Ilovepdf Merged (1) With Numbers 2 165

Planificación Para El Programa Semestral 2016
UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

FACULTAD DE INGENIERÍA DE SISTEMAS COMPUTACIONALES
DEPARTAMENTO DE COMPUTACIÓN Y SIMULACIÓN DE SISTEMAS
Planificación Semestral – Métodos Numéricos (8010)
Profesor: Leonardo Fields

Nombre: _________________________ Cédula: _______________ Grupo: ___________ Fecha: ___________
1. OBEJETIVOS
 Meta del Docente
 Aplicar estrategias que permitan a los alumnos comprender y resolver problemas de ingeniería usando
computadoras.
 Metas del Alumno
 Usar de forma correcta las estructuras básicas de un lenguaje de programación para resolver problemas
de ingeniería.
 Conocer y aplicar métodos para encontrar raíces de sistemas de ecuaciones lineales, funciones y
polinomios.
 Familiarizarse con conceptos como interpolación numérica, integración numérica y ecuaciones
diferenciales.
2. CONTENIDOS
Módulo 1. Errores en la representación interna de datos 3 Semanas

Módulo 2. Solución numérica de ecuaciones algebraicas y trascendentales 8 Semanas
Módulo 3. Aproximación Funcional / Polinomial y soluciones de una ecuación diferenciales 5 Semanas
3. NORMAS A SEGUIR EN LA ASIGNATURA
 No se repiten exámenes parciales.

 Toda actividad realizada en el salón, que conlleve una calificación, no se repite y será evaluada con la
nota mínima de cero (0).
 La lista de asistencia se distribuye en todas las clases, como evidencia de su asistencia a las actividades
planteadas.
 Toda norma que dicte el estatuto de la Universidad.
1
2
4. EVALUACIÓN
Descripción Porcentaje(P)
Asistencia y Participación 5%
Prácticas, Quices, Investigaciones y Portafolio 15%
Talleres y Proyectos 20%
Parciales 25%
Semestral 35%
TOTAL 100%
Exámenes cortos (Quices): estos serán escritos. Estas pruebas no se repiten. Al no presentarlas se tiene la
calificación mínima de cero (0). Estos exámenes se basarán en los tópicos tratados en clase.
Investigaciones y presentaciones orales: basados en temas presentes en el plan de estudio o sobre temas de
interés general para la materia. Las presentaciones serán grupales. Las presentaciones no se repiten, las no
realizadas tienen nota cero (0).
Participación y asistencia: La asistencia y participación en clases es un elemento para valorar el compromiso del
estudiante con su aprendizaje. Es vital presenciar las clases, hacer preguntas y despejar dudas.
Portafolio: Es la carpeta profesional y técnica en la que el alumno evidenciará su participación, aporte y avance
de conocimientos a lo largo del curso. Su detallada y cuidadosa elaboración garantiza un alto desempeño y
rendimiento académico.
Parciales: serán versados sobre los tópicos presentes en el plan de contenido. Estas pruebas no se repiten. Se
realizarán 3 parciales durante el curso.
Talleres y Proyectos: se realizarán en grupos y servirá para reforzar lo aprendido durante los módulos.
2
3
5. BIBLIOGRAFÍA
* libro de texto
AUTOR NOMBRE DEL LIBRO EDITORIAL
CHAPRA, Steven C. y Métodos Numéricos para Ingenieros con McGraw-Hill, 2010

CANALE, Raymond P. aplicaciones en computadoras personales.
Sexta Edición *
NAKAMURA, Shoichiro Métodos Numéricos Aplicado con Software. Prentice-Hall

Primera Edición
CURTIS F., Gerald. Análisis Numérico. Segunda Edición Alfa Omega
SCHEID, Francis. Métodos Numéricos McGraw-Hill
SMITH W., Allen. Análisis Numérico. Primera Edición. Prentice-Hall
LUTHE, Rodolfo; OLIVIRA, Métodos Numéricos Limusa

Antonio y SCHUTZ,
Fernando.
GROSSMAN, Stanley. Algebra Lineal Iberoamérica
SAMANIEGO G., Euclides. Apuntes del Curso de Métodos Numéricos

para Ingeniería
6. EQUIPO DOCENTE
 Profesor Leonardo Fields
7. COMUNICACIÓN CON EL DOCENTE
Leonardo Fields
Correo electrónico: leonardo.fields@utp.ac.pa
Horario de atención a los alumnos: Durante las horas de clases y fuera del horario de clases en horas predefinidas
por el docente.
3
4
8. PLAN DE CONTENIDO

FACULTAD DE INGENIERIA DE SISTEMAS COMPUTACIONALES
DEPARTAMENTO DE COMPUTACIÓN Y SIMULACIÓN DE SISTEMAS
PLAN VIGENTE A PARTIR DE PRIMER SEMESTRE 2014
ASIGNATURA: METODOS NUMERICOS

PREREQUISITOS: NINGUNO
CODIGO: 8010 CREDITOS: 4
HORAS DE CLASES: 4 HORAS DE LAB. : 1
OBJETIVOS GENERALES:
1. Conocer y manejar la aritmética del computador y los errores que de ella se derivan, concientizándonos en
los posibles problemas que pueden acarrearse al usar sistemas computarizados.
2. Conocer y aplicar diferentes métodos para encontrar las raíces de sistemas de Ecuaciones Lineales, Funciones
y Polinomios, aplicándolos particularmente a problemas del área ingenieril.
3. Conocer el uso y la importancia de la interpolación numérica, la integración numérica y las ecuaciones
diferenciales en la vida cotidiana de un ingeniero.
OBJETIVOS ESPECÍFICOS:
 Realizar la representación internamente de los números en la computadora.

 Conocer la diferencia entre precisión y magnitud.
 Resolver problemas de aritméticas de punto fijo y punto flotante
 Comprender la importancia de los errores y la incidencia de estos en los resultados finales.
 Relacionar el error relativo con cifras significativas.
 Identificar los errores generados por el computador debido a su arquitectura y a los lenguajes de
programación.
 Utilizar la serie de Taylor para aproximar funciones.
 Comprender la naturaleza de la aproximación y los términos residuales de la serie de Taylor
 Familiarizarse con la terminología: eliminación hacia delante, sustitución hacia atrás, normalización,
ecuación pivotal y pivote.
 Comprender el procedimiento para desarrollar el método de Gauss-Jordan.
 Saber la diferencia fundamental entre la Eliminación Gaussiana y Gass-Jordan.
 Conocer el uso del Método de Gauss Seidel y Jacobi, aplicado a sistemas de ecuaciones grandes.
 Comprender el procedimiento para desarrollar el Método de Doolitte.
 Realizar la interpretación gráfica de una raíz de una función.
 Conocer la diferencia entre los métodos que usan intervalos y los métodos abiertos para la
localización de raíces.
 Conocer los conceptos de convergencia y divergencia.
 Conocer porque los métodos que usan intervalos siempre convergen, mientras que los abiertos
algunas veces pueden divergir.
 Conocer los Teoremas aplicados a la solución de Polinomios.
4
5
 Explicar en qué consiste el método de División sintética.

 Conocer la importancia del método de Lin-Bairstow en la solución de polinomios.
 Explicar el concepto de interpolación y regresión.
 Reconocer que las ecuaciones de Newton y Lagrange son formulaciones diferentes del mismo
polinomio de interpolación y de entender sus respectivas ventajas y desventajas.
 Comprender en qué situaciones se pueden aplicar los métodos de regresión lineal, polinomial y
múltiple.
 Definir el concepto de integración numérica.
 Conocer las fuentes de error involucradas en la integración numérica.
 Entender la derivación de las fórmulas de integración numérica.
 Saber cómo evaluar la integral de datos desigualmente espaciados.
 Conocer la relación del método de Euler con la expansión en serie de Taylor.
 Comprender el método de EULER Modificado y aplicarlo en los problemas propuestos
 Conocer la forma general de los métodos de RUNGE-KUTTA.
 Comprender la derivación del método de Runge-Kutta de segundo orden y cómo está relacionado
con la expansión de Taylor
CONTENIDO:
1. Módulo I: LAS PRINCIPALES CAUSAS DE LOS ERRORES EN LA REPRESENTACIÓN INTERNA DE LOS

DATOS (3 Semanas)
ARITMÉTICA DEL COMPUTADOR
1.1. Representación interna de números

1.1.1. Precisión y Exactitud
1.1.2. Magnitud
1.2. Aritmética de punto fijo
1.2.1. Complemento en el Sistema Decimal
1.2.2. Complemento en el Sistema Binario
1.3. Operaciones con punto flotante normalizado
1.3.1. Adición y sustracción
1.3.2. Multiplicación
1.3.3. División
TEORÍA DE ERROR
1.4. Tipos de errores

1.4.1.Error por redondeo
1.4.2.Error por truncamiento
1.4.3.Error Significativo
1.4.4.Error propagado
1.5. Formas de medir el error
1.5.1.Error absoluto
1.5.2.Error relativo modificado
5
6
1.6. Cálculo de error en series de potencias
2. Módulo II: SOLUCIÓN NUMÉRICA DE ECUACIONES ALGEBRAICAS Y TRASCENDENTALES

(8 Semanas)
RAICES DE FUNCIONES: ALEBRAICAS Y TRANSCENDENTALES
2.1. Métodos de aproximaciones sucesivas

2.2. Métodos que usan intervalos para calcular las raíces
2.2.1. Método de intervalo medio
2.2.2. Método de REGULA FALSI
2.3. Métodos abiertos para el cálculo de raíces
2.3.1. Método de NEWTON-RAPHSON
2.3.2. Método de la Secante
SOLUCION DE POLINOMIOS
2.4. Teoremas sobre raíces de polinomios

