Matem Atica Aplicada: Universidad Nacional de Rosario

Facultad de Ciencias Exactas, Ingenierı́a y Agrimensura
Universidad Nacional de Rosario
MATEMÁTICA APLICADA
Ingenierı́a Eléctrica - Ingenierı́a Electrónica
José A. Semitiel - Luciano Ponzellini Marinelli

Departamento de Matemática - Escuela de Formación Básica
Índice General
1 El sistema de los números complejos 5

1.1 El cuerpo de los números complejos . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Potenciación de números complejos . . . . . . . . . . . . . . . . . . . . . 7
1.2 El plano complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Forma de par ordenado de un número complejo . . . . . . . . . . . . . . 7
1.2.2 Representación geométrica de los números complejos . . . . . . . . . . . 8
1.3 Otras formas de representar números complejos . . . . . . . . . . . . . . . . . . 13
1.3.1 Formas trigonométrica y polar de un número complejo . . . . . . . . . . 13
1.3.2 Raı́z n−ésima de un complejo . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.3 Forma exponencial de un número complejo . . . . . . . . . . . . . . . . . 15
1.4 El plano complejo extendido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Funciones complejas 23
2.1 Funciones complejas de variable compleja . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Funciones analı́ticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Lı́mites y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 Derivada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.3 Ecuaciones de Cauchy-Riemann . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Funciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1 La función exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 La función logaritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3 Las funciones trigonométricas seno y coseno . . . . . . . . . . . . . . . . 37
2.4 Transformaciones o mapeos en el plano complejo . . . . . . . . . . . . . . . . . . 38
2.4.1 Algunas transformaciones elementales . . . . . . . . . . . . . . . . . . . . 40
2.4.2 Transformación o mapeo lineal . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4.3 Transformación de inversión . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.4 Transformación bilineal, racional o de Möebius . . . . . . . . . . . . . . . 41
3 Integración compleja 49
3.1 Funciones complejas de variable real . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 La integral compleja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 El Teorema de Cauchy-Goursat . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.2 La fórmula integral de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . 64
Capı́tulo 0 2022 2
ÍNDICE GENERAL
4 Series complejas y residuos 75

4.1 Series de potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.1.1 Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.2 Integración y derivación de series de potencias . . . . . . . . . . . . . . . 81
4.1.3 Series de Laurent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.2 Singularidades aisladas y residuos . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3 El teorema de los residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5 La transformación de Laplace 103

5.1 La transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.1.1 Existencia de la transformada de Laplace . . . . . . . . . . . . . . . . . . 107
5.1.2 Linealidad del operador L . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2 Propiedades de la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . 109
5.3 Transformada inversa de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4 Más propiedades de la transformada de Laplace . . . . . . . . . . . . . . . . . . 112
5.4.1 Transformada de Laplace de la derivada . . . . . . . . . . . . . . . . . . 113
5.4.2 Transformada de Laplace de integrales . . . . . . . . . . . . . . . . . . . 116
5.5 El segundo teorema de traslación . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.5.1 La función escalón unitario . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.5.2 Transformada de Laplace de la función escalón unitario . . . . . . . . . . 119
5.5.3 El segundo teorema de traslación . . . . . . . . . . . . . . . . . . . . . . 120
5.6 Transformada de Laplace de funciones periódicas . . . . . . . . . . . . . . . . . 122
5.7 La función impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.8 Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6 Métodos numéricos 144

6.1 Introducción a los Métodos Numéricos . . . . . . . . . . . . . . . . . . . . . . . 144
6.1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
6.1.2 Ejemplo de un problema y un método numérico . . . . . . . . . . . . . . 147
6.1.3 Software para programación de métodos numéricos . . . . . . . . . . . . 148
6.1.4 Aplicaciones en la Ingenierı́a . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.2 Introducción a MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.2.1 Caracterı́sticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.2.2 Entorno de MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.2.3 Expresiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.2.4 Formatos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
6.2.5 Entrada y salida por Ventana de Comandos . . . . . . . . . . . . . . . . 154
6.2.6 Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.2.7 Operaciones con vectores y matrices . . . . . . . . . . . . . . . . . . . . . 157
6.2.8 Funciones intrı́nsecas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.2.9 Otras funciones de MATLAB: polinomios . . . . . . . . . . . . . . . . . . 165
ÍNDICE GENERAL
6.2.10 Programación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

6.2.11 Almacenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
6.2.12 Scritps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.2.13 Funciones en MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.2.14 Ploteos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.3 Errores en los Métodos Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.3.2 Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
6.3.3 Errores numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.3.4 Aritmética de punto flotante . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.4 Resolución de Sistemas de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . 201
6.4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
6.4.2 Métodos Directos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.4.3 Métodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
6.5 Raı́ces y Sistemas de Ecuaciones No Lineales . . . . . . . . . . . . . . . . . . . . 225
6.5.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
6.5.2 Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . 225
6.5.3 Métodos de Punto Fijo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
6.6 Solución numérica de Ecuaciones Diferenciales Ordinarias . . . . . . . . . . . . . 242
6.6.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
6.6.2 Interpretación geométrica: el campo de direcciones . . . . . . . . . . . . 243
6.6.3 Existencia y unicidad de solución de un PVI . . . . . . . . . . . . . . . . 245
6.6.4 El método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
6.6.5 Descripción geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
6.6.6 Error en el método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . 249
6.6.7 Otros métodos para resolver EDO . . . . . . . . . . . . . . . . . . . . . . 251
6.7.1 Introducción a MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
6.7.2 Errores en los Métodos Numéricos . . . . . . . . . . . . . . . . . . . . . . 253
6.7.3 Resolución de Sistemas de Ecuaciones Lineales . . . . . . . . . . . . . . . 255
6.7.4 Raı́ces y Sistemas de Ecuaciones No Lineales (SENL) . . . . . . . . . . . 258
6.7.5 Solución numérica de EDO . . . . . . . . . . . . . . . . . . . . . . . . . . 260
Bibliografı́a 261
Link de interés 262
Capı́tulo 1
El sistema de los números complejos
En este capı́tulo estudiaremos la estructura algebraica y geométrica de los números complejos,

fundamental para el desarrollo de la teorı́a de la variable compleja.
1.1 El cuerpo de los números complejos

Un número complejo es toda expresión de la forma z = x + iy donde x, y ∈ R e i se define
por la relación i2 = −1. El conjunto de todos los números complejos se representa por C, es
decir
C = {x + iy : x, y ∈ R} .
Al número real x se lo llama parte o componente real de z y se denota por x = Re(z); al
número real y se lo llama parte o componente imaginaria de z y se denota por y = Im(z).
Dos números complejos z1 = x1 + iy1 y z2 = x2 + iy2 se dicen iguales si tienen iguales las
partes real e imaginaria, es decir x1 = x2 e y1 = y2 .
La suma y el producto de dos números complejos se definen respectivamente por
(x1 + iy1 ) + (x2 + iy2 ) = (x1 + x2 ) + i (y1 + y2 )

(x1 + iy1 ) (x2 + iy2 ) = (x1 x2 − y1 y2 ) + i (x1 y2 + x2 y1 )
Adoptamos las siguientes convenciones con el fin de simplificar el uso de los números com-
plejos:
1. Los miembros de la derecha de la suma y el producto de números complejos recién defi-

nidos, se pueden obtener formalmente manipulando los términos de la izquierda como si
sólo contuvieran números reales, y sustituyendo i2 por −1 cuando aparezca.
2. El sı́mbolo i recibe el nombre de unidad imaginaria. Es usual, en Electrónica, representar

a la unidad imaginaria con el sı́mbolo j.
3. Los números complejos de la forma x + i0 se representan simplemente por x. Es evidente

que forman un subconjunto de C algebraicamente idéntico a R. Por lo tanto, tales números
serán números reales.
CAPÍTULO 1. EL SISTEMA DE LOS NÚMEROS COMPLEJOS
4. Los números complejos de la forma 0 + iy se representan simplemente por iy y se llaman

imaginarios puros. El número 0 + i0, aunque también responde a esta descripción se
representa por 0, como en el primer caso.
El conjunto C dotado de las operaciones suma y producto definidas anteriormente, tiene

estructura de cuerpo conmutativo pues se verifican las siguienten propiedades:
Sean z, z1 , z2 y z3 ∈ C entonces,
• Clausuras: z1 + z2 ∈ C ; z1 z2 ∈ C.
• Conmutativas: z1 + z2 = z2 + z1 ; z1 z2 = z2 z1 .
• Asociativas: (z1 + z2 ) + z3 = z1 + (z2 + z3 ) ; (z1 z2 ) z3 = z1 (z2 z3 ).
• Existencia de elementos neutros:
1. Dado z ∈ C, existe 0 = 0 + i0 (elemento neutro de la suma) tal que z + 0 = z.
2. Dado z ∈ C, existe 1 = 1 + i0 (elemento neutro del producto) tal que z1 = z.
• Existencia de elementos inversos:
1. Dado z = x + iy ∈ C, existe −z = −x − iy (elemento inverso aditivo) tal que
z + (−z) = 0.
x −y
2. Dado z = x + iy 6= 0, existe z −1 = 2 2
+i 2 (elemento inverso multiplica-
x +y x + y2
tivo) tal que zz −1 = 1.
1 x − iy x − iy x −y
Observar que z −1 = = = 2 = 2 +i 2 .
x + iy (x + iy)(x − iy) x +y 2 x +y 2 x + y2
• Distributiva del producto respecto de la suma: z1 (z2 + z3 ) = z1 z2 + z1 z3 .
A partir de la existencia de elemento inverso aditivo y multiplicativo en C, quedan definidas
las operaciones de resta y división respectivamente de la siguiente manera:
Sean z1 = x1 + iy1 y z2 = x2 + iy2 , entonces
z1 − z2 = z1 + (−z2 ) = (x1 − x2 ) + i (y1 − y2 ) .
Si z2 6= 0 entonces:
z1 x1 + iy1 (x1 + iy1 ) (x2 − iy2 ) (x1 x2 + y1 y2 ) + i (y1 x2 − x1 y2 )
= = = =
z2 x2 + iy2 (x2 + iy2 )(x2 − iy2 ) x22 + y22
x1 x2 + y1 y2 y1 x2 − x1 y2
= 2 2
+i .
x2 + y 2 x22 + y22
2 + 3i
Ejemplo 1.1.1. Para obtener Im (z) siendo z = , calculemos
3−i
2 + 3i (2 + 3i)(3 + i) 6 + 2i + 9i − 3 3 11
z= = = = + i,
3−i (3 − i)(3 + i) 10 10 10
11
por lo que se tiene que Im (z) = .▲
10
1.1.1 Potenciación de números complejos

Sean n ∈ N y z ∈ C. Se define la potencia n−ésima de z como:
z n = zz...z, (n veces).
Si z 6= 0 entonces
1
z −n =
zn
y z 0 = 1.
1
Ejemplo 1.1.2. Para calcular (1 + i)−2 , notemos primero que (1 + i)−2 = y como
(1 + i)2
(1 + i)2 = (1 + i)(1 + i) = 1 + 2i + i2 = 1 + 2i − 1 = 2i
1 −2i −2i 1
entonces se tiene que (1 + i)−2 = = = = − i.▲
2i 2i(−2i) 4 2
Se puede comprabar fácilmente que las sucesivas potencias de la unidad imaginaria i se

repiten periódicamente con perı́odo 4:
i0 = 1; i1 = i; i2 = −1; i3 = i2 i = −i; i4 = i3 i = −ii = 1; i5 = i4 i = 1i = i
i6 = i5 i = ii = −1; i7 = i6 i = −1i = −i; i8 = i7 i = −ii = 1; i9 = i8 i = 1i = i; ...
A partir de este reconocimiento es posible enunciar el siguiente teorema:
Teorema 1.1.1. Sea n ∈ N con n ≥ 4. Entonces in = ir donde r es el resto de la

división entera de n por 4 (r = 0, 1, 2, 3).
Demostración. Ejercicio.
Ejemplo 1.1.3. Por el Teorema 1.1.1 se sigue que,

1 1
i21 = i1 = i y i−121 = = = −i.▲
i121 i
1.2 El plano complejo

1.2.1 Forma de par ordenado de un número complejo
Los números complejos pueden ser identificados como el conjunto de pares ordenados z = (x, y)
de números reales donde x = Re(z) e y = Im(z). Con ellos se definen:
• Igualdad: (x1 , y1 ) = (x2 , y2 ) ⇔ x1 = x2 , y1 = y2
• Suma: (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )
• Producto: (x1 , y1 ) (x2 , y2 ) = (x1 x2 − y1 y2 , x1 y2 + y1 x2 )
Según esta definición se establece una correspondencia biunı́voca entre los pares (x, 0) y los
números reales x. De esta manera el conjunto de los números reales R se identifica con un
subconjunto C′ de C y esta correspondencia se establece también, entre sumas en R y sumas
en C′ y entre productos en R y productos en C′ .
La unidad imaginaria se define por i = (0, 1), que verifica
i2 = (0, 1) (0, 1) = (−1, 0) = −1.
Por otra parte (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1) (y, 0) de lo que se tienen que:
(x, y) = x + iy.
Esta última igualdad muestra la equivalencia entre dos formas de expresión de un mismo
números complejo, como par ordenado z = (x, y) y en forma binómica z = x + iy.
Observación 1.2.1. No es posible establecer una relación de orden en el conjunto de los

números complejos, es decir el conjunto C con las operaciones de suma y producto definidas
anteriormente es un cuerpo conmutativo no ordenado.
En efecto, supongamos que fuese posible definir una relación ´<´ como en R. Dado que
i 6= 0 entonces se tiene que i < 0 ó bien 0 < i. Supongamos que 0 < i, entonces 0.i < i.i es
decir 0 < −1 lo cual es un absurdo. Análogamente si suponemos que i < 0.
1.2.2 Representación geométrica de los números complejos

Sabemos que fijado un sistema de ejes cartesianos ortogonales en el plano, se establece una
correspondencia biunı́voca entre puntos del plano y pares ordenados de números reales.
Esta correspondencia es adecuada para representar los números complejos, atendiendo a
que cada z = x + iy es un par ordenado de números reales z = (x, y). Entonces cada número
complejo z se corresponde con un punto P del plano y recı́procamente:
P ↔ z = (x, y) = x + iy.
En virtud de esta correspondencia biunı́voca entre puntos del plano y números complejos,
se identifica a C con el plano que por este motivo se llama plano complejo.
En este plano, el eje x de las abscisas se llama eje real y el eje y de las ordenadas, se llama
eje imaginario.
−→
A cada número complejo z = (x, y) = x + iy le corresponde el vector OP , denominado
vector asociado a z, de origen O y extremo el punto P llamado afijo de z, como se observa
en la Figura 1.1.
Figura 1.1: Plano complejo
Definición (Complejo conjugado). Sea z = x + iy ∈ C. Se llama conjugado de z,

y notamos z, al número complejo z = x − iy.
A partir de este concepto, se tienen las siguientes propiedades de números complejos conjugados:
Teorema 1.2.1 (Propiedades del complejo conjugado). Sean z, z1 y z2 ∈ C. Entonces

se verifican las siguientes propiedades:
1. z = z ⇔ z ∈ R 5. z1 + z2 = z1 + z2
2. z + z = 2 Re(z) 6. z1 z2 = z1 z2
7. −z = −z
3. z − z = 2i Im(z)

1 1
4. zz = Re2 (z) + Im2 (z) 8. = si z 6= 0
z z
Corolario 1.2.1. Si z1 y z2 ∈ C entonces se verifica que:
1. z1 − z2 = z1 − z2

z1 z1
2. = si z2 6= 0
z2 z2
Demostración. Probaremos sólo (1) mientras que (2) queda como ejercicio.
Dados los complejos z1 y z2 , entonces
z1 − z2 = z1 + (−z2 ) = z1 + −z2 = z1 − z2 .
Definición (Módulo). Sea z = x + iy ∈ C, se llama módulo de z, y denotamos |z|,

al número real no negativo
−→ p
|z| = |OP | = x2 + y 2 .
Geométricamente, el módulo de z es la distancia del afijo P de z al punto 0.

√
Ejemplo 1.2.1. Si z = −1 + 3i entonces |z| = 10. ▲
Ejemplo 1.2.2. Para determinar el conjunto de puntos z del plano complejo que verifican la
ecuación |z − i| = 2, consideremos z = x + iy, luego
p
|z − i| = |x + (y − 1)i| = x2 + (y − 1)2 = 2
o equivalentemente
x2 + (y − 1)2 = 4. (1.1)
Figura 1.2: Representación de |z − i| = 2
La ecuación (1.1) es la ecuación cartesiana en el plano xy de una circunferencia de centro

(0, 1) y radio 2 como se observa en la Figura 1.2.
Por lo tanto, la ecuación |z − i| = 2 representa una circunferencia en el plano z de centro
w = i y radio 2. ▲
Teorema 1.2.2. Sean z, z1 y z2 ∈ C. Entonces se verifican las siguientes propiedades:
1. |z| = | − z| = |z| = | − z|
2. zz = |z|2
3. |z1 z2 | = |z1 ||z2 |

z1 |z1 |
4. = si z2 6= 0
z2 |z2 |
5. Re(z) ≤ |Re(z)| ≤ |z| y Im(z) ≤ |Im(z)| ≤ |z|
6. |z1 + z2 | ≤ |z1 | + |z2 |
Demostración. Probaremos aquı́ sólo la propiedad (6) conocida con el nombre de desigualdad
triangular. Las demás quedan como ejercicio.
|z1 + z2 |2 = (z1 + z2 ) z1 + z2 = z1 z1 + z1 z2 + z2 z1 + z2 z2 = |z1 |2 + z1 z2 + z1 z2 + |z2 |2 =
= |z1 |2 + 2 Re (z1 z2 ) + |z2 |2 ≤ |z1 |2 + 2 |z1 z2 | + |z2 |2 = |z1 |2 + 2 |z1 | |z2 | + |z2 |2 = (|z1 | + |z2 |)2
Luego, se tiene que |z1 + z2 | ≤ |z1 | + |z2 |.
Definición (Argumento). Sea z ∈ C − {0}. Se llama argumento de z a todo ángulo

θ que forma el vector posición de z con el semieje real positivo.
Observación 1.2.2. El argumento de un número complejo z 6= 0 no está unı́vocamente deter-

minado pues si θ y θ′ son argumentos de z entonces θ − θ′ = 2kπ, k ∈ Z como se observa en la
Figura 1.3.
Al conjunto de todos los argumentos de un complejo no nulo z lo indicamos Arg(z). El
valor principal de Arg(z), denotado arg(z), se define como el único valor de Arg(z) ∈ (−π, π],
llamado argumento prinicipal de z. Luego,
−π < arg(z) ≤ π.
Notar además que,
Arg(z) = arg(z) + 2kπ, k ∈ Z.

π π
Ejemplo 1.2.3. Sea z = −3i. Entonces arg(z) = − y Arg(z) = − + 2kπ, k ∈ Z. ▲
2 2
Observación 1.2.3. Sea z = x + iy 6= 0. Entonces
1. x > 0, y = 0 ⇒ arg(z) = 0
2. x < 0, y = 0 ⇒ arg(z) = π
π
3. x = 0, y > 0 ⇒ arg(z) =
2
π
4. x = 0, y < 0 ⇒ arg(z) = −
2

 arctan(y/x) si z ∈ Ic ó z ∈ IV c
5. x 6= 0, y =
6 0 ⇒ arg(z) = arctan(y/x) + π si z ∈ IIc

arctan(y/x) − π si z ∈ IIIc
Figura 1.3: Argumento de un número complejo
π 3
Ejemplo 1.2.4. arg(−1 − i) = arctan(1) − π = − π = − π. ▲
4 4
Teorema 1.2.3. Sean z1 y z2 complejos no nulos. Entonces:
1. Arg(z1 z2 ) = Arg(z1 ) + Arg(z2 )

z1
2. Arg = Arg(z1 ) − Arg(z2 )
z2
Observación 1.2.4. Las fórmulas anteriores no son válidas para argumentos principales. En
π
efecto, sean z1 = −1 y z2 = i. Se tiene que arg(z1 z2 ) = arg(−i) = − mientras que arg(z1 ) +
2
π 3
arg(z2 ) = π + = π.
2 2
1.3 Otras formas de representar números complejos

1.3.1 Formas trigonométrica y polar de un número complejo
Sea z = x + iy ∈ C − {0}. Sean (r, θ) las coordenadas polares del punto (x, y) que corresponde
a la forma de par ordenado del complejo no nulo z.
Como la relación entre las coordenadas polares de un punto en el plano (r, θ) y sus coorde-
nadas cartesianas (x, y) está dada por

x = r cos θ
y = rsen θ
donde r > 0 entonces podemos expresar al complejo z de las formas:
z = r(cos θ + isen θ)
denominada forma trigonométrica de z, y
z = rθ
llamada forma polar de z. Notar que r = |z| y θ ∈ Arg(z).
√ π
Ejemplo 1.3.1. Sea z = 1 − i. Se tiene que |z| = 2 y arg(z) = − . Entonces las formas
4
trigonométrica y polar de z son:
√ π π
z = 2 cos − + isen −
4 4
y √
z = 2− π4
respectivamente. ▲
Observación 1.3.1 (Igualdad en forma polar). Sean z1 = rθ1 y z2 = rθ∗2 . Entonces z1 = z2 si
y sólo si r = r∗ y θ1 − θ2 = 2kπ, k ∈ Z.
Teorema 1.3.1 (Producto y cociente en forma polar). Si z1 = rθ1 y z2 = rθ∗2 , entonces:
1. z1 z2 = (rr∗ )θ1 +θ2

z1 r
2. = ∗
z2 r θ1 −θ2
Teorema 1.3.2 (Fórmula de De Moivre). Sean el número complejo z = rθ y n ∈ Z.

Entonces
z n = rnθ
n
= rn (cos nθ + isen nθ).
1.3.2 Raı́z n−ésima de un complejo

√
Sea z ∈ C y n ∈ N, se llama raı́z n−ésima de z, y notamos n
z a todo complejo w tal que
wn = z.
El siguiente teorema nos brinda una fórmula que nos permite calcular las n raı́ces n−ésimas
de un número complejo z. Previamente necesitaremos expresar al complejo z en forma polar.
Teorema 1.3.3. El número complejo z = rθ tiene exactamente n raı́ces n−ésimas

complejas, y están dadas por: √
wk = n r θ+2kπ
n
donde k = 0, 1, 2, ..., n − 1.
√
Ejemplo 1.3.2. Para obtener 3 −8i, comencemos expresando z = −8i en forma polar como
z = 8− π2 . Entonces las raı́ces cúbicas de z están dadas por
√
3
wk = 8 − π2 +2kπ
3
donde k = 0, 1, 2. Luego, se tiene que las raı́ces cúbicas de z = −8i son:

√ √
w0 = 2− π6 = 3 − i, w1 = 2 π2 = 2i y w2 = 2 7π = − 3 − i,
6
Figura 1.4: Representación de las raı́ces cúbicas de −8i
las cuales están representadas gráficamente en la Figura 1.4. ▲
1.3.3 Forma exponencial de un número complejo

La fórmula de Euler
eiθ = cos θ + isen θ
para todo θ ∈ R permite expresar un número complejo z = rθ como
z = reiθ
conocida como forma exponencial de z.

√ iπ
Por ejemplo, la forma exponencial del complejo z = 1 + i es z = 2e 4 .
Teorema 1.3.4. Sean z1 = r1 eiθ1 y z2 = r2 eiθ2 . Entonces:
1. z1 z2 = r1 r2 ei(θ1 +θ2 )
z1 r1
2. = ei(θ1 −θ2 )
z2 r2
3. n ∈ Z ⇒ z1n = r1n einθ1
√ √ θ1 +2kπ
4. n z1 = n r1 ei n con k = 0, 1, 2, ..., n − 1.
1.4 El plano complejo extendido

Es conveniente incluir en el conjunto C de los números complejos, el punto del infinito,
denotado ∞. El conjunto C junto con ese punto se denota C∗ es decir
C∗ = C ∪ {∞}
y se denomina plano complejo extendido. Las operaciones habituales de C se extienden al

plano ampliado según las siguientes fórmulas:
∞.z = z.∞ = ∞.∞ = ∞, ∀z 6= 0
∞ + z = z + ∞ = ∞, ∀z ∈ C∗
∞ − z = z − ∞ = ∞, ∀z ∈ C
z
= 0, ∀z ∈ C
∞
∞
= ∞, ∀z ∈ C
z
z
= ∞, ∀z 6= 0, z ∈ C∗
0
El módulo del infinito se define como |∞| = +∞ pero carece de sentido hablar del argumento
del punto del infinito, ası́ como de las operaciones:
∞ 0
∞ − ∞, 0.∞, , .
∞ 0
Fue Riemann quien dio una respuesta satisfactoria a la representación del punto del infinito,
con la que se conoce como la proyección estereográfica y que no es otra cosa que uno de
los métodos utilizados en la confección de mapas, es decir, en la representación de superficies
esféricas.
Figura 1.5: Proyección estereográfica
Para establecer cómo es esta representación en C∗ , consideremos en el espacio R3 un sistema

rectangular de ejes coordenados e identifiquemos el plano xy con el plano complejo C, de modo
que el eje real sea el eje x y el imaginario el y como se observa en la Figura 1.5. Sea una
esfera centrada en el origen de coordenadas y de radio unitario. La intersección de la superficie
esférica con el plano xy (el ecuador de la esfera) es la circunferencia de ecuación |z| = 1. Los
puntos N (0, 0, 1) y S(0, 0, −1) cooresponderı́an a los polos norte y sur respectivamente.
Si P (x, y, z) es un punto genérico de la esfera, distinto de N , la recta N P corta al plano xy
en un único punto Z y, recı́procamente, la recta N Z, donde Z es un punto del plano xy, corta
a la esfera en un único punto P de la esfera distinto de N . Es decir, al asociar al punto P de
la esfera, el punto Z del plano xy, establecemos una correspondencia biunı́voca de la esfera sin
el polo norte en el plano, a la que hemos llamado proyección estereográfica.
De esta forma podemos representar a todo punto del plano complejo sobre la esfera sin
el punto correspondiente al polo norte, punto este último donde viene representado el punto
del infinito ∞. Nótese que los números complejos de módulo uno quedan representados en el
ecuador, en el mismo punto sobre el que se encontraban. Los del interior de la circunferencia
(de módulo menor que uno), quedan representados en el hemisferio sur y los de módulo mayor
que uno (los de fuera de la circunferencia) quedan representados en el hemisferio norte. Ası́
pues, conforme nos alejamos del origen en el plano complejo, nos acercamos al polo norte en
su representación en la esfera. Luego, hemos conseguido representar cada punto de C∗ por un
único punto de la esfera, y recı́procramente. Ası́ representado, el plano complejo ampliado suele
llamarse esfera de Riemann.
1.5 Ejercicios propuestos

1. Exprese en forma binómica, trigonométrica, polar y exponencial, según corresponda, cada
uno de los números complejos z dados:
π π
(a) z = 4 (c) z = 4 cos + isen (e) z = −2 − 2i
4 4
(b) z = 3eπi (d) z = 2 3 π
2
(f) z = −1 + i
2. Dados los complejos z1 = 2 − 3i y z2 = 4 + 2i, se pide:
(a) Represéntelos geométricamente, y determine sus módulos y argumentos.

(b) Represente vectorialmente z1 + z2 y z1 − z2 .
(c) Calcule y grafique los complejos iz1 y iz2 . ¿Qué efectos produce geométricamente
cuando a un complejo z no nulo se lo multiplica por la unidad imaginaria?
√
1 3
3. Sean los números complejos z1 = 2 + i, z2 = 3 − 2i y z3 = − + i, calcule:
2 2
(a) Re (3z1 − 2z2 ) (c) −3z12 + 4z1 − 8i (e) (z3 )4
z1 z3
(b) Im (z1 z2 − iz3 ) (d) (f) |z1 | z3
z2
4. Halle los números reales x e y de modo que se verifique la igualdad:
(a) −x + 5i − 2 + iy = 1 − i (b) (x + iy) (1 + i) = 2 + i
5. El producto de un fasor de tensión por el conjugado de un fasor de corriente se conoce con

el nombre de potencia compleja. Sea Se un número complejo que representa
la potencia

e
compleja de un circuito eléctrico. Los números reales P = Re S y Q = Im Se
se
conocen como potencia activa y potencia reactiva, respectivamente. Si se sabe que
e
S = 10 y que P = 6, encuentre todos los valores posibles de Q para este circuito.
Represente gráficamente todos los valores posibles de S.e
6. Siendo ρ, τ , α, β, A y B números reales y dados los siguientes números complejos z1 =

Aeiβ , z2 = Beiβ , z3 = Aeα+iβ y z4 = Beα+iβ , calcule:
(a) |z1 | (c) i3 z1 + iz2 (e) |z3 + z4 |

(b) |z3 | (d) |z1 + z2 | (f) |z2 − ρz2 |
7. La evolución en el tiempo de una tensión alterna senoidal de valor eficaz 220 V (Voltios)
y frecuencia de 50 Hz (Hertz), como la que existe en la instalación eléctrica de nuestros
hogares, puede representarse de la siguiente forma
 
√
220 cos 2π |{z}
v(t) = 2 |{z} 50 t + ϕ [V ] , (1.2)
valor ef icaz f recuencia
donde t representa el tiempo (medido en segundos) y ϕ recibe el nombre de fase (medida

en radianes).
√
(a) Demuestre que v(t) = Re 2 220 eiϕ ei2π50t para todo t real.
(b) Halle el módulo y el argumento del número complejo V̇ = 220eiϕ . Este número
complejo recibe el nombre de fasor de tensión.
(c) Represente el fasor V̇ en las formas binómica, polar, exponencial y trigonométrica.
√
˙
(d) Halle el número complejo V2 tal que v(t) = Im ˙
2 V2 ei2π50t
para todo t real.
(e) Determine el módulo y el argumento de V˙2 y compárelos con los correspondientes a

V̇ .
(f) Al aplicarse la tensión v(t) sobre un capacitor de capacidad 0, 001 F (esto sucede si
se conectan los bornes del capacitor a un enchufe en nuestro hogar), circulará por el
mismo una corriente eléctrica i(t) que satisface
dv(t)
i(t) = 0, 001 [A] . (1.3)
dt
Halle la expresión de i(t) cuando√v(t) está dada
por (1), muestre que i(t) puede
escribirse en la forma i(t) = Re 2Ie˙ i2π50t
y halle el número complejo I˙ (fasor
de corriente), representándolo en sus formas binómica y polar.
V̇
(g) El número complejo Z, igual al cociente de los fasores de tensión y corriente, Z = ,
I˙
recibe el nombre de impedancia (del capacitor en este caso). Halle Z, la impedancia
del capacitor del ı́tem 1(f) y represéntela en las formas binómica, polar y exponencial.
(h) Si en otro enchufe de la misma instalación eléctrica hogareña se conecta una lámpara
incandescente, su comportamiento es similar al de una resistencia de R = 440Ω, por
lo que la corrienta eléctrica que circulará a través de ésta será igual a:
v(t)
ir (t) = [A] . (1.4)
440
√
Escriba ir (t) en la forma ir (t) = Re 2 I˙r ei2π50t y represente el número complejo
I˙r en las formas binómica y polar.
8. Calcule:
9 √
(a) (1 + i)14 (c) 3 π3 (e) i
π −25 √ 1
(b) 2e− 4 i (d) 4 −1 (f) (−1 + i) 3
9. Halle el conjunto solución de cada una de las siguientes ecuaciones:
(a) 3iz − 4 + i = 2i (e) 5z 2 + 2z + 10 = 0 (i) ez − 1 = 0

1+i √
(b) 3iz − =2 (f) z 6 + 1 = 3i (j) ez + 1 − i = 0
(1 − 2i)2
(c) z 2 + 2z + 5 = 0 (g) z 2 + (i − 2)z + 3 − i = 0 (k) iez − 1 = 0
(d) z 5 + 32 = 0 (h) ez + 1 = 0 (l) z 4 − 2z 2 − 2 = 0
10. El movimiento de enfoque de la lente de un lector óptico de DVD puede representarse

mediante la ecuación diferencial ordinaria
d2 x(t) dx(t)
m 2
+b + kx(t) = F (t), (1.5)
dt dt
donde t representa el tiempo, x(t) la posición de la lente en la dirección axial, m es la
masa de la lente, b es un coeficiente de fricción, k el coeficiente de elasticidad y F (t)
la fuerza que se ejerce sobre la lente para acercarla o alejarla de la superficie del DVD
(enfoque). La “estabilidad” del movimiento del enfoque se analiza hallando las raı́ces del
polinomio
p(λ) = mλ2 + bλ + k. (1.6)
(a) Halle las raı́ces de p(λ) para los valores m = 0, 46 10−3 kg, b = 0, 0075 Ns/m y
k = 18, 6 N/m.
(b) El movimiento analizado será estable si todas las raı́ces de p(λ) poseen parte real
negativa. Evalúe si para los valores de m, b y k dados se tiene estabilidad.
(c) Demuestre que siempre que m, b y k sean positivos, se tendrá estabilidad.
11. Grafique el lugar geométrico determinado por los siguientes conjuntos:
(a) S1 = {z ∈ C : |z| = 4}
n π πo
(b) S2 = z ∈ C : − < arg(z) ≤
2 4
n πo
(c) S3 = z ∈ C : 1 < |z| ≤ 3, −π < arg(z) ≤
2
(d) S4 = {z ∈ C : |Re(z)| ≤ 3, −2 ≤ Im(z) ≤ 1}

z − 3
(e) S5 = z ∈ C : <2
z + 3
(f) S6 = {z ∈ C : Re (z 2 ) = 1}
(g) S7 = {z ∈ C : |z + 2 − 3i| + |z − 2 + 3i| ≤ 10}
12. La topologı́a del plano complejo C

Entorno: Un entorno de z0 ∈ C es un conjunto que consta de todos los puntos z ∈ C tal
que |z − z0 | < r donde r > 0.
Entorno reducido: Un entorno reducido de z0 ∈ C es un conjunto que consta de todos los
puntos z ∈ C tal que 0 < |z − z0 | < r donde r > 0.
Punto lı́mite o de acumulación: Sea S un subconjunto de C. Un punto z0 ∈ C se llama
punto lı́mite o punto de acumulación de S, si todo entorno reducido de z0 contiene puntos
de S.
Conjunto cerrado: Sea S un subconjunto de C. Se dice que S es un conjunto cerrado si
todos sus puntos lı́mites pertenecen a S.
Punto interior : Un punto z0 ∈ C es un punto interior del subconjunto S de C si existe
un entorno de z0 ı́ntegramente contenido en S.
Punto frontera: Un punto z0 ∈ C es un punto frontera del subconjunto S de C si todo
entorno de z0 contiene puntos de S y puntos que no están en S.
Frontera: Se llama frontera del subcojunto S de C al conjunto formado por todos los
puntos frontera de S.
Punto exterior : Un punto z0 ∈ C se llama punto exterior del subconjunto S de C si no
es punto interior ni punto frontera de S.
Conjunto acotado: Un subconjunto S de C se dice acotado si existe M > 0 tal que
|z| < M para todo z ∈ S.
Conjunto abierto: Un subconjunto S de C se dice abierto si sólo consiste de puntos
interiores.
Conjunto conexo (conexo por caminos): Un subconjunto S de C se dice conexo si todo
par de puntos de S se pueden unir mediante una lı́nea poligonal cuyos puntos pertenezcan
todos al conjunto S.
Dominio: Un subconjunto S de C se dice dominio si S es abierto y conexo.
Conjunto simplemente conexo: Un subconjunto S de C se dice simplemente conexo si
toda curva simple cerrada que pueda trazarse en su interior contiene solamente puntos de
S.
Región anular o corona: Se llama corona, región anular o región circular, al conjunto de
puntos del plano complejo comprendido entre dos circunferencias concéntricas.
Conjunto múltiplemente conexo: Un subconjunto S de C en el que al menos se pueda tra-
zar una curva simple cerrada cuyo interior contenga uno o más puntos que no pertenezcan
a S, se dice múltiplemente conexo.
Determine si los conjuntos Si dados en el ejercicio (11) son abierto, cerrado, acotado,
conexo, simplemente conexo y/o un dominio.
13. Dados los números complejos z, z1 y z2 . Demuestre que:
(a) Im (iz) = Re (z) (f) |z1 − z2 |2 + |z1 + z2 |2 = 2 |z1 |2 + 2 |z2 |2

(b) Re (iz) = −Im (z)
z+z
(c) z ∈ R ⇔ z = z (g) z ∈ C ⇒ Re(z) =
2
(d) z es imaginario puro ⇔ z = −z
z−z
(e) |z1 − z2 | ≥ ||z1 | − |z2 || (h) z ∈ C ⇒ Im(z) =
2i
Capı́tulo 2
Funciones complejas
En este capı́tulo estudiaremos funciones complejas de una variable compleja y desarrollaremos

para ellas una teorı́a de derivación. El objetivo principal de este capı́tulo es introducir las
funciones analı́ticas que juegan un papel fundamental en el Análisis Complejo.
2.1 Funciones complejas de variable compleja
Definición (Función compleja de variable compleja). Sea S un subconjunto no

vacı́o de C. Una función compleja de una variable compleja f es una correspondencia
que asigna a cada número complejo z ∈ S, un número complejo w.
f : S ⊆ C → C, w = f (z)
El conjunto S recibe el nombre de dominio de definición de f , y se lo denota por

S = Dom(f ), z es la variable independiente y w es la variable dependiente.
Ejemplo 2.1.1. Sea la función f : C → C tal que f (z) = z 2 . Entonces f (1 + 2i) = (1 + 2i)2 =
−3 + 4i, por lo que se dice que −3 + 4i es la imagen de 1 + 2i por la función f . ▲
Funciones univaluada y multivaluada

Sea f una función compleja de variable compleja. Si a cada valor de z le hace corresponder
un único valor w, se dice que la función f es una función unı́voca o función univaluada.
Si por el contrario, a cada valor de z, le corresponde más de un valor w se dice que f es una
función multiforme o función multivaluada.
Una función multivaluada puede considerarse como una colección de funciones unı́vocas,
cada una será llamada rama de la función.
Se acostumbra considerar un miembro particular como una rama principal de la función
multivaluada y el valor de la función correspondiente a esta rama como el valor principal.
Por ejemplo, la función del ejemplo anterior 2.1.1 es unı́voca, mientras que la función
√
f : C → C / f (z) = z
CAPÍTULO 2. FUNCIONES COMPLEJAS
es una función multivaluada o multiforme pues, por ejemplo f (1) = ±1.

Cuando hablemos de función (compleja de variable compleja), supondremos, a menos que
se diga lo contrario que es una función unı́voca.
Observación 2.1.1. Si una función f está dada sólo por su ley, sobreentenderemos que se
toma por dominio el mayor subconjunto de C donde f (z) existe, es decir
Dom(f ) = {z ∈ C : f (z) existe}

z
Por ejemplo, sea la función dada por f (z) = entonces su dominio es C − {i, −i} cuya
z2 + 1
representación se observa en la Figura 2.1.
z
Figura 2.1: Representación del dominio de f (z) = z 2 +1
Funciones componentes de una función compleja

Supongamos que w = u + iv es el valor de la función f en z = x + iy, es decir
f (x + iy) = u + iv.
Cada número real u y v depende de las variables reales x e y, luego f (z) puede ser expresado
en términos de un par de funciones reales de las variables reales x e y
f (z) = u(x, y) + iv(x, y).
Por ejemplo, sea la función dada por f (z) = z 2 , entonces
f (x + iy) = (x + iy)2 = x2 − y 2 + i2xy,
luego u(x, y) = x2 − y 2 y v(x, y) = 2xy.
Por el contrario, sea por ejemplo la función dada por f (z) = 7x + 3iy. Si queremos expresar
a f (z) en términos de la variable compleja z entonces dado que Re(z) = x y Im(z) = y tenemos
que
f (z) = 7Re(z) + 3iIm(z).
Otra forma serı́a considerar:

z+z z−z
Re(z) = x = , Im(z) = y =
2 2i
z+z z−z
por lo que se tiene que f (z) = 7 + 3i = 5z + 2z.
2 2i
Funciones polinómicas y racionales

Una función polinómica es una función de la forma:
f (z) = an z n + an−1 z n−1 + ... + a1 z + a0
donde n ∈ N0 y ai ∈ C para toda i = 0, 1, 2, ..., n. El dominio de tales funciones es C.

Una función racional es una función de la forma:
p(z)
f (z) =
q(z)
donde p y q son polinomios. Este tipo de funciones tienen por dominio C − {z ∈ C : q(z) = 0}.
2.2 Funciones analı́ticas

En esta sección se desarrolla una de las nociones fundamentales de la teorı́a de análisis complejo
que es la de función analı́tica. Previamente se estudiarán los conceptos de lı́mite, continuidad
y derivabilidad de una función compleja de variable compleja.
2.2.1 Lı́mites y continuidad
Definición (Lı́mite). Sea f una función definida en un entorno reducido de z0 . Se

dice que f tiene lı́mite w0 en z0 y notamos lim f (z) = w0 si dado ε > 0, existe δ > 0
z→z0
tal que
0 < |z − z0 | < δ ⇒ |f (z) − w0 | < ε.
iz 1
Ejemplo 2.2.1. Sea f (z) = . Probaremos que lim f (z) = − .
2 z→i 2
Sea ε > 0. Nótese que:

1 iz 1 1 1
f (z) + = + = |i(z − i)| = |z − i| .
2 2 2 2 2
Por consiguiente tenemos que:

1
f (z) + <ε si 0 < |z − i| < 2ε,
2
y de esta forma se tiene que δ = 2ε. ▲
Teorema 2.2.1. Sean la función dada por f (z) = u(x, y) + iv(x, y) y z0 = x0 + iy0 .
Entonces,
lim f (z) = u0 + iv0
z→z0
si y sólo si
lim u(x, y) = u0 y lim v(x, y) = v0 .
(x,y)→(x0 ,y0 ) (x,y)→(x0 ,y0 )
Ejemplo 2.2.2. Para calcular lim z 2 , llamemos z = x + iy, entonces

z→i
f (z) = (x + iy)2 = x2 − y 2 + 2xyi
luego
u(x, y) = x2 − y 2 , v(x, y) = 2xy.
Dado que
lim u(x, y) = lim x2 − y 2 = −1
(x,y)→(0,1) (x,y)→(0,1)
y
lim v(x, y) = lim 2xy = 0,
(x,y)→(0,1) (x,y)→(0,1)
entonces lim z 2 existe y se tiene que

z→i
lim z 2 = lim u(x, y) + i lim v(x, y) = −1.▲

z→i (x,y)→(0,1) (x,y)→(0,1)
Teorema 2.2.2. Si lim f (z) = w0 y lim g(z) = w1 , entonces

z→z0 z→z0
1. lim [f (z) + g(z)] = w0 + w1 f (z) w0

z→z0 4. lim = si w1 6= 0
z→z0 g(z) w1
2. lim [f (z)g(z)] = w0 w1
z→z0
3. lim αf (z) = αw0 donde α ∈ C 5. lim |f (z)| = |w0 |

z→z0 z→z0
Algunos lı́mites importantes

• lim α = α donde α ∈ C
z→z0
• lim z n = z0n donde n ∈ N

z→z0
• Si P (z) es una función polinómica entonces lim P (z) = P (z0 )

z→z0
• Si R(z) es una función racional y z0 ∈ Dom(R), entonces lim R(z) = R(z0 )

z→z0
Lı́mites infinitos y al infinito

A partir de lo visto en la Sección 1.4. ya se puede asignar un significado a la afirmación
lim f (z) = w0
z→z0
en el caso en que alguno o ambos, z0 ó w0 , sean sustituidos por el punto del infinito ∞.
Definición (Lı́mite infinito). La afirmación lim f (z) = ∞ significa que para cada
z→z0
número positivo M , existe un número positivo δ tal que si 0 < |z − z0 | < δ entonces
|f (z)| > M .

1 1
Puesto que la definición anterior puede escribirse como 0 < |z − z0 | < δ ⇒ − 0 < ,
f (z) M
entonces tenemos que:
1
lim f (z) = ∞ ⇔ lim = 0.
z→z0 z→z0 f (z)
Definición (Lı́mite al infinito). La afirmación lim f (z) = w0 significa que para

z→∞
cada número positivo ε, existe un número positivo N tal que si |z| > N entonces
|f (z) − w0 | < ε.

1 1 1
Como la definición anterior puede escribirse como 0 < − 0 < ⇒ f − w0 < ε,
z N z
entonces tenemos que:
1
lim f (z) = w0 ⇔ lim f = w0 .
z→∞ z→0 z
Definición (Lı́mite infinito al infinito). La afirmación lim f (z) = ∞ significa que

z→∞
para cada número positivo M , existe un número positivo N tal que si |z| > N entonces
|f (z)| > M .

1 1 1 1

Esta definición puede escribirse como 0 < − 0 < ⇒ − 0 < , entonces
z N f (1/z) M
tenemos que:
1
lim f (z) = ∞ ⇔ lim = 0.
z→∞ z→0 f (1/z)
iz + 3
Ejemplo 2.2.3. Probemos que lim = ∞.
z→−1 z + 1
iz + 3 1 z+1
Para ello, sea f (z) = . Entonces dado que lim = lim = 0 se tiene por
z+1 z→−1 f (z) z→−1 iz + 3
lo tanto que:
iz + 3
lim = ∞.▲
z→−1 z + 1
Definición (Continuidad en un punto). Se dice que la función f es continua en

un punto z0 si lim f (z) = f (z0 ), es decir, si dado ε > 0, existe un δ > 0 tal que si
z→z0
|z − z0 | < δ entonces |f (z) − f (z0 )| < ε.
Estudiar la continuidad de una función compleja de variable compleja en un punto, es equi-

valente a estudiar la continuidad en un punto de sus funciones reales componentes de dos
variables:
Teorema 2.2.3. La función compleja f (z) = u(x, y) + iv(x, y) es continua en z0 =

x0 + iy0 si y sólo si las funciones reales u = u(x, y) y v = v(x, y) son continuas en
(x0 , y0 ).
Ejemplo 2.2.4. La función dada por f (z) = |z|2 = x2 + y 2 es continua en C pues las funciones
componentes de f , u(x, y) = x2 + y 2 y v(x, y) = 0 son continuas en R2 . ▲
Teorema 2.2.4. Si f y g son funciones continuas en z0 ∈ C y si α ∈ C, entonces

f
f + g, αf , f g, (si g(z0 ) 6= 0) y |f | son continuas en z0 .
g
Teorema 2.2.5. Si g es una función continua en z0 ∈ C y f es continua en w0 = g(z0 ),

entonces f ◦ g es continua en z0 .
Definición (Continuidad en una región). Una función f es continua en una región

R ⊆ C si lo es en todos los puntos de R.
Observación 2.2.1. Las funciones polinómicas y racionales son continuas en sus dominios.
Teorema 2.2.6. Si f es una función compleja continua en un conjunto cerrado y

acotado D ⊂ C, entonces su imagen f (D) es cerrado y acotado en C.
2.2.2 Derivada
Definición (Derivada en un punto). Sea f una función cuyo dominio contiene un
entorno de z0 . Se dice que f es derivable en z0 si existe
f (z) − f (z0 )
lim . (2.1)
z→z0 z − z0
En tal caso, al resultado del lı́mite se lo denota por f ′ (z0 ) y se llama derivada de f en
z0 .
Expresando la variable z en la definición anterior en términos de la nueva variable compleja

4z = z − z0 podemos escribir (2.1) como:
f (z0 + 4z) − f (z0 )

f ′ (z0 ) = lim .
△z→0 4z
Al utilizar esta forma de la definción de derivada se suele omitir el subı́ndice de z0 y se
introduce el número:
4w = f (z + 4z) − f (z),
que denota el cambio en el valor de f correspondiente a un cambio 4z en el punto en que
evaluamos f . Entonces (2.1) se puede expresar como:
dw 4w
= lim .
dz △z→0 4z
Definición (Función derivada). Una función f es derivable en un abierto Ω de C

si es derivable en cada punto de Ω. Si f es derivable en un abierto Ω de C, entonces
queda definida una nueva función
f′ : Ω → C / w = f ′ (z)
llamada función derivada de f .
Ejemplo 2.2.5. Determinemos dónde es derivable la función definida por f (z) = z 2 . Como
f (z + 4z) − f (z) z 2 + 2z4z + (4z)2 − z 2

lim = lim = lim (2z + 4z) = 2z
△z→0 4z △z→0 4z △z→0
para cualquier z ∈ C, entonces f es derivable en C y se tiene que la función derivada de f es
f ′ (z) = 2z, ∀z ∈ C.▲
Ejemplo 2.2.6. Estudiemos ahora dónde es derivable la función dada por f (z) = z. Para ello,
consideremos z = x + iy ∈ C y 4z = 4x + i4y. Entonces,
f (z + 4z) − f (z) (x + 4x) − i(y + 4y) − (x − iy) 4x − i4y

= = .
4z 4x + i4y 4x + i4y
Si 4z → 0 a lo largo del eje real (4y = 0) entonces
f (z + 4z) − f (z) 4x
lim = lim = 1.
△z→0 4z △x→0 4x
Por otro lado, si 4z → 0 a lo largo del eje imaginario (4x = 0) entonces

f (z + 4z) − f (z) −i4y
lim = lim = −1.
△z→0 4z △y→0 i4y
f (z + 4z) − f (z)
Luego, no existe lim para ningún z ∈ C por lo que f no es derivable en
△z→0 4z
todo C.
Teorema 2.2.7. Si f es una función derivable en z0 entonces f es continua en z0 .
Algunas derivadas de funciones complejas

A partir de la definición de derivada de una función compleja, es sencillo probar que
d
• Si c ∈ C entonces (c) = 0 para toda z ∈ C.
dz
• Si n ∈ N entonces la función f (z) = z n es derivable en C y se tiene que f ′ (z) = nz n−1 .
Teorema 2.2.8. Si f y g son funciones derivables en z0 y c es una constante compleja,

f
entonces las funciones f + g, f − g, cf , f g y ( si g(z0 ) 6= 0 ) son funciones derivables
g
en z0 . Además:
1. (f + g)′ (z0 ) = f ′ (z0 ) + g ′ (z0 )
2. (f − g)′ (z0 ) = f ′ (z0 ) − g ′ (z0 )
3. (cf )′ (z0 ) = cf ′ (z0 )
4. (f g)′ (z0 ) = f ′ (z0 )g(z0 ) + f (z0 )g ′ (z0 )

′
f f ′ (z0 )g(z0 ) − f (z0 )g ′ (z0 )
5. (z0 ) =
g [g(z0 )]2
Demostración. La prueba de este teorema es similar al caso de funciones reales de una variable
real.
Ejemplo 2.2.7. Si n ∈ Z− , la función f (z) = z n es derivable para todo z 6= 0. En efecto,

1
f (z) = −n donde −n ∈ N. Luego, aplicando la propiedad (5) del Teorema 2.2.8 se tiene que:
z
′ 0z −n − 1(−n)z −n−1
f (z) = −2n
= nz n−1 , z 6= 0.▲
z
Teorema 2.2.9. Si g es derivable en z0 y f es derivable en w0 = g(z0 ), entonces f ◦ g

es derivable en z0 . Además
(f ◦ g)′ (z0 ) = f ′ (g(z0 ))g ′ (z0 ).
Ejemplo 2.2.8. La función dada por f (z) = (z 2 + 2)3 es derivable en C. Además,
f ′ (z) = 3(z 2 + 2)2 2z = 6z(z 2 + 2)2
para todo z ∈ C.▲
2.2.3 Ecuaciones de Cauchy-Riemann

En esta sección obtendremos un par de ecuaciones que deben satisfacer las primeras derivadas
parciales de las funciones componentes de una función compleja de variable compleja en un
punto, para que exista en él la derivada de tal función.
Teorema 2.2.10 (Ecuaciones de Cauchy-Riemann: condiciones necesarias). Sea la

función dada por f (z) = u(x, y) + iv(x, y) donde z = x + iy. Si f es derivable en
z0 = x0 + iy0 entonces se satisfacen las condiciones de Cauchy-Riemann:
ux (x0 , y0 ) = vy (x0 , y0 ), uy (x0 , y0 ) = −vx (x0 , y0 ).
Además,
f ′ (z0 ) = ux (x0 , y0 ) + ivx (x0 , y0 ) = vy (x0 , y0 ) − iuy (x0 , y0 ).
Demostración. Por hipótesis, f es derivable en z0 = x0 + iy0 , luego:
f (z0 + 4z) − f (z0 )

f ′ (z0 ) = lim = (2.2)
△z→0 4z
[u(x0 + 4x, y0 + 4y) + iv(x0 + 4x, y0 + 4y] − [u(x0 , y0 ) + iv(x0 , y0 )]
lim . (2.3)
(△x,△y)→(0,0) 4x + i4y
El lı́mite (2.2) ó (2.3) existe, independientemente de cómo 4z → 0.
Si en particular, 4z → 0 a lo largo del eje real (4y = 0) entonces (2.3) se puede expresar
como
[u(x0 + 4x, y0 ) + iv(x0 + 4x, y0 )] − [u(x0 , y0 ) + iv(x0 , y0 )]

f ′ (z0 ) = lim = (2.4)
△x→0 4x

u(x0 + 4x, y0 ) − u(x0 , y0 ) v(x0 + 4x, y0 ) − v(x0 , y0 )
= lim +i = (2.5)
△x→0 4x 4x
= ux (x0 , y0 ) + ivx (x0 , y0 ). (2.6)
Si en cambio, 4z → 0 a lo largo del eje imaginario (4x = 0) entonces (2.3) se puede

expresar como
[u(x0 , y0 + 4y) + iv(x0 , y0 + 4y)] − [u(x0 , y0 ) + iv(x0 , y0 )]

f ′ (z0 ) = lim = (2.7)
△y→0 i4y

u(x0 , y0 + 4y) − u(x0 , y0 ) v(x0 , y0 + 4y) − v(x0 , y0 )
= lim +i = (2.8)
△y→0 i4y i4y
1
= uy (x0 , y0 ) + vy (x0 , y0 ) = vy (x0 , y0 ) − iuy (x0 , y0 ). (2.9)
i
Luego, de (2.6) y (2.9) se tienen las ecuaciones de Cauchy-Riemann, es decir
ux (x0 , y0 ) = vy (x0 , y0 ), uy (x0 , y0 ) = −vx (x0 , y0 ).

Además, de (2.6) y (2.9) se tiene que
f ′ (z0 ) = ux (x0 , y0 ) + ivx (x0 , y0 ) = vy (x0 , y0 ) − iuy (x0 , y0 ).
Con una hipótesis adicional, se obtiene el recı́proco de este teorema, que enunciamos sin
demostración:
Teorema 2.2.11 (Ecuaciones de Cauchy-Riemann: condiciones necesarias y suficien-

tes). Sea la función dada por f (z) = u(x, y) + iv(x, y) donde z = x + iy. Entonces f
es derivable en z0 = x0 + iy0 si y sólo si las funciones u = u(x, y) y v = v(x, y) tienen
derivadas parciales continuas de primer orden en (x0 , y0 ) y se satisfacen las condiciones
de Cauchy-Riemann en (x0 , y0 ).
Ejemplo 2.2.9. Usaremos las condiciones de Cauchy-Riemann para determinar dónde es de-
rivable la función dada por f (z) = zz.
Sean z = x + iy, entonces la función f puede expresarse como f (z) = x2 + y 2 por lo que
u(x, y) = x2 + y 2 y v(x, y) = 0.
Las funciones ux = 2x, uy = 2y, vx = vy = 0 son continuas para todo (x, y) ∈ R2 y como

ux = vy 2x = 0 x=0
⇔ ⇔
uy = −vx 2y = 0 y=0
se tiene que las ecuaciones de Cauchy-Riemann sólo se satisfacen en (0, 0).

