Libro - ANALISIS NUMERICO

Fundamentos de Análisis Numérico para
estudiantes de Ingeniería
Sergio Velásquez
Fundamentos de Análisis Numérico para estudiantes de Ingeniería
126455585225565
Indíce
CAPÍTULO 0 .............................................................................................. 1
GENERALIDADES...................................................................................... 1
Algunos conceptos fundamentales .............................................................. 1
Análisis numérico. ..................................................................................... 3
Métodos numéricos. ................................................................................... 4
CAPITULO I ............................................................................................... 6
TEORÍA DE ERRORES ............................................................................... 6
Introducción .............................................................................................. 6
Aproximación numérica ............................................................................. 7
Modelos matemáticos: ................................................................................ 7
Errores ...................................................................................................... 8
Error absoluto: ............................................................................................... 8
Error relativo: ............................................................................................... 10
Errores inherentes ................................................................................... 12
Errores de truncamiento .............................................................................. 13
Error numérico total ................................................................................ 13
Errores de redondeo................................................................................. 14
Redondeo de un número .......................................................................... 15
Redondeo truncado ...................................................................................... 16
Redondeo simétrico ...................................................................................... 16
Error porcentual ...................................................................................... 17
Cifras significativas .................................................................................. 19
Exactitud y Precisión. .............................................................................. 21
Precisión ....................................................................................................... 21
Exactitud ...................................................................................................... 22
Números en la computadora..................................................................... 22
Propagación de errores ............................................................................. 23
La estabilidad ............................................................................................... 25
La convergencia ............................................................................................ 25
Criterio de convergencia. .......................................................................... 25
Orden de convergencia ............................................................................. 27
EJERCICIOS DE CONSOLIDACIÓN .......................................................... 28
CAPITULO II ............................................................................................ 31
INTERPOLACIÓN Y AJUSTE DE CURVAS ................................................. 31
Introduccion ............................................................................................ 31
Interpolación polinomial ........................................................................... 31
Polinomios de interpolación ...................................................................... 33
Interpolación de Lagrange ........................................................................ 34
Error en la interpolación .............................................................................. 39
Observaciones .............................................................................................. 43
Diferencias Divididas ............................................................................... 44
Fórmula de Newton .................................................................................. 47
Estimación Del Error Usando Polinomios De Newton. ................................ 49
Polinomios interpolantes de newton con nodos igualmente espaciados. ...... 50
Formula de Newton-Gregory ..................................................................... 51
EJERCICIOS DE CONSOLIDACIÓN .......................................................... 52
CAPITULO III ........................................................................................... 53
SISTEMAS NO LINEALES ......................................................................... 53
Introduccion ............................................................................................ 53
Resolucion de ecuaciones no lineales ........................................................ 56
Orden de convergencia ............................................................................. 56
Gráfica de funciones, un método para hallar intervalos. ............................ 57
Métodos cerrados ..................................................................................... 59
Metodo de Bisección ..................................................................................... 59
Orden de convergencia ................................................................................. 61
Método de Regula Falsi, Regla Falsa o Falsa Posición ................................ 62
Regla falsa Modificada.............................................................................. 64
Metodos abiertos...................................................................................... 67
Metodo de punto fijo ................................................................................ 67
Método de Newton - Rapson ..................................................................... 72
Interpretación geométrica del método de Newton. ........................................ 77
Método de Newton modificado .................................................................. 79
Método de la secante ................................................................................ 82
Método de Muller ..................................................................................... 85
Calculo de error ............................................................................................ 88
EJERCICIOS DE CONSOLIDACIÓN ................................................................ 89
CAPITULO IV ........................................................................................... 93
SISTEMAS DE ECUACIONES NO LINEALES ............................................. 93
Introducción ............................................................................................ 93
Método gráfico ......................................................................................... 94
Métodos directos ...................................................................................... 96
Métodos iterativos .................................................................................... 96
Punto fijo ...................................................................................................... 97
Método de Newton: ..................................................................................... 102
Observaciones para el método de Newton:.................................................. 103
Método practico para resolver un sistema no lineal por el método de Newton
....................................................................................................................... 104
Orden de convergencia ........................................................................... 104
EJERCICIOS DE CONSOLIDACIÓN ........................................................ 107
CAPITULO V .......................................................................................... 111
ECUACIONES LINEALES ....................................................................... 111
Introducción .......................................................................................... 111
Notacion de matrices:............................................................................. 113
Orden de una matriz .............................................................................. 114
Tipo de matrices .................................................................................... 114
Matriz cuadrada: ........................................................................................ 114
Matriz diagonal:.......................................................................................... 114
Matriz nula: ................................................................................................ 115
Matriz identidad: ........................................................................................ 115
Matriz fila o vector fila: ............................................................................... 115
Matriz columna o vector columna: ............................................................. 115
Matriz transpuesta: .................................................................................... 116
Matriz triangular ........................................................................................ 116
Matriz simétrica:......................................................................................... 116
Matriz antisimétrica: .................................................................................. 116
Matriz opuesta:........................................................................................... 117
Matriz ortogonal ......................................................................................... 117
Matriz singular ........................................................................................... 117
Operaciones con matrices ...................................................................... 118
Adición de matrices .................................................................................... 118
Sustracción de matrices ............................................................................. 118
Transposición de matrices ...................................................................... 119
Producto de una matriz por un escalar ................................................... 120
Producto de matrices ............................................................................. 120
Determinantes ....................................................................................... 123
Propiedades de los determinantes: .......................................................... 123
Resolución de un determinante de 2° orden: ........................................... 126
Determinante de 3er orden..................................................................... 126
Regla de Sarrus: .................................................................................... 127
Sistemas lineales ................................................................................... 128
Clasificación de un sistema lineal ........................................................... 129
Métodos exactos .................................................................................... 131
Métodos iterativos .................................................................................. 131
Sistemas equivalentes ............................................................................ 131
Operaciones elementales ............................................................................ 131
Transformaciones elementales ................................................................... 132
Mal condicionamiento ................................................................................ 132
Sistema bien condicionado ......................................................................... 133
Método de determinantes ....................................................................... 133
Regla de Cramer: ........................................................................................ 133
Métodos Iterativos.................................................................................. 136
Método de Jacobi........................................................................................ 136
Método de Gauss - Seidel ........................................................................... 138
Otra variante para la explicación del Método de Gauss – Seidel ................. 141
Sistemas Triangulares............................................................................ 144
Eliminación de Gauss................................................................................. 144
Algoritmo de eliminación ............................................................................ 144
Descomposición LU .................................................................................... 147
Cálculo de la matriz inversa ................................................................... 151
Técnica eficiente para la solución de sistemas tridiagonales ...................... 152
CAPITULO VI ......................................................................................... 156
INTEGRACIÓN NUMÉRICA..................................................................... 156
Introducción .......................................................................................... 156
Conceptos básicos ................................................................................. 157
Método de Serie de Potencias.................................................................. 158
Método Gráfico ...................................................................................... 159
Métodos Numéricos................................................................................ 159
Regla del rectangulo ................................................................................... 162
Regla del punto medio ................................................................................ 167
Fórmulas de Newton - Cotes ................................................................... 171
Metodo del Trapecio. .............................................................................. 174
Regla el trapecio Generalizada.................................................................... 175
Regla de (1/3) de Simpson...................................................................... 178
Regla de Simpson 3/8 ............................................................................ 183
Método de Boole .................................................................................... 187
En resumen ........................................................................................... 187
Regla 1/3 de Simpson ............................................................................ 188
Regla 3/8 de Simpson ............................................................................ 189
CAPITULO VII ........................................................................................ 191
DERIVACIÓN NUMÉRICA....................................................................... 191
Introducción .......................................................................................... 191
Método de Diferencias Finitas................................................................. 194
Fórmulas de diferencias finitas hacia adelante ........................................ 195
Fórmulas de diferencias finitas hacia atrás ............................................. 198
Inestabilidad numérica de las fórmulas de diferencias finitas................... 201
Fórmulas de diferencias centrales........................................................... 202
CAPITULO VIII ....................................................................................... 215
ECUACIONES DIFERENCIALES ............................................................. 215
Introducción .......................................................................................... 215
Método de Euler..................................................................................... 223
Convergencia de un método numérico. ................................................. 226
Convergencia del método de Euler. ......................................................... 226
Consistencia del método de Euler. .......................................................... 229
Estabilidad del método de Euler. ............................................................ 230
Convergencia de un método numérico, por desigualdades. ...................... 231
Algunos métodos monopaso lineales. ...................................................... 235
El método de Euler implícito. Diseño y análisis. ...................................... 236
Consistencia del método de Euler Implícito: ............................................... 236
Estabilidad del método de Euler Implícito: ................................................. 237
Los métodos de Taylor.......................................................................... 238
Aproximaciones integrales. ..................................................................... 239
Los métodos de Runge-Kutta. ................................................................. 241
Métodos Monopaso No Lineales. ............................................................. 241
Consistencia de un método de Runge-Kutta. ........................................... 242
Introducción a los métodos multipaso. Los métodos BDF. ....................... 245
Aproximaciones de la derivada. .............................................................. 247
Los métodos BDF. .................................................................................. 247
Un método inestable. ........................................................................... 249
Los métodos de ADAMS.......................................................................... 251
Construcción de los métodos de Adams. ................................................. 252
Método de Adams-Bashforth de un paso. ................................................ 253
Método de Adams-Bashforth de dos pasos. ............................................. 253
Método de Adams-Bashforth de tres pasos. ............................................. 254
Estudio general de los métodos multipaso lineales. ................................. 255
La elaboración de este libro de Análisis Numérico, surgió de la necesidad
de contar con un material que incluya todos los contenidos exigidos por la
cátedra del mismo nombre, considerando que los tratados sobre Análisis
numérico, no son de uso corriente, es más, su estudio y escritos se limitan a
pocos autores.
Este libro de Análisis Numérico está dividido en capítulos bien

diferenciados, para facilitar su estudio en forma organizada y didáctica,
presentando algunas características que facilitan el estudio y aprendizaje de
cada contenido. Entre estas características se tienen que:
Cada contenido cuenta con los teoremas que sustentan

matemáticamente y definen los contenidos desarrollados. Si bien la mayoría
de los teoremas se presentan sin demostración, en cada caso se citan las
fuentes, para acceder a tales demostraciones.
Al final de cada capítulo se presentan abundantes ejercicios de

consolidación, con las soluciones incluidas, que serán de utilidad a la hora de
realizar la verificación de los ejercicios de consolidación después de
resolverlos.
Espero que este libro de Análisis Numérico, sea de verdadera utilidad

para cada estudiante, en la tarea de estudiar, comprender y aprender el
Análisis Numérico.
CAPÍTULO 0 GENERALIDADES
Algunos conceptos fundamentales
El análisis numérico es una rama de las matemáticas cuyos límites no

son del todo precisos. De una forma rigurosa, se puede definir como la
disciplina ocupada de describir, analizar y crear algoritmos numéricos que
nos permitan resolver problemas matemáticos, en los que estén involucradas
cantidades numéricas, con una precisión determinada.
En el contexto del cálculo numérico, un algoritmo es un procedimiento

que nos puede llevar a una solución aproximada de un problema mediante un
número finito de pasos que pueden ejecutarse de manera lógica. En algunos
casos, se les da el nombre de métodos constructivos a estos algoritmos
numéricos.
Los ordenadores son útiles para cálculos matemáticos

extremadamente complejos, pero en última instancia operan con números
binarios y operaciones matemáticas simples. Desde este punto de vista, el
análisis numérico proporcionará todo el andamiaje necesario para llevar a
cabo todos aquellos procedimientos matemáticos susceptibles de expresarse
algorítmicamente, basándose en algoritmos que permitan su simulación o
cálculo en procesos más sencillos empleando números.
El Análisis Numérico también consiste en procedimientos que

resuelven problemas y realizan cálculos puramente aritméticos, tomando en
cuenta las características especiales y limitaciones de los instrumentos de
cálculo (como las calculadoras y computadoras, programas informáticos, etc.)
que ayudan en la ejecución de las instrucciones del algoritmo.
El análisis numérico es importante porque es necesario en la solución

de muchos problemas del mundo real.
El análisis numérico es el desarrollo y el estudio de procedimientos para
resolver problemas con ayuda de una computadora.
La ventaja fundamental del análisis numérico es que puede obtenerse

una respuesta numérica, aun cuando un problema no tenga solución
analítica.
La solución obtenida con análisis numérico siempre es numérica.
Los resultados numéricos pueden trazarse en forma de grafica para

mostrar el comportamiento de la solución.
El resultado del análisis numérico es una aproximación, aunque los

resultados pueden hacerse tan exactos como se quiera. A fin de obtener la
máxima exactitud es necesario efectuar una cantidad enorme de operaciones
por separado.
Las aplicaciones del Análisis numérico son muy amplias, y entre las
operaciones que se pueden realizar con ella se citan algunas:
Resolución de grandes sistemas de ecuaciones lineales.

Obtención de soluciones de un sistema de ecuaciones no lineales.
Interpolación para encontrar valores intermedios en una tabla de datos.
Encontrar aproximaciones eficientes y eficaces de funciones.
Aproximación de derivadas de cualquier orden para funciones, incluso
cuando la función se conoce solo como una tabla de valores.
Integración de cualquier función, aun cuando solo se conozca como una
tabla de valores.
Obtención de integrales múltiples.
Resolución de ecuaciones diferenciales ordinarias a partir de valores
iniciales de las variables pudiendo ser de cualquier orden y complejidad.
Resolución de problemas con valor en la frontera y determinación de
valores característicos y vectores característicos.
Obtención de soluciones numéricas para todos los tipos de ecuaciones
diferenciales parciales.
Ajuste de curvas a datos mediante la aplicación de métodos numéricos
variados.
Los métodos numéricos requieren operaciones aritméticas tan tediosas

y repetitivas, que solo cuando se cuenta con una computadora que realice
tantas operaciones por separado es práctico resolver problemas de esta forma.
Para que una computadora pueda realizar el análisis numérico debe

escribirse un programa.
La iteración es un procedimiento que consiste en elaborar una sucesión

de operaciones, cada una de las cuales aplica los resultados de la operación
precedente. Muchos procedimientos de análisis numérico son iterativos.
Para resolver un problema científico o de ingeniería hay que seguir

cuatro pasos generales:
Plantear claramente el problema.

Obtener un planteamiento matemático del problema.
Resolver la ecuación o ecuaciones que resulten del paso 2.
Interpretar el resultado numérico para llegar a una decisión. Es la parte
más difícil en la resolución de problemas.
Análisis numérico.
Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de

instrucciones cuyo fin es calcular o aproximar alguna cantidad o función.
El estudio del análisis numérico se interesa en la creación y

comprensión de buenos métodos que resuelvan problemas numéricamente.
Una característica importante del estudio de los métodos es su variación.
El análisis numérico consiste en procedimientos que resuelven

problemas y realizan cálculos puramente aritméticos, teniendo en cuenta las
características especiales y limitaciones de los instrumentos de cálculo, como
las calculadoras o las computadoras, que facilitan enormemente la ejecución
de las instrucciones del algoritmo.
El estudio del análisis numérico facilita la comprensión de los conceptos

matemáticos puros, sobre todo teniendo en cuenta que observando cómo
algunos de ellos deben modificarse necesariamente en las matemáticas
computacionales.
Después de todo, el análisis numérico es importante porque es

necesario en la solución de muchos problemas del mundo real.
Métodos numéricos.
Los métodos numéricos son técnicas mediante las cuales se posibilitan

formular problemas matemáticos de tal forma que puedan resolverse usando
operaciones aritméticas. Hay muchos tipos de métodos numéricos, y
comparten una característica común: Son iterativas, o sea, invariablemente se
deben realizar un buen número de tediosos cálculos aritméticos.
Los métodos numéricos son herramientas muy poderosas para la

solución de problemas. Pueden manejar sistemas de ecuaciones grandes, no
lineales y geometrías complicadas, comunes en la ingeniería. También es
posible que se utilice software disponible comercialmente que contenga
métodos numéricos. El uso inteligente de estos programas depende del
conocimiento de la teoría básica de estos métodos; además hay muchos
problemas que no pueden plantearse al emplear programas hechos. Un buen
conocimiento de los métodos numéricos permite diseñar programas propios
aplicables a utilidades específicas. Con los métodos numéricos se aprende a
conocer y controlar los errores de aproximación que son inseparables de los
cálculos numéricos a gran escala.
Las situaciones que se verán con bastante frecuencia en el estudio del

cálculo numérico son las aproximaciones y los errores, sean estos pequeños o
importantes, por lo tanto, el análisis de una situación problemática y los
márgenes necesarios de precisión deben delimitar los criterios a ser utilizados
en cada situación, sean estos referidos a los errores tolerables o las
precisiones necesarias para la obtención de resultados confiables.
CAPITULO I TEORÍA DE ERRORES
Introducción
En la actividad matemática, la ingeniería, la informática y muchas otras

ciencias, existen fenómenos muy variados que necesariamente deben ser
representados por modelos matemáticos. Estos modelos, por su complejidad o
por características particulares no presentan soluciones exactas y las más de
las veces no son fáciles de hallarlas, y es aquí, donde los métodos numéricos
proporcionan soluciones aproximadas a los problemas que surgen de
situaciones muchas veces no solucionables por métodos matemáticos
tradicionales.
El cálculo numéricos es aquel que aplicando métodos obtiene

resultados numéricos que se aproximan a los resultados exactos que se
obtendrían aplicando la solución analítica de un problema; estos resultados
pueden ser hallados con la precisión que se desee y precisando con
anterioridad los márgenes de errores de acuerdo a la rigurosidad y precisión
de los resultados esperados.
Los métodos numéricos se utilizan para resolver problemas que

presentan dificultad para hallar soluciones por medio de los métodos
analíticos tradicionales, o situaciones problemáticas que no sean sencillos de
resolverlos. Estos métodos proporcionan una sucesión de valores que se
aproxima a la solución del problema.
Al resolver un problema por métodos numéricos se tendrán siempre

presente los errores, siendo éstos de distintos tipos.
Al aplicar un método numérico a cualquier situación problemática, se

debe emplear un criterio de convergencia, citando con antelación la precisión
que se necesite de acuerdo al tipo de problema a solucionar.
Al final, el objetivo de los Métodos Numéricos es simplemente resolver
problemas numéricos complejos utilizando operaciones matemáticas simples,
con el fin de desarrollar y evaluar métodos para calcular resultados numéricos
a partir de los datos proporcionados, denominándose algoritmos a estos
métodos de cálculo.
Aproximación numérica
En la práctica, los cálculos realizados y los resultados esperados no

siempre son exactos, sobre todo en la ciencia y la ingeniería, y muchas veces
se debe estar conforme con los resultados obtenidos que son aproximaciones
bastantes precisas y validas, brindadas por los métodos numéricos.
Por la dificultad que presenta muchas veces elaborar un modelo

matemático que se acerca o sea válida para lo que se desea, los resultados
obtenidos de tales modelos son casi siempre aproximados; debido a
simplificaciones en la elaboración de los modelos y muchas veces por no tomar
todos los factores que afectan a un determinado fenómeno. Un ejemplo simple
de física seria lo referido a problemas de caída libre, donde se desprecia el
rozamiento del aire con el cuerpo en caída libre, sin embargo, en ciertas
condiciones, esta situación puede ser muy importante y muy relevante en la
solución real del problema.
Modelos matemáticos:
Un modelo matemático es uno de los tipos de modelos científicos que

emplea formulaciones matemáticas para expresar relaciones, proposiciones,
variables, parámetros, entidades y las relaciones entre variables, operaciones
o entidades, para analizar y estudiar comportamientos de sistemas complejos
ante situaciones difícilmente observables en la realidad.
En matemáticas el significado de modelo matemático, es un poco

diferente, pues se trabaja con modelos formales. Un modelo formal para una
determinada teoría matemática es un conjunto sobre el que se han definido un
conjunto de relaciones, que satisface las proposiciones derivadas del conjunto
de axiomas de la teoría. La teoría de modelos es la encargada de estudiar
sistemáticamente las propiedades de los modelos matemáticos.
Los modelos matemáticos requieren de parámetros, que en la mayoría

de los casos provienen de mediciones experimentales y, por lo tanto, tienen
una precisión limitada, que depende de factores externos como los
instrumentos de medición, el clima o los métodos aplicados.
Los modelos matemáticos resultantes de una modelización

normalmente son imposibles de resolver por métodos analíticos conocidos y la
solución deseada solamente es posible aproximar por métodos numéricos. Por
ejemplo una ecuación de quinto grado.
Errores
Los métodos numéricos presentan errores inevitables, por lo tanto se

debe considerar tal situación como algo inherente al cálculo numérico.
Error absoluto:
Definición 1. Si , es una aproximación a x, se define el error

absoluto como:
=| |
En forma práctica puede representarse el valor verdadero con VV y el

valor aproximado con VA, esto es por el excesivo uso de la x en este material,
por lo tanto, el error absoluto también puede definirse como la diferencia entre
el valor verdadero y el valor aproximado y se representarse por:
=| |
Teorema 1.
El error absoluto de una suma es igual a la suma algebraica de los

errores absolutos de los términos que participan en dicha operación.
En varios números aproximados en el mismo sentido, el error absoluto

de la diferencia es menor que el mayor de los errores absolutos de sus
términos. El sentido del error es del mismo sentido si el error del minuendo es
mayor que el del sustraendo, y de distinto sentido en caso contrario.
Ejemplo 1.
Sea la cantidad exacta 5 y el número aproximado 5,3. Sea la cantidad

exacta 2 y el número aproximado 2,1. Verifica si se cumple el Teorema 1.
Solución
Sea la cantidad exacta 5 y el número aproximado 5,3. El error absoluto

es: 0,3.
Sea la cantidad exacta 2 y el número aproximado 2,1. El error absoluto

es: 0,1
Luego: 5 - 2 = 3; diferencia entre las cantidades exactas.
5,3 - 2,1 = 3,2; diferencia entre las cantidades aproximadas.
0,3 - 0,1 = 0,2; diferencia entre los errores absolutos.
El error absoluto de la diferencia es 0,2, y 0,3 es el mayor error absoluto

de uno de sus términos; por lo tanto: 0,2 < 0,3, cumple la condición. El error
es del mismo sentido ya que el error del minuendo es mayor que el error del
sustraendo.
Ejemplo 2.
Sean: 8, 2 y 10 los números exactos y su suma: 8 +2 + 10 = 20. Sean:

8,2; 2,1 y 10,2 los números aproximados y su suma: 8,2 + 2,1 + 10,2 = 20,5.
Hallar el error absoluto.
Solución
=| | = 0,5
La suma algebraica de los errores absolutos es: 0,2 + 0,2 + 0,2 = 0,5
Ejemplo 3.
Sea el resultado de una operación en donde se comprueba que el valor

exacto es 8 y El valor aproximado hallado es 8,2. Calcular el error absoluto.
Solución
=| |= | 8.2| = 0.2
Existen varias maneras de representar el error absoluto, una de las

formas también utilizada con frecuencia es.
=| | o =| |
Error relativo:
Definición 2. Si , es una aproximación a x, se define el error

absoluto como:
| |
= 0
| |
En forma práctica, el error relativo se define como el cociente entre en

error absoluto y el valor verdadero, se representa por:
| |
= = 0
| | | |
Teorema 2.
El error relativo de una suma de varios números aproximados está

situado entre el menor y el mayor de los errores relativos de los sumandos,
mientras tales números presenten errores relativos del mismo sentido.
Ejemplo 4.
Sean: 2, 10 y 5 los números exactos y sean: 2,1; 10,2 y 5,3 los números
aproximados respectivamente. Demostrar el cumplimiento del Teorema 2
Solución
Sean: 2, 10 y 5 los números exactos y su suma: 2 +10 + 5 = 17
Sean: 2,1; 10,2 y 5,3 los números aproximados y su suma:
2,1 + 10,2 + 5,3 = 17,6
El error absoluto de la suma es: 17,6 - 17 = 0,6
El error relativo de la suma es: = 0,035294117
El error relativo de cada sumando es: 0,05; 0,02 y 0,06
Luego: 0,02 < 0,0352< 0,06
Por lo tanto cumple la condición.
Teorema 3.
Dos números tienen el mismo valor que la suma de los errores

relativos de los factores más el producto de esos mismos errores.
Ejemplo 5.
Sean: 5 y 10 los números exactos y sean 5,3 y 10,2 los números

aproximados, respectivamente. Realiza las operaciones para demostrar el
Teorema 3
Solución
Sean: 5 y 10 los números exactos y su producto: 5 x 10 = 50
Sean 5,3 y 10,2 los números aproximados y su producto: 5,3 x 10,2 =

54,06 El error absoluto del producto es: 54,06 - 50 = 4,06
El error relativo es: = 0,0812

El error relativo entre 5 y 5,3 es 0,06 El error relativo entre 10 y 10,2 es
0,02 Luego: 0,06 + 0,02 + (0,06 x 0,02) = 0,06 + 0,02 + 0,0012 = 0,0812. Por
lo tanto cumple la condición al tener la igualdad: 0.0812 = 0,0812
Teorema 4.
El error relativo del cociente de dos números dados es igual a la suma o

la diferencia de los errores relativos de los datos, dividida por el menor más
uno.
Ejemplo 6.
Sean: 8 y 2 los números exactos, y cuyos números aproximados

respectivamente sean: 8,2 y 2, Verificar el Teorema 4
Solución
Sean: 8 y 2 los números exactos y su cociente: = 4
Sean: 8,2 y 2,1 los números aproximados y su cociente: 8,2/2,1 =

3,904...
El error absoluto es: 3,904 - 4 = - 0,096...
El error relativo es: = 0,024 El error relativo entre 8 y 8,2 es
0,025. El error relativo entre 2 y 2,1 es 0,05
0,025 0,05 0,025

Luego: 0,025 1
= 0,024
1,025
Errores inherentes
Estos errores se deben principalmente a aquellos datos obtenidos

experimentalmente y que corresponden a los datos de entrada de un
problema, debido principalmente al instrumento de medición empleado, como
a las condiciones de realización del experimento.
Errores de truncamiento
Estos errores son originados por aproximación de soluciones analíticas

de un determinado problema por medio de métodos numéricos
=1+ + + ,
1! 2! 3! !
=0
Por medio de la serie de Taylor se evalúa la función exponencial, que

dicho sea de paso, es una serie infinita. Siendo imposible tomar todos los
términos de la serie, se requiere cortar o truncar dicha serie después de cierto
número de términos. Esta situación introduce a un error, que es el error de
truncamiento, que depende del método numérico empleado e independiente
de la manera de realizar los cálculos.
Los errores de truncamiento tienen relación con el método de

aproximación que se usará ya que generalmente frente a una serie infinita de
términos, se tenderá a cortar el número de términos, introduciendo en ese
momento un error, por no utilizar la serie completa (que se supone es exacta).
Error numérico total
El error numérico total se entiende como la suma de los errores de

redondeo y truncamiento introducidos en el cálculo.
Pero aquí surge un gran problema. Mientras más cálculos se tengan que
realizar para obtener un resultado, el error de redondeo se irá incrementando.
Pero por otro lado, el error de truncamiento se puede minimizar al incluir más
términos en la ecuación, disminuir el paso o proseguir la iteración (o sea
mayor número de cálculos y seguramente mayor error de redondeo).
Entonces, ¿qué criterio utilizar? ...lo ideal sería determinar el punto en

que los errores de donde empiezan a ocultar la ventaja de considerar un menor
error de truncamiento. En la práctica se debe considerar que actualmente las
computadoras tienen un manejo de cifras significativas mucho mayor que
antes por lo que el error de redondeo se minimiza enormemente, aunque no se
debe dejar de considerar su aporte al error total.
Errores de redondeo
Estos errores se presentan al realizar los cálculos que todo método

numérico o analítico requieren y se deben a la imposibilidad de tomar todas
las cifras que resultan de operaciones aritméticas como productos y cocientes,
teniendo que retener en cada operación el número de cifras que permita el
instrumento de cálculo, normalmente, una calculadora. En este tipo de error
existen dos situaciones que pueden perjudicar la precisión de la operación y
son:
a- Cuando se suman una sucesión de números, especialmente si estos

decrecen en valor absoluto.
b- Cuando se halla la diferencia entre dos números casi idénticos, ya

que se cancelan los dígitos principales.
Cuando las cantidades estudiadas pertenecen a los números

irracionales las calculadoras y los computadores cortan los números
decimales introduciendo así un error de redondeo. Para ilustrar, un ejemplo;
el valor de "e" se conoce como 2.718281828... hasta el infinito.
Si se corta el número en 2.71828182 (8 cifras significativas luego del

punto decimal) se está obteniendo u error de = 2.718281828 2.71828182 =
0.000000008. ..
Sin embargo, considerando que el número que seguía al corte era mayor
que 5, entonces conviene dejar el número como 2.71828183, caso en el cual el
error sería solo de = 2.118281828 2.11828183 = 0.000000002.. , que en
términos absolutos es mucho menor que el anterior.
En general, el error de corte producido por las computadoras será muy

inferior al error introducido por un usuario, que generalmente corta a un
menor número de cifras significativas. Dependiendo de la magnitud de los
números con los que se trabaja, el error de redondeo puede tener incidencia
importante en el cálculo final.
Redondeo de un número
Con el redondeo de un número lo que se pretende es escribir un numero

con menor cantidad de dígitos significativos, representando dicha cantidad
con el menor error posible.
Para redondear un número se fija a que cifra significativa se va a

redondear dicho número. Si el número a la derecha de la cifra fijada es mayor
o igual a 5, se suma uno en el lugar donde se quiere redondear, si es menor a
5, se deja el número donde se quiere redondear sin agregarle nada.
Ejemplo 7.
Redondea los siguientes números a tres dígitos significativos:
a) 27,0670 b) 37,23 c) 7,415
Solución
a) 27,0670 = 27,1 b) 37,23 = 37,2 c) 7,415 = 7,42
Ejemplo 8.
Redondea las siguientes cantidades a números enteros:
a) 23,617 b) 237,21 c) 7,5
Solución
a) 23,617 = 24 b) 237,21 = 237 c) 7,5 = 8
Ejemplo 9.
Redondea las siguientes cantidades a dos cifras decimales: a) 57,2367

b) 0,789 c) 92,3341
Solución
a) 57,2367 = 57,24
b) 0,789 = 0,79
c) 92,3341 = 92,33
Redondeo truncado
El redondeo truncado consiste en truncar el resultado de una operación

al número de cifras significativas que se estén utilizando. Por ejemplo sí se
redondea - a cuatro cifras se significativas se tiene 0.4285
Redondeo simétrico
El redondeo simétrico consiste en aumentar en uno la última cifra

retenida sí la primera cifra descartada está entre 5 y 9, o dejarla igual sí la
primera cifra descartada está entre 0 y 4. Por ejemplo sí se redondea a4
cifras significativas tenemos 0.4286.
Para verificar estos dos tipos de errores, se realiza la siguiente

operación:
3 4
+ =1
7 7
Empleando únicamente 4 cifras significativas y usando los dos tipos de

redondeo. Se obtiene:
0.4285 + 0.5714 = 0.9999 (Redondeo truncado)
0.4286 + 0.5714 = 1.0000 (Redondeo simétrico)
Se concluye que por lo general el redondeo simétrico lleva a resultados

más precisos.
Error porcentual
Este tipo de error consiste simplemente en el error relativo expresado en

por ciento (%). Se expresa matemáticamente por:
| |
%= 100%; 0
| |
| |
%= 100% = 100%; 0
| | | |
Ejemplo 10.
Calcular la función , para = 2 por métodos numéricos y halla su

error absoluto, el error relativo y el error porcentual. Considera el cálculo de
sen x con S3.
Solución
Calcular el valor de la función (2) mediante su serie de Taylor. La

serie de Taylor de la función seno es:
( ) + , 1)
3! 5! 7! +1
=0
Como es imposible realizar la suma total de la serie, se debe truncarla

en algún punto, así se obtiene la sucesión:
+ +
3! 3! 5! 3! 5! 7!
Si se denota como
= + +
3! 3! 5! 3! 5! 7!
Se obtiene la sucesión: ,...,
El límite será:
=
Calculo de sen x con S3 partiendo de la serie de Taylor para la función

seno:
( ) + , 1)
3! 5! 7! +1
=0
2 2 2
(2) = 2 +
3! 5! 7!
sen(2) = 2 1.33333 + 0.26666 0.02540 = 0.90793
El valor verdadero es sen(2) = 0.909297426
Calculo de error
=| | = |0.909297426 9.90793| = 0.001367426
| | 0.001367426
= = = = 0.001503826978
| | | | |0.909297426|
% = 0.001503826978 100% = 0.15%
Ejemplo 11.
Calcular la función , para = 2 por métodos numéricos y halla el

error absoluto, el error relativo y el error porcentual. Considera el cálculo de
sen x con S4.
Solución
Calculo de sen x, con S4 partiendo de la serie de Taylor para la función

seno
( ) + , 1)
3! 5! 7! +1
=0
2 2 2 2
(2) = 2 + +
3! 5! 7! 9!
(2) = 2 1.333333 + 0.266667 0.025397 + 0.001411 = 0.909348
El valor verdadero es sen(2) = 0.909297426
Calculo de error
=| | = |0.909297426 0.09348| = 0.000050574
| | 0.000050574
= = = = 0.0000556188
| | | | |0.909297426|
% = 0.0000556188 100% = 0.00556%
Conclusión: al comparar los resultados hallados en los ejemplos 3 y 4,

se verifica que la precisión del valor hallado es consistente con el valor real o
verdadero, sin embargo se nota que con una sola iteración mas, la precisión
aumentó enormemente, pasando de un error porcentual de 0.15% de S3 a
0.00556% de S4, que puede considerarse valor totalmente apropiado para la
función buscada.
Cada caso presenta situaciones particulares, puede suceder que, como

en este caso, con muy pocas iteraciones se pueda conseguir un resultado
óptimo; sin embargo hay otros casos similares en que no sucede tal cosa.
Existen situaciones en que debido a la gran cantidad de cálculos

realizados, los redondeos propios de toda operación numérica crece tanto en
valor absoluto, que los resultados obtenidos a veces ni siquiera tienen sentido,
el error crece en forma exponencial y el método no presenta estabilidad.
Mientras más operaciones se realizan la posibilidad de error aumenta.
Cifras significativas
Cuando se emplea un número en un cálculo, debe haber seguridad de

que pueda usarse con confianza. El concepto de cifras significativas tiene dos
implicaciones importantes en el estudio de los métodos numéricos.
Los métodos numéricos obtienen resultados aproximados. Por lo tanto,
se debe desarrollar criterios para especificar que tan precisos son los
resultados obtenidos.
Aunque ciertos números representan número específicos, no se pueden

expresar exactamente con un número finito de cifras.
El número de cifras significativas es el número de dígitos que se puede

usar con plena confianza. Las cifras significativas se han desarrollado para
designar formalmente la confiabilidad de un valor numérico.
Muchos de los cálculos contenidos en los problemas de la vida real

tratan con valores aproximados, entendiéndose que en toda medición existen
errores, que la precisión en las mediciones y en los cálculos es casi imposible.
Los dígitos significativos se encuentran contando los números de

izquierda a derecha, partiendo del primer dígito no cero y terminando en el
último dígito presente.
Es conjunto de dígitos confiables o necesarios que representan el valor

de una magnitud independiente de las unidades de medidas utilizadas. El
total de cifras significativas es independiente de la posición del punto decimal.
Los ceros a la izquierda de dígitos no nulos, nunca serán cifras

significativas, mientras que los ceros intermedios de dígitos no nulos, siempre
serán cifras significativas.
Ejemplo 12.
Longitud = 26 mm = 0,026 m = 0,000026 km (dos cifras significativas)
Estatura = 1,72 m = 17,2 dec. = 172 cm (tres cifras significativas)
40072 ( cinco cifras significativas)
3.001 ( cuatro cifras significativas)

0,000203 ( tres cifras significativas)
Exactitud y Precisión.
La exactitud se refiere a que tan cercano está el valor calculado o medido

del valor verdadero. La precisión se refiere a qué tan cercano está un valor
individual medido o calculado respecto a los otros.
La inexactitud se define como un alejamiento sistemático de la verdad.