2.5. División sintética: Regla de HORNER
2.6. Método de LIN-BAIRSTOW
SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES
2.7. Definición
2.8. Método de eliminación GAUSSIANA
2.9. Método de GAUSS-JORDAN
2.10. Método de JACOBI
2.11. Método de GAUSS-SEIDEL
2.12. Método de DOOLITTLE
3. Módulo III: APROXIMACIÓN FUNCIONAL/POLINOMIAL Y SOLUCIONES DE UNA ECUACIÓN

DIFERENCIAL (3 Semanas)
INTERPOLACION NUMERICA
3.1. Polinomio único

3.2. Método de LAGRANGE
3.3. Método de NEWTON
3.3.1. Intervalos variables
3.3.2. Diferencias divididas hacia adelante
3.4. Método de regresión: mínimos cuadrados
3.4.1. Regresión Lineal
3.4.2. Regresión Polinomial
6
7
3.4.3. Regresión Exponencial

3.4.4. Regresión Potencial
3.4.5. Regresión Múltiple
INTEGRACION NUMERICA
3.5. Introducción
3.6. Regla trapezoidal
3.7. Reglas de SIMPSON 1/3
3.8. Regla de SIMPSON 3/8
3.9. Ejercicios propuestos
ECUACIONES DIFERENCIALES ORDINARIAS

3.10. Método de EULER
3.11. Método de EULER MODIFICADO: Corrector – Predictor
3.12. Método de RUNGE-KUTTA
7
8
2 CRONOGRAMA DE LA ASIGNATURA
SEMANA CONTENIDO EVALUACIÓN

1 1 – 5 de ARITMÉTICA DEL COMPUTADOR Tareas
Agosto 1.1. Representación interna de números
1.1.1. Precisión y Exactitud
1.1.2. Magnitud
1.2. Aritmética de punto fijo
1.2.1. Complemento en el Sistema Decimal
1.2.2. Complemento en el Sistema Binario
2 8 – 12 de 1.3. Operaciones con punto flotante normalizado Práctica en clase

Agosto 1.3.1. Adición y sustracción
1.3.2. Multiplicación
1.3.3. División
3 15 – 19 de TEORÍA DE ERROR Práctica en clase

Agosto 1.4. Tipos de errores
1.4.1. Error por redondeo
1.4.2. Error por truncamiento
1.4.3. Error Significativo
1.4.4. Error propagado
1.5. Formas de medir el error
1.5.1. Error absoluto
1.5.2. Error relativo modificado
1.6. Cálculo de error en series de potencias
4 22 – 26 de RAICES DE FUNCIONES: ALEBRAICAS Y TRANSCENDENTALES Práctica en clase
Agosto 2.1. Métodos de aproximaciones sucesivas Tarea
2.2. Métodos que usan intervalos para calcular las raíces
2.2.1. Método de intervalo medio
2.2.2. Método de REGULA FALSI
5 29 de Agosto – 2.3. Métodos abiertos para el cálculo de raíces Laboratorio

2 de 2.3.1. Método de NEWTON RAPHSON
Septiembre 2.3.2. Método de la Secante
6 5 – 9 de SOLUCION DE POLINOMIOS PARCIAL 1

Septiembre 2.4. Teoremas sobre raíces de polinomios
2.5. División sintética: Regla de HORNER
2.6. Método de LIN BAIRSTOW
7 12 – 16 de SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES Práctica en clase
Septiembre 2.7. Definición
2.8. Método de eliminación GAUSSIANA
2.9. Método de GAUSS JORDAN
8
9
8 19 – 23 de 2.10. Método de JACOBI Práctica en clase

Septiembre 2.11. Método de GAUSS SEIDEL Tareas
2.12. Método de DOOLITTLE
9 26 – 30 de INTERPOLACION NUMERICA Laboratorio
Septiembre 3.1. Polinomio único
3.2. Método de LAGRANGE
3.3. Método de NEWTON
10 3 – 7 de REPASO DE CONCEPTOS Y PRÁCTICA PARCIAL 2
Octubre
11 10 – 14 de 3.3.1. Intervalos variables Práctica en clase
Octubre 3.3.2. Diferencias divididas hacia adelante
12 17 – 21 de 3.4. Método de regresión: mínimos cuadrados Práctica en clase
Octubre 3.4.1. Regresión Lineal
3.4.2. Regresión Polinomial
13 24 – 28 de 3.4.3. Regresión Exponencial

Octubre 3.4.4. Regresión Potencial
3.4.5. Regresión Múltiple
14 31 de Octubre INTEGRACION NUMERICA Práctica en clase
– 4 de 3.5. Introducción Tareas
Noviembre 3.6. Regla trapezoidal
3.7. Reglas de SIMPSON 1/3
3.8. Regla de SIMPSON 3/8
3.9. Ejercicios propuestos
15 7 – 11 de ECUACIONES DIFERENCIALES ORDINARIAS Práctica en clase
Noviembre 3.10. Método de EULER Laboratorio
3.11. Método de EULER MODIFICADO: Corrector – Predictor
3.12. Método de RUNGE KUTTA
16 14 – 18 de REPASO DE CONCEPTOS Y PRÁCTICA PARCIAL 3
Noviembre
21 – 25 de Examen Semestral
Noviembre
28 de Examen Semestral
Noviembre – 2
de Diciembre
9
10
1 CUADRO DE CALIFICACIONES - ESTUDIANTE

FACULTAD DE INGENIERÍA DE SISTEMAS COMPUTACIONALES
DEPARTAMENTO DE PROGRAMACIÓN DE COMPUTADORAS
Métodos Numéricos
Profesor: ________________________
Nombre: _________________________ Cédula: _______________Grupo: ________ Fecha: ___________
ASISTENCIA Y Invest./Trabajos Grupales/Quiz/

LABORATORIOS
PARTICIPACIÓN Tareas
Nº. Ausencia Participación No. Actividad Nota Fecha Fecha Nota Observación
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
10 10
11 11
12 12
13 13
14 14
15 15
16 16
Parciales Proyecto(s)
N° Tema Fecha Nota N° Tema Fecha Nota
1 1
2 2
3 3
4 4
10
11
Agosto 2016
Semana LUNES MARTES MIÉRCOLES JUEVES VIERNES
1 1 2 3 4 5
PRIMER DIA
Aritmética del DE CLASES: Programación
computador
Introducción al y Software
(Cap 1 y 2)
curso
2 8 9 10 11 12
Aritmética del DIA LIBRE:

Programación
computador Laboratorio 1 Aniversario
(Cap 1 y 2) y Software
UTP
3 15 16 17 18 19
Teoría del DIA LIBRE:

Teoría del
Error Panamá La
(Cap 3 y 4) Error
Vieja
4 22 23 24 25 26
Charla 1 (G1):
Método
Raíces de
BISECCION
Funciones Laboratorio 2
(Cap 5 y 6) Charla 2 (G2):
Método FALSA
POSICION
5 29 30 31 1 2
12
Septiembre 2016
5 29 30 31 1 2
Charla 3 (G3):
Raíces de Charla 4 (G4):
Método
Funciones Método
(Cap 5 y 6) NEWTON -
SECANTE
RAPHSON
6 5 6 7 8 9
Solución de Charla 5 (G5): Charla 6 (G6):