Luego, f es derivable únicamente en z = 0 y f ′ (0) = 0. ▲
Definición (Función analı́tica). Se dice que la función f es analı́tica en z0 si es

derivable en todo punto de algún entorno de z0 , y en este caso se dice que z0 es un
punto regular de la función f . Una función f se dice analı́tica en un dominio D de C
si es analı́tica en todo punto de D.
Ejemplo 2.2.10. La función del ejemplo 2.2.9 es no analı́tica en todo C. ▲
Definición (Función entera). Se dice que una función f es entera si es analı́tica en

todo punto de C.
Analiticidad de las funciones polinómicas y racionales

1. Las funciones polinómicas f (z) = an z n + an−1 z n−1 + ... + a1 z + a0 son enteras. Además
f ′ (z) = an nz n−1 + an−1 (n − 1)z n−2 + ... + a1 .
Por ejemplo, si f (z) = 3iz 3 − (1 + i)z − 4i entonces f ′ (z) = 9iz 2 − 1 − i.
2. Las funciones racionales son analı́ticas en su dominio.

iz
Por ejemplo, la función dada por f (z) = 2 es analı́tica en C − {i, −i}. Además se
z +1
−iz 2 + i
tiene que f ′ (z) = 2 si z 6= ±i.
(z + 1)2
2.3 Funciones elementales

En esta sección, se presentan las funciones elementales complejas. Ellas son: la exponencial,
las trigonométricas, las hiperbólicas y la logarı́tmica.
2.3.1 La función exponencial

La función exponencial compleja está definida por
f : C → C / f (z) = ez .
Si z = x+iy entonces f (z) = ex+iy = ex eiy = ex cos y +iex sen y, por lo que u(x, y) = ex cos y
y v(x, y) = ex sen y. Como las ecuaciones de Cauchy-Riemann
ux = vy = ex cos y , uy = −vx = −ex sen y
se satisfacen para todo (x, y) ∈ R2 , y las derivadas parciales de primer orden de las funciones
u y v son continuas en R2 , entonces se tiene que f es una función entera. Además,
f ′ (z) = ex cos y + iex sen y = ez
para todo z ∈ C.
p
Para cualquier z ∈ C se tiene que |ez | = |ex (cos y + isen y)| = ex cos2 y + sen 2 y = ex > 0
por lo que se tiene que el módulo de ez es ex y ez 6= 0 para todo z ∈ C.
Si escribimos la expresión ez = ex eiy como ez = reiθ observamos que r = ex y θ = y por lo
que un argumento de ez es y. Se tiene ası́ que
Arg(ez ) = y + 2kπ
donde k ∈ Z.
También, se tiene que para cualesquiera z1 y z2 ∈ C,
ez1
z1 z2
e e =e z1 +z2
, z
= ez1 −z2 .
e 2
Por otro lado, como e2πi = 1 entonces para cualquier z ∈ C se tiene que ez+2πi = ez e2πi = ez ,
por lo que la función f es periódica de perı́odo fundamental 2πi.
2.3.2 La función logaritmo

Sea la función exponencial f : C → C tal que f (z) = ez . Como en el caso real, nuestra intención
es definir una función g = f −1 que resulte ser la inversa de la función exponencial compleja, a
la que llamaremos función logaritmo compleja.
Sabemos que ez 6= 0 para cualquier z ∈ C. Sea entonces w 6= 0 tal que
f (z) = ez = w (2.10)
Si expresamos los complejos z y w de la forma z = x + iy y w = reiθ , −π < θ ≤ π, entonces

la ecuación (2.10) se puede escribir en la forma
ex eiy = reiθ .
Luego, por la igualdad de números complejos se tiene que ex = r y eiy = eiθ o equivalente-
mente
x = ln r , y = θ + 2kπ (k ∈ Z).
Por lo tanto, la ecuación (2.10) se cumple si
z = ln r + i(θ + 2kπ)
donde k ∈ Z. Luego, si escribimos
Log w = ln r + i(θ + 2kπ)
vemos que eLog w = w; esto motiva a la definición de la función logaritmo (multivaluada) de

variable compleja.
Se llama función logaritmo a la función dada por
g : C − {0} → C / g(z) = Log z = ln |z| + iArg(z)

π π
Ejemplo 2.3.1. Log i = ln |i| + iArg(i) = ln 1 + i + 2kπ = + 2kπ i, k ∈ Z. ▲
2 2
Ejemplo 2.3.2. A las soluciones de las ecuación eiz = 1 + i, las obtenemos de la siguiente
manera
iz = Log (1 + i)
iz = ln |1 + i| + iArg(1 + i)
√ π
iz = ln 2 + i + 2kπ , k ∈ Z
π 4 √
z = + 2kπ − i ln 2, k ∈ Z.▲
4
La función logaritmo principal

La rama principal del Log z se obtiene considerando k = 0, es decir el argumento principal
de z. De esta manera queda definida una función univaluada llamada logaritmo principal y
notamos por log z. Es decir,
h : C − {0} → C / h(z) = log z = ln |z| + i arg(z).
Nótese que para todo z 6= 0, Log z = log z + 2kπi con k ∈ Z.

Veamos dónde es continua y derivable h(z) = ln r + iθ con z 6= 0. Para ello consideremos
las funciones componentes partes real y compleja de h en coordenadas polares,
u(r, θ) = ln r , v(r, θ) = θ
donde r > 0 y −π < θ ≤ π.

Es claro que h no es continua en z = 0 pues no está definida allı́. También es fácil ver que
u y v son continuas en todo punto (r, θ) tal que r > 0 y −π < θ < π. Ahora bien, estudiemos
qué ocurre en el semieje real negativo, es decir, en los puntos de la forma (r, π) con r > 0.
Si (r, θ) es arbitrariamente cercano al punto (r, π), entonces existirán valores de v próximos
a π y también otros en los que los valores de v están próximos a −π, por lo que se puede
concluir que h no es continua en el semieje real negativo.
Podemos concluir hasta el momento que como la función h no es continua en z = 0 y en los
puntos de la forma (r, π) con r ≥ 0 y θ = π, entonces tampoco será derivable allı́.
1
Dado que las primeras derivadas parciales de u y v son ur = , vθ = 1 y vr = uθ = 0, son
r
continuas en (r, θ) con r > 0 y −π < θ < π y se satisfacen las ecuaciones de Cauchy-Riemann
en polares (ver ejercicio 3 de la Sección 2.5)
1 1
ur = vθ , uθ = −vr
r r
entonces podemos concluir que h es continua y analı́tica en:
Ω = C − {z ∈ C : Re(z) ≤ 0, Im(z) = 0}
el cual está representado en la Figura 2.2.
Figura 2.2: Representación de Ω
Además, en el ejercicio 3 de la Sección 2.5, se prueba que la derivada de f en coordenadas

polares está dada por f ′ (z) = e−iθ (ur (r, θ) + ivr (r, θ)). Entonces

′ −iθ 1 1 1
f (z) = e + i0 = iθ =
r re z
para todo z ∈ Ω.
Ejemplo 2.3.3. La función dada por f (z) = log(z − i + 1) es analı́tica en el conjunto:
Ω = C − {z ∈ C : Re(z − i + 1) ≤ 0, Im(z − i + 1) = 0} .
Es decir, si z = x + iy luego z − i + 1 = (x + 1) + (y − 1)i. Entonces se debe verificar que

Re(z − i + 1) = x + 1 ≤ 0
⇔ x ≤ −1, y = 1.
Im(z − i + 1) = y − 1 = 0
Por lo tanto, f es analı́tica en:
Ω = C − {z ∈ C : Re(z) ≤ −1, Im(z) = 1}
y su función derivada viene dada por:

1
f ′ (z) = .▲
z−i+1
Teorema 2.3.1. Sean los complejos z, z1 y z2 donde z1 y z2 son no nulos. Entonces

1. Log (ez ) = z + 2kπi donde k ∈ Z
2. eLog z1 = z1
3. Log (z1 z2 ) = Log z1 + Log z2

z1
4. Log = Log z1 − Log z2
z2
Observación 2.3.1. Las propiedades enunciadas en el Teorema 2.3.1 no son válidas para
logaritmos principales. Por ejemplo, observemos que:
π
log(−3i) = ln |−3i| + i arg(−3i) = ln 3 − i
2
mientras que
3
log(−3) + log(i) = ln 3 + i arg(−3) + ln 1 + i arg(i) = ln 3 + πi.
2
2.3.3 Las funciones trigonométricas seno y coseno

Sea z ∈ C, se define la función trigonométrica seno de z como:
eiz − e−iz
sen z =
2i
y la función trigonométrica coseno de z como
eiz + e−iz
cos z = .
2
Las funciones sen z y cos z son enteras pues son suma y composición de funciones enteras.
Además,
d 1 d iz 1 eiz + e−iz
(sen z) = e − e−iz = ieiz + ie−iz = = cos z
dz 2i dz 2i 2
para cualquier z ∈ C. Análogamente se prueba que para todo complejo z se tiene que:
d
(cos z) = −sen z.
dz
Teorema 2.3.2. Sea z = x + iy ∈ C. Entonces se tienen las siguientes propiedades:
1. sen z y cos z son periódicas de perı́odo fundamental 2π.
2. cos2 z + sen 2 z = 1, cos(−z) = cos z, sen (−z) = −sen z para cualquier z ∈ C.
3. sen z = 0 ⇔ z = nπ con n ∈ Z
π
4. cos z = 0 ⇔ z = + nπ con n ∈ Z
2
5. sen z = sen x cosh y + i cos xsenhy
6. cos z = cos x cosh y − isen xsenhy
2.4 Transformaciones o mapeos en el plano complejo

Las propiedades de una función real de una variable real se suelen reflejar en el gráfico de dicha
función. No obstante para funciones complejas de variable compleja w = f (z), donde z y w
son números complejos, no disponemos de tal gráfica pues ambos números, z y w están sobre
un plano en lugar de sobre una recta. Sin embargo, se puede exhibir cierta información de la
función indicando pares de puntos correspondientes z = (x, y) y w = (u, v), para lo cual es, en
general, más sencillo dibujar los planos xy (plano z) y el plano uv (plano w) separadamente.
Al pensar en una función f de esta manera, nos referimos a ella como una aplicación,
transformación o mapeo. La imagen de un punto z del dominio de definición de la función
f , es el punto w = f (z), y el conjunto de imágenes de los puntos de un conjunto S del dominio
se llama imagen de S por la función f .
Es decir, sean z = x + iy y la función compleja w = f (z) = u(x, y) + iv(x, y). Las ecuaciones

u(x, y) = u
v(x, y) = v
definen una transformación, aplicación o mapeo de puntos del plano z (plano xy) en el plano
w (plano uv). Véase Figura 2.3.
Figura 2.3: Transformación, mapeo o aplicación
Ejemplo 2.4.1. Sea la transformación w = (1 + i)z. Para determinar la imagen en el plano

w de la curva de ecuación Im(z) = 1 del plano z por la función dada, consideremos z = x + iy
y w = u + iv.
Figura 2.4: Transformación en el plano complejo
Entonces,
w = (1 + i)(x + iy) = (x − y) + i(x + y)
y como Im(z) = y = 1 se tienen las ecuaciones

u = −1 + x
v =1+x
para cualquier x ∈ R.
Estas últimas son las ecuaciones paramétricas de una recta en el plano uv que contiene al
punto (−1, 1) y tiene la dirección del vector (1, 1) como se muestra en la Figura 2.4. ▲
2.4.1 Algunas transformaciones elementales

A continuación se presentan algunas transformaciones o mapeos elementales del plano z (o
plano xy) en el plano w (o plano uv) mediante la ley w = f (z).
Traslación
Sea w = z + β con β ∈ C. Entonces los puntos del plano z se trasladan en la dirección del
vector asociado al número complejo β en el plano w.
Rotación
Sea w = eiθ0 z con θ0 ∈ R. Entonces los puntos del plano z rotan un ángulo θ0 respecto al origen
en el plano w.
Si θ0 > 0, la rotación es en sentido positivo (en contra de las agujas del reloj), mientras que
si θ0 < 0, la rotación es en sentido negativo (a favor de las agujas del reloj).
Dilatación-contracción
Sea w = az con a > 0. Entonces si a > 1, puntos del plano z se dilatan un factor a en el plano
w en la dirección del vector asociado a z. Si por el contrario, 0 < a < 1, puntos del plano z se
1
contraen un factor en el plano w en la dirección del vector asociado a z.
a
Ejemplo 2.4.2. La tranformación del ejemplo 2.4.1, w = (1 + i)z se puede expresar como:
√ π
w = 2e 4 i z
por lo que transforma a la recta en el plano xy de

√ ecuación Im(z) = 1 en una recta en el plano
uv que se obtiene de dilatar la recta un factor 2 en la dirección de z y de rotar en sentido
π
positivo un ángulo de respecto al origen. ▲
4
2.4.2 Transformación o mapeo lineal

Una transformación o mapeo lineal es de la forma
w = αz + β
donde α y β ∈ C. Esta transformación se puede expresar como una composición de transfor-

maciones elementales. Sea entonces,
w1 = αz = aeiθ0 z
con a ∈ R+ , θ0 ∈ R es decir se trata de una dilatación/contracción y rotación.
Luego, la transformación
w = w1 + β
es una traslación en la dirección del vector asociado al complejo β.
2.4.3 Transformación de inversión

Una inversión es una transformación del tipo
1
w= .
z
En el ejercicio 12 de la Sección 2.5, se estudian las imágenes de w cuando se consideran
valores de z con parte real constante, con parte imaginaria constante, y con módulo y argumento
constantes.
2.4.4 Transformación bilineal, racional o de Möebius

Una transformación bilineal, racional o de Möebius es un mapeo del tipo
az + b
w=
cz + d
donde a, b, c y d son constantes complejas con ad − bc 6= 0.
Cuando c = 0, la condición ad−bc 6= 0 se convierte en ad 6= 0, y vemos que la transformación
racional se reduce a un mapeo lineal. Cuando, c 6= 0, la transformación de Möebius se puede
expresar como
a bc − ad 1
w= + .
c c cz + d
Luego, la transformación bilineal puede considerarse, como una composición de transforma-
ciones lineal e inversión:
1 a bc − ad
Z = cz + d , W = , w= + W.
Z c c
Se puede demostrar entonces que este tipo de transformación tiene la propiedad de mapear
circunferencias y rectas en circunferencias y rectas.
Podemos ampliar el dominio de definición de la transformación bilineal con el fin de definir
una transformación racional T sobre el plano complejo extendido C∗ de manera que el punto
a
w = sea la imagen de z = ∞ cuando c 6= 0. Consideremos entonces,
c
az + b
T (z) = , ad − bc 6= 0.
cz + d
Si pedimos que,
T (∞) = ∞ si c = 0
y
a d
T (∞) = y T − = ∞ si c 6= 0
c c
esto hace entonces que T sea continua en todo el plano complejo extendido C∗ .
Ejemplo 2.4.3. Obtengamos la imagen en el plano w del cı́rculo de ecuación |z| ≤ 2 en el

z−i
plano z bajo el mapeo bilineal w = .
z+i
Para ello, veamos primero cómo se transforma la circunferencia de ecuación |z| = 2. Des-
z−i
pejando z de w = se tiene que
z+i
i + iw
z= .
1−w
Figura 2.5: Transformación bilinial

i + iw
Entonces, |z| = = 2 ó equivalentemente |i + iw| = 2 |1 − w|. Llamando w = u + iv
1+w
tenemos que
|−v + i(u + 1)| = 2 |(1 − u) − iv|
de la que se obtiene que
10
u2 + v 2 − u+1=0
3
o equivalentemente 2
5 16
u− + v2 = .
3 9
Por lo tanto, la transformación w mapea la circunferencia de ecuación |z| = 2 del plano z,

2
5 16
de centro z = 0 y radio 2, en la circunferencia de ecuación u − + v2 = del plano w,
3 9
5 4
de centro w = y radio .
3 3
Para determinar dónde mapea w el interior de la circunferencia, tomamos un punto interior
de la circunferencia y buscamos su imagen por w.
Por ejemplo, el punto z = 0 tiene por imagen T (0) = −1 por lo que la transformación T
mapea a la región que contiene a dicho punto imagen, en este caso exterior a la circunferencia
5 4
del plano w de centro w = y radio , como se observa en la Figura 2.5. ▲
3 3

1. Para cada una de las siguientes funciones f , determine su dominio de definición, las
funciones parte real y parte imaginaria de f (z) y obtenga, si existen, la imágenes de z1 y
z2 .
(a) f (z) = z 3 − 3iz 2 + z + 1; z1 = −3i, 1−z

(d) f (z) = ; z1 = i, z2 = 1 − 2i
z2 = −1 1+z
z (e) f (z) = z + z1 ; z1 = 1 + i, z2 = 0
(b) f (z) = 2 ; z1 = −1, z2 = 0
z +1
z (f) f (z) = zRe(z) + |z|2 ; z1 = 1 + i,
(c) f (z) = ; z1 = 0, z2 = 1 + i z2 = 10i
z
2. Utilice las condiciones de Cauchy-Riemann para estudiar la región de derivabilidad de las

siguientes funciones. Obtenga, si es posible, una expresión de la derivada.
(a) f (z) = z − z (d) f (z) = e|z|

(b) f (z) = cos |z|2 (e) f (z) = Re(z)
(c) f (z) = ex (cos y + isen y) (f) f (z) = ez
3. Las ecuaciones de Cauchy-Riemann en coordenadas polares

Sea f (z) = u(x, y) + iv(x, y) una función para la cual las funciones componentes u =
u(x, y) y v = v(x, y) satisfacen las ecuaciones de Cauchy-Riemann, es decir
∂u ∂v ∂u ∂v
= y =− .
∂x ∂y ∂y ∂x
Si x = x(r, θ) = r cos θ, y = y(r, θ) = rsen θ con r > 0, entonces:
∂u ∂u ∂x ∂u ∂y
= + = ux cos θ + uy sen θ (2.11)
∂r ∂x ∂r ∂y ∂r
∂v ∂v ∂x ∂v ∂y
= + = vx cos θ + vy sen θ (2.12)
∂r ∂x ∂r ∂y ∂r
∂u ∂u ∂x ∂u ∂y
= + = −ux rsen θ + uy r cos θ (2.13)
∂θ ∂x ∂θ ∂y ∂θ
∂v ∂v ∂x ∂v ∂y
= + = −vx rsen θ + vy r cos θ. (2.14)
∂θ ∂x ∂θ ∂y ∂θ
Entonces, usando las ecuaciones de Cauchy-Riemann y las ecuaciones (2.11) y (2.14) se

tiene que:
∂u ∂v
r = ux r cos θ + uy rsen θ = vy r cos θ − vx rsen θ = ,
∂r ∂θ
de donde se tiene que:
∂u 1 ∂v
= .
∂r r ∂θ
Por otro lado, usando las ecuaciones de Cauchy-Riemann y las ecuaciones (2.12) y (2.13)
tenemos que:
∂v ∂u
−r = −vx r cos θ − vy rsen θ = uy r cos θ − ux rsen θ = ,
∂r ∂θ
de donde se tiene que:
∂v 1 ∂u
=− .
∂r r ∂θ
Hemos encontrado de esta manera, las condiciones de Cauchy-Riemann en coordenadas
polares:
∂u 1 ∂v ∂v 1 ∂u
= y =− .
∂r r ∂θ ∂r r ∂θ
Usando las ecuaciones de Cauchy-Riemann en coordenadas polares:
(a) Demuestre que si z = reiθ y f (z) = u(r, θ) + iv(r, θ) entonces
f ′ (z) = e−iθ (ur (r, θ) + ivr (r, θ)) .
(b) Si z = reiθ , estudie la región de analiticidad de las siguientes funciones y obtenga,

si es posible, una expresión para la derivada:
i. f (z) = r2
ii. g(z) = e−θ (cos(ln r) + isen (ln r))
4. Funciones armónicas
Una función real de dos variables reales ϕ = ϕ(x, y) se dice armónica en un dominio D
del plano real si tiene derivadas parciales continuas de primer y segundo orden en dicho
dominio y si satisface la ecuación de Laplace
ϕxx (x, y) + ϕyy (x, y) = 0, ∀(x, y) ∈ D.
Consideremos una función compleja de variable compleja f (z) = u(x, y)+iv(x, y) analı́tica
en el dominio D del plano complejo.
Luego, las funciones componentes de f cumplen con las ecuaciones de Cauchy-Riemann

sobre D:
ux = vy , uy = −vx .
Derivando a ambos miembros de estas ecuaciones respecto de x, se tiene:
uxx = vyx , uyx = −vxx .
Del mismo modo, derivando respecto de y:
uxy = vyy , uyy = −vxy .
Como f es analı́tica en D, las derivadas parciales de segundo orden de u y v son continuas

en D (esto se tratará en el Capı́tulo 4 Series y Residuos) por lo que se tiene que uxy = uyx
y vxy = vyx . Luego se tiene que:
uxx + uyy = 0, vxx + vyy = 0,
es decir u y v son armónicas en D.
Hemos demostrado el siguiente teorema: Si una función f (z) = u(x, y) + iv(x, y) es

analı́tica en un dominio D del plano complejo, entonces sus funciones componentes u y
v son armónicas en D.
Si dos funciones reales de dos variables reales u = u(x, y) y v = v(x, y) son armónicas
en un dominio del plano real D y sus derivadas parciales de primer orden satisfacen las
ecuaciones de Cauchy-Riemann en D, se dice que v es armónica conjugada de u.
Es evidente que si una función f (z) = u(x, y) + iv(x, y) es analı́tica en un dominio del
plano complejo D, entonces v es armónica conjugada de u. Recı́procamente, si v es una
armónica conjugada de u en un dominio D, la función f (z) = u(x, y)+iv(x, y) es analı́tica
en D.
De esto último se tiene el siguiente teorema: Una función compleja de variable compleja
f (z) = u(x, y) + iv(x, y) es analı́tica en un dominio D del plano complejo si y sólo si v
es una armónica conjugada de u.
(a) Verifique que la función dada es armónica en su dominio. Halle una función u o v,
según corresponda, de manera que f (z) = u(x, y)+iv(x, y) resulte analı́tica. Exprese
a f (z) en términos de la variable compleja z.
i. v(x, y) = 2x − 2xy con la condición u(0, 0) = 0
ii. u(x, y) = e−x (xsen y − y cos y) con la condición v(0, 0) = 0
(b) Sea f (z) = u(x, y) + iv(x, y) una función analı́tica en un dominio D. Demuestre
que las familias de curvas de ecuaciones u(x, y) = c y v(x, y) = k, donde c y k son
constantes reales arbitrarias, son ortogonales (es decir, cada miembro de una familia
tienen tangentes perpendiculares en su punto de intersección con cada miembro de
la otra familia).
(c) Para cada una de las familias de curvas de ecuaciones dadas, halle las trayectorias
ortogonales:
i. x3 y − xy 3 = c
ii. e−x (xsen y − y cos y) = c
5. Halle todos los valores de z ∈ C tales que:
(a) ez + 2 = 0 (c) e2z−1 = 1

√ π
(b) ez = 1 + 3i (d) log z = i
2
6. Pruebe que:
π
(a) log (−ei) = 1 − i (c) Log (e) = 1 + 2kπi, k ∈ Z
2 √
1 π (d) Log −1 + 3i = ln 2 + 2 n + 13 πi,
(b) log (1 − i) = ln 2 − i k∈Z
2 4
√
7. Sea la función f : C → C / f (z) = z. Pruebe que f es analı́tica en:
C − {z ∈ C : Re(z) ≤ 0, Im(z) = 0} .
1
Demuestre además que la derivada está dada por f ′ (z) = √ .
2 z
8. Demuestre el Teorema 2.3.2.
9. Las funciones seno y coseno hiperbólicos

Sea z ∈ C, se definen la función seno hiperbólico como:
ez − e−z
senhz =
2
y la función coseno hiperbólico como
ez + e−z
cosh z = .
2
(a) Explique por qué las funciones senhz y cosh z son enteras. Pruebe que:
d d
(senhz) = cosh z y (cosh z) = senhz.
dz dz
(b) Demuestre las siguientes proposiciones:
i. senhz y cosh z son periódicas de perı́odo fundamental 2πi.
ii. cosh2 z − senh2 z = 1, cosh(−z) = cosh z, senh(−z) = −senhz para cualquier
z ∈ C.
iii. senhz = 0 ⇔ z = nπi
π con n∈ Z
iv. cosh z = 0 ⇔ z = + nπ i con n ∈ Z
2
v. senhz = −isen (iz), cosh z = cos (iz) para cualquier z ∈ C.
10. Determine la región de analiticidad de las siguientes funciones. Obtenga una expresión
para f ′ .
3z + i √
(a) f (z) = z 3 − 2iz 2 + i (c) f (z) = 3 (e) f (z) = z − 1 + 3i
z −1
3 1
log(z + 4)
(b) f (z) = (z 2 + iz) (d) f (z) = 3e z − i (f) f (z) =
z2 + 1
11. La Regla de L’Hopital

f ′ (z)
Sean f y g funciones analı́ticas en z0 tal que f (z0 ) = g (z0 ) = 0. Si existe lim ′ ,
z→z0 g (z)
entonces
f (z) f ′ (z)
lim = lim ′ .
z→z0 g(z) z→z0 g (z)
Calcule, si es posible:
1 − cos z 1 − ez (c) lim
sen z
(a) lim (b) lim z→π z − π
z→0 sen z z→0 z2
12. Halle las imágenes por la función f de las curvas de ecuaciones Re(z) = k, Im(z) = c,
|z| = r y arg(z) = α, donde k, c, r y α son constantes reales, siendo:
(a) f (z) = 2iz (b) f (z) = z 2 1

(c) f (z) =
z
13. Sea el mapeo lineal w = αz + β donde α y β son constantes complejas, el cual transforma
el punto z = 1 + i en el punto w = i, y el punto z = 1 − i en el punto w = −1.
(a) Halle los valores de α y β.

Con los valores de α y β obtenidos en (a):
(b) Encuentre la región del plano w correspondiente al semiplano derecho Re(z) ≥ 0 en
el plano z.
(c) Encuentre la región en el plano w correspondiente al cı́rculo unitario |z| < 1 en el
plano z.
√
14. Halle la imagen de la transformación w = z de las curvas de ecuaciones arg(z) = c y
|z| = k con c, k ∈ R.
15. Determine las imágenes de las curvas de ecuaciones Re(z) = k y Im(z) = c, por la
transformación w = ez .
16. En cada uno de los siguientes casos, determine la imagen de la región S por la transfor-
mación w dada. Represente geométricamente la región S y su imagen.
(a) w = (1 + i)z + 2 + 3i, S = {z ∈ C : Re(z) > 1, 1 < Im(z) < 3}.

n π πo
(b) w = z 2 , S = z ∈ C : < arg(z) ≤
4 2
1
(c) w = , S = {z ∈ C : 0 < Im(z) ≤ 2}
z
(d) w = ez , S = {z ∈ C : |Re(z)| ≤ 1, 0 ≤ Im(z) ≤ 2}
n π πo
(e) w = log(z), S = z ∈ C : 2 < |z| < 4, < arg(z) <
4 2
17. Halle una transformación bilineal la cual aplica los puntos z1 = 0, z2 = −i y z3 = −1 en
los puntos w1 = i, w2 = 1 y w3 = 0, respectivamente.
z−1
18. Sea la transformación bilineal w = . Halle las imágenes en el plano uv de las rectas
z+1
de ecuaciones Re(z) = c y Im(z) = k del plano xy.
z−i
19. Halle la imagen de la región S = {z ∈ C : |z| ≤ 2} por la transformación w = .
z+i
Capı́tulo 3
Integración compleja
3.1 Funciones complejas de variable real

En esta sección estamos interesados en estudiar algunas propiedades de funciones a valores
complejos pero de una variable real, es decir funciones del tipo
w:A→C
tal que
w(t) = x(t) + iy(t)
llamada función compleja de variable real, donde A es un subconjunto no vacı́o de R y
x = x(t) e y = y(t) son funciones reales de una variable real t.
Por ejemplo, la función dada por w(t) = ln t + it2 tiene por dominio R+ . En este caso,
x(t) = ln t e y(t) = t2 . La imagen de t = 1 por la función w es w(1) = i.
Lı́mite, continuidad y derivada de una función compleja de variable real

Se dice que la función compleja de variable real w(t) = x(t) + iy(t),
• tiene lı́mite en t0 si x(t) e y(t) tienen lı́mite en t0 . Además,
lim w(t) = lim x(t) + i lim y(t)
t→t0 t→t0 t→t0
• es continua en t0 si x(t) e y(t) son continuas en t0 .

• es continua en un intervalo cerrado si x(t) e y(t) son continuas en dicho intervalo
cerrado.
• es derivable en t0 si x(t) e y(t) son derivables en t0 . Además,
w′ (t0 ) = x′ (t0 ) + iy ′ (t0 ).
Observación 3.1.1. Algunos resultados que serán de utilidad son las siguientes fórmulas de
derivación y se deja su demostración como ejercicio:
• Si w1 = w1 (t) y w2 = w2 (t) son funciones complejas derivables en la variable real t, y c
es una constante compleja, entonces
CAPÍTULO 3. INTEGRACIÓN COMPLEJA
′
– (w1 + w2 )′ (t) = w1′ (t) + w2′ (t) w1 w1′ (t)w2 (t) − w1 (t)w2′ (t)
– (t) =
w2 w22 (t)
– (w1 w2 )′ (t) = w1′ (t)w2 (t) + w1 (t)w2′ (t) – (cw1 )′ (t) = cw1′ (t)
d ct
• Si c es una constante compleja entonces, [e ] = cect .
dt
Definición (Función compleja de variable real integrable). Se dice que la función

w(t) = x(t)+iy(t) es integrable en el intervalo [a, b] si x = x(t) e y = y(t) son funciones
seccionalmente continuas en [a, b]. Además,
Solo discontinuidades evitables.
Z b Z b Z b
w(t) dt = x(t) dt + i y(t) dt.
a a a
Z Z Z
1 1 1
2
Ejemplo 3.1.1. (1 + it) dt = 2
1−t 2
dt + i 2t dt = + i. ▲
0 0 0 3
Teorema 3.1.1. Sean w, w1 y w2 funciones integrables en [a, b] y α una constante

compleja. Entonces se verifican las siguientes propiedades:
Z b Z b Z b
1. [w1 (t) + w2 (t)] dt = w1 (t) dt + w2 (t) dt
a a a
Z b Z b
2. αw(t) dt = α w(t) dt
a a
Z b Z a
3. w(t) dt = − w(t) dt
a b
Z b Z c Z b
4. w(t) dt = w(t) dt + w(t) dt
a a c
Z b Z b

5. w(t) dt ≤ |w(t)| dt
a a
6. (Regla de Barrow) Si W ′ (t) = w(t) en [a, b], es decir W es una primitiva de w

en [a, b], entonces
Z b
w(t) dt = W (b) − W (a).
a
Demostración. Sólo probaremos aquı́ la propiedad (6). Supongamos que w(t) = x(t) + iy(t) y
W (t) = X(t) + iY (t) son continuas en [a, b].
Si W ′ (t) = w(t) para t ∈ [a, b], entonces X ′ (t) = x(t) y Y ′ (t) = y(t). Luego,
Z b Z b Z b
w(t) dt = x(t) dt + i y(t) dt = [X(b) − X(a)] + i [Y (b) − Y (a)] =
a a a
= [X(b) + iY (b)] − [X(a) + iY (a)] = W (b) − W (a).
Z π
π
1 2it 1
Ejemplo 3.1.2. e 2it
dt = − ie = − i e2πi − 1 = 0. ▲
0 2 0 2
Curvas en el plano complejo

Sea la función compleja de variable real continua
z(t) = x(t) + iy(t), t ∈ [a, b].
El lugar geométrico de los puntos del plano complejo
{z = (x, y) : x = x(t), y = y(t), t ∈ [a, b]}
es la gráfica de z = z(t) y constituye un arco o curva C en el plano complejo.

La curva C tiene una orientación natural, que es la dirección en la que cada punto z(t)
se mueve a lo largo de la curva cuando t crece desde t = a hasta t = b. En este sentido
z(a) = (x(a), y(a)) es el punto inicial de C y z(b) = (x(b), y(b)) es el punto final como se
observa en la Figura 3.1.
La curva C se puede representar mediante sus ecuaciones paramétricas,

x = x(t)
, t ∈ [a, b].
y = y(t)
Ejemplo 3.1.3. Consideremos la función definida por

t + it si 0 ≤ t ≤ 1
z(t) = .
t + i si 1 < t ≤ 2
La gráfica de esta función representa una curva C en el plano complejo formada por dos
segmentos de rectas de ecuaciones paramétricas

x=t x=t
C1 : si t ∈ [0, 1] y C2 : si t ∈ (1, 2]
y=t y=1
como se observa en la Figura 3.2.▲
Figura 3.1: Curva en el plano complejo
Figura 3.2: Curva C = C1 ∪ C2
Ejemplo 3.1.4. Para representar gráficamente la curva C de ecuación z(θ) = eiθ , θ ∈ [0, 2π),
expresémosla en la forma z(θ) = cos θ + isen θ donde θ ∈ [0, 2π) por lo que la curva C tiene
por ecuaciones paramétricas:

x = cos θ
, θ ∈ [0, 2π)
y = sen θ
Figura 3.3: Circunferencia C de centro z = 0 y radio 1
y representan una circunferencia de centro z = 0 y radio 1 como se ve en la Figura 3.3. ▲
Definición (Curvas simple, cerrada, suave y seccionalmente suave). Sea C

una curva en el plano complejo de ecuación z(t) = x(t) + iy(t) con t ∈ [a, b]. Se dice
que
1. C es una curva o arco simple o de Jordan si no se corta a sı́ misma, es decir si

para todo t1 y t2 en [a, b] tal que t1 6= t2 entonces z(t1 ) 6= z(t2 ).
2. C es una curva cerrada simple si C es un arco simple excepto por el hecho de

que z(a) = z(b).
3. C es una curva suave si z ′ es continua en [a, b] y z ′ (t) 6= 0 para todo t ∈ (a, b).
4. C es una curva suave a trozos o seccionalmente suave si es una curva que consiste
en un número finito de arcos suaves unidos por sus extremos.
Ejemplo 3.1.5. La curva C del Ejemplo 3.1.4 es suave, cerrada y simple. ▲
Ejemplo 3.1.6. La curva C del Ejemplo 3.1.3 es seccionalmente suave y simple. ▲
Definición (Curvas orientadas). Una curva cerrada C se dice orientada positiva-

mente o en sentido positivo si su orientación es contraria a la de las agujas de reloj.
En caso contrario, se dice que la curva cerrada C es orientada negativamente o en
sentido negativo.
Ejemplo 3.1.7. La curva del Ejemplo 3.1.4 es orientada positivamente. ▲
Observación 3.1.2. Sea la función continua z(t) = x(t) + iy(t) con t ∈ [a, b] cuya representa-
ción gráfica es una curva C en el plano complejo. Se puede probar que:
1. La representación paramétrica usada para la curva C no es única.
p
2. Si C es seccionalmente suave, entonces |z ′ (t)| = [x′ (t)]2 + [y ′ (t)]2 es integrable en [a, b].
Luego, Z Z b b
|z ′ (t)| dt = ds = long(C).
a a
3. La long(C) dada por la integral del ı́tem (2) es invariante bajo ciertos cambios de repre-
sentación de dicha curva C.
3.2 La integral compleja
Definición (Integral de una función compleja de variable compleja). Sean C

una curva seccionalmente suave de ecuación z = z(t) con t ∈ [a, b], que se extiende
de z1 = z(a) hasta z2 = z(b), y f una función compleja de variable compleja continua
sobre C. Se llama integral de lı́nea o de contorno de f a lo largo de C a
Z Z b
f (z) dz = f (z(t)) z ′ (t) dt.
C a
Z
Ejemplo 3.2.1. Calculemos z dz siendo C la semicircunferencia de ecuación |z| = 2, desde
C
el punto −2i al punto 2i, recorrida en sentido positivo. Para ello, expresemos a C como z(t) =
2eit donde − π2 ≤ t ≤ π2 . Luego, z ′ (t) = 2ieit . Si f (z) = z entonces f (z(t)) = f (2eit ) = 2e−it ,
luego
Z Z π/2 Z π/2
−it it
z dz = 2e 2ie dt = 4i dt = 4πi.▲
C −π/2 −π/2
Teorema 3.2.1. Sean C una curva seccionalmente suave de ecuación z = z(t) con
t ∈ [a, b] y f , g funciones complejas de variable compleja continuas sobre C. Entonces
Z Z
1. k ∈ C ⇒ kf (z) dz = k f (z) dz.
C C
Z Z Z
2. [f (z) + g(z)] dz = f (z) dz + g(z) dz.
C C C
Z Z
3. f (z) dz = − f (z) dz donde −C es una curva con el mismo conjunto de
−C C
puntos de C pero recorrido en sentido contrario al de C.
4. Si C consta de una curva C1 seguida

Z de una curva
Z C2 siendoZel punto inicial de
C2 , el punto final de C1 entonces f (z) dz = f (z) dz + f (z) dz.
C C1 C2
Z

5. Si |f (z)| ≤ M entonces f (z) dz ≤ M long(C), donde M > 0.
C
Demostración. 1. y 2. son inmediatas a partir de la definición del integral de una función

compleja de variable real y del Teorema 3.1.1.
3. Sea C la curva de ecuación z = z(t) con t ∈ [a, b]. Luego,
−C : z = z(−t) con − b ≤ t ≤ −a.
Entonces mediante la transformación τ = −t se tiene,

Z Z −a Z b Z
′ ′
f (z) dz = f (z(−t)) [−z (−t)] dt = − f (z(τ )) z (τ ) dτ = − f (z) dz.
−C −b a C
4. Supongamos que C consta de un contorno C1 desde z1 hasta z3 , seguido de un contorno

C2 desde z3 hasta z2 , siendo el punto inicial de C2 el punto final de C1 . Entonces existe
un número real c, con z3 = z(c) tal que C1 viene representada por z = z(t) con a ≤ t ≤ c
y C2 por z = z(t) con c ≤ t ≤ b. Como
Z Z c Z b
′
f (z) dz = f (z(t)) z (t) dt + f (z(t)) z ′ (t) dt,
C a c
es evidente que Z Z Z
f (z) dz = f (z) dz + f (z) dz.
C C1 C2
5. Como por hipótesis f es continua sobre C y dado que C es una curva seccionalmente
suave, entonces z(t) es continua y su derivada z ′ (t) es seccionalmente continua. Luego,
se tiene que la función real |f (z(t))| es continua en el intervalo cerrado [a, b], por lo que
existe M > 0 tal que |f (z(t))| ≤ M para cualquier t ∈ [a, b]. Entonces,
Z Z b Z b

f (z) dz = f (z(t)) z ′
(t) dt≤ |f (z(t))| |z ′ (t)| dt

C a a
Z b
≤M |z ′ (t)| dt = M long(C).
a
Z
Ejemplo 3.2.2. Calculemos f (z) dz donde f (z) = y − x − i3x2 con z = x + iy siendo
C
1. C el segmento de recta que va desde z1 = 0 hasta z2 = i seguido del segmento de recta

desde z2 hasta z3 = 1 + i.
A la curva C la podemos descomponer en dos curvas C1 y C2 de ecuaciones,
z = ti, 0≤t≤1 y z = t + i, 0≤t≤1
respectivamente como se observa en la Figura 3.4.
Figura 3.4: Curva C = C1 ∪ C2
Entonces, Z Z Z
f (z) dz = f (z) dz + f (z) dz = I1 + I2 .
C C1 C2
Para calcular I1 , se tiene que f (z(t)) = t y z ′ (t) = i con t ∈ [0, 1], entonces
Z Z 1
1
I1 = f (z) dz = ti dt = i.
C1 0 2
Para obtener I2 , f (z(t)) = 1 − t − 3it2 y z ′ (t) = 1 con t ∈ [0, 1]. Luego,

Z Z 1
1
I2 = f (z) dz = 1 − t − 3it2 dt = − i.
C2 0 2
Por lo tanto, se tiene que Z

1 1
f (z) dz = − i.▲
C 2 2
2. C el segmento que va desde z1 = 0 hasta z2 = 1 + i.
La curva C, representada en la Figura 3.5, se puede expresar como z(t) = t + ti con
t ∈ [0, 1].
Luego f (z(t)) = −3it2 y z ′ (t) = 1 + i. Entonces,

Z Z 1
f (z) dz = −3it2 (1 + i) dt = 1 − i.▲
C 0
Figura 3.5: Curva C

Observación 3.2.1. Aunque el valor de una integral de contorno de una función w = f (z)
desde un punto z1 hasta un punto z2 depende, por lo general, del camino elegido (véase Ejem-
plo 3.2.2), hay ciertas funciones cuyas integrales son independientes del camino. El siguiente
teorema es útil para determinar si la integración es independiente del camino, pero para ello,
veamos primeramente la siguiente definición.
Definición (Primitiva). Sea f una función compleja de variable compleja continua

en un dominio Ω. Se dice que la función F es una primitiva de f en Ω si F ′ (z) = f (z)
para cualquier z ∈ Ω.
Observación 3.2.2. Nótese que una primitiva es, necesariamente, una función analı́tica.
Teorema 3.2.2. Sea f una función compleja de variable compleja continua en un

dominio Ω. Entonces las siguientes proposiciones son todas equivalentes:
1. f tiene una primitiva F en Ω.
2. las integrales de f a lo largo de contornos seccionalmente suaves contenidos en

Ω que unen dos puntos fijos z1 y z2 tienen todas el mismo valor.
3. las integrales de f a lo largo de cualquier contorno cerrado seccionalmente suave

contenido en Ω valen 0.
Demostración. Sólo demostraremos que 1) implica 2) en este teorema. La importancia de ello

es que descubriremos una extensión del teorema fundamental del cálculo (la regla de Barrow)
que simplifica la evaluación de muchas integrales de contorno. Esta extensión incolucra la
noción de primitiva de una función continua en un dominio.
Supongamos entonces que la función continua f admite una primitiva F en el dominio Ω, la
cual es analı́tica en Ω. Supongamos además que C es un arco suave desde z1 hasta z2 , contenido
en Ω de representación paramétrica z = z(t) con t ∈ [a, b]. Luego, la función
w(t) = F (z(t))
es derivable en t. Además, sean F (z) = u(x, y) + iv(x, y) y z(t) = x(t) + iy(t). Entonces,
w′ (t) = ux x′ (t) + uy y ′ (t) + ivx x′ (t) + ivy y ′ (t),
y usando las condiciones de Cauchy-Riemann se obtiene,
w′ (t) = (ux − iuy ) (x′ (t) + iy ′ (t))
o equivalentemente,
w′ (t) = F ′ (z(t)) z ′ (t) = f (z(t)) z ′ (t)
donde a ≤ t ≤ b. Por la propiedad 6 del Teorema 3.1.1, se tiene que
Z Z b
f (z) dz = f (z(t)) z ′ (t) dt = F (z(t))|ba = F (z(b)) − F (z(a)) .
C a
Como z(b) = z2 y z(a) = z1 , el valor de esta integral de contorno es F (z2 ) − F (z1 ); y este
valor es ciertamente independiente del contorno C, en tanto esté contenido en Ω y una z1 con
z2 . Es decir, Z Z z2
f (z) dz = f (z) dz = F (z)|zz21 = F (z2 ) − F (z1 ) .
C z1
Z
Ejemplo 3.2.3. Si queremos calcular z 2 dz para toda curva seccionalmente suave C desde
C
el punto z = 0 hasta el punto z = 1 + i, observemos que la función
Z f (z) = z 2 admite como
1
primitiva a F (z) = z 3 (que es continua), entonces la integral z 2 dz es independiente de la
3 C
trayectoria. Luego,
Z Z 1+i 1+i
1 3 2 2
2
z dz = z dz = z = − + i.▲
2
C 0 3 0 3 3
3.2.1 El Teorema de Cauchy-Goursat

En el Teorema 3.2.2 de la Sección 3.2. vimos que si una función f continua admite primitiva
en un dominio Ω, la integral de f a lo largo de cualquier curva cerrada simple seccionalmente
suave contenida en Ω vale 0. Ahora presentaremos otro teorema que da condiciones sobre f
que garantizan que el valor de la integral de f a lo largo de cualquier contorno cerrado simple
seccionalmente suave es cero.
Antes de demostrar este teorema, recordemos lo que establece el Teorema de Green:
Sea C una curva simple cerrada seccionalmente suave orientada positivamente del plano,
y sea D la región interior a C. Si las funciones reales de dos variables reales P = P (x, y),
Q = Q(x, y), Py y Qx son continuas en D y sobre la frontera C, entonces
I ZZ
P (x, y) dx + Q(x, y) dy = (Qx − Py ) dA.
C D
Ahora estamos en condiciones de enunciar y probar uno de los teoremas más importantes
en la teorı́a de funciones de variable compleja.
Teorema 3.2.3 (Teorema de Cauchy). Si f es una función compleja de variable com-

pleja analı́tica con derivada f ′ continua en todos los puntos dentro y sobre una curva
C cerrada simple seccionalmente suave y positivamente orientada, entonces
I
f (z) dz = 0.
C
Demostración. Sea C una curva simple cerrada seccionalmente suave y orientada positivamente
de ecuación,
z = z(t) = x(t) + iy(t)
donde t ∈ [a, b]. Sea además, f (z) = u(x, y) + iv(x, y) una función analı́tica dentro y sobre C
con derivada f ′ continua dentro y sobre C donde al interior de C lo denotamos por D.
Entonces dado que
f (z)dz = (u + iv)z ′ (t)dt = (u + iv)(x′ dt + iy ′ dt) = (u + iv)(dx + idy) =
= (udx − vdy) + i(vdx + udy),

se tiene que I I I
f (z) dz = (u dx − v dy) + i (v dx + u dy) = J1 + iJ2 .
C C C
Además, dado que f ′ es continua, las funciones reales u = u(x, y), v = v(x, y), ux y vx
son continuas dentro y sobre C por lo que aplicando el Teorema de Green y las condiciones de
Cauchy-Riemman se tiene que,
ZZ ZZ
J1 = (−vx − uy ) dA = 0 dA = 0,
D D
y
ZZ ZZ
J2 = (ux − vy ) dA = 0 dA = 0.
D D
Luego, se tiene que I

f (z) dz = 0.
C
Observación 3.2.3. Nótese que una vez establecido que el valor de la integral es cero, la
orientación de C es irrelevante. Es decir, el Teorema 3.2.3 es válido también si se toma a C
con orientación negativa pues
I I
f (z) dz = − f (z) dz = 0
C −C
lo que implica que I

f (z) dz = 0.
−C
Goursat fue el primero en demostrar que la condición de continuidad sobre f ′ se puede

omitir. Se tiene entonces, la versión modificada del Teorema de Cauchy, conocida como el
Teorema de Cauchy-Goursat.
Teorema 3.2.4 (Teorema de Cauchy-Goursat). Si f es una función analı́tica en un

conjunto abierto y simplemente conexo Ω y C es una curva simple cerrada y seccional-
mente suave contenida en Ω, entonces
I
f (z) dz = 0.
C
Una consecuencia inmediata del Teorema de Cauchy-Goursat y del Teorema 3.2.2. es el siguiente
resultado:
Corolario 3.2.1. Si f es una función analı́tica en un dominio simplemente conexo Ω

entonces f tiene primitva en Ω.
Demostración. Si f es una función analı́tica en un dominio simplemente conexo Ω, entonces

por el terorema de Cauchy-Goursat
I
f (z) dz = 0,
C
para cualquier curva C simple cerrada y seccionalmente suave contenida en Ω. Por el Teorema
3.2.2 de equivalencias se tiene que (3) ⇒ (1) de lo que resulta que f tiene una primitiva en
Ω.
Ejemplo 3.2.4. Dado que f (z) = sen z es entera, entonces tiene primitiva en C. Luego,
F (z) = − cos z es una primitiva de f en C. ▲
El teorema de Cauchy-Goursat se puede extender de modo que admita integrales a lo largo

de curvas en un dominio múltiplemente conexo.
Teorema 3.2.5. Sean C1 una curva simple cerrada seccionalmente suave orientada
positivamente y C2 otra curva simple cerrada seccionalmente suave orientada negativa-
mente interior a C1 . Si f es una función analı́tica en la región limitada entre y sobre
ambas curvas, entonces I I
f (z) dz + f (z) dz = 0.
C1 C2
Demostración. Sea C la curva cerrada simple seccionalmente suave constituida por C1 , seguida
de Γ1 , luego de C2 y por último de Γ2 , como se observa en la Figura 3.6.
Dado que f es analı́tica sobreI C y en la región delimitada por C, entonces por el Teorema
de Cauchy-Goursat se tiene que f (z) dz = 0. Pero además,
I I C
I I I
f (z) dz = f (z) dz + f (z) dz + f (z) dz + f (z) dz = 0. (3.1)
C C1 Γ1 Γ2 C2
Como Γ1 = −Γ2 , entonces se tiene de (3.1) que

I I
f (z) dz + f (z) dz = 0.
C1 C2
Figura 3.6: Curva C consituida por C1 , seguida de Γ1 , luego de C2 y por Γ2
Ejemplo 3.2.5. Para obtener el valor de la integral

I
dz
C z(z + 3)
donde C, como se observa en la Figura 3.7 consta de la circunferencia C1 de ecuación |z| = 2

con orientación positiva, junto con la circunferencia C2 de ecuación |z| = 1 recorrida en sentido
negativo, observemos que la función dada por
1
f (z) =
z(z + 3)
es analı́tica en la región limitada por ambas curvas y sobre dichas curvas, entonces
I
dz
= 0.▲
C z(z + 3)
Figura 3.7: Curva C constituida por C1 : |z| = 1 y C2 : |z| = 2
Una consecuencia importante del Teorema 3.2.5 es el siguiente corolario:
Corolario 3.2.2 (Principio de deformación de caminos). Sean C1 y C2 dos curvas

simples cerradas seccionalmente suaves recorridas positivamente donde C2 es interior
a C1 . Si la función f es analı́tica en la región delimitada por las curvas C1 y C2 y
sobre las mismas, entonces
I I
f (z) dz = f (z) dz.
C1 C2
Demostración. Sean C1 y C2 curvas cerradas simples seccionalmente suaves con orientación

positiva donde C2 es interior a C1 , como se observa en la Figura 3.8.
Entonces, por el Teorema 3.2.5 se tiene que
I I
f (z) dz + f (z) dz = 0
C1 −C2
o equivalentemente I I I
f (z) dz = − f (z) dz = f (z) dz.
C1 −C2 C2
Figura 3.8: Curvas C1 y C2 orientadas positivamente
Observación 3.2.4. El principio de deformación de caminos puede ser enunciado de la si-

guiente manera:
“Si C1 se deforma continuamente en C2 pasando siempre por puntos en los que f es
analı́tica, el valor de la integral de f sobre C1 es igual al valor de la integral de f sobre C2 ”
I
dz
Ejemplo 3.2.6. Calculemos siendo C cualquier curva simple cerrada seccionalmente
C z
suave orientada en forma positiva y que contenga a z0 = 0 en su interior.
Para ello, consideremos la circunferencia Γ de ecuación z = Reiθ con 0 ≤ θ ≤ 2π y R > 0
de tal forma que contenga en su interior a la curva C como se puede observar en la Figura 3.9.
Entonces, por el principio de deformación de caminos se tiene
I I Z 2π
dz dz 1
= = iθ
Rieiθ dθ = 2πi.▲
C z Γ z 0 Re
Figura 3.9: Circunferencia Γ de centro z0 = 0 y radio R recorrida positivamente
Observación 3.2.5. En general se puede probar que

I
dz
= 2πi
C z − z0
para cualquier curva simple cerrada orientada positivamente C que contiene en su interior al
punto z0 . Queda como ejercico para el lector probar este resultado.
3.2.2 La fórmula integral de Cauchy

En esta sección, presentaremos una de las fórmulas más importantes de la teorı́a de funciones
de variable compleja llamada fórmula integral de Cauchy. Asimismo presentaremos uno de los
resultado más asombrosos de dicha teorı́a.
Teorema 3.2.6 (Fórmula integral de Cauchy). Sea f una función analı́tica dentro y
sobre una curva C simple cerrada seccionalmente suave orientada positivamente. Si z0
es un punto interior a C entonces,
I
f (z)
dz = 2πif (z0 ) . (3.2)
C z − z0
Demostración. Dado que f es analı́tica en z0 entonces resulta continua en dicho punto, por lo
que dado ϵ > 0, existe un δ > 0 tal que
|z − z0 | < δ ⇒ |f (z) − f (z0 )| < ϵ.
Sea 0 < ρ < δ. Consideremos una circunferencia C0 de centro z0 y radio ρ recorrida en

sentido positivo ı́ntegramente contendia en C como se observa en la Figura 3.10. Entonces se
tiene que
|f (z) − f (z0 )| < ϵ si |z − z0 | = ρ < δ. (3.3)
f (z) − f (z0 )
Como la función dada por es analı́tica en la región delimitada por las curvas
z − z0
C y C0 y sobre ellas, entonces por el principio de deformación de caminos,
I I
f (z) − f (z0 ) f (z) − f (z0 )
dz = dz. (3.4)
C z − z0 C0 z − z0
Por un lado de (3.4) y mediante la Observación 3.2.5 se tiene que

I I I I
f (z) − f (z0 ) f (z) 1 f (z)
dz = dz − f (z0 ) dz = dz − 2πif (z0 ) . (3.5)
C z − z0 C z − z0 C z − z0 C z − z0
Por otro lado y usando (3.3) se tiene que

I I
f (z) − f (z ) |f (z) − f (z0 )| ϵ
0
dz ≤ |dz| < long(C0 ) = 2πϵ. (3.6)
z − z0 |z − z0 | ρ
C0 C0
Entonces de (3.4) y usando (3.5) y (3.6) se tiene que

I
f (z)
0≤ dz − 2πif (z0 ) < 2πϵ (3.7)
C z − z0
es decir, I
f (z)
dz − 2πif (z0 ) = 0,
C z − z0
como querı́amos demostrar.
Figura 3.10: Curva C y circunferencia C0
I
ez
Ejemplo 3.2.7. Calculemos dz siendo C la circunferencia de ecuación |z| = 4 reco-
C z − πi
rrida en sentido antihorario.
La función definida por f (z) = ez es entera y además z0 = πi es un punto interior a C,
entonces se tiene que:
I
ez
dz = 2πif (πi) = 2πieπi = −2πi.▲
C z − πi
I
z
Ejemplo 3.2.8. Para obtener el valor de la integral 2
dz siendo C la elipse de ecuación
C 4+z
y2
cartesiana x2 + = 1 recorrida en sentido positivo, consideremos la función dada por
9
z z
f (z) = = .
4+z 2 (z + 2i)(z − 2i)
Como f es analı́tica en C − {2i, −2i}, consideremos las curvas simples cerradas seccional-
mente suaves recorridas positivamente C1 y C2 tal que C = C1 ∪C2 , como se indica en la Figura
3.11.
Figura 3.11: Curvas C, C1 y C2
Luego, I I I
z z
z z+2i z−2i
dz = dz + dz = J1 + J2 .
C1 z − 2i
2
C 4+z C2 z + 2i
z
Dado que f1 (z) = es analı́tica dentro y sobre C1 , entonces se tiene que
z + 2i
J1 = 2πif1 (2i) = πi.
z
De igual forma, llamando f2 (z) = se tiene que es analı́tica dentro y sobre C2 , por lo
z − 2i
que obtenemos que
J2 = 2πif2 (−2i) = πi.
Por lo tanto, I
z
dz = 2πi.▲
C 4 + z2
Estableceremos ahora un resultado fundamental que indica que si una función es analı́tica
en un punto, admite derivada de todos los órdenes en ese punto, es decir, es infinitamente
derivable en dicho punto, y todas las derivadas son analı́ticas en él. Tal resultado se conoce
como la Fórmula integral de Cauchy para derivadas.
Teorema 3.2.7 (Fórmula integral de Cauchy para derivadas). Si f es una función

analı́tica en z0 entonces sus derivadas de todos los órdenes son también funciones
analı́ticas en z0 y vienen dadas por
I
(n) n! f (z)
f (z0 ) = dz (3.8)
2πi C (z − z0 )n+1
para todo n ∈ N0 donde z0 es un punto interior a la curva C simple cerrada seccional-

mente suave y orientada positivamente.
Observación 3.2.6. Notemos que si en la fórmula integral de Cauchy para derivadas (3.8) se
toma n = 0 se tiene la fórmula integral de Cauchy (3.2).
I
zez
Ejemplo 3.2.9. Para calcular dz siendo C cualquier curva simple cerrada orien-
C (z − 1)
2
tada positivamente y seccionalemente suave que contiene en su interior al punto z0 = 1, consi-
deremos f (z) = zez la cual es entera, entonces
I
zez 2πi ′
dz = f (1) = 4πei.▲
C (z − 1)
2 1!
A continuación enunciaremos un resultado el cual puede ser considerado como el “recı́proco”

del Teorema de Cauchy-Goursat:
Teorema 3.2.8 (de Morera). Si una función f es continua en un dominio Ω y si

I
f (z) dz = 0
C
para cualquier curva simple cerrada seccionalmente suave contenida en Ω, entonces f

es analı́tica en Ω.
Algunas consecuencias de la derivada de una función analı́tica son las siguientes:
Teorema 3.2.9 (Teorema del módulo máximo). Si f es una función no constante y

analı́tica dentro y sobre una curva C simple cerrada y seccionalmente suave, entonces
el máximo de |f (z)| se obtiene sobre la curva C, no en su interior.
Ejemplo 3.2.10. Obtengamos el máximo del módulo de f (z) = sen z sobre la región
R = {z = x + iy : 0 ≤ x ≤ π, 0 ≤ y ≤ 1} .
Como f es una función entera y no constante se sigue del teorema del módulo máximo que
max |f (z)| = max |f (z)|

z∈R z∈C
siendo C la curva simple cerrada seccionalmente suave frontera de la región R como se observa
en la Figura 3.12.
Figura 3.12: Región R y su frontera C
Además si escribimos,
eiz − e−iz ey − e−y ey + e−y

f (z) = sen z = = cos x i + sen x = sen x cosh y + isenhy cos x
2i 2 2
se tiene q
|f (z)| = sen 2 x + senh2 y,
por lo que para determinar el valor máximo de |f (z)| sobre C, descompongamos C en cuatro
curvas C1 , C2 , C3 y C4 de tal forma que C = C1 ∪ C2 ∪ C3 ∪ C4 como se ve en la Figura 3.12.
Calculemos primero el máximo valor que asume |f (z)| para los z sobre la curva C1 . Para
ello, consideremos la parametrización,

x(t) = t
C1 : , 0 ≤ t ≤ π.
y(t) = 0
Entonces, √
|f (z)| = sen 2 t = |sen t| = sen t con 0 ≤ t ≤ π
π
asume su máximo en t = y es M1 = 1 por lo que |f (z)| toma su valor máximo sobre C1 en
2
π
z = y es M1 = 1.
2
Busquemos ahora el máximo de |f (z)| para los z sobre la curva C2 . Sea la parametrización,

x(t) = π
C2 : , 0 ≤ t ≤ 1.
y(t) = t
Entonces, p
|f (z)| = senh2 t = |senht| = senht con 0 ≤ t ≤ 1
e − e−1
asume su máximo en t = 1 y es M2 = senh1 = por lo que |f (z)| toma su valor máximo
2
e − e−1
sobre C2 en z = π + i y es M2 = .
2
Hallemos ahora el máximo valor que asume |f (z)| para los z sobre la curva C3 . Considere-
mos la parametrización,

x(t) = t
−C3 : , 0 ≤ t ≤ π.
y(t) = 1
Entonces, p
|f (z)| = sen 2 t + senh2 1 con 0 ≤ t ≤ π.
Consideremos la función,
g(t) = |f (z)|2 = senh2 1 + sen 2 t donde 0 ≤ t ≤ π.
π p p q
Como g ′ (t) = 0 si y sólo si t = ; g(0) = senh1, g(π) = senh1 y g π2 =
p p 2
π p
2
senh 1 + 1, entonces g(t) asume su máximo en t = y es M3 = senh2 1 + 1 por lo
π
2 p
que |f (z)| toma su valor máximo sobre C3 en z = + i y es M3 = senh2 1 + 1.
2
Por último, busquemos el máximo de |f (z)| para los z sobre la curva C4 la cual la podemos
parametrizar por,

x(t) = 0
−C4 : , 0 ≤ t ≤ 1.
y(t) = t
Entonces, p
|f (z)| = senh2 t = |senht| = senht con 0 ≤ t ≤ 1
e − e−1
asume su máximo en t = 1 y es M4 = senh1 = por lo que |f (z)| toma su valor máximo
2
−1
e−e
sobre C4 en z = i y es M4 = .
2
Por lo tanto,
p
max |f (z)| = max |f (z)| = max {M1 , M2 , M3 , M4 } = senh2 1 + 1
z∈R z∈C
π
y se obtiene en el punto z = + i. ▲
2
Teorema 3.2.10 (Desigualdad de Cauchy). Si f es analı́tica dentro y sobre la circun-

ferencia C de centro z0 y radio r entonces
(n)
f (z0 ) ≤ n! M
rn
para todo n ∈ N0 , donde M es el máximo de |f (z)|.
Demostración. De la fórmula integral de Cauchy para las derivadas (3.8) se tiene que,
I I
(n) |f (z)|
f (z0 ) = n! f (z) n!
2πi n+1 dz ≤ |dz| ≤
C (z − z0 ) 2π C |z − z0 |n+1
I
n! M n! M n! M
≤ n+1
|dz| = n+1
2πr = n
2π r C 2π r r
para todo n ∈ N0 .
Como consecuencia de la desigualdad de Cauchy, se tiene el siguiente corolario:
Corolario 3.2.3. Si f es una función entera y acotada en C, entonces f es constante

en C. Es decir, ninguna función entera excepto las constantes, son acotadas en todo
el plano complejo.
Demostración. Sea z0 ∈ C, por la desigualdad de Cauchy para n = 1 se tiene que

M
|f ′ (z0 )| ≤ .
r
Si consideramos valores de r cada vez más grandes, se tiene que f ′ (z0 ) = 0 y como z0 es
arbitrario podemos concluir que
f ′ (z) = 0
para cualquier z ∈ C es decir, f es constante en C.