La imprecisión, sobre el otro lado, se refiere a la magnitud del esparcimiento
de los valores. Los métodos numéricos deben ser lo suficientemente exactos o
sin sesgos para que cumplan los requisitos de un problema particular de
ingeniería.
Así, si se desea que el cálculo tenga un error menor al criterio para dos
cifras significativas, se deben obtener números que correspondan o sean
menor a:
(0,5 10 2) = 0,5%
Esto servirá para determinar cuántos términos serán necesarios en un

cálculo aproximado para tener la certeza que el error se encuentra bajo el
margen especificado.
Ejemplo 13.
Subraya los dígitos significativos de cada cantidad.
Solución Los dígitos significativos en los siguientes números están

subrayados.
) 621,39 ) 7,400 ) 0,000230 ) 0,003
Precisión
En el cálculo numérico, la precisión se refiere al número de cifras

significativas que representan una cantidad.
Exactitud
La exactitud se refiere al grado de aproximación que se tiene de un

número o de una medida al valor verdadero que se supone representa, o sea,
que tan cerca está del valor buscado. Por ejemplo, sí se lee la velocidad del
velocímetro de un auto, esta tiene una precisión de 3 cifras significativas y una
exactitud de +5kph.
Números en la computadora
La computadora es un dispositivo de cálculo, ésta trabaja con un

conjunto de números, que no es precisamente el de los números reales.
El conjunto de los números reales, presenta algunas características

como:
Es infinito en ambos extremos.
Es continuo.
Cada número puede tener una cantidad ilimitada de cifras.
Los números pueden ser tan pequeños como se desee.
El conjunto de los números que se manejan en una computadora

presenta las siguientes características:
Es finito en ambos extremos.
No es continuo.
Cada número tiene una cierta cantidad máxima de cifras.
Los números no pueden ser tan pequeños como se desee.
Una computadora almacena los números en sistema binario, usando un

número determinado de bytes, dependiendo del tipo de dato y de la
computadora que se emplee, presentando las siguientes características:
Existe un límite al intervalo de valores que se puede manejar.
Se limita la cantidad de cifras que se emplean para representar un

número.
El conjunto de números no es continuo sino discreto. O sea, existen

huecos entre un número y otro.
Producen errores de redondeo
Al convertir los números al sistema binario.
Cuando el resultado es muy pequeño y la capacidad de representarlo es

superada, se redondea comúnmente a 0.
Cuando el resultado es muy grande y puede ocasionar un error al

aproximarse al mayor valor que se pueda representar.
La computadora funciona o trabaja con lo que se conoce como

aritmética de dígitos finitos, causando que ciertos hechos que se toman como
ciertos, no lo sean en un momento dado, generando cálculos aritméticos que
ocasionan más error
La aritmética de dígitos finitos lleva a resultados aceptables. Cualquier

operación numérica tiene sus casos problemáticos y los más comunes son:
División entre números cercanos a 0.
Multiplicación por números grandes.
Suma de cantidades de distinto orden de magnitud.
Resta de números casi iguales.
Propagación de errores
Los métodos numéricos generalmente consisten en la realización de

muchos cálculos, y esta situación no permite predecir qué efecto producirá al
resultado el error de redondeo que se acumula en cada operación. Para
estimar el efecto del error de redondeo que se acumula y de las posibilidades
de corrección, se aplican las siguientes situaciones:
Uso de la aritmética de precisión doble, que consiste en resolver el

problema dos veces, una con aritmética de precisión simple y otra con
aritmética de precisión doble. La solución se toma considerando solo las cifras
que no hayan cambiado. El inconveniente es que los cálculos de precisión
doble toman más tiempo que los de precisión simple, además de resolver dos
veces el mismo problema.
Uso de la aritmética de intervalo, que consiste en retener en cada paso el

valor más pequeño y más grande que puede tomar el valor buscado, para que
al final se obtenga un intervalo que contenga el valor real. El inconveniente
que presenta este procedimiento es que no se sabe con exactitud en qué parte
del intervalo estará la solución, aunque comúnmente se supone que a la
mitad; esta situación consume el doble de tiempo y memoria al almacenar los
límites superior e inferior en los que puede estar la solución.
Uso de aritmética de dígitos significativos, que consiste en retener en

cada etapa solo las cifras que se piensa son significativas. La desventaja es
que se pierde información y no se tiene certeza de que tan significativa es una
cifra.
Enfoque estadístico, consiste en suponer un comportamiento aleatorio

con una distribución de probabilidad conocida. De todas las aplicaciones
posibles para mejorar y precisar los resultados numéricos es el que ha dado
mayor éxito.
Los tipos de errores mencionados anteriormente se propagan de distinta

manera. Para estudiar la forma de propagación de los errores en conjunto, hay
que definir dos conceptos nuevos, la estabilidad y la convergencia
La estabilidad
Todo problema requiere datos de entrada, que origina por lo menos una
salida. Sí cambios pequeños en los datos de entrada producen cambios
pequeños en la salida, se dice que el algoritmo es estable o problema bien
condicionado, en caso contrario se dice que el algoritmo es inestable o
problema mal condicionado.
Si el error después de n operaciones se puede representar por

(n) = kn , se dice que el error es lineal. En cambio si el error se representa
por (n) = k para k > 1, el crecimiento del error se dice que es exponencial.
k es una constante independiente de n.
El crecimiento del error lineal es por lo general inevitable, y cuando k y n

son pequeños, los resultados son aceptables. El crecimiento del error
exponencial debe ser evitado, ya que el término kn será grande, aun para
valores relativamente pequeños de n. Por lo tanto sí el crecimiento del error es
lineal el método es estable y si es exponencial es inestable.
La convergencia
Los métodos numéricos obtienen n términos de una sucesión de valores.

Comenzando con un valor inicial que sea una aproximación de la solución de
un problema x0. Aplicando un método numérico se obtiene otra aproximación
x1. El procedimiento se repite para obtener x2 y así sucesivamente, es decir, se
generar la sucesión x0, x1, x2,..., xn; donde todos los términos son
aproximaciones a la solución del problema. Sí la sucesión obtenida al cabo de
n iteraciones tiende a un límite se dice que el método es convergente, en caso
contrario el método es divergente.
Criterio de convergencia.
Definición 3. Por definición de convergencia se tiene que si un método numérico

es convergente, entonces debe ocurrir que: =
En la práctica esto es imposible de conseguir, razón por la cual se debe

optar por algún criterio que permita decidir si existe o no la convergencia. Este
criterio se denomina criterio de convergencia. El criterio de convergencia
puede implementarse usando los parámetros de cuantificación del error., que
son: el error absoluto, error relativo y error porcentual: La convergencia existe
cuando:
Error absoluto: lim = lim = 0
Error relativo: lim = lim = 0
Error porcentual: lim = lim 100 = 0
Estos criterios son simplemente teóricos, porque no presenta

practicidad a la hora de ponerlos en práctica, porque no es posible tomar
límites con métodos numéricos, no se conoce el valor real de x y no es posible
lograr el 0. Buscando practicidad se deben modificar criterios. Al no conocer
el valor real de x se emplea el que esté más cerca, o por lo menos el que se cree
es el valor más cercano, o sea, el valor de la última iteración.
Como tampoco es posible lograr el 0, se elige un criterio de convergencia

en base a una tolerancia predeterminada, empleando valores absolutos para
tomar en cuenta el signo del error. Finalmente se obtiene:
Error absoluto: = | | Tolerancia
Error relativo: lim = lim Tolerancia
Error porcentual: = 100| |= Tolerancia
Como es imposible tomar el límite, el método numérico se aplica hasta

que se cumpla alguno de los criterios anteriores, por lo tanto no se conoce de
antemano el número de iteraciones a realizar.
Para fijar la tolerancia se debe tener en cuenta que:
Debe de ser un número pequeño, no negativo, distinto a 0.

La tolerancia más pequeña posible se obtiene tomando en cuenta el número
de cifras significativas, que maneje el instrumento de cálculo que se utilice. Si
se usa una calculadora, no es posible lograr más de 8 cifras significativas.
No debe fijarse una tolerancia que sobrepase la precisión que pueda
alcanzarse en un laboratorio, ya que el valor calculado no podría verificarse
con la precisión obtenida.
Se fija la tolerancia dependiendo de para que se quieran los resultados. Si se
requiere una estimación burda de la solución la tolerancia puede ser baja, una
o dos cifras significativas. Pero si se desea precisión, la tolerancia debe de ser
la mayor que se pueda alcanzar. Un valor típico de precisión es de cuatro
cifras.
El criterio de convergencia debe ser fijado considerando la importancia

del resultado buscado, teniendo en cuenta que puede ocurrir que algunos
problemas no presentan convergencias.
El criterio de convergencia basado en el error, da una idea de los

decimales que se han alcanzado. El número de ceros después del punto
decimal, indica cuantos decimales correctos se tiene, lo que no define es
cuantas cifras significativas se tienen.
El criterio de convergencia basado en el error relativo permite conocer el

número de cifras significativas alcanzado. Este criterio es más útil que el
anterior. Dado que el teorema es válido solo con el error relativo real. El
problema que presenta es que no es aplicable si la solución del problema es 0.
El criterio del error porcentual es esencialmente equivalente al caso

anterior.
Orden de convergencia
En la práctica interesa mucho que tan rápido converge un algoritmo

para llegar a la solución buscada. Mientras menor sea el número de
iteraciones requerido para alcanzar la precisión deseada, mayor será la
velocidad de convergencia y viceversa. El orden de convergencia se define por
la siguiente ecuación:
| |
| |
+1
La A es una constante que depende del método numérico empleado y de

la solución del problema, se supone que es distinta de 0. El exponente a es
una constante dependiente normalmente solo del método numérico. Esta
ecuación puede escribirse de otra manera:
| | | |
Esta ecuación dice que el error de una iteración es aproximadamente

proporcional a una potencia del error de la iteración anterior. Suponiendo que
exista convergencia, entonces los errores deben de tender a 0. En esta
ecuación es más importante el exponente a. Dado que los errores tienden a 0,
mientras mayor sea el valor de a, menor será el número de iteraciones que se
requieren. A mayor orden de convergencia mayor velocidad de convergencia y
viceversa.
El orden de convergencia normalmente es un valor constante. Un valor

típico es 1, entonces el método numérico tiene convergencia lineal. Otro valor
frecuente es 2, en este caso se dice que el método tiene convergencia
cuadrática. Existen métodos de convergencia cubica, cuartica, etc., pero a
medida que aumente el orden de convergencia también el método es más
complicado. El orden de convergencia no necesariamente es un entero,
aunque, normalmente lo es.
EJERCICIOS DE CONSOLIDACIÓN
Ejercicio 1.- Completa el siguiente cuadro con el valor de los errores absolutos,
relativos y porcentuales.
Valor exacto Valor aproximado Error absoluto Error relativo Error porcentual
82 82,87
221 219,22
105 106,37
53 51,93
Ejercicio 2.- Sean los valores exactos: 1; 2; 3; 4; 5; 6; 7; 8; 9 y 10 y los valores
aproximados respectivos: 1,1; 2,1; 3,2; 3,9; 5,2; 6,3; 6,8; 8,1; 9,2; 10,3.
Halla los errores absolutos, los errores relativos y los errores porcentuales
de cada una de las cantidades presentadas respectos a sus cantidades
aproximadas. Para la realización de este ejercicio es importante construir
una tabla de valores.
Ejercicio 3.- Demuestra en las siguientes operaciones que el error absoluto de
una suma es igual a la suma algebraica de los errores absolutos de los
términos que participan en dicha operación.
2 + 5 + 7 = 14 2,1 + 5,2 + 7,2 = 14,5

3 + 6 + 2 = 11 3,2 + 6,3 + 2,1 = 11,6
9 + 10 + 4 = 23 9,2 + 10,3 + 4,1 = 23,6
Ejercicio 4.- En la diferencia de dos números demuestra que el error absoluto
de la diferencia es menor que el mayor de los errores absolutos de sus
términos.
9 2 = 7 9,2 2,1 = 7,1

5 1 = 4 5,2 1,1 = 4,1
10 3 = 7 10,3 3,2 = 7,1
Ejercicio 5.- En las siguientes sumas demuestra que el error relativo de la
suma de varios números aproximados está situado entre el menor y el
mayor de los errores relativos de los sumandos.
3 + 5 + 7 = 15 y 3,2 + 5,2 + 7,2 = 15,6

2 + 6 + 9 = 17 2,1 + 6,3 + 9,2 = 17,6
9 + 10 = 19 9,2 + 10,3 = 19,5
Ejercicio 6.- Demuestra que el error relativo del producto de dos números
tiene el mismo valor que la suma de los errores relativos de los factores más
el producto de esos mismos errores.
37 = 21 3,2 7,2 = 23,04

2 10 = 20 2,1 10,3 = 21,63
5 9 = 45 5,2 9,2 = 47,84
Ejercicio 7.- Demuestra que el error relativo del cociente de dos números
dados es igual a la suma o la diferencia de los errores relativos de los datos,
dividida por el menor más uno.
7 3 = 2,333 7,2 3,2 = 2,25

9 2 = 4,5 9,2 2,1 = 4,38
10 4 = 2,5 10,3 4,1 = 2,512
Ejercicio 8.- Subraya los dígitos significativos de cada expresión:
) 21,33 ) 310,56 ) 0,0021 ) 0,30100
Ejercicio 9.- Redondea cada número presentado a continuación a tres dígitos

significativos:
) 3,2495 = ) 0,00414 = ) 23,540 =

) 2,4315 = ) 47,0217 = ) 5,00791 =
Ejercicio 10.- Redondea a unidades las siguientes cifras
) 2,37 = ) 37,88 = ) 7,49 =

) 0,86 = ) 21,37 = ) 82,52 =
Ejercicio 11.- Redondea a dos cifras decimales las siguientes cantidades:
) 7,397 = ) 53,7219 = ) 0,5611 =

) 32,7777 = ) 41,05321 = ) 3,22631 =
CAPITULO II INTERPOLACIÓN Y AJUSTE DE CURVAS
Introduccion
La aproximación de funciones es una de las ideas más antiguas del

análisis numérico, siendo ahora la más usada. Es fácil entender por qué razón
se presenta esa situación. Los polinomios son fácilmente computables, sus
derivadas e integrales son nuevamente polinomios, sus raíces pueden ser
halladas con relativa facilidad.
La simplicidad de los polinomios permite que la aproximación

polinomial sea obtenida de varias maneras, entre las cuales se pueden citar;
interpolación, método de los mínimos cuadrados, mínimos y máximos, etc.,
por tanto es ventajoso sustituir una función complicada por un polinomio que
la represente.
Definición 4. El ajuste de curvas consiste en encontrar una curva que contenga

una serie de puntos y que posiblemente cumpla una serie de restricciones
adicionales.
Teorema 5. Teorema de Weirstrass
Toda función continua pude ser arbitrariamente aproximada por un

polinomio.
Interpolación polinomial
Por el término interpolación se entiende estimar el valor desconocido de

una función en un punto, tomando una medida ponderada de sus valores
conocidos en puntos cercanos al punto dado.
Los métodos de aproximación polinomial son usados como una

aproximación para una función ) , principalmente, en las siguientes
situaciones.
No se conoce la expresión analítica de ), se conoce sus valores
solamente en algunos puntos , . . .. Esta situación ocurre con frecuencia
en la práctica cuando se trabaja con datos experimentales y es necesario
manipular ) , como por ejemplo, calcular su valor en un punto
determinado, o su integral en un intervalo dado. ), es extremadamente
complicada y de difícil manejo. Entonces, a veces, es interesante sacrificar la
precisión en beneficio de la simplificación de los cálculos.
La clase de los polinomios algebraicos son una de la más usada clase de

funciones reales de variable real de la forma: ( )= + + +
, donde n es un entero no negativo y ... son constantes reales. La
razón de su importancia es que aproximan uniformemente funciones
continuas; esto es, da una función definida y continua en un intervalo
cerrado, existe un polinomio que está tan cerca de la función dada como se
desee.
Teorema 6.
El problema de interpolación general tiene solución única si las n formas

lineales son linealmente independientes.
Teorema 7. Teorema de aproximación de Weierstrass
Si está definida y es continua en ] , dado > 0 , existe un

polinomio P, definido en ], con la propiedad de que
| )| < , ]
El aspecto importante que presenta los polinomios en la aproximación

de funciones es la facilidad para determinar la derivada y la integral indefinida
de cualquier polinomio y el resultado es otra vez un polinomio. Esta es la razón
por la frecuencia de uso de los polinomios para aproximar funciones que se
suponen continuas.
Polinomios de interpolación
El problema general de interpolación por medio de polinomios consiste

en, dado + 1 números o puntos distintos, sean éstos reales o complejos
,..., + 1 puntos o números reales o complejos ,.., ,
números que en general, son +1 valores de una función
= ) ,..., , determinándose un polinomio ) de grado
máximo n tal que: ) = ; ) = ; ...; ) =
Los polinomios de interpolación existen y son únicos, en la hipótesis de

que los puntos ,..., sean distintos.
Teorema 8.
Dados + 1puntos distintos ,..., (reales o complejos) y + 1

valores ( ,..., existe uno y solo un polinomio de grado menor o igual
a tal que:
( ) = 0,1,2,3, … ,
Definición 5. Se llama polinomio de interpolación de una función y = f(x) sobre

un conjunto de puntos distintos x0,x1,x2, ...,xn, al polinomio de grado máximo n
que coincide con ) ,..., . Tal polinomio será designado por
; ) y, siempre que no cause confusión simplemente por ( ).
Ejemplo 14.
Dados los pares de puntos 1, 15); (0, 8); (3, 1) , determinar el

polinomio de interpolación para la función definida por este conjunto de pares
de puntos.
Solucion
De acuerdo a los datos del problema se tiene
1 = 15 = )
=0 =8= )
=3 1= )
Se tiene tres pares de puntos, por lo tanto = 2, y se debe determinar
)
( ) ( ) = 0,1,2
Susyituyendo y obtenemos
= 15
=8 = 8, 6, =2
+3 +9 =9
Resolviendo la ecuación simultánea se tiene la solución y el polinomio

de interpolación de , es: ( )=8 , o lo que es lo mismo ( )=
+ 8, Completando el ejemplo se presenta la gráfica de los puntos
citados en un plano y la gráfica de la función en el mismo plano
Figura 1. ( )=8 6 +
Interpolación de Lagrange
Para la interpolación lineal se utiliza un segmento de recta que pasa por

dos puntos conocidos, sean estos puntos ) ) dichos puntos,
luego la pendiente del segmento es:
= ( ) +
Aplicando propiedad distributiva:
( ) + ( )=
( )
( )= +
( )= +
Es el polinomio de grado menor o igual a 1, que satisface que ( )=

; ( )= Otra forma de encontrar este polinomio fue propuesta por
Lagrange de esta forma:
= ( ) + )
( )
= ( ) +( )
Luego
)
= ( )
Hallando mcm al término entre paréntesis y multiplicando por (-1)
= ( )
Asi = , los cuales son lineales
= ( )
Como (x ) = 0, (x ) = 0, (x ) = 0 , (x ) = 1 entonces
( ) ( ) ( )=y y ( ) ( ) ( )=y por
tanto ( ) pasa por los puntos ( )y( )
Definición 6. Los términos = , se definen como
coeficientes de LaGrange
De la definición anterior se tiene:
( )= )
Cuando = ), el proceso de utilizar ) para aproximar a )

en ] se conoce como interpolación lineal, reciben el nombre de
nodos. Si < al proceso se le llama extrapolación.
Considerando la función = ) = en [0.2; 1]. Usar los nodos

= 0.2 = 1 para construir un polinomio de interpolación lineal ) y
calcular (0.6).
La gráfica de la función se visualiza en la figura
Figura 2. ( ) =
= 0.2 = 0.2 = 0.19866933

= 1.0 = 1.0 = 0.84147098
Se aplica la fórmula para hallar )

= ( )
0.2 1.0
= ( ) = (0.84147098) + (0.19866933)
1.0 0.2 0.2 1.0
) = 1.051838725( 0.2) 0.248336662( 1.0)
Evaluando en (0.6) se tiene:
(0.6) = 1.051838725(0.6 0.2) 0.248336662(0.6 1.0)
(0.6) = 1.051838725(0.4) 0.248336662( 0.4) = 0.42073549 + 0.099334664
(0.6) = 0.520070154
Calculo de error
El valor verdadero de (0.6) = 0.564642473
– 0.564642473 0.520070154
E = = 0.07893, E% = |E x100| = 7.89%
0.564642473
De hecho, el error generado por este método es aún muy grande, se nota
la diferencia al acercar los nodos al punto que se desea evaluar. Esto indica
que este método no es el mejor a ser aplicado para construir un polinomio de
interpolación.
En general si se tiene los + 1 puntos ,..., , y si )=

) para = 0,1,2,3, . . . , el polinomio que pasa por esos + 1 puntos es:
( )= )
Donde
( )( )… ( )( )( )
=
( )( )…( )( )( )
Y la notacion mas compacta

(x x)
=
(x x)
Ejemplo 15.
Sea = ) = en el intervalo [0.2,1] . Usando los nodos

= 0.2; = 0.5; = 1 construir el polinomio interpolador ) y calcular
(6).
Solución
= 0.2 0.2 = 0.198669

= 0.5 0.5 = 0.479426
= 1.0 1.0 = 0.841471
Se aplica la fórmula para hallar ), teniendo en cuenta que se tienen

tres nodos
( ) ) ( ) ) ( ) )
( )
( ) ) ( ) ) ( ) )
( 0.5) 1) ( 0.2) 1)
( ) = 0.198669 + 0.479426
(0.2 0.5 )(05 1) (0.5 0.2)(0.5 1)
( 0.2) 0.5)
+ 0.841471
( 0.2)(1 0.5)
( ) = 0.82779 ( 0.5) 1) 3.19617 ( 0.2) 1)

+ 2.10368 ( 0.2) 0.5)
( ) = 0.82779 ( 1.5 + 0.5) 3.19617( 1.2 + 0.2)

+ 2.10368( 0.7 + 0.1)
( ) = 0.82779 1.241685 + 0.413895 3.19617 + 3.835404 0.639234

+ 2.10368 1.472576 + 0.210368
( ) 0.2647 + 1.21143 0.014971

(0.6) 0.2647 (0.6) + 1.21143(0.6) 0.014971
(0.6) 0.095292 + 0.6726858 0.014971 = 0.5624228
Calculo de Error
El valor verdadero de (0.6) = 0.564642473

– 0.56464247 0.56423
E = = 3.93x10 , E% = |E x100| = 0.39%
0.56464247
Observación: en la figura se tienen las dos funciones superpuestas en el

intervalo estudiado, la función sen(x) y el polinomio de interpolación )
Figura 3. ( )= ( )
Error en la interpolación
El polinomio de interpolación ) para una función = ) sobre

un conjunto de puntos distintos ,..., cumple la propiedad
) = ), = 0,1,2, . . . , En los puntos no siempre es
verdadero que ) = ) . Para evaluar ) en los puntos =
0,1,2, . . . , se considera ) como una aproximación para la función
= ) en un cierto intervalo que contangan los puntos ,..., y se
calcula ) a través de ).
Teorema 9. Teorema de Rolle
Sea ) continua en ] es diferenciable en cada punto de ). Si

) = ), entonces existe un punto = < < , tal que ) = 0.
Teorema 10. Teorema generalizado de Rolle
Sea > 2, suponiendo que ) sea continua en ] y que )

exista en cada punto de ). suponiendo que ( ) ( ) =0
. existe entonces un punto )=
0
Teorema 11. Teorema del término de error
Sea ) continua en ] es diferenciable y suponiendo que

) exista en cada punto de ( ) . Entonces
( )…( )
( ) ( ) ( )= )
( 1)!
Donde min ( ), el punto depende de x Este teorema es

más teórico que práctico. En la práctica, para estimar el error cometido al
aproximar el valor de una función en un punto por su polinomio de
interpolación, se utiliza el siguiente corolario:
( ) ( ) ( )
Si ) y sus derivadas hasta orden +1 son continuas

en [ ] entonces:
|( )( )…( )|
( ) )
( 1)!
Teorema 12. Puntos igualmente espaciados
Cuando los puntos , son igualmente espaciados de 0, esto es:
= 0,1, . . . , 1, donde h es un número fijo. Se determina

una forma del polinomio de interpolación y de error, en términos de una
variable u, definida así:
En función de la variable u, se tienen los siguientes teoremas.

Teorema 13.
Para r enteros, no negativos, — = ( — .
Teorema 14.
Para r y s enteros, no negativos, = — . Usando los dos

teoremas anteriores se obtiene
( 1) … ( 1) ( + 1) … ( )
( )=
( 1) … ( 1) ( + 1) … ( )
Que es la fórmula de Lagrange de polinomio de interpolación igualmente

espaciados de 0 . Esta forma de polinomio interpolación es
particularmente útil en la determinación de integración numérica de
funciones.
Se sustituye — por — en
( )…( )
( ) ( ) ( ) )
( )!
( ) ( ) ( 1) … ( ) )
( + 1)!
Donde min( ,… ) max ( ,… )
El polinomio de interpolacion para ) sonbre + 1 puntos

,… se escribe en terminos de = como
( )=
( 1) … ( 1) ( + 1) … ( )
( )=
( 1) … ( 1) ( + 1) … ( )
Ejemplo 16.
Dada la siguiente tabla:

0 0.1 0.2 0.3 0.4 0.5
1 1.3499 1.8221 2.4596 3.3201 4.4817
Calcular ) = en el punto = 0.25 usando polinomio de

interpolación sobre tres puntos.
Hallar un límite superior para el error de truncamiento.
Solución
Inicialmente se escogen tres puntos apropiados en la tabla dada y a

continuación se construye la tabla de ) = en el punto = 0.2 =
0.3, = 0.4
0.2 0.3 0.4
0.3644 0.7379 1.3280
( )… ( ) ( ) …( )
Usando ( )=
( )… ( ) ( ) …( )
( 1) 2) +2
( )= =
( 1)(0 2) 2
2)
( )= =
1(1 2) 1
1)
( )= =
2(2 1) 2
Y usando ( )=
( )=
+2
( ) = (0.3644) + (0.7379) + (1.32800)
2 1 2
Agrupando terminos y resolviendo
( ) = 0.1083 + 0.2652 + 0.3644

Se desea clacular (0.25)
0.25 0.2
= = = 0.5
1
Usando regla de ruffini
0.1083 0.2652 0.3644

0.5 0.0542 0.1597
0.1083 0.3194 0.5241
Entonces (0.5) = 0.5241 (0.25)
De
( ) ( ) ( 1) … ( ) )
( + 1)!
Se tiene
( ) ( 1)( 2) )
3!
De
|( )( )…( )|
( ) )
( 1)!
( ) ( 1)( 2) )
3!
Donde = 0.5 = 0.1 = 0.001 y apartir de ( ) = 27e (1 + t)

|f (t)| = 125.4988
Por tanto
0.001
( ) = |0.5||0.5 1||0.5 2| x(5.066 = 0.0078 10 )
6
Observaciones
Si se compara el valor obtenido para /(0.25) con el valor exacto se

verificará que el resultado está con dos cifras decimales correctas.
El polinomio de interpolación obtenido en este ejemplo está en función
de la variable u. Por lo tanto no es posible verificar si el valor del polinomio en
los puntos tabulados coincide con el valor de la función en esos puntos. Como
la función es creciente en el intervalo [0.2; 0.4], el valor para /(0.25) debe
estar entre [0.3644; 0.7379].
Cuando se conoce la expresión analítica de la función, el termino del

resto genera una estimación sobre el numero de cifras decimales correctas que
se puede obtener en la aproximación. La aplicación de la formula de termino
del resto es útil cuando se desea el resultado con una precisión prefijada.
Diferencias Divididas
Hay dos desventajas al usar el polinomio de Lagrange para

interpolación.
Implican más operaciones aritméticas que el método de diferencias

divididas (método a ser analizada a continuación).
Si se desea sumar o restar un punto del conjunto usado para obtener

el polinomio, esencialmente debe iniciarse de nuevo el proceso.
El método de diferencias divididas es económico en cuanto a los cálculos

aritméticos realizados en el proceso.
Es importante notar que, tanto por el método de Lagrange como por el

método de diferencias divididas no se consiguen resultados diferentes,
solamente en la economía de los procesos de cálculo.
Definición 7. Sea ,..., + 1. Puntos distintos en un intervalo ]

y sean ,… + 1 , valores de una función ) sonbre
= 0.1, … . , se define
Definición 8. [ ] ( ) = 0,1,2, … , , ,…, =
[ ,…, ] , ,…,
Definición 9. Donde , ,…, es la diferencia dividida de orden n de la
función )sobre los puntos ,..., +1
Usando esta definicion se tiene
[ ] ,
, =
[ ] ,
, =
[ ] ,
, =
Al segundo miembro de cada ecuación precedente se debe aplicar

sucesivamente la definición de diferencia dividida hasta que los cálculos
involucren solamente el valor de la función en los puntos, o sea:
[ ] , [ ] ,
, =
Existe una forma más simple y organizada para calcular las diferencias
divididas de una función, es construyendo una tabla de diferencias divididas
[ ] , , ,
[ ]
[ ] [ ] ,
, =
[ ] [ ] [ ] [ , ] ,
, = , , =
[ ] [ ] [ ] [ , ] [ ] …
, = [ , , ]=
[ ] [ ] [ ] [ , ] , …
, = , , , =
La primera columna está constituida por los puntos = 0,1,2, . . . , ;

La segunda columna contiene los valores de ) en los puntos
= 0,1,2, . . . , ; La siguientes columnas 3, 4, 5, . . ., están las diferencias
divididas de orden 1, 2, 3, . .. cada una de estas diferencias es una función cuyo
numerados es siempre la diferencia entre dos diferencias consecutivas y de
orden inmediatamente inferior y cuyo denominador es la diferencia entre los
dos extremos de los puntos considerados.
Ejemplo 17.
Construir la tabla de diferencia dividida de la siguiente función

presentada en la tabla.
-2 -1 0 1 2
( ) -2 29 30 31 62
Solución
Usando la tabla de diferencia divida se tiene:
[ ] , , , [ ,…, ] [ ,…, ]
2 2
1 29 20 ( 2)
= 31
1 ( 2)
0 30 30 29 1 31
=1 = 15
0 ( 1) 0 ( 2)
1 31 31 30 1
1 0 ( 15)
=1 =0 =5
1 0 1 ( 1) 1 ( 2)
2 62 62 31 31 1 15 0 5 5
= 31 = 15 =5 =0
2 1 2 0 2 ( 1) 2 ( 2)
Ejemplo 18.
Para la siguiente tabla de datos construya la tabla de diferencias

divididas:
x -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3
F(x) 1.6081 1.4016 1.2001 1.0000 0.8001 0.6016 0.4081
Solución.
xi F[xi Orden 1 Orden 2 Orden 3 Orden 4 Orden 5 Orden 6

-0.3 1.6081
-0.2 1.4016 -2.065
-0.1 1.2001 -2.015 0.25
0.0 1.0000 -2.001 0.07 -0.6
0.1 0.8001 -1.999 0.01 -0.2 1.0
0.2 0.6016 -1.985 0.07 0.2 1.0 0
0.3 0.4081 -1.935 0.25 0.6 1.0 0 0
Note que las diferencias divididas de orden 4 tienen el mismo valor, y las
diferencias de orden superior a 4 son nulas, lo cual concuerda con que la
derivada de orden 4 de un polinomio de cuarto grado es constante y su quinta
derivada es cero.
Si al construir una tabla de diferencias divididas en alguna columna k

todos los elementos tienen el mismo valor y en las siguientes columnas los
elementos son ceros, entonces la tabla corresponde a un polinomio de grado k.
Fórmula de Newton
Para obtener la formula de Newton de polinomio de interpolaciones

necesario definir algunas funciones. En principio la función ) debe ser
continua y que tenga derivada continua en el intervalo ], además de eso,
que los puntos ,..., sean distintos en ]. Las funciones se definen
de la siguiente manera.
f[x1] f x0,
f x0, x1 = , , definida [a,b] en para x 0
x1 x0
f[x1 ,x2] f x0, x1

f x0, x1 , x2 = definida [a,b] en para x 0yx x1
x2 x0
f[x1 x2 , … , xn ] f x0, x1 , … , xn 1
(n + 1)f x0, x1 , … , xn 1 = f[x0, x1 , … , x_n ] =
xn x0
Definida para [a,b], x xk , k = 0,1,2,3 … … n
En las funciones definidas precedentemente, se producen aumentos

sucesivos, en la diferencia divida o el proximo punto de la tabla. En todos los
casos se aplican el corolario de diferencias divididas.Las diferencias divididas
de orden k de una función f(x) satisface
, ….
] ]
= +
( )( )….( ) ( )( )….( )
]
+
( )( )….( )
Esto afirma que se puede usar cualquier par de puntos para construir la
diferenciadividida de una funcion, y no necesariamente el primero y el último.
A partir de este punto corresponde buscar una formula de recurrencia para
f(x) De la formula anterior se obtiene:
) = [ ] + (x [ ]
De las formulas anteriores,se tiene:
, ( ) [ ] [ ]
[ ] [ ]
, ( )= [ ]
( )
( ) [ ]+( ) [ ]+( )( ) ,
De forma parecida, de (n+1) se obtiene:
( ) [ ]+( ) [ ]+( )( ) ,
+( )( )( ) ,
+( )( )…( ) , ,..,
+( )( )…( ) , ,..,
De esta manera se tiene una formula de recurrencia para f(x).

