pasos dado por la ecuaci on
a
0
y
i
+ a
1
y
i+1
+ + a
k1
y
i+k1
+ a
k
y
i+k
= h(b
0
f
i
+ + b
k1
f
i+k1
+ b
k
f
i+k
).
La condici on que debe cumplir para ser un m etodo de orden n es que los desarrollos
en serie de Taylor de ambos miembros coincidan hasta orden n. De este modo, se
obtiene un conjunto de ecuaciones para los coecientes a
i
, . . . , a
i+k1
, b
i
, . . . , b
i+k
las cuales deben ser satisfechas; caso de ser incompatibles no existira un m etodo
lineal multipaso de tales caractersticas.
Ejemplo 9.2.10
Encontrar un m etodo lineal de cuatro pasos explcito de orden cuatro.
El m etodo vendr a dado por la relaci on
a
0
y
i
+ a
1
y
i+1
+ a
2
y
i+2
+ a
3
y
i
+ 3 + y
i+4
= h(b
0
f
i
+ b
1
f
i+1
+ b
2
f
i+2
+ b
3
f
i+3
)
Los desarrollos en serie de Taylor y
i+1
, y
i+2
,y
i+3
hasta orden cuatro en h vienen
dados por
y
i+1
= y
i
+ y
i
h +
1
2
y
i
h
2
+
1
6
y
i
h
3
+
1
24
y
4)
i
h
4
+ O(h
5
)
y
i+2
= y
i
+ 2y
i
h + 2y
i
h
2
+
4
3
y
i
h
3
+
2
3
y
4)
i
h
4
+ O(h
5
)
y
i+3
= y
i
+ 3y
i
h +
9
2
y
i
h
2
+
9
2
y
i
h
3
+
27
8
y
4)
i
h
4
+ O(h
5
)
y
i+4
= y
i
+ 4y
i
h + 8y
i
h
2
+
32
3
y
i
h
3
+
32
3
y
4)
i
h
4
+ O(h
5
).
Por otra parte, se tiene que f
i
= y
i
y los desarrollos en serie de Taylor f
i+1
, f
i+2
,f
i+3
hasta orden tres en h son:
f
i+1
= y
i
+ y
i
h +
1
2
y
i
h
2
+
1
6
y
4)
i
h
3
+ O(h
4
)
f
i+2
= y
i
+ 2y
i
h + 2y
i
h
2
+
4
3
y
4)
i
h
3
+ O(h
4
)
f
i+3
= y
i
+ 3y
i
h +
9
2
y
i
h
2
+
9
2
y
4)
i
h
3
+ O(h
4
).
Por tanto, se tiene, igualando t erminos del mismo orden en el primer y segundo
2009/2010
211 c UJI
204
miembro del m etodo:
a
0
+ a
1
+ a
2
+ a
3
+ 1 = 0
a
1
+ 2a
2
+ 3a
3
+ 4 = b
0
+ b
1
+ b
2
+ b
3
1
2
a
1
+
4
3
a
2
+
2
3
a
3
+ 8 = b
1
+ 2b
2
+ 3b
3
1
6
a
1
+
2
3
a
2
+
9
2
a
3
+
32
3
=
1
2
b
1
+
4
3
b
2
+
2
3
b
3
1
24
a
1
+
2
3
a
3
+
27
8
a
3
+
32
3
=
1
6
b
1
+
2
3
b
2
+
9
2
b
3
.
En este sistema hay m as inc ognitas que ecuaciones, por tanto, se puede jar el valor
de algunas de ellas, haciendo a
0
= a
1
= a
2
= 0 se tiene que a
3
= 1. As:
1 0 0 0
0 1 2 3
0
1
2
2
9
3
0
1
6
4
3
9
2
b
0
b
1
b
2
b
3
1
7
2
37
6
175
24
,
y por tanto, b
0
=
9
24
, b
1
=
37
24
, b2 =
59
24
, b3 =
55
24
. Finalmente, la f ormula de
integraci on resulta:
y
i+4
= y
i+3
+
h
24
[9f
i
+ 37f
i+1
59f
i+2
+ 55f
i+3
]
Ejemplo 9.2.11
Encontrar un m etodo lineal de dos pasos implcito de orden cuatro. El m etodo
vendr a dado por la relaci on
a
0
y
i
+ a
1
y
i+1
+ y
i+2
= h(b
0
f
i
+ b
1
f
i+1
+ b
2
f
i+2
).
Desarrollando y
i+1
, y
i+2
, y
i+1
, y
i+2
hasta orden cuatro alrededor de x
i
, se tiene
y
i+1
= y
i
+ y
i
h +
1
2
y
i
h
2
+
1
6
y
i
h
3
+
1
24
y
4)
i
h
4
+ O(h
5
)
y
i+2
= y
i
+ 2y
i
h + 2y
i
h
2
+
4
3
y
i
h
3
+
2
3
y
4)
i
h
4
+ O(h
5
)
f
i+1
= y
i
+ y
i
h +
1
2
y
i
h
2
+
1
6
y
4)
i
h
3
+ O(h
4
)
f
i+2
= y
i
+ 2y
i
h + 2y
i
h
2
+
4
3
y
4)
i
h
3
+ O(h
4
),
por tanto, debe cumplirse
a
0
+ a
1
+ 1 = 0
a
1
+ 2 = b
0
+ b
1
+ b
2
1
2
a
1
+ 2 = b
1
+ 2b
2
1
6
a
1
+
4
3
=
1
2
b
1
+ 2b
2
1
24
a
1
+
2
3
=
1
6
b
1
+
4
3
b
2
,
2009/2010
212 c UJI
205
lo cual constituye un sistema lineal de cinco ecuaciones con cinco inc ognitas cuya
soluci on viene dada por a
0
= 1, a
1
= 0, b
0
=
1
3
, b
1
=
4
3
, b
2
=
1
3
; por tanto, se
tiene la f ormula
y
i+2
= y
1
+
h
3
[f
i
+ 4f
i+1
+ f
i+2
].
M etodos lineales multipaso obtenidos mediante integraci on num erica