1. Halle el valor de las integrales siguientes:
Z 2 2 Z π
1 6
(a) − i dt (b) e2it dt
1 t 0
2. Calcule las siguientes integrales de lı́nea:

Z
(a) (z − 1) dz, siendo:
C
i. C el segmento de recta de origen z0 = 0 y extremo z1 = 1 + i.
ii. C el arco de parábola de ecuación cartesiana y = x2 con el mismo origen y el
mismo extremo que el segmento del apartado (i).
Z
(b) z dz, siendo:
C
i. C el arco de parábola de ecuación x = y 2 de origen z0 = 4 + 2i y extremo
z1 = 25 + 5i.
ii. C la poligonal cuyo primer lado es paralelo al eje real y segundo lado paralelo al
eje imaginario, con el mismo origen y el mismo extremo que el arco del apartado
(i).
3. Sea C la poligonal cerrada cuyos vértices son los puntos z1 = 0, z2 = 1, z3 = 1 + i y

z4 = i, recorrida en sentido positivo. Calcule las siguientes integrales:
I I I
z
(a) e dz (b) zz dz (c) z 3 sen (2z) dz
C C C
Interprete los resultados obtenidos en cada uno de los casos.
4. Utilizando las consecuencias del Teorema de Cauchy, evalúe las siguientes integrales:
Z
π
(a) sen z dz, siendo C la poligonal abierta cuyo origen es el punto z1 = , vértices
C 2
π π π
z2 = + i, z3 = − + i, y extremo z4 = − .
2 2 2
Z

(b) z 3 − iz 2 − 5z + 2i dz, siendo C el arco de elipse de ecuación |z − 3i|+|z + 3i| =
C
10, Re(z) ≥ 0, recorrido en el sentido en el cual Im(z) es creciente.
Z πi
(c) sen (3z) cos(3z) dz
0
Z π+i
(d) (z + 2) eiz dz
0
5. Utilice la fórmula integral de Cauchy para calcular:
I
ez
(a) dz, siendo C la circunferencia de centro 2 y radio 1, recorrida en sentido
C z −2
antihorario.
I
1
(b) dz, siendo C el rectángulo de vértices z1 = 4 + i, z2 = −4 + i, z3 = −4 − i
C z − 16
4
y z4 = 4 − i, recorrida en sentido horario.
I
5z
(c) dz, siendo C la curva de ecuación |z| = 5, recorrida en
C (z + 1)(z − 2)(z + 4i)
sentido antihorario.
1
6. Sea la función definida por g(z) = . Determine los valores de las integrales de la
z2
+9
función g para todas las posibles curvas simples cerradas seccionalmente suaves que no
contengan puntos de singularidad de g.
7. Utilice la fórmula integral de Cauchy para calcular:

I
ez
(a) 4 dz, siendo C la circunferencia de centro 0 y radio 2, recorrida en sentido
C (z + 1)
antihorario.
I
sen 6 z
(b) dz, siendo C la frontera del anillo A de centro 0, radio interior 2 y radio
C (z − π)
3
exterior 5, recorrida en sentido positivo respecto del interior de A.
I
sen (3z)
(c) 2
dz, siendo C el cuadrado de vértices z1 = 4, z2 = 4i, z3 = −4 y z4 = −4i,
C (z + π)
recorrido en sentido horario.
I
4z
(d) dz, siendo C la curva de ecuación |z| = 3, recorrida en sentido
C (z − 1)(z + 2)
2
horario.
8. Determine el módulo máximo de:
(a) f (z) = (z + 1)2 , en el triángulo cerrado R de vértices 0, 2 e i.

(b) f (z) = z 2 − 3z + 2, en el cı́rculo cerrado R de centro 0 y radio 1.
Evaluación de los Capı́tulos 1, 2 y 3

1. Calcule los valores de z que satisfacen las ecuaciones:
2016 √
1+i (b) z 3 = −i (c) ez − 1 = i
(a) z =
1−i
y represéntelos gráficamente.
2. El diagrama de Smith es un método gráfico que se usa en ingenierı́a eléctrica para analizar
lı́neas de transmisión de alta frecuencia. Establece la relación entre dos variables com-
plejas: la impedancia normalizada z = r + ix, (r ≥ 0, x ∈ R) y el coeficiente de reflexión
Γ = a + ib, (a, b ∈ R).
La transformación
z−1
Γ(z) = ,
z+1
se aplica a una malla formada por rectas verticales infinitas y rectas horizontales semiin-
finitas en el semiplano derecho. La imagen de esta malla en el plano Γ es el diagrama de
Smith.
(a) Pruebe que el diagrama de Smith cuando se aplica la malla Re(z) ≥ 0 bajo la
transformación dada es |Γ| ≤ 1. Grafique ambas regiones e indique si se tratan de
conjuntos abiertos, cerrados, conexos, simplemente conexos y acotados.
(b) Calcule, si es posible, Γ (3e−πi ).
1
(c) Demuestre que z (Γ) = , es decir, que los valores de z correspondientes a
z (−Γ)
valores de Γ que se encuentran en posiciones diametralmente opuestas respecto al
origen son recı́procos uno del otro.
3. Determine la veracidad o falsedad de las siguientes proposiciones. Justifique sus respues-

tas:
(a) Si f (z) = ez y Ω = {z ∈ C : |z − 1 − i| ≤ 1}, entonces max |f (z)| = e2 .

z∈Ω
(b) La función dada por f (z) = log (iz − 1) es analı́tica en C − {z = it : t ≥ −1}.

(c) z ∈ C ⇒ sen (iz) = isenh (z).
(d) Si f (z) = u + iv y f (z) son funciones enteras entonces f es una función constante
en C.
(e) Sea f una función analı́tica en el dominio D y ϕ(x, y) = |f (z)|2 donde z = x + iy.
Entonces ϕxx + ϕyy = 4 |f ′ (z)|2 .

1 i
(f) El conjunto solución de la ecuación e − 1 + i = 0 es
2iz
k− π − ln 2 : k ∈ Z .
8 4

(g) z, w ∈ C ⇒ |z + w|2 + |z − w|2 = 2 |z|2 + |w|2 .
(h) La función dada por por f (z) = az 2 + bzz + cz 2 donde a, b y c ∈ C es entera si y

sólo si b = c = 0 y a es cualquier constante compleja.
(i) cos(2z) = cos2 z − sen 2 z para todo z ∈ C
4. Sea la función definida por u(x, y) = e−2y cos(2x).
(a) Halle la función entera f = f (z) sabiendo que Re {f (z)} = u(x, y) y f (0) = 1.
(b) Pruebe que la función f obtenida se puede expresar como f (z) = e2iz .
(c) Halle todas las soluciones de la ecuación f (z) = i.
(d) Obtenga las trayectorias ortogonales de la curva de ecuación u(x, y) = c donde c una
constante real.
5. Obtenga el valor de la integral

Z

2z − zsen z 2 dz,
C
y2
siendo C la semi-elipse en el plano xy de ecuación cartesiana x + = 1 con x ≥ 0,
2
4
recorrida en sentido positivo.
6. Calcule I
2
4z − 2
3
f (z) dz
C z (z + i)
siendo C la curva de ecuación z = 2eiθ , 0 ≤ θ ≤ 2π orientada positivamente y f es una
función analı́tica en |z| < 3 tal que f ′ (0) = f (−i) = 1 y f (0) = i.
7. Sea Γ el arco de elipse de ecuación |z√− i| + |z + i| = 4 recorrida en sentido negativo con

origen en z1 = 2i y extremo en z2 = 3. Obtenga el valor de la integral:
Z

z sen (z 2 ) + z Re(z) dz.
Γ
Capı́tulo 4
Series complejas y residuos
4.1 Series de potencias

En Cálculo IV se estudiaron que existen ventajas al expresar una función de una variable real
f = f (x) en términos de su desarrollo en series de potencias
X
∞
f (x) = an xn = a0 + a1 x + a2 x2 + .... + ar xr + ...
n=0
Las series de potencias también son de gran importancia en el comportamiento de las fun-
ciones complejas. En esta sección consideramos algunas de las propiedades de la expansión en
serie de potencias de funciones complejas haciendo, siempre que sea posible, una analogı́a con
la expansión en serie de potencias de las funciones reales correspondientes.
Definición (Serie de potencias). Una serie de la forma
X
∞
an (z − z0 )n = a0 + a1 (z − z0 ) + a2 (z − z0 )2 + .... + an (z − z0 )n + ... (4.1)
n=0
en la cual los coeficientes an ∈ C para todo n = 0, 1, 2, ... y z0 es un punto fijo en

el plano complejo, es llamada serie de potencias alrededor de z0 o serie de potencias
centrada en z0 .
El primer problema es el de determinar para qué valores de z ∈ C la serie de potencias (4.1) es

convergente. Es claro que, sean cuales sean los coeficientes, una serie de potencias siempre es
convergente en z = z0 . Además, el teorema de Abel establece que dada la serie de potencias
(4.1) entonces existe R ≥ 0 tal que (4.1) es convergente si |z − z0 | < R y (4.1) es divergente si
|z − z0 | > R.
La constante positiva R del teorema recibe el nombre de radio de convergencia de la
serie de potencia y |z − z0 | < R se llama cı́rculo de convergencia de la serie de potencia. Si
R = 0, la serie sólo converge en z = z0 y si R = +∞, la serie converge para todo z ∈ C.
CAPÍTULO 4. SERIES COMPLEJAS Y RESIDUOS
Notar que el teorema de Abel no establece nada acerca de lo que sucede en |z − z0 | = R,

por lo que normalmente es investigado como un caso especial.
Para determinar el radio de convergencia R de una serie de potencias, pueden emplearse
varios de los criterios de convergencia que fueron introducidos en Cálculo IV para series reales
a términos positivos. Por ejemplo, consideremos la serie de potencias
X
∞
az n = a + az + az 2 + az 3 + ...,
n=0
llamada serie geométrica de razón z y primer término a. Por el criterio del cociente o de
D’Alembert vemos que la serie geométrica es convergente si
n+1
az
lim = lim |z| = |z| < 1.
n→+∞ az n n→+∞
por lo que el radio de convergencia es R = 1 y el cı́rculo de convergencia es |z| < 1. Además,
la serie geométrica es divergente si |z| ≥ 1.
4.1.1 Series de Taylor

Estudiaremos a continuación uno de los teoremas fundamentales del capı́tulo conocido como
teorema de Taylor.
Teorema 4.1.1 (Series de Taylor). Sea f una función analı́tica en el disco abierto
|z − z0 | < R. Entonces la función f admite una representación en serie de potencias,
llamada serie de Taylor de f centrada en z0 ,
X
∞
f (z) = an (z − z0 )n
n=0
f (n) (z0 )
si |z − z0 | < R donde an = para n = 0, 1, 2, 3....
n!
Demostración. Por una cuestión de simplicidad, presentamos la prueba del teorema sólo para
el caso especial donde z0 = 0. Dado que z0 es arbitrario, la generalización del mismo es
consecuencia inmediata de considerar z0 = 0.
Sea f una función analı́tica en el disco abierto |z| < R. Consideremos una circunferencia C
orientada positivamente de ecuación |z| = r tal que r < R de modo tal que esté ı́ntegramente
contenida en el disco |z| < R como se observa en la Figura 4.1.
Entonces por las fórmulas integrales de Cauchy se tiene que para cualquier z interior a C,
I
1 f (w)
f (z) = dw, (4.2)
2πi C w − z
y I
(n) n! f (w)
f (z) = dw (4.3)
2πi C (w − z)n+1
para todo n = 0, 1, 2, ...
Usando el hecho de que para cualquier número complejo a 6= 1 se verifica la identidad
1 am
= 1 + a + a2 + ... + am−1 + , m = 1, 2, 3, ... (4.4)
1−a 1−a
entonces
z n−1 (z/w)m
1 1 1 1 z z 2
= = 1+ + + ... + + , (4.5)
w−z w1− z
w
w w w w 1 − wz
o equivalentemente
1 1 1 1 1 1
= + 2 z + 3 z 2 + ... + m z m−1 + zm. (4.6)
w−z w w w w (w − z)wm
Sustituyendo (4.6) en (4.2) se tiene entonces que
I
1 1 1 1 2 1 m−1 1 m
f (z) = + z + 3 z + ... + m z + z f (w) dw. (4.7)
2πi C w w2 w w (w − z)wm
Usando (4.3) cuando z = 0 entonces (4.7) se puede expresar como
f ′ (0) f ′′ (0) 2 f (m−1) (0) m−1

f (z) = f (0) + z+ z + ... + z + φm (z), (4.8)
1! 2! (m − 1)!
donde
I
zm f (w)
φm (z) = dw. (4.9)
2πi C (w − z)wm
Supongamos que |z| = r0 . Dado que z es un punto interior de la curva C entonces r0 < r,
y además como w ∈ C entonces
|w − z| ≥ ||w| − |z|| = r − r0 . (4.10)
Además, sabemos que existe M > 0 tal que
M = max |f (w)|. (4.11)

w∈C
Entonces, usando (4.10) y (4.11) en (4.9) se sigue que
r0m M M r r0 m
|φm (z)| ≤ 2πr = . (4.12)
2π (r − r0 )rm r − r0 r
Figura 4.1: Disco abierto |z| < R y circunferencia C : |z| = r postivamente orientada
r0
Dado que < 1 entonces φm (z) → 0 si m → +∞, por lo que de (4.8) se sigue
r
f ′ (0) f ′′ (0) 2 f (m−1) (0) m−1
f (z) = f (0) + z+ z + ... + z + .... (4.13)
1! 2! (m − 1)!
en el disco abierto |z| < R.
Observación 4.1.1. De acuerdo con el Teorema 4.1.1, la serie de Taylor de f centrada en z0 ,

X
∞
f (n) (z0 )
(z − z0 )n
n=0
n!
converge a f (z), y no es necesario ningún criterio de convergencia, dentro del cı́rculo centrado
en z0 cuyo radio R es la distancia de z0 al punto z1 más próximo en el que f deje de ser
analı́tica.
Ejemplo 4.1.1. El radio de convergencia de la serie de Taylor centrada en z0 = i de la función

ez √ √
dada por f (z) = es R = 2 y su cı́rculo de convergencia es |z − i| < 2. ▲
z−1
Definición (Serie de Maclaurin). Si la serie de Taylor de una función f está cen-

trada en z0 = 0, se dice que es la serie de Maclaurin de la función f .
Algunos ejemplos del desarrollo en series de Taylor

1. Consideremos la función dada por
f (z) = ez .
Como f es entera, tiene un desarrollo en serie de Maclaurin es válido para cualquier
z ∈ C. Entonces dado que f (n) (0) = 1 para todo n = 0, 1, 2, 3... se tiene que
X
∞
zn
ez = si |z| < +∞. (4.14)
n=0
n!
2. La función definida por

f (z) = sen z
es entera, por lo que su desarrollo en serie de Maclaurin es válido para cualquier punto
del plano complejo. Notemos además que
f (2n) (0) = 0 y f (2n+1) (0) = (−1)n
para todo n = 0, 1, 2, 3, ... por lo que se tiene que
X∞
(−1)n 2n+1
sen z = z si |z| < +∞. (4.15)
n=0
(2n + 1)!
3. De manera similar al ejemplo anterior se tiene que

X
∞
(−1)n
cos z = z 2n si |z| < +∞. (4.16)
n=0
(2n)!
1
4. Sea la función dada por f (z) = . El desarrollo en serie de Maclaurin será válido
1−z
para |z| < 1. Además, las derivadas de f vienen dadas por
n!
f (n) (z) =
(1 − z)n+1
para todo n = 0, 1, 2, 3, ... por lo que se tiene que
f (n) (0) = n! para todo n = 0, 1, 2, 3, ....
Luego, obtenemos que

1 X ∞
= zn si |z| < 1. (4.17)
1−z n=0
Teorema 4.1.2 (Unicidad de la representación en serie de Taylor de una función).

Si la serie de potencias (4.1) converge a una función f (z) en todo punto del cı́rculo
|z − z0 | < R, entonces
f (n) (z0 )
an = , n = 0, 1, 2, ...
n!
es decir, se trata de la serie de Taylor de f centrada en z = z0 .
El teorema anterior nos permite obtener el desarrollo en serie de Taylor de una función de
un modo más eficiente, haciendo uso de los desarrollos por serie de Taylor ya conocidos para
algunas funciones elementales. Veamos algunos ejemplos:
1. Para obtener el desarrollo en serie de Maclaurin de la función entera dada por
f (z) = z 2 e3z
notemos que sustituyendo z por 3z en (4.14) se tiene que

X
∞
(3z)n
e 3z
= si |3z| < +∞,
n=0
n!
y multiplicando la igualdad anterior por z 2 se obtiene entonces que
X
∞
3n z n+2
f (z) = z e 2 3z
= si |z| < +∞.
n=0
n!
2. Obtengamos ahora el desarrollo en serie de Maclaurin de f (z) = senhz.

Notemos previamente que la función f es entera y además
senhz = −isen (iz)
para cualquier z ∈ C por lo que sustituyendo z por iz en (4.15) se tiene que
X∞
(−1)n
sen (iz) = (iz)2n+1 si |iz| < +∞
n=0
(2n + 1)!
y multiplicando a ambos miembros por −i se obtiene que
X
∞
z 2n+1
senh(z) = si |z| < +∞.
n=0
(2n + 1)!
3. Teniendo en cuenta el hecho de que
cosh z = cos(iz)
para cualquier z ∈ C entonces usando (4.16) se tiene que
X∞
z 2n
cosh z = si |z| < +∞.
n=0
(2n)!
4. Busquemos una representación en serie de Maclaurin para la función dada por

1
f (z) = .
2+z
1 1 1 z
Para ello, notemos que = , por lo que sustituyendo z por − en (4.17)
2+z 2 1 − (−z/2) 2
se tiene entonces que
n
1X
∞
1 −z −z
= si <1
2+z 2 n=0 2 2
o equivalentemente,
1 X (−1)n z n
∞
= si |z| < 2.
2+z n=0
2n+1
5. Como último ejemplo, obtengamos la representación en serie de Taylor en potencias de

(z − 1) de la función definida por
1
f (z) = .
z
Primero notemos que

1 1
= ,
z 1 − [−(z − 1)]
por lo que reemplazando −(z − 1) por z en (4.17) se tiene entonces que
1 X
∞
= (−1)n (z − 1)n
z n=0
si |−(z − 1)| = |z − 1| < 1.
4.1.2 Integración y derivación de series de potencias

A continuación enunciaremos algunas propiedades de las series de potencias del tipo
X
∞
an (z − z0 )n . (4.18)
n=0
Teorema 4.1.3. Si la serie de potencias (4.18) converge a f (z) en el cı́rculo |z − z0 | <

R entonces f es analı́tica en |z − z0 | < R.
Teorema 4.1.4. Si la serie de potencias (4.18) converge a f (z), entonces puede in-
tegrarse término a término en toda curva simple seccionalmente suave C interior al
cı́rculo de convergencia de esa serie.
Además,
Z Z X
∞ X∞
an
f (z) dz = an (z − z0 )n dz = (z − z0 )n+1 .
C C n=0 n=0
n + 1
Ejemplo 4.1.2. Integrando en el plano complejo w la serie de Maclaurin,
−1 X∞
=− wn si |w| < 1,
1−w n=0
a lo largo de una curva simple seccionalmente suave C interior al cı́rculo de convergencia de

la serie, desde w = 0 hasta w = z se tiene por un lado
Z Z z
−1 −1
dw = dw = log(1 − z),
C 1−w 0 1−w
y por otro se tiene que

Z X
∞ ∞ Z
X ∞ Z
X z X∞
z n+1
− w dw = −
n
w dw = −
n
w dw = −
n
C n=0 n=0 C n=0 0 n=0
n+1
si |z| < 1. Por lo tanto se tiene entonces que
X
∞
zn
log(1 − z) = − si |z| < 1.▲
n=1
n
Observación 4.1.2. Si la curva C del Teorema 4.1.4 es además cerrada entonces tenemos que
I X
∞
an (z − z0 )n dz = 0.
C n=0
Teorema 4.1.5. Si la serie de potencias (4.18) converge a f (z), entonces puede de-
rivarse término a término en todo punto interior al cı́rculo de convergencia de dicha
serie. Además,
!
d X∞ X∞
′
f (z) = an (z − z0 ) n
= nan (z − z0 )n−1 .
dz n=0 n=1
z
Ejemplo 4.1.3. Por un lado, la función dada por f (z) = puede expresarse
(1 + z)2

d −1
f (z) = z ,
dz 1+z
y dado que
−1 X∞ X∞
=− n
(−z) = (−1)n+1 z n
1+z n=0 n=0
si |z| < 1, entonces f (z) admite la representación en serie de Maclaurin siguiente,
X
∞
f (z) = (−1)n+1 nz n si |z| < 1.▲
n=1
4.1.3 Series de Laurent

Consideremos la función definida por
f (z) = e1/z .
1
Si sustituı́mos z por en
z
X
∞
zn
z
e = si |z| < +∞
n=0
n!
obtenemos el desarrollo en serie de potencias
X∞
1 1
e 1/z
= si < +∞
z n n! z
n=0
y en definitiva
1 1 1
e1/z = 1 + + 2 + 3 + ... si 0 < |z| < +∞.
z 2z 6z
Claramente, la función f no es analı́tica en z0 = 0, por lo que no podemos hallar una serie
de Maclaurin en dicho punto. No obstante, obtuvimos una representación en serie de potencias
para f que contiene potencias negativas de z. Esto es posible, gracias al teorema de Laurent.
Teorema 4.1.6 (Serie de Laurent). Sean w = f (z) una función analı́tica en una
corona abierta R1 < |z − z0 | < R2 y C una curva simple cerrada seccionalmente suave
positivamente orientada en torno a z0 y contenida en dicha corona circular abierta
como se observa en la Figura 4.2.
Entonces, la función f admite la representación en serie de potencias, llamada serie
de Laurent siguiente
X
∞ X
∞
bn
f (z) = an (z − z0 ) + n
n=0 n=1
(z − z0 )n
si R1 < |z − z0 | < R2 donde

I
1 f (z)
an = dz, n = 0, 1, 2, 3, ...
2πi C (z − z0 )n+1
y I
1
bn = f (z) (z − z0 )n−1 dz, n = 1, 2, 3, ...
2πi C
Observación 4.1.3. A partir del Teorema 4.1.6, nótese que:
1. La representación en serie de Laurent para la función f ,
Figura 4.2: Corona abierta R1 < |z| < R2 y curva C
X
∞ X
∞
bn
f (z) = an (z − z0 ) +
n
si R1 < |z − z0 | < R2
n=0 n=1
(z − z0 )n
puede expresarse como
X
∞
f (z) = cn (z − z0 )n
n=−∞
si R1 < |z − z0 | < R2 donde

I
1 f (z)
cn = dz, para cualquier n ∈ Z.
2πi C (z − z0 )n+1
2. La parte de la serie de Laurent de la función f ,
X
∞ X
∞
bn
f (z) = an (z − z0 ) +
n
si R1 < |z − z0 | < R2
n=0 n=1
(z − z0 )n
que contiene potencias positivas de (z − z0 ) se llama parte analı́tica o regular del

desarrollo en serie de f en z0 , mientras que la parte de la serie que contiene potencias
negativas de (z − z0 ) recibe el nombre de parte principal del desarrollo en serie de f
en z0 .
3. Si f es una función analı́tica en |z − z0 | < R2 entonces f (z) (z − z0 )n−1 también resultará

analı́tica en |z − z0 | < R2 para todo n = 1, 2, 3, .... Luego, por el Teorema de Morera
bn = 0 para todo n = 1, 2, 3, ...
y por la fórmula integral de Cauchy para las derivadas
f (n) (z0 )
an = para todo n = 0, 1, 2, 3, ...
n!
Por lo tanto, el desarrollo en serie de Laurent para f se reduce al desarrollo en serie de
Taylor de f centrada en z0 .
4. Si la función f no es analı́tica en z0 pero lo es en el resto del disco |z − z0 | < R2 , el radio

R1 puede tomarse arbitrariamente pequeño, y la representación en serie de Laurent de f
es válida entonces en
0 < |z − z0 | < R2 .
De manera similar, si f es analı́tica en todo punto del plano complejo que verifique R1 <
|z − z0 |, el radio R2 se puede como R2 = +∞, por lo que la condición de validez de la
serie es
R1 < |z − z0 | < +∞.
Teorema 4.1.7 (Unicidad de la representación en serie de Laurent de una función).

Si la serie de potencias
X
∞
cn (z − z0 )n
n=−∞
converge a f (z) en todo punto interior de una corona R1 < |z − z0 | < R2 , entonces
I
1 f (z)
cn = dz, n ∈ Z
2πi C (z − z0 )n+1
es decir, se trata de la serie de Laurent de f centrada en z0 .
A partir del teorema anterior, que establece la unicidad de representación en serie de Laurent
de una función, los coeficientes de una serie de Laurent para una función f no se suelan hallar
recurriendo al uso directo de sus representaciones integrales, sino por otros métodos de manera
similar a lo realizado para el desarrollo por series de Taylor.
Ejemplo 4.1.4. Sea la función definida por

−1 1 1
f (z) = = − .
(z − 1)(z − 2) z−1 z−2
Claramente f no es analı́tica en z = 1 y z = 2, pero sı́ es analı́tica en D1 = {z : |z| < 1},

D2 = {z : 1 < |z| < 2} y D3 = {z : 2 < |z| < +∞}. En cada uno de estos dominios, la fun-
ción f admite una representación en serie de potencias de z (de Taylor o de Laurent), y las
obtendremos haciendo uso del hecho que
1 X ∞
= wn si |w| < 1. (4.19)
1 − w n=0
Comencemos considerando el cı́rculo abierto D1 = {z : |z| < 1}. La representanción en

serie de f en D1 es una serie de Maclaurin pues por un lado usando (4.19)
1 1 X∞
=− =− z n para |z| < 1 (4.20)
z−1 1−z n=0
z 1

y por otro lado como |z| < 1 entonces < < 1 entonces usando (4.19) se tiene que:
2 2
1 X z n
∞
1 1
− = = . (4.21)
z−2 2 (1 − z/2) 2 n=0 2
Luego, de (4.20) y (4.21) se tiene que en D1 la representación en serie de potencias de z

de la función f es,
∞
X
1
f (z) = −1 + zn.
n=0
2n+1
Obtengamos ahora una representación en serie de potencias de f en la corona abierta D2 .

Tal representación, resultará una serie de Laurent. Por un lado, y haciendo uso de (4.19) se
tiene que,
∞ n
1X 1 X∞
1 1 1
= = = (4.22)
z−1 z (1 − 1/z) z n=0 z n=0
z n+1

1
pues como |z| > 1 entonces < 1.
z z

Por otro lado y dado que |z| < 2 entonces < 1 se tiene que,
2
1 X z n X z n
∞ ∞
1 1
− = = = . (4.23)
z−2 2 (1 − z/2) 2 n=0 2 n=0
2n+1
Por lo tanto, de (4.22) y (4.23), la representación en serie de Laurent de f centrada en
z0 = 0 en el dominio D2 es,
X∞
zn X∞
1
f (z) = n+1
+ .
n=0
2 n=1
zn
Por último, obtengamos la representación en serie de potencias dez de la función f en el

1 1
dominio abierto D3 . Primero, observemos que como |z| > 2 entonces < < 1 y haciendo
z 2
uso de (4.19) se sigue que,
n X
1X
∞ ∞
1 1 1 1 1
= = = (4.24)
z−1 z 1 − 1/z z n=0 z n=0
z n+1

1 1
Por otro lado, por (4.19) y teniendo en cuenta que si |z| > 2 entonces < y por lo
z 2
2
tanto < 1, se sigue que
z
∞ n
1X 2 X∞
1 1 2n
− =− =− =− . (4.25)
z−2 z (1 − 2/z) z n=0 z n=0
z n+1
Luego, de (4.24) y (4.25), la función f admite la representación en serie de Laurent de f
en potencias de z en el dominio D3 siguiente,
X
∞
1 − 2n
f (z) = .▲
n=0
z n+1
4.2 Singularidades aisladas y residuos

En esta sección definiremos singularidad y singularidad aislada de una función, a las cuales
clasificaremos en tres tipos: evitable, polo y esencial. También presentaremos la singularidad
en el infinito de una función compleja.
Además definiremos lo que se conoce con el nombre de residuo de una función en una
singularidad aislada, y diferentes fórmulas que permitirán el cálculo del mismo.
Definición (Singularidad). Se dice que z0 es un punto singular o singularidad de la

función f si f no es analı́tica en z0 pero en todo entorno de z0 contiene puntos en los
que f es analı́tica.
Definición (Singularidad aislada). Un punto singular z0 de una función f se dice

singularidad aislada de f si existe un entorno reducido de z0 donde f resulte analı́tica.
1
Ejemplo 4.2.1. La función dada por f (z) = tiene un punto singular en z0 = −2i.
z + 2i
Dicho punto singular es una singularidad aislada dado que la función f resulta analı́tica en
cualquier entorno reducido de z0 = −2i. ▲
Ejemplo 4.2.2. Consideremos la función logaritmo principal f (z) = log z. Esta función tiene
claramente una singularidad en z0 = 0.
Sin embargo, no se trata de una singularidad aislada de f pues no existe ningún entorno
reducido de z0 = 0 que no contenga puntos del semieje real negativo donde la función es no
analı́tica. ▲
Clasificación de las singularidades aisladas

Es posible clasificar las singularidades aisladas de una función compleja w = f (z). Para ello,
sea z0 una singularidad aislada de f y consideremos
X
∞ X
∞
bn
f (z) = an (z − z0 )n + (4.26)
n=0 n=1
(z − z0 )n
el desarrollo en serie de Laurent de f en 0 < |z − z0 | < R. Entonces decimos que f tiene

• una singularidad evitable en z0 si no hay ningún término en la parte principal de (4.26).
• un polo en z0 si hay un número finito de términos en la parte principal de (4.26).
Asimismo, se llama orden del polo al mayor número natural m tal que la potencia
1
esté presente en el desarrollo (4.26). En dicho caso se dice que z0 es un polo de
(z − z0 )m
orden m de la función f .
• una singularidad esencial en z0 si hay infinitos términos en la parte principal de (4.26).
Ejemplo 4.2.3. Consideremos la función dada por

cos z
f (z) = 2 .
z
Claramente z0 = 0 es una singularidad aislada de f . Para determinar la naturaleza de dicha
singularidad aislada, obtengamos el desarrollo en serie de Laurent de f ,
1 X (−1)n 2n
∞
cos z 1 1 z2
f (z) = 2 = 2 z = 2− + + ...
z z n=0 (2n)! z 2 24
si 0 < |z| < +∞. Luego, f tiene un polo de orden 2 en z0 = 0. ▲
Ejemplo 4.2.4. Clasifiquemos las singularidades aisladas de la función definida por

2
f (z) = e1/z .
Para ello, obtengamos el desarrollo en serie de Laurent de f con centro en la única singu-
laridad aislada z0 = 0 de la función f . Entonces
X
∞
1 1 1
1/z 2
f (z) = e = =1+ + 4 + ...
n=0
(z 2 )n n! z 2 2z
si 0 < |z| < +∞. Por lo tanto, la función f tiene una singularidad esencial en z0 = 0. ▲
Ejemplo 4.2.5. La función definida por

sen z
f (z) =
z
tiene una singularidad aislada en z0 = 0. Dado que
1 X (−1)n 2n+1
∞
sen z z2 z4
f (z) = = z =1− + + ...
z z n=0 (2n + 1)! 6 120
si 0 < |z| < +∞, entonces la función f tiene una singularidad evitable en z0 = 0. ▲
Si consideramos la función definida por

ez sen z
f (z) = (4.27)
z
podemos observar que z0 = 0 es una singularidad aislada de f . Sin embargo, determinar la
naturaleza de dicha singularidad no es tarea sencilla.
A continuación enunciaremos un criterio que nos permite clasificar una singularidad aislada
de una función sin recurrir a su desarrollo en serie de Laurent.
Teorema 4.2.1. Sea z0 una singularidad aislada de f . Entonces,
1. z0 es una singularidad evitable de f si y sólo si lim f (z) existe y es finito.

z→z0
2. z0 es un polo de f si y sólo si lim f (z) = ∞.

z→z0
El orden del polo z0 de la función f es el menor número natural m tal que el

lı́mite lim (z − z0 )m f (z) existe y es no nulo.
z→z0
3. z0 es una singularidad esencial de f si y sólo si lim f (z) no existe.

z→z0
Ejemplo 4.2.6. La función dada por (4.27) tiene una singularidad evitable en z0 = 0 dado que
ez sen z
lim = lim ez (sen z + cos z) = 1.▲
z→0 z z→0
Ejemplo 4.2.7. Consideremos la función definida por

1
f (z) = .
e1/z−1
Claramente z0 = 0 es una singularidad de f , pero también lo son aquellos números complejos
z tales que
e1/z − 1 = 0.
Luego, los puntos singulares de f resultan ser

i
z0 = 0 y zk = − , k ∈ Z − {0} .
2kπ
Es sencillo ver que las singularidades zk con k ∈ Z − {0} son todas aisladas mientras que
z0 = 0 no lo es. En efecto, no existe ningún entorno reducido de z0 = 0 donde f resulte
analı́tica pues cualquier entorno reducido de z0 = 0 contiene alguna singularidad zk para |k|
suficientemente grande.
Para clasificar dichas singularidades aisladas, notemos que
1
lim =∞
z→zk e1/z −1
por lo que zk con k ∈ Z − {0} son todos polos de f . Para determinar el orden de cada uno de
los polos, busquemos entonces el valor de m ∈ N de forma tal que
(z − zk )m
lim
z→zk e1/z − 1
exista y sea no nulo para cada k ∈ Z − {0}. Luego,
(z − zk )m −mz 2 (z − zk )m−1
lim = lim (4.28)
z→zk e1/z − 1 z→zk e1/z
es 0 si m > 1 pero si m = 1 entonces (4.28) es
z − zk −z 2 1
lim = lim 1/z = − 2 2
z→zk e1/z − 1 z→zk e 4k π
si k ∈ Z − {0}. Por lo tanto, las singularidades aisladas zk con k ∈ Z − {0} son todos polos
simples o de primer orden de f . ▲
Singularidad en el infinito
Si trabajamos en el plano complejo extendido C∗ = C ∪ {∞}, podemos estudiar el comporta-
miento de una función f (z) en el punto z = ∞ y determinar qué tipo de singularidad presenta
la función f en dicho punto.
1
Para ello, consideremos la transformación z = . El comportamiento de f (z) en z = ∞
w
corresponde al comportamiento de g(w) = f (1/w) en w = 0, por lo que si g es analı́tica en
w = 0 entonces la función f es analı́tica en z = ∞ y si la función g tiene una singularidad en
w = 0 entonces la función f tiene una singularidad en z = ∞.
Además, si la función g tiene un polo o una singularidad evitable o una singularidad esencial
en w = 0 entonces la función f tiene un polo o una singularidad evitable o una singularidad
esencial respectivamente en z = ∞.
Por ejemplo, la función dada por
f (z) = z 2
1
tiene un polo de orden 2 en z = ∞ ya que la función definida por g(w) = 2 tiene un polo de
w
segundo orden en w = 0.
Si ahora consideramos por ejemplo la función definida por
f (z) = ez
vemos que posee una singularidad esencial en z = ∞. En efecto, basta con obtener el desarrollo
en serie de Laurent de la función dada por g(w) = e1/w en 0 < |w| < +∞ para observar que g
tiene una singularidad esencial en w = 0.
Residuos en singularidades aisladas

Dada una función w = f (z), a cada singularidad aislada de f le asignaremos un número
complejo llamado residuo.
La importancia de la obtención de residuos en singularidades aisladas de una función, la
discutiremos en la sección siguiente cuando abordemos el teorema de los residuos en el cálculo
de integrales complejas. Aquı́, nos concentraremos en diferentes formas de calcular el residuo
en una singularidad aislada.
Sea z0 una singularidad aislada de la función w = f (z). Entonces existe R > 0 tal que
la función f es analı́tica en la corona 0 < |z − z0 | < R y consecuentemente, f admite una
representación en serie de Laurent del tipo
X
∞
b1 b2 bn
f (z) = an (z − z0 )n + + + ... + + ... (4.29)
n=0
z − z0 (z − z0 )2 (z − z0 )n
si 0 < |z − z0 | < R donde
I
1 f (z)
an = dz, n = 0, 1, 2, 3, ... (4.30)
2πi C (z − z0 )n+1
y I
1
bn = f (z) (z − z0 )n−1 dz, n = 1, 2, 3, ... (4.31)
2πi C
siendo C es una curva simple cerrada seccionalmente suave orientada positivamente en torno a
z0 e ı́ntegramente contenida en la corona 0 < |z − z0 | < R.
En particular, si n = 1 en (4.31) se tiene que
I
1
b1 = f (z) dz,
2πi C
1
y al número complejo b1 , el cual es el coeficiente de en la expansión (4.29), es llamado
z − z0
residuo de f en la singularidad aislada z0 , y notamos
Res(f, z0 ) = b1 .
Ejemplo 4.2.8. Sea

z 2 − 2z + 3
f (z) =
z−2
la cual tiene una singularidad aislada en z0 = 2. Si escribimos
z 2 − 2z + 3 z(z − 2) + 3 3 3
f (z) = = =z+ = 2 + (z − 2) +
z−2 z−2 z−2 z−2
si 0 < |z − 2| < +∞, observamos que z0 = 2 es un polo simple de f y además
Res(f, 2) = 3.▲
Ejemplo 4.2.9. Dada la función definida por

senhz
f (z) = .
z4
Es simple determinar que z0 = 0 es un polo de orden 3 de f . En efecto,
1 X z 2n+1
∞
senhz 1 1 z
f (z) = 4
= 4 = 3+ + + ...
z z n=0 (2n + 1)! z 6z 120
si 0 < |z| < +∞. Además se tiene que el residuo de f en z0 = 0 es

1
Res(f, 0) = .▲
6
Ejemplo 4.2.10. Consideremos ahora la función
f (z) = e−1/z .
Claramente z0 = 0 es una singularidad aislada de f . Es más, se trata de una singularidad

esencial pues
1 1 1
f (z) = e−1/z = 1 − + 2 − 3 + ...
z 2z 6z
si 0 < |z| < +∞. Además se tiene que el residuo de f en z0 = 0 es
Res(f, 0) = −1.▲
Observación 4.2.1. Si una función w = f (z) tiene una singularidad evitable en z0 entonces
el desarrollo en serie de Laurent (4.29) de f en la corona 0 < |z − z0 | < R no contiene ningún
término en la parte principal, es decir
bn = 0, n = 1, 2, 3, ...
y en particular b1 = 0 por lo tanto se tiene que
Res(f, z0 ) = 0.
Ejemplo 4.2.11. La función dada por

ez − 1
f (z) =
z
tiene una singularidad evitable en z0 = 0 pues
ez − 1 z z2
f (z) = =1+ + + ...
z 2 6
si 0 < |z| < +∞ por lo que
Res(f, 0) = 0.▲
Cuando una función w = f (z) tiene una singularidad esencial en z0 , la única manera en que
podemos calcular el residuo en dicha singularidad aislada es obteniendo el desarrollo en serie
1
de Laurent de f en la corona 0 < |z − z0 | < R y eligiendo el coeficiente b1 de .
z − z0
Sin embargo, si la función f tiene un polo en z0 existen otros métodos alternativos para
calcular el residuo sin recurrir a su desarrollo en serie de Laurent. A continuación, enunciaremos
dos de ellos:
Teorema 4.2.2 (Cálculo del residuo en un polo). La función f tiene un polo en z0 de

orden m si y sólo si f (z) se puede expresar como
ϕ(z)
f (z) =
(z − z0 )m
donde ϕ es analı́tica en z0 y ϕ(z0 ) 6= 0. Además,
ϕ(m−1) (z0 )
Res(f, z0 ) = .
(m − 1)!
Ejemplo 4.2.12. Sea la función dada por

ez
f (z) = .
(z + 1)2
Llamando ϕ(z) = ez vemos que ϕ es analı́tica en z0 = −1 y ϕ(−1) = e−1 6= 0. Luego,
z0 = −1 es un polo doble de f y además,
ϕ′ (−1)
Res(f, −1) = = e−1 .▲
1!
Veamos con un ejemplo que el Teorema 4.2.2 no es aplicable en cualquier caso que la función
presente una singularidad aislada de tipo polo. Consideremos la función definida por
3
f (z) = .
ez − 1
Notemos que f presenta un polo z0 = 0 pues

3
lim =∞
z→0 ez −1
y como además
3z m 3mz m−1
lim = lim
z→0 ez − 1 z→0 ez
es igual a 0 si m > 1 mientras que es igual a 3 si m = 1 entonces se trata de un polo simple.
Aunque pudimos determinar que se trata de un polo simple, el cálculo del residuo en dicho
polo no es tarea sencilla si intentáramos expresar a f como lo establece el teorema anterior
o bien obteniendo su desarrollo en serie de Laurent. Para ello, veremos a continuación otro
teorema que nos brinda una fórmula de cálculo del residuo en un polo.
Teorema 4.2.3 (Cálculo del residuo en un polo). Sea f una función que admite la
representación
p(z)
f (z) =
q(z)
donde p y q son funciones analı́ticas en z0 y p(z0 ) 6= 0.
Entonces f tiene un polo de orden m en z0 si y sólo si q(z0 ) = q ′ (z0 ) = ... = q (m−1) (z0 ) =
0 y q (m) (z0 ) 6= 0.
Además,
1 dm−1
Res(f, z0 ) = lim m−1 {(z − z0 )m f (z)}.
(m − 1)! z→z0 dz
Ejemplo 4.2.13. Retomemos el ejemplo anterior donde vimos que la función dada por
3
f (z) =
ez − 1
tiene un polo simple en z0 = 0. Llamemos
p(z) = 3
y
q(z) = ez − 1
donde concluimos que p y q son analı́ticas en z0 = 0 y p(0) = 3 6= 0.
Entonces, dado que q(0) = 0 y q ′ (0) = 1 6= 0 podemos concluir (como ya lo sabı́amos) del
Teorema 4.2.3 que z0 = 0 es un polo simple de f .
Además, el residuo de f en z0 = 0 está dado por
1 3z
Res(f, 0) = lim {zf (z)} = lim z = 3.▲
0! z→0 z→0 e − 1
2i
Ejemplo 4.2.14. Calculemos el residuo de f (z) = en la singularidad aislada z0 = 0.
z(ez− 1)
Para ello, llamemos p(z) = 2i y q(z) = z(ez − 1). Notemos que p y q son analı́ticas en
z0 = 0 y además p(0) = 2i 6= 0.
Entonces como q(0) = q ′ (0) = 0 pero q ′′ (0) = 2 6= 0 entonces se tiene que f tiene un polo
doble en z0 = 0.
Luego, el residuo de f en z0 = 0 es
1 d 2 2i(ez − 1 − zez )
Res(f, 0) = lim z f (z) = lim = −i.▲
1! z→0 dz z→0 (ez − 1)2
4.3 El teorema de los residuos

El teorema de Cauchy-Goursat afirma que si una función f es analı́tica en todo punto dentro
y sobre una curva simple cerrada seccionalmente suave C entonces
I
f (z) dz = 0.
C
Sin embargo, si la función f es no analı́tica en un número finito de puntos interiores a C,

usaremos los residuos de esos números que contribuirán al cálculo de la integral de f a lo largo
de la curva C.
Figura 4.3: Curvas C, C1 , C2 ,...Cn
Teorema 4.3.1 (El teorema de los residuos). Sea C una curva seccionalmente suave
simple cerrada orientada positivamente, dentro y sobre la cual la función f es analı́tica
excepto en un número finito z1 ,z2 ,...,zn de singularidades aisladas interiores a C. En-
tonces I Xn
f (z) dz = 2πi Res(f, zk ).
C k=1
Demostración. Sean z1 ,z2 ,...,zn singularidades aisladas de f interiores a la curva C simple ce-
rrada seccionalmente suave y orientada positivamente.
Consideremos además, curvas simples cerradas seccionalmente suaves y positivamente orien-
tadas Ck con k = 1, 2, ..., n interiores a C y disjuntas entre sı́ que contienen en su interior a los
puntos zk con k = 1, 2, ..., n respectivamente, como se observa en la Figura 4.3.
Las curvas Ck con k = 1, 2, ..., n junto con la curva C forman la frontera de una región
cerrada dentro y sobre la cual la función f es analı́tica y cuyo interior es un conjunto conexo.
Entonces, por una consecuencia del Teorema de Cauchy-Goursat se tiene que
I n I
X
f (z) dz − f (z) dz = 0. (4.32)
C k=1 Ck
Ahora bien, el residuo en cada una de las singularidades aisladas zk donde k = 1, 2, ..., n de
f está dado por I
1
Res(f, zk ) = f (z) dz (4.33)
2πi Ck
para todo k = 1, 2, ..., n.
Luego, sustituyendo (4.33) en (4.32) se tiene entonces que
I X
n
f (z) dz − 2πi Res(f, zk ) = 0
C k=1
o equivalentemente
I X
n
f (z) dz = 2πi Res(f, zk ).
C k=1
Ejemplo 4.3.1. Haciendo uso del teorema de los residuos obtengamos el valor de la integral
I z
e −1
2
dz
C z +z
donde C es la curva de ecuación |z| = 4 recorrida en sentido positivo.
ez − 1
Las singularidades de f (z) = son z1 = 0 y z2 = −1, ambas aisladas e interiores a la
z2 + z
circunferencia positivamente orientada C de centro z = 0 y radio 4 por lo que
I z
e −1
2
dz = 2πi [Res(f, 0) + Res(f, −1)] .
C z +z
Dado que z1 = 0 es una singularidad evitable de f pues

ez − 1
lim =1
z→0 z 2 + z
entonces se sigue que Res(f, 0) = 0.

Por otro lado, y usando el teorema 4.2.2, z2 = −1 es un polo simple de f . En efecto la
función f puede expresarse por
ez − 1
f (z) = z
z+1
ez − 1
donde si llamamos ϕ(z) = vemos que ϕ es analı́tica en z2 = −1 y ϕ(−1) 6= 0. Además,
z
ϕ(−1)
Res(f, −1) = = 1 − e−1 .
0!
Por lo tanto se tiene que
I z
e −1
2+z
dz = 2πi(1 − e−1 ).▲
C z

1. En cada uno de los siguientes casos obtenga la serie de Taylor de f alrededor del punto
z0 indicado, y determine la región en la cual la serie representa la función f .
1 (d) f (z) = e−z , z0 = 0
(a) f (z) = , z0 = 0
1 + z2
(b) f (z) = sen z, z0 = π (e) f (z) = 1 − cos(2z),z0 = 0
1
(c) f (z) = , z0 = 2 (f) f (z) = sen z 2 , z0 = 0
1+z
2. Utilice desarrollos conocidos para obtener la serie de Taylor de f en potencias de z − 1 e

indique el cı́rculo de convergencia en cada uno de los siguientes casos:
z z
(a) f (z) = (b) f (z) =
z−2 z2 − 2z + 5
3. Sin efectuar el desarrollo, determine el cı́rculo de convergencia de la serie de Taylor de la

función f dada alrededor del punto indicado en cada uno de los siguientes casos:
cos z ez
(a) f (z) = , z0 = 0 (c) f (z) = , z0 = 1, z1 = 2i
1 + z2 1 + ez
ez 1
(b) f (z) = , z0 = 4i, z1 = 1 + 4i (d) f (z) = , z0 = 1, z1 = −1
z2 − z cos(πz)
4. En cada uno de los siguientes casos obtenga la serie de potencias (de Taylor o Laurent),
que represente a f en las regiones indicadas.
1
(a) f (z) = ; S1 = {z ∈ C : |z| < 1}, S2 = {z ∈ C : |z| > 1}.
z−1
1
(b) f (z) = 2 ; S1 = {z ∈ C : |z| < 1}, S2 = {z ∈ C : 1 < |z| < 3}, S3 =
z + 4z + 3
{z ∈ C : |z| > 3}, S4 = {z ∈ C : 1 < |z + 4| < 3}.
z
(c) f (z) = ; S1 = {z ∈ C : |z − 1| > 1}, S2 = {z ∈ C : 0 < |z − 2| < 1}.
(z − 1)(z − 2)
z
(d) f (z) = ; S1 = {z ∈ C : |z − 1| > 2}.
z2 −1
5. En cada uno de los casos siguientes obtenga todos los posibles desarrollos en serie de
Laurent de la función f alrededor del punto z0 indicado. Determine en cada caso la
región de convergencia.
1
(a) f (z) = , z0 = i
z2 + 1
1

(b) f (z) = z 2 sen z−1 , z0 = 1
1
(c) f (z) = z 2 e z , z0 = 0
6. Obtenga la serie de Taylor de f (z) = log(1 + z) alrededor del punto z0 = 0 y determine

la región en la cual la serie representa a la función f .
7. Obtenga la función suma f (z) de cada una de las siguientes series para |z| < 1:
X
∞ X
∞
zn
n
(a) nz (b)
n=1 n=1
n
8. Una función se dice meromorfa si sus únicas singularidades son polos. Se puede demostrar
que el cociente de dos funciones enteras es una función entera o una función meromorfa.
Analice en cuál de los siguientes casos la función f es entera o meromorfa.
(a) f (z) = z 2 e−z 1 − cos z

(c) f (z) =
z
z2 + 1 1
(b) f (z) = (d) f (z) = z +
3z − i z
9. En cada uno de los siguientes casos, se pide:
(a) Determine todos los puntos de singularidad de la función f y clasifı́quelos según su

tipo.
(b) Analice el comportamiento de f en z = ∞.
(c) Calcule el residuo de la función f en cada uno de sus puntos singulares aislados.
z 4 + 4z + 1 sen z
i. f (z) = v. f (z) =
z 4 − 16 z2
1
1 − cos z vi. f (z) = z
ii. f (z) = e −1
z
1 z
vii. f (z) = sen
iii. f (z) =
(2sen z − 1)2 1−z
1
z−1
iv. f (z) = e z viii. f (z) =
z2 + 1
10. Utilice el teorema de los residuos para calcular la integral de la función f sobre las curvas
C indicadas, recorridas en sentido antihorario, en cada uno de los siguientes casos:
(a) f (z) = tan z, C = {z ∈ C : |z| = 2}
1
(b) f (z) = , C = {z ∈ C : |z| = 1}
sen z
1
(c) f (z) = ze z , C = {z ∈ C : |z| = 3}
2z 2 − 5
(d) f (z) = , C = {z ∈ C : |z − i| = 2}
(z − 1)3 (z + 2)2
2
ez
(e) f (z) = , C = {z ∈ C : |z| = 1}
z
Una aplicación del teorema de los residuos: cálculo de integrales

reales
Una importante aplicación de la teorı́a de residuos es la evaluación de ciertos tipos de
integrales reales definidas o impropias. Consideraremos aquı́ dos de los tipos más comunes
de integrales reales que pueden ser evaluadas de esta manera.
11. Integrales reales impropias del tipo

Z +∞
f (x) dx
−∞
p(x)
donde f (x) = es par con p y q polinomios reales sin factores comunes, y donde q no
q(x)
tiene raı́ces reales.
Para evaluar tales integrales, consideremos la integral de contorno

I
f (z) dz
C
Figura 4.4: Contorno C
donde C es el contorno cerrado ilustrado en la Figura 4.4, que consta del eje real entre
−R y R y la semicircunferencia Γ, de radio R, en el semiplano superior z.
Como z = x en el eje real entonces podemos escribir

I Z R Z
f (z) dz = f (x) dx + f (z) dz.
C −R Γ
Entonces al tomar R → +∞ en la igualdad anterior tendremos que

I Z +∞
f (z) dz = f (x) dx
C −∞
Z
si lim f (z) dz = 0. Para probar esto último, consideremos la parametrización para
R→+∞ Γ
la curva Γ, z = Reiθ donde 0 ≤ θ ≤ π. Luego,
Z Z π
f (z) dz = f Reiθ Rieiθ dθ.
Γ 0

Para que esta última integral tienda a cero si R → +∞, f Reiθ debe decrecer al menos
tan rápidamente como R−2 . Esto implica que el grado del denominador de la función
racional dada por f (x) debe ser al menos dos veces mayor que el grado del numerador,

es decir, grado(q) ≥ 2 + grado(p). Ası́, suponiendo que esta condición es satisfecha, esta
aproximación puede utlizarse para calcular
Z +∞
f (x) dx.
−∞
+∞ Z
dx π
(a) Pruebe que 2 2
= .
−∞ (x + 4) 16
Z +∞
2x − 1
2
(b) Calcule dx.
0 x4 + 5x2 + 4
Sugerencia: Use el hecho de que si f es una función par entonces se tiene que
Z +∞ Z +∞
f (x) dx = 2 f (x) dx.
−∞ 0
12. Integrales reales definidas del tipo

Z 2π
R(sen θ, cos θ) dθ
0
donde R es una función racional de sen θ y cos θ.
Para evaluar este tipo de integrales hagamos el cambio de variable
z = eiθ .
Entonces dz = ieiθ dθ de donde se tiene que

dz
dθ =
iz
y el intervalo real [0, 2π] se transforma en la circunferencia unitaria C de ecuación |z| = 1.
Por otro lado,
z = eiθ = cos θ + isen θ (4.34)
y
z −1 = e−iθ = cos θ − isen θ. (4.35)
Sumando miembro a miembro (4.34) y (4.35) se tiene
z + z −1
cos θ =
2
y restando (4.35) de (4.34) se tiene que
z − z −1
sen θ = .
2i
Por lo tanto,
Z I
2π
z − z −1 z + z −1 dz
R(sen θ, cos θ) dθ = R ,
0 C 2i 2 iz
y se aplica el teorema de los residuos a la integral de la derecha.