)= [ ]+( ) [ ]+. . +( )…( ) , ,…, = {… }
Es el polinomio de interpolacion de la funcion = ) sobre los

puntos , ,…, esto es ( ) ( ) = 0,1, … ,
Luego:
( ) [ ]+( ) [ ]+( )( ) , + …
+( )( )…( ) , ,…, = {… }
Esta es la formula de Newton de polinomios de interpolacion. La

expresion:
R =( )( )…( ) , ,…, = {… }
Corresponde a la formula del termino del resto o error de truncamiento.
Este error de truncamiento es la misma de la formula de Lagrange.
Estimación Del Error Usando Polinomios De Newton.
Si se conoce la ley de asignación que define a f , el error se puede

( )
estimar usando la fórmula ( )= ( )( )…( ). Si no se
( )!
conoce , entonces el error se estima así: el polinomio de Newton de grado

que interpola los puntos.
xi x0 ... xn
f xi f0 ... fn
viene dado por la expresión

)= [ ]+( ) [ ]+. . +( )…( ) , ,…, = {… } , y
supongamos que se le añade el punto ) a la tabla, entonces el error )
es igual al término que se le añadiría a ) si fuéramos a construir un
polinomio de grado + 1) , es decir: ( ) , ,…, ( )(
)…( )
Polinomios interpolantes de newton con nodos igualmente espaciados.
Sí los nodos = 0,1,2,3,4,5 … se ordenan en forma creciente y están

igualmente espaciados, entonces la fórmula
)= [ ]+( ) [ ]+. . +( )…( ) , ,…, se puede
expresar de otra forma: sea el tamaño de paso entonces: los nodos se
pueden expresar así , y cualquier punto no tabulado x es
igual a > 0; por lo que: ( ); i = 0,1,2, … . n 1 lo cual
se sustituye en la formula de ) y se obtiene:
( ) [ ] [ ] , ( 1)
+ , ,…, ( 1) … ( + 1)
( )= , ,…, ( 1) … ( + 1)
La cual se conoce como la fórmula de diferencias divididas progresivas

de Newton (también se conoce como fórmula hacia adelante) y el error viene
dado por:
( ) , ,…, ( 1) … ( )
Nota:
a) El valor de , ,…, se calcula usando la tabla de diferencia dividida.

b) Como > 0 , entonces = , donde punto a
evaluar, el primer nodo.

c) La fórmula ( ) se puede expresar de otra forma usando el siguiente
! ( )( )…( )!
proceso: recuerde que: = )!
= )!
, lo cual equivale a
!( !(
( )( )…( )!
= , esto se sustituye en ( ) y se obtiene :
!( )!
( )= , ,…, ! , ( ) , ,…, !
Formula de Newton-Gregory
Para puntos igualmente espaciado se puede usar una variante de la

formula de Newton, conocida como formula de Newton – Gregory.
La fórmula ( ) también se puede expresar usando la notación de las

diferencias progresivas :
[ ] , ( )
, = =
[ ] , ( ) ( ) ( )
, = = =
1
, = ( )
En general: , ,…, = ( ), lo cual se sustituye en ( )=

!
, ,…, ! obteniéndose lo que se conoce con el nombre de
Diferencias Progresivas de Newton :
( )= )
Si los nodos se ordena así ,…, (en forma decreciente), el

polinomio de Newton es igual a:
( ) [ ]+( ) [ ]+( )( ) , + …
,…, ( )( )…( )
Sí los nodos son equidistantes con el tamaño de paso h entonces :
, , , (
1) = 0,1,2, … ,
los cuales se sustituyen en polinomio de Newton en forma decreciente

obteniéndose:
( ) [ ] [ ]sh + , + 1) + …
,…, h s(s + 1) … (s + n 1)
( ) ,…. ( + 1) … . ( ) ( Error asociado )
que se conoce como la fórmula de diferencias divididas regresivas ( o

hacia atrás ) de Newton.
Notas:
a) las diferencias que aparecen en la fórmula de ) previa, quedan

en la diagonal inferior de la tabla de diferencias divididas. b) Si ya has
construido la tabla de diferencia dividida hacia delante no es necesario
construir la tabla de diferencia dividida hacia atrás. Se trabaja con la primera
y se toman los elementos de la diagonal inferior (trazadas de abajo hacia
arriba).
Ejercicio 12.- Halla el polinomio de interpolacion de los siguientes

puntos: (1, 2); (0, 4); (2, 6). Evaluarlo en (1.5)
Ejercicio 13.- Halla el polinomio de interpolacion de los siguientes
puntos: (-1, 3); ( 2, 1); (0, 1); (1, 0). Evaluarlo en (1.5).
Ejercicio 14.- Dados los pares de puntos (1, 3); (2, 3); (3, 6); (4, 3),
determinar el polinomio de interpolación para la función definida por este
conjunto de pares de puntos.
Ejercicio 15.- Dados los pares de puntos (2, 2); (3, 5); (5, 8); (7, 4)
determinar el polinomio de interpolación para la función definida por este
conjunto de pares de puntos.
Ejercicio 16.- Sea la siguiente tabla:
0 1 3 5
( ) -1 3 9 2
Determinar el polinomio de interpolacion con la formula de Lagrange,

sobre todos los puntos y calcular ; (4)
CAPITULO III SISTEMAS NO LINEALES
Introduccion
Estudiamos en este capítulo uno de los problemas más básicos de la

aproximación numérica y con mayor historia: el cálculo de raíces. Es decir, la
determinación de una raíz, o solución, de una ecuación de la forma ) = 0,
donde , por lo general, es una función real no lineal de variables reales.
Las raíces de esta ecuación también se llaman ceros de la función f. Un

ejemplo que muestra la necesidad de tener técnicas de aproximación a alguna
solución del problema anterior es el caso simple de encontrar soluciones de un
polinomio. Se conocen fórmulas para polinomios de grados 2, 3 y 4, siendo de
complejidad creciente, pero con la posibilidad de determinar sus ceros
exactamente.
A principios de siglo XIX Galois probó que no existen fórmulas explícitas

para determinar los ceros de polinomios de grado mayor o igual que 5. La
situación es aún más difícil cuando no es un polinomio. Esta limitación
obliga a buscar métodos para encontrar los ceros de forma aproximada. Los
métodos que se discuten en esta lección son iterativos y de dos tipos: uno en el
que se puede asegurar la convergencia y el otro en el que la convergencia
depende de una o dos aproximaciones iniciales.
Métodos conceptualmete sencillos son los métodos de intervalo, que

aprovechan el cambio de signo de la función en el entorno de una raíz. Así,
partiendo de dos valores proporcionados inicialmente, dichos métodos tratan
de reducir el tamaño del intervalo que encierra al cero buscado, hasta
converger a éste con la suficiente precisión.
Un ejemplo de este tipo de métodos es el de bisección, que además de ser

un método simple e intuitivo, se puede utilizar para obtener una adecuada
estimación inicial del cero de la función que después puede ser refinado por
métodos más poderosos. El segundo tipo de métodos se basa en aproximar la
función, cuyos ceros se buscan, por una recta. Los métodos que describiremos
parten de una aproximación (Método de Newton, que aproxima la función por
una recta tangente) o dos aproximaciones (Método de la Secante, que
aproxima la función por una recta secante) y determinan el cero de la función
con una precisión deseada. Estos métodos no garantizan la convergencia,
pero, cuando convergen, lo hacen generalmente más rápidamente que los
métodos de intervalo
Uno de los problemas que frecuentemente se presenta y requiere de

solucion en algun tipo de trabajo cientifico, es el de calcular las raices de una
determinada ecuacion de la forma ( ) = 0 Donde ( ) puede ser un
polinomio en x una funcion trascendente.
Es posible hallar la raiz exacta de ( ) = 0, cuando los polinomios son

factorables, sin embargo, no siempre sucede asi, pues en la mayoria de los
casos, las raices de las ecuaciones buscadas pertenecen al conjunto de los
numeros racionales o al conjunto de los números complejos, pudiendo ocurrir
que en una misma ecuacion se den resultados con números reales y
complejos.
Por medio de metodos numericos es posible obtener una solucion

aproximada al valor exacto, tan proxima como se desee, dependiente de la
precision deseada prefijada.
La mayoria de los procedimientos numericos generan una secuencia de

aproximaciones, algunas con mayor precision que otras, algunas
aproximandose con mayor rapidez a lasolucion buscada, de tal forma que la
repeticion de procedimientos produce una aproximación al valor verdadero
con una precision definida por una tolerancia prefijada.
La busqueda de raices por medio del analisis numerico es similar al de

limite del análisis matematico, pues normalmente el resultado obtenido de
una operacion por medio de metodos numericos se acerca tanto como se desee
al valor verdadero, sin llegar casi nunca al valor exacto.
La caracteristica principal de los metodos numericos es que casi nunca
arrojan resultados exactos, por lo tanto, en la mayoria de los casos, si no en
todos, se obtienen resultados aproximados, que siempre dependeran de la
precision que se desee.
Teorema 15. Teorema de Fermat
Si una función ( ) = 0alcanza un máximo o mínimo local en c, y si la

derivada ( ) = 0 existe en el punto c, entonces ( )=0
Suele utilizarse como método para hallar máximos y mínimos

locales de funciones diferenciables en intervalos abiertos, ya que todos ellos
son puntos estacionarios de la función (puntos donde la función
derivada vale cero, ( ) = 0). El teorema de Fermat sólo da una condición
necesaria para los máximos y mínimos locales, sin embargo, no se refiere a
otra clase de puntos estacionarios como son en ciertos casos los puntos de
inflexión (que no son ni máximos ni mínimos). La derivada segunda de
la función ( ) ; si es que existe; puede indicar si el punto estacionario en
cuestión es un máximo, un mínimo, o un punto de inflexión. El teorema de
Fermat es un teorema de análisis real llamado así en honor a Pierre de
Fermat.
Teorema 16.
Si es continua en un intervalo cerrado ]; entonces existe un

punto ] para el cual ( ) ( ) ]
Teorema 17.
Si es continua en un intervalo cerrado ]; entonces existe un

punto ] para el cual ( ) ( ) ]
Si es continua en un intervalo cerrado ]; diferenciable en el

intervalo abierto ( ) y ( ) ) , entonces existe un número )
tal que ( )=0
Entre dos raices consecutivas de una ecuacion algebraica ( ) = 0,

existe un numnero impar de ceros de la derivada , contando cada uno de
ellos tantas veces como indique su orden de multiplicidad. Entre dos raices
consecutivas de la derivada no pueden existir dos raices distintas de ( ) = 0,
porque si existieran, tendria una raiz intermedia.
Teorema 20. Teorema del Valor Medio
Si es continua en un intervalo cerrado y [ ] y diferenciable en el

intervalo abierto ( ) existe un numero ) , tal que ( ) ( )=
( ) )
Teorema 21. Teorema del valor Intermedio
Si es continua en un intervalo cerrado y [ ] ( ) ( ) y k un

número cualquiera entre ( ) y ( )entonces existe un numero ), tal
que ( )=k
Resolucion de ecuaciones no lineales
Para resolver ecuaciones no lineales se deben tener en cuenta varias

situaciones, sin embargo la mas importante es encontrar el intervalo o un
punto en para comenzar las iteraciones en busca de un cero de la funcion,
procurando que este valor se encuentre lo bastante proximo de un cero, asi se
evitara realizar demasiadas operaciones. Se aclara de nuevo aqui, que se usa
indistintamente la como (,) o el punto (.) para indicar decimales. Ejemplos: 2,5
= 2.5 Esta situacion se debe a que en Paraguay se usa normalmente la como
(,) como separador de la parte entera y su decimal, mientras que en otros
paises se usa el punto (.). Se aclara esta situacion, pues las calculadoras
tambien usan el punto como separador decimal.
El orden de convergencia de un metodo mide la velocidad con que las iteraciones

producidas por el metodo se aproximan a la solucion exacta. Asi, cuando mayor fuere el
orden de convergencia mejor sera el metodo numerico, pues sera posible obtener mas
rapidamente la solucion buscada.
Definición 10. Sean } el resultado de la aplicación de un método numérico en

la iteración en – , su error. Si existiere un número 1 y su
| |
constante > 0 tal que: | |
Donde p es el orden de
convergencia
Definición 11. Si :[ ] es una función dada, un punto ] es un
cero (o raíz) de ) = 0
Gráfica de funciones, un método para hallar intervalos.
Las gráficas ayudan enormemente en la búsqueda de los ceros o raíces de una

función, pues si no se conoce el intervalo que contiene la raíz de dicha función, es
difícil iniciar cualquier proceso en búsqueda de solución.
Seguidamente se presentan algunas gráficas y las explicaciones necesarias

para iniciar la búsqueda de solución de ecuaciones no lineales.
Ejemplo 19.
Hallar el intervalo que contiene una raíz de la función ( )=
Solucion 1: Se grafica la función ( )=
Figura 4. ( )=
Según la gráfica de la función, se tiene una raíz en el intervalo [1; 1.5] y
otra raíz en [4.5; 5]. Observación: Al ser ) una función periódica,
esta ecuación tiene infinitas soluciones.
Solucion 2:
Se la función ( )= = 0 , esto implica 0 = , si

= 0 entonces = , asi y = , de esta manera y =
= se grafican por serparado
Figura 5. y = =
La intersección de las dos curvas es un cero de la función sobre x, lo

cual indica que una raíz se encuentra en el intervalo [1; 1.5], como en el caso
anterior.
Comentarios Si se realiza la gráfica a escala y ésta está bien definida

(una gráfica muy bien hecha), se puede estimar un intervalo más reducido
como [1.2; 1.4], con esto se aceleraría notablemente el proceso de
aproximación a una raíz de la función (ecuación), pues se usaría menos
iteraciones, por lo tanto, se resolvería el ejercicio en menos pasos.
Gráficamente, los ceros de una función son los puntos de intersección de la gráfica
= ( ) con el eje de las x.
Métodos cerrados
Los métodos numéricos que en cada paso dan un intervalo cerrado

donde se encuentra la raíz buscada, son llamados métodos cerrados. Entre los
más conocidos se encuentran el método de bisección y el método de la falsa
posición o Regula Falsi.
Metodo de Bisección
Definición 12. Sea f una función continua en un intervalo ] ) ) <

0. Entonces, por el teorema del valor intermedio para funciones continuas, existe
al menos un ) tal que ) = 0.
El método de la bisección es un algoritmo de búsqueda de raíces que

aplicando la función / para aproximar la raíz ] consiste en dividir
sucesivamente al intervalo a la mitad y seleccionando el sub-intervalo que
tiene la raíz. Es un método de búsqueda incremental que divide el intervalo
siempre en 2.
Si la función cambia de signo sobre un intervalo, se evalúa el valor de la

función en el punto medio. La posición de la raíz se determina situándola en el
punto medio del sub-intervalo donde exista cambio de signo, basándose en el
teorema de Bolzano. El proceso se repite hasta mejorar la aproximación.
Supóngase que se desea resolver la ecuación ) = 0, donde / es una

función continua. Dados dos puntos a y b tal que ) ) tengan signos
distintos, dice el Teorema de Bolzano que / debe tener, al menos, una raíz en
el intervalo ].
El método de bisección divide el intervalo en dos, usando un tercer
punto = . En este momento, existen dos
posibilidades ( ) ) ) ) tienen distinto signo. El algoritmo de

bisección se aplica al sub-intervalo donde el cambio de signo ocurre.
El método de bisección no es muy eficiente, pero es mucho más seguro

que otros métodos de aproximación de raíces, pues siempre converge hacia el
valor buscado. Si es una función continua en el intervalo [ ] y
( ) ( ) < 0, entonces este método converge a la raíz de . De hecho, una
| |
cota del error absoluto es:
En este método se plantea una situación práctica, esquematizando el

procedimiento del método de bisección, se pueden considerar los siguientes
puntos.Encontrar dos números: a y b con a < b en los cuales el polinomio P
toma valores cuyos signos son distintos.
Considerando que: = es el punto medio del intervalo ].
Si: ) = 0, es la raíz buscada, si ) 0 entonces:
a) Se elige uno de los intervalos ] [ ] de tal manera que los

extremos del intervalo del polinomio tome valores cuyos signos sean distintos.
Se repite el procedimiento en el intervalo elegido.
Observaciones: La longitud del intervalo es una estimación del error

cometido al aproximar la raíz. La única restricción para elegir a y b es que los
valores P(a) y P(b) tengan signos distintos, en general, entre más pequeña sea
la longitud del intervalo, en menor número de pasos se encontrará la
aproximación deseada. Este método se aplica en la busca de raíces tanto
racionales como irracionales.
Teorema 22. Teorema de Weierstrass
Una sucesion creciente y acotada superiormente tiende a un límite, y

una sucesion decreciente y acotada inferiormente tiende a un limite.
Teorema 23. Teorema de convergencia
Sea [ ] ) < 0. Sea { } la sucesión de puntos

medios generada por el método de búsqueda binaria (método de bisección).
Existe [ ], tal que ) = 0 y además: – en particular r
coverge a { }
El orden de convergencia de un metodo mide la velocidad con que las

iteraciones producidas por el metodo se aproximan a la solucion exacta.
Cuando mayor es el orden de convergencia mejor sera el metodo numerico
pues se obtiene la solucion con mayor rapidez.
Ejemplo 20.
Aproximar con al menos una cifra exacta la raíz del polinomio ( )= +

6.
Solución
Para encontrar el intervalo que contiene una raíz de la función, la forma más
simple es graneando dicha función
Figura 6. ( )= 6 + 6
Según la gráfica, una raíz de la ecuación se encuentra en el intervalo

2, 1]. Se inicia la búsqueda de la raíz de este polinomio en el intervalo
2, 1].
Sea el polinomio ( )= + 6
Evaluando en 2) = 6( 2) + ( 2) 6 = 40 > 0
( 1) = 6( 1) + ( 1) 6 = 1< 0
Asi
Intervalo Punto medio xn P(xn) Signo Error

[-2;-1] -1.5 12.75 + 1
[-1.5;-1] -1.25 4.46 + 0.5
[-1.25;-1] -1.125 1.418 + 0.25
[-1.125;-1] -1.0625 0.134 + 0.125
[-1.0625;-1] -1.0313 -0.45008 - 0.0625
[-1.0625;-1.0313] -1.0468 -0.16436 - 0.03125
Como -1,0625 y -1,0313 tienen un 0 en la primera cifra decimal,

cualquier punto intermedio lo tiene, es decir, la primera cifra decimal de la raíz
buscada es cero, lo cual asegura que la aproximación obtenida tiene una cifra
decimal exacta.
Comentario Una desventaja es que en general la convergencia es muy

lenta, la bisección necesita, para obtener una buena aproximación, muchos
más pasos que cualquiera de los otros métodos que veremos después. Pero
estos métodos, para converger, necesitan que la primera aproximación que se
toma, el, esté cerca de la solución exacta de la ecuación.
En consecuencia, el procedimiento usual es éste: se usan unos pocos

pasos de la bisección para acercarse a c y a partir de allí se usa cualquiera de
los otros métodos de convergencia rápida.
Método de Regula Falsi, Regla Falsa o Falsa Posición
Este método de aproximación de raíces es similar al método de bisección

en el sentido de que se generan sub-intervalos ] que encierran a la raíz
a, pero esta vez, xn no es el punto medio de ] , sino el punto de
intersección de la recta que pasa por los puntos ( ) ;( )) con el
eje x.
Al reemplazar la curva por una recta se obtiene una posición falsa de la

raíz, de ahí el nombre el método. Este método también se conoce como método
de interpolación lineal inversa. En la figura se gráfica el método.
Sea ( ) ( ) < 0 y considerando la recta que une los puntos
( ) ( )
( ) , ( ) cuya pendiente es = , pero si (c, 0) es el punto de
( )
intersección de la recta X, entonces también = , luego:
Figura 7. Método grafico de Regula Falsi
( ) ( ) ( ) ( ) )
= = ,
( ) ( )
( ) ) ( ) ( ) ( ) ( )
=
( ) ( ) ( ) ( )
( ) ( )
=
( ) ( )
Así como el método de bisección, este método de falsa posición, también

tienen tres posibilidades: ) = 0, ) < 0, )<0
Si ) = 0, entonces c es un cero de .
Si ( ) ( ) < 0, entonces existe un cero de en [ ]
Si ) < 0, entonces existe un cero de en ].
De todo esto se desprende un proceso iterativo que se concreta

generalizándolo en la siguiente expresión matemática.
( ) ( )
= = 0,1,2,3,4 … ..
( ) ( )
Es frecuente encontrar esta ecuación representativa del método de
regula falsi expresada de otra manera. A fin de ampliar la terminología
matemática al respecto, solamente se hacen estas sustituciones: = , =
, = Por lo tanto, la ecuación precedente puede representarse así:
( ) ( )
=
( ) ( )
Ejemplo 21.
Aplicar el método de falsa posición para encontrar un cero de ) =

ln ( ) + , en el intervalo [0.5; 1]
Solución
Sea la función ( )= ( ) + ,
Inicio: Se construye una tabla por mejor organización de los datos.
( ) ( )
0.5 0.1931472 1 1
b (a ) ( ) 1( 0.19311472) 0.5(1)
c = = = 0.58094
( ) ( ) 0.19311472 1
( ) ( ) ( )
0.5 0.1931472 1 1 0.58 0.58094
Y asi
( ) ( ) ( )
0.5 0.1931472 1 1 0.58 0.0352728
0.5 0.1931472 0.58 0.0352728 0.5736 0.017777
0.5 0.1931472 0.5736 0.017777 0.5674608 0.00087498
El valor exacto de para ( )= ( ) + , es: 0.56714329
Regla falsa Modificada
Un inconveniente que suele presentar este método es la aparición de

extremos fijos que hacen más lenta la convergencia del proceso iterativo. Por
ejemplo, en la figura “Método grafico de Regula Falsi” el extremo b se ha repite
en las primeras iteraciones, y por lo que se puede apreciar, continuará
haciéndolo.
f(x) f(x)
f(b)
f(b)/2
c1 c2
x
a p b
f(a)
Figura 8. Regula Falsi Modificada
Para evitar este tipo de inconvenientes y acelerar la convergencia,

siempre que un extremo se haya repetido más de 2 veces, en la iteración
siguiente se efectúa la interpolación con la mitad del valor funcional
( )
correspondiente a ese extremo (en el caso de la figura se tomaría .
Modificación del método de la falsa posición propuesta por Hamming.

La aproximación a la raíz se toma a partir del punto de intersección con el
( )
eje X de la recta que une los puntos ( , ) ( )) si la función es
convexa en el intervalo (figura a) o bien a partir de la recta que une los puntos
( )
)) ( , ) si la función es cóncava en el intervalo (figura b). La
elección guiada del intervalo representa una ventaja respecto al método de la

secante ya que inhibe la posibilidad de una divergencia del método. Por otra
parte y respecto al método de la bisección, mejora notablemente la elección del
intervalo (ya que no se limita a partir el intervalo por la mitad).
Sin embargo, el método de la falsa posición tiene una convergencia muy

lenta hacia la solución. Efectivamente, una vez iniciado el proceso iterativo,
uno de los extremos del intervalo tiende a no modificarse (ver figura anterior).
Para obviar este problema, se ha propuesto una modificación del método,
denominada método de Hamming.
f(x)
f(x)
f(a)
X X X x
A
f(x)
f(b)
X
x
B X
Figura 9. Casos de Regula Falsi Modificada
Según este método, la aproximación a una raíz se encuentra a partir de

la determinación del punto de intersección con el eje X de la recta que une los
( )
puntos ( , ) ( 1)) si la función es convexa en el intervalo o bien a
( )
partir de la recta que une los puntos )) ( , ) si la función es
cóncava en el intervalo. En la figura (anterior) se representa gráficamente el

método de Hamming.
Como hemos comentado, el método de Hamming requiere determinar la

concavidad o convexidad de la función en el intervalo de iteración.
Un método relativamente sencillo para determinar la curvatura de la

función consiste en evaluar la función en el punto medio del intervalo, )
(en donde se calcula como en el método de la bisección) y comparar este
valor con la media de los valores de la función en los extremos del intervalo,
=( ( ) ))/2. Tenemos entonces que:
( )
Metodos abiertos
A diferencia de los metodos cerrados que requieren de un intervalo que

encierre la raíz buscada, los metodos abiertos que se veran a continuacion
requieren de un solo valor o dos valores iniciales o valores de arranque, que no
necesariamente encierran a la raiz, esto hace que algunas veces las
sucesiones generadas por estos metodos sean divergentes o se alejen de la raiz
de interes, pero tiene la ventaja que cuando convergen lo hacen mas
rapidamente que las sucesiones generadas por los metodos cerrados.
Metodo de punto fijo
Este metodo, iteracion de punto fijo, es conocido tambien como metodo

( ). El metodo de punto fijo es una forma muy util para obtener una raiz
de ( ) = 0. Este método tambien constituye la base de algunos principios
teoricos importantes. Para usar el metodo ( ) se reordena en una forma
) equivalente, lo que puede lograrse de varias formas. Observese que si
( ) = 0 donde r es una raiz de ( ) se concluye que ) Siempre que se
tiene ) se dice que r es un punto fijo de la funcion w. La forma iterativa
converge en el punto fijo r, una raiz de ).
Teorema 24.
Si es una funcion continua en [ ] ( ) [ ] para todo [ ],

entonces tiene por lo menos un punto fijo en [ ], Si ademas ( )
( ) ( ) [ ],
existe para todo 1 para todo entonces
tiene un unico punto fijo [ ] y la sucesion { } definida mediante la
formula de iteracion ( ) = 1,2,3,4 ….
Ejemplo 22.
Aplicar el metodo de punto fijo para hallar las raices de ecuacion:

6=0
Solucion
Por un metodo simple de factores, incluso un analisis intuitivo puede
dar el valor de las raíces de esta ecuacion, que son 2 3 . Por razones
practicas y de mejor entendimiento se ejemplifica el metodo con una ecuacion
de forma simple y de resultado conocido. Como primer paso siempre es
importante graficar la funcion, para tener una idea del valor inicial a tomar
para la primera iteracion, cuando mas cerca esta este valor de la intersección
de la funcion con el eje de la abscisa (eje x) sera menor el numero de
iteraciones y se llegara con mayor rapidez a la mejor aproximacion.
y
x
Figura 10. x2 x 6=0
Segun la grafica, se puede tomar como primera aproximacion de una de

las raíces = 25 . De la ecuacion original: 6 = 0 , transponiendo,
reordenando o cambiando su forma, se pueden obtener las siguientes
ecuaciones equivalentes:
a) = + 6, b) = c) 6
Primera ecuacion equivalente (primera raiz)
= + 6. De esta ecuacion se tiene: = x de allí = + 6. = x es

una recta de 45o que atraviesa el primero y el tercer cuadrante del plano
cartesiano, esta recta hace de punto fijo. Es sabido que el punto de
interseccion de dos curvas (o rectas) presenta un cero de la función sobre (, lo
cual indica el valor proximo a tomar par las iteraciones, en este caso, ronda en
torno a 3.
Figura 11. y1 = x e y2 = x + 6.
Las aproximaciones sucesivas se realizaran en base a: = +6

Para = 2.5
= 2.5 + 6 = 2,91548
= 2,91548 + 6 = 2,98588
= 2,98588 + 6 = 2,99765
= 2,99765 + 6 = 2,99961
= 2,99961 + 6 = 2,99993
= 2,99993 + 6 = 2,99999
Se nota que los valores convergen a = 3, que seria una de las raices,
luego se evalua, para verificar la aproximacion obtenida.
f(x) 6 = 0, 3 6=0
Segunda ecuacion equivalente (Segunda raiz)
6 6
= , igualmente, que la forma anterior, y = ,
1 1
6
Figura 12. y1 = x 1
, y2 = x
6
Las aproximaciones sucesivas se realizan en base a: y = Para
1
1.5
6
= 2,4
1,5 1
6
= 1,76471
2,4 1
6
= = 2,17021
1,76471 1
6
= = 1,89262
2,17021 1
6
= = 2,07424
1,89262 1
6
= = 1,95170
2,07424 1
6
= = 2,03273
1,95170 1
En este caso se nota que la convergencia es oscilatoria y que los valores

obtenidos convergen a 2 , que seria la otra raiz de la ecuacion
presentada. Para verificar la aproximacion obtenida se tiene:
( ) 6 = 0, ( 2) 2) 6=0
Tercera ecuacion equivalente

6
De esta ecuacion se tiene: y 6
Figura 13. y1 = x y y2 = x2 6
Las aproximaciones sucesivas se realizan en base a 6 Para

= 2.5
= (2.5) 6 = 0.25
= 0(.25) 6 = 5.9375
= ( 5.9375) 6 = 29,254
= (29,254) 6 = 23,254
= (29,254) 6 = 534,748
En este caso, se evidencia que las iteraciones son divergentes, por lo

tanto, no pueden generar ningun cero de la funcion analizada. En el caso de la
6
segunda ecuacion y = 1
; al realizar las iteraciones iniciando con = 2.5,
se verifica que las iteraciones en principio parecen divergentes, sin embargo,

despues de 15 iteraciones aproximadamente, va tomando una direccion de
convergencia, pero no hacia = 3, sino hacia =2
En todos los casos, es importante desarrollar cierta intuicion para tomar

el camino preciso y ahorrar tiempo en las iteraciones realizadas
Teorema 25. Orden de convergencia metodo iterativo lineal
Si es una funcion diferenciable en [ ] es un punto fijo de ( )

de orden >1 entonces la iteraccion de punto fijo de covergencia > 1 y si
| ( )| < 1, [ ] entonces el método converge linealmente
Teorema 26. Orden de convergencia metodo iterativo lineal
El orden de convergencia del metodo iterativo lineal es lineal, osea,

=1
Comentarios
El comportamiento de los tres reordenamientos es interesante y merece

la pena siempre analizarlas. Sin embargo, primeramente se consideraran las
graficas de los tres casos. El punto fijo de ) es la interseccion de la
recta y la curva: ) trazada contra ( ) Con este metodo
siempre se obtienen iteraciones sucesivas, partiendo de un punto inicial
elegido. Este proceso iterativo continúa hasta que los puntos en la curva
convergen en un punto fijo o bien divergen.
Los diferentes comportamientos dependen de que la pendiente de la

curva sea mayor, menor o de signo opuesto a la pendiente de la recta.
Método de Newton - Rapson
Uno de los métodos más atractivos y populares para la búsqueda de los

ceros de una función no lineal es el método de Newton, debido a la rápida
convergencia del método, ya que en general es q-cuadrático. Existe varias
maneras de deducir el método de Newton, el método a ser presentado se base
en el método de iteración lineal.
Éste es, sin duda, uno de los métodos más importantes y útiles para el
cálculo de raíces. Dada una aproximación inicial de la raíz , se busca, a
partir de , una aproximación mejor xx de la raíz, de la siguiente forma: Se
sustituye la función f(x) por el valor de su desarrollo de Taylor centrado en
hasta el orden 1, es decir: ) = )+ )( ) que corresponde a un
polinomio de grado 1, y a continuación se calcula como el cero de este
polinomio, es decir:
( )
( )
y por tanto, de forma general, se obtiene, a partir de una secuencia

de valores que van aproximando la raíz, definidos por
( )
( )
Definición 13. Dada una ecuación ) = 0. Un número a se dice una raíz de

multiplicidad m (m un entero positivo) de la ecuación ) = 0, si ) = 0. Si
m = 1, la raíz se dice simple.
Teorema 27.
Sea que una función tiene sus dos primeras derivadas continuas en
un intervalo ] que contiene a un número a. Entonces a es una raíz simple
de la ecuación ) = 0 si y solo si ) = 0 y ) 0.
Teorema 28.
Sea que la función tiene sus primeras + 1 derivadas continuas en

un intervalo ] que contiene a un número a. Entonces a es una raíz de
multiplicidad m de la ecuación ) = 0 si y solo si
Sea ], una función diferenciable en ] y sea [ ],

entonces para todo ( ), se sabe por el Teorema de Taylor que se
puede escribir de la forma:
( )( ) ( )( )
( ) ( ) ( )( )+ +
2! 3!
Sea /( ) = 0 una ecuación y un primer valor aproximado a una raíz

de una ecuación. Este método consiste en obtener una aproximación a
calculando el punto en que la tangente de la curva en 0; 0)) corta al eje
x. Gráficamente se ve en la figura.
Figura 14. Método de Newton Graficamente
Ahora bien otra posible explicación es que, dada ) como una función
continua derivable dos veces en un intervalo cerrado ] y sea 1 una
aproximación inicial a la solución exacta p de la ecuación ) = 0 en ese
mismo intervalo.
Se traza por el punto ))una recta tangente a la función ), su

intersección con el eje x dará un nuevo punto que se toma como la nueva
aproximación a p, luego el proceso se repite para el punto )) y así
sucesivamente, se obtienen una serie de aproximaciones que
convergerán a la raíz exacta p, analíticamente:
( )
tan ( ) = de aquí que en forma general =
( )
( )
( )
Este método parte de una aproximación inicial y obtiene una aproximación mejor, ,
( )
dada por la fórmula: ( )
La expresión anterior puede derivarse a partir de un desarrollo en serie

de Taylor. Efectivamente, sea un cero de y sea una aproximación a tal
que . Si existe y es continua, por el teorema de Taylor tenemos:
0 = ) = ) = ) + ) + )
en donde . Si x está próximo a r (es decir hes pequeña), es razonable ignorar el
término ):
0= ) + )
por lo que obtenemos la siguiente expresión para h:
( )
( )
F(x)
x
X1
X2
X0
Ejemplo 23.
Hallar la menor raíz positiva de la siguiente ecuación con error inferior a

10-2, usando el método de Newton.
( )= 4 = 0
Para obtener el valor inicia, el proceso más simple y eficaz es el método

gráfico, para el efecto se reordena la ecuación inicial ) = 0 en otras dos
ecuaciones más simples; e . Reordenando la ecuación original:
4 — = 0 se tiene la siguiente igualdad: = , donde:
= 4 , = También se pudo haber realizado la transposición en
la ecuación de otra forma y se hubiera tenido: = , igualmente valido.

