Calcul II

CLCUL II
1 de febrer de 2011
1 de febrer de 2011
Clcul II (Enginyeria Qumica) - Curs 2010-2011
ndex
1
Clcul diferencial de funcions de diverses variables

1.1 Funcions de diverses variables . . . . . . . . . .
1.1.1 Conjunts de nivell . . . . . . . . . . . .
1.2 Lmits i continutat . . . . . . . . . . . . . . . .
1.2.1 Lmit global . . . . . . . . . . . . . . . .
1.2.2 Lmits direccionals . . . . . . . . . . . .
1.3 Derivades parcials i direccionals . . . . . . . . .
1.4 Vector gradient i matriu jacobiana . . . . . . . .
1.5 Frmula de Taylor . . . . . . . . . . . . . . . . .
1.6 Extrems relatius i extrems condicionats . . . . .
1.6.1 Clcul dextrems relatius . . . . . . . . .
1.6.2 Extrems condicionats . . . . . . . . . . .
1.6.3 Mtode dels multiplicadors de Lagrange .
1.7 Exercicis . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
6
8
8
9
10
10
13
15
16
19
21
22
.
.
.
.
.
.
25
25
26
27
28
28
28
.
.
.
.
.
.
.
31
31
32
34
35
36
37
38
Interpolaci polinmica
4.1 Clcul del polinomi interpolador . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Pel mtode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Pel mtode de les diferncies dividides . . . . . . . . . . . . . . . . .
41
42
42
42
Errors
2.1 Errors darrodoniment i de truncament . . . . . .
2.2 Error absolut i error relatiu . . . . . . . . . . . .
2.3 Propagaci derrors . . . . . . . . . . . . . . . .
2.4 Representaci de nombres amb punt flotant . . .
2.5 Representaci de nombres amb notaci cientfica
2.6 Exercicis . . . . . . . . . . . . . . . . . . . . .
Zeros de funcions duna variable
3.1 Localitzaci de zeros . . . . . . . . . .
3.2 Iteraci simple . . . . . . . . . . . . .
3.2.1 El mtode de Newton-Raphson
3.3 Iteraci mltiple . . . . . . . . . . . . .
3.3.1 El mtode de la secant . . . . .
3.3.2 El mtode de la bisecci . . . .
3.4 Exercicis . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 de febrer de 2011
NDEX
4.2
4.3
Frmules per avaluar lerror . . . . . . . . . . . . . . . . . . . . . . . . . . .

Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Derivaci numrica
5.1 Frmules de derivaci numrica . . . . .
5.1.1 Frmula de derivaci a la dreta: .
5.1.2 Frmula de derivaci a lesquerra:
5.1.3 Frmula de derivaci centrada: . .
5.1.4 Frmula per a la segona derivada:
5.2 Exercicis: . . . . . . . . . . . . . . . . .
43
43
.
.
.
.
.
.
47
47
47
50
50
51
52
Integraci numrica
6.1 Mtodes dintegraci amb parts iguals i punt mig . . . . . . . . . . . . . . . .
6.2 Mtode de Romberg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
54
57
59
lgebra lineal numrica i aplicacions

7.1 Resoluci de sistemes. El mtode de Gauss . . . . . . . . .
7.2 Descomposicions LU . . . . . . . . . . . . . . . . . . . . .
7.3 Sistemes sobredeterminats. Aproximaci mnima quadrtica
7.4 Regressi . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.1 La recta de regressi . . . . . . . . . . . . . . . . .
7.4.2 La parbola de regressi . . . . . . . . . . . . . . .
7.4.3 Altres models . . . . . . . . . . . . . . . . . . . . .
7.5 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
61
62
63
63
64
65
66
67
1 de febrer de 2011
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Captol 1
Clcul diferencial de funcions de diverses
variables
1.1
Funcions de diverses variables
Les funcions de diverses variables serveixen per representar magnituds que depenen de ms
dun parmetre. En general, una funci de n variables x1 , . . . , xn s una aplicaci f : Rn R,
denotada f (x1 , . . . , xn ). Habitualment treballarem amb funcions de dues o tres variables, que
denotarem
f : R2 R
(x, y) 7 f (x, y)
f : R3 R
(x, y, z) 7 f (x, y, z) .
Per simplificar la notaci escriurem en lletres majscules les variables en forma vectorial;
~ = (x1 , . . . , xn ), o simplement X = (x1 , . . . , xn ). A vegades,
aix, habitualment escriurem X
sobretot quan les funcions representen magnituds provinents de problemes prctics concrets,
sutilitzen altres lletres per designar tant les variables com la funci.
Exemple 1.1. (a) Una placa metllica al pla xy, amb un focus de calor de 1000 C situat al punt
(0, 0), t al punt (x, y) una temperatura donada per la funci:
T (x, y) =
100
.
1 + x2 + y 2
(b) Lany 1928 Charles Cobb i Paul Douglas van donar un model per a la producci de
leconomia americana en funci del capital K i la fora de treball L. Aquest model ve donat
per una funci del tipus
P (L, k) = cL K 1 ,
on c > 0 i (0, 1) .
A partir de dades oficials del perode 1899-1922 van determinar el valor dels parmetres:
c = 1.01 i = 0.75. La funci de Cobb-Douglas resultant va permetre fer prediccions fora acurades pels anys segents.
1 de febrer de 2011
1.1.1
Conjunts de nivell
Donats un valor c R i una funci f : Rn R diem conjunt de nivell c per a f al conjunt

Nc = {X Rn : f (X) = c} .
Quan n = 2 aquests conjunts se solen anomenar corbes de nivell. Aleshores
Nc = {(x, y) R2 : f (x, y) = c} .
Exemple 1.2. (a) El nom corbes de nivell prov de la topografia. Donat un mapa amb eixos de
coordenades x i y, denotem per h(x, y) la funci que indica lalada del punt de coordenades
(x, y). El conjunt Nc = {(x, y) R2 : h(x, y) = c} s una corba, o un conjunt de corbes,
formada pels punts que es troben a una mateixa alada c.
Figura 1.1: Esquema delaboraci de les corbes de nivell dun mapa topogrfic.
(b) Isbares i isotermes. Utilitzem les coordenades geogrfiques per determinar els punts de
la Terra: longitud (angle des del meridi de Greenwich) i latitud (angle des de lequador).
Les corbes de nivell de la funci pressi P (, ) sanomenen isbares, i les corbes de nivell de
la temperatura T (, ) sanomenen isotermes. Sovint es veuen corbes daquesta mena al mapes
meteorolgics.
1 de febrer de 2011
1.1. Funcions de diverses variables
Figura 1.2: Isbares de la regi atlntica a la nostra latitud.
Figura 1.3: Isoterma de 100 C de temperatura mitjana al mes de juliol al voltant de la zona rtica.
(c) La corba de nivell c > 0 de la funci f (x, y) =

radi c.
p
x2 + y 2 s el cercle de centre (0, 0) i
1 de febrer de 2011
1.2
Lmits i continutat
Volem estudiar el comportament duna funci al voltant dun punt donat. En particular, volem
estudiar propietats de regularitat, com la continutat o la derivabilitat. Tal i com passa en funcions duna variable, les eines bsiques per fer aquest estudi sn els lmits. Per a definir-los
correctament ens conv una noci de distncia entre punts de Rn , aix com una noci dentorn
dun punt (lequivalent a un interval a dimensi 1).
p
~ Rn considerem la norma kXk
~ =
Definici 1.3. Donat X
x11 + + x2n , que dna la
~ i ~0. Aleshores, la distncia de X
~ aA
~ es defineix com
distncia entre X
~ Ak
~ .
d(X, A) = kX
~ Rn i radi r > 0 s el conjunt:
La bola de centre A
~ r) = {X
~ Rn : d(X,
~ A)
~ < r} .
B(A,
1.2.1
Lmit global
La noci de lmit que permet definir la continutat involucra el comportament simultani de totes
les variables.
Definici 1.4. Una funci f : Rn R t lmit L al punt A ( lim f (X) = L) si a mesura
XA
que kX Ak sacosta a 0 el valor |f (X) L| tamb sacosta a 0 (formalment: per a tot > 0
existeix > 0 tal que si kX Ak < aleshores |f (X) L| < ).
Aquesta definici fa difcil comprovar si una funci t lmit o no a un punt donat. Afortunadament per, la majoria de funcions habituals tenen lmit a tots els punts on sn definides.
Especificarem aquest punt una mica ms avall.
La primera noci de regularitat lligada a lexistncia de lmit global s la de continutat.
Definici 1.5. Una funci f : Rn R s contnua a un punt A si lim f (X) = f (A). Diem
XA
simplement que f s contnua si s contnua a tots els punts on s definida.
Intuitivament aix vol dir que la grfica de f al punt A no t forats ni fractures.
La famlia de funcions contnues a un punt A s estable respecte les operacions habituals.
Aix tenim:
Els polinomis p(X) = p(x1 , . . . , xn ) sn funcions contnues.
La suma i el producte de funcions contnues s contnua: si f (X) i g(X) sn funcions
contnues, tamb ho sn f (X) + g(X) i f (X)g(X).
El quocient de funcions contnues s tamb una funci contnua als punts on el denominador no sanulla: si f (X) i g(X) sn funcions contnues, aleshores la funci f (X)/g(X)
s contnua a tots els punts A amb g(A) 6= 0.
Si f (X) s una funci contnua i g(t) s una funci contnua (duna variable), aleshores
la composici g(f (X)) tamb s contnua.
1 de febrer de 2011
1.2. Lmits i continutat
1.2.2
Lmits direccionals
Davant la dificultat de calcular el lmit duna funci de diverses variables a un punt A podem
optar per fer lmits de la funci restringida a rectes que passin pel punt A. Aquests sn lmits
duna sola variable (el parmetre de la recta), i tenim fora eines per calcular-los.
~ = (u1 , . . . , un ) un vector unitari (amb kU
~ k = 1). Diem lmit de f al
Definici 1.6. Sigui U
~ = (a, b) en la direcci U
~ a
punt A
~ + hU
~) .
lU~ = lim f (A
h0
Aix, en particular, per a una funci de dues variables f = f (x, y) i un vector unitari U = (u, v)
tenim
lU~ = lim f (a + hu, b + hv) .
h0
Com hem dit, aquests lmits sn en general fcils de calcular. Malauradament, per, no
serveixen per donar les definicions de continutat (o de derivabilitat) per a funcions de diverses
variables. De fet, lexistncia de lmit global implica lexistncia de lmits direccionals, per
no recprocament. Aix sutilitza sovint com a criteri negatiu per a lexistncia de lmit global. En particular, es pot veure que una funci no s contnua comprovant que diferents lmits
direccionals tenen valors diferents.
Teorema 1.7. Sigui f : Rn R i sigui el punt A. Si existeix el lmit global de f al punt A i
~ , i a ms
lim f (X) = L, aleshores els lmits direccionals existeixen per a totes les direccions U
XA
lU~ = L.
xy
no t lmit global al punt A = (0, 0).
+ y2
Considerem un vector unitari U = (u, v) i la recta que passa pel punt (0, 0) amb direcci U :
Exemple 1.8. La funci f (x, y) =
x2
(x, y) = (0, 0) + t(u, v) .

Aix x = tu i y = tv, de manera que
lU = lim f (A + tU ) = lim f (tu, tv) = lim
t0
t0
tu tv
uv
= 2
= uv .
2
2
+t v
u + v2
t0 t2 u2
Com que el valor del lmit direccional depn de la direcci U podem deduir que no hi ha lmit
global.
Tamb podem veure aquest fet escrivint les rectes que passen per (0, 0) de la forma y = mx;
aleshores:
x(mx)
m
m
lim f (x, mx) = lim 2
= lim
=
.
x0
x0 x + (mx)2
x0 1 + m2
1 + m2
El Teorema 1.7 admet moltes possibles generalitzacions, totes amb la mateixa idea de fons:
si existeix lim f (X) = L aleshores f (X) sacosta a L, independentement de la manera com
XA
X sacosti a A.
x2 y
Exercici: Proveu que la funci f (x, y) = 4
no t lmit al punt (0, 0). (Indicaci:
x + y2
trobeu alguns camins que passin per (0, 0) sobre els quals la funci tingui lmits diferents).
1 de febrer de 2011
10
1.3
Derivades parcials i direccionals
En la derivaci ens trobem amb una situaci semblant a la dels lmits de la secci anterior.
Considerem, en primer lloc, les derivades respecte cadascuna de les variables separadament:
derivem respecte una variable fixada com ho farem amb una funci duna variable, i considerem
la resta com a constants.
Definici 1.9. Sigui f : Rn R i sigui un punt A = (a1 , . . . , an ). Diem derivada parcial de
la funci f respecte la variable xj al punt A a la derivada
f (a1 , . . . , aj1 , aj + h, aj , . . . , an ) f (a1 , . . . , aj1 , aj , aj , . . . , an )
f
(A) = lim
.
h0
xj
h
A vegades sescriu tamb fxj (A) o DFxj (A).
Al cas duna funci de dues variables, les derivades parcials a un punt (a, b) sn
f
f (a + h, b) f (a, b)
(a, b) = lim
,
h0
x
h
f
f (a, b + h) f (a, b)
(a, b) = lim
.
h0
y
h
Exemple 1.10. Sigui la funci de dues variables f (x, y) = ex sin(x + y). Les dues derivades
parcials daquesta funci sn
f
= ex sin(x + y) + ex cos(x + y) ,
x
f
= ex cos(x + y) .
y
La derivaci unidimensional es pot considerar tamb per a qualsevol direcci donada.
~ un vector unitari. Diem derivada
Definici 1.11. Sigui f : Rn R, sigui un punt A i sigui U
~ al punt A a la derivada
direccional de la funci f respecte la direcci U
~ ) f (A)
f (A + hU
.
h0
h
DfU~ (A) = lim
~.
Aquesta derivada indica la variaci de la funci f al punt A en la direcci U
j
~ j = (0, . . . , 0, 1 , 0, . . . , 0) s preciObservem que la derivada en la direcci coordenada U

f
sament la derivada parcial xj (A).
1.4
Vector gradient i matriu jacobiana
La informaci donada per totes les derivades parcials duna funci f : Rn R queda recollida a lanomenat vector gradient:

f f
f
f =
,
,...,
.
x1 x2
xn
1 de febrer de 2011
1.4. Vector gradient i matriu jacobiana
11
A R3 el vector gradient sescriu sovint en termes dels vectors

~i = (1, 0, 0),
de manera que
f =
~j = (0, 1, 0),
f f f
,
,
x y x
~k = (0, 0, 1) ,
f ~ f ~ f ~
k.
i+
j+
x
y
z
En cert sentit el vector gradient t en compte la variaci global de la funci a lentorn dun
punt donat. En particular, la direcci de variaci mxima de la funci s precisament la direcci
del gradient.
~ un vector unitari.
Teorema 1.12. Sigui f : Rn R una funci regular, sigui A Rn i sigui U
Llavors
~ = kf (A)k cos ,
DfU~ (A) = f (A) U
~ . En particular:
on s langle que formen f (A) i U
(a) La direcci en la qual la derivada direccional de f t norma mxima s la direcci del
(A)
~ = f
gradient (s a dir U
).
kf (A)k
(b) El gradient s perpendicular als conjunts de nivell: si Nc s el conjunt de nivell c de f i
A Nc , llavors f (A) s perpendicular a Nc .
Figura 1.4: Grfic duna funci, amb els gradients corresponents al pla XY .
Exemple 1.13. Considerem la corba de nivell N1 = {(x, y) : x2 + y 2 = 1} de la funci
f (x, y) = x2 + y 2 (vegeu lExemple 1.2). El vector tangent a N1 a un punt (x, y) t la direcci
T~ = (y, x), mentre que el gradient de f a (x, y) s f (x, y) = (2x, 2y). Aleshores
f (x, y) T~ = (2x, 2y) (y, x) = 2xy + 2yx = 0 .