Z 2π
√
dθ 2 3
(a) Pruebe que = π.
0 2 + sen θ 3
Z 2π
dθ
(b) Calcule .
0 3 − 2 cos θ + sen θ

Capı́tulo 5
La transformación de Laplace
Los orı́genes de la Transformada de Laplace se deben a trabajos realizados por el ingeniero

electricista Heaviside (1900) el cual desarrolló un método para resolver en forma sistemática
ecuaciones diferenciales ordinarias a coeficientes constantes. Heaviside no estaba interesado
en demostraciones rigurosas, sino en un método práctico para resolver problemas. Aunque su
método no fue aceptado inicialmente por la comunidad matemática, años más tarde se pudo
probar que los fundamentos teóricos de su trabajo, podı́a ser fundamentado con la Transformada
Integral desarrollada por el matemático Laplace casi un siglo antes, a quien se le debe el nombre.
La transformada de Laplace tiene un papel clave en el análisis y diseño de sistemas de
ingenierı́a. Se trata de una transformada integral cuyo propósito es crear un nuevo dominio en
el cual sea más simple manipular el problema a ser investigado.
Una de las aplicaciones de la transformada de Laplace es que transforma ecuaciones dife-
renciales en un dominio real en ecuaciones algebraicas en un dominio complejo, más sencillo de
resolver. Por ejemplo, puede aplicarse para resolver sistemas como circuitos eléctricos, vibra-
ciones mecánicas, etc.
Sea por ejemplo, el sistema masa-resorte amortiguado al cual se le aplica una fuerza externa
f = f (t) como se observa en la Figura 5.1.
Figura 5.1: Sistema masa-resorte-amortiguador
Por la segunda ley de Newton, sabemos que podemos modelizarlo de la forma

CAPÍTULO 5. LA TRANSFORMACIÓN DE LAPLACE
mx′′ (t) = −kx(t) − βx′ (t) + f (t)

o equivalentemente
mx′′ (t) + βx′ (t) + kx(t) = f (t)
donde m es la masa del objeto, k es la constante del resorte y β es la constante de la amortigua-
ción. Tal ecuación es una ecuación diferencial lineal de segundo orden a coeficientes constantes.
Para ciertas condiciones iniciales, conocemos métodos para resolver tal ecuación que fueron
tratados en Cálculo IV. Sin embargo, si la fuerza externa f se trata de una función: discontinua,
periódica, un pulso o bien un impulso, los métodos clásicos son tediosos para resolver y la
transformada de Laplace presenta ventajas a la hora de su resolución.
De esta forma, la transformada de Laplace, transformará la ecuación diferencial en una
ecuación algebraica en un dominio complejo, el cual una vez resuelta, se invierte el proceso
mediante la transformada inversa de Laplace para ası́ obtener la solución buscada.
5.1 La transformada de Laplace
Definición (Transformada de Laplace). Sea f una función definida en t ∈ [0, +∞).

Si la integral impropia Z +∞
e−st f (t) dt
0
es convergente para un subconjunto no vacı́o Ω ⊆ C de valores de la variable compleja s,
se dice que f es transformable por Laplace, y tal integral impropia definirá una función
F = F (s) llamada transformada de Laplace de f .
Notamos Z +∞
F (s) = L {f (t)} = e−st f (t) dt (5.1)
0
para toda s ∈ Ω.
Si queremos obtener la transformada de Laplace de una función f = f (t) la cual está definida
también para valores de t < 0, haremos uso de la función escalón unitario o función de
Heaviside
0 si t < 0
H(t) = .
1 si t ≥ 0
De esta manera,
0 si t < 0
f (t)H(t) =
f (t) si t ≥ 0
es una función causal y podemos ası́ aplicar (5.1) para obtener su transformada de Lapla-
ce. Sin embargo, la transformada de Laplace de f (t)H(t) contiene sólo información sobre el
comportamiento de f (t) para t ≥ 0.

La transformada de Laplace de la constante c

Consideremos la función f (t) = c (c constante no nula) con t ≥ 0. Observemos primero que:
Z T (
cT si s = 0
ce−st dt = c −sT (5.2)
0
− e − 1 si s 6= 0
s
Entonces, de (5.2) se tiene que si s = 0 la integral impropia
Z +∞
ce−st dt = ±∞,
0
mientras que si s = x + iy 6= 0 se tiene que:

c −sT c c
lim − e − 1 = lim − e−xT (cos(yT ) − isen (yT )) − 1 =
T →+∞ s T →+∞ s s
si x > 0, y ∈ R mientras que si x ≤ 0 para cualquier y ∈ R, el lı́mite no existe.
Luego,
c
L {c} = si Re(s) > 0.
s
La transformada de Laplace de ekt

Sea la función
f (t) = ekt
donde k ∈ R y t ≥ 0. Observemos que,
Z (
T T si s = k
ekt e−st dt = 1 (5.3)
e(k−s)T − 1 si s 6= k
0
k−s
De (5.3) vemos que si s = k la integral impropia
Z +∞
ekt e−st dt = +∞,
0
mientras que si s = x + iy 6= k entonces

1 1 (k−x)T 1
lim e(k−s)T − 1 = lim e (cos(yT ) − isen (yT )) − 1 =
T →+∞ k − s T →+∞ k − s s−k
si x > k, y ∈ R mientras que si x ≤ k para cualquier y ∈ R, el lı́mite no existe.
Por lo tanto
1
L ekt = si Re(s) > k.
s−k

La transformada de Laplace de t
Sea f (t) = t, t ≥ 0. Es claro que:

Z  T2
T  si s = 0
te−st dt = 2 (5.4)
0 

1
+ e −sT
−
T
−
1
si s 6= 0
s2 s s2
De (5.4) vemos que si s = 0 la integral impropia

Z +∞
te−st dt = +∞,
0
mientras que si s = x + iy 6= 0 entonces

1 T 1 1
lim 2 + e−sT − − 2 = 2
T →+∞ s s s s
si x > 0, y ∈ R mientras que si x ≤ 0 para cualquier y ∈ R, el lı́mite no existe. Luego,

1
L {t} = si Re(s) > 0.
s2
Las transformadas de Laplace de cos(ωt) y sen (ωt)

Comencemos considerando f (t) = cos(ωt) donde t ≥ 0 y ω ∈ R. Entonces,
Z T
e−sT s
cos(ωt)e−st dt = 2 2
(ωsen (ωT ) − s cos(ωT )) + 2 . (5.5)
0 s +ω s + ω2
Si en (5.5) hacemos T → +∞, la integral diverge si Re(s) ≤ 0 mientras que si Re(s) > 0 la
integral converge resultando que:
s
L {cos(ωt)} = si Re(s) > 0.
s2 + ω2
Sea ahora la función f (t) = sen (ωt) donde t ≥ 0 y ω ∈ R. Entonces,

Z T
e−sT ω
sen (ωt)e−st dt = − 2 2
(ω cos(ωT ) + ssen (ωT )) + 2 . (5.6)
0 s +ω s + ω2
Luego si en (5.6) tomamos T → +∞, la integral diverge si Re(s) ≤ 0 mientras que si

Re(s) > 0 la integral converge resultando que:
ω
L {sen (ωt)} = si Re(s) > 0.
s2 + ω2

5.1.1 Existencia de la transformada de Laplace

En la definición 5.1.1, establecimos que la transformada de Laplace de f (t) existe si y sólo si
la integral impropia (5.1) es convergente para al menos algún valor de la variable compleja s.
En esta sección indicaremos algunas condiciones que debe satisfacer la función f (t) para
asegurar la existencia de su transformada de Laplace. Para ello, introduciremos la noción de
función de orden exponencial.
Definición (Orden exponencial). Se dice que la función f = f (t) es de orden

exponencial en [0, +∞) si existen constantes τ ∈ R y M > 0 tal que
|f (t)| ≤ M eτ t
para toda t ≥ 0.
Ejemplo 5.1.1. Dado que

f (t) = t2 ≤ et
para cualquier t ≥ 0 entonces se tiene que f (t) = t2 con t ≥ 0 es de orden exponencial. ▲
2
Ejemplo 5.1.2. La función dada por f (t) = et no es de orden exponencial en [0, +∞).
En efecto,
2
et
lim τ t = lim et −τ t = +∞
2
t→+∞ e t→+∞
para cualquier τ ∈ R, por lo que no existen constantes M > 0 y τ ∈ R tal que

2
et ≤ M eτ t
para cualquier t ≥ 0. ▲
Estamos en condiciones de enunciar un teorema que nos asegura la existencia de la trans-

formada de Laplace de una función f = f (t).
Teorema 5.1.1. Si f es una función seccionalmente continua y de orden exponencial

en [0, +∞), entonces existe un número real σ tal que la integral impropia
Z +∞
e−st f (t) dt
0
es convergente para todo s ∈ C tal que Re(s) > σ.

Observación 5.1.1. El teorema establece condiciones suficientes para asegurar que f es trans-
formable por Laplace, pero no necesarias. En efecto, la función dada por
1
f (t) = √
t
tiene una discontinuidad infinita en t = 0, sin embargo es transformable por Laplace pues si
consideramos el cambio de variable
x2
t=
s
se tiene que
Z +∞ Z +∞ √ r
1 1 2 2 π π
e−st √ dt = √ e−x dx = √
2
L √ = =
t 0 t s 0 s s s
si Re(s) > 0.
El Teorema 5.1.1 indica además de condiciones suficientes para la existencia de transfor-
mada de Laplace de una función f = f (t), que su función transformada
Z +∞
F (s) = L {f (t)} = e−st f (t) dt
0
tiene por dominio

Ω = {s ∈ C : Re(s) > σ} ⊆ C.
Al conjunto Ω se lo llama región de convergencia de la transformada de Laplace y σ recibe
el nombre de abscisa de convergencia.
Por ejemplo, dado que
c
L {c} =
s
si Re(s) > 0 entonces la región de convergencia es {s ∈ C : Re(s) > 0} y la abscisa de conver-
gencia es σ = 0.
5.1.2 Linealidad del operador L

El conjunto R de todas las funciones reales f = f (t) seccionalmente continuas y de orden
exponencial en [0, +∞), junto con las operaciones de suma y producto por escalar definidos de
manera habitual, constituyen un espacio vectorial al que notamos FR .
Ahora bien, el conjunto C de todas las funciones complejas F = F (s) cuyo dominio es
Ω = {s ∈ C : Re(s) > σ}, junto con las operaciones de suma y producto por escalar definidos
en forma habitual, también puede ser considerado como un espacio vectorial al que notamos
FC . Para ello se debe modificar la definición habitual de igualdad de funciones con el objeto
de posibilitar la suma entre sus elementos, ya que no todas las funciones de C tienen el mismo
dominio Ω. De este modo, se permitirá que si F y G son funciones de C, cuyos dominios son
Ω1 = {s ∈ C : Re(s) > σ1 } y Ω2 = {s ∈ C : Re(s) > σ2 } respectivamente, entonces su función
suma F + G será la función cuyo dominio es la intersección de los dominios de F y G es decir
Ω3 = {s ∈ C : Re(s) > σ} donde σ = max {σ1 , σ2 }.

En consecuencia y por la linealidad de la integral, el operador L “transformar por Laplace”

es una transformación lineal entre el espacio vectorial FR y el espacio vectorial FC ,
L : FR → FC
tal que Z +∞
L {f (t)} = F (s) = e−st f (t) dt
0
donde para cualesquiera α y β contantes y f y g funciones de R se tiene que:
L {αf (t) + βg(t)} = αL {f (t)} + βL {g(t)} .
Ejemplo 5.1.3. Para obtener L {3t + 2e3t } notemos primero que

1
L {t} = si Re(s) > 0
s2
y
1
L e3t = si Re(s) > 3.
s−3
Entonces,
3 2
L 3t + 2e3t = 3L {t} + 2L e3t = 2 +
s s−3
si Re(s) > max {0, 3} = 3. ▲
5.2 Propiedades de la Transformada de Laplace

En esta sección presentamos una serie de propiedades que nos permitirán hallar la transformada
de Laplace de una función sin necesidad de recurrir a la definición de la misma.
Teorema 5.2.1 (Primer teorema de traslación). Sea f = f (t) una función cuya trans-
formada de Laplace es F = F (s) con Re(s) > τ . Entonces la función dada por eat f (t)
es transformable por Laplace y su transformada está dada por

L eat f (t) = F (s − a) = L {f (t)}|s−a
donde Re(s) > τ + a.
Demostración. Por hipótesis,

L {f (t)} = F (s) si Re(s) > τ.
Entonces,
Z Z
+∞
−st
+∞
at
L e f (t) = at
e f (t)e dt = e−(s−a)t f (t) dt = F (s − a)
0 0
si Re(s − a) > τ ó equivalentemente Re(s) > τ + a.

1
Ejemplo 5.2.1. L {te−2t } = L {t}|s+2 = si Re(s) > 0 + (−2) = −2.▲
(s + 2)2
2
Ejemplo 5.2.2. L {e3t sen (2t)} = L {sen (2t)}|s−3 = si Re(s) > 0 + 3 = 3.▲
(s − 3)2 + 4
Teorema 5.2.2 (Derivada de la transformada). Si f = f (t) es una función cuya

transformada de Laplace es F = F (s) con Re(s) > τ , entonces la función dada por
tn f (t) con n ∈ N es transformable por Laplace y su transformada está dada por
L {tn f (t)} = (−1)n F (n) (s)
donde Re(s) > τ .
Demostración. Por hipótesis, L {f (t)} = F (s) si Re(s) > τ.
Z Z +∞ n
(n) dn +∞
−st ∂ −st

F (s) = n e f (t) dt = e f (t) dt =
ds 0 0 ∂sn
Z +∞
= (−1) n
tn e−st f (t) dt = (−1)n L {tn f (t)}
0
si Re(s) > τ .

d d 3 6s
Ejemplo 5.2.3. L {tsen (3t)} = (−1) (L {sen (3t)}) = −
1
2
= . ▲
ds ds s +9 (s2 + 9)2
Ejemplo 5.2.4. Si queremos obtener L {tn } donde n ∈ N, notemos que:

d d 1 1
n = 1 ⇒ L {t} = − (L {1}) = − = 2,
ds ds s s

d d 1 2
n = 2 ⇒ L t2 = − (L {t}) = − 2
= 3,
ds ds s s

d d 2 6
n = 3 ⇒ L t3 = − L t2 = − = ,
ds ds s3 s4
y ası́ sucesivamente se puede probar que para cualquier n ∈ N,
n!
L {tn } = .▲
sn+1

5.3 Transformada inversa de Laplace

En la Sección 5.1.2 vimos que el operador L es una transformación lineal entre el espacio
vectorial FR y el espacio vectorial FC .
Es de sumo interés determinar si L es 1-1, con el objetivo de intentar definir una transfor-
mación inversa. Es decir, nuestra intención es determinar si existe una única solución y(t) de
la ecuación
L {y(t)} = F (s). (5.7)
El siguiente teorema, conocido como el teorema de Lerch, asegura que la ecuación (5.7)
tiene solución y(t) y que la misma será única.
Teorema 5.3.1 (de Lerch). Si f y g son funciones continuas y de orden exponencial

en [0, +∞) tales que L {f (t)} = L {g(t)} donde Re(s) > τ , entonces
f (t) = g(t)
para todo t ≥ 0.
Por lo tanto, esta solución y(t) de (5.7) es llamada antitransformada de Laplace o trans-
formada inversa de Laplace de F , se simboliza por L−1 y se caracteriza por
L−1 {F (s)} = f (t) ⇔ L {f (t)} = F (s).
Si las funciones f y g del Teorema 5.3.1 son seccionalmente continuas en [0, +∞), el teorema
de Lerch establece que si sus transformadas son iguales entonces las funciones f y g son “casi”
iguales. Sin embargo, no identificaremos esta situación y trabajaremos como si fuesen continuas
pues su desarrollo no es sencillo y escapa de los intereses de este curso.
También, tenemos que tener en cuenta que si la función f = f (t) no es causal, deberemos
escribir
L−1 {F (s)} = f (t)H(t).
Es sencillo verificar que el operador antitransformada de Laplace L−1 es lineal, es decir si
F y G son funciones cuyas antitransformadas existen, entonces
L−1 {αF (s) + βG(s)} = αL−1 {F (s)} + βL−1 {G(s)}

donde α y β son constantes.

−1 2 −1 1
Ejemplo 5.3.1. L = 2L = 2e3t .▲
s−3 s−3

−1 1
Ejemplo 5.3.2. Para obtener L descompongamos primero
(s + 3)(s − 2)
1
(s + 3)(s − 2)

en fracciones simples. Entonces,
1 A B (A + B)s + (−2A + 3B)

= + =
(s + 3)(s − 2) s+3 s−2 (s + 3)(s − 2)
por lo que
A+B =0
−2A + 3B = 1
1 1
de donde se tiene que A = − y B = .
5 5
Luego,

−1 1 1 1 1 1 −1 −3t 1 2t
L = − L−1 + L−1 = e + e .▲
(s + 3)(s − 2) 5 s+3 5 s−2 5 5
Inversión usando el primer teorema de traslación

Una consecuencia importante del Teorema 5.2.1 (primer teorema de traslación) es la fórmula
que se obtiene del mismo al plantearla en términos de antitransformadas:
L−1 {F (s − a)} = eat f (t)

siendo f (t) = L−1 {F (s)}.

1 1 1 2 1
Ejemplo 5.3.3. L−1 3
= e−2t L−1 3
= e−2t L−1 3
= e−2t t2 .▲
(s + 2) s 2 s 2

s + 7 s + 7 (s + 1) + 6
Ejemplo 5.3.4. L−1 = L−1 = L−1 =
s2 + 2s + 5 (s + 1)2 + 4 (s + 1)2 + 4

−1 s+1 −1 6 −t −1 s −t −1 2
=L +L =e L + 3e L =
(s + 1)2 + 4 (s + 1)2 + 4 s2 + 4 s2 + 4
= e−t cos(2t) + 3e−t sen (2t).▲
5.4 Más propiedades de la transformada de Laplace

En esta Sección deduciremos dos propiedades más de esta transformación integral de fundamen-
tal importancia para las aplicaciones, y que permiten expresar las transformadas de la derivada
y de la integral de una función.

5.4.1 Transformada de Laplace de la derivada

Sea f una función transformable por Laplace en (0, +∞) cuya derivada f ′ es seccionalmente
continua y de orden exponencial en [0, +∞) tal que
F (s) = L {f (t)} .
Entonces, Z +∞
′
L {f (t)} = e−st f ′ (t) dt (5.8)
0
donde integrando por partes (5.8) se tiene que

Z +∞
+∞ +∞
′ −st
L {f (t)} = e f (t) 0+ + s e−st f (t) dt = e−st f (t) 0+ + sF (s) (5.9)
0
Por otro lado,

+∞
e−st f (t) 0+ = lim e−st f (t) − lim+ e−st f (t) = −f 0+ (5.10)
t→+∞ t→0
pues lim e−st f (t) = 0 debido a que la función dada por e−st f (t) es de orden exponencial.
t→+∞
Por lo tanto, sustituyendo (5.10) en (5.9) se tiene entonces que

L {f ′ (t)} = −f 0+ + sF (s). (5.11)
Si la función f es continua en t = 0, esto es f (0) = f (0− ) = f (0+ ) entonces (5.11) se

expresa como
L {f ′ (t)} = −f (0) + sF (s) (5.12)
De forma análoga, se obtiene la transformada de Laplace de la derivada segunda f ′′ y es
L {f ′′ (t)} = −f ′ (0) − sf (0) + s2 F (s) (5.13)
y ası́, se puede probar, mediante inducción matemática, que para cualquier n ∈ N, la transfor-
mada de Laplace de la derivada n−ésima de f está dada por:

L f (n) (t) = −f (n−1) (0) − sf (n−2) (0) − ... − sn−1 f (0) + sn F (s) (5.14)
La importancia de (5.14) radica en la resolución de ecuaciones diferenciales y sistemas de

ecuaciones diferenciales. De hecho, haciendo uso de la transformada de Laplace en la ecuación
diferencial cuya incógnita es x(t), usando (5.14) y las condiciones iniciales establecidas en
la misma, tal ecuación diferencial se transforma en una ecuación algebraica en la variable
X(s) = L {x(t)} donde resolviéndola y antitransformando se obtiene x(t).

Ejemplo 5.4.1. Para resolver la ecuación diferencial
x′′ + 5x′ + 6x = 2e−t (5.15)
con las condiciones iniciales x(0) = 1 y x′ (0) = 0, apliquemos a ambos miembros de (5.15) la
transformada de Laplace
L {x′′ + 5x′ + 6x} = L 2e−t . (5.16)
Por las propiedades de la transformada de Laplace y usando (5.13) se tiene entonces que
2
s2 X(s) − sx(0) − x′ (0) + 5 (sX(s) − x(0)) + 6X(s) = (5.17)
s+1
donde X(s) = L {x(t)}. Usando las condiciones iniciales, entonces (5.17) se expresa como
2
s2 + 5s + 6 X(s) = +s+5 (5.18)
s+1
o equivalentemente
1 1 1
X(s) = + − . (5.19)
s+1 s+2 s+3
Entonces, antitransformando (5.19) se tiene la solución del problema dado:
x(t) = L−1 {X(s)} = e−t + e−2t − e−3t .▲
Ejemplo 5.4.2. Supongamos que queremos hallar las funciones x = x(t) e y = y(t) que
satisfacen el siguiente sistema de ecuaciones diferenciales
′
x + y ′ + 5x + 3y = e−t
2x′ + y ′ + x + y = 3
con las condiciones iniciales x(0) = 2, y(0) = 1.

Transformando por Laplace cada una de las ecuaciones del sistema anterior, usando pro-
piedades de la transformada y (5.12) se tiene que


 − −
1

 sX(s) x(0) + sY (s) y(0) + 5X(s) + 3Y (s) =
s+1



 2sX(s) − 2x(0) + sY (s) − y(0) + X(s) + Y (s) =
3
s
donde X(s) = L {x(t)} y Y (s) = L {y(t)}.
Usando las condiciones iniciales dadas en el sistema anterior, se tiene entonces que



3s + 4

 (s + 5)X(s) + (s + 3)Y (s) = s + 1
(5.20)



 (2s + 1)X(s) + (s + 1)Y (s) =
5s + 3
s

Ahora bien, para resolver el sistema (5.20), podemos utilizar cualquiera de los métodos
resolución de sistemas de ecuaciones. Aquı́, usaremos la regla de Cramer. Para ello, calculemos
primero el determinante de la matriz de coeficientes de (5.20),

s+5 s+3
4 = = (s + 5)(s + 1) − (s + 3)(2s + 1) = −(s + 2)(s − 1)
(5.21)
2s + 1 s + 1
Sea ahora el determinante:

3s+4
s + 3

= −2s − 14s − 9
s+1 2
4X = (5.22)
s
5s+3
s
s+1
Entonces, para obtener X(s) usamos (5.21) y (5.20) donde se tiene que
4X 2s2 + 14s + 9 9 1 11 1 25 1
X(s) = = =− − + (5.23)
4 s(s + 2)(s − 1) 2 s 16 s + 2 3 s−1
y luego antitransformando (5.23) se tiene entonces que

9 11 25
x(t) = − − e−2t + et . (5.24)
2 16 3
Para obtener y(t) procedemos de manera análoga al caso anterior. Para ello, calculemos:

s + 5 3s+4
s+1
= −s + 22s + 39s + 15
3 2
4Y = (5.25)
2s + 1 5s+3 s(s + 1)
s
Luego, usando (5.20) y (5.25) se tiene que:
4Y −s3 + 22s2 + 39s + 15 15 1 1 1 11 1 25 1

Y (s) = = = + + − (5.26)
4 s(s + 1)(s + 2)(s − 1) 2 s 2s+1 2 s+2 2 s−1
y antitransformando (5.26) se tiene que:

15 1 −t 11 −2t 25 t
y(t) = + e + e − e. (5.27)
2 2 2 2
Por lo tanto, de (5.24) y (5.27) tenemos


 9 11 −2t 25 t

 x(t) = − − e + e
2 16 3



 y(t) =
15 1 −t 11 −2t 25 t
+ e + e − e
2 2 2 2
que es la solución del sistema de ecuaciones diferenciales con condiciones iniciales. ▲

5.4.2 Transformada de Laplace de integrales

Sea f una función continua en [0, +∞), cuya función integral
Z t
g(t) = f (x) dx
0
sea transformable por Laplace.
Dado que g ′ (t) = f (t) entonces
L {g ′ (t)} = L {f (t)}
o equivalentemente
sL {g(t)} − g(0) = L {f (t)} . (5.28)
Como g(0) = 0 entonces (5.28) se reduce a
1
L {g(t)} = L {f (t)}
s
o equivalentemente
Z t
1
L f (x) dx = L {f (t)} . (5.29)
0 s
Z
t 1 6 2
Ejemplo 5.4.3. L 3
x + sen (2x) dx = L {t3 + sen (2t)} = 5 + 2
.▲
0 s s s(s + 4)
5.5 El segundo teorema de traslación

5.5.1 La función escalón unitario
En la Sección 5.1 presentamos la función escalón unitario o de Heaviside H definida por

0 si t < 0
H(t) = .
1 si t ≥ 0
Si a es un número no negativo, H(t−a) es la función escalón unitario desplazada a unidades

a la derecha. Más precisamente,

0 si t < a
H(t − a) =
1 si t ≥ a
y cuya gráfica se observa en la Figura 5.2.

La función escalón unitario puede ser interpretada como un mecanismo para “encender”
una función f = f (t) en t = a como se observa en la Figura 5.3.

Figura 5.2: Función escalón unitario desplazado H(t − a)
Figura 5.3: Gráfica de f (t)H(t − a)
y cuya expresión está dada por

0 si t < a
f (t)H(t − a) = .
f (t) si t ≥ a
También, la función escalón unitario es especialmente útil para dar expresiones compac-
tas de ciertas funciones que tienen una ley definida por tramos. Sea por ejemplo,

 f1 (t) si 0 < t < t1
f (t) = f2 (t) si t1 < t < t2 (5.30)

f3 (t) si t > t2
cuya gráfica se muestra en la Figura 5.4.
Para obtener una expresión compacta de (5.30), podemos hacer uso de las “operaciones de
encendido”
1. encender f1 (t) en t = 0,
2. encender f2 (t) y apagar f1 (t) en t = t1 ,
3. encender f3 (t) y apagar f2 (t) en t = t2 .

Figura 5.4: Gráfica de la función f (t)
Entonces (5.30) toma la forma:
f (t) = f1 (t)H(t) + [f2 (t) − f1 (t)] H(t − t1 ) + [f3 (t) − f2 (t)] H(t − t2 ). (5.31)
Pero también (5.31) se puede expresar como
f (t) = f1 (t) [H(t) − H(t − t1 )] + f2 (t) [H(t − t1 ) − H(t − t2 )] + f3 (t)H(t − t2 ). (5.32)
que se conoce como la construcción compacta de (5.30) haciendo uso de la función “sombrero
de copa” y cuya expresión es,

1 si a < t < b
H(t − a) − H(t − b) =
0 si t < a ó t > b
y cuya gráfica se muestra en la Figura 5.5.
Figura 5.5: Función sombrero de copa
Ejemplo 5.5.1. Para expresar de forma compacta la función definida por

 2
 2t si 0 ≤ t < 3
f (t) = t + 4 si 3 ≤ t < 5

9 si t ≥ 5

entonces haciendo uso de las operaciones de encendido tenemos

f (t) = 2t2 H(t) + t + 4 − 2t2 H(t − 3) + (9 − t − 4) H(t − 5)
o equivalentemente

f (t) = 2t2 H(t) + t + 4 − 2t2 H(t − 3) + (5 − t) H(t − 5).
Si usamos la función sombrero de copa para expresarla en forma compacta se tiene que:
f (t) = 2t2 [H(t) − H(t − 3)] + (t + 4) [H(t − 3) − H(t − 5)] + 9H(t − 5),
y es una expresión equivalente a la obtenida anteriormente.▲
5.5.2 Transformada de Laplace de la función escalón unitario

Sea la función escalón unitario

0 si t < a
H(t − a) =
1 si t ≥ a
donde a ≥ 0. Entonces,
Z Z
+∞
−st
T
−st e−sT e−as
L {H(t − a)} = e dt = lim e dt = lim − + (5.33)
a T →+∞ a T →+∞ s s
Dado que
e−sT
lim − =0
T →+∞ s
si Re(s) > 0 entonces obtenemos de (5.33) que
e−as
L {H(t − a)} = (5.34)
s
si Re(s) > 0.
En particular, y como es de esperar, si a = 0 entonces (5.34) se reduce a:
1
L {H(t)} = (5.35)
s
si Re(s) > 0.
Ejemplo 5.5.2. Para obtener la transformada de Laplace de la función dada por


 0 si 0 ≤ t < 1
f (t) = 3 si 1 < t < 2

0 si t ≥ 2
entonces expresando de manera compacta a la función f , tenemos
f (t) = 3 [H(t − 1) − H(t − 2)] .
Luego la transformada de Laplace de f está dada por
3 −s
L {f (t)} = 3L {H(t − 1)} − 3L {H(t − 2)} = e − e−2s .▲
s
5.5.3 El segundo teorema de traslación

El teorema que enunciaremos y probaremos a continuación, llamado segundo teorema de trasla-
ción, proporciona una fórmula para las transformadas de funciones de la forma f (t−a)H(t−a).
Las funciones de esta clase son de particular importancia en las aplicaciones, ya que su uso
es imprescindible cada vez que se consideran sistemas fı́sicos (eléctricos, mecánicos, etc.) en
los cuales ciertas excitaciones, como tensiones, corrientes, fuerzas, etc. se aplican o se quitan
abruptamente a partir de cierto instante de tiempo a.
Teorema 5.5.1 (Segundo teorema de traslación). Sean f = f (t) una función cuya
transformada de Laplace es F = F (s) y a > 0. Entonces
L {f (t − a)H(t − a)} = e−as F (s).
Demostración. Aplicando la definición de transformada de Laplace a la función f (t−a)H(t−a)

se tiene que:
Z +∞ Z +∞
−st
L {f (t − a)H(t − a)} = f (t − a)H(t − a)e dt = f (t − a)e−st dt. (5.36)
0 a
Mediante el cambio de variable

τ =t−a
entonces:
Z +∞ Z +∞ Z +∞
−st −s(τ +a) −as
f (t − a)e dt = f (τ )e dτ = e f (τ )e−sτ dτ = e−as L {f (τ )} (5.37)
a 0 0
pues f tiene por transformada de Laplace a la función F .

Sustituyendo (5.37) en (5.36) se tiene que:
L {f (t − a)H(t − a)} = e−as L {f (τ )} = e−as F (s).
Ejemplo 5.5.3. Para calcular la transformada de la Laplace de la función del Ejemplo 5.5.1
definida por  2
 2t si 0 ≤ t < 3
f (t) = t+4 si 3 ≤ t < 5

9 si t ≥ 5
primero expresamos la misma en una forma compacta haciendo uso de la función escalón de
Heaviside. Del Ejemplo 5.5.1 se tiene que:

f (t) = 2t2 H(t) + t + 4 − 2t2 H(t − 3) + (5 − t) H(t − 5)

ó equivalentemente

f (t) = 2t2 H(t) + t + 4 − 2t2 H(t − 3) − (t − 5) H(t − 5). (5.38)
Ahora bien, para obtener la transformada de Laplace de f (t), haremos uso del segundo
teorema de traslación donde primero debemos escribir la expresión que multiplica a H(t − 3)
en términos de t − 3. Para ello, sea
z =t−3
luego,
t + 4 − 2t2 = (z + 3) + 4 − 2(z + 3)2 = −2z 2 − 11z − 11 = −2(t − 3)2 − 11(t − 3) − 11.
Entonces (5.38) puede expresarse como:

f (t) = 2t2 H(t) + −2(t − 3)2 − 11(t − 3) − 11 H(t − 3) − (t − 5) H(t − 5)
y usando esta expresión para f (t), obtenemos su transformada de Laplace:

L {f (t)} = 2L t2 H(t) − 2L (t − 3)2 H(t − 3) − 11L {(t − 3)H(t − 3)} +
−11L {H(t − 3)} − L {(t − 5)H(t − 5)}
por lo que se tiene que
2 −3s
2 −3s e−3s
L {f (t)} = 2 3
− 2e L t − 11e L {t} − 11 − e−5s L {t}
s s
o equivalentemente

4 4 11 11 e−5s
L {f (t)} = 3 − e−3s 3
+ 2 + − .▲
s s s s s2
Inversión usando el segundo teorema de traslación

Una consecuencia importante del Teorema 5.5.1 (segundo teorema de traslación) es la fórmula
que se obtiene del mismo al plantearla en términos de antitransformadas:

L−1 e−as F (s) = L−1 {F (s)}t−a H(t − a) = f (t − a)H(t − a)
siendo f (t) = L−1 {F (s)}.
Ejemplo 5.5.4. Para calcular

−1 e−sπ (s + 3)
L
s(s2 + 1)
usando el segundo teorema de traslación obtenemos que
−sπ
e (s + 3) s+3
L −1
= L −1 H(t − π) (5.39)
s(s2 + 1) s(s2 + 1) t−π

Dado que
s+3 A Bs + C (A + B)s2 + Cs + A
= + = ⇔ A = 3, B = −3, C = 1
s(s2 + 1) s s2 + 1 s(s2 + 1)
se sigue que,

−1 s+3 −1 3 s 1
L =L −3 2 + 2 = 3 − 3 cos t + sen t (5.40)
s(s2 + 1) s s +1 s +1
por lo que sustituyendo (5.40) en (5.39) tiene que

−sπ
−1 e (s + 3)
L = [3 − 3 cos(t − π) + sen (t − π)] H(t − π).▲
s(s2 + 1)
5.6 Transformada de Laplace de funciones periódicas

Sea f = f (t) una función definida en [0, +∞), seccionalmente continua y periódica de perı́odo
T es decir
f (t + nT ) = f (t)
para todo n ∈ N0 .
Entonces,
Z +∞ +∞ Z
X (n+1)T
−st
L {f (t)} = f (t)e dt = f (t)e−st dt. (5.41)
0 n=0 nT
Mediante el cambio de variable

t = τ + nT
con n ∈ N0 se tiene de (5.41) que
+∞ Z
X T X
+∞ Z T
−s(τ +nT ) −snT
L {f (t)} = f (τ + nT ) e dτ = e f (τ ) e−sτ dτ (5.42)
n=0 0 n=0 0
dado que f es periódica de perı́odo T .

Como la serie (geométrica)
X
+∞
e−snT
n=0
es convergente si −st
e = e−xT < 1
entonces x > 0, siendo s = x + iy. Luego se sigue que
X
+∞
1
e−snT = (5.43)
n=0
1 − e−sT

si Re(s) > 0 y sustituyendo (5.43) en (5.42) se tiene que

Z T
1
L {f (t)} = f (τ ) e−sτ dτ
1−e −sT
0
o equivalentemente,
Z T
1
L {f (t)} = f (t) e−st dt si Re(s) > 0.
1 − e−sT 0
Ejemplo 5.6.1. Para obtener la transformada de Laplace de la onda periódica diente de sierra
f (t) = t, t ∈ [0, 1]
periódica de perı́odo T = 1 como se observa en la Figura 5.6
Figura 5.6: Onda periódica diente de sierra
calculamos,
Z −s
1 1
−st 1 e e−s 1
L {f (t)} = te dt = − − 2 + 2 .▲
1 − e−s 0 1 − e−s s s s
5.7 La función impulso

En muchas aplicaciones en Ingenierı́a estamos interesados en buscar la respuesta de sistemas
a fuerzas que son aplicadas de repente pero sólo en un tiempo muy corto. Estas fuerzas son
conocidas como fuerzas impulsivas, cuyo valor total está “concentrado” en un punto.
Para formular matemáticamente esta función y comprender su interpretación, consideremos
un pulso rectangular dado por:

 0 si t < 0
Φ(t) = 1
si 0 ≤ t < T
 T
0 si t ≥ T

Figura 5.7: Pulso rectangular Φ(t)
y cuya gráfica se muestra en la Figura 5.7.

Claramente, el área bajo la gráfica del pulso rectangular es
Z +∞ Z T
1
Φ(t) dt = dt = 1.
−∞ 0 T
Si T → 0, el pulso rectangular resulta más breve (en tiempo) y a la vez aumenta su

intensidad. De tal modo, la función impulso unitario δ o delta de Dirac, es considerada
como el lı́mite del pulso rectangular Φ cuando T → 0, y cuya gráfica se muestra en la Figura
5.8.
Figura 5.8: Función delta de Dirac δ(t)
La función delta de Dirac δ = δ(t) se caracteriza por

0 si t 6= 0
δ(t) =
+∞ si t = 0
pero

Z +∞
δ(t) dt = 1.
−∞
La llamada función impulso unitario es una función idealizada. Ciertamente no puede ser
una función pues es “imposible” que una función sea nula excepto en un único punto, y su
integral sea no nula.
Esta función se fundamenta a través de la Teorı́a de Distribuciones. Puede ser interpre-
tada fı́sicamente como un shock o impulso que transmite energı́a unitaria instantáneamente
(idealización).
Si se desea considerar la función impulso unitario en el instante de tiempo t = a, la deno-
tamos δ(t − a), y está definida como el caso lı́mite del pulso unitario:

 0 si t < a − T2
Φ(t) = 1
si a − T2 ≤ t < a + T2
 T
0 si t ≥ a + T2
como se observa en la Figura 5.9.
Figura 5.9: Pulso e impulso unitario desplazado
En este caso se tendrá que,

0 si t 6= a
δ(t − a) =
+∞ si t = a
y
Z +∞
δ(t − a) dt = 1
−∞

y cuya gráfica se observa en la Figura 5.9.

Se puede probar que si f = f (t) es continua en t = a entonces se verifica que
Z +∞
f (t)δ(t − a) dt = f (a)
−∞
conocida con el nombre de propiedad de filtrado. Además, si α < a < β entonces se tiene
que Z β
f (t)δ(t − a) dt = f (a).
α
Haciendo uso de la propiedad de filtrado se tiene entonces que la transformada de Laplace
de δ = δ(t − a) con a > 0 es
Z +∞
L {δ(t − a)} = δ(t − a)e−st dt = e−as .
0
Aunque a partir del resultado anterior, podrı́a parecer inmediato que

Z +∞
L {δ(t)} = δ(t)e−st dt = 1
0
debe tenerse en cuenta que la función δ no es continua en t = 0.

De las definiciones de la función escalón de Heaviside H = H(t) y la función delta de Dirac
δ = δ(t), se puede argumentar que
Z t
H(t) = δ (τ ) dτ
−∞
por lo que se tiene que

H ′ (t) = δ(t)
y más generalmente para cualquier a > 0,
H ′ (t − a) = δ(t − a).
También es posible probar que

L δ (n) (t − a) = sn e−as
y en particular tomando a = 0,
L δ (n) (t) = sn .

5.8 Convolución
En Matemática y, en particular, en Análisis Funcional, una convolución es un operador ma-
temático que transforma dos funciones f y g en una tercera función que en cierto sentido
representa la magnitud en la que se superoponen f y una versión trasladada e invertida de g.
La convolución y las operaciones relacionadas se encuentran en diversas aplicaciones de
Ingenierı́a y Matemática. Por ejemplo, en Eléctrica y Electrónica, la convolución permite
determinar la respuesta de un sistema lineal invariante en el tiempo ante cualquier entrada,
a partir del conocimiento de la respuesta del sistema ante una única entrada particular, el
impulso.
También, la convolución, es particularmente útil en la solución de ecuaciones diferencia-
les. La transformada de Laplace de la solución (inicialmente desconocida) de una ecuación
diferencial algunas veces se reconoce como el producto de las transformadas de dos funciones
desconocidas. Por ejemplo, cuando transformamos el problema con condiciones iniciales
x′′ + x = cos t,
x(0) = x′ (0) = 0, obtenemos

s s 1
X(s) = = 2 = L {cos t} L {sen t} .
(s2 + 1) 2 2
s +1s +1
Esto nos sugiere que deberı́a existir una forma de combinar las dos funciones sen t y cos t
para obtener la función x(t) cuya transformada sea el producto de las transformadas de aquellas.
Pero, evidentemente, x(t) no es sólo el producto de sen t y cos t porque

1 1 s
L {cos tsen t} = L sen (2t) = 2 6= 2 .
2 s +4 (s + 1)2
Ası́ es que
L {cos tsen t} 6= L {cos t} L {sen t} .
Por tales motivos, estamos ante la necesidad de definir la convolución entre las funciones
f = f (t) y g = g(t), denotada f ∗ g, de tal modo que la transformada de f ∗ g resulte ser el
producto de las transformada de f y g.
Definición (Convolución). Sean f = f (t) y g = g(t) funciones seccionalmente con-

tinuas. Se llama convolución de f y g, y notamos f ∗ g a la función definida por
Z +∞
(f ∗ g) (t) = f (τ ) g (t − τ ) dτ. (5.44)
−∞
Notemos que si f y g son funciones causales entonces
f (τ ) = g (τ ) = 0

si τ < 0 y
g (t − τ ) = 0
si τ > t por lo que (5.44) se puede expresar como
Z t
(f ∗ g) (t) = f (τ ) g (t − τ ) dτ. (5.45)
0
Teorema 5.8.1. Si f y g son funciones seccionalmente continuas entonces f ∗g = g∗f .
El siguiente teorema nos permite hallar la transformada de Laplace de la convolución de
dos funciones:
Teorema 5.8.2. Si f y g son de orden exponencial σ y seccionalmente continuas en

[0, +∞), entonces para Re(s) > σ se tiene que
L {f (t) ∗ g(t)} = L {f (t)} L {g(t)} .
Demostración. Sean Z +∞
F (s) = L {f (x)} = f (x)e−sx dx
0
y Z +∞
G(s) = L {g(y)} = g(y)e−sy dy.
0
Entonces por el teorema de Fubini,
Z +∞ Z +∞ ZZ
−s(x+y)
F (s)G(s) = f (x)g(y)e dx dy = f (x)g(y)e−s(x+y) dx dy (5.46)
0 0 R
donde R es la región plana representada en la Figura 5.10.

Mediante la transformación en el plano
t(x, y) = x + y, τ (x, y) = y
donde |J(x, y)| = |tx τy − τx ty | = 1 se tiene que (5.46) se puede expresar como
ZZ
F (s)G(s) = f (t − τ )g(τ )e−st dτ dt (5.47)
D
donde D es la región del plano representada en la Figura 5.10 que se obtiene de la transformación
dada, por lo que (5.47) se puede expresar como

Z +∞ Z t Z +∞
−st
F (s)G(s) = e f (t − τ ) g(τ ) dτ dt = e−st f (t) ∗ g(t) dt
0 0 0
o equivalentemente
F (s)G(s) = L {f (t) ∗ g(t)} .
Figura 5.10: Regiones R y D
Inversión usando convolución

Una consecuencia importante del Teorema 5.8.2 es la fórmula que se obtiene del mismo al
plantearla en términos de antitransformadas:
L−1 {F (s)} ∗ L−1 {G(s)} = L−1 {F (s)G(s)} .
Ejemplo 5.8.1. Obtengamos la solución de la ecuación diferencial
x′′ + x = cos t,
con las condiciones iniciales x(0) = x′ (0) = 0, planteada en la introducción de esta Sección.
Como
s s 1
X(s) = 2 2
= 2 2
(s + 1) s +1s +1
entonces

−1 −1 s −1 1
x(t) = L {X(s)} = L ∗L = cos t ∗ sen t.
s2 + 1 s2 + 1

Entonces,
Z t
t
x(t) = cos(t − τ )sen (τ ) dτ = sen t.▲
0 2

1. En cada uno de los siguientes casos, determine la transformada de Laplace de la función
f , y su correspondiente abscisa de convergencia.
(a) f (t) = 2e4t (c) f (t) = 6 sen (2t) − 5 cos(2t)

(b) f (t) = 2t2 − e−5t (d) f (t) = cosh(5t) − 4 senh(2t)
2. Utilice el primer teorema de traslación para obtener la transformada de Laplace de f en

cada uno de lo siguientes casos:
(a) f (t) = eat cos(ωt) (c) f (t) = t2 eat

(b) f (t) = eat cosh(bt) (d) f (t) = −5te−3t
3. En cada uno de los siguientes casos, utilice el teorema de la derivada de la transformada

de Laplace, para obtener L {f (t)}.
(a) f (t) = t sen (ωt) (c) f (t) = t2 et

(b) f (t) = t2 sen (2t) (d) f (t) = t2 (sen t − cos t)
4. Halle la transformada inversa de Laplace de cada una de las siguientes funciones:

1 1 1
(a) F (s) = (c) F (s) = (e) F (s) =
s2
+9 s4 s2
+ 16
4 s 1
(b) F (s) = (d) F (s) = (f) F (s) = 2
s−2 s2 −2 s −3
5. Utilice la propiedad de linealidad de la transformación inversa de Laplace para obtener:

−1 5s + 4 2s + 18 24 −1 6 4s + 3 8 − 6s
(a) L − 2 + 4 (b) L − +
s3 s +9 s 2s − 3 9s2 − 16 16s2 + 9
6. Utilice el primer teorema de traslación para hallar:

−1 6s − 4 −1 3s + 7
(a) L (c) L
s2 − 4s + 20 s2 − 2s + 5

4s + 12
(b) L−1
s2 + 4s + 16

7. Mediante descomposición en fracciones simples, halle las transformadas inversas de La-

place de las siguientes funciones:
3s + 1 3s + 7
(a) F (s) = (c) F (s) =
s3 − s2 + s − 1 s2 + 3s + 2
4s + 12
(b) F (s) = 2
s + 8s + 16
8. Resuelva los siguientes problemas de valores iniciales haciendo uso de la transformada de

Laplace:
(a) x′′ + 6x′ + 10x = 0, (c) x′′′ − 3x′′ + 3x′ − x = t2 e−t ,

x(0) = 0, x′ (0) = 6. x(0) = 1, x′ (0) = 0, x′′ (0) = −2.
(b) x′′ + 9x = 2t2 + 4t + 7, (d) x′′ + 9x = cos(2t),
x(0) = x′ (0) = 0. x(0) = 1, x(π/2) = −1.
9. Use la transformada de Laplace para resolver los siguientes sistemas de ecuaciones dife-
renciales:
′′
x −y =0
(a) tal que x(0) = y(0) = 1, x′ (0) = y ′ (0) = −1.
y ′′ − x = 0
′′
x = y − 2x
(b) tal que x(0) = 4, y(0) = 2, x′ (0) = y ′ (0) = 0.
y ′′ = x − 2y
′′
2x − y ′′ − x′ − y ′ = 3y − 9x
(c) tal que x(0) = x′ (0) = 1, y(0) = y ′ (0) = 0.
2x′′ − y ′′ + x′ + y ′ = 5y − 7x
10. Vibraciones mecánicas
Los sistemas mecánicos de traslación pueden ser usados para modelar muchas situaciones
e involucran tres elementos básicos: masas (con masa M , medida en Kg), resortes (con
rigidez del resorte k, medida en Nm−1 ) y amortiguadores (con coeficiente de amortigua-
miento B, medido en Nsm−1 ).
Las variables asociadas son el desplazamiento x(t) (medido en m) y la fuerza F (t) (me-
dida en N). Convencionalmente, los elementos básicos son representados simbólicamente
de la siguiente manera:
Suponiendo que estamos tratando con resortes y amortiguadores ideales (esto es, supo-
niendo que se comportan linealmente), las relaciones entre las fuerzas y los desplazamien-
tos en el tiempo t son:
Masa: F = M x′′ (t) (ley de Newton)

Resorte: F = k (x2 − x1 ) (ley de Hooke)
Amortiguador: F = B (x′2 − x′1 )

(a) La masa del sistema masa-resorte-amortiguador de la figura está sometida a una

fuerza periódica externa F (t) = 4sen (ωt) aplicada en el tiempo t = 0.
Como está indicado en la figura, las fuerzas que actúan sobre la masa M son la
fuerza aplicada F (t) y las fuerzas de restauración F1 y F2 debidas al resorte y al
amortiguador respectivamente.
Ası́ por la ley de Newton,
M x′′ (t) = F (t) − F1 (t) − F2 (t).
Dado que M = 1, F (t) = 4sen (ωt), F1 (t) = kx(t) = 25x(t) y F2 (t) = Bx′ (t) =
6x′ (t), se tiene que:
x′′ (t) + 6x′ (t) + 25x(t) = 4sen (ωt).
Mediante la transformada de Laplace, determine el desplazamiento resultante x(t)

de la masa en el tiempo t, suponiendo que x(0) = x′ (0) = 0, para los casos:
i. ω = 2
ii. ω = 5. ¿qué pasarı́a con la respuesta si no tuviese el amortiguador?
(b) Considere el sistema mecánico de la figura, que consiste en dos masas M1 y M2 , cada
una atada a una base fija por un resorte, con constantes k1 y k3 respectivamente, y
atadas entre sı́ a un tercer resorte con constante k2 .
El sistema es soltado desde el reposo en el tiempo t = 0 en una posición en la cual

M1 está desplazada una unidad a la izquierda de su posición de equilibrio y M2 está
desplazada dos unidades a la derecha de su posición de equilibrio.
Sean x1 (t) y x2 (t) los desplazamientos de las masas M1 y M2 respectivamente desde
sus posiciones de quilibrio. Como todos los efectos de fricción son despreciados, las
únicas fuerzas que actúan sobre las masas son las fuerzas de restauración debidas
a los resortes, como se muestra en la figura. Aplicando la ley de movimiento de
Newton a M1 y M2 respectivamente, se obtiene

M1 x′′1 = F2 − F1 = k2 (x2 − x1 ) − k1 x1
M2 x′′2 = −F3 − F2 = −k3 x2 − k2 (x2 − x1 )
que, sustituyendo los valores dados en la figura para M1 , M2 , k1 , k2 y k3 , se obtiene:

x′′1 + 3x1 − 2x2 = 0
2x′′2 + 4x2 − 2x1 = 0
Haciendo uso de la transformada de Laplace, obtenga las posiciones de las masa en
el tiempo t.

11. Circuitos eléctricos

Los circuitos eléctricos pasivos son construidos con tres elementos básicos: resistores (que
tienen resistencia R, medida en Ω), capacitores (que tienen capacitancia C, medida en
farads F) e inductores (que tienen inductancia L medida en henrys H). Las variables
asociadas son: corriente i(t) (medida en amperes A) y voltaje v(t) (medido en volts V).
El flujo de corriente en el circuito está relacionado con la carga q(t) (medida en coulombs
C) mediante la relación:
i(t) = q ′ (t).
Convencionalmente, los elementos básicos se representan simbólicamente como en la si-

guiente figura:
Las relaciones entre el flujo de corriente i(t) y la caı́da de voltaje v(t) a través de estos
elementos en el tiempo t son:
caı́da de voltaje a través de la resistencia: vR (t) = Ri(t) (ley de Ohm)

Z
1 q(t)
caı́da de voltaje a través del capacitor: vC = i(t) dt =
C C
caı́da de voltaje a través del inductor: vL (t) = Li′ (t)
La interacción entre los elementos individuales que forman un circuito eléctrico está de-
terminada por las leyes de Kirchhoff. En particular, la ley de las tensiones de Kirchhoff
establece que:
La suma algebraica de todas las caı́das de instantáneas de tensión en torno a cualquier

circuito cerrado es cero, o sea que la fuerza electromotriz aplicada (fuente de voltaje)
en cualquier circuito cerrado es igual a la suma de las caı́das de tensión en el resto del
circuito.
Sea el circuito RLC de la figura siguiente, formado por un resistor R, un capacitor C y

un inductor L conectados en serie a una fuente de voltaje e(t).
Aplicando la ley de tensiones de Kirchhoff al circuito de la figura se obtiene
Z
′ 1
Ri + Li + i(t) dt = e(t)
C

o, usando el hecho que i(t) = q ′ (t), entonces:

1
Lq ′′ + Rq ′ + q = e(t).
C
Si antes de cerrar el interruptor en el tiempo t = 0, tanto la carga como la corriente
resultante en el circuito son cero, use la transformada de Laplace para determinar la
carga q(t) en el capacitor y la corriente i(t) en el circuito en el instante de tiempo t
sabiendo que R = 160Ω, L = 1 H, C = 10−4 F y e(t) = 20 V.
12. Utilice la función escalón de Heaviside para expresar en forma compacta los pulsos si-
guientes y obtenga sus transformadas de Laplace.
6
(a) 100 −2 sen t si π ≤ t ≤ 2π
(b) f (t) =
0 si t < π ó t > 2π
- t
0 b
13. Represente gráficamente la función f y utilice el segundo teorema de traslación para

obtener su transformada de Laplace en cada uno de los siguientes casos:
(a) f (t) = sen (t − π)H(t − π)

(b) f (t) = |sen (ωt)|

sen t si 0 ≤ t ≤ π
(c) f (t) = tal que f (t + 2π) = f (t), t ≥ 0
0 si π < t ≤ 2π
14. La entrada θi (t) y la salida θ0 (t) de un servomecanismo están relacionados por la ecuación
diferencial
θ0′′ + 8θ0′ + 16θ0 = θi , t ≥ 0

′ 1 − t si 0 < t < 1
e inicialmente θ0 (0) = θ0 (0) = 0. Para θi = f (t), donde f (t) =
0 si t > 1
s − 1 e−s
muestre que L {θi } = + 2 y luego obtenga una expresión para la respuesta del
s2 s
sistema en el tiempo t.

15. Durante el intervalo de tiempo [t1 , t2 ], una fuerza electromotriz constante e0 actúa en
un circuito serie RC. Supongamos que el circuito está inicialmente en estado de reposo,
verifique que la corriente en el circuito en el tiempo t es:
e0 −(t−t1 )/RC
i(t) = e H(t − t1 ) − e(t−t2 )/RC H(t − t2 ) .
R
16. Obtenga la trasnformada de Laplace F (s) de cada una de las siguientes funciones f (t)
cuyas gráficas son las siguientes:
(a) Onda rectangular periódica
A6
- t
0 T 2T 3T 4T
−A
(b) Onda triangular periódica
6
A Z Z

Z Z
Z Z

Z Z
Z Z
ZZ
Z Z
Z
Z - t
0 T 2T 3T 4T
17. Calcule la transformada de Laplace de f en cada uno de los casos siguientes:


(a) f (t) = te2t g ′ (t)  4t si t ≤ 2
(b) f (t) = g ′′′ (t) + g ′ (t) (f) f (t) = 16 − 4t si 2 < t ≤ 4

0 si t > 4
(c) f (t) = e−3t cos(2t + 4)
(d) f (t) = 2et sen (ωt) cos(ωt) (g) f (t) = sen 2 t
Z t Z t
(e) f (t) = g(u)g(t − u) du (h) f (t) = xe2x cos x dx
0 0
18. Un impulso de voltaje Eδ(t) es aplicado en el tiempo t = 0 a un circuito que consiste de

una resistencia R, un capacitor C y un inductor L conectados en serie. Antes de aplicar
el voltaje, tanto la carga en el capacitor como la corriente resultante en el circuito son
cero. Determine la carga q(t) en el capacitor y la corriente resultante i(t) en el circuito
en el tiempo t.