Figura 15. y1 = 4cosx, y 2 = ex
Los puntos de intersección de las dos curvas en x es la solución

buscada. Analizando la figura, se nota que x está en la vecindad de 1, por lo
tanto se tomará =1
)=4 — ) = )–
Las operaciones a ser realizadas involucran funciones trigonométricas,
recordar posicionar la calculadora en radianes. Como el error debe ser menor
a 10 , deben efectuarse los cálculos como mínimo con tres cifras decimales.
Es recomendable para resolver ecuaciones no lineales en cualquier método
utilizar en promedio 5 o 6 cifras decimales.
(1) = 4 (1) = 4(0,5403) 2,71828 = 2,1612 2,71828 = 0,55708

(1) = (1) – = 4(0,84147) 2,71828 3,36588 2,71828 = 6,08416
En base a estos primeros datos se aplica la formula de Newton:
( ) 0,55708
=1 = 0,908437
( ) 6,08416
0,908437 1 2
= = 0,10079 > 10 ,
0,908437
Se debe hacer una nueva iteracion, pues el error relativo es mayor que el
indicado
(1) = 4 (0,908437) = 2,4599 2,4804 1 = 0,0205

(1) (0,908437)– = 3,15418 2,4804 1 = 5,63458
Se debe hacer una nueva iteracion, pues el error relativo es mayor que el
indicado.
( ) 0,0205
= 0,908437 = 0,9048
( ) 5,63458
0,9048 0,908437 2
= = 0,0039 < 10
0,9048
El valor 0,9048 puede considerarse un valor aceptable para la raíz

buscada, pues cumple la condición de tolerancia, en este caso, menor a 10 .
Luego, = 0,9048 para la función ( )= 4 — = 0
Teorema 29. Orden de convergencia del método de Newton
Si " son continuas e un intervalo cuyo centro x es solución de

) = 0 y si ) = 0 entonces el orden de convergencia del método de
Newton es cuadrática, o sea, p=2.
La ventaja del método de Newton es que su convergencia es cuadrática,

lo que significa que la cantidad de dígitos significativos correctos duplica a
medida que los valores de la secuencia se aproximan a x. Esta situación no
sucede en las primeras iteraciones realizadas. La desventaja del método de
Newton es que se tiene que calcular la derivada de la función y en cada
iteración calcular su valor numérico, lo que puede ser muy costoso
computacionalmente. Además de eso la función puede no ser diferenciable en
algún punto del dominio.
Interpretación geométrica del método de Newton.
El método de Newton tiene una interpretación geométrica sencilla, como

se puede apreciar del análisis de la Figura 14. De hecho, el método de Newton
consiste en una linealización de la función, es decir, f se reemplaza por una
recta tal que contiene al punto )) y cuya pendiente coincide con la
derivada de la función en el punto, ). La nueva aproximación a la
raíz, x1, se obtiene de la intersección de la función linear con el eje x de
ordenadas.
( )
Veamos cómo podemos obtener la ecuación ( )
a partir de lo
dicho en el párrafo anterior. La ecuación de la recta que pasa por el punto

)) y de pendiente ) es: 0) = 0)( 0) de donde,
haciendo y=0 y despejando x obtenemos la ecuación de Newton-Raphson.
F(x)
X1 x
X0
F(x)
X0 X1
B
Figura 16. Dos situaciones en las que el método de Newton no funciona adecuadamente:
(a) el método no alcanza la convergencia y (b) el método converge hacia un punto que
no es un cero de la ecuación.
El método de Newton es muy rápido y eficiente ya que la convergencia es
de tipo cuadrático (el número de cifras significativas se duplica en cada
iteración). Sin embargo, la convergencia depende en gran medida de la forma
que adopta la función en las proximidades del punto de iteración. En la
Figura 16 se muestran dos situaciones en las que este método no es capaz de
alcanzar la convergencia (a) o bien converge hacia un punto que no es un cero
de la ecuación (b).
Método de Newton modificado
El método de Newton en general, converge cuadráticamente, sin

embargo cuando la raíz no es simple solo se garantiza la convergencia lineal.
Teorema 30.
Sea una función diferenciable en un intervalo ] que contiene a x y

supongamos que x es un cero de multiplicidad > 1, entonces el método de
Newton converge q-linealmente.
Con el propósito de mejorar la convergencia del método, éste puede ser

modificado, cuando el cero buscado sea de multiplicidad m > 1. El método de
Newton modificado queda de la siguiente manera:
( ) ( )
( ( ) ( )
Ejemplo 24.
Aplicar el método modificado de Newton para encontrar un cero de

( ) + 4 , partiendo de = 1,5
Figura 17. f(x) = x3 4x2 + 4x,
Se gráfica la función. Las raíces serian: = 0; =2 = 2 Como la

función es cubica, supone que tiene tres raíces, y como las raíces complejas se
presentan en pares conjugados, ésta función no tiene raíces complejas, sino,
tres raíces reales.
Sea:
( )= –4 + 4 ;
( )= 3 8 + 4;
"( ) = 6 8
{ )= –4 + 4
(1,5) = (1,5) 4(1,5) + 4(1,5) = 3,375 9 + 6 = 0,375
( )= 3 8 + 4
(1,5) = 3(1,5) 8(1,5) + 4 = 6,75 12 + 4 = 1,25
"{ ) = 6 8
"(1,5) = 6(1,5) 8 = 9 8 = 1
Aplicando la expresión
( ) ( )
( ( ) ( )
( ) ( ) (0.375)( 1.25)
= 1.5
( ( ) ( ) (1.5625) (0.375)(1)
0.46875
= 1.5 = 1.5 + 0.394736842 = 1.894736842
1.1875
Realizando una segunda iteración:
: ) = –4 + 4 ; ) = 3 8 + 4; "( ) = 6 8
(1.8947) = (1,8947) 4(1,8947) + 4(1,8947)
(1.8947) = 6,8018 14,36 + 7,5788 = 0,0206
(1.8947) = 3(1,8947) – 8(1,8947) + 4
(1.8947) = 10,76966 15,15762 + 4 = 0,387954
"(1.8947) = 6(1,8947) 8 = 11,3682 8 = 3,3682
Aplicando la expresión
( ) ( )
( ( ) ( )
( ) ( ) (0.0206)( 0.387954)
= 1.8947
( ( ) ( ) (0.1505) (0.0206)(3.3682)
0.007992
= 1.8947 = 1.8947 + 0.098527
0.081115
= 1.99323
Los cálculos se resumen en la siguiente tabla
n raíz { ) = 4 + 4
0 1,5 0,375
1 1,8947 0,0206
2 1,99323 0,00006
3 1,9965 0,000024457
Luego se considera que ( )= —4 + 4 = 1,9965 = 2
Es evidente que la raíz tiende a 2, según se demuestra analíticamente en

estas tres iteraciones del método modificado de Newton.
Método de la secante
Una de las desventajas presentadas por el método de Newton es la

necesidad de obtener la derivada de la función en cuestión, además de
realizarse los cálculos para cada iteración. Existen varias formas de modificar
el método de Newton a fin de eliminar algunas de las desventajas; una de las
modificaciones consiste en sustituir la derivada por el cociente de las
diferencias, o sea
( ) ( )
( )
Donde son dos aproximaciones cualesquiera para la raíz x. El

método de la secante es una modificación del método de Newton y es similar a
la de Regula Falsi. Este método (secante) emplea también una línea recta para
aproximarse a la raíz. En vez de usar un intervalo que cumpla el teorema de
cambio de signos, usa un intervalo que no necesariamente lo cumpla, es decir,
no se requiere que exista un cambio de signo, es más, no se requiere que la
raíz este en ese intervalo.
El método de Newton modificado que da origen al método de la secante

se genera asi:
( ) ( ) )
=
( ) ( ) ( ) ( )
De esta manera se obtiene una expresion más simple para el metodo de

la secante:
( ) )
=
( ) ( )
Para aplicar este método se debe contar con dos aproximaciones

iniciales antes de aplicar la formula correspondiente al método.
La siguiente gráfica ilustra cómo puede obtenerse una nueva

aproximación
Figura 18. Método grafico de la secante
Determinar la raíz positiva de la ecuación —5 = 0 por el método

de la secante, con un error menor a 10
Solución
Para evitar tanteos, malgastar tiempo y esfuerzo, la forma más práctica

de obtener los valores iniciales es el método gráfico, para ello se divide la
ecuación original en dos y se gráfica. = , =5
Figura 19. y1 = x , y2 = 5ex

El punto de interseccion de las dos rectas es la solucion buscada x.
Analizando la grafica se ve que una raiz positiva de la ecuacion se encuentra
en la vecindad del punto 1,4, asi que se toman dos puntos proximos,
0 = 1,4 1 = 1,5
) = —5
( )= —5 (1.4) = 1.4— 5 = 1,183216 1,232985
= 0,049769
( )= —5 (1.5) = 1.5— 5 = 1,224745 1,11565 = 0.109095
Se tienen
= 1,4; = 1,5; ( )= 0,049769 ) = 0,109095
Ahora es posible aplicar la formula:
( ) )
=
( ) ( )
1,4(0,109095) 1,5( 0,049769)

=
(0,109095) 0,049769)
0,2273865
= = 1,430428
0,158964
1,430428 1.5
= = 0,0486372 > 102
0,158964
El error relativo demuestra que aun no cumple la condición de

precisión requerida de la ecuación, por lo tanto se debe realizar otra iteración.
( ) ( ) ( )
1.4 1.5 0,049769 0,109095 1,430428 3.3 10 0.0486372
1.5 1.430428 0,109095 3.3 10 1,43059911 0.000196
El valor exacto de una raíz positiva de la ecuación es: 1,430445089
Teorema 31. Orden de convergencia del método de la secante
El orden de convergencia del método de la secante es: = = 1,618
El orden de convergencia del método de la secante es inferior al del

método de Newton, sin embargo, el método de la secante es una alternativa
válida, ya que requiere solamente el cálculo de la función , mientras que el
método de Newton, además de la función debe también calcular la derivada.
Método de Muller
La mayoría de los métodos para hallar una raíz, o por lo menos lograr
una buena aproximación, se basan en aproximaciones de la función en la
vecindad de la raíz por medio de una recta. Es sabido que una función no es
lineal, pues, si fuera así, no habría necesidad de realizar ningún tipo de
esfuerzo para hallarla por métodos numéricos.
El método de Muller se basa en aproximar la función en la vecindad de la raíz

por medio de un polinomio cuadrático, así se obtiene una mejor correspondencia con
la curva real. Se construye un polinomio de segundo grado para ajusfar tres puntos
cerca de una raíz, estos puntos son )]; [ )]; [ )] . El cero propio de
esta cuadrática. Usando la formula general de ecuaciones de segundo grado, se tiene
la estimación mejorada de la raíz. Se repite el procedimiento usando el mismo
conjunto de tres puntos más próximos a la raíz que está evaluándose.
El procedimiento de este método se desarrolla al escribir una ecuación

cuadrática que se ajuste a través de tres puntos en la vecindad de una raíz, en la
forma + + . El desarrollo se simplifica si los ejes se transforman de modo
que pasen por el punto medio, haciendo = — .
Sean = — = — . Se evalúan los coeficientes al evaluar

) en los tres puntos
= 0; (0) + (0) + =
= , ( ) + ( )+ =
= , ( ) + ) + =
A partir de la primera ecuación, = 0)
Haciendo = , es posible resolver las otras dos ecuaciones para a y
b por medio de las siguientes ecuaciones

( ) ( )(1 + ) ( ) ( ) ( )
= = )
+ (1 + )
Después de calcular a,b y c, la raíz de + + = 0 se encuentra

aplicando la fórmula cuadrática, eligiendo la raíz más próxima al punto medio
. Este valor está dada por:
=
±
El signo en el denominador se toma a fin de proporcionar el mayor valor

absoluto del denominador, o sea, si > 0, se eligen el signo positivo; si
< 0, se elige el signo negativo, si = 0, se elige cualquiera de los dos. La
justificación del uso algo extraño de la formula cuadrática es hacer que la
siguiente iteración esté más próxima de la raíz.
Para la siguiente aproximación se toma la raíz del polinomio como uno

de los puntos de un conjunto de tres puntos, tomando los tres puntos cuya
separación entre sí sea la más pequeña. Si la raíz está a la derecha de , se
toman y la raíz. Si la raíz está a la izquierda, se toman , y la raíz.
Ejemplo 25.
Aplicando el método de Muller, encontrar el único cero de ( )=
Figura 20. f(x) = cos x x

A partir de la gráfica se elige el intervalo que contiene la raíz. Se toma
[0,6; 1]
= 0,8; ) = 0,8 0,8 = 0,10329 = – = 1 0,8

= 0,2
= 1,0; ( )= 1 1 = 0,4597 = – = 0,8 0,6
= 0,2
0,2
= 0,6; ( )= 0,6 0,6 = 0,22534 = = =1
0,2
Se construye una tabla para mejor organización de los datos.
( ) = 0,10329 ( ) = 0,4597 ( ) = 0,22534 =1

= 0,8 = 1,0 = 0,6 =0
A continuación se aplican las formulas para hallar a, b, c.
( ) ( )(1 + ) ( )
=
+ (1 + )
1( 0,4597) ( 0,10329)(1 + 1) + 0,22534

=
1(0.2) + (1 + 1)
0,02778
=
0,08
( ) ( )
=
( 0,4597) ( 0,10329) 0,34725 )(0.2) 0,34252

=
0.2 0.2
( )=
Se reorganizan los datos en una segunda tabla y se tiene:
= 0,8 = 0,34725 = 1. 7126 = 2.933 = 0,10329
Se aplica la siguiente fórmula para aproximar la raíz:

2( 0,10329 )
= 0.8
( 1. 7126) ± ( 1. 7126) 4( 0,34725)( 0,10329 )
0,20658 0,20658
= =
1,7126 ± 1,67019 1,7126 1,67019
0,20658
= = 0,8 0.0610679 = 0,738932
3,38279
= 0,738932
Es la primera aproximacion a un cero de la función
Para la siguiente iteracion se considera y se evalua la funcion

en este punto:
( ) = cos
( ) = cos 0,738932 0,738932 = 0,000256277
Como el valor exacto de la función se tiene cuando ) = 0, por lo

tanto, una forma de medir el grado de aproximación de la función hallada es
evaluando la función (y) a partir del resultado estimar si se sigue o no
realizando otras iteraciones.
En este caso, como ( ) = 0,000256277 0, puede considerarse una

aproximación aceptable, pues se tiene tres ceros después de la coma decimal,
indicando una precisión de por lo menos tres cifras, o sea < 10 .
Calculo de error
El calculo de error presentado a continuacion solo es posible realizarlo

si se conoce el valor exacto de la raiz buscada.
La mejor forma de evaluar el error en una aproximacion de raiz en una

funcion o polinomio, es evaluando la funcion en ; ( ) = 0. Esta evaluacion da
una medida intuitiva del margen de error y funciona para cualquiera de los
metodos descritos.
El valor verdadero de la unica raiz real de la funcion; ( ) =

0,739085133
= – = 0,739085133 0,738932 = 0.000153133 = 1.531 10
– 1.531 10
= = = 0.0002072 = 2.072 . 10
0.739085133
El error relativo es muy aproximado a la evaluacion de la funcion en el

punto ( ) = 0 Este ejercicio tiene una precision de dos decimales, o sea los
primeros dos decimales corresponden al valor exacto o valor verdadero, por lo
tanto no hace falta realizar la siguiente iteracion para aproximar mejor el
resultado, pues el valor obtenido puede considerarse apropiado, salvo que
expresamente se indique lo contrario.
Ejercicio de clases
Ejercicio 17.- En los siguientes ejercicios encuentre un cero real de las

siguientes funciones, procediendo de la siguiente manera.
a) Grafica la funcion para encontrar un intervalo proximo a una raiz.
b) Usar la expresion , para obtener u punto de inicio para el metodo
de Newton.
Ejercicio 18.- Hallar una raíz en el intervalo [0,1] de la función

trascendente ) = 3 + — , aplicando el método de Muller.
Ejercicio 19.- De los ejercicios presentados, resolverlos usando los
metodos de: punto fijo, biseccion, regula falsi, Newton, secante y Muller.
De los 15 ejercicios presentados a continuacion, resuelve tres funciones
con cada metodo, la eleccion es personal.
( ) = 3 2
( ) = 3
{ ) = 2 + 5 2
{ ) = 2
{ ) = + 2 3
{ )= 5 + 7 4
( ) = 5 + 7 4
( ) = + 2 + 1
( ) = – + 3 3
( ) = 3 + 12 5
( ) = 7 5 + 3 + 6
( ) = —2
( ) = + 3
( ) = 3
2
( ) = –
3
( )= 3 —2
Ejercicio 20.- Halar todas las raíces de la ecuación: ( )= 5 — = 0

Ejercicio 21.- Verifica si el polinomio ) = —2 — 11 = 0, tiene
raíces reales, si es así, halla su mejor aproximación aplicando el método de
bisección con una precisión mayor a 10 .
Ejercicio 22.- Halla la única raíz positiva del polinomio ( )= 2
2 = 0, aplicando el método de bisección con un error menor a 10 .
Ejercicio 23.- Usando el método iterativo de punto fijo, encontrar la
menor raíz positiva de la ecuación: ) = 2 — = 0
Ejercicio 24.- Demuestre que el punto fijo =, ) = 0,4 + 0,2
existe, y use la iteración de punto fijo para encontrarlo.
Ejercicio 25.- Usar la iteración de punto fijo para encontrar el punto fijo
de =, ) = 0,9 + 0,1
Ejercicio 26.- Sea la función ( )= + = 0 . Hallar una raíz
negativa con tres cifras decimales exactas, en el intervalo [ 4, 3] usando
el método de regula falsi.
Ejercicio 27.- Sea la función ) = — = 0 . Hallar una raíz
positiva con tres cifras decimales exactas, en el intervalo [0.5; 1] usando el
método de regula falsi.
Ejercicio 28.- La ecuación —2 = 0 posee una raíz en el intervalo
[1.8; 2.0], Halla el valor aproximado por el método de regula falsi con dos
decimales correctos.
Ejercicio 29.- La ecuación ) = — 0,5 = 0 , posee una raíz en el
intervalo [0.5; 1] usando el método regula falsi. Determinar la raíz con una
precisión de 10 .
Ejercicio 30.- Aplicar el método de Newton-Rapson para encontrar todas
las raíces reales de la ecuación polinómica: ) = — 2 —3 + 7 +
1 = 0
Ejercicio 31.- Aplicar el método de Newton-Rapson para encontrar todas
las raíces reales de la ecuación polinómica:
) = + 5 —3 — 8 — 13 = 0
Ejercicio 32.- Determinar la raíz de ) = 0,5 —4 + 6 — 2 ,
usando el método de Newton usando valores iniciales de a) 0,5 y b) 1,5
Ejercicio 33.- Localice la primera raíz positiva de ) = +
+ 1) — 1. Usar cuatro iteraciones con el método de Newton con
valores iniciales de: a) 1 y b) 1,5
Ejercicio 34.- Sea la función ) = + 2 —5 + 3. Hallar una raíz
real partiendo de = 4 y usar:
Ejercicio 35.- El método normal de Newton.
Ejercicio 36.- El método modificado de Newton
Ejercicio 37.- Use cualquier método para encontrar la raíz de ) =
— , usando como valor inicial = 0,5, hasta logar una precisión
menor que 10 .
Ejercicio 38.- Usar el método de Newton para hallar un cero de la función
) =— + 7 — 2 , partiendo de = 0,5 en caso de que el
método falle explicar porqué.
Ejercicio 39.- Usar el método de Newton para hallar dos ceros
de la función ( )= —5 + 3, considerando que las raíces se
encuentran en el intervalo [0,5; 1,5] en caso de que el método falle
explicar porqué.
Ejercicio 40.- Usar el método de Newton para hallar todas las raíces
reales de la función ) = 5 —9 + 2, considerando que las raíces se
encuentran en el intervalo [— 1,5; 1,5] en caso de que el método falle
explicar porqué.
Ejercicio 41.- Encuentre la intersección de = ; =
Ejercicio 42.- Encuentre la intersección de = 2 ; =
Ejercicio 43.- Encuentre la intersección de = — 5; = 1 +
Ejercicio 44.- Encuentre la intersección de = — 3; = 5 +
Ejercicio 45.- Aplicando el método de la secante, determina una raíz
positiva de la ecuación — = 0
Ejercicio 46.- Aplicando el método de la secante, determina una raíz
distinta de cero de la ecuación ( )
Ejercicio 47.- Determinar todas las raíces del polinomio ) =
—5 — + 5 = 0 , con precisión de 10 , usando el método de
Newton para el cálculo de la primera raíz.
Ejercicio 48.- Usar el método de la secante para determinar la única raíz
negativa de la ecuación ) = —2 — + 2 = 0, con precisión de
10 .
CAPITULO IV SISTEMAS DE ECUACIONES NO LINEALES
Introducción
En distintas áreas del conocimiento, muchas veces existe la necesidad

de resolver un sistema de ecuaciones no lineales, pero, hallar las soluciones o
raíces reales de un sistema de ecuaciones no lineales presenta mayor
dificultad que hallar las raíces de una ecuación no lineal con una variable. La
solución de sistemas de ecuaciones no lineales esencialmente consiste en
ampliar los métodos de solución de una sola ecuación no lineal a sistemas de
ecuaciones no lineales, sin embargo, esto presenta mayor dificultad al
momento de resolver cada sistema.
No existe un criterio general para conocer cuantas soluciones tiene un

sistema no lineal de ecuaciones dadas, incluso, es posible que el sistema no
tenga solución. Un sistema de ecuaciones no lineales es de la forma:
( …, )= 0
( …, )= 0
( …, )= 0
Donde cada = 1,2,3, . . . , es una función real de n variables reales.

En forma más compacta se indica: ) = 0
Existen principalmente dos formas de resolver un sistema no lineal:
Métodos directos: usados cuando hay solución analítica (arrojan

resultados exactos).
Métodos iterativos: se usan cuando no hay solución analítica (arrojan

soluciones aproximadas).
Los métodos numéricos usados para resolver sistemas de ecuaciones no

lineales son extensiones de métodos más simples, como los aplicados para
resolver ecuaciones no lineales. Son extensibles los métodos de Newton, punto
fijo y secante. Los métodos de bisección y regula falsi no se pueden extender
fácilmente, pues para su aplicación usan el teorema de cambio de signo, que
en el caso de sistemas no lineales no existen teoremas que definan esta
situación.
El método de iteración de punto fijo se usa cuando el sistema cumple las

condiciones para ser resuelto por este método.
El método de Newton para sistemas de ecuaciones no lineales requiere

calcular derivadas parciales y resolver un sistema de ecuaciones lineales en
cada iteración.
Además de estos dos métodos, es también útil el método gráfico cuando

es posible realizarlo, pues existen ecuaciones de muy difícil graficación. Su
uso se aplica a situaciones en donde se buscan aproximaciones no muy
precisas, o para tomar los puntos de partidas ; ; . . . ) y aplicarlas a
métodos que presentan mayor precisión como los de punto fijo o de Newton.
Resumiendo los métodos para resolver sistemas de ecuaciones no

lineales se tienen:
Método Gráfico.
Métodos Directos.
Métodos Iterativos.
Método gráfico
Este método consiste en trazar la gráfica de cada ecuación del sistema y

hallar los puntos de intersección entre las curvas, dichos puntos indican la
solución del sistema. La desventaja de este método es la imprecisión, y sólo es
aplicable cuando se tiene dos o a lo sumo tres ecuaciones como parte del
sistema. Además, considerando que son ecuaciones no lineales, puede
suceder que las ecuaciones no sean fáciles de granear.
Cuando se desea precisión en los resultados de un sistema de
ecuaciones no lineales, éste método no es el más apropiado.
Para lograr mayor precisión en los resultados obtenidos de los métodos

gráficos, es importante demarcar la ubicación de los puntos en un intervalo
reducido, esto permitirá graficar con mayor precisión y obtener
"intersecciones" más nitiditas.
Ejemplo 26.
Sea el sistema de ecuaciones no lineales presentado a continuación,

halla la solución del sistema aplicando el método gráfico.
= 7
+ =1
Se inicia la solución del sistema, cambiando su forma para facilitar la

construcción de una tabla que permita la construcción de la gráfica.
Figura 21. sistema de ecuaciones

= ± 7–
= 1
X 7 1
-3 2 0,95021
-2 1,73205 0,86466
-1 2,44949 0,63212
0 2,64575 0,00000
1 2,44949 -1,7183
2 1,73205 -6,3891
3 2 -19,086
Los puntos de intersección de las dos ecuaciones dadas por la
circunferencia de la ecuación = ± 7– y la curva de la ecuación
= 1 , presentan como resultados aproximados del sistema los

siguientes puntos: ( 2.5; 1) (1.2; 2,3).
Métodos directos
Los métodos directos son aquellos que determinan la solución en un

número determinado de pasos.
Los métodos directos no son los más usuales pero cuando

sea posible son los más recomendables, porque dan la solución analítica, es
decir, la solución teórica del problema. Salvo casos muy raros estos métodos
no son siempre aplicables, ya que dependen que el sistema permita el despeje
y simplificación del mismo mediante operaciones algebraicas.
Métodos iterativos
Los métodos iterativos son aquellos que obtienen la solución

aproximándose a ella en un número finito, pero no definido de pasos.
Estos métodos son propiamente métodos numéricos, los cuales

obtienen la solución mediante una sucesión que se aproxima a la solución del
problema.
Los métodos numéricos requieren de un criterio de convergencia para
determinar cuándo parar. El criterio de convergencia basado en el error
relativo es el aplicado normalmente, por su confiabilidad en este tipo de
operación. El criterio de convergencia será:
| |
= 10
| |
: .
: +1
Punto fijo
El método de punto fijo es uno de los que se citan entre los métodos
directos. Es siempre conveniente resolver un sistema de ecuaciones no lineal
por un proceso iterativo, sobre todo cuando no requiera evaluar las derivadas
parciales en dicho proceso, como es el caso del método de Newton. Esta
ventaja presenta la iteración de punto fijo.
La resolución de sistemas no lineales a través del método de punto fijo

es muy semejante al método iterativo lineal estudiado anteriormente para
resolver ecuaciones no lineales. Así, un primer paso en la aplicación de
iteración lineal es resolver el sistema de la forma:
) = 0
( )
g(x, y) = 0
= )
( )
y = G(x, y)
de forma que cualquier solución deA sea, también solución de B. Sean

) una solución del sistema y ) una aproximación para (x ,y). Se
obtienen las aproximaciones sucesivas ) para la solución deseada
), usando el proceso iterativo definido por:
= )
y = G(x ,y ) ( )
Este proceso se llama método de punto fijo o método iterativo Lineal

para sistemas no Lineales. Para que sea posible debe cumplir las siguientes
condiciones suficientes, pero no necesarias:
F, G y sus derivadas parciales de primer orden sean continuas en una

vecindad V de la raíz ).
Las siguientes desigualdades sean satisfechas:
| |+ < <1
| |+ < <1
Para todo punto ) perteneciente a una vecindad V de ( ), donde:
= , ….
= , ….
La aproximación inicial (x0, y0) pertenezca a la vecindad V de (x, y).
Para obtener una solución con una determinada precisión se debe,

durante el proceso iterativo, calcular el error relativo para todos los
componentes del vector solución.
Ejemplo 27.
Considerar el siguiente sistema no lineal.
{ ) = 0,2 + 0,2 + 0,6 = 0
) = 0,4 + 0,1 + 0,5 = 0
Aplicar el método iterativo lineal para resolver el sistema no lineal dado

con una precisión menor a 10 .
Solución
a) Reescribiendo el sistema dado, se obtiene:
= 0,2 + 0,2 + 0,6 = ( )

= 0,4 + 0,1 + 0,5 = )
Se verifica la condición de suficiencia para garantizar que la convergencia sea

satisfecha.
Que cada ecuación pueda ser despejada respecto de una de sus variables.
Que las derivadas parciales del sistema sean continuas en la vecindad de las
posibles raíces.
Que al evaluar las derivadas parciales arrojen resultados

de valor pequeño, normalmente menor que uno.
La condición (a) se cumple, pues es posible despejar las variables del sistema.
La condición (b) se cumple, pues las ecuaciones del sistema son polinomios, por lo
tanto continuas.
Es muy difícil conocer a priori la solución del sistema, sin embargo hay casos
en que se puede intuir un posible resultado, debido a la simplicidad del problema.
Siempre será importante partir de una gráfica toda vez que sea posible, al final, es la
manera más fácil de acceder a los valores iniciales de una iteración.
Figura 22. Sistema de ecuaciones del Ejemplo 27.