1 de febrer de 2011
12

T~ = (y, x)
f (x) = (2x, 2y)

(x, y)
(0,0)
Figura 1.5: Corba de nivell 1 i vector gradient per a la funci f (x, y) = x2 + y 2 .
Observaci 1.14. La noci de derivabilitat per a funcions f : Rn R tamb sexpressa en

termes del gradient.
Recordem que una funci duna variable f : R R es diu que s derivable a un punt
a R si existeix el lmit
f (x) f (a)
,
f 0 (a) = lim
xa
xa
o equivalentment, si

f (x) f (a) f 0 (a)(x a)

=0.
lim

xa
xa
Generalitzant aquesta expressi tenim la definici de funci f : Rn R diferenciable a un
punt A Rn :

f (X) f (A) f (A) (X A)
=0.
lim
XA
kX Ak
Observaci 1.15. Quan tenim una aplicaci F : Rn Rm , de la forma
F (x1 , , xn ) = (F1 (x1 , , xn ), . . . , Fm (x1 , , xn )) ,
es recull tota la informaci de les derivades de F en un punt A en lanomenada matriu jacobiana:
F1
F1
F1
x1 (A) x2 (A) xn (A)
F
F2
F2
2
(A)
(A)
(A)
JF (A) = x1
.
x2
xn

Fm
Fm
Fm
(A)
(A)
(A)
x1
x2
xn
En particular, la matriu jacobiana al punt (a, b) duna aplicaci F : R2 R2 de la forma
F (x, y) = (f (x, y), g(x, y))
f
(a, b)
x
JF (a, b) = g
(a, b)
x
1 de febrer de 2011
f
(a, b)
y
.
g
(a, b)
y
1.5. Frmula de Taylor
13
Observaci 1.16. Donada una funci prou regular, es poden anar prenent derivades parcials
successives respecte cadascuna de les variables. En general, si tenim f : Rn R i derivem m1 vegades respecte x1 , m2 vegades respecte x2 , ..., mn vegades respecte xn denotem la
derivada com
N f
, on N = m1 + + mn .
m2
1
mn
xm
1 x2 xn
Aix per exemple, de les dues primeres derivades sen poden calcular les respectives derivades
parcials, s a dir, tenim
2f
(a, b) = fxx (a, b),
x2
2f
(a, b) = fxy (a, b),
xy
2f
(a, b) = fyy (a, b).
y 2
Un fet que simplifica molts clculs s que, si la funci s prou regular (totes les segones derivades sn funcions contnues), aleshores lordre de derivaci no importa. s a dir, fxy (a, b) =
fyx (a, b).
1.5
Frmula de Taylor
En lestudi local duna funci f prou regular s til tot sovint laproximaci per polinomis. La
frmula de Taylor diu quin s el polinomi de grau donat que millor"aproxima f a lentorn dun
punt A.
Comencem per un cas senzill: una funci de dues variables aproximada per un polinomi de
grau 1. Suposem doncs que tenim f : R2 R i un punt A = (a, b), i busquem un polinomi
de grau 1
p1 (x, y) = + (x a) + (y )
que coincideixi amb f al punt A fins a lordre 1 amb f , s a dir, tal que:
p1 (x, y) = f (a, b)
p1
(a, b) = f
(a, b)
x
x
p1
f
(a, b) = y (a, b) .
y
Aquestes equacions ens donen els valors
= f (a, b) ,
f
(a, b) ,
x
f
(a, b) ,
y
i per tant el polinomi que buscavem s:

p1 (x, y) = f (a, b) +
f
f
(a, b)(x a) +
(a, b)(y b) .
x
y
Observem que si escrivim X = (x, y) tenim

p1 (X) = f (A) + f (A) (X A) .
Aquesta expressi dna la millor aproximaci lineal de f a lentorn del punt A, i s vlida
tamb per a funcions de ms variables.
Laproximaci polinmica dun grau qualsevol ve donada per la segent definici.
1 de febrer de 2011
14
Definici 1.17. El polinomi de Taylor dordre k de la funci f a lentorn del punt (a, b) s
f
f
(a, b)(x a) +
(a, b)(y b)
pk (x, y) = f (a, b) +
x
y

1 2f
2f
2f
2
2
+
(a, b)(x a)(y b) + 2 (a, b)(y b) + +
(a, b)(x a) + 2
2! x2
xy
y
k
1 f
kf
k
(a, b)(x a)k1 (y b)
(a,
b)(x
a)
+
k
k1
k! x
x y

k

k
k
f
k f
k2
2
k
(a, b)(x a) (y b) + +
(a, b)(y b)
+
2 xk1 y 2
k y k
Observem que les derivades de f i pk coincideixen al punt (a, b) fins a lordre k.
Exemple 1.18. Calculem el polinomi de Taylor de grau 3 de la funci f (x, y) = ex sin(x + y)
a lentorn del punt (0, ).
Necesitem les derivades fins a lordre 3 de la funci. Aplicant successivament les regles de
derivaci per a funcions duna variable tenim:

f
= ex sin(x + y) + cos(x + y) ,
x
2f
= 2ex cos(x + y),
x2
2f
= ex sin(x + y)
y 2
3f
= 2ex sin(x + y),
x2 y
3f
= ex cos(x + y) ,
y 3
f
= ex cos(x + y),
y

2f
= ex cos(x + y) sin(x + y) ,
xy

3f
x
=
2e
cos(x
+
y)
sin(x
+
y)
,
x3

3f
x
=
2e
cos(x
+
y)
sin(x
+
y)
,
xy 2
i avaluant al punt (0, )

f
(0, ) = 1,
x
2f
(0, ) = 1,
xy
3f
(0, ) = 0,
x2 y
f (0, ) = 0,
2f
(0, ) = 2,
x2
3f
(0, ) = 2,
x3
3f
(0, ) = 1,
xy 2
f
(0, ) = 1
y
2f
(0, ) = 0
y 2
3f
(0, ) = 1 .
y 3
Amb tot aix obtenim

p3 (x, y) = 0 1 x 1 (y ) +

1
2x2 2x(y ) + 0(y )2 +
2

1
2x3 + 3 0 x2 (y ) + 3x(y )2 + (y )3
3!
x3 x
1
= x y + x2 x(y )
+ (y )2 + (y )3 .
3
2
6
+
1 de febrer de 2011
1.6. Extrems relatius i extrems condicionats
15
(sin(x+y))*exp(x)
p2(x,y)
1
0.5
0
-0.5
-1
-1.5
-2
-2.5
-3
-3.5
-4
2.22.4
2.62.8
33.2
3.43.6
3.8
-1
-0.5
0.5
Figura 1.6: Grfiques de la funci f (x, y) i el polinomi p2 (x, y) a lentorn del punt (0, ).
Observaci 1.19. Lerror coms en aproximar una funci f a lentorn dun punt A pel seu
polinomi de Taylor de grau k es pot expressar (i controlar) en termes de les derivades (k + 1)simes de f . Noms com a exemple: si f = f (x, y), A = (a, b) i pk (x, y) indica el polinomi de
Taylor dordre k de f a lentorn del punt A, tenim
|f (x, y) pk (x, y)|
k+1
k
X
j=0
j

k+1j
f

f
1
max j (Z) k+1j (Z) ,
j!(k + 1 j)! ZB(A,) x
y
on = kX Ak.
1.6
Extrems relatius i extrems condicionats
Tot sovint conv saber quan una certa funci (per exemple una pressi, una temperatura, el cost
dun procs, etc) assoleix el mxim o el mnim. En aquesta secci veurem com es determinen
els mxims i mnims de funcions de ms duna varaiable en dues situacions corrents: sense
restriccions a les variables i amb restriccions imposades per una altra (o ms) funcions. Leina
bsica per a fer el que volem sn les derivades parcials de la funci. Escriurem els resultats per
a funcions de dues variables, tot i que els resultats per a funcions de n variables sn anlegs.
Definici 1.20. Sigui R2 i sigui f : R. Diem que un punt (a, b) s un mxim
(respectivament mnim) absolut de f si
f (x, y) f (a, b)
(resp. f (x, y) f (a, b))
(x, y) .
Quan no neccessitem precisar si (a, b) s mxim o mnim, diem simplement que (a, b) s extrem
de f .
1 de febrer de 2011
16
Exemple 1.21. (a) Sigui f (x, y) = x2 +y 2 definida a = R2 . Aquesta funci t un nic mnim
absolut al punt a = (0, 0), ja que
f (x, y) = x2 + y 2 0 = f (0, 0)
(x, y) R2 .
En canvi, la funci no t cap mxim absolut, perque donat qualsevol (a, b) R2 , sempre podem
trobar un altre punt (x, y) R2 tal que
f (x, y) = x2 + y 2 > a2 + b2 = f (a, b) .
(b) La funci f (x, y) = y no t cap extrem absolut.
(c) La funci f (x, y) = cos(x2 + y 2 ) assoleix el mxim als punts (x, y) on cos(x2 + y 2 ) = 1,
s a dir, als cercles
x2 + y 2 = 2k
kZ.
Anlogament, els mnims sassoleixen quan cos(x2 + y 2 ) = 1, als cercles
x2 + y 2 = (2k + 1)
kZ.
Definici 1.22. Sigui R2 i sigui f : R una funci de 2 variables. Diem que un punt
(a, b) s un mxim (respectivament mnim) local, o relatiu, de f si existeix un entorn U
(un disc al voltant) del punt (a, b) tal que
f (x, y) f (a, b)
(resp. f (x, y) f (a, b))
(x, y) U .
No tots els extrems relatius sn extrems absoluts.
1.6.1
Clcul dextrems relatius
Anlogament al qu passa per a funcions duna variable, quan una funci de diverses variables
assoleix un extrem relatiu la primera derivada"sanul.la.
Teorema 1.23. Sigui R2 i sigui f : R una funci derivable de 2 variables. Si un
punt (a, b) s un extrem relatiu, aleshores f (a, b) = ~0, s a dir,

f
f
(a, b) =
(a, b) = 0.
x
y
Es diu que (a, b) es un punt crtic de f quan f (a, b) = 0. Aix doncs, el teorema
anterior diu que els extrems relatius es troben entre els punts crtics de f .
Exemple 1.24. Calculem els punts crtics de la funci
f (x, y) = 2x4 + y 4 2x2 2y 2 .
Hem de resoldre el sistema
(
fx (x, y) = 8x3 4x2 = 4x2 (2x 1) = 0
fy (x, y) = 4y 3 4y = 4y(y 2 1) = 0.
Aix
dna els punts(0, 0), (0, 1), (0, 1), (1/ 2, 0), (1/ 2, 1) ,(1/ 2, 1), (1/ 2, 0),
(1/ 2, 1) i (1/ 2, 1). En particular, els mxims i mnims relatius de f (si existeixen) es
troben necessriament entre aquests punts.
1 de febrer de 2011
17
En funcions duna variable real hi ha punts crtics que no sn mxims ni mnims, els anomenats punts dinflexi. Per a funcions de diverses variables hi ha punts amb caracterstiques
anlogues.
Definici 1.25. Diem que un punt (a, b) R2 s un punt de sella de f : R2 R si s un punt
crtic per no s mxim ni mnim.
Exemple 1.26. Sigui f (x, y) = x2 y 2 . El punt (0, 0) s crtic, per en canvi no s mxim ni
mnim:
f (x, 0) = x2 > 0 = f (0, 0)
f (0, y) = y 2 < 0 = f (0, 0)
per a tot x 6= 0
per a tot y 6= 0.
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
1
0.5
-1
-0.5
0
-0.5
0.5
1 -1
Figura 1.7: Grfica de la funci f (x, y) = x2 y 2 per a x, y [1, 1].
Per determinar si un punt crtic s mxim o mnim cal mirar les segones derivades de la
funci.
Definici 1.27. La matriu Hessiana duna funci f : R2 R al punt a Rn s

fxx (a, b) fxy (a, b)
Hf (a) =
fyx (a, b) fyy (a, b)
Per a les funcions habituals tenim fxy = fyx , de manera que la matriu Hessiana s simtrica.
Considerem els menors de la matriu hessiana;
1 = fxx (a, b)

fxx (a, b) fxy (a, b)

2 =
fyx (a, b) fyy (a, b)
1 de febrer de 2011
18
Teorema 1.28. Sigui f : R2 R una funci amb les segones derivades parcials contnues.
Sigui (a, b) R2 un punt crtic de f .
(a) Si 1 > 0 i 2 > 0, aleshores (a, b) s un mnim relatiu.
(b) Si 1 < 0 i 2 > 0, aleshores (a, b) s un mxim relatiu.
(c) Si 2 < 0, aleshores (a, b) s un punt de sella.
El teorema anleg per a funcions de 3 variables s el segent:
Teorema 1.29. Sigui f : R3 R una funci amb les segones derivades parcials contnues.
Sigui (a, b, c) R3 un punt crtic de f i siguin

fxx (a, b, c) fxy (a, b, c) fxz (a, b, c)
fxx (a, b, c) fxy (a, b, c)

, 3 = fyx (a, b, c) fyy (a, b, c) fyz (a, b, c)
1 = fxx (a, b), 2 =

fyx (a, b, c) fyy (a, b, c)
fzx (a, b, c) fzy (a, b, c) fzz (a, b, c)
Aleshores:
(a) Si 1 > 0, 2 > 0 i 3 > 0, llavors (a, b, c) s un mnim relatiu.
(b) Si 1 < 0, 2 > 0 i 3 < 0, llavors (a, b, c) s un mxim relatiu.
(c) Als altres casos (a, b, c) s un punt de sella.
Observaci 1.30. Hi ha casos en que el teorema anterior no permet determinar la natura del
punt crtic. Per exemple, la funci f (x, y) = x4 + y 4 t un mnim al punt (0, 0), per la matriu
Hessiana al (0, 0) s

0 0
Hf (0, 0) =
0 0
Exemple 1.31. Classifiquem els punts crtics de la funci de lExemple 1.24. La matriu Hessiana a un punt (x, y) qualsevol s

24x 4
0
Hf (x, y) =
0
12y 4
Ara hem de substituir cadascun dels punts crtics a aquesta matriu i aplicar el Teorema 1.28.
Per exemple

4 0
Hf (0, 0) =
(0, 0) s mxim.
0 4

4 0
Hf (0, 1) =
(0, 1) s punt de sella.
0 8

4 0
Hf (0, 1) =
(0, 1) s mxim.
0 16
Anlogament es veu que
(i) (1/ 2, 0), (1/ 2, 1), (1/ 2, 1) sn punts de sella.
(ii) (1/ 2, 0) i (1/ 2, 1) sn mxims.
(iii) (1/ 2, 1) s mnim.