Polinomios Método Método
(Cap 7) BAIRSTOW MULLER
7 12 13 14 15 16
Ecuaciones Charla 7 (G7):
Algebraicas Método GAUSS
Laboratorio 3
Lineales y GAUSS-
(Cap 9, 10, 11) JORDAN
8 19 20 21 22 23
Ecuaciones ENTREGA DE
Algebraicas AVANCES DE
Repaso PARCIAL 1
Lineales MITAD DE
(Cap 9, 10, 11) SEMESTRE
9 26 27 28 29 30
Algebraicas Método
Laboratorio 4
Lineales Descomposición
(Cap 9, 10, 11) LU
13
Octubre 2016
LUNES MARTES MIÉRCOLES JUEVES VIERNES
9 26 27 28 29 30
10 3 4 5 6 7
Algebraicas Método
Laboratorio 5
Lineales GAUSS-SEIDEL
(Cap 9, 10, 11) y JACOBI
11 10 11 12 13 14
Charla 10 (G3): Charla 11 (G4):
Interpolación
Regresión Regresión
Numérica
(Cap 17 y 18) LINEAL y POLINOMIAL
MULTIPLE y NO LINEAL
12 17 18 19 20 21
Charla 12 (G5):
Interpolación
Método
Numérica Laboratorio 6
(Cap 17 y 18) LAGRANGE y
NEWTON
13 24 25 26 27 28
Charla14 (G7):
Charla 13 (G6): Método
Integración
Regla EULER
Numérica
(Cap 21) TRAPEZOIDAL Método
Regla SIMPSON RUNGE -
KUTTA
14 31
14
Noviembre 2016
LUNES MARTES MIÉRCOLES JUEVES VIERNES
14 31 1 2 3 4
Ecuaciones
Difer. Estaré ausente, DIA LIBRE: DIA LIBRE: DIA LIBRE:
Ordinarias dejaré tarea Fiestas Patrias Fiestas Patrias Fiestas Patrias
(Cap 25)
15 7 8 9 10 11
Ecuaciones
Difer. DIA LIBRE:
Repaso
Ordinarias Fiestas Patrias
(Cap 25)
16 14 15 16 17 18
ULTIMO DIA
PARCIAL 2
DE CLASES
17 21 22 23 24 25
SEMESTRALES SEMESTRALES SEMESTRALES SEMESTRALES SEMESTRALES
18 28 29 30 1 2
DIA LIBRE:
SEMESTRALES SEMESTRALES
Fiestas Patrias
15
Diciembre 2016
18 28 29 30 1 2
SEMESTRALES SEMESTRALES
19 5 6 7 8 9
ENTREGA DE
CALIFICACIONES
12 13 14 15 16
19 20 21 22 23
26 27 28 29 30
Total de días de laboratorio: 6
Total de días de Teoría: 20
16
Charlas:
Grupo 1:
Método BISECCION (25 - Ago)
Método Descomposición LU (26 - Sep)
Grupo 2:
Método FALSA POSICION (25 - Ago)
Método GAUSS-SEIDEL y JACOBI (3 - Oct)
Grupo 3:
Método NEWTON – RAPHSON (29 - Ago)
Regresión LINEAL y MULTIPLE (10 - Oct)
Grupo 4:
Método SECANTE (1 - Sep)
Regresión POLINOMIAL y NO LINEAL (13 - Oct)
Grupo 5:
Método BAIRSTOW (5 - Sep)
Método LAGRANGE y NEWTON (17 - Oct)
Grupo 6:
Método MULLER (8 - Sep)
Regla TRAPEZOIDAL y SIMPSON (24 - Oct)
Grupo 7:
Método GAUSS y GAUSS-JORDAN (12 - Sep)
Método EULER y RUNGE –KUTTA (31 - Oct)
17
18
Universidad Tecnológica de Panamá
Facultad de Ingeniería Civil
Tarea N ° 1
Estudiantes:
Gesuani Gomez 8-907-531
Justin Lezcano 4-774-663
Evelyn Romero 1-734_183
Asignatura: Métodos numéricos
Ingeniería Ambiental Grupo 1IB-121
19
Entero
Los enteros son el tipo de dato más primitivo en C. Se usan para representar números enteros.
Pero siempre se pueden encontrar otras aplicaciones para los números enteros. En general se
pueden usar para representar cualquier variable discreta.
Los tipos de datos enteros son: short , int , long y long long , cada uno representando un número
entero de un tamaño o capacidad determinado. Según el compilador y la plataforma de
hardware, cada uno de estos tipos de dato puede ocupar desde 1 byte hasta 8 bytes en memoria
(para más detalles busca en la referencia).
Además, el lenguaje C hace la distinción de si el entero es con signo ( signed ) o sin signo
( unsigned ). En caso de que no se declare si es con signo o sin signo, se toma con signo.
Algunos ejemplos de declaraciones de enteros:
int a;
unsigned int a;
signed long a;
signed long long a = 10000000;
Todos los números son representados en memoria mediante una cadena de bits. En el caso de los
números con signo, el bit más significativo es el que se usa para representar el signo. La
representación de los números negativos se realiza mediante el complemento a dos, que es una
técnica que permite operar con los números negativos de forma lógica.
A modo de ejemplo, la representación en memoria del número -8 en una variable de 2 bytes,
entera, con signo, sería la siguiente:
1111111111111000
Flotantes
Se denomina flotantes a los tipos de datos que representan a los números reales, ya que utilizan
un sistema de representación basado en la técnica de coma flotante, que permite operar con
números reales de diversas magnitudes, mediante un número decimal llamado mantisa y un
exponente que indica el orden de magnitud.
El tipo de dato flotante en lenguaje C sólo tiene dos tamaños: el float y el double , que son 4
bytes y 8 bytes respectivamente. Se los puede utilizar tanto para representar números decimales,
como para representar números enteros con un orden de magnitud muy grande.
La forma de declarar una variable flotante es escribiendo en una línea uno de los tipos de datos
flotantes y a continuación el nombre de la variable y tal vez algún valor que se les quiera dar.
Algunos ejemplos:
float a;
double a = 1e23;
double a = 3.1416;
float a = 4e-9;
double a = -78;
20
Hay que tener en cuenta que aunque los valores flotantes son más convenientes para algunas
aplicaciones, hay casos en los que se prefieren los enteros. Esto se debe a que los números
flotantes no necesariamente tienen soporte de hardware, en particular en las
plataformas integradas. Una alternativa que se utiliza en estas situaciones es interpretar los
enteros como decimales de forma que 150 se interprete como 1.5 y 2345 como 23.45.
Para el caso de los flotantes de 4 bytes, se utiliza 1 bit para el signo, 7 bits para el exponente y 24
bits para el valor del número. El procedimiento para almacenar un número en una variable
flotante es el siguiente:
1-Se convierte a binario la parte entera.

2-Se coloca el signo en el bit más significativo de la misma manera que en los enteros (1 para el -
y 0 para el +).
3-Se mueve la coma (en la representación binaria de la parte entera) hasta que esté a la derecha
del primer uno y éste se descarta (el uno más significativo). El valor del exponente será el número
de posiciones que se movió la coma. El exponente usa la representación de un entero con
complemento a dos.
4-Se convierte en binario la parte decimal del número. Esto usando el peso de los bits. el bit
decimal más significativo vale 1/2, el siguiente vale 1/4, el otro 1/8, el otro 1/16 y así hasta
completar lo que falta para los 23bits del valor.
5-Se concatena todo y ese es el valor flotante representado en memoria.
ARITMÉTICA BINARIA
La Unidad Aritmético Lógica, en la CPU del procesador, es capaz de realizar operaciones
aritméticas, con datos numéricos expresados en el sistema binario. Naturalmente, esas
operaciones incluyen la adición, la sustracción, el producto y la división. Las operaciones se hacen
del mismo modo que en el sistema decimal, pero debido a la sencillez del sistema de numeración,
pueden hacerse algunas simplificaciones que facilitan mucho la realización de las operaciones.
Suma en binario
Para aprender a sumar, con cinco o seis años de edad, tuviste que memorizar las 100
combinaciones posibles que pueden darse al sumar dos dígitos decimales. La tabla de sumar, en
binario, es mucho más sencilla que en decimal. Sólo hay que recordar cuatro combinaciones
posibles:
+ 0 1
0 0 1
1 1 0+1
Las sumas 0 + 0, 0 + 1 y 1 + 0 son evidentes:

0+0=0
0+1=1
1+0=1
Pero la suma de 1+1, que sabemos que es 2 en el sistema decimal, debe escribirse en binario con
dos cifras (10) y, por tanto 1+1 es 0 y se arrastra una unidad, que se suma a la posición siguiente a
la izquierda. Veamos algunos ejemplos:
21
010 + 101 = 111 210 + 510 = 710
001101 + 100101 = 110010 1310 + 3710 = 5010
Sustracción en binario
La técnica de la resta en binario es, nuevamente, igual que la misma operación en el sistema
decimal. Pero conviene repasar la operación de restar en decimal para comprender la operación
binaria, que es más sencilla. Los términos que intervienen en la resta se llaman minuendo,
sustraendo y diferencia.
- 0 1
0 0 1
1 1+1 0
Las restas 0 - 0, 1 - 0 y 1 - 1 son evidentes:

0–0=0
1–0=1
1–1=0
La resta 0 - 1 se resuelve, igual que en el sistema decimal, tomando una unidad prestada de la
posición siguiente: 10 - 1, es decir, 210 – 110 = 1. Esa unidad prestada debe devolverse,
sumándola, a la posición siguiente. Veamos algunos ejemplos:
111 – 101 = 010 710 – 510 = 210
10001 – 01010 = 00111 1710 – 1010 = 710
Multiplicación binaria
La multiplicación en binario es más fácil que en cualquier otro sistema de numeración. Como los
factores de la multiplicación sólo pueden ser CEROS o UNOS, el producto sólo puede ser CERO o
UNO. En otras palabras, las tablas de multiplicar del cero y del uno son muy fáciles de aprender:
x 0 1
0 0 0
1 0 1
En un ordenador, sin embargo, la operación de multiplicar se realiza mediante sumas repetidas.