En este caso, como es un ejemplo ilustrativo para verificar las
condiciones suficientes de convergencia, como aplicación del método iterativo
lineal, se considerará inicialmente ) = (0.9; 1.1).
Para verificar la condición (c), condición suficiente, se calcula

inicialmente, las derivas parciales de F y G en los puntos iniciales de la
iteración.
= 0,4 + 0,2 , = 0,2

= 0,4 + 0,1 , = 0,2 ,
Si se escribe que ) = (0,9; 1,1, ) se ve que F, Gy sus derivadas

parciales son continuas en ) . Además de eso, se verifica que las
desigualdades que figuran como condiciones para que la convergencia sea
satisfecha, se tienen:
| | + = |(0,4)(0,9)| + |(0,2)(1,1)| + |(0,2)(0,9)| = 0,76 < 1
| |+ = |(0,4) + (0,1)(1,1) | + | (0,2) (0,9 1,1)| = 0,719 < 1
Esto demuestra que ( ) esta en la vecindad de ) = (0,9; 1,1, ) y

usando el proceso iterativo se obtiene:
Primera iteracion
= ) = 0,2 + 0,2 + 0,6 = ( )

=
y = G(x ,y ) = 0,4 + 0,1 + 0,5 = )
= 0,2(0.9)(1.1) + 0,2(0.9)(1.1) + 0,6 = 0.96

= 0,4(0.9) + 0,1(0.9)(1.1) + 0,5 = 0.9689
Calculo del error relativo:
0.96 0.9
= = 0.0625 > 10
0.96
0.9689 1.1
= = 0.1353 > 10
0.9689
La precisión deseada aun no es alcanzada, por lo tanto se procede a otra
iteración
Segunda iteracion
= 0,2(0.96)(0.9689) + 0,2(0.96)(0.9689) + 0,6 = 0,9703

= 0,4(0.96) + 0,1(0.96)(0.9689) + 0,5 = 0,9791
0,9703 0.96
= = 0.0106 > 10
0,9703
0,9791 0.9689
= = 0.0104 > 10
0,9791
Tercera iteración
= 0,2(0,9703 )(0,9791) + 0,2(0,9703 )(0,9791) + 0,6 = 0,9763

= 0,4(0,9703 ) + 0,1(0,9703 )(0,9791) + 0,5 = 0,9802
0,9763 0,9703
= = 0.00615 < 10
0,9763
0,9802 0,97039
= = 0.0012 < 10
0,9802
Se puede considerar resultado aproximado a , ) = (0.9763; 0.9802),

pues cumple con la condición especificada inicialmente en el problema.
Se nota que la secuencia ) converge para (1, 1). Además de eso, se

puede decir que la solución ) , con error relativo inferior a 10 , es
(0,9773 , 0,982) , aplicando = 0,007 y = 0,001. Si una de las
componentes cumpliera con la condición prefijada y la otra no, el proceso debe

seguir hasta que todas cumplan con la precisión deseada.
Método de Newton:
Teorema 32.
Sea g una función real diferenciable definida en un conjunto cerrado

acotado convexo D, y tal que cualquiera de las normas inducidas del jacobiano
de g en todos los puntos de D sea menor que la unidad, o el radio espectral del
jacobiano de g sea menor que la unidad para todos los puntos de D, entonces
existe una única raíz de = ) que se obtiene como límite de la
sucesión = ) donde es un punto cualquiera de D.
Para adaptar el método de Newton a los sistemas no lineales, se procede

como sigue: Sea ) una aproximación para la solución de ).
Admitiendo que sean suficientemente diferenciables, expandiendo
) y ), usando la serie de Taylor para funciones de dos variables,
en torno de ). Así.
( )= ( )+ ( )( – )+ ( )( – )+ …
)
( )= ( ) ( )( – ) ( )( )+ …
Admitiendo que (x0, y0) esté suficientemente próximo de la solución

, ) al punto de evitar la operación con los términos de más alto orden, se
puede determinar una nueva aproximación para la raíz ) haciendo
) = ) = 0. Se obtiene el sistema:
( )+ ( 0) =
)
( ) ( – )
Vale la aclaración respecto a la notación utilizada
Las funciones del sistema: ( ) ; ) =
( ) ; ( ) =
Está entendido que todas las funciones y derivadas parciales deben ser
calculadas en ) Se observa que (*) es ahora una ecuación lineal. Además
de eso, si no fueran despreciados los términos de más alto orden en el
desarrollo de Taylor, entonces ) sería la solución exacta del sistema no
lineal. La resolución de (*) producirá una solución que se llamará , ).
Entonces, se debe esperar que ) esté mas próxima de ) que de
, ) Resolviendo (**) por la regla de Kramer se obtiene
= =
( ) ( )
= =
( ) ( )
Donde , ) = — 0 en ). La función ) es
denominada Jacobiano de las funciones . La solución ) de este
sistema, produce ahora una nueva aproximación para ). La repetición de
este proceso conduce al Método de Newton para sistemas no lineales. El
método de Newton para sistemas no lineales está definida por:
x
( ) ( )
( ) ( )
Observaciones para el método de Newton:
Cuando la iteración converge, la convergencia es cuadrática.
El método de Newton converge según las siguientes condiciones

siguientes:
y sus derivadas parciales hasta de segundo orden sean continuas y

limitadas en una vecindad V conteniendo ( ).
El Jacobiano ( ) no se anula en la vecindad V.
La aproximación inicial ) sea elegida suficientemente próxima de la raíz
., )
El método de Newton puede ser aplicado a un sistema de ecuaciones de
n incógnitas.
La solución de un sistema de n ecuaciones, siendo n un valor elevado,

seria muy difícil, aun para el uso de las computadoras.
Método practico para resolver un sistema no lineal por el método de

Newton
Acotar una zona donde exista al menos una raíz. Si se puede asegurar
que será solo una, mucho mejor, para esto, graficar el sistema.
Reformular el problema como uno de punto fijo, y lanzar el esquema

para ver si converge a la raíz buscada.
Aplicar el método
El uso de métodos de iteración funcional con sistemas de ecuaciones es

completamente diferente de aquellos para ecuaciones simples. Se observa que
es útil frecuentemente una información a priori sobre la localizacion de la raíz;
cuando esto no es posible se puede usar un método siempre convergente para
obtener una buena aproximación de esta. Por lo tanto, en todos los casos se
debe optar por la eficiencia del método.
Un método a ser aplicado, solo es posible cuando el sistema converge

para dicho método. Frecuentemente, si la aproximación lineal no está
completamente cercana a la solución, la
Ejemplo 28.
Determinar una raix del sistema + = 2 — = 1 Con

precisión de 10 , usando el método de Newton.
Solución
Sean las ecuaciones:

( ) 2=0 y ( ) 1=0
Para obtener el valor inicial ), se traza en un solo gráfico las dos

ecuaciones dadas.
Figura 23. sistema de ecuaciones del Ejemplo 27.
Del gráfico se observa que el sistema admite 4 soluciones, una en cada

cuadrante. En este caso solo se buscará la solución correspondiente al primer
cuadrante.
El punto de soluciones de las ecuaciones es la solución ) buscada.
Analizando la gráfica se nota que ) está en la vecindad del punto

(1.2; 0.7), entonces, se toma ) = (1.2; 0.7).
) = + 2
(1.2; 0.7) = (1.2) + (0.7) 2 = 1.44 + 0.49 2 = 0.07
) = – 1
(1.2; 0.7) = (1.2) (0.7) 1 = 1.44 0.49 1 = 0.05
Se hallan las derivadas parciales de las ecuaciones del sistema
= 2 ; = 2 ; = 2 ; =
( ) (1.2,0.7) = 2 = 2(1.2) = 2.4
( ) (1.2,0.7) = 2 = 2(0.7) = 1.4
( ) (1.2,0.7) = 2 = 2(1.2) = 2.4
( ) (1.2,0.7) 2(0.7) 1.4
Se aplica la fórmula x
( ) ( )
0.07(1.4) 0.05(1.4)
x = 1.2
( ) ( )
(2.4)( 1.4) (1.4)(2.4)
0.098 + 0.07 0.168

x = 1.2 = 1.2 = 1.2 ( 0.025) = 1.225
( 3.36) (3.36) 6.72
( ) ( )
( ) ( )
= (0.7)— 0.05(2.4) (0.07)(2.4)(2.4)( 1.4) (1.4)(2.4)(1.2,0.7)
0.048
= (0.7) = 0.707143
6.72
1.225 1.2
= = 0.025 > 10
1.225
0.707143 0.7
= = 0.0101 > 10
0.707143
Ambos calculos de error son mayores que 10 , por lo tanto, debe

realizarse otra iteración
( ) (1.225,0.707143) = 2 = 2(1.225) = 2.45

( ) (1.225,0.707143) = 2 = 2(0.707143) = 1.41428
( ) (1.225,0.707143) = 2 = 2(1.225) = 2.4
( ) (1.225,0.707143) 2(0.707143) 1.41428
Se aplica la fórmula x
( ) ( )
x = 1.225 (0.001253) = 1.2237
( ) ( )
( ) ( )
( ) ( )
= (0.707143) 0.00003319 = 0.70711
1.2237 1.225
= = 0.00106 < 10
1.2237
0.70711 0.70714
= = 0.000042 < 10
0.70711
Si uno de los errores relativos cumple la condicion de precision deseada,

se considera valido el resultado obtenido y termina las iteraciones. En este
caso, se considera muy proximo los valores hallados (1.2237; 0.70711)
Ejercicio 49.- Resuelve el siguiente sistema por el método gráfico, probar

en el intervalo (1.5; 2)
—5 = 3
2 = 5
en el intervalo (1; 1.5)
+ 3 = 9
5 = 3
en el intervalo 0.5; 1.5)
+ = 2
+ = 1
en el intervalo (0.5; 1.5)
— — = 0
+ — = 0
en el intervalo 2; 2.5)
2+ — — =0
3+ — — =0
en el intervalo (2; 3)
+ = 6
— = 1
Ejercicio 55.- Aplicando el método de punto fijo y el método de
Newton-Rapson para resolver el sistemas de ecuaciones no lineales,
determinar una raíz con precisión de 10 , iniciando las iteraciones en el
punto (1. ; 1.8).
— = 2+
+ =1
Ejercicio 56.- Aplicando el método de punto fijo y el método de
Newton-Rapson para resolver el sistemas de ecuaciones no lineales,
determinar una raíz con precisión de 10 , iniciando las iteraciones en el
punto (1. ; — 1.8).
= 0
2 = 1
Ejercicio 57.- El estado estacionario de concentración de dos especies
químicas en un sistema químico oscilatorio está dado por el sistema no
lineal, iniciar la operación en el punto (0.9, 2.1).
5 + —3 = 0
— = 0
Ejercicio 58.- Usando el método de Newton para sistemas de ecuaciones
no lineales, determinar una raíz con precisión de 10 , iniciando las
iteraciones en (1.2; 1.8).
— = 4
— = 9
iteraciones en 2; 1).
+ 5 = 0
+ 3 + 3 = 0
iteraciones en (0.7; 2).
( 1) + = 7
+ ( 1) = 9
Ejercicio 61.- Dado el siguiente sistema no lineal, hallar una solución con
dos dígitos significativos correctos, iniciando la iteración en ) =
(1; 1.5)
2 + 3 = 0
— = 0
Ejercicio 62.- Determinar una solución con dos dígitos significativo
correctos, el sistema no lineal dado, iniciando con en ) = (0.5; 0.85)
–
+ 3 = 0
— = 0
Ejercicio 63.- Demostrar que el siguiente sistema no lineal posee
exactamente cuatro raíces. Determinar esas raíces usando el método de
Newton, con dos dígitos significativos correctos, iniciando en
(1; 1); (1; 1); ( 4; 1) ( 4; 1)
+ + 9 = 12
+ 36 = 36
Ejercicio 64.- Resolver el siguiente sistema de ecuaciones no lineales.
) = —2 + —3 + 5 = 0
( )= + 5 — 2 — 2 — 1 =0
( )= + — 4 + + 2 = 0
Ejercicio 65.- Usando el método iteración de punto fijo y el método de
Newton para resolver el sistema no lineal con precisión de 10 ,
iniciándolas iteraciones en 2; 0.6; 0.1) (0.8; 1; 1.6).
) = —2 + —3 + 5 = 0
( )= + 5 — 2 — 2 —1 =0
( )= + — 4 + 2 + 2 = 0
Ejercicio 66.- Para el siguiente sistemas de ecuaciones no lineales,
determinar una raíz con precisión de 10 , iniciándolas iteraciones en
( 2.5; 0.5; 4.0) (3.2; 2.5; 1.2).
+
8 =0
— + 3 = 0
+ + —3 = 0
Ejercicio 67.- Para el siguiente sistema de ecuaciones no lineales,
determinar una raíz con precisión de 10 , para el punto de iteración usar
el método gráfico.
—2 = 3
+ = 9
Ejercicio 68.- Para el siguiente sistema de ecuaciones no lineales,
determinar una raíz con precisión de 10 , para el punto de iteración usar
el método gráfico.
— = 1
+ = 3
CAPITULO V ECUACIONES LINEALES
Introducción
La necesidad de resolver sistemas de ecuaciones lineales es muy

frecuente en las ciencias aplicadas, en particular la ingeniería. Los sistemas
lineales son aplicados en la búsqueda de solución a diversas situaciones
prácticas, ya sea como la solución completa de un problema ó alguna parte de
ella.
Entre las aplicaciones prácticas de los sistemas lineales pueden citarse

como ejemplos:
Determinación del potencial en redes eléctricas.
Calculo de tensión en una estructura metálica de construcción civil.
Calculo de razón de drenaje en un sistema hidráulico con derivaciones.
Los problemas matemáticos en todos estos casos se reduce al problema

de resolver un sistema de ecuaciones lineales. Cuando un sistema lineal es de
gran porte, se debe escoger adecuadamente el método numérico a utilizar para
preservar la precisión máxima del sistema.
Definición 14. Un vector en es una n-upla de la forma: v =v2, v3,..., vn)

Definición 15. Sean: = ( ( ,..., ) y = ( ( ,..., ) ,
vectores renglones en . Se define la igualdad de vectores como: = , si
y solo si = , para todo i, con i = 1,2,3,..., n
Definición 16. Sean: = ( ( ,..., ) y = ( ,..., ) ,
vectores en . Se define la suma de vectores como: + = ( + +
, „. , + ).
Definición 17. Sea: = ,… , ) vector de , a , se define el
producto de vector por escalar como: = ( ,..., ).
Definición 18. Sean: = ( ,..., ) y = ( ,…, ), vectores
en . Se define el producto de vectores como:
= ( , „. , )=
Definición 19. Sea: = ,..., vector de ,a , se define la norma
de un vector v, que se representa con y se denota como:
=
Teorema 33.
Sean: u, v, w vectores en , entonces, se tiene:
+ = + Conmutativa
( + )+ = + ( + ) Asociativa
0 , + 0 = elemento neutro
, , + = 0 Elemento simétrico
, ,( + ) = + Distributiva
, ( + ) = + Distributiva
, , ( )) = ( ) = ( ) Asociativa
Definición 20. En general, una matriz es una tabla de números, un conjunto

ordenado en una estructura de filas y columnas. Los elementos de este conjunto
pueden ser objetos matemáticos de muy variados tipos, aunque normalmente las
matrices están formadas por números reales.
Las matrices se utilizan para describir sistemas de ecuaciones lineales,

realizar un seguimiento de los coeficientes de una aplicación lineal y registrar
los datos dependientes de varios parámetros. Las matrices pueden sumarse,
multiplicarse y descomponerse de varias formas diferentes, su aplicación
también se da en el campo del álgebra lineal. Normalmente las matrices se
designan con letras mayúsculas.
Definición 21. Se llama matriz de orden m x n a cualquier tabla de números que

conste de m finas y n columnas. Una matriz es un arreglo rectangular de mn
números de la forma la cual tiene m filas y n columnas. Si los
elementos de una matriz A son números reales y ducha matriz tiene m filas y n
columnas se dice que , y qe su tamaño es m x n. La notación
comúnmente utilizada para representar a la matriz es: =[ ] i=
1,2,3,…, m; j = 1,2,3,n
Definición 22. Sean: = =[ ] dos matrices tamaño m x n, entonces,
A = B si y solo si ,
Definición 23. Una matriz A es cuadrada si tiene el mismo número de filas y de
columnas y en este caso se escribe
Definición 24. Sea , una matriz cuadrada si = 1, i=j, =
0, se dice que A es la matriz identica (identidad) y se nota .
Definición 25. La matriz 0 = , tal que = 0, es la matriz nula.
Definición 26. Sean: = =[ ] dos matrices tamaño m x n, se define A

+ B como la matriz dada por = .
Definición 27. Sea: = una matriz de tamaño m x n, y un numero, se
define como la matriz dada por =
Definición 28. Sea: = una matriz de tamaño m x n, se define =
Definición 29. Sean: = =[ dos matrices, se define

el producto de como la matriz =[ donde =
, = 1,2,3, … … , = 1,2,3, … , .
Definición 30. Sean: , entonces
(A+B)D=AD+BD.
Definición 31. Sean: , entonces D(A+B)=DA+DB.
Definición 32. Sean: , entonces A(BC)=(AB)C.
Notacion de matrices:
Las matrices se denotan con letras mayusculas. Los elementos o

numeros que conforman la matriz se denotan con letras minusculas colocadas
dentro de: barras verticales | |; doble barras verticales ; corchete [ ]o
paréntesis ( ).
Es importante tener en cuenta que una matriz no se resuelve (esto la

diferencia de los determinantes), sino que con una matriz se efectuan diversas
operaciones. A cada elemento que forma parte de una matriz, se lo identifica
con dos subindices: el primero senala la fila que ocupa ese elemento, y el
segundo indica la columna donde se encuentra.
Orden de una matriz
La matriz presentada a continuación tiene tres filas y cuatro columnas y

por ello se le denomina matriz de orden 3 x 4. El número que se nombra
primero representa la cantidad de filas; y el segundo, número de columnas.
Ejemplo 29.
1 0 2 2
7 1 4 3
3 0 1 1
Elementos de la primera fila: 1 , 0 , 2 , 2
Elementos de la segunda columna: 0 , 1 , 0
Una matriz A de 3 filas y 3 columnas, se escribe de esta forma:
2 1 1
= 1 2
2 1 2
Tipo de matrices
Matriz cuadrada:
Se llama matriz cuadrada a la que tiene igual cantidad de filas y

columnas.
Ejemplo 30.
1 9 2
1 2
= = 2 2, = 2 2 58 =3 3
0 3
4 6 7
Matriz diagonal:
Se llama matriz diagonal a la matriz cuadrada que tiene nulos todos los
elementos fuera de la diagonal principal.
Ejemplo 31.
5 0 0
= 0 71 0
0 0 21
Matriz nula:
Se llama matriz nula a la que esta formada unicamente por ceros.
Ejemplo 32.
0 0 0
= 0 0 0
0 0 0
Matriz identidad:
Se llama matriz identidad a la que tiene a la unidad como único

elementos en la diagonal principal, y ceros en los lugares restantes.
Ejemplo 33.
1 0 0
= 0 1 0
0 0 1
De acuerdo con esta definicion, se deduce que la matriz identidad

siempre debe ser cuadrada.
Matriz fila o vector fila:
Es toda matriz que posee una única fila.
Ejemplo 34.
= [1 5 8]
Matriz columna o vector columna:
Es toda matriz que posee una única columna.
Ejemplo 35.
3
= 2
1
Matriz transpuesta:
Es la matriz B que se obtiene de A, cambiándose ordenadamente, las

filas por las columnas.
Ejemplo 36.
2 4
2 1 5
= = 1 2
4 2 0
5 0
Matriz triangular
Es una matriz cuadrada en la que todos sus elementos por encima o por
debajo de la diagonal principal son nulos.
Ejemplo 37.
L=matriz triangular inferior (del ingles Low = bajo)
U=matriz triangular superior (del ingles Up = encima de)
1 2 4 1 0 0
= 0 5 53 = 5 5 0
0 0 7 2 3 7
Matriz simétrica:
Una matriz cuadra A es simétrica si = .
Ejemplo 38.
1 2 5
= 2 8 1
5 1 7
Matriz antisimétrica:
Una matriz cuadrada A es antisimétrica si su transpuesta coincide con

su opuesta, o sea =
Ejemplo 39.
2 5
= 2 1
5 1 0
Matriz opuesta:
Dada la matriz A, se denomina opuesta de A a la matriz -A.
Ejemplo 40.
1 2 2
= , =
3 4 4
Matriz ortogonal
Es la matriz cuadrada cuyo producto por su transpuesta da la matriz

unidad.
Ejemplo 41.
= .
Matriz singular
Es la matriz cuadrada cuyo determinante es igual a cero. Una matriz

singular no tiene matriz inversa.
Ejemplo 42.
5 10
= = 20 20 = 0
2 4
7 14
= = 28 28 = 0
2 4
Definición 33. Una matriz los elementos de los elementos se les

llama elementos diagonales
Definición 34. Sea la matriz A se dice estrictamente diagonal
dominante si y solo si | |> | | = 1,2,3, … ,
Operaciones con matrices
Adición de matrices
Para sumar matrices, es condición necesaria que sean de igual orden,

pues se suman los elementos que tienen la misma ubicación.
Propiedades de la adición de matrices:
a) Propiedad conmutativa: A+B=B+A
b) Propiedad asociativa: A+(B+C)=(A+B)+C
c) Elemento neutro: El elemento neutro para la suma es la matriz

nula, de igual orden que las que se suman.
d) Inverso aditivo: Dada una matriz A, existe otra matriz B inverso

aditivo de : , tal que se verifica que: =0
Ejemplo 43.
Dadas las matrices A y B, halla la suma: A+B
1 2 7 0 5 4
= =
0 5 4 2 1 3
1 2 7 0 5 4 1+0 2+5 7+4 1 7 11

= + = =
0 5 4 2 1 3 0+2 5+1 4+3 2 6 7
Sustracción de matrices
La sustracción de matrices se define como la adición, restando los

elementos de igual ubicación.
Las propiedades de la sustracción de matrices son semejantes a las de la

adición, con la diferencia de que no cumple la propiedad conmutativa.
Ejemplo 44.
Dadas las matrices A y B, halla la suma: A+B
1 2 4 4 7 1
= 2 5 8 = 1 5 4
9 3 1 2 0 5
Solución:
La operación A-B, denota la diferencia entre las matrices A y B, así

+( ) porque la resta entre matrices se transforma en la suma de la
matriz minuendo (A) con la matriz opuesto aditivo del sustraendo (B).
1 2 4 4 7 1
= 2 5 8 + ( 1 ) 1 5 4
9 3 1 2 0 5
1 2 4 1 4 2 7 4 1 5 3
= 2 5 8 + 4 = 1 5 5 8 4 = 1 0 4
9 3 1 2 0 5 2 3 0 1 5 7 4
Transposición de matrices
Dada una matriz A de orden mxn, se llama matriz transpuesta de A, a la

matriz de orden nxm, que resulta de convertir las filas A en columnas, y
sus columnas en filas.
Ejemplo 45.
Dada la matriz A, halla la transpuesta de A, o sea
1 3
1 2 4
= = 2 1
3 1 5
5
Producto de una matriz por un escalar
En general se llama escalar a cualquier número real, y se emplea esta

denominación cuando se definen operaciones entre números y otros
elementos algebraicos, como lo son las matrices y los vectores.
Cuando se multiplica una matriz por un numero real , se obtiene otra

matriz del mismo orden que la dada, y cuyos elementos resultan ser " " veces
los de la matriz original.
Ejemplo 46.
Sea la matriz A, halla el producto 3A
1 5 4 1 5 4 3×1 3×5 3×4 3 15 12

= =3 =3× = =
0 1 0 0 1 0 3×0 3×1 3×0 0 3 0
Producto de matrices
El producto entre dos matrices es otra matriz, donde cada elemento

resulta de multiplicar cada fila de la primera matriz por cada columna de la
segunda matriz, sumando los productos parciales.
Propiedades del producto de matrices:
El número de columnas de la primera matriz debe ser idéntico al

número de filas de la segunda matriz.
El producto de matrices no es conmutativo.
El elemento neutro del producto entre matrices es la matriz
identidad.
Las matrices representan verdaderos cuadros de valores, que no dan

ningún resultado ya que esto carece de sentido; ya se ha dicho que las
matrices no se resuelven, sino que con ellas se efectúan operaciones.
Ejemplo 47.
Sean las matrices A y B.
1 3
1 5 4 1
= = 2 1
0 1 0 4
5
Efectua A x B
1 3
1 5 4 1
= = 2 1
0 1 0 4
5
Solución:
El producto A x B no se puede resolver, porque hay que multiplicar cada

fila de B por cada columna de A, sobran elementos de A, ya que esta matriz
tiene 4 elementos por fila, mientras que B tiene 3 en cada columna; al quedar
elementos sin multiplicar, el producto es irrealizable.
Efectua B x A
Solución:
1 3
1 5 4 1
= 2 1 =
0 1 0 4
5
( 1) + (3 0) ( 5) + ( 1) ( 4) + ( 0) ( 1) + ( 4)
= ( 1) + (1 0) ( 5) + ( 1) ( 4) + ( 0) ( 1) + ( 4)
( 1) + ( 0) ( 5) + ( 1 ) ( 4) + ( 0 ) ( 1) + ( 4)
4 8 4 13
= 3 11 8 6
4 15 16 16
Realizar las siguientes operaciones con matrices

Ejercicio 69.- Sean las matrices A y B, hallar su suma:
4 2 6 1 5 4
= =
4 1 6 8 11
Ejercicio 70.- Sean las matrices M y N, hallar su suma:
3 2 7 0
= 1 0 = 4 5
11 22 11 1
Ejercicio 71.- Sean las matrices A y M, hallar su suma:
3 2
4 2 6
= 1 0 =
4 1 6
11 22
Ejercicio 72.- Sean las matrices halla la matriz y la

matriz .
1 1 2 1 0 5
= 5 4 = 4 20
11 12 4 11 11 55
Ejercicio 73.- Sean las matrices halla la matriz y la

matriz
4,25 2,22 4,26 1,11 4,52 2,24

= =
14,1 11,1 6,01 4,25 4,28 4,11
Dadas las siguientes matrices
0,25 0,75
11 4 0 15 2
= = = 4,25 5,25
5 12 7
7,25 1,75
Ejercicio 74.- Resolver AxB

Ejercicio 75.- Resolver BxA
Ejercicio 76.- Resolver -3B
Ejercicio 77.- Resolver 1,5A
Ejercicio 78.- Resolver BxC
Ejercicio 79.- Resolver CxA
Ejercicio 80.- Resolver AxC
Ejercicio 81.- Resolver CxB
Ejercicio 82.- Resolver -4B
Ejercicio 83.- Resolver (C+A)
Determinantes
Un determinante es siempre cuadrado (igual cantidad de filas y

columnas), y está formado por números, como una matriz; la diferencia
fundamental es que, una matriz representa un conjunto de valores que no se
resuelve, un determinante sí se resuelve, porque representa unnúmero.
Un determinante se representa con la letra griega (delta mayúscula) o

usando barras.
1 5 4
8 1 4
6 5 2
Linea solida principal, Linea punteada secundaria
Determinante de segundo orden es el que tiene 2 filas y 2 columnas.
Determinante de tercer orden es el que tiene 3 filas y 3 columnas.
Propiedades de los determinantes:
a) El determinante de una matriz cuadrada coincide con el de su

transpuesta, ( ) = ( )
Ejemplo 48.
b) Si se intercambian entre sí dos filas paralelas, el determinante cambia

de signo.
Ejemplo 49.
5 4 1 3
= 11 11
1 3 5 4
c) Un determinante es nulo si una de sus filas o columnas está formada

íntegramente por ceros.
Ejemplo 50.
1 0 6
8 0 9 =0
7 0 4
d) Un determinante es nulo si tiene dos filas o dos columnas iguales.
Ejemplo 51.
1 4 2
3 1 5 = (2 + 20 + 24) (2 + 24 + 20) = 0
1 4 2
e) Un determinante es nulo si tiene dos filas o dos columnas

proporcionales.
Ejemplo 52.
2 8 4
3 1 5 = (4 + 40 + 48) (4 + 40 + 48) = 0
1 4 2
f) Si los elementos de una fila se multiplican por un número, el

determinante queda multiplicado por ese número.
Ejemplo 53.
10 5 15 2 1 3
1 2 4 =5× 1 2 4
5 0 5 0
g) Si una fila de un determinante la forma términos que son suma de dos
sumandos, el determinante es igual a la suma de los determinantes obtenidos
sustituyendo dicha fina por los primeros y segundos sumandos
respectivamente.
Ejemplo 54.
= +
h) Si una fila es combinación lineal (suma o resta de múltiplos) de otras

paralelas, el determinante es cero (0).
Ejemplo 55.
Solución:
+ =0
Por ser
i) Si a una fila se le suma una combinación lineal de otras filas paralelas

a ella, el determinante no cambia.
Ejemplo 56.
=
+
Solución:
+
+0=
j) El determinante de un producto de matrices es igual al producto de los

determinantes de dichas matrices. De otra manera: | | = | | | |.
Ejemplo 57.
1 2 4 0
= =
0 4 5 3
Solución:
1 2 4 0
= = det A . detB = (4 12) = 48
0 4 5 3
1 2 4 0
= = |4| |12| = | 12| = 48
0 4 5 3
Resolución de un determinante de 2° orden:
Resolver un determinante de segundo orden es hallar el número que

representa, para lo cual se multiplican los elementos de la diagonal principal,
y a ellos se les resta el producto de la diagonal secundaria, es decir que se
resuelve por la resta de los productos cruzados:
Ejemplo 58.
1 2
= =( 1) ( 5) = 6
5 4
Determinante de 3er orden
El procedimiento de resolución de un determinante de tercer orden es

un poco más largo que el de segundo orden, utilizándose para su resolución
varios métodos; las más conocidas son la de Sarrus y Laplace. Aquí se
presenta el método de Sarrus.
Regla de Sarrus:
Consiste en escribir debajo de la última fila, las dos primeras

(conservando el orden); entonces se suman los tres primeros productos de las
diagonales principales, y se restan los otros tres productos de las diagonales
secundarias.
Ejemplo 59.
1 2 4
Resolver el determinante = 5 3 2
3 1 0
Solución
1 2 4
5 3 2
= 3 1 0 = [( 4) + ( 4) + (3 0)] [( 4) + ( 2) + (3 4)]
1 2 4
3 1 0
1 2 4
5 3 2
= 3 1 4 = [12 + 20 + 6] [24 + 2 + 24] = 38 50 = 12
1 2 4
3 1 0
= 12
Resolver los determinantes 2x2
5 2
Ejercicio 84.- =
4 3
2 1
Ejercicio 85.- =
2
51 102
Ejercicio 86.- =
4 8
5 8
Ejercicio 87.- =
13
Resolver los determinantes 3x3

4
Ejercicio 88.- = 5 6 7
11 14 5
8 2 4
1 8 5
18 1 1
Ejercicio 90.- = 5 7
10 8 5
8 2 4
4 8 2
Sistemas lineales
Definición 35. Una ecuación es lineal si cada término contiene no más de una
variable y cada variable es de primer grado (elevada a la primera potencia).
Ejemplo 60.
a) +2 4 = 2, es lineal.
b) +4 5 = 0, no es lineal, pues el segundo termino contiene dos

variables.
c) 1 = 2, no es lineal, pues la variable del primer termino esta

elevada auna potencia distinta de uno.
La solucion de un sistema lineal de orden n, consiste en hallar los

valores de cada una de las variables, que al ser sustituidas en el sistema,
todas ellas son satisfechas.
Ejemplo 61.
De un sistema de tres ecuaciones lineales:
=4
+5 2
=2
Este sistema tiene la solucion: = 2, = 1, = 3

Para verificar la validez de las soluciones se reemplazan las variables en
el sistema, y todas deben ser satisfechas. Este mismo ejemplo puede
escribirse en forma matricial:
3 1 4
1 5 3 = 2
1 2
De un modo general, un sistema de n ecuaciones lineales se escribe

como:
+ + .+ =
+ + .+
+ + + =
La representación en forma matricial se da como:
La forma más simple de representación matricial es Ax=B. Donde A es la

matriz de los coeficientes, x es el vector solución y b es el vector de términos
independientes.
+ + .+ =
+ + .+
=
+ + +
Clasificación de un sistema lineal
a) Sistema compatible, posible o consistente.
- Determinado: si admite una única solución.
- Indeterminado: si admite más de una solución.
b) Sistema incompatible, imposible o inconsistente
- Es todo sistema que no admite solución
Ejemplo 62.
Sea el siguiente sistema:
x+y = 5
2x y=1
La solución del sistema es: x = 2, y = 3
Figura 24. Representación gráfica del

Ejemplo 62
El sistema es compatible y determinado, pues ningún par de valores

distintos a 2 y 3 podrán satisfacer la ecuación dada, o sea, el sistema posee
una única solución.
Ejemplo 63.
+2 =4 y = 12
Geométricamente las dos rectas son

coincidentes, y como el resultado del
sistema está dado por la intersección
de las rectas, en este caso, todos los
puntos de las rectas son soluciones del
sistema.
Figura 25. Representación Gráfica del

ejemplo 63
El sistema es compatible e indeterminado, pues admite infinitas

soluciones
Ejemplo 64.
2x + y = 5
2x + y = 1
Geométricamente las dos rectas son
paralelas, no existe la posibilidad de
intersección entre ellas, por lo tanto el
sistema es incompatible, pues no
admite ninguna solución.
Figura 26. Representación Gráfica del

ejemplo 64
Métodos exactos
Son aquellos métodos que aplicados a un sistema producen soluciones

exactas, no generan errores de redondeo al operar con un numero finito de
operaciones.
Métodos iterativos
Son aquellos métodos que permiten obtener soluciones de un sistema

con una determinada precisión a través de un proceso infinito convergente.
Este método requiere en principio de un número infinito de operaciones

aritméticas para producir la solución exacta, pues el método iterativo
necesariamente posee error de truncamiento.
Sistemas equivalentes
Dos sistemas de ecuaciones lineales son equivalentes cuando admiten

la misma solución.
Operaciones elementales
La solución de un sistema de ecuaciones lineales frecuentemente

requiere usar las operaciones elementales de una matriz. Estas son:
a) Intercambio de dos filas o renglones cualquiera de una matriz.

b) Multiplicación de una fila o renglón de una matriz por una constante
0.
c) Sumar un renglón a otro, multiplicando el primero por una constante

0.
Transformaciones elementales
1) Dado un sistema de ecuaciones lineales, si a una cualquiera de sus

ecuaciones se multiplica por un escalar distinto de cero, resulta un sistema
equivalente al sistema dado.
2) Dado un sistema de ecuaciones lineales, si dos cualquiera de sus

ecuaciones se intercambian, resulta un sistema equivalente al sistema dado.
3) Dado un sistema de ecuaciones lineales, si a una cualquiera de sus

ecuaciones se le suma un múltiplo de otra ecuación cualquiera, resulta un
sistema equivalente al sistema dado.
Mal condicionamiento
Se tiene este fenómeno cuando la solución de las ecuaciones es muy

sensible a pequeñas variaciones de los coeficientes, debido a que la matriz de
los coeficientes en las ecuaciones lineales está próxima de ser singular.
Ejemplo 65.
Sean los siguientes sistemas lineales:
a. =2
10,05 + 10 = 21, la solución del sistema es = 20 = 18
b. =2
10,10 + 10 = 21, la solución del sistema es = 10 =8
Un cambio relativo de 5% en el coeficiente de produce un cambio

relativo de 50% en el valor de x y 56% en el valor de y; observándose que un
pequeño cambio en uno de los coeficientes, produce grandes cambios en la
solución del sistema. La solución del sistema perturbado es muy diferente de
la solución del sistema original.
Sistema bien condicionado
Un problema se dice bien condicionado si pequenos cambios en los

datos introducen, correspondientemente, un pequeno cambio en la solucion.
El buen condicionamiento o mal condicionamiento de un sistema lineal

es inherente al problema y no depende del algoritmo empleado para resolverlo.
Definición 36. El elemento 0, usado para eliminar los elementos , para

+ 1, + 2 … . sedefine como elmento pivote y la fila q se define como fila
pivote.
Definición 37. Los números = , por el cual se multiplica la fila pivote para
luego restársela a la fila r con + 1, + 2, … se llaman multiplicadores
Las operaciones elementales junto con los elementos pivotes y los

multiplicadores permiten transformar la matriz ampliada de un sistema de
ecuaciones, cuando esto sea posible, en una matriz triangular superior o
inferior y resolver el sistema equivalente, ya sea por sustitución regresiva o
progresiva respectivamente.
Método de determinantes
Existen diversos métodos para resolver sistemas de ecuaciones

simultáneas de primer grado o sistemas de ecuaciones lineales; una forma
sencilla de hacerlo es, aplicando los determinantes para resolver ecuaciones
lineales. Es importante hacer notar que este sistema su usa para resolver
sistemas lineales de hasta tres incógnitas.
Regla de Cramer:
Esta regla establece que, dado un sistema de n ecuaciones con n

incógnitas, se verifica:
x z
= = =
x,y,z representan a las incógnitas del sistema.
Para hallar el valor de x se divide el determinante x por el determinante

, siendo x el determinante en el que se ha reemplazado la columna de la
incógnita, por la de términos independientes, y es el determinante original
del sistema.
Ejemplo 66.
Resuelve el sistema lineal:
=4
+5 5
+ 4 + 7 = 10
Se hallan determinantes , y se aplican los cocientes:
= = , = .
1 1 1
= 3 5 23
3 4 7
4 1 1
= 3 5 69
10 4 7
1 4 1
= 5 5 46
3 10 7
1 1 4
= 5 = 23
3 4 10
69 46 23
= = 3, = = 2, = = 1
23 23 23
Ejercicio 92.- Resuelve el sistema lineal por el método de determinante
+ 3 = 36
+ 5 = 61
+8 37
37
Ejercicio 94.- Resuelve el sistem lineal por el método de determinante
= 13
4
13 31 326
25 + 37 = 146
+3 =8
=3
+2 =4
11 + 4 + 8 65
11 +6 87
18 + 7 + 8 74
= 12
=3
10 + 3 =4