1 de febrer de 2011
1.6.2
19
Extrems condicionats
A la prctica, juntament amb una funci que modelitza matemticament un cert fenmen, tot
sovint trobem unes restriccions per a les variables de les quals depn la funci.
Recordem que una funci contnua duna variable, definida a un interval del tipus [a, b],
sempre t un mxim i un mnim absoluts. Aquests poden trobar-se a linterior de linterval o a
3
2
la vora. Per exemple,
la funci f (x) = x /6 1.5x + 2x + 1/3 linterval [0, 8] t un mxim
relatiu a x = 3 5 i un mnim relatiu a x = 3 + 5 . El mnim relatiu s tamb el mnim
absolut, per en canvi el mxim absolut es troba al punt x = 8, que no s un punt crtic (vegeu
la Figura 1.8).
6
f(x)
4
-2
-4
-6
-8
0
Figura 1.8: La funci f (x) = x3 /6 1.5x2 + 2x + 1/3 per a x [0, 8].
Per a funcions de ms variables passa una cosa semblant: les funcions contnues definides
sobre les regions K R2 finites habituals (discs, rectangles, etc.), sempre tenen mxim i mnim
absoluts.
Tal i com passa amb les funcions duna variable definides a una regi finita [a, b], els extrems
absoluts de f es poden trobar a linterior de K o a la frontera (la vora de K). En primer lloc
prendrem els punts crtics que es troben dins K. Desprs restringirem la funci a la frontera
de K i nestudiarem els candidats a extrem. Al final avaluarem la funci a cadascun dels punts
obtinguts anteriorment, i decidirem quins sn els mxims i els mnims absoluts.
Tcnicament, per poder assegurar que f : K R contnua t extrems absoluts cal que K
sigui un conjunt compacte; aix vol dir que
(i) Cap part de K sen a linfinit (K s acotat),
(ii) Qualsevol punt aproximable per punts de K tamb s de K (K s tancat).
Exemple 1.32. Busquem els mxims i mnims absoluts de la funci f (x, y) = 4x3 + 2x2 y + y 2
definida al quadrat Q = {(x, y) R2 : |x| 1 , |y| 1}. La funci f s contnua (s un
polinomi) i la regi Q s finita.
1 de febrer de 2011
20

(i) Punts crtics a linterior. Resolem el sistema
(
fx (x, y) = 12x2 + 4xy = 4x(3x + y) = 0
fy (x, y) = 2x2 + 2y = 2(x2 + y) = 0
Aix dna els punts (0, 0) Q i (3, 9)

/ Q, dels quals noms hem de guardar el (0, 0).
(ii) Extrems a la frontera. Restringim la funci f a cadascun del quatre costats de Q.
Costat 1. x = 1 i y [1, 1]. Tenim la funci
g(y) = f (1, y) = 4 + 2y + y 2 .
Imposant g 0 (y) = 0 obtenim y = 1. Aix dna el punt (1, 1), al qual hi afegim laltre
extrem de linterval, el punt (1, 1).
Costat 2. y = 1 i x [1, 1]. Ara tenim la funci
g(x) = f (x, 1) = 4x3 + 2x2 + 1.
La condici g 0 (x) = 0 dna lloc als punts (0, 1) i (1/3, 1), als que hi afegim lextrem de
linterval que encara no tenem, el punt (1, 1).
Costat 3. x = 1 i y [1, 1]. Aqu tenim la funci
g(y) = f (1, y) = 4 + 2y + y 2 .
La condici g 0 (y) = 0 dna lloc al punt (1, 1). Aqu no cal afegir els extrems de linterval,
perque ja han sortir abans.
Costat 4. y = 1 i x [1, 1]. Ara tenim la funci
g(x) = f (x, 1) = 4x3 2x2 + 1.
La condici g 0 (x) = 0 dna lloc als punts (0, 1) i (1/3, 1). Aqu tampoc no cal afegir els
extrems d linterval.
Tot plegat, els candidats a mxim i mnim absolut sn els punts: (0, 0), (1, 1), (1, 1), (0, 1),
(1/3, 1), (1, 1), (1, 1), (0, 1) i (1/3, 1). Avaluant, veiem que
f (0, 0) = 0
f (1, 1) = 3
f (1, 1) = 7
f (0, 1) = 1
f (1/3, 1) = 1 + 2/27 f (1, 1) = 1
f (1, 1) = 5 f (0, 1) = 1
f (1/3, 1) = 1 2/27.
Daix dedum que (1, 1) s mxim i (1, 1) s mnim.
1 de febrer de 2011
21
8
6
4
2
0
-2
-4
-6
1
0.5
-1
-0.5
0
-0.5
0.5
1 -1
Figura 1.9: Grfica de la funci f (x, y) = 4x3 + 2x2 y + y 2 a Q
1.6.3
Mtode dels multiplicadors de Lagrange
Tot sovint, en mirar quins sn els possibles extrems a la frontera, la condici que la defineix
no es pot substituir directament a la funci. El mtode que explicarem a continuaci permet
resoldre algunes daquestes situacions.
Sigui f : R2 R funci, i sigui el conjunt
M = {(x, y) R2 : g(x, y) = c},
cR
g g
on g(x, y), s una funci tal que ( x
, y ) 6= (0, 0) per a tot (x, y) M .
Teorema 1.33. En les condicions anteriors, qualsevol extrem absolut de f restringida a M s

tamb un extrem relatiu de la funci (anomenada Lagrangiana)
L(x, y, ) = f (x, y) (g(x, y) c) .
A la prctica el teorema anterior ens porta a buscar els punts crtics de L, que surten de
resoldre el sistema:
fx (x, y) gx (x, y) = 0
fy (x, y) gy (x, y) = 0
g(x, y) = c
Exemple 1.34. Calculem els extrems absoluts de f (x, y) = x+y restringida al cercle x2 +y 2 =
1.
1 de febrer de 2011
22

Observem que el conjunt on estem restringint f s
M = {(x, y) R2 : x2 + y 2 = 1}.
Si definim g(x, y) = x2 + y 2 veiem de seguit que aquest s un dels conjunts que apareixen en
el teorema anterior. Per tant, dacord amb el Teorema 1.33, hem de buscar els punts crtics de
la funci Lagrangiana
L(x, y, ) = x + y (x2 + y 2 1),
s a dir, hem de resoldre el sistema
1 2x = 0
1 2y = 0
2
x + y 2 = 1.
De les dues primeres equacions veiem que
tercera en
x = y, i de la
dedum aleshores que
2
x = 1/2. Aix dna lloc als punts (1/ 2, 1/ 2) i (1/ 2, 1/ 2). Avaluant la funci
trobem que
i
f (1/ 2, 1/ 2) = 2 .
f (1/ 2, 1/ 2) = 2
Per tant (1/ 2, 1/ 2) s mxim i (1/ 2, 1/ 2) s mnim.
1.7
Exercicis
1. Dibuixeu els conjunts de nivell de les funcions;

(a) f (x, y) = log(1 + xy) ,
(b) g(x, y) = |xy| .
2. Estudieu lexistncia dels lmits i derivades direccionals al punt (0, 0) de les funcions
(a)
2
xy
f (x, y) = x2 + y 2
si (x, y) 6= (0, 0),

si (x, y) = (0, 0).
(b)

(x2 + y 2 ) sin 1
x2 +y 2
g(x, y) =
0
3. Sigui
3
xy
f (x, y) = x4 + y 2
si (x, y) 6= (0, 0),

si (x, y) = (0, 0).
si (x, y) 6= (0, 0)
si (x, y) = (0, 0).
Vegeu que les derivades direccionals existeixen per a totes les direccions i calculeu f (0, 0).
1 de febrer de 2011
1.7. Exercicis
23
4. Siguin la funci f (x, y) = x3 + x2 y 3 2y 2 i el punt A = (2, 1).
(a) Calculeu f (A),

1)
~ = (2,
.
(b) Calculeu la derivada direccional de f al punt A en la direcci U
5
5. (a) Determineu els valors a, b i c tals que la derivada direccional de f (x, y, z) = axy 2 +
byz + cz 2 x3 al punt (1, 2, 1) tingui valor mxim igual a 64 en una direcci parallela a
leix z.
(b) Amb els valors obtinguts a lapartat (a), determineu el pl tangent a la superfcie
f (x, y, z) = 0 al punt (0, 0, 1).
6. Calculeu el polinomi de Taylor de grau 2 de:
(a) f (x, y) = x3 + 2xy 2 en un entorn de (1, 2).
(b) f (x, y, z) = xyz en un entorn de (1, 2, 5).
7. Una empresa qumica fabrica dos bns, que ven al preus respectius de 12 u.m. i 8 u.m.
La funci de costos conjunts daquesta empresa s
C(x, y) = 2x2 + xy + 2y 2 ,
essent x i y les respectives quantitats produdes daquests bns. Determina quina quantitat
cal produir de cada b perque lempresa tingui un benefici mxim.
8. Estudieu els extrems relatius de les funcions:
(a) f (x, y) = x3 + 3xy 2 15x 12y.
(b) f (x, y, z) = (x + z 2 )exy
2 +z 2 +1
9. Demostreu que la funci f (x, y) = (1+ey ) cos xyey t infinits mxims per cap mnim.
2
2
3
2
10. Trobeu els extrems absoluts de la
y) = sin x + x + 2y 3y definida al
funci f (x,
2
compacte K = {(x, y) R : x , 0 y 1}.
1 de febrer de 2011
24

Test
1. El vector gradient de la funci f (x, y, z) = exy log z a un punt (x, y, z) qualsevol s:

(a)
(c)
exy (log z, log z, 1/z)

exy
(y, x, 1/z)
z
(b)
exy (y log z, x log z, 1/z)
(d)
Cap dels valors anteriors.
2
2. La derivada direccional
dela funci f (x, y) = sin(xy ) en el punt (, 1/2) segons la
direcci unitria (1/ 2, 1/ 2) s:
4 + 1
2(1/8 + /2)
(b)
(c)
(d) Cap dels valors anteriors.
(a)
8
3. El polinomi de Taylor de grau 2 de la funci f (x, y) = sin(x2 + y 2 ) al punt (0, 0) s:

(a) x + y + x2 + y 2
(b) x + y
(c) x3 + y 3
4. Els extrems relatius de la funci f (x, y) = ex
3 +3xy+y 2
(a) (0, 0) mxim, (3/2, 9/4) mnim

(c) (3/2, 9/4) mnim
sn:
(b) (0, 0) mnim, (3/2, 9/4) mxim

5. Els extrems absoluts de la funci f (x, y) = x2 + y 2 2y + 2 definida al compacte

K = {(x, y) R2 : y 0 ; x2 + y 2 1} sn:
(a) (0, 1) mnim, (1, 0), (1, 0) mxims
(c) (0, 1), (0, 0) mnims, (1, 0), (1, 0) mxims
(b) (0, 0) mxim, (1, 0), (1, 0) mnim

Per a funcions de dues variables podeu visualitzar els diversos elements tractats a aquest
captol a
http://web.monroecc.edu/manila/webfiles/calcNSF/JavaCode/CalcPlot3D.htm
1 de febrer de 2011
Captol 2
Errors
En les cincies experimentals rarament es coneix el valor exacte duna magnitud donada, sin
noms una aproximaci. El valor daquesta aproximaci depn de la precisi dels aparells de
mesura, per tamb del tractament numric que fem de les dades.
2.1
Errors darrodoniment i de truncament
Des del punt de vista matemtic distingirem dos tipus derrors:

Els errors darrodoniment, deguts a la precisi de les dades amb qu treballem (el
nombre de decimals) i
els errors de truncament, deguts a laproximaci duna frmula matemtica per una
altra.
Per exemple, si triem com a valor de el valor 3.1416 estem cometent un error darrodoniment, ja que canviem el valor real = 3.14159.... per la seva millor aproximaci amb quatre
xifres decimals.
x2
1
= 1+x+
s aproximadament 1 + x.
En canvi, si x s proper a 0 el valor de
1x
1x
1
Si en lloc dutilitzar
utilitzem 1 + x cometem un error de truncament (hem truncat la
1x
frmula).
Normalment els errors darrodoniment van lligats a la precisi dels aparells. Per exemple,
si treballem una balana que t una precisi de millgrams, a la prctica noms disposarem de
mesures arrodonides fins a aquesta precisi.
Tot i que aquests errors acostumen a ser petits, cal anar molt en compte en fer-hi operacions,
ja que aleshores es poden produir distorsions importants.
Veiem un exemple senzill del que pot succeir:
Exemple 2.1. Considerem la funci f (x) =
f (2) = lim
0
h0
2+h
h
x; tenim:
= lim
h0
1
1
= .
2+h+ 2
2 2
1 de febrer de 2011
26
Errors
2+h 2
1
Com es pot observar, per a h & 0 tenim
% , i per tant tericament com
h
2 2
ms petit triem h millor aproximaci de la derivada tindrem.
Aquest resultat matemtic falla quan fem els clculs amb una calculadora o un full de clcul,
degut a que la mquina no pot treballar amb infinites xifres decimals.
2.000000001 2
dna 0.35 mentre que el
Per exemple amb una mateixa calculadora
0.000000001
1
2.00001 2
clcul de
dna 0.352553 que s ms proper al valor exacte = 0.35355339059327... .
0.00001
2 2
2.000000001 2
Tamb cal observar que, si en lloc de calcular el valor de
, fem lo0.000000001
1
, que matemticament sn equivalents, sobt 0.35355339 que s
peraci
2.000000001 + 2
diferent de 0.35.
En resum, cal tenir en compte que expressions matemticament equivalents, poden no donar
els mateixos valors al fer els clculs amb calculadores o PCs.
2.2
Error absolut i error relatiu
Definici 2.2. Si x s un nombre real i x el seu valor arrodonit, lerror absolut darrodoniment
(habitualment anomenat error) s
ea (x) = x x ,
i lerror relatiu
er (x) =
x x
.
x
Normalment no es coneix el valor daquest errors per s que sen poden obtenir cotes.
Per exemple si una balana pot efectuar pesades amb una precisi de millgrams i al pesar un
objecte ens marca 8.342g. dedum que lobjecte pesa entre 8.3415 i 8.3425 grams. Per tant en
aquest cas lerror mxim que podem cometre s de 0.0005g.
Diem que Ea (x) s una cota de lerror quan |ea (x)| Ea (x) i escrivim
x = x Ea (x) ,
que s una manera de dir que x es troba a linterval (
x Ea (x), x + Ea (x)).
Per exemple, si treballem arrodonint els nombres a la k-ssima xifra decimal tenim una cota
de lerror Ea (x) = 0.5 10k .
La cota Ea (x) dna lloc tamb a una cota de lerror relatiu Er (x) := Ea (x)/
x. Aleshores
x = x Ea (x) = x 1
1 de febrer de 2011
Ea (x)
= x(1 Er (x)) .
x
2.3. Propagaci derrors
2.3
27
Propagaci derrors
Volem veure com queden afectades les cotes derror en fer operacions. Per exemple, per a les
operacions habituals tenim
Ea (x + y) = Ea (x) + Ea (y) ,
Er (xy) ' Er (x) + Er (y) ,
Ea (x y) = Ea (x) + Ea (y) ,
Er (x/y) ' Er (x) + Er (y) .
Les dues primeres propietats sn directes a partir de les definicions. La tercera surt de la igualtat
Er (xy) = x(1 Er (x))
y (1 Er (y)) = xy(1 Er (x) Er (y) Er (x)Er (y)) ,
un cop menyspreat el terme Er (x)Er (y). La quarta es dedueix anlogament.
En general, si y = f (x), el teorema del valor mitj ens dna una frmula aproximada de
propagaci de lerror:
ea (y) = f 0 (x)ea (x) .
Per a les cotes, aix dna lloc a la relaci
Ea (y) ' |f 0 (
x)|Ea (x) .
Exemple 2.3. (a) Quan el moviment s uniforme lespai recorregut sescriu en funci de la
velocitat (i del temps) com
x = f (v) = vt .
Si hem circulat una hora i mitja a uns 100 km/h, quants km hem avanat?
Tenim v = 100 Ea (v) i per tant x = vt = 100 1, 5 = 150 km amb una cota derror
Ea (x) = |f 0 (
v )|Ea (v) = 1, 5 Ea (v) .
(b) Sigui la frmula x = at2 dun moviment uniformement accelerat, on x indica lespai,
p
t el temps i a lacceleraci. El temps en funci de lespai i lacceleraci s doncs t = x/a.
Suposem que coneixem lespai exactament, x = 4, i lacceleraci aproximadament a = 16
Ea (a). Aleshores
2
1
2
t = f (
a) = = = ,
4
2
a
amb una cota derror
Ea (a)
,
Ea (t) = |f 0 (
a)|Ea (a) =
64
ja que f 0 (a) = 1/ a3 i per tant |f 0 (16)| = 1/64.