Eso crea algunos problemas en la programación porque cada suma de dos UNOS origina un
arrastre, que se resuelven contando el número de UNOS y de arrastres en cada columna. Si el
número de UNOS es par, la suma es un CERO y si es impar, un UNO. Luego, para determinar los
arrastres a la posición superior, se cuentan las parejas de UNOS.
22
División binaria
Igual que en el producto, la división es muy fácil de realizar, porque no son posibles en el cociente
otras cifras que UNOS y CEROS.Consideremos el siguiente ejemplo, 42 : 6 = 7, en binario:
Se intenta dividir el dividendo por el divisor, empezando por tomar en ambos el mismo número
de cifras (100 entre 110, en el ejemplo). Si no puede dividirse, se intenta la división tomando un
dígito más (1001 entre 100).
Si la división es posible, entonces, el divisor sólo podrá estar contenido una vez en el dividendo, es
decir, la primera cifra del cociente es un UNO. En ese caso, el resultado de multiplicar el divisor
por 1 es el propio divisor. Restamos las cifras del dividendo del divisor y bajamos la cifra siguiente.
El procedimiento de división continúa del mismo modo que en el sistema decimal
Normalización en Excel
Función NORMALIZACION (x; media; desv_estándar) Devuelve un valor numérico. Dado un valor
“x”, lo devuelve normalizado. Se conoce la media y la desviación estándar. La función tiene los
siguientes argumentos.
Argumento “x”. Contiene un valor numérico. Indica cuál es el número que desea normalizar. Si “x”
no es un valor numérico, la función devuelve el código de error # ¡VALOR!
Argumento “media”. Contiene un valor numérico. Indica cuál es la media de la distribución. Si
“media” no es un valor numérico, la función devuelve el código de error # ¡VA# ¡R!
Argumento “desv_estándar”. Contiene un valor numérico positivo, Indica cuál es la desviación
estándar para la distribución. Si “desv_estándar” es un número menor o igual que 0, la función
devuelve el código de error # ¡NUM! Si “desv_estándar” no es un valor numérico, la función
devuelve el código de error # ¡VALOR!
Ejemplos:
=NORMALIZACION (60;58;1,5) devuelve 1,3333. El número a normalizar es 60. La media es 58 y la
desviación estándar es 1,5.
El valor normalizado es 1,3333.
=NORMALIZACION (12;5;0,8) devuelve 8,75.
23
24
25
Powered by TCPDF (www.tcpdf.org)
26
27
28
29
30
31
32
33
Laboratorio N° 1
Diagrama del paracaidista
Inicio
Ra, g, m, t, v, i
Ra = 12.5, g= 9.8, m =68.1, t= 0
t =<
14
No Si
S v = [g*m)/Ra]*[1 – e^-(Ra/m)*t]
t = t +2
i = i + v + vbCrLf
Imprimir
i
fin
34
Private Sub Button1_Click(sender As Object, e As EventArgs) Handles Button1.Click
Dim ra As Double = 12.5
Dim g As Double = 9.8
Dim mp As Double = Txt2.Text
Dim time() As Integer = {0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24, 26,
28, 30}
Dim v() As Double = {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0}
For t = 0 To 14
v(t + 1) = (v(t) + (g + ((ra / mp)) * v(t))) * (time(t + 1) - time(t))
Txt1.Text = Txt1.Text + CStr(v(t+1)) + vbCrLf
Next
End Sub
35
Laboratorio n° 2
Método de Bisección
Integrantes: Gesuani
Gómez 8-907-531 Justin Lezcano Fecha: lunes, 3 de octubre de 2016
4-774-663 Evelyn Romero 1- Grupo: 1IB121
734-183
>> clear all
format short;
fun=input('Introduzcal a funcion f(x)=','s');
Xa=input('Introduzca el valor de Xa: ');
Xb=input('Introduzca el valor de Xb: ');
cont=input('Introduzca el numero de i teraciones cont: ');
f=inline(fun);
for k=1:cont
c=(Xa+Xb)/ 2;
e=abs((Xb-Xa)/ 2);
A(k,:)=[k Xa Xb c f( c) e]; if
f(Xa)*f( c)<0
Xb=c;
else
Xa=c;
end
end
fprintf('\n \ti \tXa \tXb \tc \tf(c) \terror \n')
disp(A)
fprintf('Solucion:\n c=% 8.5f\n',c)
fprintf('f( c)=%8.5f\n',f( c))
fprintf('error=%8.5f\n',e)
36
Resultado
Introduzcal a funcion f(x)=- 0.4*x^2+2.2*x+ 4.7
Introduzca el valor de Xa: 5
Introduzca el valor de Xb: 10
Introduzca el numero de iteraciones cont: 15
i Xa Xb c f(c) error
1.0000 5.0000 10.0000 7.5000 -1.3000 2.5000
2.0000 5.0000 7.5000 6.2500 2.8250 1.2500
3.0000 6.2500 7.5000 6.8750 0.9188 0.6250
4.0000 6.8750 7.5000 7.1875 - 0.1516 0.3125
5.0000 6.8750 7.1875 7.0313 0.3934 0.1563
6.0000 7.0313 7.1875 7.1094 0.1233 0.0781
7.0000 7.1094 7.1875 7.1484 - 0.0135 0.0391
8.0000 7.1094 7.1484 7.1289 0.0551 0.0195
9.0000 7.1289 7.1484 7.1387 0.0208 0.0098
10.0000 7.1387 7.1484 7. 1436 0.0037 0.0049
11.0000 7.1436 7.1484 7.1460 -0.0049 0.0024
12.0000 7.1436 7.1460 7.1448 -0.0006 0.0012
13.0000 7.1436 7.1448 7.1442 0.0015 0.0006
14.0000 7.1442 7.1448 7.1445 0.0005 0.0003
15.0000 7.1445 7.1448 7.1446 -0.0001 0.0002
Solucion:
c= 7.14462
f(c)=-0.00008
error= 0.00015
37
Laboratorio n° 3
Método de Gauss-Jordán
Integrantes: Fecha: lunes, 11 de octubre de 2016
Gesuani Gómez 8-907-531 Grupo: 1IB121

Evelyn Romero 1-734-183
38
A= Matriz 1
B= Matriz 2 Inicio
C= unión de los datos en una sola matriz
Nota: se repite hasta lograr que
La diagonal sean 1 y los demás A

0. (es que no supe como
Expresarlo).
si
C=1
no
C(i,:)= C(i,:)./C(i,i)
n=1
no
C(n,:)=-
C(n,i).*C(i,:)+C(n,:)
Fin
39
Seudocódigo
%método de Gauss-Jordan
%en el siguiente programa se puede determinar la solución de una matriz nxn
%si en la matriz 2 se especifican los coeficientes o se puede determinar la
%inversa de una matriz si a la matriz 2 se le asigna el valor de la matriz
%identidad . La idea de este programa es ir realizando el procedimiento
%paso a paso para finalmente llegar a la respuesta
%ejemplo1: A=[1 2 3; 4 5 6; 7 8 9] y B=[3 4 5]'
%ejemplo2: A=[1 2 3; 4 5 6; 7 8 9] y B=eye(3)
%para solo llegar a la respuesta en el ejemplo 1 se puede ingresar A\B y
%para el ejemplo 2 se ingresa inv(A)
A=input('ingrese la matriz 1 '); %% entrada de
B=input('ingrese la matriz 2 '); % datos %%
C=[A B]; %%unión de los datos en una solo matriz
for i=1:length(C(:,1)) %%para i desde la primera fila hasta el número de filas existentes
if C(i,i)~=1 %%si el elemento i,i de la diagonal es diferente de 1
C(i,:)= C(i,:)./C(i,i); %entonces se convierte a 1 dividiendo toda la fila por dicho elemento
disp(C) %salida de datos
end
%además el resto de elementos de la columna deben convertirse a 0 :
%es decir si n es diferente de i ya que si i y n son iguales entonces el
%elemento se encuentra en la diagonal
for n=1:length(C(:,1)) %para n desde la primera fila hasta el número de filas existentes
if n~=i % si n en la columna i no está en la diagonal es decir si i no es igual a n
C(n,:)=-C(n,i).*C(i,:)+C(n,:); %entonces se convierte a 0
disp(C)
end
end
end
40
Resultado
ingrese la matriz 1 [2 3 1;3 -2 -4;5 -1 -1]
ingrese la matriz 2 [1 -3 4]'
1.00000 1.50000 0.50000 0.50000
3.00000 -2.00000 -4.00000 -3.00000
5.00000 -1.00000 -1.00000 4.00000
1.00000 1.50000 0.50000 0.50000
0.00000 -6.50000 -5.50000 -4.50000
5.00000 -1.00000 -1.00000 4.00000
1.00000 1.50000 0.50000 0.50000
0.00000 -6.50000 -5.50000 -4.50000
0.00000 -8.50000 -3.50000 1.50000
1.00000 1.50000 0.50000 0.50000
-0.00000 1.00000 0.84615 0.69231
0.00000 -8.50000 -3.50000 1.50000
1.00000 0.00000 -0.76923 -0.53846
-0.00000 1.00000 0.84615 0.69231
0.00000 -8.50000 -3.50000 1.50000
1.00000 0.00000 -0.76923 -0.53846
-0.00000 1.00000 0.84615 0.69231
0.00000 0.00000 3.69231 7.38462
41
1.00000 0.00000 -0.76923 -0.53846
-0.00000 1.00000 0.84615 0.69231
0.00000 0.00000 1.00000 2.00000
1.00000 0.00000 0.00000 1.00000
-0.00000 1.00000 0.84615 0.69231
0.00000 0.00000 1.00000 2.00000
1.00000 0.00000 0.00000 1.00000
-0.00000 1.00000 0.00000 -1.00000
0.00000 0.00000 1.00000 2.00000
42
Laboratorio 4
Regresión lineal
Evelyn Romero 1-734-183 Grupo: 1Ib-121