= 11
=3
+3 =4
+3 =8
=3
+2 =4
11 + 4 + 8 65
11 +6 87
18 + 7 + 8 74
Métodos Iterativos
Los métodos iterativos son preferibles a los métodos directos cuando la

matriz de coeficientes es poco densa, o sea, con muchos ceros.
Entre los métodos iterativos para la resolución de sistemas de

ecuaciones lineales las más conocidas son: el método de Jacobi y el método de
Gauss – Seidel
Método de Jacobi
El método de Jacobi es un método iterativo utilizado para hallar la

solución de un sistema cuadrado de ecuaciones lineales.
Este método se ilustra mejor con un ejemplo.
Ejemplo 67.
+3 = 15
+5 =9
+ 3 + 6 = 19
Solución
Realizando transposiciones de términos adecuados se tiene:

De la primera ecuación: =
De la segunda ecuación: =
De la tercera ecuación: =
La iteración de Jacobi para este sistema es:
15 +2 +2 19 +3
= , = =
7 5 6
El método iterativo se inicia a partir del punto (0, 0, 0)
Los resultados del proceso iterativo se muestran en la siguiente tabla
Iteracion
0 0 0 0
1 2,142857 1,800000 3,166666
2 2,276190 2,638095 3,352381
3 1,970068 2,685714 3,726984
4 2,056689 2,896780 3,852834
5 2,002189 2,929796 3,929494
6 2,009943 2,971360 3,964168
7 2,002037 2,983679 3,982366
8 2,001956 2,992539 3,991160
9 2,000672 2,996073 3,995618
10 2,000431 2,998113 3,998833
Según la tabla, los resultados tienden a: 2, 3, 4
Este proceso no es el más recomendable, pues se realizan demasiadas

iteraciones para hallar el resultado, la situación repetitiva tiende a producir
errores en las operaciones. Para que el método de Jacobi sea aplicable es
absolutamente necesario que los coeficientes de la matriz del sistema sea una
matriz estrictamente diagonal dominante, esto es, en este caso: 7 > |3| + | 2|,
5 > |1| + | 2|, 6 > |2| | 3|, condición que se cumple y el método converge
hacia un numero. En caso de que la matriz no sea estrictamente diagonal
dominante, el método de Jacobi diverge.
Este método tiene aplicabilidad en problemas donde el número de

incógnitas es muy grande y los coeficientes de la matriz son pocos. Es aquí
donde el método resulta eficiente desde el punto de vista en la utilización de
memoria en un computador o microcontrolador, ya que otros métodos como la
eliminación gaussiana podrían exceder el límite de memoria.
Para la aplicación del método es necesario tener un valor inicial ya sea

aproximado o sea el vector nulo, el cual es utilizado para calcular un nuevo
vector solución mediante la expresión de Jacobi y así sucesivamente se
repetirá el proceso hasta un error estimado.
Para poder aplicar el método iterativo de Jacobi se debe tener una

estimación inicial del vector solución x, si no se tiene la estimación se debe
tomar como vector solución inicial el vector nulo, esto es porque siempre se
necesita el valor inicial de x para poder comenzar las iteraciones, entre más
cercano sea el valor inicial a valor real, mas rápido converge a la solución. Una
condición suficiente para que el método de Jacobi converja.
Esto quiere decir que cada elemento de la diagonal de la matriz A sea

mayor o igual que la suma de los otros elementos de la matriz, excluyendo los
elementos de la diagonal. Y así sucesivamente hasta una cota de error o un
máximo de iteraciones.
Método de Gauss - Seidel
El método de Gauss – Seidel es también un método iterativo utilizado

para resolver sistemas de ecuaciones lineales. Este método es una variación
del método de Jacobi, presenta mayor eficiencia para generar el nuevo punto
de proceso iterativo, esto se debe a que el método de Gauss – Seidel va usando
los resultados a medida que se van generando. Es posible aclarar este método
con el mismo ejemplo anterior.
Ejemplo 68.
Utilizando el método de Gauss – Seidel, resuelve el siguiente sistema

lineal
+3 = 15
+5 =9
+ 3 + 6 = 19
Solución
Realizando transposiciones de términos adecuados se tiene:
De la primera ecuación: =
De la segunda ecuación: =
De la tercera ecuación: =
La iteración de Jacobi para este sistema es:
15 +2 +2 19 +3
= , = =
7 5 6
El método iterativo se inicia a partir del punto (0, 0, 0)
Los resultados del proceso iterativo se muestran en la siguiente tabla
Iteracion
0 0 0 0
1 2,142857 1,371429 3,138096
2 2,451701 2,564898 3,631882
3 2,081296 2,836494 3,891148
4 2,038973 2,948665 3,961342
5 2,010955 2,982346 3,987521
6 2,004000 2,994208 3,995771
7 2,001274 2,998053 3,998602
Según la tabla, los resultados tienden a: 2, 3, 4
Este método de Gauss – Seidel necesita menor iteración para llegar al

mismo resultado, pues el resultado logrado por el método de Jacobi en 10
iteraciones, éste método de Gauss – Seidel lo hizo en solo 7 iteraciones,
presentando mayor rapidez en la convergencia. Tanto el método de Jacobi
como el Gauss Seidel solo convergen a la solución si la matriz de coeficientes
del sistema es estrictamente diagonal dominante.
Desde otra perspectiva a diferencia del método de Jacobi que cada valor
encontrado se sustituye en la siguiente ecuación, partiendo del sistema
anterior, cada iteración está dada por:
1
=
El criterio de detención el que si en alguna norma, la matriz de iteración

M del esquema satisface || || < 1, entonces el método converge y el error en
el paso + 1) puede estimarse mediante:
y, a su vez, la norma de la matriz de iteración || || puede estimarse

paso a paso mediante:
max
Ejemplo 69.
= + 45
6 24 210
= + + ( )
30 30 30
24 180
X = x ( )
36 36
Para = 0; = 0; = 0;
= 0 + 45 = 45
6 24 210
= ( ) 45 + ( ) 0 + ( ) = 2
30 30 30
24 180
= ( ) ( 2) ( ) = 19/3
36 36
Para = 45; = 2; = 19/3;

= 2 + 45 = 43
6 24 19 210 20
= ( ) 43 + ( ) ( ) + ( ) =
30 30 3 30 3
24 20 180 85
= ( )( ) ( ) =
36 3 36 9
Para = 43; = ; = ;
20 115
= + 45 =
3 3
6 115 24 85 210 74
= ( )( ) + ( )( ) + ( ) =
30 3 30 9 30 9
24 74 180 283
= ( )( ) ( ) =
36 9 36 27
Y así sucesivamente hasta una cota de error o un máximo de

iteraciones.
Otra variante para la explicación del Método de Gauss – Seidel
Permite encontrar la solución de un sistema de “n” ecuaciones con “n”

incógnitas.
Para comenzar es preciso mencionar que es un método iterativo, es decir

que debe aplicarse recursivamente hasta encontrar una solución adecuada o
con un error considerablemente pequeño.
En cada iteración obtenemos una solución posible del sistema con un

error determinado, a medida que aplicamos nuevamente el método, la
solución puede ser más precisa, entonces se dice que el sistema converge,
pero si al aplicar el método reiteradas veces la solución tiene un error (ya
explicaremos como se calcula este error) cada vez mayor se dice que el sistema
no converge y no se puede resolver el sistema de ecuaciones por este método.
Bien proseguiré con la explicación del método y luego aclararé los

detalles necesarios para determinar la eficacia del mismo.
Teniendo el siguiente sistema de ecuaciones:

. .
. .
. .
Despejamos x1 de la ecuación 1, x2 de la ecuación 2,…, xn de la

ecuación n, quedando:
Desde la formula anterior resultan las fórmulas que se deberán ir

aplicando en las diferentes iteraciones. Para comenzar a aplicar el método
debemos asignar un valor arbitrario a las variables x2,…xn con el fin de
obtener x1. Lo más conveniente en este caso es que los valores comiencen en
cero, lo cual nos facilitaría el trabajo ya que se reduce el cálculo de las
primeras soluciones, entonces de esto resulta que:
Ahora despejamos x2 de la ecuación 2 y reemplazamos a x1 por el valor

obtenido en la ecuación anterior. De esto nos queda:
( )
=
Una vez que tenemos x2, despejamos x3 de la ecuación 3 y así
sucesivamente con las n ecuaciones, cada vez asignando el valor de las
,… obtenido en el paso anterior.
Cuando hemos despejado las xn, tenemos lo que se conoce como

primera solución o solución de la primera iteración:
2=
Con los nuevos valores de x1, x2,…, xn aplicamos los mismos pasos
anteriores pero con los nuevos valores de las xn, de esta manera conseguimos
una segunda solución:
1=
2=
Al tener esta segunda solución estamos en condiciones de calcular el

error que se calcula como sigue:
| 1| = 100%
| 2| = 100%
| |= 100%
Así, repetimos el método tantas veces hasta que el error sea muy
pequeño o los suficientemente aceptable.
Ahora solo queda mencionar que para que un sistema sea convergente
se debe cumplir que la matriz de coeficientes sea diagonalmente dominante, y
para ello se debe verificar la siguiente expresión:
| |>
= 1,2, … ,
Si no se cumple esa condición, se puede permutar las filas de la matriz,

con el fin de poder convertirla en una diagonalmente dominante.
Sistemas Triangulares
Eliminación de Gauss
Es un algoritmo del álgebra lineal para determinar las soluciones de un

sistema de ecuaciones lineales, encontrar matrices e inversas. Un sistema de
ecuaciones se resuelve por el método de Gauss cuando se obtienen sus
soluciones mediante la reducción del sistema dado a otro equivalente en el que
cada ecuación tiene una incógnita menos que la anterior. Cuando se aplica
este proceso, la matriz resultante se conoce como: "forma escalonada".
Algoritmo de eliminación
1. Ir a la columna no cero extrema izquierda

2. Si el primer renglón tiene un cero en esta columna, intercambiarlo con
otro que no lo tenga
3. Luego, obtener ceros debajo de este elemento delantero, sumando
múltiplos adecuados del renglón superior a los renglones debajo de él
4. Cubrir el renglón superior y repetir el proceso anterior con la submatriz
restante. Repetir con el resto de los renglones (en este punto la matriz se
encuentra en la forma de escalón)
5. Comenzando con el último renglón no cero, avanzar hacia arriba: para
cada renglón obtener un 1 delantero e introducir ceros arriba de este
sumando múltiplos correspondientes a los renglones correspondientes
Una variante interesante de la eliminación de Gauss es la que llamamos

eliminación de Gauss-Jordan, (debido al mencionado Gauss y a Wilhelm
Jordan), esta consiste en ir obteniendo los 1 delanteros durante los pasos uno
al cuatro (llamados paso directo) así para cuando estos finalicen ya se
obtendrá la matriz en forma escalonada reducida.
Ejemplo 70.
Supongamos que es necesario encontrar los números x, y, z, que

satisfacen simultáneamente estas ecuaciones:
= 8
+2 11
= 3
Esto es llamado un sistema lineal de ecuaciones. El objetivo es reducir el

sistema a otro equivalente, que tenga las mismas soluciones. Las operaciones
(llamadas elementales) son estas:
Multiplicar una ecuación por un escalar no nulo.

Intercambiar de posición dos ecuaciones
Sumar a una ecuación un múltiplo de otra.
Estas operaciones pueden representarse con matrices elementales que

se usan también en otros procedimientos como la factorización LU o la
diagonalización por congruencia de una matriz simétrica.
En nuestro ejemplo, eliminamos x de la segunda ecuación sumando 3/2
veces la primera ecuación a la segunda y después sumamos la primera
ecuación a la tercera. El resultado es:
= 8
1 1
+ = 1
2 2
= 5
Ahora eliminamos y de la primera ecuación sumando -2 veces la

segunda ecuación a la primera, y sumamos -4 veces la segunda ecuación a la
tercera para eliminar y.
= 6
1 1
+ = 1
2 2
= 1
Finalmente eliminamos z de la primera ecuación sumando -2 veces la

tercera ecuación a la primera, y sumando 1/2 veces la tercera ecuación a la
segunda para eliminar z.
= 4
1 3
=
2 2
= 1
Despejando, podemos ver las soluciones:
= 2
= 3
1
Para clarificar los pasos (y es en realidad lo que las computadoras

manejan), se trabaja con la matriz aumentada. Podemos ver los 3 pasos en su
notación matricial:
Primero:
2 1 8
1 2 11
2 1 2 3
Después,
2 0 0 4
1 3
0 0
2 2
0 0 1 1
Por último.
1 0 0 2
0 1 0 3
0 0 1 1
Si el sistema fuera incompatible, entonces nos encontraríamos con una

fila como esta: (0 0 0 1)
Que representa la ecuación: + 0 + 0 = 1, es decir, 0 = 1 que no

tiene solución.
Descomposición LU
El método de descomposición LU para la solución de sistemas de

ecuaciones lineales debe su nombre a que se basa en la descomposición de la
matriz original de coeficientes (A) en el producto de dos matrices (L y U).
Esto es:
Donde:
L - Matriz triangular inferior
U - Matriz triangular superior con todos los elementos de la diagonal

principal iguales a 1.
De lo anterior, para matrices de 3x3 se escribe:

0 0
= 0 0 1
0 0 1
Si efectuamos la multiplicación de L y U, igualando los elementos de ese

producto con los de la matriz A correspondientes, se obtiene:
De aquí que los elementos de L y U son, en este caso:
=( )/
Si el sistema de ecuaciones original se escribe como:
lo cual resulta lo mismo escribir:
Definiendo a:
Podemos escribir:
Resolviendo para Y, encontramos:

=( )/
=( )/
El algoritmo de solución, una vez conocidas L, U y b, consiste en

encontrar primeramente los valores de "Y" por sustitución progresiva sobre "L
Y = b". En segundo lugar se resuelve "U x = y " por sustitución regresiva para
encontrar los valores de "x", obteniendo:
La determinación de los elementos de las matrices L y U se realizan

eficientemente aplicando una forma modificada del método de eliminación de
Gauss.
Se observa que el método de descomposición LU opera sólo sobre la

matriz de coeficientes, sin modificar el vector de excitación (en este caso b), por
lo que resulta superior al método de eliminación gausiana.
Ejemplo 71.
Resolver el siguiente sistema de ecuaciones, factorizando la matriz en

LU:
1 0 1 1
1 2 0 0 2 1
=
1 0 1 3 1
0 1 1 4 1
Las matrices de factores L y U de A son:
3 0 0 0 1/3 1/3 0
1 5/3 0 0 0 1 1/5 0
= =
1/3 8/5 0 0 0 1 1
0 0 1 3/8 0 0 0 1
El primer paso es resolver la ecuación L Y = b por sustitución progresiva
para obtener los elementos del vector auxiliar Y:
][ ] = [ ]
3 0 0 0 1 1
1 5/3 0 0 2 1
=
1/3 8/5 0 3 1
0 0 1 3/8 4 1
Donde
= 1/3
= 4/5
=1
= 16/3
El segundo paso es resolver la ecuación U X = Y para encontrar los

elementos de X, por sustitución regresiva:
][ ] = [ ]
1/3 1/3 0 1 1/3

0 1 1/5 0 2 4/5
=
0 0 1 5/8 3 1
0 0 0 1 4 16/3
De donde se obtiene:
= 16/3
= 13/3
= 5/3
= 7/3
Cálculo de la matriz inversa
Es posible usar la eliminación gaussiana para encontrar inversas de

matrices n × n. Para ello se aumenta la matriz dada, digamos A con una
matriz identidad simplemente escribiendo las filas de la identidad a
continuación de las de nuestra matriz A, por ejemplo dada:
2 1
= 1 2
2 1 2
Se construiría
2 1 1 0 0
1 2 0 1 0
2 1 2 0 0 1
y ahora se realizan las operaciones elementales sobre las filas de la

matriz aumentada que sean necesarias para obtener la forma escalonada
reducida de la matriz A; sumando tanto a la segunda como a la tercera fila la
primera obtenemos
2 1 1 1 0 0
1 0 1 1 1 0
0 2 1 1 0 1
Multiplicamos la segunda fila por -1 y la intercambiamos con la primera
1 0 1 0
2 1 1 1 0 0
0 2 1 1 0 1
Ya tenemos el pivote de la primera fila que usamos para hacer ceros

debajo
1 0 1 0
0 1 1 3 2 0
0 2 1 1 0 1
Ahora usamos el pivote de la segunda fila

1 0 1 0
0 1 1 3 2 0
0 0 4 1
Y por último cambiamos de signo la tercera fila y usamos el pivote

correspondiente
1 0 0 4 1
0 1 0 2 1
0 0 1 5 1
El proceso ha finalizado porque en la parte izquierda tenemos la forma

escalonada reducida de A y puesto que ésta es la matriz identidad, entonces A
tiene inversa y su inversa es la matriz que aparece a la derecha, en el lugar que
al principio ocupaba la identidad. Cuando la forma escalonada reducida que
aparece no es la identidad es que la matriz de partida no tiene inversa.
Técnica eficiente para la solución de sistemas tridiagonales
Los sistemas tridiagonales aparecen en la resolución de numerosos

problemas numéricos, de aquí su importancia.
Un sistema tridiagonal tiene la forma:
1 1 1
2 2 2
3 3 3
. . . . = .
. . . . .
Es fácil observar lo siguiente:
1. Que utilizando como pivotes los sucesivos elementos de la diagonal

desde i = 1 hasta i = n la matriz ampliada del sistema tridiagonal anterior
es equivalente a la matriz:
1 1
2 2
3 3
. . .
. .
donde los elementos B’i ; d’i y, por tanto, la solución es fácilmente

calculable utilizando el siguiente algoritmo:
a) Definimos las variables B’i; d’i, i = 1,…., n por igualdades
B’1 = B1
d’1 = d1;
B’i= Bi – r Ci-1
d’i=di- r d’i-1 i=2,…..,n
donde r es la variable auxiliar Ai/B’i-1
b) Calculamos la ultima componente de la solución con
Xn = d’n/B’n
c) Calculamos las siguientes componentes en orden decreciente por la

igualdad:
+1
=
Para i = n = 1,…, 2,1
2. Que lo anterior no es directamente aplicable si uno de los elementos

diagonales, pongamos B’i es cero, en cuyo caso la ecuación i-ésima tomaría la
forma Cixi+1 = d’i pero entonces la .incógnita xi+1 se obtendría de forma
automática por la igualdad xi+1 = d’i con lo que el sistema quedaría reducido a
un sistema de orden n-1 en las variables {x1,…..xi+1,…,xn} que es tridiagonal y
por tanto resoluble mediante el anterior algoritmo o reducible a un sistema
tridiagonal de orden estrictamente inferior y por tanto también resoluble
mediante una ligera modificación del algoritmo descrito en el punto anterior.
Ejercicio 102.- Considerando el sistema de ecuaciones lineales, verifica si

la matriz de coeficientes del sistema es estrictamente diagonal dominante,
si es así, resolver por el método de Jacobi y de Gauss-Seidel.
+3 +2 20
+9 12
+3 +5 = 28
Ejercicio 103.- Considerando el sistema de ecuaciones lineales, verifica si

es posible resolver por el método de Jacobi y Gauss-Seidel; si es así resolver
por los métodos iterativos citados (Jacobi y Gauss-Seidel).
+4 +2 +4 20
18
+ 11 = 28
+3 +5 =8
Ejercicio 104.- Considerando el sistema de ecuaciones lineales:
+2 +2 2
+5 2
+5 =8
a) Resolver usando el método de descomposición LU
b) Calcular el determinante de A, usando descomposición LU.
Resolver el sistema , donde:
2 1 4 6
= 7 5 9 = = 3
7 1 6 1
Ejercicio 105.- Resolver el sistema:
+4 +4 =2
+5 =8
=8
=1
Ejercicio 106.- Resolver el sistema
+2 +5 +4 =1
+5 =2
=5
=1
+7 +3
+ 4 = 10
+9 =8
+4 +2 +2 =4
+5 +7 =3
Ejercicio 108.- Resolver el sistema:
11 +8 +3 +3 =2
+7 +2 +5 =4
13 +8 8
14 =1
+ 12 + 4 + 12 = 81
+ 5 + 2 + 15 = 12
+2 10 15
10 +4 5
+ 13 + 2 = 10
18 =8
=4
+ 15 =3
CAPITULO VI INTEGRACIÓN NUMÉRICA
Introducción
La integración numérica es una herramienta de las matemáticas que

proporciona fórmulas y técnicas para calcular aproximaciones de integrales
definidas. Gracias a ella se pueden calcular, aunque sea de forma
aproximada, valores de integrales definidas que no pueden calcularse
analíticamente y, sobre todo, se puede realizar ese cálculo en un computador.
Realizar una integración numérica es integrar numéricamente una

función: ) en un intervalo dado ] es integrar un polinomio )
que aproxime ) al intervalo dado.
En el campo de la ingeniería y ciencias, es frecuente que la solución de
un problema se exprese como una integral de la forma ; esta integral

se resolvería usando el Teorema Fundamental del Cálculo, sin embargo,
existen casos donde es imposible hallar una anti derivada de ) . Sin
embargo, la integral existe y debe de evaluarse.
Estas situaciones son del área de estudio de la integración numérica.
Si la función ) está indicada en una tabla por un conjunto de

pares ordenados ( ) ; ( ) ;…; ( ) , donde los ( ) están
ordenados en forma creciente y donde ( ) , el polínomio de
interpolación para la función ) en el intervalo [ ] es
un polinomio de aproximación para ) en cualquier intervalo
,0 ;0 del intervalo ).
Se puede usar elpolinomio ) para integrar ) en cualquiera de

los sub-intervalos.
Las ventajas de integrar numéricamente un polinomio son las

siguientes:
1) Si ) es un polinomio de difícil integración o si ) es
prácticamenteimposible de integrar, sin embargo, un polinomio es de
integración inmediata.
2) Si se conoce la solución analítica de los resultados de la integral, y su

cálculo solo puede arrojar aproximaciones.
3) La función es representada a través de una tabla de conjunto de pares

ordenados, obtenidos como resultados de experimentaciones o
cálculosprevios. Las fórmulas de integración son de manejo fácil y práctico y
permite, cuando la función )es conocida, tener una idea del error cometido
en la integración numérica.
Conceptos básicos
Una integral definida se define geométricamente como el área bajo la

curva ) en el intervalo ]. La forma teórica de hallar este valor es
mediante el teorema fundamental del cálculo
Teorema 34. Teorema de valor medio para integrales
Sea continua sobre el intervalo ], existe c perteneciente a dicho

intervalo tal que
( ) =( ) )
Teorema 35. Teorema fundamental del cálculo
Sea continua sobre el intervalo ], y sea ( )= , es decir,

F es una antiderivada de .
Entonces ( ) ( ) )
Teorema 36. Segundo teorema fundamental del cálculo.

Dada una función la cual es contínua sobre el intervalo ], y sea
una función primitiva de la función ; es decir, ( ) ) para todo que
pertenece al intervalo ], entonces
( ) ( ) )
) es una función tal que ( ) ( ), es decir ( ) es una
antiderivada de ( ). Sin embargo en muchos casos prácticos es muy difícil

y a veces imposible hallar una antiderivada de ( ).
En estos casos el valor de la integral debe aproximarse con el menor

error posible, esto puede lograrse por medio de serie de potencias, método
gráfico o métodos numéricos.
Teorema 37.
Si una función , es continua en el intervalo ] , entonces es

integrable en ].
Las notaciones que los autores utilizan en este aspecto varian de

acuerdo al autor, es necesario tener una compresión simple, de todas
maneras, se presentan a continuación las notaciones más omunes.
( ) ( ); ( ) ( )
( ) ( ) )
Método de Serie de Potencias
Consiste en desarrollar en serie de Taylor la función ( ) e integrar

término a término. Intentando hallar la antiderivada de la siguiente integral
definida por ejemplo, es posible hacerlo desarrollando la serie.
= 1) dx = + … dx,
i! 2! 3!
=0
+ …=
2! 3!
+ …=
2! 3!
1 1 1 1
| + =1 + = ( 1)
3 5(2!) 7(3!) 3 10 42 ( !)
Este valor puede calcularse truncando la serie hasta un número

determinado de términos. Este método está restringido a pocos casos posible
que no exista la serie de potencias.
b) La serie puede ser difícil de hallar.
c) Puede ocurrir que la serie no sea convergente en el intervalo [ ].
d) La serie puede converger muy lentamente.
Método Gráfico
Consiste en trazar la gráfica de ( ) en el intervalo [ ] y medir el

área bajo la curva. Esto puede lograrse con unos instrumentos llamados
planímetros (El planímetro es un instrumento de medición utilizado para el
cálculo de áreas irregulares.
Este modelo se obtiene en base la teoría de integrales de línea o de

recorrido). Este método aunque muy general tiene algunos inconvenientes,
pues solamente pueden ser utilizados para obtener aproximaciones; los
inconvenientes son:
a) La gráfica puede ser difícil de elaborar.
b) No es muy preciso ya que está sujeto a errores de medición.
Métodos Numéricos
Los métodos numéricos generan una sucesión de números de la forma:

,… ,…, ( ) , lo cual se acerca a la integral, es decir
lim = .
El método numérico se detiene cuando se cumple algún criterio de

convergencia preestablecidas con la precisión deseada.
a) Como no es posible integrar directamente ( ) estos métodos

aproximanla función ( ) por otra más simple que pueda integrarse.
Las funciones más utilizadas para este fin son los polinomios. Éstos se
emplean con bastante frecuencia en métodos numéricos, por sus propiedades,
en este caso porque pueden integrar fácilmente.
Existen varios métodos para la integración numérica basadas en

polinomios, en este capítulo se estudiará algunos de estos métodos.
Sean ,…, + 1 puntos distintos en a ] y sean

( ) ( ) ( ), … , ( ) + 1 , valores de una función ( ) sobre
,…, .
Sean )el polinomio de interpolación de la función ) sobre

n+1 puntos, por la formula de Lagrange se tiene que:
( )= )
La formula de cuadratura es interpolatoria si y solamente si el grado de

precision es por lo menos n, o sea, si y solamente si la formula es exacta para
todo polinomio de grado .
( )= ( )
Ejemplo 72.
Sea [ ] = [0,2] y sean = 0; = 1; =

a) Determinar la formula de cuadratura que sea exacta pata todo
polinomio de grado 2
b) Usando la formula obtenida, calcular:
( 2)
Como la exigencia del problema es determinar la formula de cuadratura

para polinomio de grado 2, y que sea exacta para ( ) = 1, ( ) = 2, ( ) =
. Se tiene:
=2
3
0+ 1+ =2
2
9 8
0+ 1+ =
4 4
Los valores 2, 2, , son los resultados de la integral de 0 a 2 de 1,
respectivamente. De esta manera se obtiene un sistema lineal de tres

ecuaciones con tres incognitas. Resolviendo el sistema se obtiene:
4 2 8
= , = =
9 3 9
Se tiene la formula para integrar la funcion ( ) en el intervalo [0,2]
4 2 8
= ( )+ ( )+ )
9 3 9
Esta expresión es la fórmula de cuadratura interpolatoria.
b) Se tiene que ( ) 2,con = 0; = 1, =
1
( ) 2; ( ) 1; ( ) =
4
Usando la formula de cuadratura interpolatoria
4 2 8
= ( )+ ( )+ ( )
9 3 9
4 2 8 1 8 2 8 4
= ( 2) + ( 1) + + +
9 3 9 4 9 3 36 3
Resolviendo la integral por metodo del Cálculo se tiene:
x 2 8 4
( 2) = 2x = 2 0= 4=
3 3 3 3
Se verifica que la formula de cuadratura arroja resultado exacto

respecto de la forma tradicional de hallar la integral definida de una funcion.
Se pueden obtener una formula de cuadratura usando el metodo descrito,
aunque sea algo trabajoso, pues si cambian los limites de integracion y los
puntos, todos los calculos deben realizarse de nuevo. Esto limita grandemente
la formula de cuadratura para su aplicacion.
Regla del rectangulo
Las formulas que proporcionan una aproximacion del valor de una

integral definida se conocen con el nombre de formulas de cuadratura.
En sus versiones mas sencillas, estas formulas aproximan el area bajo

la curva, por el area de un paralelogramo. Esto solo proporciona una buena
aproximacion si la base del paralelogramo es pequena. Por ello, las formulas
verdaderamente utiles aproximan la integral definida mediante una suma de
areas de paralelogramos de bases muy reducidas numericamente.
El metodo del rectangulo consistente en dividir el area que se desea

encontrar en T sub-areas en forma de rectangulos.
Para el desarrollo del modelo se toman como referencia las siguientes

variables:
n: Número de sub-áreas en las cuales se divide el área a calcular
h: Ancho o base de cada sub-área
a: Límite inferior definido para el cálculo del área
b: Límite superior definido para el cálculo del área.
La integral definida entre los puntos de una función continua y

acotada ( ) , representa el área comprendida debajo de esa función. La
integración numérica aplica cuando es necesario calcular áreas de integrales
definidas, cuando se desconoce la integral explicita de la función ( ).
Existen varios métodos para calcular áreas por integración numérica.

Quizás el más sencillo sea sustituir el área por un conjunto de n sub áreas
donde cada sub área semeja un pequeño rectángulo elemental de base =
y altura y, El método del rectángulo para la integración numérica viene dado

por las siguientes expresiones.
[ ( ) ( ) ( +2 ) )]
[ ( ) ( +2 ) ( ) )]
Ejemplo 73.
Utilizar la regla rectangular para aproximar la integral, considerando

= 5.
Si se asume el área subdividas en cinco intervalos, aplicando la fórmula
y los datos del problema se tiene: = 0; = 1; = = = = 0.2

[ ( ) ( ) ( +2 ) )]
0.2[ (0) (0 + 0.2) (0 + 2(0.2) + + (0 + 3(0.2) ( (0.2)]
0.2[1 + 1.04081 + 1.17351 + 1.433329 + 1.89648]
1.3088
El valor verdadero o analítico es: 1.4626517459
El cálculo del error es:
= 1.4626517459 1.3088 = 0.153851745
0.153851745
= == = 0.10518686
1.4626517459
% = × 100% = 0.10518686 × 100% = 10.51%
La gráfica, presenta la función y el área de integración
Figura 27. Grafica del ejmplo 73

Ejemplo 74.
Utilizar la regla del rectángulo para resolver la siguiente integral

definida. Considere un valor de n tal que 1<n<8. Los resultados se presentan
como mínimo con cinco decimales
( )
Según la regla del rectángulo, la derivada primera de ) será

aproximadamente igual a: ` ) ( ) ( ) ( ) + ( ))
Donde h es el número de sub intervalos entre el cual será dividido el
intervalo de integración siendo h igual a: =
Donde a es el límite inferior de la integral, b es el límite superior de la

integral y n es el número de sub intervalos sobre el cual será seccionada la
integral para lograr una solución precisa. Para lograr una mayor exactitud se
escogerá el valor de n más alto, lo cual permitirá que el error sea mínimo, de
aquí el que se eligirá una n=8 quedándonos un h igual a:
1.4 1
= = 0.05
8
Evaluando ) en la función de la regla del rectángulo obtenemos la

siguiente tabla
n x ( )
1 1.05 0.018325
2 1.10 0.019197
3 1.15 0.020070
4 1.20 0.020942
5 1.25 0.021815
6 1.30 0.022687
7 1.35 0.023560
8 1.4 0.024432
Remplazando estos valores de ) en la ecuación de la regla del
triángulo obtenemos:
( )
1
= (0.018325 + 0.019197 + 0.020070 + 0.020942 + 0.021815
8
+ 0.022687 + 0.023560 + 0.024432)
0.171028
( ) = = 0.021378
8
Obteniendo así como resultado que la integral definida de

( ) = 0.024432 . El resultado arrojado por los métodos de
integración aplicando cálculo arroja el siguiente resultado.
( ) = 0.008377
Figura 28. Figura del ejemplo 74

Al comparar este resultado con el arrojado por el método de integración
tenemos el siguiente error.
0.008377 0.021378
= = 1.551988
0.008377
% = 155.1988%
Para esta función el método no resulto ser muy exacto ya que presenta
un error muy elevado por lo que se recomienda usar un n mayor o aplicar otro
método numérico más exacto.
Regla del punto medio
El método rectangular solo es estudiado a modo de referencia, pues no

arroja resultados significativos en cuanto a la precisión de los resultados.
El método del punto medio es una variante mejorada del método del
rectángulo y presenta una mejor aproximación que el método del rectángulo,
apenas con una pequeña modificación de de la fórmula del rectángulo,
variando los puntos de los intervalos.
La regla del punto medio aplica la siguiente fórmula:
+ + )
2 2 2
Ejemplo 75.
Utilizando la función anterior Utilizar la regla del punto medio para

aproximar la integral, con =5
0 1
= 0; = 1; = = = = 0.2
5 5
Aplicando la fórmula del punto medio se tiene:
+ + )
2 2 2
0.2 3(0.2) 5(0.2) 7(0.2) 0.2
0.2 0+ 0+ 0+ 0+ (1 )
2 2 2 2 2
0.2[ (0.1) (0.3) (0.5) (0.7) 0.9)]
0.2[0.7268449] = 1.4536898
Calculando el error en este problema: % = 0.613
Figura 29. Grafica del Ejemplo 75

Observación
Haciendo una comparación simple entre los dos métodos estudiados

hasta ahora, se nota un gran aumento en la precisión de los resultados
obtenidos por el método del punto medio respecto al método del rectángulo.
En el mismo ejemplo , con la misma cantidad de intervalos (5) se

obtienen los siguientes márgenes de error, que miden las precisiones
arrojadas por cada método Error porcentual del método del rectángulo es
10.5%. Error porcentual del método del punto medio es 0.6%. Se concluye que
el método del punto medio arroja mejores resultados que el método del
rectángulo. Algunos textos consideran, indistintamente al método del punto
medio como el método del rectángulo, pues se basan en el mismo principio,
variando solamente en la forma de operar con los intervalos.
Ejemplo 76.
Utiliza la fórmula del punto medio para resolver las siguientes integrales
Figura 30. Grafica del ejercicio 76

Antes que nada comenzamos definiendo la variable N que para este caso
será el valor de 8, mientras más alto sea el valor de N, la precisión de la
expresión va a ser más aproximada al valor real.
= 0; = 1.2; =8
Con estos valores se procede a calcular el valor de la altura definida por

el h que es:
1.2 0 3
= = = 0.15
8 20
( ) + +
2 2 2
0.15 3(0.15) 5(0.15) 7(0.15)