Observaci 2.4. Per a funcions de diverses variables hi ha tamb una frmula aproximada de
propagaci de lerror. Si y = f (X), amb X = (x1 , . . . , xn ) i errors Ea (X) = (ea (x1 ), . . . , ea (xn )),
tenim
n
X
f
Ea (X) =
ea (y) ' f (X)
(
x1 , . . . , xn ) ea (xj ) ,
x
j
j=1
i per tant

n
X
f

Ea (xj ) .
Ea (y) '
(
x
,
.
.
.
,
x
)
1
n
xj

j=1
1 de febrer de 2011
28
Errors
2.4
Representaci de nombres amb punt flotant
Moltes vegades als clculs de laboratori treballem noms amb un cert nombre fix de decimals.
Si les quantitats amb qu treballem sn grans, normalment lerror coms degut a larrodoniment
ser petit. No obstant, si les quantitats sn petites lerror pot ser considerable.
Per exemple si treballem amb una calculadora amb 8 dgits de pantalla, i en lloc de 12.2376847645
utilitzem 12.237685 probablement obtindrem un resultat final similar; en canvi, si en lloc de
0.000000023453 utilitzem 0.00000002 s que el resultat pot variar considerablement.
Per tal devitar aquest error s convenient introduir el nmero 0.000000023453 de la forma
0.23453E 7 = 0.23453 107 .
La representaci dun nmero com a producte dun nmero entre 0.1 i 1 multiplicat per una
potncia de 10 sanomena representaci amb punt flotant.
Per exemple la representaci amb punt flotant de 1.23 s 0.123 101 i la de 0.0012 s 0.12
102 .
2.5
Representaci de nombres amb notaci cientfica
Aquesta s la notaci habitual utilitzada en el treball de laboratori. Es representa el nmero com

un valor 1 x < 10 multiplicat per una potncia entera de 10.
Per exemple 723.3214 en notaci cientfica lescriurem de la forma 7.233214 102 .
2.6
Exercicis
1. Representeu els segents nombres amb punt flotant i en notaci cientfica.

3.1234567,
0.0006562341,
2345.67787,
-0.03456,
1.2345
2. Arrodoniu els nombres del problema anterior a la tercera xifra decimal.

3. A larrodonir el nombre = 3.141592653... per 3.1416, quins sn els errors absolut i
relatiu que cometem?
4. Si sabem que 3.125 s larrodoniment a la tercera xifra decimal dun cert nombre, quin
s lerror absolut mxim que podem cometre?
5. Una balana ens dna el pes amb una precisi de millgrams. Si la balana marca 3.456
g., en quin interval est incls el pes real de lobjecte?
6. Una balana ens dna el pes amb una precisi de millgrams. El pes dun recipient ple
de lquid s de 187.301 g., i buit s de 84.140 g. En quin interval s troba el pes real del
lquid?
1 de febrer de 2011
2.6. Exercicis
29
Test
1. Si 1.23, 2.34, 1.05 sn arrodoniments a la segona xifra decimal de certs nombres, lerror
que cometem al sumar el triple daquests valors s com a molt:
(a) 0.0045
(b) 0.005
(c) 0.045
2. Medim tres objectes amb una aparell que ens dna una precisi en millmetres. Quin s
lerror absolut mxim en metres que podem cometre al triar com a longitud total dels tres
la suma dels tres valors donats per laparell?
(a) 0.005
(b) 0.0015
(c) 0.0005
3. La representaci de 34.78 amb punt flotant s:

(a) 0.3478E2
(b) 0.3478E-2
(c) 3.478E2
1 de febrer de 2011
30
1 de febrer de 2011
Errors
Captol 3
En aquest captol veurem alguns mtodes iteratius que serveixen per calcular el valor aproximat
duna soluci real duna certa equaci f (x) = 0. Suposarem, com en captols anteriors, que la
funci f s una funci tantes vegades derivable com calgui.
3.1
Localitzaci de zeros
Una de les eines ms utilitzades per a localitzar els zeros duna funci f s el teorema de
Bolzano.
Teorema de Bolzano Si f s contnua en [a, b] i f (a)f (b) < 0, llavors existeix almenys un
c (a, b) tal que f (c) = 0. Si, a ms, la derivada de f en (a, b) no canvia de signe, llavors c s
nic.
Exemple 3.1. Localitzem les arrels del polinomi f (x) = x3 3x 1.
Fem una taula de valors comenant pel 0 i avanant en les dues direccions simultniament.
x
f (x)
-2
-1
-1
1
0
-1
1
-3
2
1
Com que f (2) f (1) = 1 < 0 sabem que la funci t almenys un zero en linterval
(2, 1). El mateix raonament ens diu que el polinomi t almenys una arrel entre 1 i 0, i
almenys una altra arrel entre 1 i 2. Com que tot polinomi de grau 3 t com a molt tres arrels
reals, no pot haver-nhi ms.
Una altre resultat important s el segent.
Teorema 3.2. Si la derivada duna funci f t k zeros en [a, b], llavors la funci f en t com a
molt k + 1 en [a, b].
1 de febrer de 2011
32

f 0 (x) = 0
f 0 (x) = 0
f 0 (x) = 0
Figura 3.1: Funci f amb 4 zeros i 3 zeros de f 0 .
A la prctica, el teorema de Bolzano serveix per determinar el nombre mnim de zeros de la

funci f a linterval, i el teorema anterior per determinar-ne el nombre mxim. Per tant, si els
dos valors coincideixen aquest nic valor s precisament el nombre de zeros de f en linterval.
Una forma ms imprecisa de localitzar els zeros consisteix en representar grficament certes
funcions que apareixen a lequaci.
Exemple 3.3. El nombre de solucions reals de lequaci x3 3x 1 = 0 s igual al nombre de
talls de les grfiques de les funcions x3 i 3x + 1, ja que lequaci s equivalent a x3 = 3x + 1.
Dibuixant les grfiques daquestes funcions observem que s tallen en tres punts i per tant
lequaci t tres solucions reals.
10
-3
-2
-1
-5
Figura 3.2: Grfica de les funcions x3 i 3x + 1.
3.2
Iteraci simple
Els mtodes diteraci simple per aproximar solucions duna equaci del tipus f (x) = 0,
consisteixen en triar un punt inicial x0 i a partir daquest, mitjanant una frmula adequada
1 de febrer de 2011
3.2. Iteraci simple
33
xn+1 = g(xn ), obtenir una successi de punts x0 , x1 , x2 , .... que es vagi aproximant al valor
buscat. En aquests processos es determina un interval [a, b] i una funci g(x) que compleixin:
1. Linterval [a, b] cont una nica soluci de lequaci f (x) = 0.
2. Les equacions f (x) = 0 i x = g(x) sn equivalents a linterval [a, b].
3. La funci |g 0 (x)| s ms petita que una certa constant k < 1 en tot linterval [a, b].
Llavors, prenent com a valor inicial un punt x0 [a, b], la successi
x0 ,
x1 = g(x0 ),
x2 = g(x1 ), ....
convergeix cap a un punt c [a, b] que compleix f (c) = 0.

Observacions:
Com que f (c) = 0 tindrem tamb g(c) = c.
Si g s derivable tenim |xn+1 c| = |g(xn ) g(c)| = |g 0 ()||xn c|, per a cert entre
xn i c. Per tant, si |g 0 (x)| k < 1 a linterval [a, b], tenim un control de la velocitat de
convergncia de {xn }n cap a c:
|xn c| k|xn1 c| k 2 |xn2 c| k n |x0 c| k n (b a) .
Aix ens dna tamb una cota de lerror entre el valor aproximat xn i el de la soluci
buscada c. Com ms petit sigui k, ms rpidament tendeix k n a 0, i per tant ms petita
ser la cota de lerror.
Aix doncs, utilitzarem el segent criteri per decidir si un mtode diteraci simple xn+1 =
g1 (xn ) s ms adequat que un altre mtode xn+1 = g2 (xn ): si la cota k1 de |g10 (x)| s ms
petita que la cota k2 de |g20 (x)| en un entorn del punt petit del punt buscat, llavors triarem
el primer mtode.
No sempre aquest criteri ser el ms encertat, ja que triem en funci de la cota de lerror
i no de lerror real. No obstant, en la majoria de casos sol funcionar.
Si |g 0 (x)| m > 1, el mateix raonament mostra que
|xn c| m|xn1 c| m2 |xn2 c| mn |x0 c|.
Essent m > 1 tenim mn , i el mtode divergeix.
Si |f 0 (x)| m > 0 prop del punt c buscat, la cota de lerror |xn c| per a xn proper a c
est acotada per |f (xn )|/m.
El nombre de passos que cal fer depn de la precisi desitjada en laproximaci , o b de
la tolerncia acceptada pel valor 0. De forma ms precisa, aturem el mtode si:
1. Tenim ja una precisi determinada k , s a dir, si xk [a 0.5k , a + 0.5k ), amb
f (a 0.5k )f (a + 0.5k ) < 0.
1 de febrer de 2011
34

2. El valor de la funci al punt xk s inferior a una tolerncia T1 predeterminada, s a
dir, si |f (xk )| < T1 .
3. El valor de |xk xk1 | s inferior a una tolerncia T2 predeterminada, s a dir, si
|xk xk1 | < T2 .
Exemple 3.4. Resolem lequaci f (x) = x3 + 6x + 1 = 0.

Essent f un polinomi de grau senar hi ha almenys una arrel real. A ms f 0 (x) = 3x2 + 6
6 > 0, de manera que f s estrictament creixent i larrel s nica.
Observem que f (1)f (0) = 6 < 0, i per tant aquesta arrel es troba a [1, 0]. Triem ara
x3 1
; tenim:
g(x) =
6
les equacions f (x) = 0 i x = g(x) sn equvalents, i
|g 0 (x)| = x2 /3 1/3 = k < 1 en [1, 0].
Per tant, triant per exemple x0 = 0 i aplicant el mtode diteraci, sobt:
n
0
1
2
3
4
5
xn
0
-0.166666667
-0.165895062
-0.165905729
-0.165905582
-0.165905584
g(xn )
f (xn )
-0.166666667
1
-0.165895062 -0.00462963
-0.165905729 6.40032E-05
-0.165905582 -8.80778E-07
-0.165905584 1.21216E-08
-0.165905584 -1.66821E-10
Aix doncs 0.165905584 s una bona aproximaci de larrel del polinomi f .

Exemple 3.5. En el problema anterior, quin s larrodoniment a la quarta xifra decimal de la
soluci de lequaci?
s 0.1659, ja que f (0.16585) f (0.16595) < 0 i per tant el zero buscat est troba entre
-0.16585 i -0.16595.
Exemple 3.6. I si fixem la tolerncia T1 = 104 , en quin pas podem aturar el mtode?
En x2 , ja que |f (x2 )| = 6.40032E 05 < T1 .
Exemple 3.7. I si fixem T2 = 104 , en quin pas podem aturar el mtode?
En x3 , ja que es verifica |x3 x2 | < T2 , mentre que |x1 x0 | i |x2 x1 | sn ms grans que
T2 .
3.2.1
El mtode de Newton-Raphson
Aquest mtode s el que sobt en definir xn+1 com el punt dintersecci de la recta tangent a
la grfica de f al punt xn (recta y = f (xn ) + f 0 (xn )(x xn )) amb leix X (recta y = 0).
Frmula diteraci: x0 ,
1 de febrer de 2011
xn+1 = xn
f (xn )
,
f 0 (xn )
n 0.
3.3. Iteraci mltiple
35
Hi ha criteris per decidir com triar de forma ms adequada el punt x0 , tot i que sovint sn
complicats daplicar. Per aquest motiu el millor s comprovar que el procs iteratiu ens apropa
al punt buscat.
Figura 3.3: Illustraci duna iteraci del mtode de Newton. La funci apareix en blau, la recta
tangent en vermell i la soluci buscada s x.
Exemple 3.8. Trobeu el valor aproximat de larrel del polinomi p(x) = x3 + 3x 1.
Com que p(0) = 1 i p(1) = 3 l polinomi t una arrel entre 0 i 1. A ms, com que
p0 (x) = 3x2 + 3 3 la funci s estrictament creixent i larrel s nica. Triant com a punt de
partida x0 = 0 tenim:
n
0
1
2
3
4
x
0
0.333333333
0.322222222
0.322185355
0.322185355
f (x) = x3 + 3x 1
-1
0.037037037
0.000122085
1.31383E-09
0
f 0 (x) = 3x2 + 3
3
3.333333333
3.311481481
3.311410209
3.311410208
Observem que el mtode convergeix molt rpidament.
3.3
Iteraci mltiple
En aquest cas es parteix dun o ms punts inicials i s determina el segent punt de la iteraci a
partir dalguns o de tots els valors anteriors.
Una famlia dexemples la formen els mtodes del tipus: x0 , x1 , x2 = g(x0 , x1 ), x3 =
g(x1 , x2 ), ...., en els que cada nou punt es determina a partir dels dos anteriors.
1 de febrer de 2011
36
3.3.1
El mtode de la secant
Com el seu nom indica, es basa en una construcci geomtrica a partir del segment que uneix
dos punts de la grfica. Tamb s pot pot interpretar com una variaci del mtode de NewtonRaphson aproximant la derivada per un quocient incremental.
La frmula diteraci s:
x0 ,
x1 ,
xn+1 = xn f (xn )
xn xn1
,
f (xn ) f (xn1 )
n 1.
Figura 3.4: Illustraci de les dues primeres iteracions del mtode de la secant. La funci
apareix en vermell i les secants en blau.
Exemple 3.9. Com en lexemple anterior, busquem el valor aproximat de larrel del polinomi
p(x) = x3 + 3x 1.
n
0
1
2
3
4
5
6
7
1 de febrer de 2011
x
0
1
0.25
0.304347826
0.322534645
0.32218356
0.322185354
0.322185355
f (x) = x3 + 3x 1
-1
3
-0.234375
-0.058765513
0.001156761
-5.94291E-06
-6.06055E-10
0
3.3. Iteraci mltiple
3.3.2
37
El mtode de la bisecci
Aquest mtode s conseqncia diracta del Teorema de Bolzano. El mtode de bisecci consisteix en construir una successi dintervals encaixats,
(a, b) (a0 , b0 ) (a1 , b1 ) . . . (ak , bk ) . . . ,
cadascun dels quals s una de les dues meitats de lanterior, i cont larrel. Aleshores lamplitud
de cada interval s la meitat de la de lanterior: bk ak = 2(bk+1 ak+1 ). Quan aquesta
amplitud sigui prou petita considerarem com a bona aproximaci de larrel qualsevol punt de
k
lltim interval calculat, per exemple el punt mitj ak +b
.
2
La successi dintervals es construeix aix:
1. Partim de linterval (a0 , b0 ) = (x0 , x1 ) tal que f (x0 )f (x1 ) < 0, calculem el punt mig de
linterval x2 = (x0 + x1 )/2.
2. Si f (x2 ) = 0, x2 s larrel buscada i per tant no cal continuar.
3. Si no, calculem x3 triant de nou el punt mig de linterval (a1 , b1 ) definit per (x0 , x2 ) si
f (x0 )f (x2 ) < 0, o b per (x2 , x1 ) si f (x2 )f (x1 ) < 0.
4. El procs es continua de manera iterativa, per a partir ara de linterval (a1 , b1 ).
El mtode de bisecci t lavantatge de ser sempre convergent per la seva velocitat de
convergncia s lenta. Per contra, s molt fcil donar una estimaci de lerror. Si c s la soluci
buscada de lequaci f (x) = 0, llavors per a n 1 es compleix |xn c| (x1 x0 )/2n1 .
Figura 3.5: Illustraci de les primeres iteracions del mtode de la bisecci. El punt vermell
indica larrel.
1 de febrer de 2011
38
Exemple 3.10. Volem cercar lnica arrel de la funci f (x) = exp(x 0.5) 2x + 0.35 = 0
que hi ha a linterval (1.25, 1.45).
Aplicant el mtode de bisecci obtenim la segent taula:
i
0
1
2
(ai , bi )
f (ai )
f (bi )
(1.25,1.45) -0.0330 0.0357
(1.35,1.45) -0.0104 0.0357
(1.35,1.40) -0.0104 0.0096
En aquest exemple tenim que |x4 c|
3.4
1.451.25
23
xi+2 = (bi + ai )/2 f (xi+2 )

x2 = 1.35
-0.0104
x3 = 1.4
0.0096
x4 = 1.375
-0.0011
= 0.025.
Exercicis
1. Proveu que la funci f (x) = ex x 2 t dos zeros, i calculeu el ms petit dels dos amb
una tolerncia T1 ms petita que 104 :
(a) Pel mtode diteraci simple amb g(x) = ex 2 i x0 = 2.
(b) Pel mtode de Newton-Raphson amb x0 = 2.
(c) Pel mtode de la secant amb x0 = 2 i x1 = 1.
2. Proveu que el polinomi p(x) = x3 x2 + 6x 1 t una nica arrel, i calculeu el seu valor
aproximat amb un error ms petit que 103 :
1 + x2 x3
i x0 = 0.
6
(b) Pel mtode de Newton-Raphson amb x0 = 0.
(a) Pel mtode diteraci simple amb g(x) =
(c) Pel mtode de la secant amb x0 = 0 i x1 = 1.