Consid erese la ecuaci on diferencial y
= f(x, y) con la condici on inicial y(x

0
) =
y
0
y sea un mallado regular = {x
i
= x
0
+ i h : i Z}. Supongamos conoci-
da la funci on y(x) sobre los puntos x
i
, x
i+1
, . . . , x
i+k1
y sean y
i
, . . . , y
i+k1
sus
respectivos valores. Un m etodo alternativo para obtener m etodos lineales multipa-
so consiste en integrar la ecuaci on diferencial. Para ello, se procede a aproximar el
segundo miembro por un polinomio que interpole la funci on f(x, y). Si el conjunto
de nodos sobre los que se interpola no contiene al nodo x
i+k
, el m etodo resultante
ser a explcito, en caso contrario resultar a implcito.
M etodos explcitos
Sea la ecuaci on diferencial dada por y
= f(x, y) y sean conocidos los valores

de y
i
, y
i+1
, . . . , y
i+k1
. Sea x
i+r
con 0 r < k y consid erese
x
i+k
x
i+r
y
(x)dx =
x
i+k
x
i+r
f(x, y(x))dx.
Para evaluar la integral del segundo miembro se procede a sustituir f(x, y(x)) por su
polinomio interpolador de Lagrange sobre los nodos x
1
, . . . , x
i+k1
obteni endose
y
i+k
y
i+r
=
x
i+k
x
i+r
k1
j=0
j
(x)f
j
dx =
k1
j=0
x
i+k
x
i+r
j
(x)dx
f
j
,
donde
j
(x) es la j- esima funci on de base de la interpolaci on de Lagrange y f
j
=
f(x
j
, y
j
).
N otese que en este caso la funci on f(x, y(x)) se interpola en el intervalo [x
i
, x
i+k1
],
por tanto, para efectuar la integraci on se utilizan valores extrapolados de la funci on,
lo cual implica, en general, errores m as altos que cuando se interpola.
Ejemplo 9.2.12
Obtener un m etodo lineal de tres pasos integrando entre x
i+2
y x
i+3
. Qu e se puede
decir del orden del m etodo?
En primer lugar para evaluar las integrales

x
i+3
x
i+2
j
(x)dx se introduce la nueva
variable t de modo que x = x
i
+ t h. As, se tiene que dx = hdt, t(x
k
) = k, por
tanto se tiene

x
i+3
x
1+2
j
(x)dx = h
3
2
j
(x(t))dt.
2009/2010
213 c UJI
206
Las funciones de base resultan
0
(x(t)) =
(t 1)(t 2)
(1)(2)
=
1
2
(t 1)(t 2)
1
(x(t)) =
t(t 2)
1(1)
= t(t 2)
2
(x(t)) =
t(t 1)
2 1
=
1
2
t(t 1),
de donde
x
i+3
x
1+2
0
(x)dx = h
3
2
0
(x(t))dt = h
3
2
1
2
(t 1)(t 2)dt =
5
12
h
x
i+3
x
1+2
1
(x)dx = h
3
2
1
(x(t))dt = h
3
2
t(t 2)dt =
4
3
x
i+3
x
1+2
2
(x)dx = h
3
2
2
(x(t))dt = h
3
2
1
2
t(t 1) =
23
12
,
por tanto, el m etodo lineal multipaso pedido es
y
i+3
y
i+2
=
h
12
[5f
i
16f
i+1
+ 23f
i+2
].
Del orden del m etodo se puede decir que si y es un polinomio de grado menor o
igual que tres, f
(x, y(x)) es de grado menor o igual que dos, por tanto, la interpo-
laci on de f
con tres nodos resulta exacta, y por ello la integral. Por tanto, el m etodo
tiene un error de truncamiento al menos de tercer orden.
M etodos implcitos
Sea la ecuaci on diferencial dada por y
= f(x, y) y sean conocidos los valores