0.15 0+ 0+ 0+ 0+
2 2 2 2
9(0.15) 11(0.15) 13(0.15)

0+ + 0+ 0+
2 2 2
(0.15)
1.2
2
0.15 (0.075) (0.225) (0.375) (0.525) (0.675) + (0.825)
(0.975) (1.125)
0.15 0.080813 + 0.28177261 + 0.5456218 + 0.8874909 + 1.3257222
+ 1.8825163 + 2.58488803 + 3.4652439
0.15 11.05407223 = 1.6581108
El valor verdadero de la integral = 1.6640233

El cálculo de los errores es
=| | = |1.6640233 1.6581108| = 0.0059125
0.0059125
= = = 0.003553
1.6640233
%= 100% = 0.3553%
Observaciones
Para este tipo de funciones el cálculo de la integral nos arroja un error

muy pequeño por lo cual se puede decir que el método de punto medio, es
eficiente a la hora de aplicarlo en este tipo de funciones, cabe acotar que se
usó un n=8 por lo cual esto también entra en el análisis del resultado ya que
medida de que se toman más sub-intervalos más cercano estará del valor real.
Fórmulas de Newton - Cotes
Las formulas de Newton-Cotes del tipo cerrado son aquellas en que

son puntos de la formula de cuadratura, o sea los
argumentos , son igualmente espaciados de una cantidad fija , esto es,
= 0,1, … , 1, la función peso, ), es constante e igual a 1, y
el intervalo de integración es finito.
Teorema 38.
Sea : ) una función cuyos valores ( ) ( ), … , )son conocidos,

ya sea por medio de tablas o por puntos de pares ordenados; de ahí se tiene
que:
Suponiendo entonces igualmente espaciados de y considerados

= se tiene = y cuando =0 y u=n
Luego , Donde los son los polinomios
usados en la formula de Lagrange para intervalos igualmente espaciados:
Haciendo . Obteniendose =
Entre los métodos cerrados de Newton – Cotes se cuentan la regla del

trapecio con un grado de exactitud uno, y los métodos de Simpson, tanto las
de un tercio y las de tres octavos, tienen un grado de exactitud tres. Las
fórmulas de cuadratura se dicen abiertas cuando no se utilizan los extremos
del intervalo como abscisas de interpolación, son de la forma:
( ) ; ( ) )];
2 2
Con ; 2= +2 ; =
Existen dos teoremas que se presentaran, son las que permiten obtener
las formulas cerradas y abiertas de Newton-Cotes.
Teorema 39.
Supongamos que ( ),se la formula cerrada de Newton-Cotes con
donde = , entonces existe ], tal que
Cuando n es par
( )
( ) ( )+ ( 1)( 2)( ) , si n es
( )!
par [ ]
Cuando n es impar
( )
( ) ( )+ ( 1)( 2)( ) , si n es
( )!
impar [ ] =
Teorema 40.
Supongamos que ( ),se la formula abierta de Newton-Cotes con
donde = , entonces existe ), tal que
Cuando n es par
( )
( ) ( )+ ( 1)( 2)( ) , si n es
( )!
par [ ]
Cuando n es impar
( )
( ) ( )+ ( 1)( 2)( ) , si n es
( )!
impar [ ];
Teorema 41.
Si los puntos = 0,1,2, … , dividen al intervalo ], en un

número par de intervalos iguales y ) tiene derivadas de orden ( + 1)
continua en ] , entonces la expresión de error para la forma de
Newton-cotes del tipo cerrado, con n impar es:
( )
( )= ( 1) … ( ) , para algún ]
( )!
Teorema 42.
Si los puntos = 0,1,2, … , dividen al intervalo ], en un

número par de intervalos iguales y ) tiene derivadas de orden ( + 1)
continua en ] , entonces la expresión de error para la forma de
Newton-cotes del tipo abierto, con n impar es:
( )
( )= + 1) … ( ) , para algún ]
( )!
Metodo del Trapecio.
La figura del trapecio y de la fórmula de área de la misma dio su nombre

a este método. Si se considera un polinomio de grado 1, es decir, una recta, y
se de obtener una fórmula para integrar ) entre dos puntos consecutivos
, usando un polinomio de primer grado, se tiene la fórmula del trapecio:
( ) = ( ) ( ) ( ) )
2 12
Si el intervalo de la integral es grande, se puede dividir el intervalo ]
n sub-intervalos de amplitud = de tal forma que x ; . Si el
intervalo ] es pequeno la aproximacion sera razonable, entendiendose

que cuanto menor es el intervalo mayor sera la precision del resultado
obtenido; mas si ] es grande, el error tambien puede ser grande,
dependiendo de la pendiente de la funcion analizada. En error en la formula
del trapecio sobre el intervalo [ ] obtenido del teorema de error de Newton –
Cotes, para = 1 es:
``( )
( ) ,x
12
Figura 31. Representación grafica del Método del Trapecio

Regla el trapecio Generalizada
Si el intervalo de la integral es grande, se puede dividir el intervalo [a, b]
n sub-intervalos de amplitud = de tal forma que x ; y en
cada sub-intervalo ( ), = 0,1, … , . Aplicando la regla del trapecio a

cada sub-intervalo, el error sera ahora la suma de las areas entre la curva de
la funcion y las rectas de la parte superior del trapecio, como se muestra en la
figura.
Figura 32. Representación grafica del Método del Trapecio Generalizado
Se observa ahora que 0, por lo tanto el resultado de la integral

tiende a ser exacto, pues el error tiende a cero. Por lo tanto, cuando mayor
cantidad de sub-intervalos se introduce entre los límites de integración
considerados, más preciso será el resultado. Así, mejorando la precisión y
disminuyendo el error, la fórmula del trapecio en su forma generalizada queda
de la siguiente forma:
( ) [ ( )+2 ( )+2 ( )+2 ( ) +2 ( )+2 ( )]

2
Ó
( ) [ ( )+2 ( ) ( ) ( ) ( )]
2
La formula de error queda asi:
( ) ( )
( ) ( )=
12
Aun aplicando la formula de error, es imposible lograr el resultado

exacto de la aproximación buscada, sin embargo, la fórmula de error es útil
cuando se desea una precisión prefijada para la función a ser analizada.
Ejemplo 77.
Hallar la siguiente integral por métodos numéricos aplicando la Regla

del Trapecio.
2
= = = 0.125
8
( )
2 2.77259
2.125 3.40375
2.25 4.10533
2.375 4.87913
2.5 5.72682
2.625 6.65001
2.75 7.6502
2.875 8.72894
3 9.88751
( ) = ( )+2 ( )+2 ( )+2 ( )+2 ( )+2 ( )+2 ( )

2
+2 ( ) ( )] = 0.0625 (2.77259 + 2 3.40375 + 2 4.10533 + 2
4.87913 + 2 5.72682 + 2 6.65001 + 2 7.6502 + 2 8.72892
+ 9.88751) = 5.93428
= 5.928
5.928 5.93428
% = + 100% = 0.1%
5.928
Ejemplo 78.
Hallar las siguientes integrales por métodos numéricos aplicando la

Regla del Trapecio.
x sen( )

Aplicando la formula tenemos:
( )
1 0.84147
1.2677 0.59389
1.5354 0.42392
1.8031 0.29932
2.0708 0.20465
2.3385 0.13157
2.6062 0.07511
2.8739 0.03203
0
( ) = [ ( )+2 ( )+2 ( )+2 ( )+2 ( )+2 ( )+2 ( )

2
+2 ( ) ( )] = 0.13385
(0.84147 + 2 0.59389 + 2 0.42392 + 2 0.29932 + 2 0.20465 + 2
0.13157 + 2 0.07511 + 2 0.03203 0) = 0.58391
= 0.57773
0.57773 0.58391
% = 100% = 1.07%
0.57773
x sen( )
1
[ (1)
16
+ 2 (1,01769 + 2 (1,0353) + 2 (1,0530) + 2 (1,0707) + 2 (1,5884)
+ 2 (2,1061) + 2 (2,6238) ( )]
x sen( ) 0,0279268
Regla de (1/3) de Simpson
Regla 1/3 de Simpson si hay un punto medio extra entre ) ( ),

entonces los tres puntos se pueden conectar con un polinomio de grado mayor
a uno. A las formulas resultantes de calcular la integral bajo estos polinomios
se les llaman reglas de Simpson; La regla de Simpson (1/3) para integración a
lo largo de un intervalo cerrado en número par de 2n de sub intervalos
de amplitud h igual a = de tal forma que .
A las fórmulas resultantes de calcular la integral bajo estos polinomios

se les llaman Reglas de Simpson. Otra de las fórmulas de Newton-Cotes es la
regla de Simpson de (1/3), que proporciona una aproximación más precisa
que la regla del trapecio, ya que consiste en conectar grupos sucesivos de tres
puntos sobre la curva mediante parábolas de segundo grado, y sumar las
áreas bajo las parábolas para obtener el área aproximada bajo la curva.
La expresión usada es:
( ) = ( ) = [ ( )+4 ( ) )] ( ) ]
3 90
Ejemplo 79.
Hallar la siguiente integrale por métodos numéricos aplicando la regla

1/3 de Simpson. Al resolverlos recordar que los resultados se representan
como mínimo de cinco decimales, además de utilizar el mejor criterio para la
elección del valor de n.
cos

El valor de h = = 0.83333 es el valor a tomar.
X 0.000001 5/6 5/3 5/2 10/3 25/6 5

1 1.164084 0.4268272 0.1011929 0.01807469 0.0026154 0.00032
( ) 1 0.999914 0.999657 0.999229 0.998630 0.997859 0.99691
( ) 1 1.163984 0.426681 0.101115 0.018050 0.002601 0.000320
En la tabla antes propuesta se ve que el punto es 0.000001 y no 0,

esto es debido a que al evaluar la función en el punto 0 nos quedaría una
integral impropia por lo tanto se aproxima lo más cerca del cero, para poder
aplicar el cálculo de la integral.
( ) = ([ ( ) ( )] + [ ( ) + 2 ( )] + [ ( ) + 4 ( ) + 4 ( )])
3
cos ( = [1 + 0.000320] + [0.426681 + 0.018050] +
[1.163984 + 0.101115 + 0.002700]
cos ( = [1.000320] + [0.444731] + [1.267735]
cos( ) = 0.278667 + 0.247073 + 1.408594 = 1.934334
El valor verdadero de la integral cos( ) 1.994971
=| | = [1.99471 1.934334] = 0.060376
0.060376
= = = 0.03026805
1.99471
%= 100% = 3.0268%
Observaciones
A pesar de ser un resultado bajo se puede llegar a la conclusión de que
el método para las funciones que tenga una componente trigonométrica,
afecta al resultado en gran medida, debido a lo cual se procede a volver a
calcular el valor de la integral con una nueva consideración en mente la cual
va a ser aplicar un N mayor para que se logre una mayor exactitud a la hora de
aplicar el método de Simpson 1/3.
Ejemplo 80.
Hallar la siguiente integrale por métodos numéricos aplicando la regla

1/3 de Simpson. Al resolverlos recordar que los resultados se representan
como mínimo de cinco decimales, además de utilizar el mejor criterio para la
elección del valor de n.
El valor de h = = 0.33333 es el valor a tomar para la altura h,
ya con este valor se procede a calcular los x en donde se va a evaluar la función

la cual va a seguir el orden de .
( ) ( ) ( ) ( ) ( ) ( ) ( )
2 7/3 8/3 3 10/3 11/3 4
7.389056 10.312258 14.391961 20.085536 28.031624 39.121284 54.5981500
1 1/2 3/7 3/8 1/3 3/10 3/11 1/4
3.694528 4.419539 5.396968 6.695179 8.409487 10.669441 13.649538
[ ( )+4 ( )+2 ( )+4 ( )+2 ( )+4 ( ) ( )]

3
1/3
[3.694528 + 4 4.419539 + 2 5.396968 + 4 6.695179 + 2
3
8.409487 + 4 10.669441 + 13.649538]
1
[3.694528 + 17.678156 + 10.793936 + 26.780716 + 16.818974
9
+ 42.677764 + 13.649538]
1
= [132.093612] = 14.677068
9
El valor verdadero de la integral
= 14.67664011
=| | = [14.67664011 14.677068] = 0.000428
0.000428
= = = 0.00002915449
14.67664011
%= 100% = 0.0029%
Observaciones
Como se puede apreciar en el resultado, al aplicar este método se obtuvo

el resultado de la integral definida con un error muy aceptable ya que es
posible despreciarse por el nivel de diferencia que existe entre el valor
calculado y el real, cabe destacar que sin necesidad de aplicar un N=8 se logró
llevar a un valor correcto para este tipo de función.
Regla de Simpson 3/8
La regla de Simpson de (3/8) considera el valor de n= 3, con el propósito

de obtener una fórmula para integrar f(x) entre cuatro puntos consecutivos
, consistiendo en aproximar la función mediante una cubica.
( ) )+ )+3 )+ )]
8
Esta fórmula se conoce como la Regla de Simpson (3/8) de la fórmula de

Newton – Cotes. La fórmula de la Regla de Simpson (3/8) con la menor
participación de sus intervalos igualmente espaciados de mayor amplitud
= , sin embargo, para mayor precisión, normalmente se realizan
subdivisiones mayores de los intervalos de integración, para lo cual la formula

generalizada de la siguiente forma
( ) )+ )+3 )+ )]
8
La formula de error para la regla de Simpson (3/8) es la siguiente:
( )
80
Ejemplo 81.
Resuelva la siguiente integral usando la Regla de Simpson (3/8):
1
1+
Solución
- Para esta integral utilizamos como n=3 ya que solo se requiere los
primeros cuatros valores de la tabla para determinar la integral
- Se halla el valor de h, = = =
- Se realiza una tabla de Datos para determinar los valores x1, x2, x3 y
los de F(x).
x 0 1/3 2/3 1
F(x)= 1 0,99590 0,88363 0,5
- Se reemplaza los valores en la ecuaciones y se tiene que:
1 1 1
( )[1 + 3(0,99590) + 3(0,88363) + 0,5)
1+ 8 3
- Se resuelven y se acomoda un poco la integral nos queda:
1 1
(7,14966)
1+ 8
- La integral por la Regla de Simpson nos queda:

1
0,89370
1+
Comentarios
Analíticamente la = 0,88831
Por la Regla de Simpson (3/8) nos queda que 0,89370
Errores:
= 0,88831 0,89370 = 0,00539
% %
Ejemplo 82.
Utilizando el método de Simpson (3/8) se pudo determinar el valor de la

integral y comparándolo con el valor teórico, se obtuvo que el error que poseía
es de 0,606% cuyo error es muy bajo, por lo tanto, puede aplicarse este
método al momento de resolver la integral si en dado caso no se exija un
análisis profundo de la curva.
+1
Solución
- Para esta integral utilizamos como n=3 ya que solo se requiere los
primeros cuatros valores de la tabla para determinar la integral
- Se halla el valor de h, = = =
- Se realiza una tabla de Datos para determinar los valores x1, x2, x3 y
los de F(x).
x 1 4/3 5/3 2
F(x)= 0 0,12329 0,19156 0,231040
- Se reemplaza los valores en la ecuaciones y se tiene que:
3.1
(0 + 3(0,12329) + 3(0,19156) + 0,231040)
+1 8.3
- Resolviendo parte de los cálculos y acomodando:
1
(1,17560)
+1 8
- La integral aplicando el método nos queda:
0,14695
+1

Comentarios
Analíticamente la = 0,147221
Usando el la Regla de Simpson (3/8) de 0,14695
Errores:
= 0,147221 0,14695 = 0,000271
% %
Se determinó por medio de la Regla de Simpson (3/8) un valor cercano al

valor de la integral de manera analítica, se determinó que su error fue de
0,1841% cuyo valor de error es bajo si no se exige al análisis de la curva, cabe
acotar que el valor del error dio bajo también porque la función dado era
logarítmica trasladada (paralelo al eje x a partir de (1) por lo tanto el cálculo
del área bajo su curva llega a ser preciso.
Método de Boole
La regla de Boole utiliza cinco puntos consecutivos igualmente

separados para calcular la integral aproximada de la función utilizando un
polinomio de cuarto grado. La formula cerrada de Newton-Cotes, en el caso
particular en que = 4, es llamada la Regla de Boole, y se expresa por la
siguiente fórmula:
( ) = [ ( ) + 32 ( ) + 12 ( ) + 32 ( ) + 7 ( )] ( )
45 945
En resumen
El Teorema Fundamental del Cálculo Integral establece que “sí f es

una función continua en un intervalo cerrado ] entonces f es integrable
en [ ]; es decir ( ) existe”.
Este teorema garantiza la existencia de la integral definida pero no
proporciona herramientas para calcularla y para evaluar
( ) usando este Teorema se requiere que la función f sea continua en
[ ] y hay que hallar una primitiva de f, que en algunos casos es imposible.
Otro problema que surge al calcular ( ) es cuando la función f está

dada mediante una tabla de valores.
Por las razones expuestas anteriormente es que surgieron los métodos

numéricos para aproximar integrales definidas, los cuales se pueden
aplicar a funciones definidas en forma analítica o en forma tabulada.
El método que se usa para aproximar ( ) se conoce como

cuadratura numérica, el cual usa una suma de la forma:
( ) = ))
Estos métodos se pueden deducir usando polinomios interpolantes y

los polinomios de Taylor.
Sean x , x , x , . . . , x , (n + 1) (nodos distintos del intervalo ] y sea

P (x) el polinomio que interpola estos puntos y R (x) el error de interpolación:
( ) = ( ) + ( )
de allí que: ( ) ( ) representa la aproximación a la
integral definida y = ( ) representa el error .
Regla 1/3 de Simpson
Pasos a seguir:
a) Se elige n par.
b) x= .
c) ( ) se evalúa.
d) ( ) = 1 + 4 2 + 2 3 + 4 4 + 5].
e) Calcular el error.
Regla 3/8 de Simpson
Pasos a seguir:
a) Se elige n par.
b) x= .
c) ( ) se evalúa.
)
d) ( ) = 1 + 3 2 + 3 3 + 3 4 + 5].
e) Calcular el error.
Resuelva u8sando el metodo que desee.
Ejercicio 111.- =4
Ejercicio 112.- +8 =6
( )
Ejercicio 113.- =6
Ejercicio 114.- 1+ =4
Ejercicio 115.- =8
Ejercicio 116.- Se tiene la siguiente función siguiente: (para cada inciso

calcule el porcentaje de error)
,
1
a) Calcule la integral por el método de la regla del trapecio n = 6

b) Calcule la integral por el método de Simpson 1/3 n = 4
c) Calcule la integral por el método de Simpson 3/8 con n = 3
d) Calcule la integral por el método combinado Simpson 1/3 para 4
fajas y Simpson 3/8 para 3 fajas (nota se tiene n= 7)



( 1) ,

CAPITULO VII DERIVACIÓN NUMÉRICA
Introducción
La derivada es de uso comun en la matematica y la ingenieria, sin

embargo, en la práctica, existen situaciones en que no se conocen las
expresiones analiticas de muchas funciones con las que se trabaja, y
solamente se dispone de valores en un conjunto de puntos. En algunos casos
es necesario proceder a calcular el valor de alguna derivada de algunas
funciones en un punto concreto. En este tipo de situaciones no se puede
utilizar el concepto riguroso de derivada por desconocimiento de la expresion
de la funcion. De esta manera surge la necesidad de disenar metodos
numericos que permitan aproximar el valor de las derivadas de una funcion en
algun punto a partir del conocimiento de los valores de la funcion en un
soporte dado.
Los metodos de derivacion numerica desarrollados con el fin de

aproximar algun valor buscado, muestran un buen comportamiento en
numerosos casos. Es por ello que algunas veces, aun disponiendo de la
expresion analitica de las funciones a derivar, se opta por aproximar los
valores de las derivadas mediante formulas numericas suficientemente
precisas.
La diferenciacion numerica es muy util en casos en los cuales se tiene

una funcion cuya derivada es dificil o complicada de hallar, o en casos en los
cuales no se tiene una función explicita sino una serie de datos
experimentales. El problema de la derivacion numerica consiste en la
evaluacion de la derivada de la función en un punto, cuando unicamente se
conocen los valores de la funcion en una coleccion de puntos ,…,
Aunque, en apariencia se trata de un problema similar al de la

Integracion numerica; de hecho la derivacion es mas complicada ya que, en la
integracion los errores tienden a cancelarse, y, como se vio, no es necesario
que la aproximacion describa con fidelidad la funcion localmente. Sin
embargo, la derivada es una propiedad esencialmente local, por lo cual se debe
aproximar la funcion lo más fielmente posible en el entorno inmediato del
punto en el que la queramos calcular.
Las fórmulas de derivación numérica aparecen en el desarrollo de

algoritmos para la solución de problemas de contorno en ecuaciones
diferenciales ordinarias (y en ecuaciones en derivadas parciales). En general,
se puede obtener aproximaciones numéricas de la derivada en un punto
derivando alguna función interpolante, por ejemplo un polinomio de Lagrange,
algún trazador cúbico, etc. Sin embargo, en la práctica pequeños errores en
los datos pueden producir malos resultados en las derivadas. Aquí se
experimentará con fórmulas que se obtienen derivando el polinomio
interpolante de Lagrange.
Una formula de diferenciacion numerica es un procedimiento que

permite aproximar la derivada de la funcion ) en un punto Utilizando el
valor de ) en otros puntos vecinos . Uno de los métodos de aproximar la
derivada de una función )en un punto consiste en usar el desarrollo de
Taylor centrado en . La derivación numérica es una técnica del análisis
numérico que permite calcular una aproximación a la derivada de una
determinada función en un punto, utilizando los valores y propiedades de la
misma.
Figura 39. Diferenciación numerica

Por definición la derivada de una función f(x) es:
( ) )
( ) = lim
Las posibles aproximaciones numéricas de la derivada en un punto que

podrían calcularse tomando una sucesión { }, Tal que 0 se tiene las
siguientes expresiones:
( ) ( )
Diferencia hacia delante ( )
( )
Diferencia hacia atrás ( )
La aproximación de la derivada por este método entrega resultados

aceptables con un determinado error. Para minimizar los errores se estima
que el promedio de las dos diferencias ofrece la mejor aproximación al
problema dado.
Definición 38.
Sean ,… , puntos distintos pertencientes al intervalo

] y sean ), ), ), … ), ) valores de una función )
sobre = 0,1,2,3, … , .
Se define
[ ] ( ) = 0,1,2,3, … , ;
( ,… ) ( ,… )
[ ,… ]=
Donde [ ,… ], es la diferencia dividida de orden n de la

función ), sobre los puntos ,… .
Usando esta definición se tiene:

( ) ( )
[ ,] =
( ) ( )
[ ]=
( ) ( )
[ ]=
De la definición se observa que del lado derecho de cada una de las

igualdades se debe aplicar sucesivamente la definición de diferencia dividida
hasta que los cálculos contengan el valor de la función en los puntos, o sea:
( ) ( )
( ) ( )
[ ]= =
Método de Diferencias Finitas
Una diferencia finita es una expresión matemática de la forma ( )

( ) Si una diferencia finita se divide por )se obtiene una expresión
similar al cociente diferencial, que difiere en que se emplean cantidades finitas
en lugar de infinitesimales. La aproximación de las derivadas por diferencias
finitas desempeña un papel central en los métodos de diferencias finitas del
análisis numérico para la resolución de ecuaciones diferenciales. El método de
diferencias finitas consiste en aproximar la función por polinomios. Las
fórmulas resultantes pueden clasificarse de las siguientes maneras:
( ) ( ) ( ) ( )
En base al orden de la derivada, obteniéndose
En base al orden de la diferencia, pueden ser primera, segunda, tercera,
etc.
En base a los puntos de apoyo de la formula en la tabla, es decir, si se
emplean puntos antes, después o ambos lados de algún punto de interés.
Existen tres tipos y son:

Diferencias hacia adelante, cuando se usan puntos anteriores del punto
de interés.
Diferencias hacia atrás, cuando se emplean puntos posteriores al punto
de interés.
Diferencias centrales. Cuando se usan puntos tanto antes como
después del punto de interés.
Referencias para las fórmulas de diferencias finitas:
Indica el punto de interés, de estudio o de análisis.
( ) Espaciamiento constante de la tabla.
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
Fórmulas de diferencias finitas hacia adelante
Se le llama diferencia " hacia adelante " ya que usa los datos ( + 1)
para estimar la derivada. Al término completo (o sea, la diferencial entre h) se
le conoce como primera diferencia dividida finita. Esta diferencia dividida
hacia adelante no es sino una de tantas que se pueden desarrollar mediante la
serie de Taylor para la aproximación de derivadas numéricas.
Primera diferencia Segunda diferencia

( + ) ( ) ( +2 )+4 ( + ) 3 ( )
( )= ( )=
2
Ejemplo 83.
Derive la siguiente función usando el método de derivación de

primera diferencia hacia adelante con un = 0,5 = 0,1.
Solución
Sabiendo que = 0,5 y = 0,1 realizamos una tabla de datos de la

siguiente manera
Xn X F(Xn)
0,3 1,34984
0,4 1,49179
0,5 1,64866
0,6 1,82202
0,7 2,0136
Sustituimos los valores obtenidos en la siguiente ecuación:
( ) ( )
( )
Sustituyendo nos queda:
1,82202 1,64866
(0,5)
0,1
Entonces la Primera Diferencia de la Derivada hacia delante de
(0,5) 1,23542
Figura 40. Grafica ejemplo 83, roja función, verde primera derivada
Comentarios
Analíticamente la evaluado en X=0,5 nos da que (0,5) =
1,62841
Utilizando el método de la primera diferencia hacia adelante nos queda
(0,5) 1,23542
Errores:
= 1,62843 1,23542 = 0,39301
% %
Se pudo comprobar que los errores obtenidos usando el método de la

primera diferencia hacia adelante dio un error de 24,134% cuyo error es
elevado, por lo tanto no es recomendable usar este método si se da realizar un
estudio particular de la gráfica, en dado caso es recomendable aplicar la
segunda diferenciación para obtener un valor más cercano al valor teórico.
Ejemplo 84.
Sea la función ln , calcular las derivadas por métodos numéricos en el

punto = 5, en base a la siguiente tabla, con = 0.1, aplicando la formula de
la primera diferencia finita hacia adelante.
4.7 4.8 4.9 5.0 5.1 5.2 5.3

( ) 1.54756 1.56862 1.58922 1.60944 1.62924 1.64866 1.6677
Solución:
Para ( ) . El valor verdadero de (5) (5)
( ) ( ) (5.1) (5) 1.62924 1.60944

( )= = =
0.1 0.1
0.2 0.198
= = = 0.01, % =| × 100%| = (0.01) × 100% = 1%
0.2
Segunda derivada
( ) ( ) ( ) (5.2) (5.1) (5)
( )= =
(0.1)
1.64866 2(1.62924) + 1.60944 3.8 × 10

( )= =
0.01 0.01
0.04 0.038)
= = = 0.05, % =| × 100%| = (0.05) × 100%
0.04
= 5%
Fórmulas de diferencias finitas hacia atrás
Las expresiones matemáticas que definen este método de diferencias

finitas hacia atrás se presentan a continuación
Primera diferencia Segunda diferencia

( ) ( + ) 3 ( ) 4 ( )+ ( 2 )
( )= ( )=
2
Ejemplo 85.
Sea la función . ( ) calcular la derivada de los métodos

numéricos en el punto x =1 , con h=0.1, aplicando la fórmula de la primera
diferencia finita hacia atrás.
Tenemos que = ( ) y será evaluada en x=1 con un valor de

h=0.1 este ultimo permite definir cuál será la tolerancia considerada como
aceptable ya que mientras mas pequeño sea este número más cercano estará
el valor calculado del valor real
Para la primera derivada la formula de la primera diferencia finita hacia