3. Volem calcular el valor aproximat de larrel del polinomi p(x) = x3 + x 3 propera a
1.21. Quina de les segents funcions g(x) sembla la ms adequada si volem utilitzar el
mtode diteraci simple xn+1 = g(xn ) ?
3
g(x) = 3 x3 ,
g(x) = 3 3 x,
g(x) = 2
x +1
Test
1. En la resoluci de lequaci x2 ex = 0 amb el mtode de Newton-Raphson amb punt
de partida x0 = 0, el valor de x3 s aproximadament:
(a) -0.70381,
(b) -0.71412 ,
(c) -0.75356,
(d) cap de les anteriors.
2. Prenent com a punts de partida x0 = 0 i x1 = 1 en el mtode de la secant per a resoldre

lequaci x3 + x 1 = 0, el valor de x2 s:
(a) 0.25,
1 de febrer de 2011
(b) 0.5 ,
(c) 0.75,

3.4. Exercicis
39
3. Quin dels segents mtodes diteraci simple xn+1 = g(xn ) sembla el ms adequat per
calcular el valor aproximat de la soluci de lequaci x3 + 3x + 1 = 0 propera a -0.32?
(b) g(x) = 3 3x + 1 ,
x3 + 1
,
3
3x 1
(c) g(x) =
,
x2
(a) g(x) =
(d) g(x) = 3x3 + x .
4. Si al calcular el valor aproximat de la soluci c de lequaci f (x) = 0 en linterval [1, 2]

per un mtode diteraci simple obtenim x5 = 1.234235, i comprovem que f (1.2342) =
0.00012 i f (1.2343) = 0.00042, quin dels segents valors s una mnima cota de
|x5 c|?
(a) 0.000035,
(b) 0.000065,
(c) 0.00012,
(d) 0.00042.
Podeu visualitzar el mtode de la bisecci a

http://www.csun.edu/hcmth018/Bi.html
http://www.win.tue.nl/stephanh/dictaat/solvers/node2.html .
Podeu visualitzar el mtode de Newton a
http://www.slu.edu/classes/maymk/GeoGebra/Newton.html
http://www.ies.co.jp/math/java/calc/roota/roota.html
1 de febrer de 2011
40
1 de febrer de 2011
Captol 4
Lobjectiu de la interpolaci per funcions s el de generalitzar els resultats duna taula de valors
experimentals a una funci que permeti per una part recuperar el valors de la taula (interpolaci),
i per laltra obtenir informaci sobre altres valors que no apareixen a la taula (extrapolaci).
Tamb es pot fer servir per calcular valors aproximats de la derivada de la funci en un punt, la
integral de la funci en un interval, etc.
En tota aquesta secci suposarem que disposem duna taula de valors
x x0 x1 .... xn
y y0 y1 ... yn
amb x0 < x1 < ... < xn .
Definici 4.1. Direm que un polinomi p(x) s un polinomi interpolador de la taula si p(xi ) = yi
per a tot i = 0, 1, ..., n.
Per exemple, si tenim la taula
x
y
0 2
-1 3
els polinomis 2x 1 i x2 1 sn polinomis interpoladors de la taula. De fet tots els polinomis

de la forma 2x 1 + x(x 2)q(x), on q(x) s un polinomi qualsevol, ho sn.
Si triem el polinomi y = 2x 1 com a polinomi interpolador, llavors el valor extrapolat de
y en el punt x = 1 ser 1.
En general doncs, donada una taula de valors com la dabans (amb valors des de x0 fins xn ),
sempre existeixen infinits polinomis interpoladors. Noms un dells s de grau ms petit o igual
que n.
Definici 4.2. Diem polinomi interpolador corresponent a la taula a lnic polinomi interpolador de grau ms petit o igual que n, i el notem p(x).
Tots els altres polinomis sn del tipus p(x) + (x x0 )(x x1 ) (x xn )q(x), on q(x) s
un polinomi qualsevol.
1 de febrer de 2011
42
4.1
Clcul del polinomi interpolador
4.1.1
Pel mtode de Lagrange
Sexpressa el polinomi interpolador mitjanant la frmula

p(x) =
n
X
yj lj (x) = y0 l0 (x) + + yn ln (x),
j=0
on els polinomis lj (x) sn els polinomis de Lagrange corresponents a la taula, definits com
lj (x) =
(x x0 ) (x xj1 )(x xj+1 ) (x xn )

.
(xj x0 ) (xj xj1 )(xj xj+1 ) (xj xn )
Observem que lj (xj ) = 1 i lj (xi ) = 0 si i 6= j.

Exemple 4.3. El polinomi interpolador corresponent a la taula
x 1 0 1
y 6 3 2
s:
(x 0)(x 1)
(x (1))(x 1)
(x (1))(x 0)
+3
+2
(1 0)(1 1)
(0 (1))(0 1)
(1 (1))(1 0)
2
= x 2x + 3.
p(x) = 6
4.1.2
Pel mtode de les diferncies dividides
En aquest cas el polinomi interpolador sexpressa per la frmula

p(x) = f [x0 ] + f [x0 , x1 ](x x0 ) + + f [x0 , x1 , , xn ](x x0 ) (x xn1 )
on els nombres f [xi , , xj ] es defineixen inductivament de la forma segent:
f [xj ] = yj
f [xi+1 , , xj ] f [xi , , xj1 ]

.
f [xi , , xj ] =
x j xi
Encara que la definici sembli complicada, hi ha un algorisme senzill que permat calcular
les diferncies dividides anteriors.
Exemple 4.4. Considerem la mateixa taula de lexemple anterior. A partir daquesta taula
podem obtenir una taula on hi apareixen les diferncies dividides.
x0 = 1 y0 = f [x0 ] = 6
f [x0 , x1 ] =
x1 = 0
(36)
(0(1))
y1 = f [x1 ] = 3
f [x0 , x1 , x2 ] =
f [x1 , x2 ] =
x2 = 1
1 de febrer de 2011
= 3
y2 = f [x2 ] = 2
(23)
(10)
(1(3))
1(1)
=1
= 1
4.2. Frmules per avaluar lerror
43
Per tant el polinomi interpolador s

p(x) = 6 3(x (1)) + 1(x (1))(x 0) = x2 2x + 3.
Comentari: Podem veure que el polinomi s el mateix, el calculat pel mtode de Lagrange,
i el calculat pel mtode de les diferncies dividides. Aix s degut a la unicitat del polinomi
interpolador.
4.2
Frmules per avaluar lerror
En aquesta secci considerarem funcions f definides en tota la recta real i derivables tantes
vegades com calgui.
Suposem que tenim una taula de valors de la funci f en els punts x0 < x1 < < xn ,
i que p(x) s el polinomi interpolador corresponent a aquesta taula. Llavors per a x real es
compleix
f (n+1) ()
(x x0 ) (x xn )
f (x) p(x) =
(n + 1)!
on f n+1 () indica la derivada n + 1 de la funci f en un punt situat a linterval
hx, x0 , , xn i = (min{x, x0 , , xn }, max{x, x0 , , xn }).
Per tant, si coneixem una cota Mn+1 de la derivada (n+1)sima de la funci f en linterval
hx, x0 , , xn i, tindrem una cota de lerror
|f (x) p(x)|
Mn+1
|(x x0 ) (x xn )|.
(n + 1)!
Exemple 4.5. Si p(x) s el polinomi interpolador corresponent a la taula de valors de la funci

f (x) = e2x en els punts 1, 0, 1, aleshores
f (2) p(2) =
f (3) ()
(2 (1))(2 0)(2 1) = f (3) () ,
3!
on est entre -1 i 2.
Com que f (3) (x) = 23 e2x , tenim que per a x (1, 2), |f (3) (x)| 8e4 = M3 . Per tant en
aquest cas la cota de lerror s 8e4 .
4.3
Exercicis
1. Quins sn els polinomis que interpolen la taula de valors
x 0
y 1
1
? Quin de tots ells
3
s el polinomi interpolador?
2. Calculeu els polinomis de Lagrange i el polinomi interpolador corresponent a la segent
x -1 0 1 2
taula de valors
.
y 0 -1 0 3
Quin s el valor del polinomi interpolador en el punt x = 2?
1 de febrer de 2011
44
3. Calculeu el polinomi interpolador corresponent a la taula de lexercici anterior utilitzant
el mtode de les diferncies dividides de Newton.
x -1 -0.5
y 2 0.75
4. Repetiu els dos exercicis anteriors per a la taula
0 0.5
0 -0.25
1
.
0
5. Considerem la taula de valors de la funci f (x) = x3 x + 1 en els punts 0, 1, 2.

(a) Calculeu el polinomi interpolador p(x) corresponent a aquesta taula.
(b) Determineu el valor de f (x) p(x) en els punts -2 i -1 i comproveu que es compleix
lestimaci de la frmula de lerror.
6. Repetiu lexercici anterior amb la funci f (x) = x4 + x.
7. La segent taula mostra la densitat (en kg/m3 ) del sodi en funci de la temperatura T
T 94 205 371
(en o C)
.
929 902 860
Utilitzant el polinomi interpolador corresponent a la taula anterior, quin s el valor extrapolat de la densitat del sodi a 251o C?
8. Quina s la suma dels polinomis de Lagrange corresponent a una taula de valors?
9. Considerem la taula de valors de la funci f (x) = ex en els punts -1,-0.7,-0.3,0.1,0.5,1.
Si p(x) s el polinomi interpolador corresponent a aquesta taula, quina s la cota de
|f (0) p(0)| que podem donar en termes de les acotacions de les derivades de la funci
en linterval que cont els punts? Quina s la cota de |f (1.2) p(1.2)|?
10. Repetiu el problema anterior amb les funcions sin x, x2 5x4 , x5 3x2 , i els punts
-2,-1,0,1,2.
11. Si dividim linterval [-3,3] en deu parts iguals i calculem el polinomi interpolador p(x)
corresponent a la funci f (x) = e2x en els 11 punts que el divideixen (comptant els
extrems), quina cota de |f (0.5) p(0.5)| que podem donar en termes de les acotacions
de les derivades de la funci a linterval que cont els punts?
12. La segent taula mostra la posici dun mbil (en metres) en funci del temps (en segons).
t
s
0
0
1
0.1
2
0.4
3
.
1.0
Utilitzant el polinomi interpolador, quins sn els valors estimats de la posici al cap de

4s., de la velocitat als 3s. i de lacceleraci als 2s.?
13. Repetiu el problema anterior utilitzant la taula
1 de febrer de 2011
t
s
0
0
1
0.1
2
0.4
4
.
1.5
4.3. Exercicis
45
Test
1. El valor extrapolat en el punt 2 del polinomi interpolador corresponent a la taula de valors
x 1
1.1
1.2
s:
y 0.7 0.81 0.94
(a) 1.11
(b) 1.39
(c) 1.44
2. Si f (x) = 4x 5x4 quin s el valor de la diferncia dividida f [2, 1 0, 1, 2]?

(a)
(b)
(c)
-1
(d)
3. Per a j = 0, 1, 2, 3, 4 considerem els punts xj = j i els corresponents polinomis de

4
X
Lagrange lj (x). Quin s el valor de la suma
j lj (5)?
j=0
(a)
(b)
(c)
10
(d)
4. Si dividim linterval [0,2] en 5 parts iguals i calculem el polinomi interpolador p(x) corresponent a la funci f (x) = sin(3x) en els 6 punts que el divideixen (comptant els
extrems), quina s la cota de |f (1) p(1)| que podem donar en termes de les acotacions
de les derivades de la funci en linterval que cont els punts?
(a)
0.01123
(b)
0.01253
(c)
0.01458
(d)
1 de febrer de 2011
46
1 de febrer de 2011
Captol 5
Derivaci numrica
Recordem que una funci f : R R s derivable en un punt a si existeix el lmit
f 0 (a) = lim
xa
f (a + h) f (a)
.
h
(a)
Per tant, si f s derivable i triem h prou petit, el valor f (a+h)f
ser una bona aproximaci
h
del valor de la derivada f 0 (a).
En aquest captol veurem com construir frmules daproximaci de les derivades duna
funci f en un punt. Recodem per que en el captol anterior ja hem exlicat que es pot utilitzar
el polinomi interpolador per a fer estimacions de la derivada. De fet, si es trien b els punts on
interpolar aquest s el millor mtode per fer-ho. Leina principal per construir aquestes frmules
s la Frmula de Taylor:
Frmula de Taylor: Si f : (c, d) R s n + 1-vegades derivable, i x0 s un punt de
linterval (c, d), tenim
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) +

+
f (n+1) (z)
(x x0 )n+1
(n + 1)!
f (n) (x0 )
f 00 (x0 )
(x x0 )2 + +
(x x0 )n
2!
n!
on z s un nmero situat entre x i x0 .

Dara en endavant, per simplificar, suposarem que f s una funci real definida a tot R i
derivable tantes vegades com calgui.
5.1
5.1.1
Frmules de derivaci numrica

Frmula de derivaci a la dreta:
f 0 (a)
f (a + h) f (a)
,
h
h > 0.
Utilitzant la frmula de Taylor amb x = a + h i x0 = a tenim

f (a + h) = f (a) + f 0 (a)h +
f 00 (z) 2
h ,
2!
1 de febrer de 2011
48
Derivaci numrica
i per tant
f (a + h) f (a) f 00 (z)
f (a) =
h
h
2!
0
amb z [a, a + h].