de y
i
, y
i+1
, . . . , y
i+k1
. Sea x
i+r
con 0 r < k y consid erese la igualdad
x
i+k
x
i+r
y
(x)dx =
x
i+k
x
i+r
f(x, y(x))dx.
Para evaluar la integral del segundo miembro se procede a sustituir f(x, y(x)) por
su polinomio interpolador de Lagrange sobre los nodos x
1
, . . . , x
i+k
obteni endose
y
i+k
y
i+r
=
x
i+k
x
i+r
k
j=0
j
(x)f
j
dx =
k
j=0
x
i+k
x
i+r
j
(x)dx
f
j
,
donde
j
(x) es la j- esima funci on de base de la interpolaci on de Lagrange y f
j
=
f(x
j
, y
j
).
En este caso no se precisa de extrapolaci on, por lo que el error debido a la
integraci on se espera, en general, menor.
2009/2010
214 c UJI
207
Ejemplo 9.2.13
Obtener un m etodo lineal de tres pasos integrando entre x
i+2
y x
i+3
. Qu e se puede
decir del orden del m etodo?
Al igual que en el ejemplo anterior se transforman las integrales mediante el
cambio de variable x = x
i
+ t h. En este caso, las funciones de base resultan
0
(x(t)) =
(t 1)(t 2)(t 3)
(1)(2)(3)
=
1
6
(t 1)(t 2)(t 3)
1
(x(t)) =
t(t 2)(t 3)
1(1)(2)
=
1
2
t(t 2)(t 3)
2
(x(t)) =
t(t 1)(t 3)
2 1(1)
=
1
2
t(t 1)(t 3)
3
(x(t)) =
t(t 1)(t 2)
3 2 1
=
1
6
t(t 1)(t 2).
El valor de las integrales viene dado por
x
i+3
x
1+2
0
(x)dx = h
3
2
0
(x(t))dt = h
3
2
1
6
(t 1)(t 2)(t 3)dt =
1
24
h
x
i+3
x
1+2
1
(x)dx = h
3
2
1
(x(t))dt = h
3
2
1
2
t(t 2)(t 3)dt =
5
24
x
i+3
x
1+2
2
(x)dx = h
3
2
2
(x(t))dt = h
3
2
1
2
t(t 1)(t 3) =
19
24
x
i+3
x
1+2
2
(x)dx = h
3
2
2
(x(t))dt = h
3
2
1
2
t(t 1)(t 2) =
3
8
,
por tanto, el m etodo resulta
y
i+3
y
i+2
=
h
24
[f
i
5f
i+1
+ 19f
i+2
+ 12f
i+3
].
El orden del m etodo es al menos cuatro, pues si y(x) es un polinomio de grado
menor o igual que cuatro, su derivada f(x, y(x)) es un polinomio de grado menor o
igual que tres, con lo que la aproximaci on dada por la interpolaci on sobre los cuatro
nodos x
i
, x
i+1
, x
i+2
, x
i+3
es exacta.
M etodos lineales multipaso obtenidos mediante interpolaci on osculatoria
El m etodo de interpolaci on consiste en encontrar un polinomio P(x) que satisfa-
ga las condiciones P(x
i
) = y
i
, . . ., P(x
i+k1
) = y
k1
, P
(x
i
) = f
i
,. . .,P
(x
i+k1
) =
f
i+k1
en el caso de un m etodo explcito. En el caso implcito debe satisfacerse
adem as P
(x
i+k
) = f
i+k
. El valor de y
i+k
se obtiene a partir del polinomio interpo-
lante como y
i+k
= P(x
i+k
).
Ejemplo 9.2.14
Encontrar un m etodo lineal multipaso explcito de dos pasos del mayor orden posi-
ble.
2009/2010
215 c UJI
208
Consid erese los nodos x
i
, x
i+1
, x
i+2
igualmente espaciados mediante un paso
h. El polinomio de mayor grado que puede interpolar la funci on y su derivada en
los nodos x
i
, x
i+1
es de grado tres, el cual podemos buscar en su forma de Hermite:
H
3
(x) = A
0
(x)y
i
+ A
1
(x)y
i+1
+ B
0
(x)f
i
+ B
1
(x)f
i+1
,
las funciones de base A
0
, A
1
, B
0
, B
1
vienen dadas por
A
0
(x) = [1 2(x x
i
)
0
(x
i
)]
2
0
(x), A
1
(x) = [1 2(x x
i+1
)
0
(x
i+1
)]
2
1
(x)
B
0
(x) = (x x
i
)
2
0
(x), B
1
(x) = (x x
i+1)
2
1
(x),
donde
j
(x) son las funciones de base de la interpolaci on de Lagrange sobre los
nodos x
i
, x
i+1
, por tanto:
0
(x) =
x x
i+1
x
i
x
i+1
=
1
h
(x x
i+1
),
0
(x
i
) =
1
h
1
(x) =
x x
i
x
i+1
x
i
=
1
h
(x x
i
),
1
(x
i+1
) =
1
h
,
por tanto
A
0
(x
i+2
) = 5, A
1
(x
i+2
) = 4, B
0
(x
i+2
) = 2h, B
1
(x
2
h) = 4h.
As, resulta
y
i+2
= 5y
i
4y
i+1
+ h[2f
i
+ 4f
i+1
].
9.2.7. An alisis del error y de la estabilidad