Gesuani Gomez 8-907-531
Diagrama de Flujo
Inicio
Ingrese
no si
i=1:n
x(1,i)
no si
i=1:n
y(1,i)
si
no
a=0
43
a=a+x(1,
i)*y(1,i);
si
no
b=0;
b=b+x(1,
i)*x(1,i);
si
no
c=0;
c=c+x(1,i);
no si
e=0;
e=e+y(1,i);
no si
d=0;
d=c/n;
no si
f=0;
f=e/n;
a1=(n*a-
c*e)/(n*b
-c*c);
44
a0=f-
a1*d;
no si
i=1:
y(1,i)=a0+
a1*x(1,i);
Fin
45
CODIGO
clear all;
clc;
fprintf('Metodo de Regresion Lineal \n\n');
n=input('Numero de puntos: ');
for i=1:n
x(1,i)=input('dame los valores de x: ');
end
for i=1:n
y(1,i)=input('dame los valores de y: ');
end
% se nota extraño pero asi se mostraran los resultados
%en forma de Vector.
x
y
plot(x,y)
grid
xlabel('x');ylabel('y')
pause
a=0;
for i=1:n
a=a+x(1,i)*y(1,i);
end
b=0;
for i=1:n
b=b+x(1,i)*x(1,i);
end
c=0;
for i=1:n
c=c+x(1,i);
end
e=0;
for i=1:n
e=e+y(1,i);
end
d=0;
d=c/n;
f=0;
f=e/n;
a1=(n*a-c*e)/(n*b-c*c);
a0=f-a1*d;
clc;
fprintf('Ecuacion con la que se encuentran los nuevos valores de y \n\n');
fprintf(' y = %d + %d x',a0,a1);
for i=1:n
y(1,i)=a0+a1*x(1,i);
end
fprintf('\n\nPresiona enter para ver la nueva grafica\n\n');
pause
%Grafica con los Datos Ajustados
plot(x,y)
grid
46
pause
clear all;
clc;
fprintf('Metodo de Regresion Lineal \n\n');
n=input('Numero de puntos: ');
for i=1:n
x(1,i)=input('dame los valores de x: ');
end
for i=1:n
y(1,i)=input('dame los valores de y: ');
end
% se nota extraño pero asi se mostraran los resultados
%en forma de Vector.
x
y
plot(x,y)
grid
pause
a=0;
for i=1:n
a=a+x(1,i)*y(1,i);
end
b=0;
for i=1:n
b=b+x(1,i)*x(1,i);
end
c=0;
for i=1:n
c=c+x(1,i);
end
e=0;
for i=1:n
e=e+y(1,i);
end
d=0;
d=c/n;
f=0;
f=e/n;
a1=(n*a-c*e)/(n*b-c*c);
a0=f-a1*d;
clc;
fprintf('Ecuacion con la que se encuentran los nuevos valores de y \n\n');
fprintf(' y = %d + %d x',a0,a1);
for i=1:n
y(1,i)=a0+a1*x(1,i);
end
fprintf('\n\nPresiona enter para ver la nueva grafica\n\n');
pause
%Grafica con los Datos Ajustados
plot(x,y)
grid
pause 47
Resultado
Método de Regresión Lineal
Número de puntos: 5
dame los valores de x: 2
dame los valores de y: 14
x=
2 3 5 7 8
y=
14 20 32 42 44
Ecuación con la que se encuentran los nuevos valores de y
y = 4.630769e+00 + 5.153846e+00 x
Presiona enter para ver la nueva grafica
48
Laboratorio 4
Integrantes Grupo:1IB121 Fecha:31 de octubre de 2016
s3
Gesuani Gómez 8-907-531
f(x)= a = xO = 1
1+ s b = xn = 2
ÁREA 3.5
x y
1 0.5
1.16666667 0.76339842 3
1.33333333 1.10009272
1.5 1.51702788
1.66666667 2.02079478 2.5
1.83333333
eje y
2.61768066
2 3.3137085
2
1.5
0.5
0
0 0.5 1 1.5 2 2.5
eje x
MÉTODO ANALÍTICO
2
𝑠3
∫ 𝑑𝑥
1 1 + √𝑠
ÁREA ENTRE
a b
1.000000000 2.000000000
INTEGRAL APLICANDO EL MÉTODO ANALÍTICO

ÁREA= 1.64710795164
49
MÉTODO SIMPSON 1/3
INTEGRAL APLICANDO MÉTODO SIMPSON 1/3 ÁREA ENTRE

b
1  a b
 f (x)dx  h f (a)4f (x1)2f (x2)...2 f (xn2) 4 f (xn1) f (b) 1.000000000 2.000000000
a 3 

(ba)
h ÁREA= 1.64710795164
n
n= 4
h= 0.25
x0= 1 f(x0)= 0.5

.
x1= 1.250000000 4*f(x1)= 3.688562148 5
x2= 1.500000000 2*f(x2)= 3.034055764 3
x3= 1.750000000 4*f(x3)= 9.228862487 .
x4= 2.000000000 f(x4)= 3.313708499 6
TOTAL= 19.7651889 8
8
5
ÁREA= 1.64709907488 6
2
ERROR DE SIMPSON 1/3 1
5.3893E-06 4
8
3
.
0
3
4
0
5
APLICANDO MÉTODO SIMPSON 3/8 5

7
6
4
INTEGRAL APLICANDO MÉTODO SIMPSON 3/8 ÁREA ENTRE 9
b a . b
 3  2
 f (x)dx    h   f (a)  3 f (x1 )  ...  3 f ( xn 1 )  f (b) 

1.000000000 2.000000000
2
8
a  8  8

6
2 ANALÍTICO
INTEGRAL APLICANDO EL MÉTODO
4
ÁREA= 1.64710795164
(b  a) 8
h 7
n 3
n= 9 .
h= 0.11111111 3
1
3
x0= 1.000000000 f(x0) = 0.5 7
x1= 1.111111111 3*f(x1) = 2.003427903 0
x2= 1.222222222 3*f(x2) = 2.601404913 8
4
x3= 1.333333333 3*f(x3) = 3.300278152 9
x4= 1.444444444 3*f(x4) = 4.106160964 9
x5= 1.555555556 3*f(x5) = 5.024957702 1
x6= 1.666666667 3*f(x6) = 6.062384349 9
x7= 1.777777778 3*f(x7) = 7.223985891 .
7
x8= 1.888888889 3*f(x8) = 8.51515114 6
x9= 2.000000000 f(x9) = 3.313708499 5
TOTAL= 42.651459513 1
8
8
ÁREA= 1.77714414636
9
ERROR DE SIMPSON 3/8

0.078948192
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
Método Secante
INTEGRANTES:
- CAROLINA VELÁSQUEZ
- ANA ISABELCARLES
- CARLOS JAVIER GIRÓN
- FRANKLIN MORENO
81
Para Recordar
Newton Raphson
82
Introducción al Método secante
Este método se basa en la formula de Newton-Raphson, pero evita el
calculo de la derivada usando la siguiente aproximación:
Sustituyendo en la formula de Newton-Raphson, obtenemos:
Que es la formula del método de la secante.
83
Definición
Es una variación del método de Newton-Raphson donde en vez de

calcular la derivada de la función en el punto de estudio, teniendo
en mente la defunción de la derivada, se aproxima la pendiente a
la recta que une la función evaluada en el punto de estudio y en el
punto de iteración anterior. Este método es de especial interés
cuando el coste computacional de derivar la función de estudio y
evaluarla es demasiado elevado, por lo que el método de Newton
no resulta atractivo.
84
Procedimiento
1. Tener una función f(x)=0, para encontrar sus raíces

2. Definir un valor para el error. Usualmente de 1%.
3. Escogemos dos valores iniciales, los cuales representaran nuestras
aproximaciones de raíces. Estos valores serán x0 y x1. usualmente
para facilitar el procedimiento se recomienda x0=0 y x1= 1
4. Se reemplaza x0 y x1en
5. Repetimos y con los últimos dos valores obtenidos, procedemos a

sacar el error. Calculamos el error a traves de la formula:
85
Gráficamente
86
Diferencia del Método Secante y
Falsa Posición
Tienen mucha diferencia en la forma en que trabajan y en sus
limitaciones.
El método de la falsa posición utiliza dos puntos pero estos deben tener
signos contrarios. Estos puntos son unidos por una recta, esta recta al
cortar con el eje de las x dará una Buena aproximación del cero. En
cambio el método de la secante utiliza también dos puntos pero no
necesariamente necesita que tengan signos contrarios. En realidad
este método trabaja con una aproximación de la derivada de la
función dada en la formula del método de Newton-Raphson.
Sin embargo existe una gran diferencia entre los dos métodos, esta
surge por la forma de cada método en la que se va cambiando uno
de los valores iniciales por la aproximación. Ya que el método de la
falsa posición siempre se asegura que el cero va a estar entre los
valores iniciales en cambio el método de la secante puede que no
encierre el cero lo que lo hace propenso a que, en algunos casos,
pueda divergir.
87
Datos a Conocer
No necesita conocer la derivada de la función (la aproxima). Se

puede usar cuando la función es demasiado compleja como para
derivar.
Necesita dos puntosiniciales.
Su velocidad de convergencia es menor que la de otros métodos
como Newton-Raphson, y además dicha convergencia no se
asegura si la primera aproximación a la raíz no es lo suficientemente
cercana a ella.
88
MÉTODO DE
BAIRSTOW
PRESENTADO POR:
ALEXANDRA JIMÉNEZ
ANA GONZÁLEZ
JUVENAL MARTÍNEZ
LUIS SAMUDIO
89
MÉTODO DE BAIRSTOW
En análisis numérico, el método de Bairstow es

un algoritmo eficiente de búsqueda de las
raíces de un polinomio real de grado arbitrario.
Es un método iteración, basado en el método
de Newton Raphson y Müller.
90
HISTORIA
El algoritmo apareció por primera vez
en el apéndice del libro
”Aerodinámica Aplicada”, escrito por
Leonard Bairstow y publicado en
1920. El algoritmo se diferencia de
otros métodos en que encuentra tanto
las raíces reales como las imaginarias
(en parejas complejas conjugadas),
utilizando únicamente aritmética real.
91
PARA PERMITIR LA EVALUACIÓN DE RAÍCES COMPLEJAS, EL MÉTODO DE
BAIRSTOW DIVIDE ELPOLINOMIO
𝑃𝑛 𝑥 = �0 + �1 𝑥 + �2 𝑥 2 + … + � �0 ≠
𝑛
𝑛𝑥 , 0
ENTRE UN FACTOR CUADRÁTICO:

𝑥 2 − �𝑥 −
�
OBTENIENDO: 𝑃𝑛 −2 𝑥 = �2 + �3 + … + �𝑛 −1 𝑥 𝑛 −3 + � 𝑛 𝑥
𝑛−2
CON UN RESIDUO:
𝑅 = �1 𝑥 − �+
�0
EN GENERAL PODEMOS
𝑃𝑛 = 𝑃𝑛 𝑥 𝑥 2 −�𝑥−� + �1 𝑥 − �
ESCRIBIR:
𝑥 −2 + �0
92
PASOS PARA DESARROLLAR EL MÉTODO
• Este método se usa para resolver ecuaciones polinomiales
complejas en donde debemos observar la ecuación que nos
dan y verificar que grado tiene la ecuación.
• Si no nos dan los valores de r y s asumiremos que ambos son
iguales a cero.
• La ecuación general sería:
• 𝐹𝑛 𝑥 = �0 + �1 𝑥 + �2 𝑥 2 + … + � �0 ≠
•𝑛 𝑥Luego
𝑛, debemos ir determinando una ecuación
0 de grado
menor a la original sucesivamente
• Para raíces complejas se divide el polinomio entre un factor
cuadrático 𝑥 2 − �𝑥 − �
• Para el polinomio original la división dará
𝑓𝑛 −2 𝑥 = �2 + �3 𝑥 + … + �𝑛 −1 𝑥 𝑛 −3 + � 𝑛 𝑥 ; 𝑅 = �1 𝑥 − �+
𝑛−2
�0
93
LOS TÉRMINOS B, LOS CALCULAMOS
UTILIZANDO DIVISIÓN SINTÉTICA, LA
CUAL PUEDE RESOLVERSE
UTILIZANDO LA SIGUIENTE RELACIÓN
DE RECURRENCIA QUE SE UTILIZA
PARA LA DIVISIÓN ENTRE EL FACTOR
CUADRÁTICO
• �𝑛 = �𝑛
• �𝑛 −1 = �𝑛 −1 + ��𝑛 para 𝑖 = 𝑛 − 1 a
0
• �𝑖= �𝑖 + ��𝑖+1 + s�𝑖
+2
94
Bairstow muestra que las derivadas parciales pueden
obtenerse por división sintética de las b en forma similar al
camino en el cual las b en sí mismas fueron derivadas
• �𝑛 = �𝑛
• �𝑛 −1 =�𝑛 −1 + para 𝑖 = 𝑛 − 2 a
1
• �𝑛𝑖= �𝑖+ ��𝑖+1 + s�
��
𝑖 +2
donde ∂�0 Τ∂r = 𝐶1 ,∂�0 Τ∂s = ∂�1 Τ∂r = 𝐶2 y ∂�1 Τ∂s =𝐶
3.
de lasb.derivadas
Así,las Entonces, las derivadas
parciales parciales
se obtienen sedivisión
por la sustituyen en las
sintética
ecuaciones junto con las b para dar
𝐶2 ∆�+ 𝐶3 ∆�= −�1

𝐶1 ∆�+ 𝐶2 ∆�= −�0
95
PARA MEJORAR LOS VALORES
INICIALES DE R Y S, EN CADA PASO, EL
ERROR APROXIMADO EN R Y S PUEDE
SER ESTIMADO COMO EN:
∆
𝜀𝑎 = �
× 100%
Y
,�
�
∆
𝜀𝑎 = �
× 100%
,�
�
96
CUANDO AMBOS ERRORES ESTIMADOS
FALLAN BAJO UN CRITERIO
ESPECIFICADO DE PARO, LOS VALORES
DE LAS RAÍCES PUEDEN DETERMINARSE
COMO:
�± �2+
4�
𝑥=
2
97
CONDICIONES PARA SU APLICACIÓN
PARA EMPLEAR EL MÉTODO DE BAIRSTOW A UNA

ECUACIÓN ESTA DEBE SER COMPLEJA ES DECIR DE
GRADO 3 O SUPERIOR YA QUE SI ES MENOR PUEDE
RESOLVERSE COMO UNA CUADRÁTICA Y NO SE
NECESITA BAIRSTOW
98
VENTAJAS Y DESVENTAJAS
VENTAJAS:
• ES UN MÉTODO EFICIENTE PARA LA BÚSQUEDA DE LAS RAÍCES DE UN
POLINOMIO REAL DE GRADOARBITRARIO
• ES UN MÉTODO ITERATIVO.
• CONVERGE RÁPIDAMENTE
• PERMITE CALCULAR TODAS LAS RAÍCES DE UN POLINOMIO.
DESVENTAJAS:
• A MENUDO FALLA SU CONVERGENCIA A MENOS QUE LOS VALORES
INICIALES SEAN MUYEXACTOS.
• UTILIZA OTROS MÉTODOS COMO NEWTON RAPHSON PARA RESOLVER
PROBLEMAS NO LINEALES.
99
MÉTODO DE GAUSS Y
GAUSS JORDÁN
Método Numérico
Grupo1IB121
Integrantes:
Iliana Rodríguez
Marcelo Palacios
Aileen Corella
100
MÉTODO DE GAUSS
• Este método también se conoce como la eliminación de Gauss, ya que implica una
combinación de ecuaciones para eliminar las incógnitas. Aunque éste es uno de los
métodos más antiguos para resolver ecuaciones lineales simultáneas, continúa siendo
uno de los algoritmos de mayor importancia, y es la base para resolver ecuaciones
lineales en muchos paquetes de software populares.
101
SOLUCIÓN DEL SISTEMADE
ECUACIONES
• En este sistema se describen algunos métodos que son apropiados de este sistema de
ecuaciones simultaneas (n<3) que no requieren de una computadora.
• Se clasifica en lo siguiente:
1. Método grafico
2. Regla de cramer
3. Eliminación de incógnita
102
MÉTODO GRAFICO
• Para dos ecuaciones se puede obtener una solución al graficarlas en coordenadas
cartesianas con un eje que corresponda a x1 y el otro a x2. Debido a que en estos
sistemas lineales, cada ecuación se relaciona con una línea recta, lo cual se ilustra
fácilmente mediante las ecuaciones generales.
103
REGLA DE CRAMER
• Es otra técnica de solución adecuada para un sistema pequeño de ecuaciones. Antes
de hacer una descripción de tal método, se mencionará en forma breve el concepto de
determinante que se utiliza en la regla de Cramer. Además, el determinante tiene
relevancia en la evaluación del mal condicionamiento de una matriz.
• Esta regla establece que cada incógnita de un sistema de ecuaciones lineales

algebraicas puede expresarse como una fracción de dos determinantes con
denominador D y con el numerador obtenido a partir de D, al reemplazar la columna
de coeficientes de la incógnita en cuestión por las constantes b1, b2, …, bn.
104
ELIMINACIÓN DE INCÓGNITAS
• La eliminación de incógnitas mediante la combinación de ecuaciones es un método
algebraico que se ilustra con un sistema de dos ecuaciones simultáneas.
• La estrategia básica consiste en multiplicar las ecuaciones por constantes, de tal

forma que se elimine una de las incógnitas cuando se combinen las dos ecuaciones.
El resultado es una sola ecuación en la que se puede despejar la incógnita restante.
Este valor se sustituye en cualquiera de las ecuaciones originales para calcular la otra
variable.
105
• La eliminación de incógnitas se puede extender a sistemas con más de tres ecuaciones. Sin
embargo, los múltiples cálculos que se requieren para sistemas más grandes hacen que el
método sea extremadamente tedioso para realizarse a mano. No obstante, como se describe
en la siguiente sección, la técnica llega a formalizarse y programarse fácilmente en la
computadora.
106
ELIMINACIÓN DE GAUSS SIMPLE
• Esta técnica básica puede extenderse a sistemas grandes de ecuaciones desarrollando un
esquema sistemático o algorítmico para eliminar incógnitas y sustituir hacia atrás. La
eliminación de Gauss es el más básico de dichos esquemas. Esta sección presenta las
técnicas sistemáticas para la eliminación hacia adelante y la sustitución hacia atrás que la
eliminación gaussiana comprende. Aunque tales técnicas son muy adecuadas para utilizarlas
en computadoras, se requiere de algunas modificaciones para obtener un algoritmo
confiable.
• Este método se clasifica en dos fases:
107
• Eliminación hacia adelante de incógnitas
La primera fase consiste en reducir el conjunto de ecuaciones a un sistema triangular
superior . El paso inicial será eliminar la primera incógnita, x1, desde la segunda hastala n-
ésima ecuación. Para ello, se multiplica la ecuación por a21/a11 para obtener.
• Sustitución hacia atrás