19. Funciones de transferencia
La función de transferencia de un sistema lineal invariante en el tiempo está definida como

la razón de la transformada de Laplace de la salida del sistema (o función de respuesta) y
la transformada de Laplace de la entrada del sistema (o función fuerza), bajo el supuesto
de que todas las condiciones iniciales son cero (esto es, el sistema está inicialmente en un
estado de reposo).
Las funciones de transferencias se usan frecuentemente en Ingenierı́a para caracterizar las

relaciones de entrada-salida de los sistemas lineales invariantes en el tiempo, y juega un
papel importante en el análisis y diseño de dichos sistemas. Las funciones de transferencia
de un sistema lineal invariante en el tiempo, son útiles para estudiar las condiciones de
estabilidad de un sistema.
Consideremos un sistema lineal invariante en el tiempo caracterizado por la ecuación

diferencial
dn x dn−1 x dm u dm−1 u
an + a n−1 + ... + a 0 x = b m + b m−1 + ... + b0 u
dtn dtn−1 dtm dtm−1
donde n ≥ m, a0 , a1 , ..., an , b0 , b1 , ..., bm son constantes, y x(t) es la respuesta del sistema
o salida correspondiente a la entrada o término de fuerza u(t) aplicado en el tiempo t = 0.
Aplicando la transformada de Laplace a la ecuación anterior y usando el hecho de que

todas las condiciones iniciales son cero, obtenemos

an sn + an−1 sn−1 + ... + a0 X(s) = bm sm + bm−1 sm−1 + ... + b0 U (s)
donde X(s) = L {x(t)} y U (s) = L {u(t)}.
La función de transferencia del sistema, denotada G(s), se define como
X(s) bm sm + bm−1 sm−1 + ... + b0

G(s) = =
U (s) an sn + an−1 sn−1 + ... + a0
y el sistema puede representarse en forma de diagrama por la operación dentro de la
caja de la figura siguiente. Esta representación se conoce como el diagrama de bloque de
entrada-salida del sistema.
Escribiendo P (s) = bm sm + bm−1 sm−1 + ... + b0 y Q(s) = an sn + an−1 sn−1 + ... + a0 , la

función de transferencia puede expresarse como una función racional
P (s)
G(s) =
Q(s)

donde, para hacer que el sistema sea fı́sicamente realizable, los grados m y n de los
polinomios P (s) y Q(s) deben ser tales que n ≥ m.
La ecuación Q(s) = 0 es llamada ecuación caracterı́stica del sistema, su grado, determina

el orden del sistema y sus raı́ces se conocen como los polos de la función de transferencia.
De la misma manera, las raı́ces de P (s) = 0 son los ceros de la función de transferencia.
Es importante destacar que, en general, una función de transferencia sólo se usa para
caracterizar un sistema lineal invariante en el tiempo. Es una propiedad del propio sistema
y es independiente tanto de la entrada como de la salida del sistema.
A pesar de que una función de transferencia caracteriza la dinámica del sistema, no

proporciona información concerniente a la estructura fı́sica real del sistema, y de hecho
sistemas que son fı́sicamente distintos pueden tener la misma función de transferencia.
(a) La respuesta x(t) de un sistema invariante en el tiempo a una función de fuerza u(t)
está determinada por la ecuación diferencial
9x′′ (t) + 12x′ (t) + 13x(t) = 2u′ (t) + 3u(t).
i. Determine la función de transferencia que caracteriza al sistema.

ii. Proporcione la ecuación caracterı́stica del sistema. ¿Cuál es el orden del sistema?
iii. Determine los polos y los ceros de la función de transferencia e ilústrelos en un
diagrama en el plano s.
(b) Repita el ejercicio (a) para un sistema cuya respuesta x(t) a una entrada u(t) está
determinada por la ecuación diferencial
d2 x dx du
2
+ 2 + 5x = 3 + 2u.
dt dt dt
20. Respuesta al impulso
En el ejercicio anterior encontramos que para un sistema invariante en el tiempo que tiene
función de transferencia G(s), la respuesta x(t) del sistema inicialmente en reposo, a una
entrada u(t) está determinada por la relación en las transformadas
X(s) = G(s)U (s).
Si la entrada u(t) es la función impulso δ(t) entonces la respuesta del sistema estará
determinada por
X(s) = G(s)L {δ(t)} = G(s).
Aplicando la tranformada inversa de Laplace a esta última ecuación, obtenemos la res-

puesta en el tiempo que se llama la respuesta al impulso del sistema y la denotamos
h(t) (algunas veces tambı́en es conocida como la función peso del sistema); esto es, la
respuesta al impulso está dada por
h(t) = L−1 {X(s)} = L−1 {G(s)} .

Como la respuesta al impulso es la transformada inversa de Laplace de la función de trans-

ferencia, se sigue que tanto la respuesta al impulso como la función de transferencia llevan
la misma información acerca de la dinámica del sistema lineal invariante en el tiempo.
Por tanto, es posible determinar la información completa del sistema excitándolo con un
impulso y midiendo la respuesta. Por esta razón es una práctica común en ingenierı́a ver
la función de transferencia como la transformada de Laplace de la respuesta al impulso,
ya que esto pone énfasis en los parámetros del sistema cuando se consideran diseños de
sistemas.
Determine las respuestas al impulso de los sistemas lineales cuya respuesta x(t) a una
entrada u(t) está determinada por las siguientes ecuaciones diferenciales:
(a) x′′ (t) + 15x′ (t) + 56x(t) = 3u(t)

(b) x′′ (t) − 4x′ (t) + 13x(t) = u(t)
21. Teoremas del valor inicial y del valor final

Los teoremas del valor inicial y del valor final son dos teoremas muy útiles que nos
permiten predecir el comportamiento del sistema cuando t → 0 y t → +∞ sin invertir la
transformada de Laplace.
Teorema del valor inicial : Si las funciones f (t) y f ′ (t) son transformables por Laplace y
existe lim sF (s), entonces lim+ f (t) = f (0+ ) = lim sF (s).
s→∞ t→0 s→∞
Es importante destacar el que teorema del valor inicial no dá el valor inicial de f (0), sino
más bien el valor de f (t) cuando t → 0+ .
Teorema del valor final : Si las funciones f (t) y f ′ (t) son transformables por Laplace y
existe lim f (t), entonces lim f (t) = lim sF (s).
t→+∞ t→+∞ s→0
Las demostraciones de ambos teoremas se pueden ver en Matemáticas Avanzadas para

Ingenierı́a 2◦ edición de Glyn James, Pearson Educación, México, 2002.
(a) Verifique el teorema del valor inicial para las funciones:
i. f (t) = 2 − 3 cos t ii. f (t) = (3t − 1)2
(b) Verifique el teorema del valor final para las funciones:
i. f (t) = 1 + 3e−t sen (2t) ii. f (t) = t2 e−2t
(c) Use los teoremas del valor inicial y del valor final para encontrar el salto en t = 0 y
el valor lı́mite cuando t → +∞ para la solución del problema de valor inicial
7y ′ (t) + 5y(t) = 4 + e−3t + 2δ(t)
con y(0− ) = −1.
22. Obtenga la expresión del producto de convolución en cada uno de los siguientes casos:

(a) 1 ∗ t (c) f (t)∗f (t) donde f (t) = H(t)−H(t−1)

(b) t ∗ sen t (d) e−t ∗ sen t
23. Utilice el teorema de convolución para obtener las transformadas inversas de Laplace de
las funciones siguientes:
1 s
(a) F (s) = (b) F (s) = 2
s(s2 + 1) (s + 1)2
24. Halle la solución del problema de valor inicial

Z t
′
y +5 cos 2(t − u)y(u) du = 10, y(0) = 2.
0
25. Respuesta de un sistema a una entrada arbitraria

La respuesta al impulso de un sistema lineal invariante en el tiempo es particularmente
últil en la práctica ya que nos permite obtener la respuesta del sistema a una entrada
arbitraria usando la integral de convolución. Esto provee a los ingenieros un método útil
de análisis de sistemas dinámicos.
Consideremos un sistema lineal caracterizado por su respuesta al impulso h(t). Se puede
demostrar (Matemáticas Avanzadas para Ingenierı́a 2◦ edición de Glyn James, Pearson
Educación, México, 2002) que la respuesta x(t) del sistema a una entrada arbitraria u(t),
estando ésta inicialmente en un estado de reposo, está dada por:
Z +∞ Z t
x(t) = u(τ )h(t − τ ) dτ = u(τ )h(t − τ ) dτ
0 0
pues h(t) es una función causal. Esto es,
x(t) = u(t) ∗ h(t).
Como la convolución es conmutativa, también podemos escribir:
Z t
x(t) = h(t) ∗ u(t) = h(τ )t(t − τ ) dτ.
0
(a) La respuesta θ0 (t) de un sistema a una fuerza de transmisión θi (t) está dada por la
ecuación diferencial lineal:
d2 θ0 dθ0
2
+2 + 5θ0 = θi .
dt dt
i. Determine la respuesta al impulso del sistema.
ii. Use la integral de convolución para hallar la respuesta del sistema a una entrada
escalón unitario en el tiempo t = 0, suponiendo que está inicialmente en estado
de reposo.
iii. Confirme el resultado obtenido en (ii) por cálculo directo.
(b) Halle la respuesta del sistema a la entrada de pulso u(t) = A [H(t) − H(t − T )],
suponiendo que está inicialmente en reposo, caracterizado por la ecuación diferencial:
x′′ (t) + 7x′ (t) + 12x(t) = u(t).

Tabla de transformadas de Laplace

Z +∞ ω
• L {f (t)} = F (s) = e−st f (t) dt • L {sen (ωt)} =
s2 + ω2
0
c s
• L {c} = • L {cos (ωt)} =
s s2 + ω2
n! e−as
• L {tn } = • L {H(t − a)} = , a≥0
sn+1 s
1
• L ekt = • L {δ(t − a)} = e−as , a ≥ 0
s−k
Algunos resultados importantes
• Derivada de la transformada:
dn
L {tn f (t)} = (−1)n (L {f (t)}) = (−1)n F (n) (s)
dsn
• Primer teorema de traslación:

L eat f (t) = L {f (t)}|s−a = F (s − a)
• Invserión usando el primer teorema de traslación:

L−1 {F (s − a)} = eat L−1 {F (s)} = eat f (t)
• Transformada de una función periódica f de perı́odo T :

Z T
1
L {f (t)} = e−st f (t) dt
1 − e−sT 0
• Segundo teorema de traslación:
L {f (t − a)H(t − a)} = e−as L {f (t)} = e−as F (s)
• Inversión usando el segundo teorema de traslación:

L−1 e−as F (s) = L−1 {F (s)}t−a H(t − a) = f (t − a)H(t − a)
• Transformada de derivadas:

L f (n) (t) = sn F (s) − sn−1 f (0) − sn−2 f ′ (0) − ... − f (n−1) (0)
• Transformada de integrales:
Z t
1 1
L f (x) dx = L {f (t)} = F (s)
0 s s
• Transformada de la convolución:
L {f (t) ∗ g(t)} = L {f (t)} L {g(t)} = F (s)G(s)

Evaluación de los Capı́tulos 4 y 5

Z +∞
x2 + 1 π
1. Pruebe que 4
dx = √ .
0 x +1 2
2. Sea la función definida por

1 − e2z
f (z) = ,
zp
donde p ∈ Z.
(a) Determine el valor de p de manera que f tenga un polo de orden 3 en z = 0.

Para el valor de p hallado en (a):
(b) Obtenga la representación en serie de Laurent de f en 0 < |z| < +∞.
(c) Haciendo uso del teorema de los residuos, calcule
I
2zf (z) dz,
C
siendo C la curva de ecuación |z − i| = 2 recorrida en sentido positivo.
z+i
3. Dada la función definida por f (z) = .
z2 + 1
(a) Halle y clasifique las singularidades aisladas de f en el plano complejo extendido.
(b) Determine el cı́rculo de convergencia de la serie de Taylor de f centrada en 1 + i.
4. Calcule la transformada de Laplace de la función periódica f cuya gráfica es la siguiente:
5. La respuesta θ0 (t) de un sistema para una función de fuerza

3 si 0 ≤ t < 1
θi (t) =
0 si t≥1

está dada por la ecuación diferencial de segundo orden θ0′′ (t) + 6θ0′ (t) + 10θ0 = θi (t), donde
t ≥ 0. Determine la respuesta del sistema en el tiempo t suponiendo que el sistema está
inicialmente en estado de reposo.
Z t
6. Halle la función y = y(t) sabiendo que y(t) = δ (t − 1) + 2 y (τ ) cos (t − τ ) dτ.
0
7. Obtenga:
n R √ o
t
(a) L e−t 0 τ sen 3τ dτ −1 e−3s
(b) L
s(s2 + 1)
8. Halle x(t) del problema de valor inicial

 ′
 x (t) + x(t) + 4y ′ (t) − 2y(t) = δ(t)
x′ (t) + 5y ′ (t) + 2x(t) − 2y(t) = e−t

x(0) = 1, y(0) = 0


Capı́tulo 6
Métodos numéricos
6.1 Introducción a los Métodos Numéricos

6.1.1 Introducción
Los modelos matemáticos son representaciones de fenómenos, sistemas o procesos que aparecen
en las distintas ciencias naturales y sociales, la industria, la gestión, entre otros. Estos modelos
sirven como herramienta para resolver problemas cientı́ficos cuyo objetivo es analizar, describir,
explicar, simular, explorar, controlar y predecir esos fenómenos o procesos.
Usando las leyes generales de la Fı́sica, la Quı́mica, la Economı́a, etc., se obtienen deter-
minadas ecuaciones (algebraicas, diferenciales, integrales, etc) que modelan el problema en
estudio. Tomando la matemática como herramienta, es posible encontrar respuestas a estos
problemas planteados.
El siguiente esquema representa el rol de la matemática y su relación con las aplicaciones.
Figura 6.1: Representación esquemática en la resolución de problemas
En la modelación y resolución de un problema formulado matemáticamente contribuyen

muchos especialistas a lo largo de años de trabajo, investigación y experimentación. Para
modelar se hacen simplificaciones de modo que podamos resolver el problema en cuestión, por
lo que el modelo matemático no puede describir exactamente la realidad que se observa. Por

CAPÍTULO 6. MÉTODOS NUMÉRICOS
eso, muchas veces las respuestas a los modelos deben validarse con resultados experimentales y
observables en los mismos fenómenos.
Muchas veces sucede que no podemos hallar analı́ticamente las soluciones exactas a nuestros
problemas matemáticos, por ende tenemos que recurrir a una solución aproximada del problema.
Las aproximaciones numéricas introducidas al modelo matemático ahora reemplazarán el
problema matemático por un problema numérico.
Definición (Problema numérico). Un problema numérico es una descripción clara

y sin ambigüedades que relaciona datos de entrada (data) con datos de salida (solucio-
nes). Estos datos consisten en un número finito de cantidades reales.
Entonces, al tener que reemplazar nuestro problema matemático por un problema numérico,
una representación alternativa al esquema original de la Fig.6.1 es la siguiente:
Figura 6.2: Representación alternativa
En la Fig.6.2 observamos que a partir de cuestionar los problemas cientı́ficos, complejizamos

los modelos matemáticos, de esta manera obtenemos aproximaciones numéricas como respuestas
a los problemas del mundo real.
Ahora bien, para construir estas soluciones aproximadas necesitamos desarrollar, implemen-
tar y validar los métodos numéricos que usaremos. Es decir, un problema numérico determinado
necesita ser resuelto por un algoritmo o método numérico apropiado.
Definición (Algoritmo o método numérico). Un algoritmo es una descripción

completa de un número finito de operaciones bien definidas para un problema numérico
dado, a través de las cuales cada vector de datos de entrada es transformado en un
vector de datos de salida.
Estos algoritmos son desarrollados teóricamente, implementados computacionalmente en
algún lenguaje o código de programación (Matlab, Octave, SciLab, Fortran, C, C++, Phy-
ton, etc) y testeados numéricamente. Los mismos nos permitirán simplificar procedimientos y
cálculos matemáticos en la computadora.
Dado que la computadora está compuesta por dispositivos que realizan operaciones lógicas
y aritméticas, los procedimientos matemáticos deben simplificarse de tal manera que sean

accesibles para ser procesados por una computadora. Éste es uno de los objetivos principales
del area de estudio de los Métodos Numéricos.
Históricamente el descubrimiento y desarrollo de muchos métodos numéricos ha sido de
carácter empı́rico. Su estudio se ha consolidado como ciencia especı́fica a partir del desarrollo
de las computadoras y la tecnologı́a. El area de la Matemática que se encarga de estudiar los
fundamentos de los métodos numéricos y analizar sus errores se conoce como Análisis Numérico.
Esta area de la matemática moderna comprende a la vez de muchas sub-areas y se encuentra
en pleno desarrollo dado que existen problemas cientı́ficos que aún no se ha encontrado un
algoritmo satisfactorio.
Entre las distintas areas de las matemática, los métodos numéricos se aplican en:
• Resolución de Sistemas de Ecuaciones Lineales (SEL)
• Raı́ces de ecuaciones y de sistemas de ecuaciones no lineales
• Aproximación de funciones (interpolación, ajuste de curvas, etc.)
• Derivación e integración numérica
• Aproximación de autovalores y autovectores
• Resolución de Ecuaciones Diferenciales Ordinarias (EDO)
• Resolución de Ecuaciones Diferenciales Parciales (EDP)
Los métodos numéricos que desarrollaremos en este capı́tulo permitirán simplificar procedi-
mientos matemáticos de manera que podamos auxiliarnos con una computadora en problemas
como: resolver sistemas de ecuaciones lineales, hallar raı́ces de ecuaciones no lineales y de siste-
mas no lineales, calcular derivadas numéricamente, operar con matrices y aproximar soluciones
de ecuaciones diferenciales ordinarias. Ese será nuestro objetivo.
Las principales caracterı́sticas que tiene que tener un algoritmo son la eficiencia (rapidez
de cómputos) y la precisión (exactitud de los resultados). Sin embargo, hay más caracterı́sticas
deseables en un algoritmo numérico:
• Finito: Debe terminar en un número finito de pasos.
• Definido: Las accciones deben definirse sin ambigüedad.
• Entrada (input): Puede tener una o varias entradas bien definidas.
• Salida (output): Debe tener una o varias salidas bien definidas.
• Eficiente: Las operaciones deben hacerse en un determinado lapso de tiempo “tolerable”.
• Preciso y exacto: Las salidas del algoritmo deben aproximarse tanto a la solución del
problema como aproximarse entre sı́.
• Estable: Pequeños cambios en los datos de entrada (input) deben generar pequeños
cambios en los resultados de salida (output).

6.1.2 Ejemplo de un problema y un método numérico

√
Problema numérico: Calcular 2 con determinada tolerancia.
Para resolver este problema numérico, usaremos el siguente algoritmo:
ENTRADA: x0 (aproximación
inicial), tol (tolerancia)
PASO 1: x1 ←− 21 x0 + x20
PASO 2: Si |x1 − x0 | ≤ tol, entonces TERMINAR.
En caso contrario, actualizar x0 ←− x1 y volver al PASO 1
PASO 3: Asignar la salida a x1
PASO 4: TERMINAR √
SALIDA: x1 aproximación de 2
Entonces, si tomamos inicialmente x0 = 1 y tol = 1 × 10−5 resulta:

1 2
x1 = x0 + = 1.5 (1 dı́gito exacto)
2 x0
Como |x1 − x0 | = 0.5 > tol, volvemos a calcular:

1 2
x2 = x1 + = 1.416666666666667 (3 dı́gitos exactos)
2 x1

1 2
2 x2

1 2
2 x3
Como |x1 − x0 | = 0.000002123899820 < tol, el algoritmo termina y resulta entonces:
x4 = 1.414213562374690
√
la aproximación de 2 = 1.414213562373095... con 12 dı́gitos exactos.
Es necesario aclarar que nuestro problema numérico en este caso consiste en calcular la raı́z
aproximada de dos con cierta tolerancia fijada de antemano mediante un esquema iterativo.
Este tolerancia se fija como un valor que acotación entre la distancia entre aproximaciones
sucesivas construidas por el esquema, esto es,
d(xk+1 , xk ) = |xk+1 − xk |.
Ahora bien, necesitamos poder implementar este como otros algoritmos en una computado-
ra. Para ello, introduciremos brevemente los programas (software) que más se usan para realizar
cálculos numéricos actualmente. En la Bibliografı́a o en los Links de interés puede encontrarse
más información sobre estos programas.

6.1.3 Software para programación de métodos numéricos

• MATLAB (MATrix LABoratory) Es un software privado de MathWorks creado por el ma-
temático y programador C. Moler en 1984. Funciona como un intérprete permitiendo ejecutar
órdenes en modo interactivo. Tiene un lenguaje propio de programación.
www.mathworks.com/products/matlab/
• OCTAVE (GNU Octave): Software libre para realizar cálculos numéricos considerado el equiva-
lente libre de MATLAB. Es parte del proyecto GNU. No es un sistema de álgebra computacional
como Mathematica o Maple, está orientado al análisis y cálculo numérico. Creado en 1988 para
la ingenierı́a quı́mica y desde 1992 J.W. Eaton sigue su desarrollo.
www.gnu.org/software/octave/
• Scilab: Software para análisis numérico con lenguaje de programación de alto nivel para cálculo
cientı́fico. Compatible con licencia GNU. Desarrollado inicialmente en el INRIA (Francia) en los
80’s por los programadores F. Delebecque y S. Steer. Desde julio de 2012, lo desarrolla Scilab
Enterprises.
www.scilab.org/
• Fortran (Formula Translating System): Lenguaje de programación de alto nivel especialmente
adaptado al cálculo numérico y la computación cientı́fica. Necesita un compilador para traducir
al código máquina. Desarrollado en IBM en 1957 por el matemático J. Backus. Todavı́a vigente
y en desarrollo (FORTRAN 66/77, Fortran 90/95/2003/2008).
www.fortran.com/
Para nuestro ejemplo anterior, tenemos la implementación del algoritmo usando MATLAB:
Código en MATLAB: rcuad.m
function x1 = rcuad2(x0,tol)
% rcuad.m aproxima la raiz cuadrada de 2.
% INPUT: x0: aproximacion inicial de la raiz de 2.
% tol : (opcional) tolerancia admitida (valor por defecto: 5e-12).
% OUTPUT: x1 : valor aproximado con dicha tolerancia.
clc % limpio salida MATLAB
if nargin < 2, tol = 5e-12; % tolerancia por defecto
end
fprintf(’Valor inicial aproximado: %g \ n \ n n raiz error n’,x0)
x1 = .5*(x0+2/x0); % inicio aproximacion
err = abs(x1-x0); % calculo error entre aproximaciones
k=1; % contador
fprintf(’%3d %12.15f %12.15f n’,k,x1,err) % imprimo valor inicial
while err>tol % verifico convergencia
x0 = x1;
x1 = .5*(x0+2/x0); % actualizo termino aproximado
err = abs(x1-x0);
k = k +1;
fprintf(’%3d %12.15f %12.15f n’,k,x1,err) % imprimo valores aproximados
end
fprintf(’ n Valor final aproximado: %12.15f n’,x1) % output
fprintf(’Valor exacto MATLAB : %12.15f n’,sqrt(2)) % exacto
fprintf(’Error absoluto : %12.15f n’,abs(x1-sqrt(2))) % error final
end

Ventana de Comandos en MATLAB:

>> format long
>> x0 = 1.0;
>> tol = 1e-5;
>> r = rcuad2(x0,to)
Valor inicial aproximado: 1
n raiz error
1 1.500000000000000 0.500000000000000
2 1.416666666666667 0.083333333333333
3 1.414215686274510 0.002450980392157
4 1.414213562374690 0.000002123899820
Valor final aproximado: 1.414213562374690
Valor exacto MATLAB : 1.414213562373095
Error absoluto : 0.000000000001595
r = 1.414213562374690
Observación: También podemos correrlo de la siguiente manera:
>> r = rcuad2(1,1e-15)
Otra manera es armar un script de nombre test rcuad2.m como un archivo aparte en el mismo
directivo que ejecute secuencialmente los comandos dados en la Ventana de Comandos.
6.1.4 Aplicaciones en la Ingenierı́a

Actualmente existen muchas revistas cientı́ficas, congresos y asociaciones donde ingenieros y
cientı́ficos de distintas disciplinas se encuentran para compartir y mostrar avances en las aplica-
ciones de métodos numéricos aplicados en la Ingenierı́a, ası́ también como su desarrollo teórico
y experimental. Algunos de estos eventos y revistas se citan a continuación (¡hay muchos más!).
Congresos:
• VI Congreso de Mátemática Aplicada, Computacional e Industrial (MACI 2017)

• XXIII Congreso sobre Métodos Numéricos y sus aplicaciones (ENIEF 2017)
Asociaciones:
• Asociación Argentina de Matemática Aplicada, Computacional e Industrial (ASAMACI)
• Asociación Argentina de Mecánica Computacional (MECOM)
Revistas internacionales:
• Journal of Computational and Applied Mathematics

• International Journal of Numerical Methods and Applications
• International Journal for Numerical Methods in Engineering
• International Journal of Applied and Computational Mathematics
• Computers and Mathematics with Applications

6.2 Introducción a MATLAB

6.2.1 Caracterı́sticas
MATLAB (abreviatura de MATrix LABoratory o “laboratorio de matrices”) es una herramien-
ta de software matemático que ofrece un entorno de desarrollo integrado con un lenguaje de
programación propio. El mismo está disponible para las plataformas de sistemas operativos
de Unix, Windows, Mac OS X y GNU/Linux. MATLAB puede pensarse como una “gran
calculadora” adecuada para realizar cálculos con vectores y matrices fundamentalmente, aun-
que también permite la manipulación de otros tipos de datos. Si bien su uso principal fue
originalmente pensado para el “cálculo numérico”, también puede realizar “cálculo simbólico”.
Esta herramienta es ideal para la comunidad cientı́fica que trabaja en Ingenierı́as y Ma-
temática Aplicada. Es un software muy usado en universidades, centros de investigación e in-
dustrias y de constante desarrollo en todo el mundo. Sus usuarios son principalmente cientı́ficos,
ingenieros, matemáticos, fı́sicos, quı́micos y economistas, entre otros profesionales. Actualmente
están disponibles sus versiones más recientes, R2019a y R2019b, publicadas marzo y septimebre
de 2019 respectivamente por MathWorks. Existen versiones de prueba gratuitas y versiones pa-
ra estudiantes. Mayores detalles pueden consultarse en: MATLAB en Wikipedia (Castellano)
o en MATLAB en Wikipedia (English) .
Entre sus principales caracterı́sticas pueden enumerarse:
• Manipulación algebraica de matrices y vectores.
• Representación de datos y funciones tanto en R como en C.
• Soporte de estructuras de distintos tipos de datos.
• Entorno de desarrollo integrado (IDE) para facilitar el manejo del software.
• Lenguaje de programación propio para implementar algoritmos.
• Realización de gran variedad de gráficos 2D y 3D para representar funciones.
• Creación de interfaces de usuario (GUI), paralelización de cálculos, comunicación con

programas en otros lenguajes (como C, C++, Java, Fortran y Python), ası́ como tambiénn
con otros dispositivos del hardware.
• Herramientas adicionales que expanden sus caracterı́sticas principales: Simulink (plata-

forma de simulación multidominio) y GUIDE (editor de interfaces de usuario - GUI).
MATLAB es muy usado en Computación Paralela, Matemática, Estadı́stica, Optimización,

Control de Sistemas, Procesamiento de Imágenes y Comunicaciones, Procesos de Imágenes y
Visión Computacional, Finanza Computacional, Biologı́a Computacional, entre otros.
A su vez, Simulink se utiliza mucho en Modelado de evantos, Modelos Fı́sicos, Control de
Sistemas, Procesamiento de Señales y Comunicaciones, Generación de Códigos, Simulaciones
en Tiempo Real, Verificación, Validación y Prueba, Simulación Gráfica, entre otros.

6.2.2 Entorno de MATLAB

Iniciamos el entorno de MATLAB haciendo doble clic en el acceso directo de nuestro Escritorio
o por medio del menú Inicio → Programas → MATLAB:
• Al iniciar aparece la Ventana de Comandos (Command Window) aparecerá el

prompt (>>) , esto quiere decir que el programa está preparado para recibir instrucciones.
En dicha Ventana ejecutaremos nuestros comandos como se muestra la parte central de
la Figura 6.3.
• Disponemos un Editor de textos (Editor) propio para desarrollar programas. Ver

parte derecha de la Figura 6.3.
• En la ventana Area de Trabajo (Workspace) visualizaremos las variables utilizadas

desde nuestra Ventana de Comandos o bien desde algún script (veremos más adelante).
Ver parte superior de la izquierda de la Figura 6.3.
• La ventana Centro de Ayudas (Help) podemos visualizarla opcionalmente o bien

acceder desde la Ventana de Comandos con el comando help.
• La ventana Historial de Comandos (Command History) nos permitirá seguir nues-

tro historial de comandos. Ver parte media a la izquierda de la Figura 6.3.
• El Perfilador (Profiler) permite optimizar y depurar la performance de un archivo de

MATLAB (m-file). Dispondremos también de un Depurador (Debugger).
Figura 6.3: Entorno de MATLAB
6.2.3 Expresiones
Para trabajar las expresiones tenemos varias formas:
FORMA 1: Con el operador asignación (=) asignamos valor(es) a variable(s)
variable = expresión
>> phi = (1+sqrt(5))/2;

El punto y coma (;) evita que el resultado se imprima por pantalla.
FORMA 2: Directamente tecleamos una expresión. En este caso, almacenamos el resultado

a una variable interna llamada ans (answer) hasta que dicha variable se actualice.
expresión

>> (1+sqrt(5))/2;
Una expresión termina con el Enter, y si deseamos continuar escribiendo en la próxima

lı́nea, introducimos los tres puntos (...). El punto y coma (;) lo utilizamos para evitar
imprimir por pantalla resultados. También podemos incluir varias expresiones en la misma
lı́nea separando por coma (,) o punto y coma (;).
Para limpiar la Ventana de Comandos uso el comando clc:

>> clc
Eliminamos todas las variables de la memoria usando clear:

>> clear
Si solo quiero borrar alguna variable determinada, hacemos:

>> clear nom var
6.2.4 Formatos numéricos

Los números reales se calculan en doble precisión almacenados en 8 bytes (64 bits): 53 bits
para la mantisa, 11 para el exponente en base 2 y uno para el signo. Esto es, 16 cifras de las
cuales hay entre 14 y 15 cifras decimales exactas de precisión. Es importante remarcar que
MATLAB siempre calcula internamente con máxima precisión pero se pueden modificar los
formatos numéricos mostrados en la salida por la pantalla:
• Coma fija escalada con 4 cifras decimales (por defecto): format short
>> pi
ans = 3.1416 (3 cifras decimales exactas)
• Coma fija escalada con 15 cifras decimales: format long

>> format long, pi
ans = 3.141592653589793 (15 cifras decimales exactas)
• Notación cientı́fica de punto flotante con cifras 4 decimales: format short e

>> format short e, pi
ans = 3.1416e+00 (3 cifras decimales exactas)
• Idem con 15 cifras decimales: format long e

>> format long e, pi
ans = 3.141592653589793e+00 (15 cifras decimales exactas)
• Formato ingenieril de 4 cifras decimales y exponente múltiplo de 3: format short eng

>> format short eng, 100*pi
ans = 314.1593e+000
>> 1000*pi
ans = 3.1416e+003

• Formato ingenieril de 15 cifras decimales y exponente múlitplo de 3: format long eng

>> format long eng, 1000
ans = 1.00000000000000e+003
• Con el formato format short g, MATLAB elige la mejor notación entre coma fija y
punto flotante con 4 decimales, y con format long g realiza lo mismo con 15 decimales.
MATLAB dispone tres comandos útiles relacionados con la representación de números de

punto flotante que utiliza la computadora para represantar internamente los números. Volve-
remos sobre este punto más adelante:
• eps: devuelve la diferencia entre 1 y el número inmediato superior

>> eps
ans = 2.2204e-016
• realmin: devuelve el número más chico con que se puede trabajar

>> realmin
ans = 2.2251e-308
• realmax: devuelve el número más grande con que se puede trabajar

>> realmax
ans = 1.7977e+308
−1 0 1 1 + eps
-realmax -realmin realmin realmax

Figura 6.4: Representación esquemática de eps, realmin y realmax.
A la vez, MATLAB tiene un formato especial para números muy grandes (que no puede
representar) considerados infinito:
>> 1.0/0.0
Warning: Divide by zero
ans = Inf
También tiene una representación especial para resultados que no están definidos como
números reales como N aN (Not a Number) o bien Inf (Infinity):
>> 0/0
Warning: Divide by zero
ans = NaN
>> Inf/Inf
ans = NaN

MATLAB trabaja sin ninguna dificultad en el campo de los números complejos C:

>> sqrt(-1)
ans = 0 + 1.0000i (¿y la otra raı́z?)
>> 2-3i
ans = 2.0000 - 3.0000i
>> 1+2*j (j no debe ser una variable con un valor determinado)
ans = 1.0000 + 2.0000i
Con el comando complex creamos un número del campo complejo a partir de dos argu-
mentos, su parte real y su parte imaginaria:
>> z = complex(3,2)
z = 3.0000 + 2.0000i
6.2.5 Entrada y salida por Ventana de Comandos

Podemos escribir mensajes por la Ventana de Comandos de MATLAB, ası́ como también leer
variables. La función input imprime un mensaje en la lı́nea de comandos y recupera como
valor de retorno un valor numérico (escalar, vector, matriz), string (cadena de caracteres) o
algún otro tipo. Después de imprimir el mensaje, el programa espera que el usuario ingrese un
valor numérico o string para luego continuar ejecutándose:
>> n = input(’Cantidad de ecuaciones del sistema’) (n númerico)
>> s = input(’Ingrese su nombre (entre apóstrofos)’) (s string)
La función disp imprime en pantalla un mensaje de texto o el valor de una variable pero
sin imprimir su nombre:
>> disp(’Fin del programa’)
Fin del programa
>> A=rand(2,5); (defino una matriz random 2×5)
>> disp(A)
0.9340 0.7577 0.3922 0.8235 0.3171
0.6787 0.7431 0.6555 0.6948 0.9502
La función fprintf imprime en pantalla mensajes permitiendo controlar los distintos valores
de formatos de salida. Su estructura es:
fprintf(’texto’)
fprintf(’cadena de control’, var1, var2,...)
Debemos tener cuidado dónde queda el prompt:

>> s = ’Matemática Aplicada’, fprintf(s)

Matemática Aplicada>> (el prompt queda pegado)
>> fprintf(’Matemática Aplicada’)

Matemática Aplicada>>
>> fprintf(’Matemática Aplicada’ \n)

Matemática Aplicada (el \n baja el prompt)
>>
La ’cadena de control’ de fprintf contiene los distintos formatos de escritura. Por ejemplo:
• %c, %d, %e, %E, %f, %g, %G para variables numéricas
• %s para cadenas de caracteres
Se puede controlar la salida numérica con estas opciones:
• %12f 7−→ 12 dı́gitos mı́nimos a imprimir por pantalla
• %12.5f 7−→ 12 dı́gitos mı́nimos y 5 dı́gitos después de la coma
Para imprimir números con decimales como salida, se puede hacer de la siguiente manera:
>> raiz = 1.414213562374690;
>> fprintf(’Valor final aproximado: %12.5f \n’, raiz)
Valor final aproximado: 1.41421
>> fprintf(’Valor final aproximado: %12.5e \n’, raiz)

Valor final aproximado: 1.41421e+00
Para imprimir un entero empleando el mismo formato se debe poner un cero después del
punto decimal:
>> iter = 9;
>> fprintf(’Cantidad de iteraciones: %9.0f \n’, iter)
Cantidad de iteraciones: 9
El comando fprintf se utiliza mucho también para escribir datos sobre un archivo de texto.
6.2.6 Operaciones
MATLAB puede operar distintas variables por medio de operadores. Los operadores aritméticos
son los siguientes:
+adición o suma
- sustracción o resta
* multiplicación

división
/
^ potenciación
\ división inversa
>> s= 2^.5
c = 1.4142 (raı́z cuadrada de 2)
>> c= 3 \ 1
c = 0.3333 (divide de derecha a izquierda)
MATLAB también dispone de los siguientes operadores relacionales:
< menor que

> mayor que
<= menor o igual que
>= mayor o igual que
== igual que
∼= distinto que
>> 1==1
ans = 1 (verdadero)
>> 3.1415926==pi
ans = 0 (falso)
>> 3.1415926∼=pi
ans = 1
A la vez, MATLAB dispone de los siguientes operadores lógicos:
& y (AND)
| o no excluyente (OR)
&& y (AND con “cortocircuito”)
|| o no excluyente (OR con “cortocircuito”)
xor o excluyente
∼ negación lógica (not)
>> 1&1
ans = 1
>> 1&0
ans = 0
>> 1|0
ans = 1
>> xor(1,1)
ans = 0

6.2.7 Operaciones con vectores y matrices

Nos preguntamos ahora, ¿cómo trabajar con vectores y matrices en MATLAB?
 
  a11 a12 . . . a1n
y1  
 ..   a21 a22 . . . a2n 
x = [x1 , . . . , xn ] y= .  A= .. .. .. .. 
 . . . . 
ym
am1 am2 . . . amn
Las matrices y vectores se definen como variables con nombres distinguiendo masyúsculas
de minúsculas. A diferencia de otros lenguajes de programación, en MATLAB no hace falta
preestablecer su dimensión dado que según el número de elementos definidos determina su
dimensión. Incluso su dimensión se puede modificar posteriormente.
Podemos definir un vector fila x separando sus componentes por espacios en blancos o
bien por comas (,):
>> x = [1 2 4] (o bien x = [1, 2, 4])
x = 1 2 4 (vector fila)
Si los números están separados por punto y coma (;) obtenemos el vector columna y:
>> y = [1; 3; 9]
y =
1
3
9 (vector columna)
Definimos las matrices por filas separando los elementos de una misma fila por espacios
en blancos o comas (,) y separando las filas por punto y coma (;):
>> A=[8 1 6; 3 5 7; 4 9 2]
A =
8 1 6
3 5 7
4 9 2
Internamente las matrices se almacenan por columnas y en una columna (aunque se in-
troduzcan por filas). Existen una gran variedad de funciones predefinidas en MATLAB que
generan de matrices predefinidas (zeros, ones, eye, rand, magic, ...). Usaremos luego.
>> Z=zeros(3,4)
Z =
0 0 0 0
0 0 0 0
0 0 0 0
>> U=ones(1,10)
Z =
1 1 1 1 1 1 1 1 1 1

También se puede crear una nueva matriz o vector a partir de otras matrices o vectores
definidos previamente. Sin embargo, debemos tener cuidado en que las dimensiones de conca-
tenación tiene que ser compatibles. En caso de no ser compatibles las dimensiones, MATLAB
dará un error advirtiendo esto. Veamos los siguientes ejemplos:
>> z = [x 8 16 32]
z = 1 2 4 8 16 32
>> B = [A; x]
B =
8 1 6
3 5 7
4 9 2
1 2 4
>> C = [B; z]
??? Error using ==> vertcat
CAT arguments dimensions are not consistent.
Accedemos a los elementos de un vector con el ı́ndice entre paréntesis, siempre y cuando el
mismo esté definido:
>> z(5)
ans = 16
>> z(7)
??? Attempted to access z(7); index out of bounds because numel(z)=6.
Accedemos a los elementos de una matriz con los ı́ndices entre paréntesis separados por una
coma:
>> B(2,3)
ans = 7
También puede accederse con un sólo subı́ndice (debido a su almacenamientotipo columna):

>> B(6)
ans = 5
También podemos crear vectores o matrices muy rápidamente dando valores de algún/os
de sus elementos. Automáticamente se asignará cero a todos los demás elementos del vector o
matriz:
>> u(3) = .1, u(10) = .5
u = 0 0 .1 0 0 0 0 0 0 .5
>> C(3,5) = 1
C =
0 0 0 0 0
0 0 0 0 0
0 0 0 0 1

Podemos redefinir el elemento c23 de la matriz C = (cij ) haciendo:

>> C(2,3) = 1
C =
0 0 0 0 0
0 0 1 0 0
0 0 0 0 1
El operador apóstrofo (’) es la trasposición matricial conocida

>> B’
ans =
8 3 4 1
1 5 9 2
6 7 2 4
Es importante recordar que MATLAB diferencia entre vectores filas y vectores columnas.
Si x es el vector fila e y es el vector columna definidos anteriormente, entonces resultará un
error si queremos sumarlos (o restarlos):
>> x+y
??? Error using ==> +
Matrix dimensions must agree.
Lo correcto en dicho caso serı́a trasponer uno de los vectores dependiendo si queremos como
solución un vector fila o columna:
>> x+y’ (vector fila)
>> x’+y (vector columna)
Recordemos del Algebra Lineal que podemos definir el producto escalar interno entre
vectores del mismo espacio vectorial:
X
n
< x, y >= x.yT = xi yi
i=1
siendo x = (x1 , . . . , xn ) y y = (y1 , . . . , yn ) vectores del espacio vectorial Rn .
En MATLAB, podemos calcular producto interno hacerlo usando el operador producto

adecuadamente como se muestra a continuación:
>> x*y
ans = 43
>> x*y’
??? Error using ==> mtimes
Inner matrix dimensions must agree.
>> x’*y

En cambio, si trasponemos los vectores x e y respectivamente, obtendremos:

>> xt=x’; (x pasa a vector columna)
>> yt=y’; (y pasa a vector fila)
>> xt*yt (se denomina producto escalar externo dado que genera una matriz)
ans =
1 3 9
2 6 18
4 12 36
También podemos combinar operadores:

>> x*2
ans = 2 4 8 (multiplico por 2 cada componente)
>> x-1
ans = 0 1 3 (resto 1 a cada componente)
Para multiplicar o dividir vectores o matrices componente a componente, utilizaremos el

operador punto (.*) y (./):
>> x.*x
ans = 1 4 16
>> c=[1 0 1]
c = 1 0 1
>> x./c
ans = 1 Inf 4
Análogamente para la potencia (.ˆ ):

>> x.^ 3
ans = 1 8 64
Análogamente, consideremos las matrices:

>> M = [1 2 3; 4 5 6]
M =
1 2 3
4 5 6
>> N = [1 2; 3 4; 5 6]
N =
1 2
3 4
5 6
Recordemos también del Algebra Lineal que el producto matricial entre las matrices
M = (mij ) de dimensión r × s y la matriz N = (nij ) de dimensión s × t, está definido como:
X
s
pij = mik nkj i = 1, ..., r, j = 1, ..., t
k=1
siendo P = M.N la matriz producto P = (pij ) de dimensión r × t.

Para obtener el producto matricial M.N en MATLAB haremos:

>> M*N
ans =
22 28
49 64
En cambio, si hacemos:
>> M*N’
Con el operador (.) obtenemos el producto por componentes:

>> M.*N’
ans =
1 6 15
8 20 36
Análogamente para calcular la potencia (.ˆ ) de las componentes. En el siguiente ejemplo

calculamos la raı́z cuadrada de cada componente de la matriz M:
>> M.^ .5
1.0000 1.4142 1.7321
2.0000 2.2361 2.4495
Utilizamos el operador dos puntos (:) para construir vectores como rangos de la forma:
[inicio : paso : f in]
Este operador resultará muy útil para definir discretizaciones (veremos).

>> i = 1:10
i = 1 2 3 4 5 6 7 8 9 10
>> j = 1:2:10
j = 1 3 5 7 9
>> k = 1:1.5:10
k = 1.0000 2.5000 4.0000 5.5000 7.0000 8.5000 10.0000
>> h = 10:-1:1
h = 10 9 8 7 6 5 4 3 2 1
Este operador también es muy potente en el uso de los ı́ndices de matrices. Por ejemplo:
>> A
A =
8 1 6
3 5 7
4 9 2
>> A(3, :)
ans = 4 9 2 (devuelve la 3er. fila de A)

>> A(:,2)
ans =
1
5
9 (devuelve la 2da. columna de A)
>> A(2:3, 2:3)
5 7
9 2 (devuelve una submatriz 2x2 de A desde (2,2) a (3,3))
Podemos usar este operador (:) para invertir el orden de elementos de un vector o permutar
filas/columnas de una matriz:
>> x = x(3:-1:1)
x = 4 2 1
>> D = A(:,3:-1:1)
D =
6 1 8
7 5 3
2 9 4 (permutamos las columnas de A)
Si en cambio usamos corchetes [ ] dentro del paréntesis, hacemos referencia a los ı́ndices
del vector o matriz:
>> A([1 3])
ans = 8 4
6.2.8 Funciones intrı́nsecas

MATLAB tiene un gran número de funciones incorporadas. Estas se conocen como funciones
intrı́nsecas o incorporadas dado que están incorporadas en el propio código ejecutable del
programa, por ende serán rápidas y eficientes. Su formato general es:
[valor/es de retorno] = nombre función(argumento/s)
Estas funciones se llaman utilizando su nombre en una expresión o como comando.

Existen además funciones definidas en ficheros *.m que vienen con el propio programa o
que han sido aportadas por usuarios en Matlab Central o bien circulan en la web.
Ejemplos de funciones intrı́nsecas de MATLAB:
>> max(y);
ans = 9 (máxima componente de y)
>> [ maxx, posmax ] = max(x)
maxx = 4 (máxima componente de x)
posmax = 1 (ı́ndice de la máxima componente de x)
>> a = cos(pi/2) - sin(pi/2)
a = -1.0000 (funciones trigonométricas)
>> v = [ 1 2 3], nv = sqrt(sum(v.^2))
v = [ 1 2 3 ]
nv = 5 (norma euclı́dea del vector v)

Tabla 6.1: Algunas funciones intrı́nsecas de MATLAB

Comando Función
[xm,im]=max(x) Componente máxima xm de un vector e ı́ndice que ocupa im
[xn,in]=min(x) Componente mı́nima xn de un vector e ı́nidice que ocupa in
n=length(x) Si x vector, devuelve la cantidad de elementos
sum(x) Suma los elementos de un vector
cumsum(x) Vector suma acumulada de elementos de un vector
mean(x) Valor medio de los elementos de un vector
prod(x) Producto de los elementos de un vector
cumprod(x) Vector producto acumulado de elementos de vector
[y,in]=sort(x) Ordenación creciente de elementos de un vector x. Devuelve el vector ordenado y
junto a un vector in con las posiciones iniciales en x de los elementos en el vector
ordenado y.
Tabla 6.2: Funciones de MATLAB: Análisis Matemático

Comando Función
sin(x) seno
cos(x) coseno
tan(x) tangente
asin(x) arco seno
acos(x) arco coseno
atan(x) arco tangente (devuelve un ángulo entre -pi/2 y pi/2)
sinh(x) seno hiperbólico
cosh(x) coseno hiperbólico
tanh(x) tangente hiperbólica
asinh(x) arco seno hiperbólico
acosh(x) arco coseno hiperbólico
atanh(x) arco tangente hiperbólica
log(x) logaritmo natural
log10(x) logaritmo decimal
exp(x) función exponencial
abs(x) valor absoluto
sqrt(x) raı́z cuadrada
sign(x) devuelve -1 si x < 0, 0 si x = 0 y 1 si x > 0
rem(x,y) resto de la división entre x e y
mod(x,y) similar a rem pero sirve para reales
round(x) redondeo hacia el entero más próximo
fix(x) redondea hacia el entero más próximo a 0
floor(x) valor entero más próximo hacia −∞
ceil(x) valor entero más próximo hacia +∞
real(x) parte real
imag(x) parte imaginaria

Tabla 6.3: Funciones de MATLAB: Algebra Lineal

Comando Función
[m,n] = size(A) número de filas m y columnas n de una matriz A
norm(x,1) norma 1 de un vector o matriz (veremos)
norm(x) norma 2 de un vector o matriz (veremos)
norm(x,inf) norma infinto de un vector o matriz (veremos)
A’ devuelve la matriz traspuesta de A (previamente definida)
norm(A,1) norma 1 de una matriz
norm(A) norma 2 de una matriz
norm(A,inf) norma infinto de una matriz
det(A) determinante de una matriz
inv(A) inversa de una matriz
eig(A) autovalores de una matriz
[V,D]=eig(A) autovectores y autovalores de una matriz
cond(A) número de condición de una matriz (veremos)
[L,U]=lu(A) factorizacion LU de una matriz (veremos)
zeros(m,n) forma matriz de ceros de tamaño m x n
ones(m,n) forma matriz de unos de tamaño m x n
diag(x) matriz diagonal con elementos diagonales del vector x
diag(A) forma vector con los elementos diagonales de la matriz A
rand(n) forma matriz de tamaño n x n y de números aleatorios entre 0 y 1
(con distribución uniforme)
rand(m,n) idem pero tamaño m x n
Las funciones intrı́nsecas anteriores de las Tabla 6.2 y Tabla 6.3 se aplican tanto a escalares,
vectores y matrices. Este acto de transformar un código desarrollado para una data de tipo
escalar y usarlo en una data de tipo no escalar, se llama vectorización.
Este proceso tiene la ventajas de impactar enormemente en la velocidad de cálculos (10 o
incluso 1000 veces más rápido), permite escribir en forma sintética y general códigos (funciones
y scripts .m). Además, MATLAB internamente tiene automatizado paralelizar operaciones
lógicas y aritméticas sobre datos, lo que se conoce como (paralelización automática implı́cita).
Las mayorı́a de las funciones intrı́nsecas están paralelizadas, por ende, son más rápidas y
eficientes. Si quisiéramos hacer esto en otros lenguajes habrı́a que programar estructuras de
bucles.
Ejemplos de vectorización: Operamos sobre los elementos de un vector o matriz usando
funciones intrı́nsecas de MATLAB:
>> sqrt([1,4; 9,16])
ans =
1 2
3 4 (raı́z cuadrada componente a componente)
>> abs([0,1,2,-5,-6,-7])
ans =
0 1 2 5 6 7 (valor absoluto componente a componente)

6.2.9 Otras funciones de MATLAB: polinomios

Un polinomio se puede definir por su vector de coeficientes. Por ejemplo:
>> pol = [1 0 -8 6 -10]
pol = 1 0 -8 6 -10 7−→ p(x) = x4 − 8x2 + 6x − 10
Para evaluarlo en un determinado valor de x usamos polyval:

>> polyval(pol,1)
ans = -11
Para calcular sus raı́ces usamos roots:

>> roots(pol)
ans =
-3.2800
2.6748
0.3026 + 1.0238i
0.3026 - 1.0238i
6.2.10 Programación
En MATLAB podemos programar y ejecutar nuestros programas muy fácilmente, sin embargo
como lenguaje de programación en sı́ mismo MATLAB no tiene tantas posibilidades como otros
lenguajes (Fortran, C++, etc).
Un programa se escribe en un archivo de texto *.m. Estos archivos se crean y modifican con
cualquier Editor de textos aunque es recomendable usar el editor propio Editor de MATLAB.
Existen dos grandes tipos de archivos *.m:
archivos de comandos (scripts)

funciones
Los scritps contienen un conjunto de comandos que se ejecutan secuencialmente cuando se

teclea el nombre del archivo en la Ventana de comandos.
Las funciones permiten definir funciones enteramente análogas a las intrı́nsecas, con su
nombre, argumentos de entrada y de salida. Los archivos *.m que definen funciones permiten
extender las posibilidades de MATLAB; de hecho existen bibliotecas de archivos *.m que se
venden (toolkits) o se distribuyen gratuitamente (a través de Internet).
Para que el programa encuentre una determinada función desarrollada por el usuario, es
importante que el archivo-m (m-file) se encuentre en el directorio actual de trabajo, o bien, se
indique el camino (path) de donde se encuentra el mismo
Cuando se programa, es importante ir comentando nuestro código. El carácter porcentual
(%) indica comienzo de un comentario. Cuando aparece en una lı́nea de comandos, todo lo
que va desde ese carácter hasta el fin de la lı́nea es comentario y no se ejecuta.
Los ciclos de repeticiones puede darse como bifurcaciones o bucles:
Bifurcaciones: estos realizan una o más operaciones o comandos según se cumpla o no deter-
minada condición (if, switch). En su forma más simple, la bifurcación if es:

if [condición]
sentencias
end
Ejemplos de bifurcaciones tipo if:
if p=inf
disp(’norma infinito’)
end
Existe también la bifurcación múltiple:

if [condición 1]
bloque 1
elseif [condicion 2]
bloque 2
else
bloque 3
end
Ejemplos de bifurcaciones múltiples:
if p=inf
elseif p=2
disp(’norma euclidea’)
else
disp(’norma p-ésima’)
end
La sentencia de bifurcación switch realiza una función análoga a un conjunto de if ... elseif
concatenados:
switch [expresión]
case caso 1
bloque 1
case {caso 2,..., caso n}
bloque 2
otherwise
bloque 3
end
Ejemplos de bifurcaciones tipo switch:
switch p
case inf
case 2
disp(’norma euclidea’)
otherwise
disp(’norma p-ésima’)
end

Primero se evalúa [expresión] que debe ser escalar o string. Se compara con caso 1 y si es
igual se ejecuta el bloque 1 de sentencias (es posible agrupar varios casos entre llaves). Ası́ se
sigue pero si ninguno es igual, se ejecutan las sentencias del caso otherwise.
Bucles: estos permiten repetir las mismas operaciones o comandos sobre datos distintos
(for, while). La sentencia de bucle for repite un conjunto de sentencias un número predeter-
minado de veces:
for variable=[rango]
sentencias
end
Ejemplos de bifurcaciones tipo for:
for i=1:10
a = a + 1
end
for k=20:-2:1
y(k) = k*sin(k*pi/4)
end
t = [-1:1e-2:1];
for p=[ 10 5.5 1 -3.5 -8 ]
y=@(t) p*cos(t)
plot(t,y(t)), hold on
end
La estructura de bucle while (similar a la mayorı́a de los lenguajes de programación) ejecuta

las sentencias del bloque siempre que se cumpla la condición. A diferencia de la sentencia for,
puede no ejecutarse nunca si no llegara a cumplirse la condición:
while [condición]
sentencias
end
Ejemplos de bifurcaciones tipo while:
while tol<1e-9
iter = iter + 1;
end
while 1
iter = iter + 1;
if iter == 50, break
end
end
La sentencia break termina la ejecución del bucle interno que comprenden dicha sentencia.

6.2.11 Almacenamiento
En el trabajo con Métodos Numéricos aplicados a problemas reales o a problemas cientı́ficos,
muchas veces encontramos que nuestra data (input) viene en formato tipo: *.dat, *.txt, etc
dado que manejamos grandes cantidades de datos. Es importante poder leer dichos datos,
almacenarlos en alguna variable de nuestro entorno de trabajo en MATLAB y luego poder
trabajar con estos valores almacenados. También es importante que una vez que hayamos
hecho nuestros cálculos, la salida de nuestros resultados (output) a los cálculos numéricos rea-
lizados, se guarde en algún espacio de trabajo para que luego puede ser leı́do nuevamente y
analizado. Recordemos que cuando cerramos nuestra sesión, el contenido de las variables se
borra automáticamente. Para esto usaremos principalmente el comando load y el comando save.
El comando load: Para recuperar los datos almacenados en un archivo de texto (prefe-
rentemente plano) utilizamos el comando load que lee todo el archivo de datos y lo almacena
en una variable cuyo nombre coincide con el nombre del archivo.
De la siguiente manera guardamos todo el contenido del archivo entrada.dat en una va-
riable llamada datos sin importar cual sea la extensión del archivo:
>> load entrada.dat
Si en cambio deseamos que la variable tenga distinto nombre, por ejemplo queremos guardar
el contenido del archivo en una variable llamada A:
>> A = load(’matriz.dat’)
Si tipeamos:
>> load
recuperamos todas variables definidas en la sesión anterior de MATLAB guardadas previamen-
te con el comando save (ver abajo).
El comando save: Para grabar datos que en un archivo se utiliza el comando save.
Si luego de una sesión de trabajo tipeamos:

>> save
creamos un archivo binario matlab.mat con el nombre y valor de todas las variables definidas
en la sesión de MATLAB.
Si queremos guardar solo las variables A, x e y en un archivo binario llamado archivo.mat:
>> save archivo A, x, y
Si en cambio, queremos guardar la matriz A en el archivo llamado salidas.dat:

>> save salida.dat A -ascii
De esta última manera, cada elemento de A se almacena con 8 cifras decimales. En cambio,
si deseamos almacenar 16 cifras decimales:
>> save salida.dat A -ascii -double
En formato ASCII sólo se guardan valores, no información como nombres de matrices, etc.