En este apartado se estudia de modo muy somero los distintos tipos de error que
acompa nan a los m etodos num ericos de integraci on de ecuaciones diferenciales.
Denici on 9.2.1
Sea un m etodo de integraci on num erico de ecuaciones diferenciales el cual propor-
ciona una aproximaci on y(x
k
+h) a partir los valores y
0
, y
1
, . . . , y
k
, y sea y(x
k
+h)
el verdadero valor de la funci on y en el punto x
k
+h. Llamamos orden de trunca-
miento local del m etodo al orden en h de y(x
k
+ h) y(x
k
+ h).
Denici on 9.2.2
Diremos que un m etodo de integraci on de ecuaciones diferenciales ordinarias es
consistente si su orden de truncamiento local es mayor o igual que uno.
Para obtener dicho orden se procede a desarrollar en serie de Taylor y(x
k
+ h)
y(x
k
+ h) alrededor del punto x
0
, de modo que diremos que el m etodo tiene orden
de truncamiento local n si se verica y(x
k
+ h) y(x
k
+ h) = O
n+1
(h).
Desgraciadamente, cuando avanza la integraci on ya no se cuenta con los valores
de la funci on que aparecen en el integrador, sino que unicamente se dispone de
aproximaciones y(x
i
), lo que induce nuevos errores.
2009/2010
216 c UJI
209
Denici on 9.2.3
Llamamos error de truncamiento global al error que aparece al aproximar y(x
n
)
por y(x
n
) siendo x
n
el punto nal de la integraci on, la cual se efect ua mediante el
n umero de aplicaciones del m etodo que resulte necesario.
El error de truncamiento global resulta un orden menor que el error de truncamien-
to local. En el c alculo de errores de truncamiento se supone que los c alculos se
efect uan mediante una aritm etica exacta, esto es, de innitas cifras decimales.
Denici on 9.2.4
Llamamos errores de redondeo local y global a los errores cometidos en cada
aplicaci on del m etodo y en el conjunto de ellas, debidos al n umero de cifras (nito)
que se utiliza en los c alculos.
Denici on 9.2.5
Llamamos error global del m etodo al error total cometido al aproximar y(x
n
) por
y(x
n
), en el cual se acumulan todos los errores anteriores.
Para aproximar, mediante un m etodo de pasos libres, la soluci on de una ecuaci on
diferencial en un punto x = b con error menor que un prejado de antemano , se
puede utilizar el siguiente m etodo heurstico.
(x) = f(x, y) con condici on inicial y(a) = y

0
. Pa-
ra obtener y(b) se utiliza un integrador num erico y se aproxima y(b)
(y)(x
0
+ h)
siendo h = b a. A este valor se le denota como y
1
(b). A continuaci on, se di-
vide el paso por dos h =
ba
2
obteni endose mediante la aplicaci on del integra-
dor la aproximaci on y(b)

(x
0
+ 2h), la cual denotamos por y
2
(b). Dividien-
do sucesivamente por dos el paso se obtiene la n- esima aproximaci on y(b)
y(x
0
+ 2
n
h) donde h =
ba
2
n1
la cual denotamos por y
n
(b). El proceso se repite
hasta que |y
k
(b) y
k+1
(b)| , tom andose en este momento y
k+1
(b) como valor
de y(b).
Ejemplo 9.2.15
Obtener y(3) con error no superior a 1.10
3
, sabiendo que
y
= x + e
x
sen y, y(1) = 1 .
Puesto que se piden tres cifras decimales exactas utilizaremos en nuestros c alcu-
los cinco decimales como medida de protecci on.
En primer lugar, efectuaremos la integraci on en un solo paso h = 2, obteni endo-
se:
i x
1
y
i
k
1
k
2
k
3
k
4
y
i+1
0 1 1 1.30956 2.10005 2.00562 2.95242 5.15778
por tanto, integrado en un paso (el n umero de pasos lo indicaremos como un su-
perndice entres par entesis) se obtiene el valor y
1
(3) = 5.15778.
Integrando en dos pasos (h = 1) se tiene la tabla:
2009/2010
217 c UJI
210
i x
1
y
i
k
1
k
2
k
3
k
4
y
i+1
0 1 1 1.30956 1.72234 1.71379 2.05615 2.70633
1 2 2.70633 2.05706 2.45411 2.44159 2.95486 5.17355
por tanto, integrado en dos pasos se obtiene y
2
(3) = 5.15355, y por tanto, ||y
2
(3)
y
1
(3)|| = 0.016 (con tres cifras decimales) es mayor que 10
3
.
Integrando en cuatro pasos (h = 0.5) se tiene la tabla:
i x
1
y
i
k
1
k
2
k
3
k
4
y
i+1
0 1.0 1 1.30956 1.52806 1.53141 1.71891 1.76228
1 1.5 1.76228 1.71905 1.89130 1.88682 2.05714 2.70665
2 2.0 2.70665 2.05702 2.24165 2.23681 2.44816 3.82850
3 2.5 3.82850 2.44795 2.68842 2.68750 2.95539 5.17476
por tanto, integrado en dos pasos se obtiene y
3
(3) = 5.17476, y con ello , ||y
3
(3)
y
2
(3)|| = 0.001 (con tres cifras decimales) que es el error admisible, as podemos
tomar y(3) = 5.175 10
3
.
Denici on 9.2.6
(x) = f(x, y), x [a, b] con condici on en x