Este resultado se puede sustituir hacia atrás en la (n – 1)ésima ecuación y despegar xn–1. El
procedimiento, que se repite para evaluar las x restantes, se representa mediante la fórmula
108
• Las dos fases de la eliminación de Gauss: eliminación hacia adelante y sustitución
hacia atrás.
Los superíndices prima indican el número de veces que se han modificado los
coeficientes y constantes.
109
DIFICULTAD DE LOS MÉTODOS DE
ELIMINACIÓN
• Mientras que hay muchos sistemas de ecuaciones que se pueden resolver con la eliminación de Gauss
simple, existen algunas dificultades que se deben analizar, antes de escribir un programa de cómputo
general donde se implemente el método. Aunque el siguiente material se relaciona en forma directa
con la eliminación de Gauss simple, la información también es relevante para otras técnicas de
eliminación.
• División entre cero
La razón principal por la que se le ha llamado simple al método anterior se debe a que durante las
fases de eliminación y sustitución hacia atrás es posible que ocurra una división entre cero.
110
• Errores De Redondeo
llega a volverse particularmente importante cuando se trata de resolver un gran número de
ecuaciones. Esto se debe al hecho de que cada resultado depende del anterior. Por consiguiente,
un error en los primeros pasos tiende a propagarse, es decir, a causar errores en los siguientes
pasos.
• Sistemas Mal Condicionados
son aquellos en donde pequeños cambios en los coeficientes generan grandes cambios en la
solución. Otra interpretación del mal condicionamiento es que un amplio rango de resultados
puede satisfacer las ecuaciones en forma aproximada. Debido a que los errores de redondeo llegan
a provocar pequeños cambios en los coeficientes, estos cambios artificiales pueden generar
grandes errores en la solución de sistemas mal condicionados.
• Sistemas singular
La respuesta a este problema está claramente dada por el hecho de que el determinante de un
sistema singular es cero. Esta idea, a su vez, puede relacionarse con la eliminación gaussiana
reconociendo que después del paso de eliminación, el determinante se evalúa como el producto
de los elementos de la diagonal.
111
MÉTODO DE GAUSS-JORDAN
• El método de Gauss-Jordan es una variación de la eliminación de Gauss. La principal
diferencia consiste en que cuando una incógnita se elimina en el método de Gauss-Jordan,
ésta es eliminada de todas las otras ecuaciones, no sólo de las subsecuentes. Además, todos
los renglones se normalizan al dividirlos entre su elemento pivote. De esta forma, el paso de
eliminación genera una matriz identidad en vez de una triangular.
112
• Aunque la técnica de Gauss-Jordan y la eliminación de Gauss podrían parecer casi idénticas, la
primera requiere más trabajo. Con el empleo de un enfoque similar.
• la técnica de Gauss-Jordan involucra aproximadamente 50 por ciento más operaciones que la

eliminación de Gauss .Por tanto, la eliminación de Gauss es el método de eliminación sencilla que se
prefiere para obtener las soluciones de ecuaciones algebraicas lineales. Sin embargo, una de las
razones principales por las que se ha introducido la técnica de Gauss-Jordan, es que aún se utiliza tanto
en la ingeniería como en ciertos algoritmos numéricos.
113
114
115
116
117
118
119
120
121
122
123
124
125
Método de gauss-seidel y jacobi
1IB-121
Integrantes:
Gesuani Gómez 8-907-531 Métodos Numéricos
Justin Lezcano 4-774-663 Prof. Leonardo Fields
126
Introducción
Los métodos de Gauss-Seidel y Jácobi son los equivalentes en la

solución de sistemas de ecuaciones lineales al método de aproximación
sucesivas en la solución de ecuaciones algebraicas y trascendentes.
127
¿En que consiste?
Consiste básicamente en obtener una ecuación de recurrencia (matricial en

este caso) y proponer un vector solución inicial; posteriormente, se deberán
realizar las iteraciones necesarias hasta que la diferencia entre dos vectores
consecutivos cumpla con una tolerancia predefinida.
128
Definición del método de jacobi
Sea el sistema de ecuaciones lineales AX=b, donde A es la matriz de coeficientes, X es el
vector de incógnitas y b el vector de términos independientes.
En la ecuación 1 se puede sustituir a la matriz A por la suma de dos matrices:
En donde la matriz D es una matriz cuyos elementos son cero excepto los elementos de la
diagonal que corresponden a los elementos de la matriz A y R que es una matriz con ceros en
la diagonal y sus restantes elementos coinciden con los respectivos de
129
130
Sustituyendo la ecuación 2 en la ecuación 1:
Despejando el término DX:
Pre multiplicando por la matriz inve rsa de D resultando:
Resultando:
Apartir de sistemas de ecuaciones lineales, a despejar a la incógnita de ubicada en la

diagonal principal de cada una de las ecuaciones que conforman el sistema, de la siguiente
131
132
Criterio de convergencia
•
Condición necesaria: es condición necesaria que el elemento ubicado en la
diagonal principal de cada ecuación sea mayor en valor absoluto que el resto de los
elementos de la misma ecuación
•
Condición suficiente: es condición suficiente que el elemento ubicado en la
diagonal principal de cada ecuación sea mayor en valor absoluto que la suma del
resto de los elementos de la misma ecuación.
133
Metodo gauss-seidel
Este método es una versión acelerada del método de Jácobi.

A diferencia el método de Gauss-Seidel se propone ir sustituyendo los nuevos
valores de la aproximación siguiente conforme se vayan obtenuendo sin esperar a
tener un vector completo.de esta forma se acelera la convergencia.
Apartir de las ecuaciones de recurrencia del método de Jácobi.
134
Criterio de convergencia
El criterio de convergencia del método de Gauss-Seidel corresponde totalmente al

criterio de la diagonal pesada cuyas condiciones se expresan en las ecuaciones11 y
12.
135
INTERPOLACIÓN POLINOMIAL
MÉTODO DE NEWTON Y LAGRANGE
PRESENTADO POR:
• ALEXANDRA JIMÉNEZ
• ANA GONZÁLEZ
• JUVENAL MARTÍNEZ
• LOUIS SAMUDIO
136
137
INTERPOLACIÓN POLINOMIAL
Con frecuencia se encontrará con que tiene que estimar valores

intermedios entre datos definidos por puntos. El método más común
que se usa para este propósito es la interpolación polinomial.
Recordemos que la fórmula general para un polinomio de n-ésimo
grado es:
La interpolación polinomial consiste en determinar el polinomio único

de n-ésimo grado que se ajuste a n+1 puntos. Este polinomio, entonces,
proporciona una fórmula para calcular valores intermedios.
Interpolación Polinomial
Interpolación de Newton Interpolación de Lagrange 138

INTERPOLACIÓN POLINOMIAL DE
NEWTON EN DIFERENCIAS DIVIDAS
Ejemplo de Polinomios:
a) De primer b) De segundo c) De tercer

grado (lineal) grado grado (cúbica)
que une dos (cuadrática o que une cuatro
puntos parabólica) puntos
que une tres
puntos
139
INTERPOLACIÓN LINEAL
La forma más simple de interpolación consiste en unir dos puntos con

una línea recta. Dicha técnica es llamada interpolación lineal.
Formula de interpolación lineal
La notación 𝑓1(𝑥) designa que éste es un polinomio de interpolación

de primergrado.
En general cuanto menor sea el intervalo entre los datos, mejor será la
aproximación. Esto se debe al hecho de que, conforme el intervalo
disminuye, una función continua estará mejor aproximada por una
línea recta.
140
EJEMPLO DE INTERPOLACIÓN LINEAL
Estime el logaritmo natural de 2 mediante interpolación lineal.
Primero, realice el cálculo por interpolación entre:
ln 1 =0 y ln 6 =1.791759
Después, repita el procedimiento, pero use un intervalo menor
de:
ln 1 a ln 4 (1.386294)
Observe que el valor verdadero de ln 2 es 0.69311472
141
INTERPOLACIÓN CUADRÁTICA
Una estrategia para mejorar la estimación consiste en introducir

alguna curvatura a la línea que une los puntos. Si se tienen tres
puntos como datos, éstos pueden ajustarse en un polinomio de
segundo grado (también conocido como polinomio cuadrático
o parábola). Para ello se utiliza la siguiente fórmula:
En donde:
142
EJEMPLO DE INTERPOLACIÓN CUADRÁTICA
Ajuste un polinomio de segundo grado a los tres puntos del

ejemplo anterior.
Con el polinomio evalúe ln 2
143
FORMA GENERAL DE LOS
POLINOMIOS DE INTERPOLACIÓN
DE NEWTON
El análisis anterior puede generalizarse para ajustar un polinomio de
n-ésimo grado a n+1 puntos. El polinomio de n-ésimo grado entonces es:
Como se hizo antes con las interpolaciones lineales y cuadráticas, los

puntos asociados con datos se utilizaban para evaluar los coeficientes
𝑏0 , 𝑏1 , ⋯ , 𝑏𝑛 .
Para un polinomio de n-ésimo grado se requieren n+1 puntos:
𝑥0 , 𝑓(𝑥0 ) , 𝑥1 , 𝑓(𝑥1 ) , ⋯ , 𝑥𝑛 , 𝑓(𝑥𝑛 ) .
Utilizando estos datos y las siguientes ecuaciones para evaluar los
coeficientes:
144
En donde las evaluaciones de las funciones anteriores, o sea las colocadas
en paréntesis son diferencias divididasfinitas.
Quedando la primera diferencia dividida finita en forma general así:
La segunda diferencia dividida finita, se expresa en forma general como:
Y así sucesivamente, hasta la n-ésima diferencia dividida finita
Estas diferencias sirven para evaluar los coeficientes y luego sustituirlos en la

primera ecuación mostrada, y así obtener el polinomio de interpolación:
Estimación del error:

145
En donde si por ejemplo nos piden buscar a un polinomio de
tercer grado las combinaciones para utilizar las fórmulas
anteriores serían:
𝒙�
𝒙�
𝒙�
𝒙�
146
POLINOMIOS DE
INTERPOLACIÓN DE LAGRANGE
Este método es simplemente una reformulación del polinomio de
Newton que evita el cálculo de las diferencias divididas, y se
representa de manera concisa como:
Donde:
Donde designa el “producto de”. Por ejemplo, la versión lineal