Lerror que cometem a lutilitzar la frmula de derivaci s lanomenat
error de truncament = Etrun
f (a + h) f (a)
f 00 (z)
= f (a)
=
h.
h
2!
0
1
1
x, a = 5 i h = 0.03 tindrem f 0 (x) = , f 00 (x) = , i
2 x
4 x3
1
5.03 5
1
1
=
+ 0.03,
Etrun = 0.03.
3
0.03
2 5
8 z
8 z3
Per exemple, si f (x) =
En general, direm errors de truncament als errors deguts al utilitzar una aproximaci de la
funci en lloc de la funci. Aquest tipus derrors sn molt habituals en les cincies experimentals. Apareixen normalment al simplificar els models. Per exemple, en les frmules de caiguda
dun cos, moltes vegades no es t en compte la fora de fregament amb laire o altres factors
que influeixen el moviment, i sutilitza el model simplificat x(t) = x0 + v0 t gt2 /2.
Tornant al problema destimaci de lerror coms a lutilitzar la frmula de derivaci, ens
falta considerar lerror darrodoniment, degut o b a la precisi de la mquina, o b a que noms
disposem dels valors de la funci arrodonits a unes quantes xifres decimals.
Posem f (a + h) = [f (a + h)]arr + arr (a + h) on arr (a + h) s lerror darrodiment que
cometem al obtenir el valor numric de f (a + h). De forma anloga es t f (a) = [f (a)]arr +
arr (a).
Per tant

00

0
f (a) [f (a + h)]arr [f (a)]arr = arr (a + h) arr (a) f (z) h .

h
h
2!
Si treballem ara amb arrodoniments a la ksima xifra decimal els valors absoluts de
arr (a + h) i arr (a) estan acotats per k = 0.5 10k .
Aix doncs,

0
2k M2
[f
(a
+
h)]
[f
(a)]
arr
arr
f (a)

+
h,

h
h
2!
on M2 s una cota de la segona derivada en (a, a + h). El terme 2k /h s una cota de lerror
darrodoniment i M2 h/2! s una cota de lerror de truncament.
2k M2
Observem que la cota de lerror
+
h s molt gran si h s propera a 0 o a +.
h
2!
Per tant, quan es vol utilitzar la frmula s convenient triar h de forma que aquesta cota
2k M2
sigui mnima, s a dir buscant el mnim de la funci g(h) =
+
h.
h
2!
p
Resolent lequaci g 0 (h) = 0 tenim h = 4k /M2 , que seria el valor de h ptim en funci
de la cota de lerror obtinguda.
s a dir, si una calculadora treballa amb una precisi de 10 xifres decimals, probablement
triant h = 105 sobtindr ms precisi que triant h = 108 (vegeu lexemple 2.1 del captol
derrors).
1 de febrer de 2011
5.1. Frmules de derivaci numrica
49
Mtode programable per estudiar frmules de derivaci.

Anem ara a veure una forma estructurada destudiar aquestes frmules de derivaci i els corresponents errors.
Utilitzant les frmules de Taylor, construm la segent taula de coeficients dels corresponents desenvolupament de Taylor de f en el punt a.
f (a) f 0 (a)h
f (a + 2h)
f (a + h)
f (a)
f (a h)
f (a 2h)
1
1
1
1
1
2
1
0
-1
-2
f 00 (a) 2
h
2!
4
1
0
1
4
f (3) (a) 3
h
3!
8
1
0
-1
-8
f (4) (a) 4
h
4!
16
1
0
1
16
f (5) (a) 5
h
5!
32
1
0
-1
-32
Multiplicant les files pels coeficients que apareixen en la frmula a estudiar i sumant, obtindrem el desenvolupament del numerador.
coef
0
1
-1
0
0
0
2
f (a + 2h)
f (a + h)
f (a)
f (a h)
f (a 2h)
Suma
Sum.val.abs
f (a)
f 0 (a)h
0
1
-1
0
0
0
-
0
1
0
0
0
1
-
f 00 (a) 2
h
2!
0
1
0
0
0
1
1
f (3) (a) 3
h
3!
0
1
0
0
0
-
f (4) (a) 4
h
4!
0
1
0
0
0
-
f (5) (a) 5
h
5!
0
1
0
0
0
-
En la fila Suma cal fer els clculs fins que s trobin 2 valors diferents de 0. En la fila Sum.
val. abs. tamb noms cal calcular el primer valor i el corresponent al segon nmero diferent
de 0 en la fila Suma.
De la fila de la Suma obtenim
f 00 (z) 2
f (a + h) f (a) = f 0 (a)h +
h
2!
que serveix per a obtenir la frmula daproximaci
f (a + h) f (a) f 00 (z)
h.
h
2!
La fila Sum. val. abs. serveix per a obtenir les cotes dels errors. El 2 que apareix en primer terme
compta el nombre de valors de la funci que hi ha en el numerador de la frmula daproximaci,
i per tant canviant aquest numerador pel producte daquest nmero per k tenim la cota delerror
darrodoniment. En el nostre cas 2k /h.
El segon nmero daquesta fila serveix per avaluar el nombre derrors de truncament que shan fet en els desenvolupaments de Taylor corresponent a la columna on hi ha el nmero. Diem
n a aquesta columna (al nostre cas n = 2). Canviant el numerador de la frmula daproximaci
pel producte daquest nmero amb Mn hn /n! obtenim una cota de lerror de truncament.
M2 2
h
M2
En el nostre cas tenem la cota 2!
=
h.
h
2!
f 0 (a) =
1 de febrer de 2011
50
Derivaci numrica
5.1.2
Frmula de derivaci a lesquerra:

f 0 (a) =
f (a) f (a h)
,
h
h > 0.
Aquest cas s anleg a lanterior, i les frmules destimaci de lerror sn idntiques, si

triem ara M max{|f 00 (x)|; a h x a}.
5.1.3
Frmula de derivaci centrada:

f 0 (a) =
f (a + h) f (a h)
,
2h
h > 0.
Utilitzant la frmula de Taylor amb x = a + h i x0 = a tenim

f (a + h) = f (a) + f 0 (a)h +
f 00 (a) 2 f 000 (z1 ) 3

h +
h .
2!
3!
Aplicant la frmula de Taylor amb x = a h i x0 = a tenim

f (a h) = f (a) f 0 (a)h +
f 00 (a) 2 f 000 (z2 ) 3

h
h .
2!
3!
Restant les dues expressions i dividint per 2h obtenim

f 0 (a) =
f (a + h) f (a h) f 000 (z1 ) + f 000 (z2 ) 2
h.
2h
12
El darrer terme ser lerror de truncament, pel qual triant M3 > max{|f 000 (x)|; a h0
x a + h0 } per a 0 < h h0 , es t lacotaci
|Etrun |
M3 2
h.
6
Procedint com al primer cas, per a lerror darrodoniment tidrem la cota

k (a + h) k (a h) k

.
|Earr | =

2h
h
Finalment, agrupant els errors es t
E(h, k , M3 ) =
k M3 2
+
h,
h
6
que, per a k i M3 fixats, pren el seu valor mnim quan hopt =

Utilitzant el mtode abreujat, tenim:
1 de febrer de 2011
p
3k /M3 .
5.1. Frmules de derivaci numrica
coef
0
1
0
-1
0
0
2
f (a + 2h)
f (a + h)
f (a)
f (a h)
f (a 2h)
Suma
Sum.val.abs
f (a)
f 0 (a)h
0
1
0
-1
0
0
-
0
1
0
1
0
2
-
51
f 00 (a) 2
h
2!
0
1
0
-1
0
0
-
f (3) (a) 3
h
3!
0
1
0
1
0
2
2
f (4) (a) 4
h
4!
0
1
0
-1
0
-
f (5) (a) 5
h
5!
0
1
0
1
0
-
Per tant, per a h petit,

f (a + h) f (a h) 2f 0 (a)h,
amb
k
2k
= ,
|Earr |
2h
h
|Etrun |
2M3 h3
3!
2h
M3 2
h.
6
Per tant lordre de lerror s 2, s a dir, la cota de lerror de truncament s de lordre de h2 .
5.1.4
Frmula per a la segona derivada:

f 00 (a) =
f (a + h) + f (a h) 2f (a)
,
h2
h > 0.
Utilitzant les formules de Taylor

f 00 (a) 2 f 000 (a) 3 f (4) (z1 ) 4
h +
h +
h
2!
3!
4!
f 00 (a) 2 f 000 (a) 3 f (4) (z2 ) 4
f (a h) = f (a) f 0 (a)h +
h
h +
h
2!
3!
4!
f (a + h) = f (a) + f 0 (a)h +
obtenim
f 00 (a) =
f (a + h) + f (a h) 2f (a) f (4) (z1 ) + f (4) (z2 ) 2
h.
h2
24
Anlogament als casos anteriors, triant M4 > max{|f (4) (x)|; a h0 x a + h0 } per a
0 < h h0 , es tenen les acotacions
|Earr |
4k
,
h2
|Etrun |
M4 2
h,
12
i per tant
E(h, k , M4 ) =
que per a k i M4 fixats s mnim quan h = hopt
Utilitzant el mtode abreujat, tenim:
4k M4 2
+
h ,
h2
12
p
= 4 48k /M4 .
1 de febrer de 2011
52
Derivaci numrica
f (a) f 0 (a)h
coef
0
1
-2
1
0
0
4
f (a + 2h)
f (a + h)
f (a)
f (a h)
f (a 2h)
Suma
Sum.val.abs
0
1
-2
1
0
0
-
0
1
0
-1
0
0
-
f 00 (a) 2
h
2!
0
1
0
1
0
2
-
f (3) (a) 3
h
3!
0
1
0
-1
0
0
-
f (4) (a) 4
h
4!
0
1
0
1
0
2
2
f (5) (a) 5
h
5!
0
1
0
-1
0
-
Procedint com en els casos anteriors es t

f (a + h) + f (a h) 2f (a) 2
f 00 (a) 2
h = f 00 (a) h2 ,
2!
i les cotes dels errors correponents.
5.2
Exercicis:
1. Quin s lordre de lerror de la frmula

f 0 (a)
2f (a + h) + 3f (a) 6f (a h) + f (a 2h)
?
6h

f 00 (a)
f (a + 2h) + 8f (a + h) 18f (a) + 8f (a h) + f (a 2h)

?
12h2
3. Quina derivada en el punt a aproxima la frmula

f (a + 2h) + 2f (a + h) + 3f (a) 6f (a h)
?
10h
Quin s lordre de lerror?
Test
f 0 (a)
(a) 1
(b) 2
5f (a + 2h) 8f (a + h) + 3f (a 2h)
?
4h
(c) 3
(d) Cap de les anteriors.
2. La segona derivada numrica de la funci f (x) = xx al punt 1 utilitzant la frmula

f (a + h) + f (a h) 2f (a)
f 00 (a) =
amb h = 0.01 s aproximadament:
h2
(a) 1.765
(b) 1.823
(c) 2.322
(d) Cap de les anteriors.
1 de febrer de 2011
Captol 6
Integraci numrica
Una tcnica per obtenir frmules dintegraci numriques a partir duna taula de valors consisteix en agrupar-los adequadament, calcular el polinomi interpolador de cada grup, i considerar
com a valor aproximat de la integral la suma de les integrals daquests polinomis.
Per exemple, si tenim la taula de valors
x
1
f (x) 2
3
4
4
6
5
7
7
11
calculem els polinomis interpoladors, que sn x + 1 per als valors {1, 3} de la taula, 2x 2
per als valors {3, 4}, x + 2 per als valors {4, 5} i 2x 3 per als valors {5, 7}. Llavors podem
considerar com a valor aproximat de la integral de f (x),
7
f (x)dx
(x + 1)dx +
(2x 2)dx +
Z
4
(x + 2)dx +
(2x 3)dx.
Aquest mtode dna lloc a lanomenada frmula dintegraci dels trapezis, ja que geomtricament cada integral es correspon amb lrea dun trapezi daltures els valors de la funci en els
extrems de linterval i base la longitud de linterval. Per tant en el nostre cas concret tindrem
Z
f (x)dx
2+4
4+6
6+7
11 + 7
(3 1) +
(4 3) +
(5 4) +
(7 5) = 35.5 .
2
2
2
2
Agrupant-los de la forma {1, 3, 4} i {4, 5, 7} podrem calcular les parboles dinterpolaci i

considerar el valor aproximat de la integral com la suma de les dues integrals dels corresponents
polinomis interpoladors.
Concretament,
Z
1

(x 3)(x 4)
(x 1)(x 4)
(x 1)(x 3)
f (x)dx
2
+4
+6
dx
(1 3)(1 4)
(3 1)(3 4)
(4 1)(4 3)
1

Z 7
(x 5)(x 7)
(x 4)(4 7)
(x 4)(x 5)
+
6
+7
+ 11
dx
(4 5)(4 7)
(5 4)(5 7)
(7 4)(7 5)
4
Z
Aquest procs dna lloc a la frmula de Simpson.

1 de febrer de 2011
54
Integraci numrica
6.1
Mtodes dintegraci amb parts iguals i punt mig
Les frmules que considerarem sn tils per calcular el valor aproximat dintegrals de funcions,
o b de valors experimentals en qu la variaci de la variable s uniforme.
Considerarem doncs una partici dun interval [a, b] del tipus
a = x0 < x1 = x0 + h < x2 = x0 + 2h < . . . < xn1 = x0 + (n 1)h < xn = x0 + nh = b.
(s a dir, els punts sn equiespaiats).
A ms considerarem els punt mitjos de cada interval [xj1 , xj ]:
yj =
(2j 1)h
xj + xj1
= x0 +
,
2
2
j = 1, . . . , n .
Suposarem que tenim la taula de valors duna funci f en aquests punts:

x
f (x)
x0
f (x0 )
y1
f (y1 )
x1
y2
f (x1 ) f (y2 )
xn1
yn
f (xn1 ) f (yn )
xn
f (xn )
Frmules dels rectangles i dels trapezis.

Si considerem les corresponents taules pels valors {x0 , x1 }, {x1 , x2 },...,{xn1 , xn }, els polinomis interpoladors sn
pj,1 (x) = f (xj1 ) +
f (xj ) f (xj1 )
(x xj1 )
h
i per tant
f 00 (j )
(x xj1 )(x xj ).
2!
Per integrar aquestes funcions utilitzem els resultats segents:
Teorema del valor mitj de Cauchy: Si f, g : [a, b] R sn contnues, i g no canvia de
signe en [a, b], llavors existeix un [a, b] tal que
f (x) = pj,1 (x) +
f (x)g(x)dx = f ()
g(x)dx.
Teorema: Si f : [a, b] R s contnua i x1 , . . . , xn sn punts d[a, b], llavors existeix

[a, b] tal que
n
X
f (xj ) = nf ().
j=1
Amb aix obtenim la frmula dels trapezis:
f (x)dx = h
f (x0 )
f (xn )
+ f (x1 ) + ... + f (xn1 ) +
2
2
f 00 ()(b a) 2
h
12
per a un cert [a, b].

1 de febrer de 2011
6.1. Mtodes dintegraci amb parts iguals i punt mig
(a) Amb 4 treapezis
55
(b) Amb 8 trapezis
Figura 6.1: Frmula dintegraci dels trapezis.

Utilitzant el desenvolupament de Taylor de f en el punt yj ,
f (x) = f (yj ) + f 0 (yj )(x yj ) +
f 00 ()
(x yj )2
2!
obtenim la frmula dels rectangles:

Z
f (x)dx = h (f (y1 ) + ... + f (yn )) +
f 00 ()(b a) 2
h,
24
on [a, b] (no necessriament igual al de lerror de truncament en la frmula dels trapezis).