6.2.12 Scritps
Los scripts (archivos de comandos) son archivos *.m con una secuencia de comandos seme-
jante a la que se ingresan por tecleado. Los comandos se ejecutan secuencialmente cuando se
teclea el nombre del script (sin extensión) en la Ventana de Comandos o bien se puede ejecutar
con algún ı́cono de MATLAB.
El script debe almacenarse en el directorio actual donde estamos trabajando. Dentro del
mismo conviene poner punto y coma (;) al final de cada sentencia para evitar una salida
cuantiosa de las variables que usamos.
Un archivo (script o función) *.m puede llamar otros archivos *.m, sean funciones o scripts.
Esto hace que la programación sea de tipo modular.
Es importante remarcar que las variables definidas en scripts son variables internas, es decir
variables del espacio de trabajo desde el que se ejecuta el archivo. Por ejemplo, si el archivo se
ejecuta desde la Ventana de Comandos, se crean interactivamente en el Workspace de MATLAB
variables con el mismo nombre del script. Al terminar la ejecución del script, dichas variables
permanecen en memoria.
6.2.13 Funciones en MATLAB

Hay varios modos básicos de definir funciones en MATLAB, sin embargo sólo estudiaremos
estos que detallamos a continuación:
• en archivos .m (m-file functions)
• en lı́neas de comandos (inline functions, anonymous functions)

Funciones definidas en archivos (m-file functions):
Estas funciones son las definidas en archivos propios de extensión .m.
Figura 6.5: Función m-file en MATLAB.

La primera lı́nea es su definición:
function [argumento(s) de salida] = nombre función(argumento(s) de entrada)
nombre función: Es el nombre de la función que tiene que coincidir con el nombre del archivo,
es decir, nombre.m. No debe incluir espacios ni palabras reservadas por MATLAB.
argumento(s) de entrada: Parámetro(s) que le paso a la función. Si hay más de uno, van
entre paréntesis separados por comas. Si no hay, no hace falta poner paréntesis.
argumento(s) de retorno: Resultado(s) devuelto por la función. Si hay más de uno van
entre corchetes separados por comas. Si sólo hay un valor no hace faltan corchetes. Si no hay
se omiten corchetes y el signo igual (=).
Los argumentos de entrada o valores de salida, dependerá de cómo esté armada nuestra
función. En general, usaremos:
function nombre funcion(variables entrada): cuando la función no devuelve ningún valor.
function variables salida = nombre funcion: cuando la función no precisa variables de entrada.
function [y] = nombre funcion(a,b,c): cuando la función devuelve un solo resultado.
function y = nombre funcion(a,b,c): se puede escribir de esta manera omitiendo corchetes.
function [y1,y2] = nombre funcion(a,b,c): Esta será la forma general que usaremos.
Una función no modifica los argumentos que recibe, estos pueden ser: strings, escalares,
vectores, matrices o incluso otras funciones. Los resultados de una función se obtienen a través
de los valores de retorno.
Los valores de salida deben calcularse dentro de la función. Las variables definidas dentro
de la función son variables locales. Dichas variables pertenecen a dicho espacio de trabajo y
no son vistas desde otros espacios de trabajo.
Opcionalmente (pero recomendable) desde la segunda lı́nea se ponen comentarios que deta-
llen la función (ver Figura 6.5). Esto genera información asociada a mi función que cree como
usuario. Para acceder a esta información podemos usar el comando Help. Cuando se teclea en
la Ventana de Comandos help nom func, se muestran los comentarios de las primeras lı́neas
del archivo nom func.m que comienzan con %. Esto genera un Help de mi función.
Opcionalmente (pero recomendable) se termina la función con end.
Funciones definidas en lı́nea de comandos:
• Tipo inline: Son funciones de una lı́nea de comandos definidas por una cadena de
caracteres (string).
valor func = inline(’expresión’,’arg 1’,’arg 2’,...)
expresión: Expresión de la función: Se pasa como cadena string (entre comillas).

’arg 1’,’arg 2’,...: Argumento(s) de entrada de la función. Es el o los argumentos que
aparecen como variable en la expresión. Se pasan como string entre comillas separados
por coma. Si hay un solo argumento no hace falta especificarlo.
valor func: Es el valor de salida de la función (sólo se admite un argumento de salida).

Defino la función cuadrática f (x) = x2 + 3:

>> f=inline(’x^2+3’)
f = Inline function:
f(x) = x^2+3
>> f(3)
ans = 12
Defino el campo g(x, y) = x3 + y 3 :
>> g=inline(’x^3+y^3’,’x’,’y’)
g = Inline function:
g(x,y) = x^3+y^3
>> g(2,5)
ans = 133
• Funciones anónimas: Fueron introducidas desde las versionas MATLAB 7.0. Estos
objetos se llaman anónimos porque su construcción no usa strings. Están asociados a una
variable cuyo tipo es: function handle.
nom func = @(arg 1,arg 2,...) expresión
expresión: Expresión de la función. Solo admite una expresión ejecutable.

arg 1,arg 2,...: Argumento(s) de entrada de la función. Es el o los argumentos que
aparecen como variable en la expresión. Se pasan separados por comas.
valor func: Es el valor de salida de la función. Sólo admite un argumento de salida.
>> f=@(x) x^2+3
f = @(x) x^2+3
>> f(3)
ans = 12
>> g=@(x,y) x^3 + y^3
g = @(x,y) x^3 + y^3
>> g(2,5)
ans = 133
Nota: Algunos help de versiones nuevas de MATLAB advierten que las funciones ’inline’
van a ser removidas en versiones futuras.
Es muy común cuando programamos que querramos pasar como argumento de entrada de una
función, otra función. Según C.Moler en “Numerical Computing with MATLAB” (2002), hay
al menos cinco formas diferentes de pasar una función como argumento de otra función en
MATLAB 7.0 o versiones posteriores:
1. Funciones en lı́nea (inline)

2. Definidas en un archivo-m (m-file)
3. Funciones anónimas (anonymous function)
4. Expresiones de cadena de caracteres
5. Expresiones simbólicas
Veremos más adelante como pasar funciones como argumentos.

6.2.14 Ploteos
El comando plot: MATLAB dispone cuatro funciones básicas para crear gráficos 2-D:
• plot() crea un gráfico a partir de vectores y/o columnas de matrices con escalas lineales
sobre ambos ejes.
• semilogx() Idem con escala lineal en el eje de ordenadas y logarı́tmica en el de abscisas.
• semilogy() Idem con escala lineal en el eje de abscisas y logarı́tmica en el de ordenadas.
• loglog() Idem con escala logarı́tmica en ambos ejes.
En lo sucesivo usaremos la función plot, pero puede consultarse el Help las restantes en
modo similar. Veamos un ejemplo de un ploteo en 2D:
>> x = [1 3 2 4 5 3];
>> plot(x), grid on, (grid on activa una grilla en la gráfica)
>> x = [1 6 5 2 1]; y = [1 0 4 3 1];
>> plot(x,y), grid on
5 4
4.5 3.5
4 3
3.5
Figura 6.6: Ploteos sencillos
2.5
3 2
>>2.5
x = -1:.01:1; 1.5
>> 2
plot(x,exp(x),’g’), grid on 1
1.5 0.5
>> x = -2*pi:pi/100:2*pi;
1 0
>> 1
y = sin(x); z = cos(x);
1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
>> plot(x,y,’c’,x,z,’m’), grid on
8 1
0.8
7
0.6
6
0.4
5
Figura 6.7: Ploteos de funciones
0.2
4 0
−0.2
3
−0.4
2
Capı́tulo 6
1
2022
−0.6
172
−0.8
0 −1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2 −8 −6 −4 −2 0 2 4 6 8
Los estilos, estilos y marcadores del comando plot usuales son:
Color Sı́mbolo
Azul b Tipo de marca Sı́mbolo
Tipo de linea Sı́mbolo
Verde g Puntos .
Continua -
Rojo r Cı́rculos o
A trazos –
Cyan c Cruces x
Punteada :
violet m Sumas +
A trazos y puntos -.
Amarillo y Asteriscos *
Negro k
>> x = 0:0.4:10;
>> y1 = sin(x).*exp(-0.4*x);
>> y2 = cos(x).*exp(-0.5*x);
>> plot(x,y1,’b+’,x,y2,’ro’), grid on
0.8
0.6
Figura 6.8: Distintos estilos de ploteos en MATLAB

0.4
El comando subplot:
0.2
Una misma ventana de figura de MATLAB se puede dividir en m
particiones horizontales y n verticales. Para esto usamos la función subplot(m,n,i) donde:
0
• m: número de −0.2
subdivisiones de filas.
• n: número de subdivisiones
−0.4
0 1 2 3
de4 columnas.
5 6 7 8 9 10
• i: subdivisión activa donde grafico.

Veamos un ejemplo de cómo implementarlo:
>> y = sin(x);
>> z = cos(x);
>> w = exp(-x*.1).*y;
>> v = y.*z;
>> subplot(2,2,1), plot(x,y)
>> subplot(2,2,2), plot(x,z,’r’)
>> subplot(2,2,3), plot(x,w,’c’)
>> subplot(2,2,4), plot(x,v,’g’)

1 1
0.5 0.5
0 0
−0.5 Figura
−0.5 6.9: Subplot 2×2
−1 −1
0 5 10 0 5 10
El comando contour: La función contour(X,Y,Z,nivel) sirve para graficar curvas de

1
nivel de un campo escalar z = f (x, y): 0.5
0.5
• X,Y: coordenadas
0
x e y en arreglos0
bidimensionales.
• Z: arreglo−0.5bidimensional con valores de la función.
• nivel: vector
−1
que contiene los niveles
−0.5
de contorno ó entero que representa el número de
0 5 10 0 5 10
niveles de contorno (se divide el valor mı́nimo y máximo de Z en m-1 niveles).
>> x = -2:0.2:2;
>> y = x;
>> [X,Y] = meshgrid(x,y); (uso meshgrid para hacer el "mallado")
>> Z = X.*exp(-X.^2-Y.^2);
>> mesh(X,Y,Z)
>> contour(X,Y,Z,10), grid on
1.5
1
Figura 6.10: Curvas de nivel de z = xe−(x
2 +y 2 )
0.5
0
−0.5
También podemos utilizarlo para graficar funciones implı́citas f (x, y) = 0 en 2D. Por ejem-
plo, la intersección de dos cónicas, una parábola y una elipse:
>> x = -3:0.1:3;
>> y = x;
>> [X,Y] = meshgrid(x,y);
>> Z1 = X.^2-2*X-Y+0.5;
>> Z2 = X.^2+4*Y.^2-4;
>> contour(X,Y,Z1,[0,0],’b’), hold on,
>> contour(X,Y,Z2,[0,0],’r’), grid on,
El vector [0,0] en los argumentos de contour especifica el nivel de contorno. Solo nos interesa
el contorno de nivel z = 0. Los niveles de contorno se ingresan en forma de vector.
1
Figura 6.11: Intersección de la parábola y la elipse
El comando
0 mesh: Pasos para graficar el campo en dos variables
−1 z = f (x, y)
sobre un dominio
−2
rectangular [a, b] × [c, d].
1. Definimos x, y vectores con coordenadas en una y otra dirección de la retı́cula (grilla o

mallado)−3−3dominio
−2 del campo.
−1 0 1 2 3
2. Creamos dos matrices X (con filas copias de x) e Y (con columnas copias de y). Estas
matrices se crean con meshgrid y representan las coordenadas (x, y) de todos los puntos
de la retı́cula.
3. La matriz de valores Z del campo z se calcula con las matrices de coordenadas X e Y.
4. Ejecutamos la función mesh con las matrices X, Y y Z como argumentos. Se plotea una
superficie cuyos puntos tienen como cordenadas (X(i,j),Y(i,j),Z(i,j)).

>> x = -2:0.05:2;
>> y = -1:0.1:1;
>> [X,Y] = meshgrid(x,y);
>> Z = X.*exp(-X.^2-Y.^2);
>> mesh(X,Y,Z)
0.5
Figura 6.12: El comando mesh.

0
El comando surf: grafica en perspectiva la grafica de una función faceteada sobre una
retı́cula (el color depende del valor z). El color de las facetas depende del valor de la función y
−0.5
podemos agregar 1 una barra de color con escalas con colorbar.
0.5 2
0 1
>> surf(X,Y,Z), colorbar
−0.5
0
−1
−1 −2
0.4
0.3
0.5
0.2
Figura 6.13: El comando 0.1

surf.
0
0
−0.1
−0.5 −0.2
1
0.5 2 −0.3
6.3 Errores en los Métodos Numéricos

Gran parte del Análisis Numérico se centra en explicar cómo resolver un problema numérica-
mente, esto es, desarrollar una serie de cálculos que darán una solución aproximada como
respuesta. Una parte importante de este proceso es considerar los errores que aparecen en esos
cálculos, ya sea desde los errores de redondeo en las operaciones aritméticas hasta los errores de
truncamiento en los desarrollos analı́ticos. Esto se debe a que en práctica del cálculo numérico
las soluciones obtenidas a los problemas numéricos no son soluciones matemáticas exactas sino
aproximadas.
En aplicaciones ingenieriles a problemas reales, existen otros tipos de errores que aparecen:
• Errores en datos de entrada (data uncertainty): cometidos en los valores numéricos

de los datos de entrada. Pueden ser ”sistemáticos” (debido a la imprecisión de los aparatos
de medición) y”experimentales” (debido a la apreciación del observador y otras causas).
• Errores del modelo (model errors): son las simplificaciones que hacemos en la cons-
trucción del modelo que describa el fenómeno fı́sico para representarlo como un modelo
matemático y poder resolverlo.
• Errores causados por la computadora o el hombre (blunders): son debido al mal

funcionamiento de una computadora o por imperfecciones humanas.
• Errores numéricos (numerical errors): son los que introducimos al usar un algorit-
mo en una computadora. Están asociados al “algoritmo” (tenemos un tiempo finito de
ejecución) y al “hardware” (tenemos un espacio finito de almacenamiento).
Nosotros nos concentraremos en estos últimos.

Si retomamos el esquema de la Figura 6.1 y la Figura 6.2, vemos ahora que cuando pasamos
del problema matemático al problema numérico, muchas veces tendremos que hacer simplifica-
ciones matemáticas para poder resolver nuestro poblema numérico. Por ejemplo, si queremos
calcular una función trigonométrica con un desarrollo de Taylor, necesariamente tendremos que
hacer un truncamiento de la serie infinita para poder representar dicha función por su polino-
mio de Taylor corriespondiente. Esto es porque no podemos hacer “sumas infinitas” en una
computadora. Por ende, esto introducirá un error en la aproximación que llamaremos errores
por truncamiento.
Por otro lado, una vez planteado el método numérico para resolver dicho problema e im-
plementado el algoritmo en algún lenguaje, el proceso de cálculo introducirá errores dado que
la aritmética y la representación de números en la máquina no puede hacerse en forma exacta.
Esto introducirá otro tipo de errores que llamaremos errores de redondeo.
Finalmente, el resultado aproximado de nuestro problema numérico estará afectado por

ambos errores, los de truncamiento y los de redondeo. Llamaremos a la suma de estos errores,
el error total del método numérico. Esto queda reflejado en el esquema de la Figura 6.14.

Figura 6.14: Errores en los métodos numéricos aplicados.
6.3.2 Conceptos básicos

Algunos conceptos básicos en el análisis del error a saber son los siguientes:
• Exactitud (accuracy): Refiere a la proximidad de un valor calculado respecto al valor

verdadero o exacto.
• Precisión (precision): Refiere a la proximidad de un valor particular calculado respecto

a otros calculados.
• Cifras significativas: Dı́gitos distintos de cero de un número leyendo el número de

izquierda a derecha.
• Overflow: Fenómeno numérico cuando en un espacio de memoria no puede almacenarse

un número positivo (negativo) por ser mayor (menor) que el mayor (menor) número
representable en esa memoria. En MATLAB: realmax y -realmax devuelven el mayor
número positvo y el menor número negativo representable.
• Underflow: Fenómeno numérico cuando dentro de la memoria no se puede almacenar un

número positivo muy chico por ser menor al menor número representable en memoria. En
MATLAB: realmin y -realmin devuelven el menor número positvo y el mayor número
negatvio representable.

Un esquema de comparación entre la precisión y la exactitud puede verse en la Figura 6.15:
Figura 6.15: Precisión versus exactitud.
En la gráfica podemos suponer que los puntos son calculados por alguna técnica numérica,
mientras que el centro de las circunferencias concéntricas es el valor exacto. Si tomamos las
aproximaciones del item (a) y (c) vemos que ambas son inexactas, sin embargo, la última pre-
senta un esquema de cálculo más preciso ya que la distancia entre puntos es mucho menor. Es
decir, el item (a) es el resultado inexacto e impreciso, mientras que el item (c) representa un
esquema inexacto, aunque preciso. Por otro lado, si comparamos los items (a) y (b), vemos que
en este último el esquema se vuelve más exacto, aunque impreciso. Nuestra situación ideal es
el item (d) que proviene de un método exacto y preciso dado que los puntos están centradas
respecto al centro de las circunferencias y entre sı́. A continuación definiremos estos conceptos.
Para medir la exactitud, sea xe el valor exacto de un número real y xa su aproximación:

Definición (Error absoluto). Diferencia entre el valor exacto y su aproximado:
∆x = xe − xa .

Definición (Error relativo). Cociente entre el error absoluto y el valor exacto:
∆x xe − xa
Ex = =
xe xe
siempre que xe 6= 0.
Definición (Error relativo porcentual). Error relativo en porcentaje:
∆x xe − xa
Ex% = Ex ∗ 100 = ∗ 100 = ∗ 100
xe xe
siempre que xe 6= 0.
Definición (Precisión). Diremos que xa es una aproximación a xe con d cifras deci-

males significativas, si d es el mayor número natural o cero tal que:
|xe − xa | 1
< × 10−d
|xe | 2
Ejemplo 6.3.1. Sean los valores exactos y aproximados xe = 3.141592 y xa = 3.14,
|∆x | = |xe − xa | = 0.001592

|xe − xa |
|Ex | = = 0.000507 7−→ Ex% = 0.0507%
|xe |
1
|Ex | < 0.005 = × 10−2 7−→ d = 2▲
2
Ejemplo 6.3.2. Sean los valores exactos y aproximados ye = 1000000 y ya = 999997,
|∆y | = |ye − ya | = 3
|ye − ya |
|Ey | = = 0.000003 −
7 → Ey% = 0.0003%
|ye |
1
|Ey | < 0.000005 = × 10−5 − 7 → d = 5▲
2
Ejemplo 6.3.3. Sean los valores exactos y aproximados ze = 0.000012 y za = 0.000009,
|∆z | = |ze − za | = 0.000003

|ze − za |
|Ez | = = 0.25 7−→ Ez% = 25%
|ze |
1
|Ez | < 0.5 = × 100 7−→ d = 0▲
2

En MATLAB podemos calcular los errores relativos de la siguiente manera:

>> xe=3.141592
>> xa=3.14
>> ex=abs(xe-xa)/xe
ex= 5.067494e-04 (d = 2 cifras significativas)
>> ye=1000000
>> ya=999997
>> ey=abs(ye-ya)/ye
ey= 3.0e-06 (d = 5 cifras significativas)
>> ze=1.2e-05
>> za=9.0e-06
>> ez=abs(ze-za)/ze
ez=0.25 (d = 0 cifras significativas)
Definición (Notación cientı́fica normalizada decimal). Si x ∈ R se puede escribir

como:
x10 = ±0.d1 d2 d3 ...dk ... × 10n
siendo d1 = {1, 2, ..., 8, 9}, dk = {0, 1, ..., 8, 9} para j ≥ 2 y n ∈ Z.
Para una cantidad finita de K dı́gitos decimales (como en la computadora), llamaremos:
• d1 d2 d3 ...dK se conocen como la mantisa.
• n se conoce como el exponente.
Ejemplo 6.3.4. Expresando en notación cientı́fica normalizada decimal, resulta:
9700000000 = 0.97 × 1010

732.5051 = 0.7325051 × 103
−0.005612 = −0.5612 × 10−2
Ejemplo 6.3.5. Llamando a f l(x) Expresando en notación cientı́fica normalizada decimal,

resulta:
x f l(x) cant. decimales cant. cifras significativas

1004100 1.0041 × 106 0 5
0.00039 3.9 × 10−4 5 2
25.84 2.584 × 101 2 4
0.0721 7.21 × 102− 4 3

6.3.3 Errores numéricos

Como mencionamos anteriormente, existen dos grandes tipos de errores en el cálculo numérico:
errores de truncamiento y errores de redondeo.
Error de truncamiento: Estos errores se deben a la interrupción de un proceso de cálculo

matemático antes de su terminación pues el tiempo de corrida de un algoritmo es finito. Existen
numerosos ejemplos.
n→∞
• Si consideramos la sucesión numérica convergente {xn }∞
n=0 tal que xn −−−→ r, entonces
aproximamos el lı́mite de la sucesión convergente como
{x0 , x1 , ..., xn } tal que xn ≈ r
para cierto n “grande”.

P∞
• Para calcular la suma de la serie numérica S = i=0 an , aproximamos
X
n
S≈ an = a0 + a1 + ... + an
i=0

P∞ f (k) (a)
• Para calcular la serie de Taylor f (x) = k=0 k!
(x − a)k , calculamos el polinomio
f ′ (a) f ′′ (a) f (n) (a)

f (x) ≈ f (a) + (x − a) + (x − a)2 + ... + (x − a)n
1! 2! n!
Ejemplo 6.3.6. El desarrollo de Taylor de f (x) = ex centrado en a = 0 es:

X
∞
xk X
n
xk eξ xn+1
x
e = = +
k=0
k! k=0
k! (n + 1)!
donde ξ está entre 0 y x. El último término se conoce como fórmula del error en la forma
de Lagrange (consultar [Apos1984]). La diferencia entre la función exacta y el polinomio de
Taylor de orden n asociado en el punto x será el error de truncamiento de Taylor.
Xn
xk
En (x, a) = e −
x
.
k=0
k!
Este error puede ser controlado acotando:

ξ n+1
Xn k e x
x x
|En (x, a)| = e − = ,

k! (n + 1)!
k=0
donde podemos obtener una estimación de la función en x con un número finito de términos.
Es claro que en la medida que n crece, el factorial en el denominador le gana a la potencia en
el numerador.

El script ExpTaylor.m explora esto ploteando el error relativo de la suma parcial como fun-
ción de la cantidad de sumandos n.
Código en MATLAB:
% Script: ExpTaylor
% Plotea, como funcion de n, el error relativo en la aproximacion de Taylor de
la funcion exponencial
% 1 + x + x ^2/2! +...+ x^n/n! a exp(x).
clear, clc, close all;

nTerms = 50;
xx = [1 5 10 -1 -5 -10];
for i=1:length(xx)
x = xx(i);
f = exp(x)*ones(nTerms,1);
s = 1;
term = 1;
for k=1:nTerms
term = x.*term/k;
s = s+ term;
err(k) = abs(f(k) - s);
end
relerr = err’/exp(x)’;
subplot(2,3,i), semilogy(v1:nTerms,relerr), grid on, hold on
ylabel(’Error Relativo Suma Parcial.’)
xlabel(’Orden Suma Parcial’)
title(sprintf(’x = %5.2f’,x))
end
saveas(gcf,’TaylorExp’,’fig’);
saveas(gca,’TaylorExp’,’epsc’);
En la Figura 6.16 observamos que cuando aumentamos la cantidad de términos del polinomio
de Taylor n, el error relativo de la suma parcial de la serie disminuye. Esto coincide con
lo esperable matemáticamente puesto que si observamos la fórmula del error de Lagrange, el
factorial de n + 1 de denominador tiende a cero más rápidamente comparado con el numerador.
Sin embargo, cuando ploteamos las gráficas para x = 1, 5, 10, −1, −5, −10 como se muestra
en la Figura 6.17, observamos que el ploteo muestra que la “convergencia matemática” no
siempre es válida en máquina dado que los errores no convergen a cero a medida que la serie
aumenta la cantidad de términos. En algunos casos, el error se acuesta en un valor pequeño,
e incorporando más términos, no hacemos diferencia. Notamos también que el piso del error
relativo depende del valor de x: Errx=−10 > 1 × 10−10
Errx=10 < 1 × 10−15
Es decir, podemos notar que además del error analı́tico de truncamiento existe “otro error”
que aparece en este cálculo numérico de la exponencial.

x = 1.00
0
10
−2
10
−4
10
Error Relativo Suma Parcial.
−6
10
−8
10
−10
Figura 6.16: Error de Taylor de ex en función de n
10
−12
10
−14
10
−16
10
0 2 4 6 8 10 12 14 16
Orden Suma Parcial
x = 1.00 x = 5.00 x = 10.00
10 10 10
10 10 10
Error Relativo Suma Parcial
0 0 0
10 10 10
−10 −10 −10

10 10 10
−20 −20 −20

10 10 10
0 10 20 30 40 50 0 10 20 30 40 50 0 10 20 30
Orden Suma Parcial Orden Suma Parcial Orden Suma Par
x = −1.00 x = −5.00 x = −10.00
10 10 10
10 10 10
0 0 0
10 10 10
Figura 6.17: Error de Taylor de e en función de n para x = 1, 5, 10, −1, −5, −10.
x
−10 −10 −10

10 10 10
−20 −20 −20

10 10 10
0 10 20 30 40 50 0 10 20 30 40 50 0 10 20 30
Orden Suma Parcial Orden Suma Parcial Orden Suma Par
Error de redondeo (roundoff error): Surge debido a limitaciones propias de la máquina

para representar cantidades dado el espacio finito de memoria. Por ejemplo:
• Almacenamiento de números: en una computadora sólo podemos representar una can-
tidad finita de cantidades finitas pero los números de R son infinitos y tienen infinitos
dı́gitos. Es decir, tenemos una representación finita de los números reales que tienen
infinitas cifras decimales:
π = 3.141592653589793238462643383279502884197169399...
e = 2.718281828459045235360287471352662497757247093...
1
= 0.333333333333333333333333333333333333333333333...
3
1
= 0.100000000000000000000000000000000000000000000...
10
• Grandes cálculos: si un proceso realiza una gran cantidad de cálculos, los errores de
redondeo pueden ser significativos.
• Cuando sumamos un número muy grande y un número muy chico hay un corrimiento de
la mantisa para poder sumarlos y se produce una pérdida de cifras significativas.
• Cuando restamos números semejantes entre sı́ también se produce este fenómeno.
Ejemplo 6.3.7. Si representamos números en base 10 a binario (base 2), hacemos:
1110 = 10112
0.187510 = 0.00112
Pero, ¿cómo representamos el decimal 0.1 en sistema binario?
1 d2
= 0.110 = 0.00011001100110011...2 = 0.00011
10
Este número es un periódico en sistema binario, por lo tanto no puedo representarlo en forma
exacta en una computadora. Para almacenarlo tenemos que truncarlo. Hay dos formas, el
redondeo truncado y el redondeo simétrico.
Definición (Redondeo truncado). Consiste en truncar el resultado de una opera-

ción al número de dı́gitos significativos que estemos utilizando. Si x ∈ R (decimal)
normalizado con k cifras significativas:
x = ±0.d1 d2 ...dk dk+1 ... × 10n
donde
d1 = {1, 2, ..., 8, 9}
dj = {0, 1, ..., 8, 9} j > 1.
Entonces
f ltrunc (x) = ±0.d1 d2 ...dk × 10n
es su representación de coma flotante por truncamiento

Definición (Redondeo simétrico). Consiste en aumentar en uno el último dı́gito si

el primer dı́gito descartado está en {5, ..., 9} o dejarlo igual si el primer dı́gito descar-
tado está en {0, ..., 4}. En este caso
f lsim (x) = ±0.d1 d2 ...dk−1 d∗k × 10n
es la representación de coma flotante por redondeo de x donde
d1 = {1, 2, ..., 8, 9}
dj = {0, 1, ..., 8, 9} 1 < j ≤ k,
y d∗k se calcula redondeando el número d1 d2 ...dk .dk+1 dk+2 ... al entero más próximo.
Ejemplo 6.3.8. Ejemplos de redondeos truncado y simétrico
• x = 7/9 = 0.77777.... con 4 dı́gitos significativos:
f ltrunc (x) = 0.7777 × 100

f lred (x) = 0.7778 × 100
• y = 22/7 = 3.14285714285714285 con 6 dı́gitos significativos:
f ltrunc (y) = 0.314285 × 101

f lred (y) = 0.314286 × 101
• z = 0.231599999 con 8 dı́gitos significativos:
f ltrunc (z) = 0.23159999 × 100

f lred (z) = 0.23160000 × 100
Ejemplo 6.3.9. Ejemplo de pérdida de cifras significativas.

Queremos plotear el polinomio de grado 6:
p(x) = (x − 1)6
en el intervalo [0.9, 1.1]. Trabajando algebraicamente p(x) puede desarrollarse como:
p(x) = x6 − 6x5 + 15x4 − 20x3 + 15x2 − 6x + 1.
El script ZoomPoli.m grafica el polinomio en pequeños entornos de x = 1 usando la se-

gunda expresión de p(x) en los intervalos: [0.9, 1.1], [0.99, 1.01], [0.992, 1.008], [0.993, 1.007],
[0.995, 1.005] y [0.997, 1.003].

Código en MATLAB:
% Script: ZoomPoli
% Plotea (x-1)^6 alrededor de x=1 con escala creciente
% pero evaluado via x^6 - 6x^5 + 15x^4 - 20x^3 + 15x^2 - 6x +1
clear, clc, close all;
k=0;
n=100;
for delta = [.1 .01 .008 .007 .005 .003 ]
x = linspace(1-delta,1+delta,n)’;
y = x.^6 - 6*x.^5 + 15*x.^4 - 20*x.^3 + 15*x.^2 - 6*x + 1;
k = k+1;
subplot(2,3,k), plot(x,y,x,zeros(1,n)), grid on
axis([1-delta 1+delta -max(abs(y)) max(abs(y))])
end
−7 −12 −13
x 10 x 10 x 10
1
2
5 0.5
1
0 0 0
−1
−5 −0.5
−2
−1
0.9 1 1.1 0.99 1 1.01 0.995 1 1.005
Figura 6.18: Ploteo del polinomio p(x) en entornos de x = 1.

−13 −14 −15
x 10 x 10 x 10
5
El1 ploteo de la Figura 6.18
1.5 no parece un polinomio, de hecho, ni siquiera es derivable. Se
observa
0.5
una oscilación cerca1 de la raı́z x = 1. Además, en este ejemplo no hay error de
trucamiento (no truncamos0.5 un método ni tampoco iteramos). Observamos que en las cercanı́as
de x 0= 1, los valores de p(x)0 son calculados restando0 números muy parecidos (potencias de x6
y x5 ). Evidentemente, estamos
−0.5 ante la acción de un error de redondeo del cálculo numérico
−0.5
conocido como pérdida de cifras significativas. Veamos en detalle cómo funciona este error.
−1
−1.5
−1
−5
0.995
Capı́tulo 6 1 1.005 0.995 1 1.005
2022 0.998 1 1.002 187
Ejemplo 6.3.10. Sean las funciones

√ √
f (x) = x x+1− x , x≥0
y
x
g(x) = √ √ , x≥0
x+1+ x
algebraicamente equivalentes. Vamos a comparar los resultados de calcular f (500) y g(500)
usando 4 cifras significativas con redondeo simétrico. ¿Deberı́amos obtener el mismo resultado
en nuestra máquina imaginaria? Normalizando antes de cada operación, obtenemos:
√ √
f (500) = 0.5000 × 10 3
0.5000 × 10 + 0.1000 × 10 − 0.5000 × 10
3 1 3
√ √
= 0.5000 × 103 0.5000 × 103 + 0.0010 × 103 − 0.5000 × 103
√ √
= 0.5000 × 103 0.5010 × 103 − 0.5000 × 103
= 0.5000 × 103 (22.3830292855... − 22.3606797749...)

= 0.5000 × 103 0.2238 × 102 − 0.2236 × 102

= 0.5000 × 103 0.0002 × 102

= 0.5000 × 103 0.2000 × 10−1
= 0.1000 × 102 = 0.1000 × 102 = 10.
0.5000 × 103
g(500) = √ √
0.5000 × 103 + 0.1000 × 101 + 0.5000 × 103
0.5000 × 103
= √ √
0.5000 × 103 + 0.0010 × 103 + 0.5000 × 103
0.5000 × 103
= √ √
0.5010 × 103 + 0.5000 × 103
0.5000 × 103
=
22.3830292855... + 22.3606797749...
0.5000 × 103 0.5000 × 103
= =
0.2238 × 102 + 0.2236 × 102 0.4474 × 102
= 1.11747575636... × 10 1
= 0.1117 × 102 = 11.17.
El valor “exacto” es 11.174755300747198..., sin embargo:
f (500) = 10,
g(500) = 11.17.
La respuesta de g(500) tiene menor error absoluto que f(500).

Veamos sus errores absolutos, relativos y relativos porcentuales:
∆f (500) ' 1.17475530075,

∆g(500) ' 4.75530074720 × 10−3 ,
Ef (500) ' 1.05125818788 × 10−1 ,
Eg(500) ' 4.25539586256 × 10−4 ,
Ef%(500) ' 10.51%,
%
Eg(500) ' 0.04%.
Código en MATLAB Definimos las funciones f y g como anónimas en MATLAB:

>> format long
>> f=@(x) x*(sqrt(x+1)-sqrt(x))

f = @(x) x*(sqrt(x+1)-sqrt(x))
>> f(500)
ans = 11.174755300746853
>> g=@(x) x/(sqrt(x+1)+sqrt(x))

g = @(x) x/(sqrt(x+1)+sqrt(x))
>> g(500)
ans = 11.174755300747199
Notemos que incluso en MATLAB obtenemos una precisión de 16 cifras significativas y tam-
bién observamos la diferencia entre los cálculos con ambas fórmulas si calculamos los errores
absolutos y relativos anteriores.
>> exac = 11.174755300747198;
>> eaf = abs(exac-f(500))

ans = 3.4461322684436486e-13
>> eag = abs(exac-g(500))

ans = 1.776356839400250e-15
>> erf = eaf/f(500)

ans = 3.083854792065166e-14
>> erg = eag/g(500)

ans = 1.589615872198539e-16

Error numérico total: Es la acumulación del error de truncamiento y redondeo.
Definición (Error numérico total). El error numérico total se define como:
Error de truncamiento + Error de redondeo
Notemos que si en un proceso numérico disminuyo el Error de truncamiento & (agre-

gando términos al Taylor, aumentando cantidad de iteraciones, disminuyendo tolerancias, etc.),
entonces el Error de redondeo aumenta %. Si en cambio aumento el Error de trun-
camiento % entonces el Error de redondeo disminuye &. Disminuir una componente de
error conduce a un incremento en la otra componente. Por tanto hay que buscar una solución
de compromiso. Esto lo da muchas veces la experimentación numérica.
Figura 6.19: Dependencia del Error total del tamaño del paso h (step size)
Ejemplo 6.3.11. Ejemplo de una solución de compromiso.

Consideremos la serie de Taylor de f (x) = sen(x) centrada en a = 0:
X∞
(−1)k x2k+1
sen(x) =
k=0
(2k + 1)!
Xn
(−1)k x2k+1 f (2n+3) (ξ) x2n+3
= +
k=0
(2k + 1)! (2n + 3)!
donde ξ está entre 0 y x. El error (de Lagrange) puede acotarse de la forma:

(2n+3)
f 2n+3
≤ |x|
2n+3
(ξ) x
|E2n+3 (x, a)| = (2n + 3)! ,
(2n + 3)!
donde el valor del error de truncamiento depende de x y del número de términos de la sumatoria.

Código en MATLAB:
function ssum = SerieSeno(x,tol,n)
% SerieSeno.m: Evalúa la representación en serie de la función SENO
% ssum = SerieSeno(x)
% ssum = SerieSeno(x,tol)
% ssum = SerieSeno(x,tol,n)
% ENTRADA:
% x: argumento de la función SENO
% tol: (optional) tolerancia para sumatoria (por defecto: tol = 5e-9)
% La serie termina cuando abs(T k/S k) < tol, donde:
% T k: k-ésimo término y S k suma incluyendo el k-ésimo término
% n: (optional) máximo número de terminos (por defecto: n = 15)
% RESULTADO:
% ssum: valor de la serie al cabo de n terminos o al satisfacer la tolerancia
if nargin < 2, tol = 5e-9;
end
if nargin < 3, n = 15;
end
term = x; % Inicializa la serie
ssum = term;
fprintf(’Valor aproximado de la función seno (%f)\n\n n término serie\ n’,x)
fprintf(’%3d %11.3e %12.8f \ n’,1,term,ssum)
for k=3:2:(2*n-1)
term = -term .* x.*x./(k.*(k-1)); % Próximo término en la serie
ssum = ssum + term;
fprintf(’%3d %11.3e %12.8f\n’,k,term,ssum)
if abs(term./ssum) < tol % Verifica convergencia
break
end
end
fprintf(’\n Error Total con %d términos es %g \ n\n’,(k+1)/2,abs(ssum-sin(x)))
end
Ventana de comandos en MATLAB:
>> sum = SerieSeno(pi/4,5e-9,100)
Valor aproximado de la función seno (0.785398)
n termino serie
1 7.854e-01 0.78539816
3 -8.075e-02 0.70465265
5 2.490e-03 0.70714305
7 -3.658e-05 0.70710647
9 3.134e-07 0.70710678
11 -1.757e-09 0.70710678
Error Total incluyendo 6 términos es 6.92801e-12
sum = 0.707106781179619

En caso de utilizar 5 términos no nulos en la sumatoria:

|x|11 |π/2|11
|E11 (x)| ≤ ≤ ≈ 3.5988 × 10−6 .
11! 11!
−6
x 10
4
3.5
Figura 6.20: Error total con 5 términos.

3
En
2.5 caso de utilizar 15 términos no nulos en la sumatoria:
Error Total
|x|31 |π/2|31
2 |E31 (x)| ≤ ≤ ≈ 1.4611 × 10−28 .
31! 31!
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
x
−16
x 10
3.5
3
Figura 6.21: Error total con 15 términos.
2.5

Error Total
1.5
En la Figura 6.20 observamos que con 5 términos no nulos y valores de x mayores a 1

(aproximadamente), el error numérico total (truncamiento y redondeo) aumenta rápidamente
cuando x → π/2, siendo el error máximo aproximadamento 3.6e-06 en consonancia con la
cota analı́tica del error de truncamiento de Taylor expresado anteriormente del orden de 10−6 .
En la Figura 6.21 vemos que con 15 términos observamos un fenómeno numérico distin-
to. Vemos una oscilación del error total que aumenta hasta un valor máximo aproxiamdo de
3.3e-16 mientras que la cota del error teórico de truncamiento de Taylor expresado antes es
del orden de 10−28 . Por lo tanto, en este caso el error por redondeo está controlando el compor-
tamiento y necesitamos hallar una solución de compromismo, es decir, disminuir la cantidad
de términos de modo de obtener un error total que satisfaga el problema en estudio, pero sin
que domine el error de redondeo.
Propagación del error: Veamos como se propaga el error de representación numérica en

las operaciones aritméticas básicas que se realizan durante un cálculo numérico.
• Propagación del error en la suma y resta. Sean los números exactos x e y con
valores aproximados x̃, ỹ, y sean los errores absolutos δx , δy respectivamente. Esto es:
x = x̃ + δx , y = ỹ + δy .
Queremos calcular el error δx±y . Resulta entonces
x ± y = (x̃ + δx ) ± (ỹ + δy ) = (x̃ ± ỹ) + (δx ± δy ) .

| {z }
δx±y
Por lo tanto, el error absoluto de la suma y diferencia de dos (o más magnitudes) es la

suma de los errores absolutos de dichas magnitudes.
• Propagación del error en el producto y cociente. Sean x e y reales no nulos:

δx δy
x = x̃ + δx = x̃ 1 + , y = ỹ + δy = ỹ 1 + .
x̃ ỹ
Queremos calcular el error δx.y al aproximar el producto:

 

δx δy  δx δy δx δy 
x.y = x̃ỹ 1 + 1+ = 1 + + + .
x̃ ỹ x̃ ỹ x̃ỹ 
|{z}
≈0
Por lo tanto, el error relativo del producto de dos (o más magnitudes) es igual a la suma
de los errores relativos de dichas magnitudes.
Análogamente, esto también vale para el cociente. Consultar [MaFi2000].

6.3.4 Aritmética de punto flotante

Hace más de 30 años, cada computadora de uso personal tenı́a su sistema de número de punto
flotante particular. Algunas eran decimales, otras binarios o incluso triaria. Entre las de base
binaria, se usaban base 2, 8 o 16. Todas tenı́an una precisión distinta.
En 1985, el Institute of Electrical and Electronics Engineers (IEEE) y el American National
Standards Institute (ANSI) adoptaron la norma ANSI/IEEE Standard 754-1985 para la
Aritmética Binaria de Punto Flotante. Esto fue una década de trabajo de un centenar de
matemáticos, cientistas de computación, ingenieros, productores de computadoras, entre otros.
Desde entonces las computadoras son diseñadas en la Aritmética de Punto Flotante
IEEE. Esto no significa que todas lleguen al mismo resultado (hay cierta flexibilidad sobre
la precisión), pero hoy hay un modelo de cómo funciona la aritmética de punto flotante no
dependiente de la máquina.
Definición (Representación de un número). Si x ∈ R, entonces decimos que la

representación en base β de x es de la forma:
x ' ±q × β n
donde β es la base, q la mantisa, 1

β
≤ |q| < 1 y n el exponente.
Ejemplo 6.3.12. Sea β = 2, entonces la representación binaria de x es
x ' ±q × 2n
donde 1
2
≤ |q| < 1.
Sin embargo, en un computadora sólo tenemos una cantidad finita de espacio de números
binarios para el almacenamiento de la mantisa q y el exponente n. Por ende, no podemos
representar todos los números reales, sino una cantidad finita de los mismos.
Para comprender esto, veamos a continuación una máquina virtual “más chica” que las
computadoras actuales.
Ejemplo 6.3.13. Operación con punto flotante en sistema binario

Consideremos los reales positivos de la forma
(0.d1 d2 d3 d4 )2 × 2n
donde d1 = 1, di ∈ {0, 1} para i = 2, 3, 4 y n ∈ {−3, −2, −1, 0, 1, 2, 3, 4}. Tenemos 8 posibles

combianaciones de ceros y unos para la mantisa y 8 posibles exponentes (en sistema decimal
para simplificar el ejemplo). Esto nos proporciona un conjunto de 64 números positivos. Ver
Tabla de la Figura 6.22.
Es importante remarcar que como se restringieron la mantisa y el exponente, nuestro compu-
tador virtual sólo dispone de un número limitado de valores entre los que elegir para representar
nuestros números. Por ende, cuando tengamos que representar un número que no esté en nues-
tra Tabla, haremos una aproximación al número binario más cercano.

Figura 6.22: Máquina virtual de 4 bits para la mantisa y 8 exponentes.
En nuestra computadora anterior queremos realizar la operación:

1 1 1
+ +
10 5 6
Comenzaremos resolviendo primero la suma entre paréntesis:
1
≈ 0.11012 × 2−3 = 0.011012 × 2−2
10
1
≈ 0.11012 × 2−2 = 0.11012 × 2−2
5
3
1.001112 × 2−2
10
Para almacenar el número 1.001112 × 2−2 , primero lo normalizamos y luego lo redondeamos
como 0.10102 × 2−1 . El paso siguiente es:
3
≈ 0.10102 × 2−1 = 0.10102 × 2−1
10
1
≈ 0.10112 × 2−2 = 0.010112 × 2−1
6
7
0.111112 × 2−1
15
Nuestro computador redondea 0.111112 × 2−1 como 0.10002 × 20 . Por ende, la solución a
nuestro problema original es:

1 1 1 7
+ + = = 0.466710 ≈ 0.10002 × 20 = 0.510
10 5 6 15

El error en el cálculo efectuado por nuestra computadora “virtual” es:
|0.4667 − 0.5| ≈ 0.0333 > 7%
En cambio, si hacemos la operación asociando de esta manera:

1 1 1
+ +
10 5 6
tenemos que:
1
≈ 0.11012 × 2−2 = 0.11012 × 2−2
5
1
≈ 0.10112 × 2−2 = 0.01012 × 2−2
6
11
1.00102 × 2−2
30
Nuestro computador normaliza 1.00102 × 2−2 como 0.10012 × 2−1 . Luego,
1
≈ 0.11012 × 2−3 = 0.0011012 × 2−1
10
11
≈ 0.10012 × 2−1 = 0.10012 × 2−1
30
7
0.1100012 × 2−1
15
Finalmente, el computador redondea 0.1100012 × 2−1 a 0.11012 × 2−1 . Por ende, la solución a
nuestro problema original es:

1 1 1 7
+ + = = 0.466710 ≈ 0.11012 × 2−1 = 0.4062510
10 5 6 15
El error en el cálculo efectuado por nuestra computadora en este caso es:

|0.4667 − 0.4063| ≈ 0.0604 (casi 13%)
Por tanto, en nuestra computadora anterior no vale la asociatividad de la suma:

1 1 1 1 1 1
+ + = + + .
10 5 6 10 5 6

Punto flotante en MATLAB: IEEE754 doble precisión

MATLAB usa el formato de doble precisión de la IEEE. Esto significa que cada número de
doble precisión en aritmética de punto flotante se almacena en una palabra de 64 bits (8 bytes).
Signo (s) Exponente (e) Mantisa normalizada (q)

| {z }| {z }| {z }
1 bit 11 bits 52 bits
donde la representación en número binario es:
s →
7 d1 d1 ∈ {0, 1},
e → 7 d1 d2 . . . d11 di ∈ {0, 1} i = 1, . . . , 11,
q → 7 d1 d2 . . . d53 d1 = 1, di ∈ {0, 1} i = 2, . . . , 53.
Cada número en aritmética de punto flotante es normalizado:
x = (−1)s (1 + (q)2 ) 2e−1023 = (−1)s (1.q)2 2e−1023 .
El signo s surge de (−1)s y la mantisa (fracción) q en base 2 es un entero que satisface:
0 ≤ (q)2 < 1
o bien, en sistema decimal q representa el rango
0 ≤ (q)10 ≤ 252 − 1.
En realidad, como siempre vale que d1 = 1, el formato IEEE permite almacenar información
de una palabra de 65 de bits en una de 64 bits.
Teniendo 11 bits para el exponente, estos representarı́an un rango decimal de:
0 ≤ (e)10 ≤ 211 − 1 = 2047.
Pero como (e)10 = 0 y (e)10 = 2047 están reservados para números especiales, el rango exacto
del exponente en base 10 es:
1 ≤ (e)10 ≤ 211 − 2 = 2046.
Para que (e)10 tenga signo negativo, corremos el rango restando 1023 a la representación, y se
reacomoda para que el exponente sea un entero en el intervalo:
1 − 1023 ≤ (e′ )10 ≤ 2046 − 1023
y obtenemos
−1022 ≤ (e′ )10 ≤ 1023.
Estos serán los posibles valores del exponente en base 10 en la representación de punto flotante.

Existen exponentes y números especiales reservados en MATLAB, por ejemplo los valores
reservados del exponente:
(e)10 = 0 → todos ceros
(e)10 = 0 → todos unos
En la siguiente Tabla 6.4, vemos las demás combinaciones:
(s) (e)2 (q)2 Representa

0 todos ceros todos ceros 0
1 todos ceros todos ceros -0
0 todos unos todos ceros Inf
1 todos unos todos ceros -Inf
0o1 todos unos no-cero NaN
Tabla 6.4: Valores de mantisa y exponantes reservados en MATLAB.
El mayor número positvo es:

(1.11...1)2 × 21023 ≈ (1.7997)10 × 10308 .
El menor número positivo es:
(1.00...0)2 × 2−1022 ≈ (2.2251)10 × 10−308 .
Una cantidad importante asociada a la aritmética de punto flotante es el espilon máquina
ε que suele notarse ε. El espilon máquina es la distancia desde el número 1 al siguiente
número de punto flotante siguiente más grande. Antes de la estandarización ANSI/IEEE habı́a
diferentes εs para diferentes máquinas, ahora en doble precisión IEEE
ε = 2−52
Epsilon en MATLAB:
>> eps
ans = 2.2204-16
Estos tres valores mencionados anteriormente, definen el rango de números disponibles y la

precisión de nuestra computadora. En doble precisión tendremos que:
Binario Decimal
eps 2 ˆ(-52) 2.220446049250313e-16
realmin 2 ˆ(-1022) 2.225073858507201e-308
realmax (2-eps)*2ˆ(1023) 1.797693134862316e+308
Tabla 6.5: Valores de eps, realmin y realmax de MATLAB
Cualquier número por encima de realmax generará un overflow , y cualquier número debajo
de realmin generará un underflow . Sin embargo, algunas máquinas permiten números de
punto flotante subnormales en el intervalo [eps*realmin,realmin]. Esto permite llenar (en
parte) el gap (salto) entre 0 y realmin. El menor número subnormal positivo de punto flotante
es: 4.940656458412465e-324. Cualquier valor menor es cero.

Ejemplo 6.3.14. Punto flotante: floatgui.m

El script floatgui.m realizado por C. Moler (autor de MATLAB), muestra la estructura de
números de punto flotante. Aquı́ el modelo del conjunto de los numeros positivos de punto
flotante se determina por tres parámetros: t, emin y emax. Según este script, es el conjunto
de números racionales de la forma x = (1+q)2ê donde q: (entero)/2ˆt, 0<=q<1, e: entero y
emin<=e<=emax. En IEEE 754 doble precision se tiene t = 52, emin = -1022, emax = 1023.
Figura 6.23: Distribución de punto flotante IEEE754
Ejemplo 6.3.15. Ejemplos de errores en punto flotante en MATLAB

El número decimal 4/3 no es exactamente representable como una fracción binaria exacta, por
eso el cálculo 1 - 3*(4/3 - 1) no resulta cero.
>> format long
>> a = 4/3
a = 1.333333333333333
>> b = a - 1
b = 0.333333333333333
>> c = 3*b
c = 1.000000000000000
>> e = 1 - c
e = 2.220446049250313e-16
Similarmente, 0.1 no tiene representación exacta en binarios:

>> a = 0.0;
>> for i = 1:10
>> a = a + 0.1;
>> end
>> a == 1
ans = 0
Notemos que el orden de las operaciones puede influir en el cálculo:

>> b = 1e-16 + 1 - 1e-16;
>> c = 1e-16 - 1e-16 + 1;
>> b == c
ans = 0

A modo de interés general y para resaltar la importancia del estudio de los métodos
numéricos en problemas reales, se linkean algunos desastres históricos causados por errores
en los cálculos de los métodos:
• 25 de febrero de 1991 (Arabia Saudita): Falla del misil Patriot en sistema de defensa.
Causa: acumulación de errores de redondeo.
• 4 de junio de 1996 (Holanda): Explosión del cohete Ariane 5.
Causa del desastre: error de “overflow”.
• Conversión aritmética del EURO.
• Enero de 1982 - Noviembre de 1983 (Canadá): Bolsa de valores de Vancouver.
Causa: Rendodeo truncado en vez de simétrico.
• 5 de abril de 1992 (Alemania): Error de redondeo cambia al Parlamento durante la
elección de Schleswig-Holstein.
• 23 de agosto de 1991 (Holanda): El hundimiento la plataforma offshore Sleipner A.
Causa del desastre: Aproximación inexacta del método de elementos finitos.
SCRIBD: Some disasters caused by numerical errors (link)

6.4 Resolución de Sistemas de Ecuaciones Lineales

Los Sistemas de Ecuaciones Lineales (SEL) aparecen cuando resolvemos problemas en diversas
areas no sólo de la matemática, sino también en disciplinas como la Estadı́stica, la Fı́sica, la
Biologı́a, la Ingenierı́a, la Informática, la Economı́a, etc. Estos sistemas aparecen directamente
cuando se abordan problemas del mundo real (en cuyo caso suelen ser sistemas muy grandes) y
también como parte de procesos numéricos que provienen de otros problemas, como ser, cuando
se aproximan soluciones de ecuaciones no-lineales o soluciones aproximadas de problemas en
derivadas ordinarias o parciales.
El objetivo de esta sección es estudiar aspectos numéricos al resolver SEL de n ecuaciones
y n incógnitas de la forma:


 a11 x1 + a12 x2 + . . . + a1n xn = b1 ,

 a21 x1 + a22 x2 + . . . + a2n xn = b2 ,

 ... ..
.
..
.
..
.
..
.

 a x + a x + ... + a x = b .
n1 1 n2 2 nn n n
Matricialmente      
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n   x2   b2 
     
 .. .. .. . . .. = .. .
 . . . ..   .   . 
an1 an2 . . . ann xn bn
Nuestro problema numérico reside en que, dada una matriz A ∈ Rn×n y un vector (columna)
lado derecho b ∈ Rn , queremos encontrar el vector (columna)x ∈ Rn tal que:
Ax = b.
Una condición necesaria y suficiente para que el SEL tenga solución es:
det(A) 6= 0
pues existe A−1 y la solución de dicho sistema viene dada por:
x = A−1 b.
Calcular esta solución puede ser complicado desde el punto de vista numérico aún en casos
“simples”. Ahora bien, ¿cómo resolvemos Ax = b numéricamente? Existen dos grandes tipos
de métodos para resolver este problema:
• Métodos Directos: Son métodos numéricos que se ejecutan en un número finito de
pasos y generarı́an la solución x̃ exacta si no fuera por los errores de redondeo (no hay
truncamiento). Por ejemplo: Eliminación Gaussiana, Factorización LU, Choslesky y
otros.
• Métodos Iterativos: Son métodos numéricos que generan iterativamente una sucesión
de vectores {xk } que converge a una solución aproximada x∗ con una tolerancia deseada
y donde es necesario considerar el error de truncamiento. Por ejemplo: Jacobi, Gauss-
Seidel, Sobre-relajación Sucesiva (SOR), Métodos de tipo Krylov (GMRES, etc) y otros.

6.4.2 Métodos Directos

Sistemas fáciles de resolver:
Existen algunos sistemas de ecuaciones que son “fáciles de resolver” algorı́tmicamente, por
ejemplo sistemas con matriz diagonal, con matriz triangular superiores o inferior.
Ejemplo 6.4.1. Sea A una matriz diagonal:
     
a11 0 . . . 0 x1 b1
 . .     
 0 a22 . . ..   x2   b2 
 . . . ... = .. .
 .. .. ... 0     . 
0 . . . 0 ann xn bn
La solución algorı́tmica es:

aii xi = bi i = 1, ..., n,
xi = abiii i = 1, ..., n,
suponiendo aii 6= 0 dado que asumimos que A es inversible.

Ejemplo 6.4.2. Sea A una matriz triangular superior:
    
a11 a12 ... a1n x1 b1
 ... ... ..   ..   .. 
 0 .   .   . 
 . . . = .
 .. . . an−1,n−1 an−1,n   xn−1   bn−1 
0 ... 0 ann xn bn
Asumiendo que aii 6= 0, la solución algorı́tmica es:



 xn = bn /ann ,
xn−1 n−1 −
= (b
Pn
an−1,n xn )/an−1,n−1 ,

 xi = bi − j=i+1 aij xj /aii i = n − 2, ..., 1.
Este proceso se conoce como la sustitución regresiva (backward substitution). Análoga-

mente, si A es una matriz triangular inferior, el método se conoce como sustitución progre-
siva (forward substitution).
Eliminación Gaussiana: La idea consiste en realizar una cantidad finita de pasos donde
en cada paso realizamos operaciones elementales entre matrices para obtener sistema de ecua-
ciones lineales que tengan el mismo conjunto solución e ir triangularizando superiormente la
matriz de coeficientes original. Si suponemos que la matriz de coeficientes es cuadrada con n
ecuaciones y n incógnitas, luego de (n − 1) pasos obtenemos una matriz triangular superior
equivalente a la original y con el método de la sustitucion regresiva obtenemos la solución del
SEL. Todo este proceso se conoce como eliminación Gaussiana y en general es muy eficiente
para resolver sistemas de ecuaciones lineales sobretodo cuando las matrices son “llenas”.