(n = 1) es:
Y la versión de segundo grado es:
147
COMPARACIÓN
Estos polinomios tienen un amplio uso en el mundo de las

matemáticas e ingeniería.
Si se desconoce el grado del polinomio, el método de

Newton tiene ventajas debido a la comprensión que
proporciona respecto al comportamiento de las
fórmulas de diferente grado.
Cuando se va a ejecutar sólo una interpolación, las

formulaciones de Lagrange y de Newton requieren un
trabajo computacional semejante.
No obstante, la versión de Lagrange es un poco más
fácil de programar. Debido a que no requiere del
cálculo ni del almacenaje de diferencias divididas, la
forma de Lagrange a menudo se utiliza cuando el grado
del polinomio se conoce.
148
M UCH A
S
GRACIA
S
149
150
 Este tema se dedica a la solución de ecuaciones diferenciales ordinarias de la
forma
Dy/dx= f (x, y)
yi+1 = yi + fh
De acuerdo con esta ecuación, la pendiente estimada f se usa para extrapolar desde
un valor anterior yi a un nuevo valor yi+1 en una distancia h. Esta fórmula se aplica
paso a paso para calcular un valor posterior y, por lo tanto, para trazar la trayectoria
de la solución.
151
De acuerdo con esta ecuación, la pendiente
estimada f se usa para extrapolar desde un valor
anterior yi a un nuevo valor yi+1 en una distancia h.
Esta fórmula se aplica paso a paso para calcular un
valor posterior y, por lo tanto, para trazar la
trayectoria de la solución.
yi+1 = yi + fh
152
 También podríamos explicar que se toma la pendiente al inicio del
intervalo como una aproximación de la pendiente promedio sobre
todo el intervalo. Tal procedimiento, llamado método de Euler.
Después se revisan otros métodos de un paso que emplean otras
formas de estimar la pendiente que dan como resultado
predicciones más exactas. Todas estas técnicas en general se
conocen como métodos de Runge-Kutta.
153
 La primera derivada ofrece una estimación directa de la pendiente en xi, f = ƒ(xi,
yi), donde ƒ(xi, yi) es la ecuación diferencial evaluada en xi y yi. La estimación se
sustituye en la ecuación:
yi+1 = yi + ƒ(xi, yi)h
154
 Esta fórmula se conoce como método de Euler (o de Euler-Cauchy o
de punto pendiente). Se predice un nuevo valor de y usando la
pendiente (igual a la primera derivada en el valor original de x) para
extrapolar linealmente sobre el tamaño de paso h.
yi+1 = yi + ƒ(xi, yi)h
155
 1. Errores de truncamiento, o de discretización, originados por la naturaleza de las
técnicas empleadas para aproximar los valores de y.
 2. Errores de redondeo, causados por el número limitado de cifras significativas
que una computadora puede retener.
 Los errores de truncamiento se componen de dos partes. La primera es un error de
truncamiento local que resulta de una aplicación del método considerado, en un
solo paso. La segunda es un error de truncamiento propagado que resulta de las
aproximaciones producidas durante los pasos previos. La suma de los dos es el
error de truncamiento global o total.
156
 Los algoritmos para las técnicas de un paso como el método de Euler son muy
simples de programar. Como se especificó al inicio de este capítulo, todos los
métodos de un paso tienen la forma general
Nuevo valor = valor anterior + pendiente × tamaño de paso
 En lo único que difieren los métodos es en el cálculo de la pendiente.
157
 Un motivo fundamental de error en el método de Euler es suponer que la derivada
al inicio del intervalo es la misma durante todo el intervalo. Hay dos
modificaciones simples para evitar esta consideración. De hecho, ambas
modificaciones pertenecen a una clase superior de técnicas de solución llamadas
métodos de Runge-Kutta.
158
159
160
161
162
163
Parcial n°2
Integrantes Grupo:1IB121 Fecha:14 de noviembre de 2016
Evelyn Romero 1-734-183 1
Gesuani Gómez 8-907-531
f(x)= a = xO = 1
s b = xn = 4
ÁREA 1.2
x y
1 1
1.6 0.625
1
2.2 0.45454545
2.8 0.35714286
3.4 0.29411765
eje y
4 0.25 0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
eje x
Método Simpson 1/3

INTEGRAL APLICANDO MÉTODO SIMPSON 1/3 ÁREA ENTRE
b
1  a b
 f (x)dx  h f (a)4f (x1)2f (x2)...2 f (xn2) 4 f (xn1) f (b) 1.000000000 4.000000000
a 3 

(ba)
h ÁREA= 1.38629436112
n
n= 6
h= 0.5
x0= 1 f(x0)= 1
x1= 1.500000000 4*f(x1)= 2.666666667
x2= 2.000000000 2*f(x2)= 1
x3= 2.500000000 4*f(x3)= 1.6
x4= 3.000000000 2*f(x4)= 0.666666667
x5= 3.500000000 4*f(x5)= 1.142857143
x6= 4.000000000 f(x6)= 0.25
TOTAL= 8.326190476
ÁREA= 1.38769841270
ERROR DE SIMPSON 1/3

0.001012809
164
Método de Euler
n X Y euler Y verdadera error
1 0 1 1 0
2 0.5 5.25 3.21875 -2.03125
3 1 5.875 3 -2.875
4 1.5 5.125 2.21875 -2.90625
5 2 4.5 2 -2.5
6 2.5 4.75 2.71875 -2.03125
7 3 5.875 4 -1.875
8 3.5 7.125 4.71875 -2.40625
9 4 7 3 -4
Resuelva la siguiente ecuación utilizando el método Euler.

dy
== −2x3 + 12x2 − 20x + 8.5
ds
Desde x=0 a x=4, h = 0.5

Condición inicial x=0, y=1.
Gráfica Y euler vs Y verdadera
8
7 7.125 7
6 5.875 5.875
5 5.25 5.125
4.75 4.71875
4.5
4 4
3 3.21875 3 3
2.71875
2 2.21875 2
1 1
0
0 1 2 3 4 5 6 7 8 9 10
Y euler Y verdadera
165

Ilovepdf Merged (1) With Numbers 2 165

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ilovepdf Merged (1) With Numbers 2 165

Enviado por

Direitos autorais:

Formatos disponíveis

Planificación Para El Programa Semestral 2016

UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

Planificación Semestral – Métodos Numéricos (8010)

Profesor: Leonardo Fields

 Meta del Docente

 Metas del Alumno

Módulo 1. Errores en la representación interna de datos 3 Semanas

3. NORMAS A SEGUIR EN LA ASIGNATURA

 No se repiten exámenes parciales.

Prácticas, Quices, Investigaciones y Portafolio 15%

Talleres y Proyectos 20%

CHAPRA, Steven C. y Métodos Numéricos para Ingenieros con McGraw-Hill, 2010

NAKAMURA, Shoichiro Métodos Numéricos Aplicado con Software. Prentice-Hall

CURTIS F., Gerald. Análisis Numérico. Segunda Edición Alfa Omega

SCHEID, Francis. Métodos Numéricos McGraw-Hill

SMITH W., Allen. Análisis Numérico. Primera Edición. Prentice-Hall

LUTHE, Rodolfo; OLIVIRA, Métodos Numéricos Limusa

GROSSMAN, Stanley. Algebra Lineal Iberoamérica

SAMANIEGO G., Euclides. Apuntes del Curso de Métodos Numéricos

 Profesor Leonardo Fields

7. COMUNICACIÓN CON EL DOCENTE

Correo electrónico: leonardo.fields@utp.ac.pa

UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

ASIGNATURA: METODOS NUMERICOS

 Realizar la representación internamente de los números en la computadora.

 Explicar en qué consiste el método de División sintética.

1. Módulo I: LAS PRINCIPALES CAUSAS DE LOS ERRORES EN LA REPRESENTACIÓN INTERNA DE LOS

ARITMÉTICA DEL COMPUTADOR

1.1. Representación interna de números

1.4. Tipos de errores

1.6. Cálculo de error en series de potencias

2. Módulo II: SOLUCIÓN NUMÉRICA DE ECUACIONES ALGEBRAICAS Y TRASCENDENTALES

RAICES DE FUNCIONES: ALEBRAICAS Y TRANSCENDENTALES

2.1. Métodos de aproximaciones sucesivas

2.4. Teoremas sobre raíces de polinomios

SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES

3. Módulo III: APROXIMACIÓN FUNCIONAL/POLINOMIAL Y SOLUCIONES DE UNA ECUACIÓN

3.1. Polinomio único

3.4.3. Regresión Exponencial

ECUACIONES DIFERENCIALES ORDINARIAS

SEMANA CONTENIDO EVALUACIÓN

2 8 – 12 de 1.3. Operaciones con punto flotante normalizado Práctica en clase

3 15 – 19 de TEORÍA DE ERROR Práctica en clase

5 29 de Agosto – 2.3. Métodos abiertos para el cálculo de raíces Laboratorio

6 5 – 9 de SOLUCION DE POLINOMIOS PARCIAL 1

8 19 – 23 de 2.10. Método de JACOBI Práctica en clase

13 24 – 28 de 3.4.3. Regresión Exponencial

1 CUADRO DE CALIFICACIONES - ESTUDIANTE

UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

ASISTENCIA Y Invest./Trabajos Grupales/Quiz/

Aritmética del DIA LIBRE:

Teoría del DIA LIBRE:

Solución de Charla 5 (G5): Charla 6 (G6):

SEMESTRALES SEMESTRALES SEMESTRALES SEMESTRALES SEMESTRALES

Total de días de laboratorio: 6

Total de días de Teoría: 20

Método BISECCION (25 - Ago)

Método Descomposición LU (26 - Sep)

Método FALSA POSICION (25 - Ago)

Método GAUSS-SEIDEL y JACOBI (3 - Oct)

Método NEWTON – RAPHSON (29 - Ago)

Regresión LINEAL y MULTIPLE (10 - Oct)

Método SECANTE (1 - Sep)

Regresión POLINOMIAL y NO LINEAL (13 - Oct)