La frmula dels rectangles tamb es pot pensar com una frmula daproximaci per polinomis de grau 0 (s a dir, per constants).
x0
x1
x2
x3
x4
Figura 6.2: Esquema daproximaci pel mtode dels rectangles.
Frmula de Simpson. Si agrupem les dades en ternes de la forma {x0 , y1 , x1 },..., {xn1 , yn , xn }
1 de febrer de 2011
56
Integraci numrica
obtenim, per a cada terna, un polinomi interpolador dordre 2:

f (xj ) f (xj1 )
(x xj1 )
h
f (xj ) + f (xj1 ) 2f (yj )
+2
(x xj )(x xj1 ).
h2
Integrant i utilitzant una expressi adequada de lerror dinterpolaci es pot demostrar que
pj,2 (x) = f (xj1 ) +
h
(f (x0 ) + 4f (y1 ) + 2f (x1 ) + 4f (y2 ) + 2f (x2 ) + ...+
6
f (4) ()(b a) 4
+2f (xn1 ) + 4f (yn ) + f (xn ))
h
2880
f (x)dx =
per a un cert [a, b].
Figura 6.3: Esquema daproximaci pel mtode de Simpson.
Observacions
El mtode dels rectangles exposat a la introducci s exacte per a funcions constants
f (x) = a. En canvi el mateix mtode amb el punt mig ho s per a funcions del tipus
f (x) = a + bx (ja que aleshores f 00 () = 0).
El mtode dels trapezis s exacte per a funcions del tipus f (x) = a + bx.
El mtode de Simpson de la introducci s exacte per a funcions del tipus f (x) = a +
bx + cx2 . En canvi, si susa el punt mig llavors s exacte per a funcions del tipus f (x) =
a + bx + cx2 + dx3 .
Si Mn max{|f (n) |; a x b}, acotant en els errors de truncament les derivades de
lordre corresponent, podem tenir una estimaci de les divisions que cal fer per calcular
una certa integral amb una determinada precisi.
1 de febrer de 2011
6.2. Mtode de Romberg
6.2
57
Mtode de Romberg
Rb
Es pot demostrar que si T0 (f, h) s laproximaci de I(f ) = a f (x)dx mitjanant el mtode
dels trapezis aplicat a linterval [a, b] dividit en subintervals disjunts de longitud h, llavors
T0 (f, h) = I(f ) + c2 h2 + c4 h4 + c6 h6 + ....
on les constants c2 , c4 , c6 , ... depenen de f per no de h.
La frmula
1
1
15
4
T1 (f, h) = T0 (f, h/2) T0 f (f, h) = I(f ) c4 h4 c6 h6 + .....
3
3
6
16
4
s dordre h , i per tant, en teoria, millora la frmula inicial.
Repetint el procs anterior amb aquesta frmula obtenim
16
1
T2 (f, h) = T1 (f, h/2) T1 f (f, h) = I(f ) + O(h6 ),
15
15
i aix successivament podem anar millorant el mtode.
Observem que per aplicar aquest mtode necessitem un esquema triangular
T0 (f, h)
T0 (f, h/2) T1 (f, h)
T0 (f, h/4) T1 (f, h/2) T2 (f, h)
Z 0.5
Exemple 6.1. Calculem el valor aproximat de
ex dx a partir de la taula de valors de la
0.3
funci en els punts 0.3, 0.1, 0.1, 0.3 i 0.5, i comparem-lo amb el seu valor exacte e0.5
e0.3 = 0.9079030....
Pel mtode dels trapezis amb h = 0.2 tenim:
x
x0 = -0.3
x1 = -0.1
x2 = 0.1
x3 = 0.3
x4 = 0.5
f (x)
0.740818221
0.904837418
1.105170918
1.349858808
1.648721271
pes
0.5
1
1
1
0.5
Suma
pesf (x)
0.37040911
0.904837418
1.105170918
1.349858808
0.824360635
4.554636889
on pes indica el factor que multiplica el f (x) corresponent a la frmula dels trapezis. A partir
dara pes indicar el factor corresponent a la frmula que estiguem utilitzant.
Per tant, aplicant la frmula dels trapezis amb h = 0.2 sobt T (ex , 0.2) = 4.554636889
0.2 = 0.910927378.
Pel mtode de Simpson amb h = 0.4 tenim:
x
x0 = -0.3
y1 = -0.1
x1 = 0.1
y2 = 0.3
x2 = 0.5
f (x)
0.740818221
0.904837418
1.105170918
1.349858808
1.648721271
pes
1
4
2
4
1
Suma
pesf (x)
0.740818221
3.619349672
2.210341836
5.39943523
1.648721271
13.61866623
1 de febrer de 2011
58
Integraci numrica
Per tant, aplicant la frmula de Simpson amb h = 0.4 sobt S(ex , 0.4) = 13.61866623
0.4/6 = 0.907911082.
Pel mtode dels rectangles amb h = 0.4 tenim:
x
x0 = -0.3
y1 = -0.1
x1 = 0.1
y2 = 0.3
x2 = 0.5
f (x)
0.740818221
0.904837418
1.105170918
1.349858808
1.648721271
pes
pesf (x)
0
0
1
0.904837418
0
0
1
1.349858808
0
0
Suma 2.254696226
Per tant, aplicant la frmula sobt R(ex , 0.4) = 2.254696226 0.4 = 0.90187849.
Per calcular el valor numric pel mtode de Romberg dordre 1 neccessitem saber el valor
pel mtode dels trapezis amb h = 0.4.
x
x0 = -0.3
x1 = 0.1
x2 = 0.5
f (x)
0.740818221
1.105170918
1.648721271
pes
pes f (x)
0.5
0.37040911
1
1.105170918
0.5
0.824360635
Suma 2.299940664
Per tant, aplicant la frmula dels trapezis amb h = 0.4 sobt T (ex , 0.4) = 2.299940664
0.4 = 0.919976266.
Aix doncs, pel mtode de Romberg amb h = 0.4 (s a dir combinant els mtodes dels
trapezis amb h = 0.4 i h = 0.2) s t:
T1 (ex , 0.4) =
4 0.910927378 0.919976266
= 0.907911082.
3
Si volem utilitzar el mtode de Romberg dordre 2 necessitem calcular

T (ex , 0.8) =
0.740818221 + 1.648721271
0.8 = 0.955815797 .
2
Aix doncs, pel mtode de Romberg amb h = 0.8 (s a dir combinant els mtodes dels
trapezis amb h = 0.8 i h = 0.4) s t:
T1 (ex , 0.8) =
4 0.919976266 0.955815797
= 0.908029755.
3
Combinant els dos mtodes anteriors sobt:

T2 (ex , 0.8) =
16 0.907911082 0.908029755
= 0.90790317.
15
Resumint,
1 de febrer de 2011
6.3. Exercicis
59
Mtode
Trapezis
Simpson
Rectangles
Trapezis
Romberg 1
Trapezis
Romberg 1
Romberg 2
h
0.2
0.4
0.4
0.4
0.4
0.8
0.8
0.8
Valor
0.910927378
0.907911082
0.90187849
0.919976266
0.907911082
0.955815797
0.90790317
0.907911082
Error
-0.003024328
-8.03198E-06
+0.00602456
-0.012073215
-8.03198E-06
-0.047912747
-8.03198E-06
-1.20436E-07
Com es pot observar, en aquest cas els millors mtodes sn els de Simpson i de Romberg.
6.3
Exercicis
En aquests problemes, quan diem cota de lerror ens referim a una estimaci obtinguda en
substituir a la frmula de lerror la derivada k-sima al punt per un valor superior, o pel valor
mxim daquesta derivada linterval.
-0.1 0.0 0.1 0.2 0.3
x
, calculeu el valor apro1. A partir de la taula de valors
f (x) -0.3 0.5 0.4 0.2 0.6
Z 0.3
f (x)dx pels mtodes dels rectangles, dels trapezis i de Simpson.
ximat de
0.1
x
1
1.25 1.5 1.75 2
2. A partir de la taula de valors
, calculeu el valor
f (x) 0.7 0.9 1.4 1.2 0.8
Z 2
aproximat de
f (x)dx pels mtodes dels rectangles, dels trapezis i de Simpson.
1
Z
3. Calculeu el valor aproximat de
ex dx:
(a) Analticament.
(b) Pel mtode dels rectangles, dividint linterval en 4 parts iguals.
(c) Pel mtode dels trapezis, dividint linterval en 8 parts iguals.
(d) Pel mtode de Simpson, dividint linterval en 4 parts iguals.
Per a cadascun del mtodes numrics anteriors, calculeu lerror coms i compareu-lo amb
les corresponents cotes de lerror.
Z 1
4. Volem calcular numricament
cos(x)dx. En quantes parts iguals cal dividir linterval
0
[0, 1], per tal que la cota de lerror sigui ms petita que una millsima?
(a) Pel mtode dels rectangles.
(b) Pel mtode dels trapezis.
1 de febrer de 2011
60
Integraci numrica
(c) Pel mtode de Simpson.
Z
5. Quin s el valor aproximat de
ex dx que sobt aplicant el mtode dextrapolaci de
Romberg amb h = 0.5 (s a dir combinant el mtode dels trapezis amb h = 0.5 i amb
h/2 = 0.25)?
Z
sin(x)dx calculat pel mtode dels trapezis dividint linter6. El valor aproximat de
0
val [0, ] en 10 parts iguals s aproximadament 1.983523479, i amb 20 parts iguals s

1.995885958 . Quina s el valor aproximat de la integral utilitzant el mtode dextrapolaci de Romberg?
Test
x
1
1.25 1.5 1.75 2
els valors aproximats
f (x) 0.6 1.1 1.1 1.0 0.8
Z 2
de
f (x)dx calculats amb els mtodes dels rectangles, dels trapezis i de Simpson sn:
1
(a) R(f ) = 1.05, T(f ) = 0.975, S(f ) = 1 ,

(c) R(f ) = 1.05, T(f ) = 1, S(f ) = 0.975 ,
(b) R(f ) = 1, T(f ) = 1, S(f ) = 0.975 ,

2. Sabent que es compleix |f (n) (x)| 10n per a tot 0 x 1 i tot natural n 4, per a
quin dels segents mtodes numrics amb h = 0.1 obtenim la cota de lerror ms petita?
(a) Rectangles
(b) Trapezis
(c) Simpson
(d) Trapezis i Simpson.
3. Si sabem que el valor absolut de la quarta derivada duna funci f a linterval [1, 1] s
acotada perZ5, en quantes parts iguals cal dividir aquest interval per tal que lerror coms
1
f (x)dx pel mtode de Simpson sigui ms petit que 0.01?
al calcular
1
(a) n = 2
(b) n = 5
(c) n = 11

1
x
f (x) 0.6
1.25
1.1
1.5
1.1
1.75
1.0
2
0.8
f (x)dx calculat pel mtode de Romberg amb h = 0.5 (s a dir
el valor aproximat de
1
combinant el mtode dels trapezis amb h = 0.5 i h = 0.25) s:

(a) 0.975
(b) 1
(c) 1.05
(d) Cap dels anteriors.
Podeu visualitzar diversos mtodes dintegraci numrica a

http://www.slu.edu/classes/maymk/Riemann/Riemann.html
http://calculusapplets.com/midpointtrap.html
http://www.math.psu.edu/dlittle/java/calculus/area.html
1 de febrer de 2011
Captol 7
En aquest captol veurem alguns mtodes algebraics per a la resoluci de problemes concrets,
dentre els quals en destaca el mtode daproximaci per mnims quadrats. En tot el captol A,
B i C indicaran matrius de nombres reals, i X, Y seran els vectors de les incgnites.
7.1
Resoluci de sistemes. El mtode de Gauss
Volem resoldre un sistema del tipus
a11
..
..
AX = .
.
an1

a1n
x1
b1
.. .. = .. = B,
. . .
ann
xn
bn
utilitzant el mtode de Gauss.

= B,
El mtode es basa en la transformaci del sistema inicial en un sistema equivalent AX
on la nova matriu del sistema A s triangular superior, de manera que el nou sistema s de fcil
resoluci. Les transformacions permeses sn pivotacions de files consecutives, i sumes a una
fila de combinacions lineals daltres files.
Tamb es pot utilitzar aquest mtode per calcular el determinant de la matriu A. La frmula
on det(A)
s el producte dels termes de la diagonal
s det(A) = (1)nmero de pivotacions det(A),
dA.
Com a criteri a lhora de pivotar cal tenir en compte que s necessari pivotar files si el pivot
(terme de la matriu que utilitzem per fer sortir zero en els termes situats per sota dell) s 0, i
convenient si aquest s molt petit.
Exemple 7.1. Resolem el sistema lineal
x y z = 0
xy+z =4
x 2y = 3
Les transformacions en la matriu ampliada del sistema sn
2a f.-1a f.
1 1 1 0
1
1
1
0
1
1
1
0
3a f.-1a f.
pivotar 2a f. i 3a f.
1 1 1 4
0 0
0 1 1 3
2 4
1 2 0 3
0 1 1 3
0 0
2 4
1 de febrer de 2011
62

Amb aquestes transformacions el sistema inicial es transforma en el sistema
x y z = 0
x=1
y + z = 3 , don sobt
y = 1
2z = 4
z=2
El determinant de la matriu s det(A) = (1)1 1 (1) 2 = 2.
7.2
Descomposicions LU
Com acabem de veure, el fet de treballar amb matrius triangulars superiors o inferiors pot simplificar la resoluci del problema. Els segent resultat ens diu que tota matriu quadrada es pot
expressar com a producte daquestes matrius.
Teorema 7.2 (Descomposici de Doolite). Sigui A s una matriu quadrada amb els menors
diagonals

a11 a1n

a
a

..
..
1 = a11 , 2 = 11 12 , . . . . . . , n = det A = ...
.
.
a21 a22

an1 ann
diferents de zero. Aleshores existeixen dues matrius L i U tals que:
1. L s triangular inferior i els elements de la diagonal sn tots iguals a 1.
2. U s triangular superior.
3. LU = A.
Aplicaci: La descomposici LU = A s pot utilitzar per resoldre el sistema AX = B,
resolent primer el sistema LY = B i seguidament el sistema U X = Y .
3 1 0
Exemple 7.3. Trobem la descomposici de Doolite de la matriu A = 0 1 0
6 3 2
1 0 0
d e f
Diem L = a 1 0 i U = 0 g h. Multiplicant L per U i igualant amb A, tenim:

b c 1
0 0 i
d
e
f
3 1 0
af + h = 0 1 0 = A
LU = ad ae + g
bd be + cg bf + ch + i
6 3 2
Comparant els termes de cada matriu dedum que les matrius L i U sn:
1 0 0
3 1 0
L = 0 1 0 ,
U = 0 1 0 .
2 1 1
0 0 2
1 de febrer de 2011
7.3. Sistemes sobredeterminats. Aproximaci mnima quadrtica
7.3
63
Sistemes sobredeterminats. Aproximaci mnima quadrtica
Sigui A una matriu, no necessriament quadrada, i sigui B una matriu columna. s ben sabut
que quan rang(A) < rang(A|B) el sistema AX = B no t soluci. No obstant, per a aquests
sistemes ens podem plantejar el segent problema, que com veurem a la propera secci, t
moltes aplicacions a les cincies experimentals.
Problema: Per a quins valors X Rn , la norma kAX Bk s mnima? (Aqu la norma s
la donada a la Definici 1.3).
El nom aproximaci per mnims quadrats prov del fet que el que es minimitza s una suma
de termes al quadrat.
A diferncia de la resoluci de sistemes dequacions, aquest problema sempre t soluci.
A ms, si AX = B s resoluble, aleshores les solucions coincideixen amb les del problema
esmentat, i a ms el valor mnim de kAX Bk s 0.
Resoluci del problema: Sobt resolent el sistema
At (AX B) = 0,
on At indica la matriu transposada dA.
Geomtricament, el plantejament anterior equival a dir que la millor aproximaci sobt
quan AX s la projecci ortogonal del vector B sobre el subespai generat pels vectors columna
de la matriu A.