Definición (Sistemas de ecuaciones lineales equivalentes). Decimos que dos SEL

son sistemas equivalentes cuando tienen el mismo conjunto de soluciones.
Las operaciones elementales que preservan la equivalencia de los sistemas son:

• Intercambio: Intercambiar las filas de la matriz aumentada
rk ←→ rj .
• Escalamiento: Multiplicar una fila por una constante no nula

αrk 7−→ rk .
• Sustitución: Reemplazar una fila por la suma de esa fila más un múltiplo escalar de
cualquier otra fila
rk + mrj 7−→ rk .
El siguiente Teorema afirma que realizar operaciones elementales entre matrices, se generan
sistemas de ecuaciones que son equivalentes.
Teorema 6.4.1. Cualquiera de las operaciones elementales aplicadas un número finito

de veces a la matriz ampliada de un SEL produce sistemas equivalentes.
Demostración. Consultar [MaFi2000].
Ejemplo 6.4.3. Dado el SEL cuya matriz de coeficientes 3 × 3 es la siguiente


 10x1 − 7x2 = 7,
−3x1 + 2x2 + 6x3 = 4,

5x1 − x2 + 5x3 = 6.
Matricialmente tenemos      
10 −7 0 x1 7
 −3 2 6 . x2 = 4 
   
5 −1 5 x3 6
y su matriz ampliada será  
10 −7 0 7
[A|b] =  −3 2 6 4 .
5 −1 5 6
Dado el SEL Ax = b, nuestro objetivo es construir numéricamente en la computadora un

sistema equivalente Ux = c, donde U es una matriz triangular superior de modo que pode-
mos resolverlo con sustitución regresiva. En “Algebra Lineal” vimos cómo aplicar operaciones
elementales renglón a renglón para lograr esto, sin embargo, en los “Métodos Numéricos” será
necesario hacer otras consideraciones por los errores numéricos que se van generando y propa-
gando y que pueden afectar seriamente la aproximación de nuestra solución.

PASO 1
• La 1era. fila se usa para eliminar los elementos de la 1era. columna debajo de la diagonal
principal.
• El elemento a11 = 10 se usa como pivote.
• Los valores mk1 con k = 2, 3 son los multiplicadores:
 
a11 = 10 (pivote) 10 −7 0 7
m21 = a21 /a11 = −0.3  −3 2 6 4 
m31 = a31 /a11 = 0.5 5 −1 5 6
 
10 −7 0 7
r2 − m21 r1 7−→  0 −0.1 6 6.1 
r3 − m31 r1 7−→ 0 2.5 5 2.5
En rojo son los coeficientes de la matriz que se modifican en cada paso del algoritmo.
PASO 2
• Usamos la 2da. fila para eliminar los elementos de la 2da. columna debajo de la diagonal
principal.
• El elemento a22 = −0.1 se usa como pivote.
• Los valores mk2 con k = 3 es el multiplicador:
 
10 −7 0 7
a22 = −0.1 (pivote)  0 −0.1 6 6.1 
m32 = a32 /a22 = −25 0 2.5 5 2.5
 
10 −7 0 7
 0 −0.1 6 6.1 
r3 − m32 r2 7−→ 0 0 155 155
Usando sustitución regresiva:
155x3 = 155 =⇒ x3 = 1.
Sustituyendo en la 2da. ecuación:
−0.1x2 + 6(1) = 6.1 =⇒ x2 = −1.
Sustituyendo en la 1er. ecuación:
10x1 + (−7)(−1) = 7 =⇒ x1 = 0.
Finalmente, la solución al sistema es:
 
0
x =  −1  .
1

Definición (Pivotes y multiplicadores). Sea A la matriz de dimensión n × n con

coeficientes (aij ) para i,j=1,...,n.
• El elemento aqq de la matriz de coeficientes en el PASO q-ésimo que se usará

para la eliminación de los coeficientes
arq r = q + 1, q + 2, . . . , n
se llama q-ésimo pivote y su fila q-ésima fila pivote.
• Los números
arq
mrq = r = q + 1, q + 2, . . . , n
aqq
con los que se multiplica la fila pivote para restarle las correspondientes filas
posteriores se llaman multiplicadores.
El siguiente Teorema asegura que si la matriz es inversible, entonces puedo aplicar el método
de eliminación Gaussiana y obtener una matriz triangular superior inversible.
Teorema 6.4.2. Consideremos el SEL
Ax = b
y sea A la matriz de coeficientes de orden n × n inversible. Entonces existe un SEL

equivalente:
Ux = c
donde U es triangular superior con elementos diagonales ukk 6= 0.
Demostración. Consultar [MaFi2000], p. 141.

A continuación construiremos U y c en una implementación en MATLAB para luego
usar sustitución regresiva para resolver este último SEL equivalente al primero y aproximar
numéricamente la solución del sistema.

Código en MATLAB: Gauss.m

function x = Gauss(A,b)
% Cálculo solución del SEL Ax=b mediante eliminación Gaussiana
% Datos: A matriz invertible nxn, b vector nx1
% Resultado: x solución nx1 del sistema Ax=b
% Inicialización
[n n] = size(A);
% Cálculo matriz ampliada
Aum = [A b];
for q=1:n-1
x=x’;
% Proceso de eliminación en columna q-ésima
for k=q+1:n
m = Aum(k,q) / Aum(q,q);
Aum(k,q:n+1) = Aum(k,q:n+1) - m*Aum(q,q:n+1);
end
% Sustitución regresiva (hacia atrás)
x(n) = Aum(n,n+1)/Aum(n,n);
for k=n-1:-1:1
x(k) = (Aum(k,n+1) - Aum(k,k+1:n)*x(k+1:n)’) / Aum(k,k);
end
end
Notemos que cuando en el PASO q-ésimo:
aqq = 0
éste aqq no puede usarse como pivote. Entonces, buscamos en la columna k-ésima el coeficiente
akq 6= 0 para algún k entre q + 1 ≤ k ≤ n. Una vez hayado dicho valor, intercambiamos la
fila q-ésima con la k-ésima. Este proceso se conoce como pivoteo trivial y aparece en nuestra
implementación en las siguientes sentencias.
% Verificación
if (Aum(q,q) == 0)
disp(’A no es inversible. No hay solución o no es única’);
break
end
El proceso de eliminación Gaussiana al resolver sistemas, es afectado por errores de redondeo

debido a la gran cantidad de operaciones que realiza y la representación de números en punto
flotante que maneja. Sin embargo en este método no aparecen errores de truncamiento debido
a que no estamos iterando con algún esquema numérico.
Para abordar y minizar este tipo de error de redondeo en este caso, existen algunas técnicas
numéricas que permiten disminuir el efecto de este error y que son tenidas en cuenta en la
mayorı́a de las implementaciones de la eliminación Gaussiana.

Ejemplo 6.4.4. El pivoteo parcial

El cálculo de multiplicadores y la sustitución regresiva requieren divisiones. El algoritmo no
puede realizarse si algún pivote es cero o “casi cero”. Modifiquemos el ejemplo anterior pertur-
bando un coficiente de la matriz y trabajemos con 5 cifras significativas a redondeo simétrico:
     
10 −7 0 x1 7
 −3 2.099 6  .  x2  =  3.901  .
5 −1 5 x3 6
La solución de este sistema sigue siendo:  
0
x =  −1  .
1
PASO 1  
a11 = 10 (pivote) 10 −7 0 7
m21 = a21 /a11 = −0.3  −3 2.099 6 3.901 
m31 = a31 /a11 = 0.5 5 −1 5 6
 
10 −7 0 7
r2 − m21 r1 7−→  0 −0.001 6 6.001 
r3 − m31 r1 7−→ 0 2.5 5 2.5
PASO 2  
10 −7 0 7
a22 = −0.001 (pivote)  0 −0.001 6 6.001 
m32 = a32 /a22 = −2500 0 2.5 5 2.5
a2,3 = 5 − (−2500) ∗ 6 = 5 + 15000 = 15005

a2,4 = 2.5 − (−2500) ∗ 6.001 = 2.5 + 15002.5
≈ 2.5 + 15003 = 15005.5 ≈ 15006.
 
10 −7 0 7
 0 −0.001 6 6.001 
r3 − m32 r2 7−→ 0 0 15005 15006
Usando sustitución regresiva:
15005 x3 = 15006 =⇒ x3 ≈ 1.0001.
Sustituyendo en la 2da. ecuación
(−0.001)x2 + 6(1.0001) = (−0.001)x2 + 6.0006 = 6.001
(−0.001) x2 ≈ 0.0004 =⇒ x2 ≈ −0.4
Finalmente en la 1er. ecuación
10x1 + (−7)(−0.4) = 10x1 + 2.8 = 7 =⇒ x1 ≈ 0.42.
La solución ahora es:  
0.42
x =  −0.4  .
1.0001
Para evitar la propagación de errores de redondeo usamos la estrategia de pivoteo parcial.

• Para cada columna q = 1, ..., n − 1
1. Encontrar la fila pivote q-ésima “más grande”
aq̃q = max{|aqq | , |aq+1q | , . . . , |an−1q | , |anq |}.
2. Intercambiar la fila q-ésima con la q̃-ésima, salvo que q = q̃.

3. Eliminar los aiq de la variable xq para las filas i = q + 1, ..., n.
Como aq̃q ≥ |aiq | para i = q, q + 1, ..., n:
|aiq |
(multiplicadores) 0 ≤ |miq | = ,≤ 1 i = q, q + 1, ..., n.
aq̃q
Notemos que los multiplicadores caen en el intervalo [0, 1] donde hay mayor densidad de repre-
sentación en punto flotante. Esto permite reducir el error de redondeo en la representación de
los números.
Para evitar más aún la propagación de errores de redondeo usamos otra estrategia conocida
como pivoteo parcial escalado.
• Para cada columna q = 1, ..., n − 1
1. Encontrar el coeficiente “más grande” en cada fila:
si = max{|aiq | , |aiq+1 | , ..., |ain |} i = q, q + 1, . . . , n
2. La fila pivote será:

aq̃q |aqq | |aq+1q | |anq |
= max , ,...,
sq̃ sq sq+1 sn
3. Intercambiar fila q-ésima con fila q̃-ésima salvo que q = q̃.
4. Eliminar los aiq de la variable xq para las filas i = q + 1, ..., n.
Código en MATLAB: Gauss.m

for q=1:n-1
% Pivoteo parcial con escalonamiento
S = max(abs(Aum(q:n,q:n))’);
[Y,j] = max(abs(Aum(q:n,q))./S’);
% Intercambio de la fila q-esima con la fila k-esima
C = Aum(q,:);
Aum(q,:) = Aum(j+q-1,:);
Aum(j+q-1,:) = C;
end

Finalmente, algunas consideraciones en la eliminación Gaussiana son las siguientes:

• Error de truncamiento: No aparece este error, sólo error de redondeo. Si no hubiese
error de redondeo tendrı́amos la solución exacta en n pasos.
• Error de redondeo: Puede ser serio. Se recomienda el uso ”Pivoteo parcial” o ”Pivoteo
parcial escalado” para minimizarlo.
• Esfuerzo computacional: En la Tabla 6.6 se muestran la cantidad de operaciones para

un SEL cuadrado n × n. Esto significa que se requieren alrededor de n3 operaciones para
la eliminación Gaussiana. La sustitución regresiva alrededor n2 operaciones. Y el total
de operaciones cerca de n3 .
Elim. Gaussiana Sust. regresiva Total
2 3 2 3
F lops 3
n + o(n2 ) n2 + o(n) 3
n + o(n2 )
Tabla 6.6: Cantidad de operaciones en la eliminación Gaussiana.

• Sistemas mal condicionados: Existen sistemas de ecuaciones lineales que pueden ser
sistemas “mal condicionados” (veremos). Esto significa que pequeños cambios en los
elementos de A o en el lado derecho b provocan grandes cambios en el vector solución x.
Estos SEL son proclives a tener más errores de redondeo.
Factorización LU: En ciertos casos, la matriz de coeficientes de un sistema de ecuaciones
lineales puede ser factorizado como el producto de dos matrices triangulares. Existen varios ti-
pos de factorizaciones que tienen ciertas ventajas en algunos procesos numéricos determinados.
En nuestro caso, estudiaremos la factorización LU.
Definición (Factorización LU). Diremos que una matriz A invertible admite una
factorización LU si podemos expresarla como el producto
A = LU
siendo:
• L: matriz triangular inferior (Lower)

• U: matriz triangular superior (Upper)
Matricialmente, tendremos que si A es inversible:

    
a11 a12 . . . a1n 1 0 ... 0 u11 u12 . . . u1n
 a21 a22 . . . a2n   ... ..   . 
   m21 1 .  0 u22 . . u2n 
 .. .. . . .   .
= ... ...  .. . . . . . 
 . . . ..   .. 0  . . . .. 
an1 an2 . . . ann mn1 . . . mnn−1 1 0 . . . 0 unn
La invertibilidad de A asegura que la diagonal ukk 6= 0.

Suponiendo que A admite una factorización LU, ¿cómo resuelvo Ax = b? Notemos que
Ax = (LU)x = L(Ux) = Ly = b
o
donde y = Ux. Por lo tanto 1 ) Ly = b (hallo y)
2o ) Ux = y (hallo x)
Si la eliminación Gaussiana para resolver el SEL Ax = b pueda llevarse a cabo hasta el
final sin intercambio de filas entonces es posible realizar la factorización LU. Es importante
porque una vez hallada la factorización LU podemos resolver el SEL para distintos vectores b.
Veamos cómo determinamos las matrices triangulares L y U.
Ejemplo 6.4.5. Volvamos nuevamente al ejemplo 3 × 3 original:
     
10 −7 0 x1 7
 −3 2 6  .  x2  =  4  .
5 −1 5 x3 6
Matricialmente hicimos:
    
10 −7 0 1 0 0 10 −7 0
 0 −0.1 6  =  −0.3 1 0   −3 2 6  = M1 A
0 2.5 5 0.5 0 1 5 −1 5
    
10 −7 0 1 0 0 10 −7 0
 0 −0.1 6  =  0 1 0   0 −0.1 6  = M2 (M1 A)
0 0 155 0 −25 1 0 2.5 5
Por ende
U = M2 M1 A.
Suponiendo que las matrices triangulares inferiores M1 y M2 son inversibles (lo son), entonces
M−1 −1
1 M2 U = A.
Llamando L1 = M−1 1 y L2 = M−1 2 a las inversas de las matrices triangulares inferiores (que
también serán triangulares inferiores)
L1 L2 U = A =⇒ LU = A
siendo L = L1 L2 matriz triangular inferior por ser producto de matrices triangulares inferiores.
Por ende, los elementos de L y U son calculados en el proceso de eliminación Gaussiana.
El siguiente Teorema nos garantiza este hecho:
Teorema 6.4.3. Consideremos el SEL Ax = b donde A de orden n × n. Supongamos
que podemos realizar el proceso de eliminación Gaussiana sin intercambio de filas.
Entonces A puede factorizarse como el producto de una matriz triangular inferior L y
una matriz superior U. Esto es, A = LU.
Demostración. Ver [MaFi2000], p. 158.

Una vez construidas L y U, usamos la sustitución regresiva y progresiva para resolver este
último SEL equivalente al original.
Código en MATLAB: DescompLU.m

function x = DescompLU(A,b)
% Calculo solucion sistema lineal Ax=b mediante descomposicion LU
% Datos: A matriz invertible nxn, b vector nx1
% Resultado: x solucion del sistema Ax=b
... (idem Gauss.m)
% Resolucion para determinar y con sustitucion progresiva (hacia adelante)
y(1) = b(1);
for k=2:n
y(k) = b(k) - A(k,1:k-1)*y(1:k-1)’;
end
% Resolucion para determinar x con sustitucion regresiva (hacia atras)
x(n) = y(n)/A(n,n);
for k=n-1:-1:1
x(k) = (y(k) - A(k,k+1:n)*x(k+1:n)’) / A(k,k);
end
x=x’;
end
Ejemplo 6.4.6. Volvamos otra vez nuestro ejemplo 3 × 3 modificado:

     
10 −7 0 x1 7
 −3 2.099 6  .  x2  =  3.901  .
5 −1 5 x3 6
Resolviendo por eliminación Gaussiana con pivoteo parcial, tuvimos que permutar en el PASO
2 la 2da. fila con la 3era. dado que el pivote lo encontramos de calcular:
max{|−0.001| , |2.5|}.
Entonces  
10 −7 0 7
a22 = 2.5 (pivote)  0 2.5 5 2.5  .
m32 = a32 /a22 = −0.0004 0 −0.001 6 6.001
Matricialmente
    
10 −7 0 1 0 0 10 −7 0
 0 −0.001 6  =  −0.3 1 0   −3 2.099 6  = M1 A,
0 2.5 5 0.5 0 1 5 −1 5
    
10 −7 0 1 0 0 10 −7 0
 0 2.5 5  =  0 0 1   0 −0.001 6  = PM1 A.
0 −0.001 6 0 1 0 0 2.5 5

Notemos que es este caso estamos introduciendo una nueva matriz en el proceso matricial.
Esta matriz P se conoce como matriz de permutación
 
1 0 0
P =  0 0 1 .
0 1 0
Cada vez que intercambio filas en la eliminación Gaussiana matricialmente estoy multiplicando
por una matriz de permutación.
Definición (Matriz de permutación). Una matriz de permutación P de orden
n × n es tal que cada fila y cada columna tiene solo un elemento igual a 1. Es decir,
es la matriz identidad con filas y columnas intercambiadas.
Una matriz de permutación es inversible y su inversa es
P−1 = P .
T
Ejemplo 6.4.7. Matriz de permutación de orden 4 × 4

 
0 1 0 0
 1 0 0 0 
P=  0 0 0 1 .

0 0 1 0
Si hacemos PA permutamos la 1era. con 2da. fila de A y también la 3era. con la 4ta.
Ahora podemos generalizar el proceso de eliminación Gaussiana matricialmente consideran-

do los intercambios de filas aportados por el pivoteo parcial (o escalado) y teniendo en cuenta
las matrices de permutación introducidas en cada caso:
• Sean Pk con k = 1, . . . , n − 1 las matrices de permutación obtenidas en los intercambios

de filas de la matriz A en el paso k-ésimo de la eliminación Gaussiana.
• Sean Mk con k = 1, . . . , n−1 las matrices unitarias triangulares inferiores que se obtienen
con los multiplicadores debajo de la k-ésima diagonal en el paso k-ésimo.
• Sea U la matriz triangular superior obtenida después de (n − 1) pasos en la eliminación

Gaussiana.
• Entonces el proceso puede describirse matricialmente como:
U = Mn−1 Pn−1 . . . M2 P2 M1 P1 A
equivalente a (consultar [TrBa1997]):

U = M′n−1 . . . M′2 M′1 (Pn−1 . . . P2 P1 ) A
donde M′k = Pn−1 . . . Pk+1 Mk P−1 −1

k+1 . . . Pn−1 .

• Llamando: −1
L = M′n−1 . . . M′2 M′1 = L1 L2 . . . Ln−1
a la matriz triangular inferior que contiene los multiplicadores donde Lk = M′−1
k
• Y llamando
P = Pn−1 . . . P2 P1
la matriz de permutación que contiene todos los intercambios.
• Obtenemos que
U = L−1 PA
o equivalentemente
PA = LU
que se conoce como la factorización indirecta LU de A.
Teorema 6.4.4. Condición suficiente para la factorización indirecta LU

Si A es una matriz inversible, entonces existe una matriz de permutación P tal que
PA admite una factorización triangular
PA = LU.

Entonces, suponiendo que A admite una factorización indirecta LU, veamos cómo resolve-
mos Ax = b. En este caso,
PAx = (LU)x = L(Ux) = Ly = Pb
donde y = Ux. Por ende,
1o ) Ly = Pb
2o ) Ux = y
MATLAB tiene incorporada una función intrı́nseca que usando el método de eliminación
Gaussiana con pivoteo parcial devuelve la matriz triangular inferior L, la matriz triangular
superior U y la matriz de permutación P.
El comando lu de MATLAB:
>> [L,U] = lu(A)
Devuelve una triangular superior U y una matriz L producto de la matriz triangular inferior y
la matriz de permutación.
>> [L,U,P] = lu(A)
Devuelve la triangular inferior L con diagonal de unos, la triangular superior U y la matriz de
permutación P de modo que puedo reconstruir P*A = L*U.

6.4.3 Métodos Iterativos

Una de las ventajas de utilizar métodos iterativos para resolver numéricamente sistemas lineales
de ecuaciones es que la cantidad de operaciones que necesitamos para resolver un SEL n × n
es del orden o(n2 ), mientras que con algún método directo (eliminación Gaussiana, LU, etc) la
cantidad de operaciones es del orden o(n3 ). Recordemos que el método de Gauss y sus variantes
se conocen como métodos directos, dado que en un número finito de pasos generan una solución
numérica aproximada que serı́a la exacta si no fuera afectada por los errores de redondeo de la
computadora.
Los métodos iterativos generan una sucesión de vectores que idealmente convergen a la
solución del SEL. El proceso itera desde una aproximación inicial hasta alcanzar una tolerancia
introducida inicialmente devolviendo una solución aproximada que se verá ahora afectada por
errores de truncamiento, además de los de redondeo. Es decir, que si bien ahorraremos en
introducir una cantidad de errores de redondeo por la aritmética de los cálculos, introduciremos
error de truncamiento.
Para sistemas de ecuaciones lineales grandes (con miles de ecuaciones), los métodos iterativos
presentan ventajas decisivas respecto a los métodos directos en cuanto a velocidad y memoria
de almacenamiento. Incluso muchas veces son pocas las iteraciones necesarias para alcanzar la
tolerancia deseada.
Para sistemas de ecuaciones “ralos” (sparse), los cuales una gran proporción de los elemntos
de la matriz de coeficientes son ceros, los métodos iterativos presentan enormes ventajas por
sobre los métodos directos. Esto último ocurre en la solución numérica de ecuaciones en
derivadas parciales. Además, los métodos iterativos son muy estables numéricamente. Una
colección de matrices provienentes de aplicaciones reales puede consultarse en Matrix-Market.
En esta Sección nos limitaremos a estudiar los métodos iterativos de Jacobi y Gauss-Seidel,
ası́ como algunas condiciones para garantizar la convergencia de los mismos.
Algunos conceptos previos:

Debido a que tanto un vector como una matriz podemos verlos como elementos de un espacio
vectorial normado, recordemos su definición vista en los curso de Algebra Lineal.
Definición (Norma sobre un espacio vectorial). Sea (V, +, .) un espacio vectorial
con sus operaciones + suma de vectores y . producto por escalares (en R o C). Una
norma k.k es una función a valores reales que satisface:
kxk > 0 ∀x 6= 0.
kxk = 0 sı́ y solo sı́ x = 0.
kλxk = |λ|kxk λ ∈ R.
kx + yk ≤ kxk + kyk. (desigualdad triangular)
Decimos que (V, k.k) es un espacio vectorial normado.
Observaciones:
• La noción de norma generaliza el concepto de longitud.
• Trabajaremos con los espacios vectoriales V = Rn (vectores) o V = Rm×n (matrices).

Sobre estos espacios definiremos algunas normas muy usadas en el cálculo numérico.
Definición (p-normas). Sea x = (x1 , ..., xn ) ∈ Rn . Las p-normas se definen como:

!1/p
X
n
kxkp = |xi |p 1 ≤ p ≤ ∞.
i=1
Ejemplo 6.4.8. En particular nos interesan:

X
n
p = 1 7−→ kxk1 = |xi | (Norma 1)
i=1
!1/2
X
n
p = 2 7−→ kxk2 = |xi |2
(Norma Euclı́dea)
i=1
p = ∞ 7−→ kxk∞ = max |xi | (Norma infinito)

i=1,...,n
Si por ejemplo consideramos la bola unitaria en la p-norma como el siguiente conjunto
B = {x ∈ V : kxkp ≤ 1},
geométricamente tendremos las representaciones mostradas en la Figura 6.24. Este concepto

generaliza la noción de norma euclidea estudiada en otros cursos.
Figura 6.24: Bola unitaria en distintas normas.

En MATLAB tenemos predefinida la función norm(x,p) que calcula la kxkp de un vector.
El comando norm de MATLAB:

>> x=(1:4)/5
x = 0.2000 0.4000 0.6000 0.8000
>> norm1=norm(x,1)
norm1 = 2
>> norm2=norm(x) (por defecto calcula la norma kxk2 )
norm2 = 1.0954
>> norminf=norm(x,inf)
norminf = 0.8000
Código en MATLAB: normap.m

function np = normap(x,p)
% Cálculo de norma p-ésima de un vector
% Datos: - x vector nx1
% - p norma a calcular (1<=p<= inf)
% Resultado:
% - np norma p-ésima de x
if p == inf
np = max(abs(x));
else
np = (sum(abs(x).^p)) ^(1/p);
end
También pueden definirse normas matriciales, o sea, normas en el espacio de matrices Rm×n .
Ejemplo 6.4.9. Dada A = (aij )i,j=1,...,n , algunas normas matriciales son:
X
n
p = 1 7−→ kAk1 = max |aij | (Norma 1)
j=1,...,n
i=1
!1/2
X
n
p = 2 7−→ kAk2 = |aij |2 (Norma Euclı́dea)
i,j=1
X
n
p = ∞ 7−→ kAk∞ = max |aij | (Norma infinito)
i=1,...,n
j=1
Observación: En algunos desarrollos teóricos, no utilizaremos la norma euclı́dea dado que

no satisface la condición de compatibilidad definida de la siguiente manera para cierta
p-norma :
kAxkp ≤ kAkp kxkp .
Sin embargo, a fines prácticos, la norma euclı́dea puede ser implementada y usada.

La noción de iteración:
Una técnica fundamental de resolución en los Métodos Numéricos es la idea de iteración.
Esta consiste en repetir un proceso determinado para obtener una sucesión de valores hasta
un resultado suficientemente aproximado (que idealmente converge a la solución). Se necesita
un esquema iterativo (regla, fórmula, función), una condición inicial y un tolerancia de
corte. Estos esquemas se utilizan en hallar raı́ces de ecuaciones, soluciones de sistemas de
ecuaciones lineales y no lineales, entre otros. Nosotros estudiaremos el proceso de iteración que
consiste en sustituir repetidamente un valor obtenido en una misma fórmula.
Sea x ∈ Rn y G : Rn → Rn una función para calcular los términos sucesivos a partir de
x = G (x) .
Generamos una sucesión {x(k) } mediante el proceso iterativo:

x(k+1) = G x(k) , k ≥ 0
siendo p(0) la condición inicial. Nuestro objetivo es que
p(k) −→ r
siendo r la solución de nuestro problema numérico. En general, detendremos nuestro proceso

cuando la tolerancia sea la deseada, es decir, cuando la p-norma entre dos aproximaciones
sucesivas se encuentren “cerca”:
kp(k+1) − p(k) kp < tolerancia.
El método iterativo de Jacobi :

Consideremos el SEL: 
 4x1 − x2 + x3 = 7,
4x1 − 8x2 + x3 = −21,

−2x1 + x2 + 5x3 = 15.
Despejando una incógnita de cada ecuación, este sistema puede escribirse como:
7 + x2 − x 3
x1 = ,
4
21 + 4x1 + x3
x2 = ,
8
15 + 2x1 − x2
x3 = .
5
Lo cual sugiere el siguiente esquema iterativo:
(k−1) (k−1)
(k) 7 + x2 − x3
x1 = ,
4
(k−1) (k−1)
(k) 21 + 4x1 + x3
x2 = , k ≥ 1,
8
(k−1) (k−1)
(k) 15 + 2x1 − x2
x3 = ,
5
donde el supraı́nidice k indica el número de la iteración k-ésima. Además, necesitamos un

vector de aproximación inicial:
h iT
(0) (0) (0)
x0 = x 1 , x 2 , x 3 .
Este esquema se conoce como método iterativo de Jacobi.
Ejemplo 6.4.10. Tomando como vector inicial x0 = [1, 2, 2]T en el ejemplo anterior obtenemos
la primer aproximación de Jacobi:
(1) 7+2−2
x1 = = 1.75,
4
(1) 21 + 4.(1) + 2
x2 = = 3.375,
8
(1) 15 + 2.(1) − 2
x3 = = 3.
5
Luego, reemplazando esta aproximación nuevamente en el esquema, obtenemos la segunda:
(2) 7 + 3.375 − 3
x1 = = 1.84375,
4
(2) 21 + 4.(1.75) + 3
x2 = = 3.875,
8
(2) 15 + 2.(1.75) − 3.375
x3 = = 3.205.
5
Y ası́ obtendremos la sucesión de vectores:
h iT
(0) (0) (0)
x0 = x1 , x2 , x3 = [1.0000, 2.0000, 2.0000]T
h iT
(1) (1) (1)
x1 = x1 , x2 , x3 = [1.7500, 3.3750, 3.0000]T
h iT
(2) (2) (2)
x2 = x1 , x2 , x3 = [1.8438, 3.8750, 3.2050]T
h iT
(3) (3) (3)
x3 = x1 , x2 , x3 = [1.9625, 3.9250, 2.9625]T
h iT
(4) (4) (4)
x4 = x1 , x2 , x3 = [1.9906, 3.9766, 3.0000]T
h iT
(5) (5) (5)
x5 = x1 , x2 , x3 = [1.9941, 3.9953, 3.0009]T
h iT
(6) (6) (6)
x6 = x1 , x2 , x3 = [1.9986, 3.9972, 2.9986]T
h iT
(7) (7) (7)
x7 = x1 , x2 , x3 = [1.9996, 3.9991, 3.0000]T
h iT
(8) (8) (8)
x8 = x1 , x2 , x3 = [1.9998, 3.9998, 3.0000]T
h iT
(9) (9) (9)
x9 = x1 , x2 , x3 = [1.9999, 3.9999, 2.9999]T
h iT
(10) (10) (10)
x10 = x1 , x2 , x3 = [2.0000, 4.0000, 3.0000]T
que vemos converge al vector x = [2, 4, 3]T que es la solución del SEL inicial.

En general, podemos decir que dado el SEL Ax = b el esquema de Jacobi es:

 Pn

 x
(k)
= b − a x
(k−1)
/a11 ,

 1

1 j=1, j̸=i 1j j


 P
 x(k) = b2 − n a2j x
(k−1)
/a22 ,
2 j=1, j̸=i j


..

 .

 Pn
 x(k)
n = bn − j=1, j̸=i a nj x
(k−1)
j /ann .
Código en MATLAB: Jacobi.m

function x = Jacobi(A,b,x0,tol,itmax)
% Método iterativo de Jacobi
% A : matriz invertible nxn
% b : lado derecho n x 1
% x0 : estimación inicial
% tol : tolerancia
% itmax : número máximo de iteraciones
% x : vector nx1 aproximacion solución SEL Ax=b
n = length(b);
x0=x0’;
if diagdom(A) == 0, disp(’No se garantiza convergencia’);
end
iter = 0;
while 1
iter=iter + 1;
for i =1:n
x(i) = b(i);
for j=1:n
if j = i, x(i) = x(i) - A(i,j)*x0(j);
end
end
x(i) = x(i) / A(i,i);
err = normap(x-x0,2);
if err < tol, x=x’, break,
end (Criterio de parada por tolerancia)
if iter == itmax, disp(’Número máximo de iteraciones alcanzado’);
x=x’, break (Criterio de parada por iteraciones)
end
end
x0 = x;
end
¿Cuando cortamos Jacobi.m? Tenemos dos criterios de corte o de parada. Uno dado
cuando se alcance la tolerancia pasada como parámetro de entrada de la función y medida
como la norma entre dos aproximaciones sucesivas de Jacobi. La otra será el número máximo
de iteraciones que realizará la implementación del método. Ésta última nos garantiza que el
esquema dejará de iterar y no caerá en un ciclo infinito.

El metódo iterativo de Gauss-Seidel :
Para mejorar la convergencia del método de Jacobi modificamos el esquema iterativo. De

la primera ecuación despejamos la primer incógnita x1 , de la segunda ecuación despejamos
la segunda incógnita x2 pero tomando actualizada la incógnita x1 , y de la tercer ecuación
despejamos la tercer incógnita x3 con las actualizaciones de x1 y x2 . Esto es:
(k−1) (k−1)
(k) 7 + x2 − x3
x1 = ,
4
(k) (k−1)
(k) 21 + 4x1 + x3
x2 = , k ≥ 1,
8
(k) (k)
(k) 15 + 2x1 − x2
x3 = ,
5
donde los supraı́ndices en verde son la diferencia con el método de Jacobi. Este esquema
iterativo se conoce como método iterativo de Gauss-Seidel.
Ejemplo 6.4.11. Usando la misma aproximación inicial x0 = [1, 2, 2]T obtenemos la sucesión:
h iT
(0) (0) (0)
x0 = x1 , x 2 , x 3 = [1.0000, 2.0000, 2.0000]T
h iT
(1) (1) (1)
x1 = x1 , x 2 , x 3 = [1.7500, 3.3750, 2.9200]T
h iT
(2) (2) (2)
x2 = x1 , x 2 , x 3 = [1.9500, 3.9688, 2.9862]T
h iT
(3) (3) (3)
x3 = x1 , x 2 , x 3 = [1.9956, 3.9961, 2.9990]T
h iT
(4) (4) (4)
x4 = x1 , x 2 , x 3 = [1.9993, 3.9995, 2.9998]T
h iT
(5) (5) (5)
x5 = x1 , x 2 , x 3 = [1.9999, 3.9999, 3.0000]T
h iT
(6) (6) (6)
x6 = x1 , x 2 , x 3 = [2.0000, 4.0000, 3.0000]T
que converge al vector solución x = [2, 4, 3]T . Notemos que lo hace en menos iteraciones.
En general, dado el SEL Ax = b

 P

 (k)
x1 =
(k−1)
b1 − nj=2 a1j xj /a11 ,



 P

 x
(k)
=
(k)
b2 − a21 x1 − j=3 a2j xj
n (k−1)
/a22 ,

 2
(k) (k) (k) P (k−1)
x3 = b3 − a31 x1 − a32 x2 − nj=4 a3j xj /a33 ,



 ..

 .

 Pn−1

 x(k) = bn − anj xj
(k)
/ann .
n j=1

Código en MATLAB: Gauss-Seidel

function x = Jacobi(A,b,x0,tol,itmax)
% Metodo iterativo de Gauss-Seidel
% A : matriz invertible nxn
% b : lado derecho n x 1
% x0 : estimacion inicial
% tol : tolerancia
% itmax : numero maximo de iteraciones
% x : vector nx1 aproximacion solucion SEL Ax=b
...
(idem Jacobi.m)
...
for i =1:n
x(i) = b(i);
for j=1:n
if j = i
x(i) = x(i) - A(i,j)*x(j); (diferencia con Jacobi.m)
end
end
x(i) = x(i) / A(i,i);
end
...
(idem Jacobi.m)
...
Nos preguntamos ahora, ¿cuando convergen estos esquemas iterativos? Es decir, bajo qué
condiciones podemos tener asegurarada la convergencia de estos esquemas para cierta tolerancia
y cierto punto de arranque. Para responder esto, introduciremos un concepto muy importante
del Análisis Numérico.
Definición. Decimos que una matriz A nxn es estrictamente diagonal dominante

o directamente diagonalmente dominante sii:
X
n
|aii | > |aij | , i = 1, . . . , n.
j=1, j̸=i
Ejemplo 6.4.12. La matriz anterior es diagonalmente dominante pues:
|4| > | − 1| + |1|,

| − 8| > |4| + |1|,
|5| > | − 2| + |1|.

El siguiente Teorema garantiza la convergencia de los métodos de Jacobi y Gauss-Seidel

cuando la matriz es diagonalmente dominante.
Teorema 6.4.5. Si A es una matriz diagonalmente dominante, los métodos iterativos
de Jacobi y Gauss-Seidel convergen a la solución del SEL Ax = b para cualquier vector
inicial x0 .

En las implementaciones de los algoritmos tenemos agregada una función que nos permite
determinar numéricamente cuando la matriz de coeficientes del SEL es diagonalmente domi-
nante.
Código en MATLAB: diagdom.m

function z = diagdom(A)
% Determina si la matriz A es diagonalmente dominante
% Datos: A matriz invertible nxn
% Resultado: z variable logica: 0 false - 1 true
n = length(A);
i = 0;
z = 1;
while ( i < n && z == 1 )
i = i+1;
if sum(abs(A(i,:))) >= 2*abs(A(i,i))
z = 0;
end
end
end
Algunas consideraciones sobre estos métodos iterativos:
• Si A es una matriz inversible con diagonal no nula del SEL Ax = b (aii 6= 0 ∀i =

1, . . . , n), no siempre está garantizada la convergencia de las esquemas iterativos de Jacobi
y Gauss-Seidel.
• Las iteraciones de Jacobi y Gauss-Seidel aplicadas al mismo SEL pueden ser ambas con-
vergentes, ambas divergentes, o bien una cualquiera de ellas convergente y la otra no.
• Cuando las iteraciones de Jacobi y Gauss-Seidel resultan ambas convergentes, en general,

pero no siempre, las iteraciones de Gauss-Seidel convergen en menos iteraciones (más
“rápidamente”) que las de Jacobi.
• Si bien estos algoritmos son fáciles de entender e implementar, son poco usados en apli-
caciones. En general, los métodos iterativos más usados para resolver grandes SEL son
los de tipo Krylov. Consultar [Saad2003].

El vector residual:
Al resolver en una máquina un sistema de ecuaciones lineales Ax = b con precisión finita,
obtenemos una aproximación x̃ del vector solución x:
x̃ = x + ∆x
que se verá afectada por errores de redondeo (en los métodos directos), y por errores de redon-
deo y truncamiento (en los métodos iterativos). Ahora queremos conocer cuánto difiere nuestra
solución x̃ de la solución exacta x. Para esto, introduciremos los siguientes conceptos.
Definición. Llamaremos vector residual al vector:
r = b − Ax̃
y vector error al vector:

e = x − x̃
El número de condición de una matriz:

Otro concepto muy importante es el concepto de número de condición asociado a una matriz y
el de sistema de ecuaciones mal condicionado.
Definición. Un SEL Ax = b se dice que está mal condicionado si pequeños cambios

en la matriz de coeficientes A o del vector del lado derecho b generan grandes cambios
en el vector solución x.
Por ejemplo, pueden darse las siguientes situaciones:
• Caso 1. Modificamos solo el vector del lado derecho:
A(x + ∆x) = (b + ∆b)
• Caso 2. Modificamos solo la matriz de coeficientes:

(A + ∆A)(x + ∆x) = b
• Caso 3. Modificamos ambos:

(A + ∆A)(x + ∆x) = (b + ∆b)
Cada una de estas perturbaciones generará una modificación en la aproximación de nuestra

solución. Si nuestro SEL está bien condicionado, pequeñas modificaciones generarán pequeñas
modificaciones en el vector solución. Sin embargo, si el sistema está mal condicionado, nuestra
nueva solución aproximada del sistema perturado puede distar mucho de la solución del sistema
sin perturbar. Se presenta entonces el problema de cómo medir el condicionamiento de un SEL.

Definición. Siendo A una matriz inversible, llamamos número de condición a:
κ(A) = kAk.kA−1 k
donde k.k es una norma que satisface la condición de compatibilidad.
Para calcular el número de condición de una matriz en una computadora no se utiliza la

definición anterior debido al costo computacional de calcular la inversa de A. Se utilizan otros
métodos numéricos de aproximación para aproximar κ(A). El MATLAB tenemos una función
incorporada que aproxima dicho número.
Código en MATLAB: el comando cond

>> A = [4 -1 1; 4 -8 1; -2 1 5];
>> k = cond(A)
k = 3.1467
>> B = [4.1 2.8; 9.7 6.6]
>> k = cond(B)
k = 1.6230e+03
El siguiente Teorema establece una cota para el error relativo de la aproximación de un SEL
que depende del número de condición.
Teorema 6.4.6. El error relativo al resolver Ax = b está acotado por:
1 krk kek krk

≤ ≤ κ(A)
κ(A) kbk kxk kbk
donde e = x − x̃ es el error absoluto y r = b − Ax̃ el vector residual.
Demostración. Consultar [Mole2015].

Algunas consideraciones:
• Cuando mayor sea κ(A), mayor será la cota del error relativo.
• Notemos que κ(A) ≥ 1 para toda matriz A inversible y norma compatible.
• Si κ(A) es “pequeño” (cercano a 1), entonces el error relativo también lo será y diremos
que A está “bien condicionada”. En cambio, si κ(A) es “grande”, entonces el error
relativo también lo será y diremos que A está “mal condicionada”.
• Cuando la matriz está muy mal condicionada, puede haber pérdida de precisión en el
cálculo de la solución x. Esto significa queda que en general el SEL será “muy difı́cil” de
resolver por algún método numérico.
• Como regla general puede tomarse que si cond(A) ≈ 10K , entonces podemos perder K
dı́gitos de precisión. Como MATLAB trabaja con 16 dı́gitos de precisión, podemos decir
que si cond(A) ≈ 1/eps, entonces A está mal condicionada.

6.5 Raı́ces y Sistemas de Ecuaciones No Lineales

En la Sección anterior vimos métodos para aproximar la solución de sistemas de ecuaciones
lineales. En esta sección estudiaremos métodos numéricos para hallar raı́ces de ecuaciones no
lineales y de sistemas de ecuaciones no lineales.
Un método numérico para hallar raı́ces de Ecuaciones No Lineales en el caso unidimensional
(1D) es el método de Método de Newton-Raphson (N-R). Hay otros como el métodos de Punto
Fijo, el método de la Bisección, de Secante, entre otros.
Para hallar raı́ces de Sistemas de Ecuaciones No Lineales (SENL) en el caso bidimensional
(2D) estudiaremos el Método de Punto Fijo (PF). También existen otros como el método de
Newton-Raphson para SENL, entre otros. Se puede consultar [MaFi2000].
6.5.2 Método de Newton-Raphson

Nuestro objetivo es hallar numéricamente la raı́z r ∈ (a, b) de f tal que:
f (r) = 0
para cierta función f definida en (a, b) tal que f, f ′ , f ′′ continuas en un intervalo que contenga
un entorno (r − δ, r + δ). En la Figura 6.25 vemos el ejemplo de f (x) = ex − x − 2 donde
x ∈ [−3, 3].
16
exp(x) − x − 2
14
12 Figura 6.25: Gráfica de f (x) = ex − x − 2, x ∈ [−3, 3].

10
Queremos desallorar un algoritmo que produzca una sucesión numérica de valores que con-
8 a dicha raı́z.
verjan
6
4
2
Si x es la aproximación de la raı́z r entonces r = x + h. Como f es dos veces derivable con

continuidad en (a, b), podemos usar el desarrollo de Taylor centrado en x:
f ′′ (ξ) 2
′
f (r) = f (x + h) = f (x) + f (x)h + h.
2!
donde ξ está entre r y x. Si h es pequeña, podemos despreciar el último término, es decir
f (r) ≈ f (x) + f ′ (x)h.
Como f (r) = 0 =⇒ f (x) + f ′ (x)h ≈ 0 =⇒ h ≈ − ff′(x)

(x)
. Entonces podemos escribir
f (x)
r =x+h≈x− .
f ′ (x)
Esta expresión nos sugiere un esquema de iteración. La iteración de N-R será de la forma:
f (xn )
xn+1 = xn − , n ≥ 0,
f ′ (xn )
siendo x0 una aproximación inicial.
16
f(x) = exp(x) − x − 2
14 tangente en (x0,f(x0))
y=f(x)
12 Figura 6.26: Interpretación geométrica de N-R
10
Geométricamente, si considaremos la primera iteración:
8
f (x0 ) 0 − f (x0 )
x1 = x0 − =⇒ f ′ (x0 ) =
6 ′
f (x0 ) x 1 − x0
f(x )
es la4 pendiente de la recta tangente a la gráfica de la 0función que pasa por los puntos: (x0 , f (x0 ))
y (x21 , 0). Es decir, calculamos la pendiente de la recta tangente a la gráfica en el punto x0 , donde
esta recta corta al eje de las ordenadas tenemos la primer aproximación x1 . Ası́ sucesivamente.
0
x1 x0
Capı́tulo
−2 6 2022 226
−4
−4 −3 −2 −1 0 1 2 3 4
√
Ejemplo 6.5.1. Calcular la raı́z cuadrada M siendo M > 0.
Definamos la función
f (x) = x2 − M.
Como f infinitamente derivable y f ′ (x) = 2x,

f (xn ) x2 − M 1 M
xn+1 = xn − ′ = xn − n = xn + .
f (xn ) 2xn 2 xn
Para el caso M = 2,
1 2
xn+1 = xn + , n ≥ 0.
2 xn
Notemos que este es nuestro ejemplo rcuad2.m visto en la sección introductoria.
Código en MATLAB: NewtonRaphson.m

function x = NewtonRaphson(fnom,fpnom,x0,tol,itmax)
% Método de Newton-Raphson
% ENTRADA
% fnom : nombre función que define la ecuación
% fpnom : nombre derivada función fnom
% tol : tolerancia
% SALIDA
% x : raiz aproximada
fprintf(’ Método iterativo de Newton-Raphson\ n\ n’)
fprintf(’ Iter x f(x) Error \ n’)
iter= 1;
while 1
fx = fnom(x0);
fpx = fpnom(x0); (Nótese que tenemos que pasarle la derivada)
x = x0 - fx/fpx;
if abs(x-x0) <= tol & abs(fnom(x)) <= tol
fprintf(’Se alcanzó la tolerancia. \n\n’)
fprintf(’Resultado final:\n Raı́z aproximada %12.6f \n’,x)
return
end
x0 = x;
iter = iter +1;
if iter > itmax
fprintf(’Número de iteraciones máximo alcanzado. \n\n’)
fprintf(’Resultado parcial:\n Raı́z aproximada = %12.6f \n’,x)
break
end
end

Ejemplo 6.5.2. Aproximar la raı́z de f (x) = x2 − 2.
>> f=@(x) x^2-2;

>> df=@(x) 2*x;
>> x=NewtonRaphson(f,df,1,1e-5,30)
Notemos que pasamos como argumento del N-R las funciones f y su derivada f ’ definidas
en forma de funciones anónimas.
Ejemplo 6.5.3. Aproximar la raı́z de g(x) = ex − x − 2.
>> g=inline(’exp(x)-x-2’);
>> dg=inline(’exp(x)-1’);
>> x=NewtonRaphson(g,dg,1,1e-5,30)
Notemos que ahora pasamos como argumento de N-R las funciones g y su derivada g’ defi-
nidas ”en lı́nea“.
Ahora bien, un problema que aparece en el método de N-R es que necesitamos conocer
explı́citamente una expresión para la derivada de la función f que me define la ecuación no
lineal. Pero, ¿cómo aproximamos numéricamente f ′ (x)? Una forma natural (aunque mala) de
hacerlo es mediante el cociente incremental
f (x + h) − f (x)
f ′ (x) ≈ .
h
Usando Taylor, el error que cometemos con esta fórmula es
1
f (x + h) = f (x) + hf ′ (x) + h2 f ′′ (ξ).
2
Reacomodando
f (x + h) − f (x) 1 ′′
f ′ (x) = − hf (ξ).
h 2
Por ende, el error de truncamiento es
1
− hf ′′ (ξ) = o(h).
2
Definición (La notación o de Landau). Supongamos que g(h) 6= 0 para todo h 6= 0

en cierto intervalo que contenga al 0. La notación:
f (h) = o(g(h)) cuando h→0

significa que:
f (h)
lim = 0.
h→0 g(h)
Se dice que f (h) es de orden g(h) cuando h → 0.

Ejemplo 6.5.4. Veamos algunos ejemplos:

• f (h) = o(1) significa que f (h) → 0 cuando h → 0.
• f (h) = o(h) significa que f (h)/h → 0 cuando h → 0.
• f (h) = o(h2 ) significa que f (h)/h2 → 0 cuando h → 0.
Una mejor forma de aproximar la derivada primera, es usando la conocida fórmula cen-
trada de aproximación de la derivada, la cual establece que:
f (x + h) − f (x − h)
f ′ (x) ≈ .
2h
Esta expresión tiene un error o(h2 ) al aproximar por el cociente incremental.
Código en MATLAB: la función df1dx.m

function deriv = df1dx(fnom,x)
% Derivada primera numérica con formula centrada o(h^2)
% fnom : nombre de la función que define la ecuacion
% x : puntos de evaluación
% deriv : puntos de evaluación de la derivada primera aproximada
h = 1e-6;
deriv = (fnom(x+h)-fnom(x-h))/(2*h);
end
Entonces, podemos modificar nuestra implementación inicial de N-R de la siguiente manera:

Código en MATLAB: NewtonRaphsonDeriv.m
function x = NewtonRaphsonDeriv(fnom,x0,tol,itmax)
% Método de Newton-Raphson utilizando derivación numérica
% ENTRADA
% fnom : nombre función que define la ecuación
% tol : tolerancia
% SALIDA
% x : raı́z aproximada
% USAMOS
% df1dx.m : función que calcula la derivada numérica primera aproximada
...
(idem NewtonRaphson.m)
...
while 1
fx = fnom(x0);
fpx = df1dx(fnom,x0); (llamamos a df1dx.m)
x = x0 - fx/fpx;
...
(idem NewtonRaphson.m)
...

Es importante obsvervar que, si bien bajo ciertas hipótesis podemos construirnos un esquema
numérico, no siempre hay garantı́as de que el método numérico converja a la raı́z de nuestra
ecuación. Por ejemplo, puede suceder que haya una oscilación divergente o un ciclo como
muestran las Figuras 6.27 y 6.28 siguientes.
1.5
0.5
0
Figura 6.27: Ejemplo de divergencia de N-R.
−0.5
−1
−1.5
−2
−20 −15 −10 −5 0 5 10 15 20
Figura 6.28: Ejemplo “perverso” de N-R.

Los siguientes Teoremas nos brindan condiciones suficientes para asegurar la convergencia
del método de N-R tanto local como globalmente.
Teorema 6.5.1. Carácter local. Supongamos que f ∈ C 2 (a, b) y que existe una raı́z
r de f en (a, b). Si f ′ (r) 6= 0 entonces existe un δ > 0 tal que la sucesión {xk }k≥0
definida por el proceso iterativo de Newton-Raphson:
f (xn )
xn+1 = xn − n≥0
f ′ (xn )
converge a r para cualquier aproximación inicial x0 ∈ (r − δ, r + δ).
Teorema 6.5.2. Carácter global. Si f ∈ C 2 (R) es una función creciente, convexa

y tiene una raı́z r entonces dicha raı́z es única y la iteración de N-R convergerá a r
para cualquier aproximación inicial.

Una de las caracterı́sticas del método de N-R para aproximar raı́ces de ecuaciones no linea-
les, es su velocidad de convergencia. Esto significa que para ciertos casos, alcanzará la toleran-
cia deseada en pocas iteraciones. Veamos como formalizar estos conceptos matemáticamente.
Definición (Orden de convergencia). Se dice que un método numérico que genera
una sucesión convergente xn → r tiene orden de convergencia α sii:
|xn+1 − r| |en+1 |
α = 'C cuando n→∞
|xn − r| |en |α
siendo α > 0, C una constante y en el error absoluto.
Esto equivale a decir que:

|xn+1 − r|
lim =C
|xn − r|α
n→∞
siendo C la constante asintótica del error.

• Si α = 1 diremos que la convergencia es lineal
• Si α = 2 diremos que la convergencia cuadrática
Es decir, si α = 1 tenemos que:
|en+1 | ≈ C|en |
lo cual significa que el error en el paso n + 1 será el error en el paso n por la constante C (menor
que 1). Entonces el error decrecerá linealmente en cada iteración. En cambio si α = 2 tenemos:
|en+1 | ≈ C|en |2
por ende, si el error es chico, en cada paso de la iteración de N-R decrecerá cuadráticamente.

Ejemplo 6.5.5. Aproximar las raices de h(x) = x3 − 3x + 2. Se sabe que r1 = −2 raı́z simple
y r2 = 1 raı́z doble.
Es importante que grafiquemos la función para poder observar en qué lugar aproximadamente
estarán la o las raı́ces.
>> x = -3:1e-2:3;
>> h = inline(’x.^3-3*x+2’);
>> plot(x,h(x)), grid on
20
15
10
0
Figura 6.29: Raı́z simple y doble de h(x) = x3 − 3x + 2
Aproximemos la raı́z simple r1 = −2.

−5
>> x = NewtonRaphsonDeriv(h,-2.5,1e-5,30);
−10
Metodo iterativo de Newton-Raphson con derivada numerica
−15
Iter x f(x) Error
1 -2.111111 -1.075446 0.388889
−20
2 -2.007407
−3 −2 -0.066996
−1 0.103704
0 1 2 3
3 -2.000036 -0.000327 0.007371

4 -2.000000 -0.000000 0.000036
5 -2.000000 0.000000 0.000000
Se alcanzo la tolerancia.
Resultado final:
Raiz aproximada -2.000000
Notemos que alcanzamos la tolerancia deseada en 5 iteraciones.

Ahora aproximemos la raı́z doble r2 = 1.

>> x = NewtonRaphsonDeriv(h,1.5,1e-5,30);
Metodo iterativo de Newton-Raphson con derivada numerica
Iter x f(x) Error
1 1.266667 0.232296 0.233333
2 1.138562 0.060259 0.128105
3 1.070777 0.015383 0.067785
4 1.035792 0.003889 0.034985
5 1.018001 0.000978 0.017791
6 1.009027 0.000245 0.008974
7 1.004520 0.000061 0.004507
8 1.002262 0.000015 0.002258
9 1.001131 0.000004 0.001131
10 1.000566 0.000001 0.000566
11 1.000283 0.000000 0.000283
12 1.000141 0.000000 0.000141
13 1.000071 0.000000 0.000071
14 1.000035 0.000000 0.000035
15 1.000018 0.000000 0.000018
16 1.000009 0.000000 0.000009
Se alcanzo la tolerancia.
Resultado final:
Raiz aproximada 1.000000
Notemos que para alcanzar la misma tolerancia e inicializando con una aproximación inicial
tan cercana como en el caso anterior, tuvimos que iterar un mayor número de veces. Esto se
debe a que la raı́z r2 = 1 es doble, es decir, h(r1 ) = h′ (r1 ) = 0 y h′′ (r1 ) 6= 0.
El método de N-R presenta una velocidad de convergencia lineal para raı́ces múltiples y
convergencia cuadrática para raı́ces simples, como es el primer caso.
Veamos algunas consideraciones sobre el método de N-R:
VENTAJAS:
• La convergencia de N-R cerca de una raı́z simple es cuadrática.
• La convergencia de N-R cerca de una raı́z múltiple lineal.
• Modificando el esquema iterativo de N-R para una raı́z múltiple puede recuperarse la
convergencia cuadrática.
DESVENTAJAS:
• Puede darse la división por cero (o casi cero) si f ′ (xn ) ' 0.
• El esquema iterativo puede diverger o ciclar.
• Se requiere evaluar la derivada de f en cada paso.

6.5.3 Métodos de Punto Fijo

A continuación introduciremos el método iterativo de Punto Fijo para el caso bidimensional.
Consideremos los campos escalares

f1 (x, y) = x2 − 2x − y + 0.5,
f2 (x, y) = x2 + 4y 2 − 4,
y sea el Sistemas de Ecuaciones No Lineales (SENL)

f1 (x, y) = 0,
f2 (x, y) = 0.
Sabemos de Algebra y Geometrı́a Analı́tica que estas ecuaciones son ecuaciones generales de
segundo grado que definen implı́citamente curvas en el plano z = 0 como se muestra en la Figura
6.30. Una raı́z del SENL es un punto del plano (p∗ , q ∗ ) ∈ R2 que satisface simultáneamente
ambas ecuaciones. Geométricamente son los puntos donde se intersecan ambas curvas

f1 (p∗ , q ∗ ) = 0,
f2 (p∗ , q ∗ ) = 0.
Nuestro objetivo en esta Sección es desarrollar un método numérico para aproximar estas raı́ces
iterativamente. Es decir, contruiremos una sucesión de puntos del plano que converja a la o las
raices del SENL.
parabola
2
elipse
1.5
0.5
0 Figura 6.30: Intersección de una elipse y una parábola.
−0.5

−1
Despejando algebraicamente x e y de alguna forma particular obtenemos:
x2 − y + 0.5
f1 (x, y) = 0 ⇔ x = ,
2
−x2 − 4y 2 + 8y + 4
f2 (x, y) = 0 ⇔ y = .
8
Definimos a continuación las funciones llamadas generatrices:
x2 − y + 0.5
g1 (x, y) := ,
2
−x2 − 4y 2 + 8y + 4
g2 (x, y) := .
8
Tomando una aproximación inicial (p0 , q0 ), generamos la sucesión {(pk , qk )}k≥0 tal que
p2k − qk + 0.5
pk+1 = g1 (pk , qk ) = k ≥ 0,
2
−p2k − 4qk2 + 8qk + 4
qk+1 = g2 (pk , qk ) = k≥0
8
Deseamos que esta sucesión de pares ordenados converjan a alguna de las raı́ces del SENL dado
inicialmente.
Observación: Notemos además que hay otras posibles generatrices que podemos definir a
partir de los campos escalares inciales, como por ejemplo
−x2 + 4x + y − 0.5
ge1 (x, y) := ,
2
−x2 − 4y 2 + 11y + 4
ge2 (x, y) := .
11
Debido a que nuestro esquema iterativo de Punto Fijo necesita de la definición de las gene-
ratrices obtenidas, veamos primero cómo definir nuestras generatrices en un m-file:
Código en MATLAB: las generatrices G1.m

function Y = G1(X)
% Función generatriz para del SENL Punto Fijo
% ENTRADA: X = [ X(1) X(2) ] vector fila de dos componentes
% SALIDA: Y = [ Y(1) Y(2) ] vector fila de dos componentes
Y(1) = ( X(1)^2 - X(2) + 0.5) / 2;
Y(2) = (-X(1)^2 - 4*X(2)^2 + 8*X(2) + 4) / 8;
end
Este m-file define las generatrices en un archivo separado que luego pasaremos como argu-
mento a la función PuntoFijo.m como cadena de caracteres (string).