0
= a ini-
cial y(x
0
) = y
0
. Diremos que un m etodo de integraci on num erica y es convergente
si x [a, b] se tiene que lm
n
y(x
0
+ nh) = y(x) donde h =
xx
0
n
.
El problema de la convergencia es, en general, un problema difcil. En el caso de
los m etodos lineales multipaso este problema es m as sencillo tal y como se ver a.
Denici on 9.2.7
Sea el m etodo lineal multipaso dado por
a
k
y
k+i
+ a
k1
y
k+i1
+ + a
0
y
i
= h(b
k
f
k+i
+ + b
0
f
i
).
Llamamos primer y segundo polinomios de estabilidad del m etodo, a los polino-
mios p(z) y q(z) dados por
p(z) = a
k
z
k
+ a
k1
z
k1
+ + a
1
z + a
0
q(z) = b
k
z
k
+ b
k1
z
k1
+ + b
1
z + b
0
.
Denici on 9.2.8
Diremos que un m etodo lineal multipaso es estable si las races r de p(z) = 0
satisfacen |r| 1, y |r| 1 caso de ser raz m ultiple.
Acontinuaci on se enuncian dos teoremas, los cuales no demostramos, que resuelven
el problema de la convergencia para el caso de los m etodos lineales multipaso.
Teorema 9.2.1
Sea un m etodo lineal multipaso con primer y segundo polinomio de estabilidad
dados por p(z), q(z). Entonces el m etodo es consistente si, y s olo si, p(1) = 0 y
p
(1) = q(1).
Teorema 9.2.2
Un m etodo lineal multipaso es convergente si, y s olo si, es estable y consistente.
2009/2010
218 c UJI
211
9.3. Integraci on de sistemas y ecuaciones de orden n
Los m etodos anteriores se generalizan con facilidad cuando se trata de resolver
el problema:
y
1
(x) = f
1
(y
1
, y
2
, . . . , y
n
, x)
y
2
(x) = f
2
(y
1
, y
2
, . . . , y
n
, x)
=
y
n
(x) = f
n
(y
1
, y
2
, . . . , y
n
, x)
x [a, b] con las condiciones iniciales
y
1
(a) = y
1,0
, . . . , y
n
(a) = y
n,0
para ello, basta tomar un m etodo para una ecuaci on diferencial de primer orden y
reemplazar y
i
por

y
i
= (y
1,1
, . . . , y
i,n
)
t
, f por

f = (f
1
, . . . , f
n
)
t
e y
0
por

y
0
=
(y
0,1
, . . . , y
0,n
)
t
, obteni endose de este modo el m etodo equivalente para sistemas.
Ejemplo 9.3.1
Escribir un m etodo de Euler explcito para integrar el sistema
y
1
= f
1
(x, y
1
, y
2
)
y
2
= f
2
(x, y
1
, y
2
)
x [x
0
, x
0
+ h], y
1
(x
0
) = y
1,0
, y
2
(x
0
) = y
2,0
.
El m etodo de Euler explcito para el caso de una ecuaci on se escribe como
y
i+1
= y
i
+ hf(x
i
, y
i
),
lo cual se generaliza como
y
i+1
=

y
i
+ h
f (x
i
,
y
i
),
lo que en forma matricial se expresa como
y
1,i+1
y
2,i+1
y
1,i
+ hf
1
(x, y
1,i
, y
2,i
)
y
2,i
+ hf
2
(x, y
1,i
, y
2,i
)
El problema de condici on inicial para una ecuaci on de orden n viene dado por
y
n)
(x) = f(x, y, y
, y
, . . . , y
n1)
, x [a, b]
y(a) = y
0
, y
(a) = y
0
, . . . , y
n1)
(a) = y
n1)
0
,
el cual se transforma en un sistema de ecuaciones diferenciales de orden n mediante
el cambio de variable z
i
= y
i)
. As, se tiene
z
1
= z
2
z
2
= z
3
=
z
n1
= z
n
z
n
= f(x, z
1
, z
2
, . . . , z
n
)
z
0
= (y
1,0
, y
2,0
, . . . , y
n1,0
)
t
,
2009/2010
219 c UJI
el cual puede ser resuelto seg un las t ecnicas anteriores.
9.4. Introducci on a los problemas de contorno para
ecuaciones diferenciales ordinarias
En este captulo se aborda el estudio de m etodos num ericos para la resoluci on
del problema de contorno para ecuaciones diferenciales ordinarias, esto es, proble-
mas en los que en lugar de proporcionarse los valores de la funci on y sus derivadas
en el extremo inicial del intervalo, se proporciona relaciones funcionales entre la
funci on y sus derivadas en los extremos a y b; esto es, problemas de tipo
d
y
dx
=

f (
y , x) x ]a, b[
i
(
y (a),
y (b)) = 0 i = 1, . . . , n
y R
n

f : R
n
R
n
.
La soluci on de este problema es en general difcil, pero se simplica notablemente
cuando las condiciones de contorno son lineales en los valores de la funci on.
M etodo de tiro
El primer m etodo que se aborda es el llamado m etodo de tiro. Dicho m etodo su-
pone que el problema de condici on inicial para nuestra ecuaci on se puede resolver,
bien mediante integraci on exacta, bien mediante integraci on num erica. Sea pues
y (x,
y
0
) la soluci on del sistema de ecuaciones diferenciales dado anteriormente
con la condici on inicial
y (a) =