x+y
3
Exemple 7.4. Resolem el problema anterior quan AX = x y i B = 1 .
2x + y
3
La soluci sobt resolent el sistema

1 1
3
1 1 2
x
0
1 1
1 =
.
1 1 1
y
0
2 1
3

6x + 2y = 4
Multiplicant les matrius arribem a
, que t per soluci x = 1, y = 1.
2x + 3y = 1
Per tant, el valor mnim de
p
kAX Bk = (x + y + 3)2 + (x y 1)2 + (2x + y 3)2
sassoleix quan (x, y) = (1, 1), i val 14.
7.4
Regressi
En alguns problemes cientfics se sap que determinats processos segueixen un model matemtic
del qual sen desconeixen certs parmetres. Per exemple, un procs adiabtic es regeix per un
model del tipus P V = C, on P indica la pressi, V el volum, i i C sn unes constants que
depenen del gas estudiat.
1 de febrer de 2011
64
Per determinar aquestes constants obtenim primerament una taula amb uns quants valors
experimentals {Pj , Vj } (pressi-volum). Si els experiments fossin lliures de tot error, amb 2
valors en tindrem prou, ja que dues dades sn suficients per determinar els valors de i de
C. No obstant, a la prctica observem que diferents parelles de valors de la taula donen lloc a
diferents valors de i C. s a dir, tenim un sistema sobredeterminat no lineal.
Si el sistema no s lineal la resoluci del problema daproximaci mnima quadrtica s
difcil. Tot i aix, en el cas del model del procs adiabtic s possible plantejar el problema
linealment escrivint lequaci P V = C de la forma ln P = ln C ln V . Ms endavant
comentarem com es resol aquest cas.
Veiem a continuaci alguns models tils:
7.4.1
La recta de regressi
Volem ajustar pel mtode de mnims quadrats el model y = a + bx a una taula de valors
experimentals {xj , yj }. Es tracta de determinar els valors dels parmetres a i b per tal que la
norma de la diferncia del vector dels valors terics Z = (a + bx1 , , a + bxn ) i del vector de
les dades experimentals Y = (y1 , , yn ) sigui mnima , s a dir que el valor de

1 x1
y1

a

kZ Y k = ... ...
...
b

1 xn
yn
sigui mnim.
Aquest problema es pot resoldre pel procediment explicat a la secci anterior, resolent el
sistema

1 x1
y1

1 1 .. .. a
0
..
.
. =
. .
x1 xn
0
b
1 xn
yn
Es comprova que la soluci ve donada per les igualtats
Pn
(x x)(yi y)
Pn i
,
a = y b
x,
b = i=1
)2
i=1 (xi x
onPx, y indiquen P
les mitjanes aritmtiques dels valors xi , yi respectivament, sa dir, x =
n
1
1
= n ni=1 yi .
i=1 xi , y
n
(La majoria de calculadores cientfiques porten incorporat el clcul de la recta de regressi).
Exemple 7.5. Trobeu la recta de regressi corresponent a la taula
x -1
y -1
0
0
1
2
Considerem la taula
X
-1
0
1
1 de febrer de 2011
Y
-1
0
2
Z = a + bX
ab
a
a+b
Z Y
ab+1
.
a
a+b2
7.4. Regressi
65
Hem de minimitzar

1 1
1

a

kZ Y k = 1 0
0
,
b
1 1
2
i cal doncs resoldre el sistema

1 1
1
1 1 1
a
3
0
a
1
0
1 0
0 =
=
,
1 0 1
b
0 2
b
3
0
1 1
2
que t per solucions a = 1/3 i b = 3/2. La recta buscada ser doncs z = 1/3 + 3x/2.
7.4.2
La parbola de regressi
Volem ajustar pel mtode de mnims quadrats el model y = a + bx + cx2 a una taula de valors
experimentals {xj , yj }.
Anlogament al cas anterior, es tracta de determinar els valors dels parmetres a b i c per tal
que la norma de la diferncia del vector dels valors terics Z = (a+bx1 +cx21 , , a+bxn +cx2n )
i del vector de les dades experimentals Y = (y1 , , yn ) sigui mnima , s a dir que

1 x1 x2
y1
a
1

.. b ..
kZ Y k = ... ...
.
.

c
1 xn x2n
yn
sigui mnima.
Exemple 7.6. Trobeu la parbola de regressi corresponent a la taula
x -1
y -1
0
0
1
2
Considerem la taula
X
-1
0
1
Y
-1
0
2
Z = a + bX + cX 2
ab+c
a
a+b+c
Z Y
ab+c+1
.
a
a+b+c2
Ara hem de minimitzar

1 1 1
a
1

b 0 .
kZ Y k =
1 0 0

1 1 1
c
2
Per tant cal resoldre el sistema

1 1 1
1 1 1
a
1
3 0 2
a
1
0
1 0 1 1 0 0 b 0 = 0 2 0 b 3 = 0 ,
1 0 1
1 1 1
c
2
2 0 2
c
1
0
3x + x2
que t per solucions a = 0, b = 3/2 i c = 1/2. La parbola buscada ser doncs z =
.
2
Observem que en aquest cas la parbola obtinguda passa pel tres punts, i per tant el valor
mnim de kZ Y k s 0.
1 de febrer de 2011
66
7.4.3
Altres models
El procediment anterior es pot utilitzar per ajustar models dels tipus:

1. Regressi polinmica: Consisteix en ajustar models del tipus y = p(x), on p(x) s
un polinomi, a una taula de valors {xj , yj }. Per exemple es pot triar p(x) = a + bx2 ,
p(x) = ax + bx2 , p(x) = ax + bx2 + cx3 ,. . ..
2. Regressi bilineal amb terme independent: Consisteix en ajustar models del tipus z =
a + bx + cy a una taula de valors {xj , yj , zj }.
3. Regressi bilineal sense terme independent: Consisteix en ajustar models del tipus
z = bx + cy a una taula de valors {xj , yj , zj }.
4. Regressi multilineal: Consisteix en ajustar models del tipus z = a + b1 x1 + + bm xm
a una taula de valors {x1,j , , xm,j , zj }.
5. Model adiabtic P V = C: Es tracta de determinar el valor de les constants C i a
partir duna taula de valors experimentals {P, V }. Aplicant logaritmes neperians a cada
un dels termes de lequaci, tenim ln P = ln C ln V . Calculant la recta de regressi
y = a + bx corresponent a la taula {xj = ln Vj , yj = ln Pj }, tindrem ln C = a i = b,
don sobt C = ea i = b.
6. Model y = Ax : En aquest cas estracta de determinar els valors de les constants A i
. Com en el cas anterior, aplicant logaritmes neperians a cada un dels termes tenim
ln y = ln A + ln x s redueix al cas lineal.
7. Model de concentraci o desintegraci C(t) = C0 ekt : Es tracta de determinar el valor
de les constants C0 (concentraci inicial) i de k (constant deliminaci) a partir duna
taula de valors experimentals {t, C} (temps-concentraci). Aplicant logaritmes neperians
a cada un dels termes tenim ln C = ln C0 kt. Calculant la recta de regressi y = a + bx
corresponent a la taula {xj = tj , yj = ln Cj }, tindrem ln C0 = a i k = b, don sobt
C0 = ea i k = b.
Hi ha altres models que apareixen habitualment en estudis cientfics, per que requereixen
de tcniques ms sofisticades que les descrites anteriorment per tal de fer lajust. Un dels ms
utilitzats s el model multiexponencial
C(t) = C1 ek1 t + + Cn ekn t .
Aquest model apareix en lestudi de la farmacocintica dels medicaments i, ms generalment, en lestudi de la quantitat de lquid en funci del temps que hi ha en cada recipient duna
xarxa connectada.
Les constants kj sn les constants de transvasament dun recipient a laltre. Aquestes venen
donades per la hiptesi que la velocitat de transvasament dun recipient a laltre s kj vegades la
quantitat de lquid del donant. De la resoluci del sistema dequacions diferencials que sorgeix
al plantejar aquest problema en surt el model multiexponencial esmentat.
1 de febrer de 2011
7.5. Exercicis
7.5
67
Exercicis
1. Utilitzeu el mtode de Gauss i el mtode de Gauss amb pivotatge per resoldre els sistemes:

y+z = 2
x+ y = 3
x+ yz = 3 .
,
2x 3y = 1
2x + y + z = 0
2. Trobeu la descomposici de Doolittle de les matrius:

1 0 1
3 1
A=
,
A = 0 2 0 ,
6 4
0 2 3
2
3 0
7 2 .
A= 4
2 2 6
3. Apliqueu el mtode deliminaci Gaussiana (amb pivotatge si cal) per calcular els determinants de les matrius:
1 1
0
2 1
1
A = 2 2 1 ,
A = 2 1 1 .
1 2
3
4 2
4
4. Empreu una tcnica de mnims quadrats per ajustar la taula de dades:
x 1
2
3
4
y 0.1 0.3 0.4 0.7
a funcions dels tipus segents:
i) y = a + bx, ii) y = a + bx + cx2 , iii) y = a + bx2 , iv) y = Ax , v) y = Bex .
5. Empreu una tcnica de mnims quadrats per ajustar la taula de dades:
x 0.25 0.50 0.75 1.00
y 0.40 0.50 0.90 1.25
a funcions dels tipus segents:
i) y = a + bx, ii) y = a + bx + cx2 , iii) y = a + bx2 , iv) y = Ax , v) y = Bex .
6. Sabem que els pesos atmics de loxigen i del nitrogen sn aproximadament O = 16 i
N = 14. Utilitzeu els pesos molleculars dels sis xids de nitrogen donats a continuaci
per tal dajustar-los per mnims quadrats lineals
Compost
NO
N2 O
N O2
N2 O3 N2 O5
N2 O4
.
Pes mollecular 30.006 44.013 46.006 76.012 108.010 92.011
7. Els processos termodinmics adiabtics de sistemes fsics caracteritzats per la pressi
P , el volum V i la temperatura T (els gasos, per exemple) segueixen una llei del tipus
P V = C, on C s constant al llarg del procs. Ajusteu per mnims quadrats els valors
de C i de en un procs adiabtic segons la taula de mesures experimentals segent:
P (atm) 1.62 1.00 0.75 0.62 0.52 0.46
.
V (litres) 0.5 1.0 1.5 2.0 2.5 3.0
1 de febrer de 2011
68

Test
a 2 3
1. Per calcular el determinant de la matriu A = a a 1 pel mtode de Gauss amb
1 2 1
pivotatge, noms cal aplicar pivotatge si:
(a) a = 0,
(b) a = 2,
(c) a = 0, 2,
2 1 0
2. La matriu L en la descomposici de Doolite de la matriu A = 4 2 1 s:
0 0 1
1 0 0
1 0 0
1 0 0
cap de les
(a) 2 1 0 , (b) 2 1 0 , (c) 2 1 0 , (d)

anteriors.
0 2 1
0 2 1
0 2 1
3. Ajustant per mnims quadrats la taula de valors
ax + bx2 , els valors da i b sn:
x
y
(a) a = 0.601 , b = 0.854,

(c) a = 0.605, b = 0.763 ,
1
0
2
2
3
a funcions del tipus y =
5
(b) a = 0.234 , b = 0.453 ,

4. La segent taula mostra els valors de la concentraci de medicament en plasma en funci

del temps.
t en hores
C en mg/l
1
620
2
480
3
360
5
290
Si el model teric emprat s C(t) = C0 ekt , quin sn els valors de C0 i k?

(a) C0 = 654 , k = 0.34 ,
(c) C0 = 763 , k = 0.201 ,
1 de febrer de 2011
(b) C0 = 706 , k = 0.189 ,


Calcul II

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

Calcul II

Uploaded by

Copyright:

Available Formats

CLCUL II

Clcul II (Enginyeria Qumica) - Curs 2010-2011

Clcul diferencial de funcions de diverses variables

Clcul II (Enginyeria Qumica) - Curs 2010-2011

Frmules per avaluar lerror . . . . . . . . . . . . . . . . . . . . . . . . . . .

lgebra lineal numrica i aplicacions

Clcul II (Enginyeria Qumica) - Curs 2010-2011

Funcions de diverses variables

Clcul diferencial de funcions de diverses variables

Donats un valor c R i una funci f : Rn R diem conjunt de nivell c per a f al conjunt

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.1. Funcions de diverses variables

Figura 1.2: Isbares de la regi atlntica a la nostra latitud.

(c) La corba de nivell c > 0 de la funci f (x, y) =

Clcul diferencial de funcions de diverses variables

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.2. Lmits i continutat

Exemple 1.8. La funci f (x, y) =

(x, y) = (0, 0) + t(u, v) .

Clcul diferencial de funcions de diverses variables

Derivades parcials i direccionals

DfU~ (A) = lim

~ j = (0, . . . , 0, 1 , 0, . . . , 0) s preciObservem que la derivada en la direcci coordenada U

Vector gradient i matriu jacobiana

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.4. Vector gradient i matriu jacobiana

A R3 el vector gradient sescriu sovint en termes dels vectors

(b) El gradient s perpendicular als conjunts de nivell: si Nc s el conjunt de nivell c de f i

A Nc , llavors f (A) s perpendicular a Nc .

f (x, y) T~ = (2x, 2y) (y, x) = 2xy + 2yx = 0 .

Clcul diferencial de funcions de diverses variables

f (x) = (2x, 2y)

Figura 1.5: Corba de nivell 1 i vector gradient per a la funci f (x, y) = x2 + y 2 .

Observaci 1.14. La noci de derivabilitat per a funcions f : Rn R tamb sexpressa en

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.5. Frmula de Taylor

i per tant el polinomi que buscavem s:

Observem que si escrivim X = (x, y) tenim

Clcul diferencial de funcions de diverses variables

i avaluant al punt (0, )

Amb tot aix obtenim

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.6. Extrems relatius i extrems condicionats

Extrems relatius i extrems condicionats

(resp. f (x, y) f (a, b))

Clcul diferencial de funcions de diverses variables

(resp. f (x, y) f (a, b))

No tots els extrems relatius sn extrems absoluts.

Clcul dextrems relatius

punt (a, b) s un extrem relatiu, aleshores f (a, b) = ~0, s a dir,

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.6. Extrems relatius i extrems condicionats

Figura 1.7: Grfica de la funci f (x, y) = x2 y 2 per a x, y [1, 1].

Clcul diferencial de funcions de diverses variables

(i) (1/ 2, 0), (1/ 2, 1), (1/ 2, 1) sn punts de sella.

(ii) (1/ 2, 0) i (1/ 2, 1) sn mxims.

(iii) (1/ 2, 1) s mnim.

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.6. Extrems relatius i extrems condicionats

Figura 1.8: La funci f (x) = x3 /6 1.5x2 + 2x + 1/3 per a x [0, 8].

Clcul diferencial de funcions de diverses variables

Aix dna els punts (0, 0) Q i (3, 9)

Clcul II (Enginyeria Qumica) - Curs 2010-2011

1.6. Extrems relatius i extrems condicionats