Código en MATLAB: PuntoFijo.m

function [Pk,iter] = PuntoFijo(Fnom,P0,tol,itmax)
% Datos
% - Fnom: (string) función m-file que definen las generatrices
% - P0: estimación inicial
% - tol: tolerancia
% - itmax: número iteraciones máximas
% Resultado
% - Pk: aproximación solución
% - iter: número de iteraciones realizadas
fprintf(’Método iterativo de Punto Fijo \ n \ n’)
fprintf(’Iter Pk Qk \ n’)
iter = 0;
fprintf(’%3.0f %15.7f %15.7f \ n’, iter, P0)
while 1
Pk = feval(Fnom,P0);
err = abs(norm(Pk-P0));
relerr = err / (norm(Pk)+eps);
if (err < tol || relerr < tol), disp(’Se alcanzó la tolerancia.’),
disp(’Resultado final: ’), fprintf(’%15.7f %15.7f \ n’,Pk), break
end
if iter > itmax, disp(’Número de iteracioneas máximo alcanzaso.’), break
end
iter = iter + 1;
P0 = Pk;
fprintf(’%3.0f %15.7f %15.7f \ n’, iter, Pk)
end
end
En la ventana de comandos, llamamos a PuntoFijo.m de la siguiente manera:

>> [Pk,iter] = PuntoFijo(’G1’,[0 1],1e-9,15)
Metodo iterativo de Punto Fijo
Iter Pk Qk
0 0.0000000 1.0000000
1 -0.2500000 1.0000000
2 -0.2187500 0.9921875
3 -0.2221680 0.9939880
4 -0.2223147 0.9938121
5 -0.2221941 0.9938029 ¡CONVERGE!
6 -0.2222163 0.9938095
7 -0.2222147 0.9938083
8 -0.2222145 0.9938084
9 -0.2222146 0.9938084
10 -0.2222146 0.9938084
Se alcanzó la tolerancia.

En cambio, si queremos aproximar la otra raı́z del SENL observamos que:

Iter Pk Qk
0 2.0000000 0.0000000
1 2.2500000 0.0000000
2 2.7812500 -0.1328125
3 4.1840820 -0.6085510
4 9.3075467 -2.4820360
5 44.8062311 -15.8910907
6 1011.9947186 -392.6042650
7 512263.2073904 -205477.8225378
.
. .
.
. .
13 Inf -Inf
14 Inf -Inf ¡DIVERGE!
15 Inf -Inf
En este caso observamos que las iteraciones sucesivas no converjen a la raı́z que se observa
en la gráfica, aún cuando el punto de arranque lo tomemos cerca de dicha raı́z. Incluso, si
probamos con otros puntos de arranque cerca de dicha raı́z, veremos que el esquema diverge
también. Será necesario entonces tomar otras generatrices.
Consideremos las generatrices ge1 y ge2 dadas anteriormente:
−x2 + 4x + y − 0.5
f1 (x, y) = 0 ⇔ x = ge1 (x, y) = ,
2
−x2 − 4y 2 + 11y + 4
f2 (x, y) = 0 ⇔ y = ge2 (x, y) = .
11
Consideremos la sucesión obtenida a partir de estas:
−p2k + 4pk + qk − 0.5
pk+1 = ge1 (pk , qk ) = , k ≥ 0,
2
−p2k − 4qk2 + 11qk + 4
qk+1 = ge2 (pk , qk ) = , k ≥ 0,
11
tomando alguna aproximación inicial (p0 , q0 ).
Código en MATLAB: las generatrices G2.m

function Y = G1(X)
% Función generatriz para del SENL Punto Fijo
% ENTRADA: X = [ X(1) X(2) ] vector fila de dos componentes
% SALIDA: Y = [ Y(1) Y(2) ] vector fila de dos componentes
Y(1) = ( -X(1)^2 + 4*X(1) + X(2) - 0.5) / 2;
Y(2) = ( -X(1)^2 - 4*X(2)^2 + 11*X(2) + 4) / 11;
end


Iter Pk Qk
0 2.0000000 0.0000000
1 1.7500000 0.0000000
2 1.7187500 0.0852273
3 1.7530629 0.1776676
4 1.8083448 0.2504410
5 1.8568547 0.2939870
6 1.8867482 0.3127486
7 1.8999613 0.3171972
8 1.9035947 0.3160782
9 1.9033921 0.3139605
10 1.9023137 0.3123981
11 1.9014277 0.3115647
12 1.9009241 0.3112267
13 1.9007053 0.3111394
14 1.9006400 0.3111474
15 1.9006375 0.3111762
16 1.9006517 0.3111994
17 1.9006646 0.3112124
18 1.9006724 0.3112180
19 1.9006760 0.3112196
20 1.9006772 0.3112196
21 1.9006773 0.3112192
22 1.9006771 0.3112189
23 1.9006769 0.3112187
24 1.9006768 0.3112186
25 1.9006767 0.3112186
26 1.9006767 0.3112186
27 1.9006767 0.3112186
28 1.9006767 0.3112186
29 1.9006767 0.3112186
30 1.9006767 0.3112186 ¡CONVERGE!
Resultado final: 1.9006767 0.3112186
En este caso, observamos que si bien el esquema corta por número de iteraciones, las apro-
ximaciones sucesivas generadas por G2.m converjen a la otra raı́z partiendo del mismo punto
de arranque que en el caso con G1.m. Podemos verificarlo evaluando nuestros campos (f1 , f2 )
en el valor aproximado (p∗ , q ∗ ).

Definición (Punto fijo). Un punto fijo de un sistema de ecuaciones bidimensional:

x = g1 (x, y)
y = g2 (x, y)
es un punto (p∗ , q ∗ ) ∈ R2 del dominio de g1 y de g2 , y donde:
p∗ = g1 (p∗ , q ∗ )
q ∗ = g2 (p∗ , q ∗ )
siendo g1 y g2 son campos escalares y (x, y) ∈ R2 .
Para las funciones del sistema de ecuaciones bidimensional, el esquema de iteración de

punto fijo es:
pk+1 = g1 (pk , qk ) k≥0
qk+1 = g2 (pk , qk ) k≥0
para cierto (p0 , q0 ) inicial.
Definición (Punto fijo). Análogamente, un punto fijo del sistema n-dimensional:

x = G(x)
es un punto x∗ = (x∗1 , . . . , x∗n ) ∈ Rn del dominio de G, y donde:
x∗ = G(x∗ )
siendo G = (g1 (x), ..., gn (x)) vector de funciones y x = (x1 , . . . , xn ) ∈ Rn .
Análogamente, para el sistema de ecuaciones n-dimensional, el esquema de iteración de

punto fijo es:
xk+1 = G(xk ) k≥0

(k) (k)
siendo G = (g1 , ..., gn ), xk = x1 , . . . , xn y x0 inicial.
A continuación veremos algunas condiciones suficientes de carácter local para garantizar la
convergencia del método de punto fijo.

Teorema 6.5.3. Caso bidimensional. Sean las funciones g1 y g2 con derivadas

parciales continuas en un dominio que contiene un punto fijo en (p∗ , q ∗ ). Sea (p0 , q0 )
“suficientemente cerca” de (p∗ , q ∗ ) y se satisface:

∂g1 (x, y) ∂g1 (x, y)
+
∂x ∂y < 1

∂g2 (x, y) ∂g2 (x, y)
+
∂x ∂y < 1
para todo punto (x, y) en un entorno de (p∗ , q ∗ ). Entonces la iteración de punto fijo
genera una sucesión {(pk , qk )}k≥0 convergente al punto fijo (p∗ , q ∗ ).

Si las condiciones de acotación no se cumplen entonces la iteración de Punto Fijo podrı́a
diverger o bien converger.
Definición (La matriz jacobiana). Sean f1 (x, y) y f2 (x, y) con derivadas parciales
continuas. Definimos en cada (x, y) la matriz Jacobiana J(x, y) como:
" ∂f1 (x,y) ∂f1 (x,y) #
∇f1 (x, y)
J(x, y) = = ∂f2∂x ∂y
.
∇f2 (x, y) (x,y)
∂x
∂f2 (x,y)
∂y
Análogamente, si f1 , ..., fm ∈ C 1 (Ω) y x = (x1 , ..., xn ) definimos:

 
∇f1 (x)  ∂f1 (x) 
 ∇f2 (x)  ∂x1
. . . ∂f∂x1 (x)
   
n
J(x1 , ..., xn ) =  .. ... ..

.. = . . .
 .  ∂fm (x) ∂fm (x)
∇fm (x) ∂x1
... ∂xn
Ahora sı́ podemos enunciar el teorema en el caso n-dimensional.

Teorema 6.5.4. Caso n-dimensional. Sean las funciones G = (g1 , ..., gn ) con
derivadas parciales continuas en un dominio que contiene un punto fijo x∗ . Sea x0
suficientemente cerca de x∗ , y se satisface que:
kJ(x∗ )k∞ < 1
para todo punto (x, y) en un entorno de x∗ . Entonces la iteración de punto fijo
xk+1 = G(xk ), k≥1
genera una sucesión {xk }k≥0 convergente al punto fijo x∗ .

Ejemplo 6.5.6. Con las primeras generatrices de G1.m:

∂g1 ∂g1 −1

∂x + ∂y = |x| + 2 < 1

∂g2 ∂g2 −x

∂x + ∂y = 4 + |−y + 1| < 1.
Analı́ticamente podemos hallar una región de convergencia:
|x| < 0.5 |y − 1| < 0.875
Inicializando en el punto (p0 , q0 ) = (0, 1) tenemos garantizada la convergencia al punto fijo

aproximado (−0.2222146, 0.9938084). Pero inicializando en (p0 , q0 ) = (2, 0) no podemos garan-
tizar la convergencia (en nuestro caso diverge).
Ejemplo 6.5.7. Con las segundas generatrices generatrices de G2.m:

∂g̃1 ∂g̃1 1

∂x + ∂y = |−x + 2| + 2 < 1

∂g̃2 ∂g̃2 −2x −8
+ = + y + 1 < 1.
∂x ∂y 11 11
Analı́ticamente podemos hallar otra región de convergencia:
|x − 2| < 0.5
|x|
+ |y − 1| < 1
4
Inicializando en (p0 , q0 ) = (2, 0) no podemos garantizar la convergencia, pero aún ası́ converge
al punto fijo (1.9006767, 0.3112186).

6.6 Solución numérica de Ecuaciones Diferenciales Or-

dinarias
Muchos fenómenos fı́sicos de la ciencia y la ingenierı́a pueden ser descriptos matemáticamente
por Ecuaciones Diferenciales Ordinarias (EDO) y Ecuaciones Diferenciales Parciales (EDP).
La mayorı́a de estos problemas diferenciales no pueden resolverse explı́citamente pues no pode-
mos encontrar una expresión exacta de la solución. Se vuelve necesario entonces, disponer de
métodos numéricos especı́ficos que aproximen la solución de estos problemas.
Ejemplo 6.6.1. Un ejemplo no trivial aparece en la dinámica de poblaciones. Un sistema de
EDO no lineales a resolver que surge de las conocidades ecuaciones de Lotka-Volterra es:
 ′

 x = f (t, x, y) = x − xy − αx2 , x = x(t), y = y(t) t ∈ [0, T ]
 ′
y = g(t, x, y) = xy − y − βy 2 ,

 x(t0 ) = x0 ,

y(t0 ) = y0 .
El objetivo de esta sección es estudiar el Método de Euler para EDO dado que nos sirve para
ilustrar conceptos utilizados en métodos más avanzados. Este método es fácil de implementar
pero ineficiente computacionalmente debido al error que genera.
Recordemos previamente algunas nociones:
Definición (Problema de Valores Iniciales (PVI)). Un Problema de Valores Ini-

ciales es de la forma: ′
y = f (t, y) t ∈ [a, b]
y(t0 ) = y0
conformado por una ecuación diferencial y una condición inicial.
Definición (Solución de un PVI). Una solución de un PVI en el intervalo [a, b] es

una función derivable y = ϕ(t) tal que:
′
ϕ (t) = f (t, ϕ(t)) t ∈ [a, b]
ϕ(t0 ) = y0
es decir, satisface tanto la ecuación diferencial como la condición inicial.
Ejemplo 6.6.2. Consideremos el PVI

′ t−y
y = 2 t ∈ [0, 5]
y(0) = 1
Aplicando técnicas conocidas puede ver que:
ϕ(t) = 3e−t/2 + t − 2
es solución de este PVI.

Si modificamos la condición inicial y(0) = 4, obtenemos como solución
ϕ(t) = 6e−t/2 + t − 2.
Usando técnicas de Cálculo Matemático conocidas, la solución general del PVI será de la forma
ϕ(t) = ce−t/2 + t − 2,
donde la constante c = y0 + 2 ∈ R depende de la condición inicial. Todas estas funciones son

soluciones del PVI dado que satisfacen la ecuación diferencial y la condición inicial. Algunas
gráficas se muestran en la siguiente Figura 6.31.
Figura 6.31: Familia de soluciones de distintos PVI

4
Notemos que como la solución depende de un parámetro, en la medida que varı́amos dicho
2
parámetro se van “moviendo” las curvas soluciones del PVI. Cuando traducimos esto a la
solución de un modelo matemático de un problema fı́sico, observamos que la condición inicial
0
nos fija la curva que relaciona una variable independiente (como el tiempo t), y otra dependiente
(como la posición o una temperatura). Esta condición inicial medida al comienzo de nuestro
experimento−2y que serı́a parte de la data de nuestro problema, determina lac =solución
−2 final que
c = −1
es la descripción final de nuestro modelo fı́sico. c=0
−4 c=1
c=2
6.6.2 Interpretación geométrica: el campo de direcciones c=3
c=4
−6
Suele ocurrir−1que a priori0 1
no conozcamos 2 3
la solución 4
de nuestro 5
problema 6
o bien no podamos
encontrarla por métodos clásicos conocidos. En ese caso, podemos ayudarnos a tener una
descripción de la solución usando el campo de direcciones.
Un campo de direcciones es una gráfica del plano cartesiano tal que en cada punto (t, y)
del rectángulo R = {(t, y) : a ≤ t ≤ b, c ≤ y ≤ d} representamos la pendiente de la solución
del PVI y = y(t) dado por la fórmula implı́tica m = f (t, y(t)). Es decir, para una cantidad
finita de valores mi,j = f (ti , yj ) representamos un vector pendiente a la solución que pasa por
el punto (ti , yj ) para i = 1, .., m y j = 1, ..., m.

Código en Matlab: CampoDirec.m

function CampoDirec(xmin,xmax,ymin,ymax,fpvi)
% Función para graficar un campo de direcciones
% ENTRADA
% xmin : valor mı́nimo del eje de abscisas
% xmax : valor máximo del eje de abscisas
% ymin : valor mı́nimo del eje de ordenadas
% ymax : valor máximo del eje de ordenadas
% fpvi : función que define mi PVI y’ = f(t,y)
[T,Y] = meshgrid(xmin:xmax,ymax:-1:ymin);
dT = ones(xmax-xmin+1,ymax-ymin+1)’;
dY = fpvi(T,Y);
figure, quiver(T,Y,dT,dY), hold on, grid on
legend(’campo de direcciones’)
end
En la Ventana de Comandos llamamos:
>> fpvi = inline(’(t-y)/2’,’t’,’y’);
>> CampoDirec(0,5,0,5,fpvi)
4.5
campo de direcciones
3.5
2.5
2 Figura 6.32: Campo de direcciones de y ′ = f (t, y) = t−y

2
1.5
En la Figura 6.32 se observa la gráfica del campo de direcciones del PVI original realizado
con 1la función CampoDirec.m en MATLAB.
0.5
0
6.6.3 Existencia y unicidad de solución de un PVI
Definición. Dado un rectángulo
R = {(t, y) ∈ R2 : a ≤ t ≤ b, c ≤ y ≤ d}
donde supongamos que f (t, y) es continua en R. Decimos que la función f verifica la

condición de Lipschitz con respecto a su variable y en R, si existe una constante
L > 0 tal:
|f (t, y1 ) − f (t, y2 )| ≤ L|y1 − y2 |
para cualesquiera (t, y1 ), (t, y2 ) ∈ R.
La constante L se llama constante de Lipschitz de f y decimos que f es una función
Lipschitziana.
Teorema 6.6.1. Supongamos que f (t, y) está definida en el rectángulo R. Si existe

una constante L > 0 tal que
|fy (t, y)| ≤ L
para todo (t, y) ∈ R, entonces f es Lipschitziana respecto a su variable y en R, siendo
L la constante de Lipschitz.
Demostración. Sean y1 < y2 en el intervalo (c, d). Fijando t en el intervalo (a, b) y usando el
Teorema del Valor Medio, existe ξ con y1 < ξ < y2 tal que

∂f ∂f
|f (t, y1 ) − f (t, y2 )| = (t, ξ)(y1 − y2 ) = (t, ξ) |(y1 − y2 )| ≤ L|y1 − y2 |.
∂y ∂y
Ejemplo 6.6.3. En nuestro PVI anterior, tenemos que:

∂ t−y 1

|fy (t, y)| = ≤ ⇒L= 1 (f Lipschitziana)▲
∂y 2 2 2
Teorema 6.6.2. Existencia y unicidad de solución de un PVI. Supongamos que

f (t, y) es continua en el rectángulo
R = {(t, y) : a ≤ t ≤ b, c ≤ y ≤ d}.
Si f es Lipschitziana respecto a su variable y en R y (t0 , y0 ) ∈ R, entonces el PVI:

′
y = f (t, y)
y(t0 ) = y0
tiene solución única y = ϕ(t) en algún intervalo t ∈ [t0 , t0 + δ].
Demostración. Consultar [Codd1968].

Por tanto, podemos asegurar que nuestro PVI original tiene solución única. Ahora bien, aún
sabiendo que existe y es única, ¿cómo hacemos para hallarla en los casos en que no podamos
obtener una “expresión cerrada” la por métodos clásicos y conocidos del Análisis Matemático?
En ese caso, recurriremos a “aproximar” la solución.
6.6.4 El método de Euler

Consideremos el PVI en su forma general
′
y = f (t, y), t ∈ [a, b],
y(t0 ) = y0 .
Asumimos que f satisface la condición de Lipschitz en la variable y. El método de Euler no

se usa en práctica debido a que la aproximación de la solución que genera acumula errores
considerables. Estudiaremos este método debibo a que su implementación y su análisis del
error cometido en este método son más fáciles de entender que en otros métodos más exactos
pero más complejos.
Es importante remarcar que no vamos a hallar una función derivable ϕ que resuelva el PVI,
sino que buscaremos un conjunto finito de puntos del plano cartesiano:
{(tk , yk )} k = 1, . . . , n
que sean aproximaciones de la solución y = ϕ(t) evaluada en los puntos tk , esto es,
yk ≈ ϕ(tk ) k = 1, . . . , n.
Para construir dicho conjunto de puntos que verifiquen “aproximadamente” la EDO, primero
particionamos el intervalo [a, b] en n subintervalos iguales:
tk = a + kh k = 0, 1, . . . , n
siendo h el tamaño del paso

b−a
h= .
n
Asumiendo y, y ′ , y ′′ continuas en el intervalo (a, b) y haciendo el desarrollo de Taylor de y
centrado en t = t0 , tenemos que:
y ′′ (ξ)
y(t) = y(t0 ) + y ′ (t0 )(t − t0 ) + (t − t0 )2
2!
donde ξ está entre t y t0 .
Evaluando esta expresión en t = t1 , siendo h = t1 − t0 el tamaño del paso:
y ′′ (ξ1 ) 2
y(t1 ) = y(t0 ) + hy ′ (t0 ) + h
2!
donde ξ1 está entre t1 y t0 .

Como en t = t0 se satisface que y ′ (t0 ) = f (t0 , y(t0 )), resulta:
y ′′ (ξ1 ) 2
y(t1 ) = y(t0 ) + hf (t0 , y(t0 )) + h.
2!
Entonces, si el tamaño del paso h es “suficientemente pequeño”, podemos despreciar el
último término del desarrollo de Taylor que tiene h2 , obteniendo ası́
y(t1 ) ≈ y(t0 ) + hf (t0 , y(t0 )).
Esta expresión se conoce como aproximación de Euler

Si repetimos este proceso en cada subtintervalo, generamos una sucesión de puntos {yk }
que aproximan la solución del PVI evaluada en esos puntos:
y1 := y0 + hf (t0 , y0 ) ≈ y(t1 )
y2 := y1 + hf (t1 , y1 ) ≈ y(t2 )
..
.
yn := yn−1 + hf (tn−1 , yn−1 ) ≈ y(tn )
En general, el Método de Euler es:
yk+1 = yk + hf (tk , yk ), k = 0, 1, . . . , n − 1,
siendo tk+1 = tk + h para k = 0, 1, . . . , n − 1.
Ejemplo 6.6.4. En nuestro PVI anterior, tenemos que:

(tk − yk ) h h
yk+1 = yk + h = tk + 1 − yk k = 0, 1, . . . , n − 1
2 2 2
siendo tk+1 = tk + h para k = 0, 1, . . . , n − 1.
6.6.5 Descripción geométrica

Si hacemos el desarrollo de Taylor de primer orden en el punto t0 y evaluamos dicho polinomio
lineal en t1 , geométricamente es como si en el punto (t0 , y0 ) calculamos el valor de la pendiente
m0 = f (t0 , y0 ) y nos movemos horizontalmente una distancia h y verticalmente una distancia
hf (t0 , y0 ) y nos deplazamos por la curva y(t) terminando en el punto (t1 , y1 ). Si bien (t1 , y1 ) no
es un punto de nuestra solución, es la primer aproximación generada por el método de Euler.
Repetimos el procedimiento en (t1 , y1 ) y calculamos la pendiente m1 = f (t1 , y1 ). Nos
desplazamos en la recta tangente un desplazamiento vertical de hf (t1 , y1 ) que nos lleva a (t2 , y2 )
y ası́ sucesivamente hasta llegar hasta (tn , yn ).

Código en MATLAB: Euler.m

function [t,y] = Euler(fnom,a,b,y0,n)
% Método de Euler para aproximar la solución de un PVI
% ENTRADA
% fnom : nombre función que define la EDO y’=f(t,y)
% a,b : extremos del intervalo [a,b]
% y0 : condición inicial y(t0)=y0
% n : número de pasos
% SALIDA
% t : vector de abscisas
% y : vector de ordenadas
fprintf(’Método de Euler \n’)
fprintf(’k tk y k \n’)
h = (b-a)/n;
t = a:h:b;
y(1) = y0;
fprintf(’%3.0f %10.6f %10.6f \n’,0, t(1),y(1))
for k=1:n
y(k+1) = y(k) + h*fnom(t(k),y(k));
fprintf(’%3.0f %10.6f %10.6f \n’,k, t(k+1),y(k+1));
end
fprintf(’Tama~no del paso: %12.6f \n’,h);
fprintf(’Número de pasos: %3.0f \n’,n);
end
Ejemplo 6.6.5. Consideremos el PVI:
′ t−y
y = 2 t ∈ [0, 3]
y(0) = 1
En la Ventana de Comandos:
>> fpvi=@(t,y) (t-y)/2;
>> [t,y]=Euler(fpvi,0,3,1,6);
Metodo de Euler
k tk yk
0 0.000000 1.000000
1 0.500000 0.750000
2 1.000000 0.687500
3 1.500000 0.765625
4 2.000000 0.949219
5 2.500000 1.211914
6 3.000000 1.533936
Tama~
no del paso: 0.500000
Numero de pasos: 6
Si aumentamos la cantidad de subintervalos (disminuimos el paso), vemos como mejora la

aproximación en este caso.

1.8 n=6
n=12
n=24
1.6
exacta
1.4
1.2
0.8
Figura 6.33: Comparación de aproximaciones usando Euler.m
6.6.6 Error en 0el método

0.5
de Euler
1 1.5 2 2.5 3
Veamos que sucede con la precisión del método de Euler.

Definición. Supongamos que {(tk , yk )}k=0,1,...,n es un conjunto finito de aproximaciones
numéricas a la única solución y = ϕ(t) de un PVI. Entonces, llamaremos el error de
truncamiento o de discretización global ek :
ek = ϕ(tk ) − yk k = 0, 1, ..., n
Es la diferencia entre la solución exacta y la calculada en el punto.

Y llamaremos el error de truncamiento o de discretización local εk :
εk+1 = ϕ(tk+1 ) − yk − hf (tk , yk ) k = 0, 1, ..., n
Es el error cometido en un solo paso desde el nodo tk al tk+1 .

Teorema 6.6.3. Sea y = ϕ(t) la solución del PVI. Si ϕ(t) ∈ C 2 [a, b] y {(tk , yk )}nk=0
son las aproximaciones generadas con el método de Euler, entonces:
|ek | = |ϕ(tk ) − yk | = o(h)

|εk | = |y(tk+1 ) − yk − hf (tk , yk )| = o(h2 )
Definición. El error final del intervalo [a, b] se conoce como error global final:
E(ϕ(b), h) = |ϕ(b) − yn | = o(h)
Este error se usa para estudiar el comportamiento para diferentes pasos.

Si calculamos el error usando un paso h tenemos:
E(ϕ(b), h) ≈ Ch
Si disminuimos el paso a h/2 (duplicamos n):
h 1 1
E(ϕ(b), h/2) ≈ C ≈ Ch ≈ E(ϕ(b), h)
2 2 2
1
E(ϕ(b), h/2) ≈ E(ϕ(b), h)
2
Si reducimos a la mitad el tamaño del paso en el método de Euler, entoces cabe esperar que
el error final global se reduzca a la mitad.
Observamos la relación entre el tamaño del paso h definido por h = (b − a)/n y el error
final global |ϕ(b) − yn | para las aproximaciones del método de Euler
h n |ϕ(b) − yn | o(h) ≈ Ch
1.000000 3 0.294390 0.256000
0.500000 6 0.135455 0.128000
0.250000 12 0.065139 0.064000
0.125000 24 0.031961 0.032000
0.062500 48 0.015833 0.016000
0.031250 96 0.007880 0.008000
0.015625 192 0.003931 0.004000
En la medida que reducimos a la mitad h, el error final global se reduce a la mitad.

6.6.7 Otros métodos para resolver EDO

1. Métodos de un paso
• Método Euler Modificado

• Método de Taylor
• Método de Runge-Kutta (RK4)
• Método de Runge-Kutta-Fehlberg (RKF45)
2. Métodos multipasos
• Método de Adams-Bashforth-Moulton
• Método de Milne-Simpson
• Método de Hamming
Muchos de estos métodos pueden ser extendidos para aproximar soluciones de Sistemas
de EDO. También existen métodos especı́ficos para resolver Problemas de Contorno de
EDO. El campo es un campo de investigación, de desarrollo y de aplicaciones nuevas totalmente
abierto con nuevos problemas y desafı́os todo el tiempo.

6.7.1 Introducción a MATLAB
Funciones intrı́nsecas en MATLAB:
1. Asuma que se encuentran definidas en memoria las siguientes variables:
v=[5; 0; 4; 5; -2; 1; 7] x=[4, 1] y=[2 5] z=[3 0 1; 1 2 6; 0 -1 7]
Sin usar MATLAB, indique qué resultados se obtienen al ejecutar los siguientes comandos:
(a) min(v(2:5:7)) (f) x’*y

(b) size(z’) (g) z*v(1:3)
(c) ones(x) (h) [z v]
(d) x*y’ (i) z(y)
(e) y*y (j) sum(y+2)
Si la respuesta es un vector o matriz, indique sus elementos usando notación de MATLAB.

Si algún comando es erróneo, analice su causa.
2. Asuma que se encuentran definidas en memoria las siguientes instrucciones:

a = [ 1, 5, -1]
b = 3:-2:-2
c = [4 6 -1 0 -6 7 9 1 5]
d = [-1 1 5; 2 3 0; 1 5 -2]
Escriba un único comando para resolver las siguientes instrucciones:
(i) Obtener el máximo de cada fila de la matriz d.
(ii) Obtener la suma de los valores absolutos de todos los elementos de d.
(iii) Obtener la suma de los elementos de posición par del vector c.
(iv) Calcular el mı́nimo valor entre los elementos de posición 3,4,5 y 6 de c.
(v) Calcular la primer columna del producto externo de a por b.
(vi) Eliminar el cuarto elemento del vector c.
(vii) Generar un vector llamado z con los elementos de posición impar del vector c.
(viii) Agregar una cuarta columna a la matriz d cuyos elementos sean -2,3 y 0.
(ix) Armar una matriz diagonal con la diagonal de la matriz d.
(x) Calcular la norma del vector a-b.
Funciones y scripts definidos por usuarios en MATLAB:
3. (a) Escriba la función suma.m que reciba como argumentos dos vectores fila y devuelva
como resultado el vector columna suma.
(b) Modifique la función anterior de modo que los vectores de entrada sean filas o co-
lumna pero siga devolviendo un vector columna.
4. (a) Escriba una función llamada cuad.m que calcule las raı́ces de la ecuación cuadrática
ax2 + bx + c = 0 con a, b, c ∈ R, a 6= 0, recibiendo como argumentos de entrada los
coeficientes y devolviendo como salida las raı́ces:
√ √
−b + b2 − 4ac −b − b2 − 4ac
x1 = x2 = .
2a 2a
(b) Modifique dicha función para que se imprima por pantalla indicando si las raı́ces son
reales, reales iguales (en cuyo caso solo imprima una) o complejas conjugadas.
5. (a) Genere el script res_sel.m que lea una matriz cuadrada nxn A almacenada en el
archivo de datos matriz.dat y un vector nx1 b desde el rhs.dat.
(b) Resuelva el sistema de ecuaciones lineales Ax=b usando el operador aritmético barra
invertida \, y guarde el vector solución x en un archivo de datos de salida sol.dat.
6. (a) Escriba la función multi.m que reciba como argumentos dos funciones y un vector
de abscisas, y devuelva como resultado un vector con la multiplicación de ambas
funciones evaluadas en dichas abscisas.
(b) Calcule el producto de f1 y f2 del Ej. 7 en el vector x = [−1, 0, 1] usando multi.m.

Ploteos en MATLAB:
7. (a) Escriba m-archivos para evaluar cada una de las siguientes funciones:
• f1 (x) = x3 − x − 1 • f3 (x) = cos(2x) − sin(x)

• f2 (x) = e−x − x • f4 (x) = x ln(|x|)
(b) Grafı́quelas en el intervalo [−3, 3], todas en la misma gráfica y con distintos colores.
(c) Repita el item (b) pero graficando cada función en distintas gráficas de la misma
figura usando el comando subplot.
8. (a) Defina la función f (x) = x2 + 2 sin(x) − 1 utilizando inline.

1
(b) Defina la función g(x) = x2
+ 2 cos(x) como función anónima g=@(x).
(c) Grafique ambas funciones f y g en el intervalo [0.1, 3] diferenciando por color.
9. (a) Grafique el polinomio p(x) = x5 + 3x2 − 2 definido en el intervalo [0, 2] utilizando

una discretización de 401 puntos (use polyval para evaluarlo).
(b) En la misma gráfica, marque los puntos de p evaluados en x = 0, 0.5, 1, 1.5, 2 con
asteriscos de distintos colores.
10. (a) Realice las gráficas 3D de la función f (x, y) = e−(x

2 +y 2 )
en el dominio [−1, 1]×[−1, 1]
mediante los comandos mesh y surf.
(b) Realice otra gráfica 2D que muestre las curvas de nivel de dicha función para distintos
niveles.
6.7.2 Errores en los Métodos Numéricos

Errores de truncamiento y de redondeo:
1. Considere la función:
1 1−x
f (x) = −
1 + 2x 1 + x
(a) Explique por qué evaluando numéricamente f (x) cerca de x ≈ 0 puede ser inexacto.
(b) Reescriba f (x) de modo de evitar el error generado en a).
(c) Plotee la función f (x) usando las 2 expresiones en la misma gráfica para los intervalos
[−1 × 10−1 , 1 × 10−1 ], [−1 × 10−7 , 1 × 10−7 ] y [−1 × 10−8 , 1 × 10−8 ]. Utilice un paso
de paso =1e-10 para la discretización. Sug. Use el comando subplot.
2. (a) Modifique el script ZoomPoli.m para que plotee el polinomio de sexto grado de la
siguiente manera algebraicamente equivalente a la ya implementada:
p(x) = (x − 1)6
¿Observa el mismo fenómeno numérico de oscilación que aparecı́a originalmente?

(b) Modifique el script ZoomPoli.m para que plotee el polinomio cúbico de las siguientes
dos maneras algebraicamente equivalentes:
p(x) = (x − 1)3 = x3 − 3x2 + 3x − 1
¿Observa el mismo fenómeno numérico que en el item a)?

(c) Teniendo en cuenta a) y b), explique el fenómeno numérico de oscilación original.
3. Fórmula Mejorada para la Resolución de la Ecuación General de Segundo Grado.

Considere la ecuación x2 − 40x + 0.25 = 0.
(a) Halle a mano las raı́ces de la ecuación con la resolvente utilizando aritmética de 4
dı́gitos y redondeo por truncamiento.
(b) Demuestre que las raı́ces de una ecuación general de 2do. grado ax2 + bx + c = 0
pueden obtenerse a través de las siguientes fórmulas:
−2c −2c
x1 = √ , x2 = √ .
b + b2 − 4ac b − b2 − 4ac
(c) Halle a mano las raı́ces de la ecuación con las fórmulas presentadas en el apartado
anterior, utilizando aritmética de 4 dı́gitos y redondeo por truncamiento.
(d) Compare errores relativos porcentuales de los resultados en los apartados a) y c).
¿Por qué se producen estas diferencias? Calcule valores exactos usando MATLAB.
4. Considere la ecuación x2 − 1000000.000001x + 1 = 0.
(a) Utilice la función cuad.m del ejercicio 4(a) de la sección 6.7.1 para hallar sus raı́ces.
(b) Usando las fórmulas mejoradas del Ejercicio 2, implemente la función cuad_mejor.m
para calcular raı́ces.
(c) Compare los resultados obtenidos en a) y b) y obtenga conclusiones.
5. (a) Modifique el script TaylorExp.m para transformarlo en un m-file para aproximar la

función exponencial ex mediante su polinomio de Taylor centrado en a = 0:
x x2 x3 xn
ex ≈ 1 + + + + ... + ,
1! 2! 3! n!
recibiendo como parámetros de entrada x y n (número de términos de la suma).
(b) Modifique la función anterior para que imprima en columnas el valor de las sumas
parciales, el término que se está sumando y el error absoluto cometido. Use la
función intrı́nseca exp de MATLAB para calcular el error.
(c) Corra los casos x = 1, 10, 100 cada uno para n = 10, 15, 20. Analice el error cometido.
6. (a) Calcule en forma exacta sen (π/2 + 2π10j ), con j entero positivo.
(b) Calcule en MATLAB la misma expresión, para j = 1, 10, 20, 50, 100, 1000.
(c) Intente dar una explicación a los resultados obtenidos.

7. Analice la función SerieSeno y las salidas por Ventana de Comandos en respuesta de:
(a) SerieSeno(pi/4,5e-9),
(b) SerieSeno(pi,5e-9),
(c) SerieSeno(5*pi,5e-9).
8. (a) Usando la función SerieSeno.m, grafique el error total cometido para x ∈ [0, π/2]
usando 6 y 15 términos no nulos del polinomio de Taylor del sen(x) respectivamente.
Considere que la función intrı́nseca sin de MATLAB devuelve el valor exacto del
seno. ¿Qué controla el error total en cada caso? Sugerencia: Vea las transparencias.
(b) Repita el item anterior para la función exponencial desarrollada en el Ejercicio 5.
Representación en aritmética de punto flotante:
9. Usando la máquina virtual que aparece en la Tabla de las transparencias con mantisa
binaria de 4 bits, 8 posibles exponentes y redondeo simétrico (si x1 y x2 son los números
de la Tabla más próximos al número x que quiero representar, entonces x redondea a x1
sólo si x < x1 +x
2
2
, caso contrario se redondea a x2 ), evalúe las siguientes expresiones:
(a) 1.1
(b) eps
(c) 20
(d) 8 + 5 ∗ eps
(e) (8 + 3 ∗ eps) + 3 ∗ eps
redondeo
Ejemplo: (5 + 3 ∗ eps) − 4 ∗ eps = (5 + 0.375) − 0.5 = 5,375 − 0.5 −−−−−→ 5.5 − 0.5 = 5.
¿Cuanto vale el epsilon máquina en nuestro caso?
10. Anticipe los resultados de evaluar las siguientes expresiones. Luego verifique en MATLAB.
(a) 1 + eps/3 + eps/3 + eps/3

(b) 1 + (eps/3 + eps/3 ) == 1
(c) 1e-16 + 1 - 1e-16 == 1e-16 - 1e-16 + 1
(d) 1 + eps/2 - 1 (¿hay redondeo simétrico?)
6.7.3 Resolución de Sistemas de Ecuaciones Lineales

Métodos Directos:
1. Considere el sistema de ecuaciones lineales Ax = b,
   
2 1 1 1

A = 12 11 5  
y b = 17 .
−2 9 0 18

(a) Resuelva a mano con el método de Gauss con pivoteo parcial escalado.
(b) Compruebe sus resultados utilizando la función Gauss.m en MATLAB.
2. Considere el siguiente sistema lineal 2x2:

17 5 x 22
. =
1.7 0.5 y 2.2
(a) Resuelva a mano dicho sistema con eliminación Gaussiana. ¿Cuántas soluciones hay?
(b) Modifique la función Gauss.m para que imprima por pantalla la matriz aumentada
en cada paso y resuelva en máquina nuevamente el sistema.
(c) En la salida de pantalla, ¿resulta nula la última fila de la matriz ampliada? Explique
el error numérico cometido.
3. (a) Desarrolle en MATLAB un m-file que tome como argumento una matriz cuadrada
triangular superior A, el vector lado derecho b, y devuelva una solución x mediante
una sustitución regresiva (backward sustitutition).
(b) Repita lo anterior para una sustitución progresiva (forward sustitutition).
Sugerencia: Ayúdese con la función DescompLU.m.
4. El siguiente SEL Ax = b admite ser resuelto utilizando factorización triangular, siendo:

Se sabe que la matriz de coeficientes A admite ser factorizada con matrices L, U y P
siendo
     
1 0 0 2 0 1 0 1 0
L = 0 1 0 , U = 0 3 −1 , P = 1 0 0  .
1 −2 1 0 0 −2 0 0 1
 
1

Reconstruya la matriz de coeficientes A y determine la solución del SEL siendo b = 2.
3
(a) Por el método de Gauss con pivoteo parcial.
(b) Por factorización LU .
5. Para cada una de las siguientes matrices:

 
4 1 1 1/2 1/3 1/4 1/5
i) A1 = 1/2
12 2  1/3 1/4 1/5 1/6

  iv) A4 =  1/7
0 1 1 1/3 1/4 1/5 1/6 
1/4 1/8
ii) A2 = −1 2 −4 1/5 1/6 1/7
2 −5 1 1/5 1/6 1/7 1/8 1/9

eps 1 Conocida como matriz de Hilbert
iii) A3 = En MATLAB, hilb(n)
0 1

(a) Genere un vector lado derecho bi en cada caso usando el comando ones de MATLAB
y resuelva el SEL Ai x = bi mediante algún método directo.
(b) Calcule el vector residual r = b − Ax̃ en los SEL anteriores y la norma del mismo
krkp para p = 1, 2, inf.
6. Para las matrices del ejercicio anterior, calcule con ayuda de MATLAB:
(a) El número de condición κ(A) = kAkp .kA−1 kp utilizando el comando inv(A) para
calcular la inversa y el comando norm(A,p) para la norma matricial con p = 1, 2, inf.
(b) Compare los resultados anteriores usando el comando cond(A) de MATLAB.
¿Están bien condicionadas las matrices?
(c) ¿Observa alguna relación entre el vector residual r y el número de condición κ(A)
de las matrices obtenido?
Métodos Iterativos:
7. Considere el SEL 

3x1 − x2 + x3 = 1
3x1 + 6x2 + 2x3 = 0


3x1 + 3x2 + 7x3 = 4
(a) Calcule a mano las dos primeras iteraciones del método de Jacobi.
(b) Resuelva en MATLAB ulilizando la función Jacobi.m, tomando como aproximación
inicial x(0) = 0 y una tolerancia de 1 × 10−3 .
(c) ¿Puede asegurar la convergencia del método de Jacobi en este caso? Justifique.
(d) Repita los 3 items anteriores utilizando el método de Gauss-Seidel.
8. (a) Compare las implementaciones en MATLAB de Jacobi.m y GaussSeidel.m
(b) Modifique ambas para que se imprima por pantalla la iteración k-ésima, la aproxi-
mación, el vector error (iter, x, err).
9. Compare la velocidad de convergencia en la resolución de los siguientes SELs,
(  
−x + 3y = 1 
 x + z = 2 
5x − y + z = 10
(a)
6x − 2y = 2 (b) −x + y = 0 (c) 2x + 8y − z = 11

 

x + 2y − 3z = 0 −x + y + 4z = 3
usando Jacobi y GaussSeidel. ¿Observa algún comportamiento general?

10. Modifique los archivos Jacobi.m y GaussSeidel.m de forma que:
(a) El criterio de parada sea la norma del vector residual kb − Ax(k) k < tol.
(b) La salida por pantalla sea la iteración k-ésima, la aproximación, el vector residual.
Nota: Este criterio de parada es malo debido a que el producto matricial Ax(k) es muy
costoso de calcular en cada paso.

6.7.4 Raı́ces y Sistemas de Ecuaciones No Lineales (SENL)

Raı́ces de ecuaciones: El método de Newton-Raphson (Caso 1D)
1. Considere la función f (x) = ex − 3x para x ∈ [0, 4].
(a) Determine gráficamente la cantidad de soluciones de la ecuación f (x) = 0.

(b) Halle la o las raı́ces aproximadas utilizando la función NewtonRapshon.m.
(c) ¿Puede garantizar la convergencia? Justifique.
2. Considere el polinomio cúbico p(x) = 816x3 − 3835x2 + 6000x − 3125.
(a) Plotee dicho polinomio en el intervalo [1, 2]. ¿Cuantas raı́ces observa?
(b) Plotee dicho polinomio en el intervalo [1.4, 1.7]. ¿Y ahora?
(c) Aproxime dichas raı́ces utilizando NewtonRapshon.m y compare los errores absolutos.
Sug. Tome como valor exacto las raı́ces obtenidas usando la función roots.
p
3. Considere la función s(x) = sign(x − 2) |x − 2| para x ∈ [0.4].
(a) Muestre que en x = 2 hay una raı́z simple.

(b) Utilice NewtonRapshonDeriv.m para hallar esta raı́z tomando como aproximación
inicial x0 = 2.5.
(c) ¿Converge el esquema iterativo? Explique qué fenómeno numérico se está dando.
Sugerencia: Para implementar la función signo utilice la función sign de MATLAB.
4. Resuelva las siguientes ecuaciones no lineales a través de un estudio gráfico y numérico:

a) 3x3 + 1 = 0 b) sen(x + 2) = 2 + x c) x2 = tan(x)
5. Se sabe que la función f (x) = x3 − 3x + 2 tiene una raı́z doble en r = 1.
(a) Modifique NewtonRaphson.m para que imprima otra columna con el cociente |e|en+1 n|
|
siendo en = xn − r el error absoluto cometido en el paso n-ésimo, y aproxime esta

raı́z tomando x0 = 1, 2 y tol = 1 × 10−5 . ¿A qué valor tienden esos cocientes?
(b) Se sabe que el esquema de N-R tiene orden de convergencia lineal para raı́ces
múltiples, pero puede recuperar el orden de convergencia cuadrático modificando
el esquema ası́:
f (xn )
xn+1 = xn − α ′ n ≥ 0,
f (xn )
donde α es la multiplicidad de la raı́z . Modifique el esquema iterativo en su caso.
(c) Vuelva a aproximar la raı́z en las mismas condiciones que en el item a) pero ahora
mostrando en la columna agregada |e|en+1
n|
|
α . ¿Qué fenómeno numérico observa?

Raı́ces de SENLs: El método de Punto Fijo (Caso 2D)
6. Determine analı́ticamente los puntos fijos de cada una de las siguientes generatrices:

g1 (x, y) = x − y 2 g1 (x, y) = sen(y)
a) b)
g2 (x, y) = −x + 6y g2 (x, y) = −6x + y
7. Determine analı́ticamente las raı́ces de cada uno de las siguientes SENLs:

f1 (x, y) = 2x + y − 6 f1 (x, y) = 3x2 + 2y − 4
a) b)
f2 (x, y) = x + 2y f2 (x, y) = 2x + 2y − 3
8. Dado el siguiente sistema no lineal:

x = (8x − 4x2 + y 2 + 1)/8,
y = (2x − x2 + 4y − y 2 + 3)/4.
(a) Usando la aproximación inicial (p0 , q0 ) = (1.1, 2.0), calcule dos iteraciones a mano
mediante el esquema de Punto Fijo.
(b) Realice lo mismo pero utilizando el esquema iterativo de PuntoFijo.m.
(c) Grafique las curvas involucradas en el plano z = 0.
9. Dado el siguiente sistema no lineal:

x = g1 (x, y) = (y − x3 + 3x2 + 3x)/7,
y = g2 (x, y) = (y 2 + 2y − x − 2)/2.
(a) Intente hallar las soluciones con PuntoFijo.m.

(b) Grafique las curvas involucradas en el plano z = 0 y analice las condiciones de
convergencia para Punto Fijo. Indique si los procesos iterativos serán convergentes,
divergentes o no puede asegurar nada en cada caso.
(c) Proponga otras dos generatrices distintas y realice lo mismo anterior.
10. Considere el sistema de ecuaciones no lineales:

2
x − y = 0.2,
y 2 − x = 0.3.
(a) Grafique las curvas en el plano z = 0.

(b) Utilice el método de Punto Fijo comenzando en el punto inicial (p0 , q0 ) = (1.2, 1.2)
para aproximar una raı́z.
(c) Repita lo mismo anterior pero comenzando en (p0 , q0 ) = (−0.2, −0.2).
(d) ¿Qué fenómeno observa? ¿Puede garantizar la convergencia en este caso?

6.7.5 Solución numérica de EDO

El método de Euler:
1. Utilice la función CampoDirec.m para hallar el campo de direcciones de las siguientes
EDOs en el rectángulo R = {(t, y) : 0 ≤ t ≤ 4, 0 ≤ y ≤ 4}. En las mismas figuras,
grafique además las respectivas soluciones para las constantes de integración indicadas:
(a) EDO: y ′ = t−y
2
Solución Exacta: ϕ(t) = ce−t/2 +t−2 para c = −3, −2, −1, 0.
(b) EDO: y = 1−e−t
′
Solución Exacta: ϕ(t) = e−t +t+c para c = −1, 0, 1, 2.
2. Usando la función Euler.m, resuelva los siguientes PVI. En una misma figura, grafique
las aproximaciones para distintos pasos y las soluciones exactas:
′
y = −ty, t ∈ [0, 5]
Solución Exacta: ϕ(t) = e−t /2 .
2
(a)
y(0) = 1
′
2 − 2y , t ∈ [0, 10]
1 2
y = 1+t t
(b) Solución Exacta: ϕ(t) = 1+t2.
y(0) = 0
′ 1
y = 4 y 1 − 201
y , t ∈ [0, 20] 20
(c) Solución Exacta: ϕ(t) = 1+19e −t/4 .
y(0) = 1
3. Usando el método de Euler, resolver el PVI siguiente:

′
y = x2 − y, x ∈ [0, 4]
y(0) = 1
para los siguientes tamaño del paso h = 1, 0.5, 0.25, 0.125, 0.0625. Para cada valor de h:
(a) Grafique la poligonal que determinan los puntos {(tj , yj )}j=0,...,n , y en la misma figura
grafique la solución exacta del PVI dada por: ϕ(x) = x2 −2x+2−e−x para x ∈ [0, 4].
(b) Calcule el error global final, es decir:
E = |ϕ(4) − yn |
siendo yn el último valor de la aproximación de Euler.
(c) Según lo que observa numéricamente, ¿en la medida que reduce el tamaño del paso
a la mitad, en cuanto se reduce este error?
4. Un PVI con dos soluciones.

Consideremos el siguiente PVI:

y ′ = 23 y 1/3 , t ∈ [0, 1]
y(0) = 0
(a) Verifique a mano que ϕ(t) = 0 es una solución del PVI.
(b) Verifique a mano que ϕ(t) = t3/2 es otra solución del PVI.
(c) ¿Contradice esto el Teorema de existencia y unicidad visto?
(d) Utilice la función Euler.m para resolver este PVI. ¿Qué solución devuelve? Explique.

Bibliografı́a
[Alav2006] J.Alavez Ramı́rez, ”Métodos Numéricos I”, Universidad Juárez Autónoma de Tabasco,
México, 2006.
[Apos1984] T.M. Apostol, “Calculus”, Vol. 1, Ed. Reverté, Buenos Aires, 1984.
[Atki1985] K. Atkinson, “Elementary Numerical Analysis”, John Wiley & Sons, New York, 1985.
[BrCh2004] J.W. Brown, R.V. Churchill, “Variable compleja y aplicaciones”, McGraw-Hill, Madrid,
2004.
[Codd1968] E.A. Coddintgton, “Introducción a las Ecuaciones Diferenciales Ordinarias”, Compañia
Editorial Continental, S.A., México, 1968.
[FuGi1995] R. Fuster, I. Giménez, “Variable Compleja y Ecuaciones Diferenciales”, Reverté, Barce-
lona, 1995.
[GoVa2013] G.H. Golub, C.F. Van Loan, “Matrix Computations”, 4th Ed., The Johns Hopkins Uni-
versity Press, Baltimore, 2013.
[Jame2002] G. James, “Matemáticas avanzadas para Ingenierı́a”, Pearson Educación, México, 2002.
[KiCh1994] D. Kincaid, W. Cheney, “Análisis Numérico. Las matemáticas del cálculo cientı́fico”,
Addison-Wesley Iberoamericana, Delaware, 1994.
[Krey2003] E. Kreyszig, “Matemáticas avanzadas para Ingenierı́a”, Limusa Wiley, México, 2003.
[MaFi2000] J.M. Mathews, K.D. Fink, “Métodos Numéricos con MATLAB”, 3era Ed., Pearson Pren-
tice Hall, Madrid, 2000.
[Mole2015] C.B. Moler, ”Numerical computing with MATLAB”, SIAM, Philadelphia, 2004.
[Saad2000] Y. Saad, ”Iterative Methods for Sparse Linear Systems”, SIAM, Philadelphia, 2003.
[SiSo2010] J.W. Signorelli, J. Sorribas, ”Notas de Clases de Informática Aplicada y Métodos Compu-
tacionales”, FCEIA, UNR, Rosario, 2010.
[SLSS2011] M. Spiegel, M. Lipschutz, J. Schiller, D. Spellman, “Variable Compleja y Ecuaciones
Diferenciales”, Mc Graw Hill, México, 2011.
[TrBa1997] Ll.N. Trefethen, D. Bau, ”Numerical Linear Algebra”, SIAM, Philadelphia, 1997.
[Wuns1997] A.D. Wunsch, “Variable Compleja con Aplicaciones”, Addison Wesley, México, 1997.

Link de interés
• https://la.mathworks.com/products/matlab.html
• https://www.gnu.org/software/octave/
• https://www.scilab.org/
• www.fortran.com/

Matem Atica Aplicada: Universidad Nacional de Rosario

Cargado por

Copyright:

Formatos disponibles

Matem Atica Aplicada: Universidad Nacional de Rosario

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Matem Atica Aplicada: Universidad Nacional de Rosario

Cargado por

Copyright:

Formatos disponibles

Facultad de Ciencias Exactas, Ingenierı́a y Agrimensura

Universidad Nacional de Rosario

José A. Semitiel - Luciano Ponzellini Marinelli

1 El sistema de los números complejos 5

3.3 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4 Series complejas y residuos 75

5 La transformación de Laplace 103

6 Métodos numéricos 144

6.2.10 Programación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Link de interés 262

El sistema de los números complejos

En este capı́tulo estudiaremos la estructura algebraica y geométrica de los números complejos,

1.1 El cuerpo de los números complejos

(x1 + iy1 ) + (x2 + iy2 ) = (x1 + x2 ) + i (y1 + y2 )

1. Los miembros de la derecha de la suma y el producto de números complejos recién deﬁ-

2. El sı́mbolo i recibe el nombre de unidad imaginaria. Es usual, en Electrónica, representar

3. Los números complejos de la forma x + i0 se representan simplemente por x. Es evidente

4. Los números complejos de la forma 0 + iy se representan simplemente por iy y se llaman

El conjunto C dotado de las operaciones suma y producto deﬁnidas anteriormente, tiene

1.1.1 Potenciación de números complejos

Se puede comprabar fácilmente que las sucesivas potencias de la unidad imaginaria i se

i0 = 1; i1 = i; i2 = −1; i3 = i2 i = −i; i4 = i3 i = −ii = 1; i5 = i4 i = 1i = i

i6 = i5 i = ii = −1; i7 = i6 i = −1i = −i; i8 = i7 i = −ii = 1; i9 = i8 i = 1i = i; ...

A partir de este reconocimiento es posible enunciar el siguiente teorema:

Teorema 1.1.1. Sea n ∈ N con n ≥ 4. Entonces in = ir donde r es el resto de la

Ejemplo 1.1.3. Por el Teorema 1.1.1 se sigue que,

1.2 El plano complejo

• Igualdad: (x1 , y1 ) = (x2 , y2 ) ⇔ x1 = x2 , y1 = y2

• Suma: (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

• Producto: (x1 , y1 ) (x2 , y2 ) = (x1 x2 − y1 y2 , x1 y2 + y1 x2 )

i2 = (0, 1) (0, 1) = (−1, 0) = −1.

Observación 1.2.1. No es posible establecer una relación de orden en el conjunto de los

1.2.2 Representación geométrica de los números complejos

Figura 1.1: Plano complejo

Deﬁnición (Complejo conjugado). Sea z = x + iy ∈ C. Se llama conjugado de z,

Teorema 1.2.1 (Propiedades del complejo conjugado). Sean z, z1 y z2 ∈ C. Entonces

Corolario 1.2.1. Si z1 y z2 ∈ C entonces se veriﬁca que:

Deﬁnición (Módulo). Sea z = x + iy ∈ C, se llama módulo de z, y denotamos |z|,

Geométricamente, el módulo de z es la distancia del aﬁjo P de z al punto 0.

Figura 1.2: Representación de |z − i| = 2

La ecuación (1.1) es la ecuación cartesiana en el plano xy de una circunferencia de centro

Teorema 1.2.2. Sean z, z1 y z2 ∈ C. Entonces se veriﬁcan las siguientes propiedades:

3. |z1 z2 | = |z1 ||z2 |

6. |z1 + z2 | ≤ |z1 | + |z2 |

Deﬁnición (Argumento). Sea z ∈ C − {0}. Se llama argumento de z a todo ángulo

Observación 1.2.2. El argumento de un número complejo z 6= 0 no está unı́vocamente deter-

Notar además que,

Arg(z) = arg(z) + 2kπ, k ∈ Z.

Figura 1.3: Argumento de un número complejo

Teorema 1.2.3. Sean z1 y z2 complejos no nulos. Entonces:

1. Arg(z1 z2 ) = Arg(z1 ) + Arg(z2 )

1.3 Otras formas de representar números complejos

Teorema 1.3.1 (Producto y cociente en forma polar). Si z1 = rθ1 y z2 = rθ∗2 , entonces:

1. z1 z2 = (rr∗ )θ1 +θ2

Teorema 1.3.2 (Fórmula de De Moivre). Sean el número complejo z = rθ y n ∈ Z.

1.3.2 Raı́z n−ésima de un complejo

Teorema 1.3.3. El número complejo z = rθ tiene exactamente n raı́ces n−ésimas

donde k = 0, 1, 2. Luego, se tiene que las raı́ces cúbicas de z = −8i son:

Figura 1.4: Representación de las raı́ces cúbicas de −8i