y
0
. A partir de esta soluci on es posible determinar
y (b) =

y (b,
y
0
), y as las condiciones de contorno se pueden reescribir como:
i
(
y
0
,
b ,
y
0
) =
i
(
y
0
) = 0, i = 1, . . . , n,
lo que representa un sistema de n ecuaciones en las inc ognitas y
1
0
,. . . ,y
n
0
donde se ha
utilizado la notaci on
y
0
= (y
1
0
, . . . , y
n
0
). Por tanto, el problema queda reducido a la
resoluci on de un sistema de n ecuaciones con n inc ognitas, lo cual se puede abordar
a partir de un m etodo de Newton-Ralphson (u otro m etodo num erico adecuado). La
resoluci on del sistema tambi en puede abordarse a partir de m etodos de optimizaci on
aplicados a la funci on (y
1
0
, . . . , y
n
0
) =
lm
2
i=1

2
i
(
y
0
).
Ejemplo 9.4.1
Sea el problema de contorno dado por
y
=
1
2
y, x [0, ]
con las condiciones iniciales y(0) = 1.0, y(1) = 0.5. Resolver por el m etodo de tiro
utilizando como m etodo de integraci on un m etodo de Euler explcito con paso
1
5
.
2009/2010
220 c UJI
212
el cual puede ser resuelto seg un las t ecnicas anteriores.
9.4. Introducci on a los problemas de contorno para
ecuaciones diferenciales ordinarias
En este captulo se aborda el estudio de m etodos num ericos para la resoluci on
del problema de contorno para ecuaciones diferenciales ordinarias, esto es, proble-
mas en los que en lugar de proporcionarse los valores de la funci on y sus derivadas
en el extremo inicial del intervalo, se proporciona relaciones funcionales entre la
funci on y sus derivadas en los extremos a y b; esto es, problemas de tipo
d
y
dx
=

f (
y , x) x ]a, b[
i
(
y (a),
y (b)) = 0 i = 1, . . . , n
y R
n

f : R
n
R
n
.
La soluci on de este problema es en general difcil, pero se simplica notablemente
cuando las condiciones de contorno son lineales en los valores de la funci on.
M etodo de tiro
El primer m etodo que se aborda es el llamado m etodo de tiro. Dicho m etodo su-
pone que el problema de condici on inicial para nuestra ecuaci on se puede resolver,
bien mediante integraci on exacta, bien mediante integraci on num erica. Sea pues
y (x,
y
0
) la soluci on del sistema de ecuaciones diferenciales dado anteriormente
con la condici on inicial
y (a) =

y
0
. A partir de esta soluci on es posible determinar
y (b) =

y (b,
y
0
), y as las condiciones de contorno se pueden reescribir como:
i
(
y
0
,
b ,
y
0
) =
i
(
y
0
) = 0, i = 1, . . . , n,
lo que representa un sistema de n ecuaciones en las inc ognitas y
1
0
,. . . ,y
n
0
donde se ha
utilizado la notaci on
y
0
= (y
1
0
, . . . , y
n
0
). Por tanto, el problema queda reducido a la
resoluci on de un sistema de n ecuaciones con n inc ognitas, lo cual se puede abordar
a partir de un m etodo de Newton-Ralphson (u otro m etodo num erico adecuado). La
resoluci on del sistema tambi en puede abordarse a partir de m etodos de optimizaci on
aplicados a la funci on (y
1
0
, . . . , y
n
0
) =
lm
2
i=1

2
i
(
y
0
).
Ejemplo 9.4.1
Sea el problema de contorno dado por
y
=
1
2
y, x [0, ]
con las condiciones iniciales y(0) = 1.0, y(1) = 0.5. Resolver por el m etodo de tiro
utilizando como m etodo de integraci on un m etodo de Euler explcito con paso
1
5
.
2009/2010
220 c UJI
213
En primer lugar, sea y(x, ) el valor que toma la funci on y(x) cuando se integra
con las condiciones iniciales y(0) = 1, y
(0) = y sea F() = y(1, ) 0.5.

La ecuaci on diferencial puede reducirse a un sistema mediante el cambio z
1
=
y, z
2
= y
. As, el problema resulta

z
1
= z
2
z
2
= z
1
.
con la condici on inicial z
1
(0) = 1, z
2
(0) = .
El m etodo de Euler explcito resulta para esta ecuaci on
z
1
(x
i+1
) = z
1
(x
i
) + hz
2
(x
i
)
z
2
(x
i+1
) = z
2
(x
i
) hz
1
(x
i
).
Tomando inicialmente = 0, resulta la tabla de valores
x
i
0.0 0.4 0.6 0.8 1.0
z
1
(x
i
) 1.0000 1.0000 0.9600 0.8800 0.7616 0.6080
z
2
(x
i
) 0.0000 -0.2000 -0.4000 -0.5920 -0.7680 -0.9203
por tanto, el valor de F(0.0) = 0.6080 0.5000 = 0.1080.
Para aproximar el valor de para el cual F() = 0 utilizaremos el m etodo de
Newton (podra haberse utilizado cualquier otro)
i+1
=
i
F(
i
)
F
(
i
)
,
0
= 0.
El valor F
(0) lo aproximaremos por F
(0) =
F(0.01)F(0)
0.01
, aproximaci on suciente
puesto que el m etodo de Euler es de primer orden. As, integrando las ecuaciones
con condiciones iniciales z
1
(0) = 1, z
2
(0) = 0.01 se tiene
x
i
0.0 0.4 0.6 0.8 1.0
z
1
(x
i
) 1.0000 1.0020 0.9640 0.8859 0.7693 0.6172
z
2
(x
i
) 0.0100 -0.1900 -0.3904 -0.5832 -0.7604 -0.9142
por tanto, el valor de F(0.01) = 0.6172 0.5000 = 0.1172, de donde F
(0) =
0.9200 y por tanto, = 0.1174.
Para evaluar F(2.3360) es necesario integrar de nuevo con condiciones iniciales
z
1
(0) = 1, z
2
(0) = 2.3360; as, se tiene
x
i
0.0 0.4 0.6 0.8 1.0
z
1
(x
i
) 1.0000 0.97652 0.9130 0.8105 0.6714 0.5000
z
2
(x
i
) -0.1174 -0.3174 -0.5127 -0.6953 -0.8574 -0.9917
Puesto que F(0.1174) = 0, se tiene que la soluci on a nuestro problema viene
dada por y(x) = z
1
(x), donde z
1
debe tomarse de la ultima tabla.

2009/2010
221 c UJI
214
M etodo de diferencias
El m etodo de diferencias nitas consiste en introducir un mallado x
0
= a <
x
1
< x
2
< < x
n
= b con h
i
= x
i+1
x
i
, i = 0, . . . , n1. Dado este mallado se
procede a aproximar la ecuaci on diferencial y las condiciones de contorno mediante
el uso de diferencias divididas; as, se tienen las aproximaciones:
f[x
i1
, x
i
, xi + 1] = p(x
i
)f[x
i1
, x
i+1
] + q(x
i
)y(x
i
) + r(x
i
), i = 1, . . . , n 1
1
y(x
0
) +
1
f[ x
0
, x
1
] =
1
2
y(x
n
) +
2
f[x
n1
, x
n
] =
2
.
De este modo, se tiene un sistema de n + 1 ecuaciones con n + 1 inc ognitas, lo que
nos proporciona el valor de la funci on y en los nodos x
i
.
La forma m as habitual de discretizar el problema consiste en la introducci on de un
mallado regular = {x
i
= x
0
+ih|x
0
= 1, h =
ba
n
}, y en aproximar las derivadas
mediante operadores discretos adecuados, tales como los estudiados en el captulo
anterior.
Un esquema sencillo de primer orden para resolver el problema de contorno
asociado a la ecuaci on lineal de segundo orden consiste en tomar las aproximacio-
nes:
y
i
=
y
i+1
y
i1
2h
+ O(h
2
), i = 1, . . . , n 1
y
i
=
y
i+1
2y
i
+ y
i1
h
2
+ O(h
2
), i = 1, . . . , n 1
y
0
=
y
1
y
0
h
+ O(h), y
n
=
y
n
y
n1
h
+ O(h)
resultando el esquema de primer orden:
b
1
c
1
0 0 0 0 0
a
2
b
2
c
2
0 0 0 0
0 a0
3
b
3
c
3
0 0 0

0 0 0 0 a
n1
b
n1
c
n1
0 0 0 0 0 a
n
b
n
x
0
x
1
x
2

x
n1
x
n
h
1
h
2
r
1
h
2
r
2

h
2
r
n1
h
2
,
donde
b
1
= h
1

1
, c
1
=
1
; a
n
=
2
, b
n
= h
2
+
2
a
i
= 1
h
2
p
i
, b
i
= 2 + h
2
q
i
, c
i
= 1 +
h
2
p
i
i = 2, . . . n 1.
El sistema anterior resulta tridiagonal, por lo que puede ser f acilmente resuelto.
Para obtener un esquema de segundo orden basta sustituir en las condiciones de
2009/2010
222 c UJI
215
contorno la aproximaci on a la primera derivada por:
y
i
=
y
i+1
y
i1
2h
, i = 1, . . . , n 1
y
0
=
1
h
1
2
y
i
=
3y
0
+ 4y
1
y
2
2h
y
n
=
1
h
+
1
2
y
i
=
y
n2
4y
n1
+ 3y
2
2h
,
el sistema ahora no resulta tridiagonal (excepto si las condiciones de contorno se
reducen a y(a) =
1
, y(b) =
2
), pero puede tambi en ser reducido a tridiagonal
mediante sencillas transformaciones.
2009/2010
223 c UJI
216
Bibliografa
[1] ALDOUS J.M., WILSON R.J. (2000): Graphs and Applications. An introduc-
tory approach. SpringerVerlag, London.
[2] BAZARAA M.S., JARVIS. J.J. (1998): Programaci on lineal y ujo de redes.
Limusa. M exico.
[3] BAZARAA M.S., SHERALI H.D., SHETTY C.M. (2006): Non Linear Pro-
graming Theory and Alghorithms. Jhon-Wiley&Sons, New York.
[4] BERGE, C. (1979): Graphs and Hypergraphs. North Holland, Amsterdam.
[5] BURDEN, R. B., FAIRES, D. J. (2002): An alisis num erico. Internacional
Thompson Editores. M exico.
[6] CHAPRA, S.C., CANALE, R.P. (2003): M etodos num ericos para ingenieros.
McGraw Hill.
[7] DEMIDOVITSCH B.P., MARON I.A. (1977): C alculo n umerico fundamental.
Paranifo, Madrid.
[8] DEMIDOVITSCH B.P., MARON I.A., SCHUWALOWA E.S. (1980): M etodos
num ericos de an alisis. Paranifo, Madrid
[9] GERALD, C. - WHEATLEY, P. (2000): An alisis num erico con aplicaciones.
Pearson Education, M exico.
[10] GIBBONS A.(1985): Algorithmic Graph Theory. Cambridge University Press,
Cambridge.
[11] INFANTE R. (1997): Programaci on matem atica. Ediciones de la U.N.E.D.,
Madrid.
[12] KINCAID, D., CHENEY, W. (1994): An alisis num erico. Las matem aticas del
c alculo cientco. Addison-Wesley Iberoamericana, Wilmington.
[13] Kreyszig E. (2002): Matem aticas avanzadas para ingeniera. Limusa, M exico.
[14] LUENBERGER D.E. (1989): Programci on lineal y no lineal. Addison-Wesley
Iberoamericana, Wilmington,Delaware.
[15] WILSON R.J. (1983): Introducci on a la Teora de Grafos. Alianza Universi-
dad, Madrid.
2009/2010
225 c UJI

Metodos Matematicos (Teoria de Grafos)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodos Matematicos (Teoria de Grafos)

Uploaded by

Copyright:

Available Formats

i

Jos Antonio Lpez Ort - ISBN: 978-84-693-4783-6 Mtodos matemticos - UJI

los grafos abajo representados a izquierda y derecha respectivamente

) dada por (1) = a, (2) = d, (3) = c, (4) = b la cual es

A continuaci on se procede a dar una primera denici on de grafo conexo, concepto

M etodos Matem aticos 321

1.2.3. Operaciones con grafos

dados respectivamente por V (G) = {1, 2, 3, 4}, E(G) =

) = {5, 6}, E(G

) = {{5, 6}}. La uni on

) son las matrices de adyacencia de los grafos G, G

As, en el ejemplo anterior resulta:

La matriz de adyacencia de la suma de grafos cuando V (G

La matriz de adyacencia correspondiente a la supresi on en G de un v ertice i es la

M etodos Matem aticos 321

) = {i, j}, E(G

La matriz de adyacencia correspondiente a la adici on en G de la arista e = {i, j}

M etodos Matem aticos 321

La matriz de adyacencia del grafo G/e, donde e = {i, j}, i j, es la matriz

Grafo completo. Un grafo G = (V (G), E(G)) es completo si (v, w) E(G)

Grafo rueda de n radios. Es el grafo suma de N

M etodos Matem aticos 321

La matriz de adyacencia de un grafo bipartido toma la forma

1.2.5. Grafos generales

El concepto de familia de elementos permite la existencia de elementos repe-

Acada dgrafo D se le puede asociar un grafo G

Por otra parte se tiene que si Ad(D) = [d

M etodos Matem aticos 321

La conexi on tambi en puede ser caracterizada mediante la matriz de adyacencia

La matriz S tiene elementos nulos (i.e. s

cuya representaci on y matriz de adyacencia D aparecen a

a partir de lo cual se tiene

a partir de la cual se puede determinar la matriz

M etodos Matem aticos 321

a partir de la cual se puede determinar la matriz

la cual tiene todos sus elementos no nulos, siendo por tanto GD

M etodos Matem aticos 321

1.4. Grafos eulerianos y hamiltonianos

M etodos Matem aticos 321

M etodos Matem aticos 321

Para nalizar, se enuncia el siguiente teorema de caracterizaci on:

En teora de grafos ponderados es conveniente introducir la matriz de pesos como

({i, j}) i = j, {i, j} E(G)

(V (G), C {f}) contiene un circuito, entonces D = D {f}.

card (C) = card (V (G)) 1 FIN: el conector mnimo es (V (G), C).

A continuaci on se muestra otro ejemplo en el que se utiliza un m etodo matricial

Encontrar un conector mnimo usando el m etodo matricial.

M etodos Matem aticos 321

y sus potencias por

M etodos Matem aticos 321

El grafo resultante tampoco es conexo, pues la matriz

y sus potencias por

M etodos Matem aticos 321

2.2.2. El problema del camino m as corto

2.2.2. El problema del camino m as corto

c(i, j) (i, j) A(D)

f(i, j) (i, j) A(D)

2.3.2. El problema del ujo m aximo en una red

). Marcar el v ertice i como analizado.

M etodos Matem aticos 321

son convexos, se tiene que su intersecci on H tambi en lo es.

p / K. Entonce son equivalen-

x K}. Consid erese una sucesi on de puntos

u || = . Por otra parte, se tiene que dicho punto