atrás nos indica que:
`( ( ) )
)=
Donde y = (0.9)
`(
(1) (0.9) 20.287355 1.926673
)= = = 3.606820
0.1 0.1
Para la segunda derivada
`` ( ) + )
)=
Donde = (0.8)
`` ( ( ) ( ) ( ) ``
)= = = =
3.0513
Para la tercera derivada
``` ( )=
Dónde: = (0.7)
``` (
(1) 3 (0.9) + 3 (0.8) (0.7)
)=
0.1
``` (
2.287355 5.780020 + 4.789516 1.297295
)= = 0.444
0.001
Para la cuarta derivada
```` (
4 +4 4 +
)=
Dónde: = (0.6)
```` ( )
(1) 4 (0.9) + 4 (0.8) 4 (0.7) + (0.6)
=
(0.1)
```` (
2.287955 7.706693 + 6.386021 5.189180 + 1.028846
)=
0.0001
```` (
3.193651
)= = 3193651
0.0001
Figura 41. Grafica del ejemplo 85, Grafica roja función, azul primera derivada, verde
segunda
Ejemplo 86.

la primera diferencia finita hacia atrás.
4.7 4.8 4.9 5.0 5.1 5.2 5.3

( ) 1.54756 1.56862 1.58922 1.60944 1.62924 1.64866 1.6677
Solución:
Para ( ) . El valor verdadero de (5) (5)
Figura 42. Grafica del ejemplo 86, Grafica roja función, azul primera derivada, verde
segunda
Diferencias finitas hacia atrás (primera diferencia)
Primera derivada
( ) ( ) (5) (4.9) 1.60944 1.58922

( )= = =
0.1 0.1
0.2 0.2022
= = = 0.011, % =| × 100%| = (0.011) × 100%
0.2
%
Segunda derivada
( ) ( ) ( ) (5) (4.9) (4.8)

( )= =
(0.1)
1.60944 2(1.58922) + 1.56862 3.8 × 10

( )= =
0.01 0.01
0.04 0.038)
= = = 0.05, % =| × 100%| = (0.05) × 100%
0.04
%
Inestabilidad numérica de las fórmulas de diferencias finitas
Las formulas presentadas anteriormente, las de diferencias finitas hacia

adelante y hacia atrás, son inestables por naturaleza del método, debido a la
operación de dividir entre números cercanos a 0, referido al valor de 9 que es
normalmente de valor muy pequeño y cercano a cero.
Estas fórmulas no son recomendadas en los procesos en que se desean

resultados con mucha precisión, pues como se dijo, presentan inestabilidad
inherente en la formula, por lo tanto, su uso no es recomendado, sin embargo,
para fines didácticos son totalmente aceptables la presentación de estos
métodos.
La deducción de las fórmulas puede hacerse empleando las fórmulas de

interpolación, o directamente la serie de Taylor.
Fórmulas de diferencias centrales
Este método de aproximación numérica presenta la característica de

que los valores de ( ) y ( )se sitúan a ambos lados de (, tanto a la
derecha como a la izquierda de x.
Teorema 43. Derivación numérica por diferencia centrada de orden )
Suponiendo que [ ], ( ), ( ) [ ], entonces:
( ) ( )
( )
Además, existe ( ) [ ],
Tal que:
( ) ( )
( ) ( )
( )
( ) )
6
Teorema 44. Derivación numérica por diferencia centrada de orden )
Suponiendo que [ ], ( ), ( ), ( ), ( +2 ],
entonces:
( +2 )+8 ( ) ( ) )
( )
12
Además existe ( ) ], tal que
( +2 )+8 ( ) ( ) )
( ) ( ),
12
)
con ( )= )
30
Fórmulas de diferencias finitas centrales
Primera diferencia
( ) ( )
( )=
( ) ( ) ( )
( )=
( ) ( )+2 ( ) ( )
( )=
( ) ( )+6 ( ) ( ) ( )
( )=
Segunda diferencia
( )+8 ( ) ( ) ( )
( )=
12
( ) + 16 ( ) 30 ( ) + 16 ( ) ( )
( )=
12
( )+8 ( ) 12 ( ) + 12 ( ) ( ) ( )
( )=
( )
( ) + 12 ( ) 39 ( ) + 56 ( ) 39 ( ) + 12 ( ) ( )
=
Ejemplo 87.

la primera diferencia finita central.
4.7 4.8 4.9 5.0 5.1 5.2 5.3

( ) 1.54756 1.56862 1.58922 1.60944 1.62924 1.64866 1.6677
Solución: para ( ) . El valor verdadero de (5) = 0.2 (5) =

0.04
Primera derivada
( ) ( ) (5.1) (4.9) 1.62924 1.58922 0.04002

( )= = = =
2(0.1) 0.2 0.2
= 0.2001
0.2 0.2001
= = = 5 × 10 , % =| × 100%| %
0.2
Segunda derivada
( ) ( ) ( ) (5.1) (5) (4.9)

( )= =
(0.1)
( )
1.62924 2(1.60944) + 1.58922 1.62924 3.21888 + 1.58922
= = 0.042
0.01 0.01
0.04 0.042)
= = = 0.05, % =| × 100%| = (0.05) × 100%
0.04
%
Ejemplo 88.

la segunda diferencia finita central.
Primera derivada
( )+8 ( ) ( ) ( )
( )=
12
(5.2) + 8 (5.1) (4.9) (4.8)

( )=
12(0.1)
1.64866 + 13.03392 12.71376 + 1.56862 0.24012

( )= =
1.2 1.2
0.2 0.2001
= = = 5 × 10 , % = |5 × 10 × 100%| %
0.2
Segunda derivada
( ) + 16 ( ) 30 ( ) + 16 ( ) ( )
) ( )=
12
(5.2) + 16 (5.1) 30 (5) + 16 (4.9) (4.8)

( )=
12 × (0.1)
1.64866 + 16(1.62924) 30(1.60944) + 16(1.58922) (1.56862)

( )=
0.12
1.64866 + 26.06784 48.2772 + 25.42752 1.56862 8.8 × 10

( )= =
0.12 0.12
= 0.0073
0.04 0.0073
= = = 1.1825, % =| × 100%| %
0.04
b) Se buscará de nuevo la derivada segunda, pero con un valor de h

menor que el anterior, reduciendo dicha amplitud o peso de h a la mitad, o
sea: de = 0.1 a = 0.05
4.85 4.90 4.95 5.00 5.05 5.10 5.15

( ) 1.578979 1.589235 1.599388 1.60944 1.619388 1.62924 1.638997
( ) + 16 ( ) 30 ( ) + 16 ( ) ( )
( )=
12
(5.1) + 16 (5.05) 30 (5.00) + 16 (4.95) (4.90)

( )=
12(0.05)
1.62924 + 16(1.619388) 30(1.60944) + 16(1.599388) (1.589235)

( )=
0.03
1.62924 + 25.9102 48.2832 + 25.5902 1.589235

( )= =
0.03
1.275 × 10
( )= 0.0425
0.03
0.04 0.0425)
= = = 0.0625, % =| × 100%| = 6. %
0.04
Comentarios: La primera diferencia de estas diferencias finitas centrales
presenta resultados parecidos a los anteriores, sin embargo, la segunda
derivada de la segunda diferencia de diferencias centrales presenta un error
mucho mayor que el 100% (118,25%), razón por la cual ni siquiera necesita
ser estudiado, no es que la fórmula empleada sea errónea, sino que la
inestabilidad que produce este grupo de formulas no presenta garantías de
buen resultados en el cálculo de diferencias, agregándose a esto la amplitud
de h, que en este caso particular parece ser muy elevado, que en vez de
converger hacia el resultado exacto, diverge; sin embargo, al reducir el valor de
h a la mitad, el resultado obrtenido se hacerca bastante al valor verdadero,
pues el error porcentual producido es solamente del 6,25%, pero aun así,
sigue siendo un error muy grande. Por lo tanto, a modo de conclusión
general respecto a estas formulas de diferencias finitas, cuando se desea
precisión, estas formulas de diferencias finitas no son las recomendadas y se
tomaran simplemente a modo didáctico.
Fórmulas de los tres puntos
Las formulas de los tres puntos corresponden a los métodos de tres

puntos que obtienen las derivadas diferenciando un polinomio interpolante de
Lagrange para una función ). La siguientes corresponden a las fórmulas
de los tres puntos.
Primera formula:
1 ( )
( ) [ ( ) ( )] , [ ]
3!
( ) ( ) ( )
( )=
6
Segunda formula:
1 ( )
( )= [ ( )+4 ( ) ( + 2 )] , [ +2 ]
3
1 ( )
( )= [ ( )+4 ( ) ( + 2 )]
3
Las ecuaciones anteriores (primera y segunda fórmula de los tres

puntos, respectivamente) son las llamadas fórmulas de los tres puntos de
derivación numérica, aun cuando la primera formula solamente utiliza dos
puntos y no aparece en ella el punto central . El error presentado en la
ecuación de la primera formula aproximadamente la mitad que en la ecuación
de la segunda formula, esta situación se debe a que en la ecuación de la
primera formula se usan datos que están a ambos lados de , mientras que
en la ecuación de la segunda formula se considera solo un lado y se desconoce
el valor del otro lado que está fuera del intervalo.
La ventaja que presenta la ecuación de la primera formula es su

simplicidad, ya que; solamente se evalúa en dos puntos, mientras que la
ecuación de la segunda necesita tres puntos.
Ejemplo 89.
Aproximar el valor de la función (3) si ( ) , utilizando la

fórmula de los tres puntos, con = 0.1
Solución:
( ) )
Se parte de la fórmula: ( )=
(3 + 0.1) (3 0.1) (3.1) (2.9) ln 3.1 × 3.1 ln 2.9 × 2.9

(3) = = =
2(0.1) 0.2 0.2
1.131402× 0.041581 1.064712× 0.239249 0.047044 0.254731

(3) = =
0.2 0.2
0.207687
(3) = 1.038437
0.2
Estimación de error: El valor verdadero de la derivada de la función

( ) es (3) 1.040578
=| | = | 1.040578 – ( 1.038437)| = 2.141 × 10 = 0.002141
0.002141
= = = 2.0575 × 10 = 0.0020575
1.040578
% × 100% = 0.0020575 × 100% = 0.2%
Comentarios: La aproximación lograda es bastante buena, pues el error

porcentual es solamente del 0.2%, y este valor es aceptable para cualquier
cálculo promedio. Además, debe tenerse siempre en cuenta el tipo de cálculo
que se realiza y la precisión que se requiera para estimar el error.
Ejemplo 90.
Aproximar el valor de la función (3) si ( ) , utilizando la

segunda fórmula de los tres puntos, con = 0.1
Solución: La solución inicia con la segunda formula de los tres puntos
1
( )= [ )+4 ( ) ( + 2 )]
1 1
(3) = [ (3) + 4 (3 + 0.1) (3 + 2 × 0.1)] = [ (3) + 4 (3.1) (3.2)]
0.2 0.2
1
(3) = [ 3( 3 × 3) + 4( 3.1 × 3.1) ( 3.2 × 3.2)]
0.2
1
(3) = [ 3(1.09861 × 0.14112) + 4(1.13140 × 0.04158)
0.2
(1.16315 × ( 0.05837)]
1
(3) = [ 3(0.155036) + 4(0.0470436) ( 0.067893)]
0.2
1 1
(3) = [ 0.465108 + 0.1881744 + 0.067893] = [ 0.2090406] 1.045203
0.2 0.2
Estimación de error: El valor verdadero de la derivada de la función

( ) es (3) 1.040578
=| | = | 1.040578 – ( 1.045203)| = 4.625 × 10 = 0.004625
0.004625
= = = 4.4446 × 10 = 0.0044446
1.040578
% × 100% = 0.0044446 × 100% = 0.44%
Comentarios: En este caso, con la aplicación de la formula (9.2) de los

tres puntos la aproximación lograda es de menor precisión que la de (9.1), aun
así, sigue siendo bastante buena la aproximación lograda, pues el error
porcentual es de 0.44%. Comparando los dos ejercicios resueltos se nota
claramente que la primera ecuación presenta menor error, aproximadamente
la mitad de error producido por la segunda ecuación, lo que se había ya
indicado al definir las dos fórmulas de los tres puntos.
Fórmula de los cinco puntos
Las formulas de los cinco puntos se pueden obtener de manera similar a

la de las formulas de los tres puntos. También es posible emplear la
extrapolación para lograr derivadas de menor dificultad para estas formulas.
Las siguientes corresponden a las fórmulas de los cinco puntos
1
( )= [ 25 ( ) + 48 ( ) 36 ( + 2 ) + 16 ( +3 ) ( + 4 )]
12
( )
+
5
1
( )= [ ( ) + 10 ( ) + 18 ( ) ( +2 ) + 3 )]
12
( )
5
1 ( )
( )= [ ( ) ( )+8 ( ) ( + 2 )] +
12 30
1
( )= [ ( )+6 ( +2 ) ( ) + 34 ( ) + 3 +3 )
12
( )
+ 34 ( )] +
30
1
( )= [ ( ) ( )+4 ( ) 36 ( ) + 25 ( )]
12
( )
+
5
Errores de truncamiento y de redondeo.
Debido a la naturaleza discreta del computador los resultados

numéricos no son exactos y que el error de redondeo está siempre presente en
los cálculos. Por ello, cuando se calculan derivadas numéricamente el error en
la solución es la suma del error de truncamiento, que proviene de la formula
de aproximación, y el de redondeo, que es debido al computador. Ambos
errores pueden ser importantes e interesa minimizarlos. El error de
truncamiento puede reducirse disminuyendo el valor de h en las formulas, sin
embargo, al disminuir h se va restando valores de ( ) cada vez más próximos
y esto se traduce en una mayor influencia del error de redondeo. Por ello, la
mejor precisión no se consigue con el valor de h más pequeño posible, sino con
un valor que sin producir un gran error de redondeo disminuya lo suficiente el
error de truncamiento.
Ejemplo 91.
Sea la función tan calcular la derivada por métodos numéricos

x=1.2 con h= 0.1, aplicando la fórmula de la primera diferencia finita hacia
adelante, hacia atrás y centrales.
La calculadora debe estar configurada en radianes ya que los números

en el intervalo son menores a 2
Figura 43. Grafica ejemplo 85 grafica roja función, azul primera derivada, verde segunda
derivada
Se tiene que
0.9 1.0 1.1 1.2 1.3 1.4 1.5

( ) -0.132770 0 0.187261 0.468959 0.945063 1.950827 5.717634
tan( )
( ) = ln tan ( )= + log( sec ( ) (1.2) = 3.5320
( ) ( ) 0.945063 0.468959
( )= = = 4.76104
0.1
=| | = [3.5320 4.76104] = 1.22904
1.22904
= = = 0.347973
3.5320
%= 100% = 34.797%
Observaciones Gracias al cálculo de errores se pudo notar que en el

caso pedido por el método de diferencia finita hacia adelante, el error es muy
grande y está alejado del valor real con un error porcentual del 34.79% lo cual
es un valor muy alto y no se puede estimar su factibilidad para este ejercicio,
por lo tanto se va a aplicar otro método para comparar el nivel de error.
Por método de primera diferencia finita hacia atrás.
( ) ( ) (1.2) (1.1) 0.468959 0.187261

( )= = = = 2.8169
0.1 0.1
=| | = [3.5320 2.8169] = 0.7151
0.7151
= = = 0.202463
3.5320
%= 100% = 20.246%
El error persiste y solo disminuyo un 14% por lo tanto se vuelve a

hacer otro intento pero por el método de las diferencias centrales.
Método de las diferencias centrales
( ) ( ) ( ) ( )
(1.2) = = = = 3.78901
=| | = [3.5320 3.78901] = 0.25701
0.25701
= = = 0.072766
3.5320
%= 100% = 7.277%
Observaciones Al aplicar el método de las diferencias centrales se

puede notar que existe una gran mejoría con respecto al error por el cual se
inició, al parecer al ingresar la función evaluada en el punto 1.2 afecta en gran
medida al cálculo del valor de la derivada en el punto específico por lo cual al
ingresar por los laterales se pudo disminuir en gran medida el valor de esta.
Calculo de la segunda derivada.

( ) log( ) tan( ) + 1) tan( )
( )= (1.2) = 18.050218
( ) ( ) ) 0.187261 0.468659 + 0.945063

( )= = = 19.50
0.1
=| | = [18.050218 19.5006] = 1.44998
1.44998
= = = 0.08033
18.050218
%= 100% = 8.0330%
Observación
Al notar estos detalles con respecto al error se pueden llegar a varias

conclusiones, una de ellas es que a medida de que se siguen sacando las
derivadas se puede observar que el error que presenta el resultado de la
derivada evaluada en el punto va creciendo en 1% por lo cual uno puede llegar
a decir que, a la hora de aplicar el método para ciertas funciones, no es muy
viable este cálculo de derivadas, porque a pesar de ser valores pequeños
menores a un 10% no es un error que se puede despreciar a la hora de ser
acercado a un valor teórico o verdadero.
CAPITULO VIII ECUACIONES DIFERENCIALES
Introducción
Una ecuación diferencial es una relación entre una función y sus
derivadas, que en general tiene la forma f t , x , x ', x '',... 0.
El objetivo al plantear una ecuación diferencial es obtener la variable

dependiente x en términos de la variable independiente t , es decir obtener
x xt.
Una ecuación diferencial se dice de primer orden si la derivada más alta

que aparece es de orden uno. Vamos a trabajar fundamentalmente con
ecuaciones diferenciales de primer orden con la derivada despejada, es decir
con ecuaciones de la forma
x' f t, x .
También trabajaremos ocasionalmente con ecuaciones diferenciales de

segundo orden o superior.
¿Dónde aparecen las ecuaciones diferenciales? El rango de aplicación de

las ecuaciones diferenciales es muy amplio, están en los fundamentos de la
física y se usan en biología, economía y geometría entre otros campos.
En la mayoría de los casos la variable independiente t representa al

tiempo, la derivada primera de la variable independiente x' suele
interpretarse como una velocidad o una tasa de variación y x' ' representa a
veces a la aceleración.
Para que la solución de una ecuación diferencial venga dada de forma

unívoca es necesario que se complete con una serie de condiciones
adicionales. Estas condiciones pueden ser de varios tipos y usualmente se
denominan condiciones iniciales o condiciones de contorno.
El primer objetivo del análisis numérico va a ser problemas de valor
inicial (PVI) de la forma
x' f t, x
t a, b
xa x0
Como se pone de manifiesto en el estudio teórico de las ecuaciones

diferenciales existen muchas técnicas de resolución de los PVI. Una de ellas,
muy básica y que se supone conocida, es la separación de variables.
Vamos a comenzar nuestro estudio resolviendo problemas de valor

inicial que serán representativos de las dificultades que nos vamos a
encontrar más delante:
33
x' x
a) 2 t 0, 2
x 0 0
x' x
b) t 0, 2
x 0 1
x ' x2
c) t 0,1
x 0 1
Estos tres PVI son de aspecto muy parecido, sin embargo observamos
que sus soluciones tienen características completamente diferentes.
En el primer caso la solución no es única.
En el caso b) la solución es única y está bien definida en cualquier

intervalo de la variable independiente t.
Por último en el caso c) la solución es única pero presenta un

comportamiento asintótico en t 1, que nos impide extender la solución más
allá de este valor. Usualmente se dice que la solución de c) explota en t 1.

La falta de unicidad de la solución de a) es previsible y podemos pensar
que se debe a la falta de regularidad de la función 3
x en el punto x 0. Lo
que resulta más sorprendente es que la solución de c) presente un
comportamiento asintótico (o explosivo) ya que en ningún caso dicho
comportamiento puede achacarse a una falta de regularidad en la función x 2 .
Este comportamiento explosivo de la soluciones de ciertos PVI es un

fenómeno poco conocido entre muchos usuarios de las ecuaciones
diferenciales y a lo largo de la historia ha dado lugar a comportamientos
anómalos de los sistemas que han venido descritos por algunas ecuaciones
diferenciales, es decir, a dado lugar a explosiones, derrumbamientos, …
Teorema 45. Teorema de Peano: El PVI
El teorema de Peano introduce la necesidad de la continuidad de la

función como función de dos variables. Es por ello que en el estudio de
ecuaciones diferenciales se mezclan conceptos de análisis unidimensional con
conceptos de análisis de mayor dimensión
x ' f t ,x
t a ,b
x a x0
con f t , x continua en un abierto que contenga al punto a , x 0 tiene
al menos una solución ) definida al menos en un entorno de t a.
Este teorema nos permite disponer de una herramienta sencilla que

garantiza la existencia de solución local de los PVI pero que sin embargo no
garantiza la unicidad de dicha solución y por tanto se convierte en una
herramienta insuficiente para los propósitos del análisis numérico.
El ejemplo a) considerado anteriormente nos muestra que la unicidad de
soluciones para un PVI no está garantizada con la mera continuidad de f .
Para garantizar la unicidad de soluciones de un PVI tenemos que

imponer que la función f t , x cumpla al menos una condición de Lipschitz
con respecto a su segunda variable x.
Tenemos el siguiente teorema de existencia local.
Teorema 46. Teorema de Picard (Local)
Sea f t , x continua en un abierto que contenga al punto a , x 0 y tal
que verifica una condición de Lipschitz para su segunda variable en dicho

intervalo.
Entonces el PVI
x ' f t ,x
t a ,b ,
x a x0
tiene una solución única x t definida al menos en un entorno de t a

. Este teorema garantiza la existencia de una solución local, es decir en un
intervalo que eventualmente puede ser muy pequeño en torno al punto de
partida.
El análisis numérico nos obliga a mejorar estas estimaciones ya que

hemos de garantizar la existencia y unicidad de soluciones en un intervalo
fijado desde el principio a,b .
x ' x2
El ejemplo t 0,1 considerado anteriormente nos muestra
x 0 1
que incluso para funciones f t , x regulares la solución de existencia global

no está garantizada.
Una posible forma de resolver este problema es utilizar el siguiente
teorema de existencia global:
Teorema 47. Teorema de Picard (Global)
Sea ) una función continua en =[ y tal que verifica
una condición de Lipschitz para su segunda variable en E . Entonces el PVI
x' f t, x
t a, b
xa x0
tiene una solución única x t definida en t a , b . Aunque este

teorema responde a las necesidades de existencia global que necesitamos en
análisis numérico tiene el inconveniente de ser demasiado restrictivo y
funciones como f t , x x 2 o f t, x cos x 2 no verifican este teorema. En el
primer caso esta restricción está justificada dado el comportamiento
asintótico de las soluciones, pero en el segundo caso no, es decir el PVI
x' cos x 2
,
xa x0
tiene solución única para cualquier intervalo acotado de la variable

independiente.
En la práctica la forma de proceder será la siguiente: Utilizaremos el

teorema de Picard (global) si se verifican las condiciones para ello. En caso
contrario utilizaremos un teorema de existencia local (Picard local) para
garantizar existencia y unicidad de solución local y además utilizaremos cotas
a priori sobre la solución de los PVI con objeto de detectar posibles
comportamientos asintóticos.
Para obtener las cotas a priori de la solución de los PVI’s citadas

utilizaremos el siguiente resultado, únicamente cierto si previamente puede
probarse existencia y unicidad local para todos los PVI considerados:
Teorema de las sub y supersoluciones: Consideremos los PVI’s, definidos
para todo t a, b ,
x' f t, x x1 ' f 1 t , x1 x2 ' f 2 t, x2

xa x0 x1 a x0 x2 a x0
donde las funciones f , f1 y f 2 continuas y tales que f1 f f2.
Entonces se verifica que x1 t xt x2 t para todo t a, b .
Veamos a continuación un ejemplo de utilización de este resultado.
Ejemplo 92.
Probar que la solución del siguiente PVI está bien definida:
2
x' t sin x
t 0,1
x0 3
Establecer además cotas para la solución, su primera y su segunda

derivadas.
Solución:
Utilizando el teorema de existencia local tenemos que la solución está

bien definida localmente para todo valor de t , x 2
. Por otro lado la cota
2
0 t sin x 4
nos permite obtener una sub y una supersolución x1 y x2

respectivamente. A saber,
x1 ' 0
t 0,1 x1 t 3
x1 0 3
x2 ' 4
t 0,1 x2 t 4t 3
x2 0 3
De donde
3 x1 t xt x2 t 4t 3 7,
y así,
xt 7.
Las cotas sobre la derivada y segunda derivada se obtienen como sigue:
2
x' t t sin x 22 4.
d f f dx f f
x' ' t x' t f
dt t x dt t x
2
2t sin x 2 t sin x cos x t sin x .
Es decir,
x' ' 4 16 20.
Ejercicio 119.- Estudiar si la solución de los siguientes PVI está bien

definida en los intervalos considerados y, si es posible, calcular dicha
solución en el caso en que sea única. Caso de que no podamos garantizar
unicidad intentar encontrar al menos dos soluciones del PVI considerado.
x' x
t 0,2
x0 1
x' x 2
t 0,1
x0 1
x ' cos ln 1 x 2
t 0,
x0 1
Ejercicio 120.- Estudiar si es posible garantizar que el PVI

1
x' t2 4x t
2 t 2,10
x2 1
tiene solución única en el intervalo considerado.
t2
Ejercicio 121.- A continuación probar que las funciones x1 t y
4
x2 t 1 t son ambas solución de este PVI.
Ejercicio 122.- Consideremos el problema de valor inicial
1
3 3
x' x
2 t 0,1 .
x ( 0) 0
3
Ejercicio 123.- Comprobar que x t t2 es solución de este PVI. ¿Es
única? ¿Contradice este ejemplo algún teorema de existencia y unicidad?
Razonar las respuestas.
Ejercicio 124.- ¿Admiten solución única los siguientes problemas de valor
inicial? Razonar la respuesta.
x' x 2
a) t 0,2
x (0) 1
x' x 2
b)
x(0) 0
x' x 2
c) t 0,1
x (0) 1
x' t 2 x2
d) t 0,2 .
x (0) 1
x' cos x
Ejercicio 125.- Demostrar que el PVI t 0, tiene solución
x0 1
única. Dar una cota a priori (sin resolver la ecuación) de la solución de este
PVI y de sus primera y segunda derivadas.
Ejercicio 126.- Igual que el ejercicio anterior pero con el PVI
x' cos x 2
t 0,
x0 1
Ejercicio 127.- Estudiar para qué condiciones iniciales el PVI
1
x' 2
t x2 t 0,1
x0 x0
tiene solución única. Dar una cota a priori de dicha solución.
2
x' arctan( x )
0 t 1.
x ( 0) 1
Encontrar cotas a priori para x, x' y x' ' sin calcular x explícitamente.
Método de Euler.
Consideremos el PVI
x' f t, x
t a, b ,
xa x0
que no sabemos resolver explícitamente, pero del que tenemos la

seguridad de que tiene solución única en el intervalo t a, b considerado.
El objetivo del análisis numérico será obtener una aproximación de la

solución x t .
La forma de aproximar la solución de un PVI no es única y de hecho
muchas técnicas de aproximación de soluciones se han desarrollado a lo largo
de la historia del análisis funcional. Podemos destacar la aproximación de
soluciones de PVI’s utilizando series de potencias, métodos perturbativos, El
análisis numérico nos provee de una forma muy particular de aproximar la
solución de un PVI. Es en esta forma de aproximar soluciones en la que
vamos a estar interesados.
En primer lugar haremos una partición del intervalo a, b en N

trozos, en principio equiespaciados. Vamos a pasar de considerar que la
variable independiente toma valores en un intervalo t a, b a considerar que
toma valores únicamente en el conjunto t t 0 , t1 , t 2 ,..., t N , con t 0 a, y t N b.
Al conjunto t 0 , t 1 , t 2 ,..., t N lo llamaremos partición del intervalo a, b y
a los valores t i les llamaremos nodos de la partición. Cada nodo t i verifica
que t i 1 ti h , y por tanto t i t0 ih, donde h es el paso de la partición y
b a
N .
h
El objetivo del análisis numérico es desarrollar un método recursivo, es

decir, que vamos a utilizar herramientas algebraicas y no diferenciales, para la
obtención de x i , que serán valores aproximados de la solución exacta del PVI
x ti en los nodos de la partición considerada (En análisis numérico es muy
importante fijar adecuadamente la notación utilizada. Vamos a denotar como

x ti a la solución exacta del PVI y como x i a la solución aproximada en el
nodo t i . ).
Se plantea el PVI en los nodos de la partición de la siguiente forma (Este

paso ya es en sí muy importante porque supone despreciar toda la
información sobre la solución x t del problema que no se refiera a estos
nodos t i . ):
x ti h x ti
x ' ti lim f ti ,x ti
h 0 h t t 0 ,t 1 ,...,t N .
x t0 x0
El primer método de aproximación numérica de PVI, ya desarrollado en

los albores del cálculo diferencial, para la obtención de los valores
aproximados x i la proporciona el llamado método de Euler.
Este método constituirá un modelo sencillo de obtención de soluciones

aproximadas de PVI’s, pero además vamos a utilizarlo como modelo y como
punto de partida para desarrollar métodos más complejos.
Es por tanto fundamental aprender detenidamente las ideas

involucradas en el análisis de este método y reflexionar sobre los conceptos
que van a aparecer. En particular adquiere especial relevancia el concepto de
error de truncatura.
El método de Euler surge de la idea de eliminar el límite del PVI

considerado, es decir este método propone pasar de la igualdad
x ti h x ti
lim f ti , x ti
h 0 h
para la solución exacta x t a la igualdad
xi 1 xi
f t i , xi
h ,
x0 0
o equivalentemente
xi 1 xi hf t i , x i
,
x0 0
para la solución aproximada xi .
Hay que hacer notar que el valor 0 de arranque del método
aproximado y el valor inicial del PVI x 0 no van necesariamente a coincidir,

aunque hay que suponer que si no son valores iguales al menos sí van a ser
valores muy próximos(Vamos a notar como a la condición inicial exacta del
PVI. es el valor aproximado de la solución del PVI en el primer nodo y
es el valor de . Por tanto la igualdad es siempre cierta mientras que la
igualdad no lo es de forma general.).
Convergencia de un método numérico.
¿Qué hemos de pedirle a un método numérico de aproximación de

soluciones de PVI’s para que sea satisfactorio? Que aproxime adecuadamente
a las soluciones del PVI. En este sentido damos las siguientes definiciones:
Llamamos error local de discretización i a la diferencia
i x ti xi
mientras que denominamos error (global) de discretización a la

expresión
max i max x t i xi .
Obviamente vamos a estar interesados en que el error de discretización

sea lo más bajo posible y que de hecho tienda a cero a medida que h tienda a
cero, o equivalentemente a medida que en número de nodos de la partición
aumente.
Diremos que un método es CONVERGENTE si lim 0.

h 0
Convergencia del método de Euler.
Vamos a calcular detalladamente en el caso del método de Euler con

el objetivo adicional de tratar de entender cuales son las fuentes que
contribuyen a hacer que el error aumente. Este estudio nos llevará a nuevos
conceptos y nuevas definiciones.
Con objeto de ser lo más claros posible y de simplificar y sistematizar a

un tiempo nuestras técnicas de cálculo y de estimación de errores, vamos a
introducir la definición de error de truncatura.
Este concepto en este momento puede parecer un tanto artificioso. Más

adelante veremos que es un concepto que va a jugar un papel fundamental en
el estudio de los métodos de aproximación numérica de la solución de los
PVI’s.
Veamos a continuación como se introduce el error de truncatura en el

método de Euler.
Podemos ver el método de Euler como el paso de la expresión exacta
x ti h x ti
lim f ti , x ti
h 0 h
x ti h x ti
a la expresión aproximada f ti , x ti ,
h
que esperamos sea tanto más exacta cuanto más pequeño sea el paso h
considerado.( Nótese que las dos ecuaciones anteriores están referidas a la
solución exacta x t i . )
El error local de truncatura i podemos interpretarlo como el error que
cometemos al hacer la anterior aproximación, es decir, que de manera exacta

tenemos que
x ti h x ti
f ti , x ti i .
h
Análogamente a lo que establecimos con el error de discretización se

define el error (global) de truncatura
max i .
Diremos que un método es CONSISTENTE si lim 0.

h 0
El orden de consistencia de un método consistente se define como el

mayor natural p tal que Ch p . Antes de pasar a calcular errores hay
que llamar la atención sobre la similitud de las siguientes expresiones,
aparentemente muy parecidas:
x ti 1 x ti hf t i , x t i h i
xi 1 xi hf t i , x i .
La primera se refiere a la solución exacta del PVI y la segunda a la

solución aproximada de dicho PVI que proporciona el método de Euler (A la
vista de la expresión x t i 1 x ti hf t i , x t i h i cobra sentido interpretar el
error de truncatura de la siguiente forma: h i es lo que “le falta” a la solución

de exacta para verificar el método de Euler).
Tenemos el siguiente resultado:
Teorema 48. Sobre la convergencia del método de Euler
Se verifica la siguiente desigualdad:
b a L eb a L
1
max x t i xi e x0 0 .
L
La demostración, que se deja como ejercicio y puede verse en el apéndice

al final del capítulo. De hecho también puede considerarse el ejercicio de
introducir un término de redondeo en el cálculo de xi .
A la vista del Teorema 41 vemos que el error de discretización y por tanto
la convergencia del método de Euler depende de dos términos. De hecho en
forma concisa podemos escribir que
C1 x 0 0 C2 .
Diremos que el primer término está relacionado con la estabilidad y el

segundo con la consistencia.
Consistencia del método de Euler.
Ya hemos introducido el concepto de consistencia al introducir el error

de truncatura. Nos queda probar formalmente la consistencia del método de
Euler y calcular su orden de consistencia.
Dicha propiedad se obtiene de la igualdad
x ti h x ti hf t i , x t i h i.
Desarrollando la función x t i h por Taylor y utilizando la fórmula del
resto en forma de Lagrange, tenemos que
h2
x ti h x ti hx' t i x' ' i , i ti , ti 1 .
2
Al sustituir en la ecuación anterior y teniendo en cuenta que

h2
x' t i f t i , xi nos queda x ti hx' t i x' ' i x ti hx' t i h i
2
h
Cancelando términos obtenemos que i x' ' i
2
h
de donde obtenemos la acotación max x' ' t .
2
Concluimos que el método de Euler es consistente y de hecho es

consistente de orden 1.
Estabilidad del método de Euler.
Para el estudio de la estabilidad de un algoritmo (En el estudio de las

ecuaciones diferenciales aparece el concepto de estabilidad de la solución de
una ecuación diferencial. En este caso hablamos de estabilidad de un
algoritmo numérico.) introducimos la siguiente definición:
yi
Definición 39. Consideremos la sucesión i 0,1...., N de forma que el primer
término y 0 esté dado y el resto vengan dados por el algoritmo siguiente:

yi yi .
1 Para dos datos iniciales y 0 e z 0 obtendremos mediante este
yi zi
algoritmo dos sucesiones i 0 ,1.... N y i 0 ,1.... N .
Diremos que el algoritmo considerado es estable (El concepto de

estabilidad de un algoritmo no tiene nada que ver con el PVI cuya solución
pretendemos aproximar) si existe una constante positiva C , que solo depende
del algoritmo, tal que
max yi zi C y0 z 0 .
Surge de manera natural la pregunta: ¿Es el método de Euler un

algoritmo estable? Sí, veámoslo:
Construimos dos sucesiones de la forma:
yi 1 yi hf t i , y i
y 0 dado
zi 1 zi hf t i , z i
z 0 dado
con h, f y los nodos de la partición t i fijos.
Restando obtenemos que
yi 1 zi 1 yi zi h f ti , yi f ti , zi ,
y por tanto se verifican las siguientes acotaciones:
yi 1 zi 1 yi xi h f ti , yi f ti , zi ,
yi 1 zi 1 1 hL y i zi ,
N
yi zi 1 hL y0 z0 ,
yi zi e hLN y 0 z0 ,
yi zi eL b a
y0 z0
De donde se concluye la estabilidad del método de Euler.
La consistencia y la estabilidad del método de Euler garantizan su

convergencia.
Convergencia de un método numérico, por desigualdades.
La desigualdad
C1 x 0 0 C2
nos ha permitido estudiar la relación entre los conceptos de

convergencia ( 0 ), consistencia ( 0 ) y estabilidad para el método de
Euler. ¿Qué relación tienen estos conceptos entre sí en el resto de los
métodos de aproximación?
Puede probarse que en general se verifica que

+ = .
Es por esto que una vez que diseñemos un método de aproximación

numérico el estudio de su convergencia se va a llevar a cabo en dos pasos, en
primer lugar vamos a estudiar su consistencia, y de hecho vamos a determinar
siempre el orden de dicha consistencia, y posteriormente vamos a estudiar su
estabilidad.
Teorema 49. sobre la convergencia del método de Euler
Se verifica la siguiente desigualdad:
eb a L
1
max x t i xi eb a L
x0 0
L
Demostración:
Notaremos x t i a la solución exacta del PVI y x i a la solución
aproximada en los nodos t i de la partición. Por construcción,
x t0 x0.
Por otro lado la solución aproximada x i verifica que
.
x0 0
Restando obtenemos el siguiente resultado:
x ti 1 xi 1 x ti xi h f ti , x ti f t i , xi h i
Teniendo en cuenta la Lipschitzianidad de f t , x obtenemos que
x ti 1 xi 1 x ti xi h f ti , x ti f t i , xi h i ,
x ti 1 xi 1 1 hL x t i xi h i ,
que escrito con la notación introducida en el capítulo 1.3 queda como

i 1 1 hL i h ,
0 x0 0
En este momento hemos de aplicar un resultado algebraico al que a

partir de ahora nos vamos a referir como Primer Lema de Acotación. Estos
lemas son muy utilizados en las demostraciones de convergencia de diferentes
métodos numéricos.
Teorema 50.
Sea yn n 0,1....
una sucesión de números reales no negativos, que
verifican la condición yn 1 1 A yn B, n 0,1, 2,... con A y B
constantes no negativas, entonces
n
n 1 A 1
yn 1 A y0 B, n 0,1,2,...
A
y además
e nA 1
yn e nA y 0 B, n 0,1,2,...
A
Aplicando lo anterior referente a la acotación a la desigualdad anterior

obtenemos que
e inhL 1
i e ihL 0 h ,
hL
eb a L
1
Donde eb a L
0 .
L
Ejercicio 129.- Considerar los PVI

x' 1 x' t
t 0,3 y t 0,3 .
x0 0 x0 1
Calcular la solución exacta para cada uno de ellos y la solución

aproximada que proporciona el método de Euler.
Tomar para ello h 1.
Obtener explícitamente el error local de discretización obtenido en cada

caso y compararlo con la cota obtenida teóricamente para dicho error.
2
x' arctan( x )
0 t 1.
x ( 0) 1
Encontrar cotas a priori para x, x' y x' ' sin calcular x explícitamente.
Dar una cota explícita del error de truncatura obtenido al aplicar el

método de Euler explícito a este PVI. Tomar h 10 3.
x' t 2 x2
t 0,2 .
x0 1
Estudiar si es posible aproximar de forma razonable la solución de este

problema de valor inicial por el método de Euler explícito. En caso de que
sea posible tomar un valor de h 0.01 y dar una cota explícita del error de
truncatura h.
Algunos métodos monopaso lineales.
El objetivo del análisis numérico es la aproximación de la solución del

PVI
x' f t, x
t a, b .
xa x0
Hemos visto que en primer lugar hemos de restringir nuestro problema

a los nodos de la partición considerada, es decir, vamos a aproximar en
realidad el problema
x' t i f t i , x ti
t t 0 , t 1 ,..., t N .
x t0 x0
El método de Euler surge al aproximar la derivada por el cociente

incremental, es decir,
x ti h x ti x ti h x ti
x' t lim .
h 0 h h
Introduciendo esta aproximación en el PVI obtenemos
xi 1 xi
f t i , xi
h ,
x0 0
o equivalentemente
.
x0 0
Parece claro que cualquier otra aproximación de la derivada x ' nos

conducirá a un nuevo método.
El método de Euler implícito. Diseño y análisis.
Supongamos que consideramos ahora diferencias hacia atrás, es decir,
xt xt h xt xt h
x' t lim .
h 0 h h
Al sustituir en el PVI obtenemos
xi xi 1
f t i , xi
h ,
x0 0
o equivalentemente
xi xi 1 hf t i , x i
.
x0 0
Algunas veces se renumera, i i 1, y el método se escribe como
xi 1 xi hf t i 1 , x i 1
.
x0 0
Usualmente se denomina a este método Método de Euler Implícito. Es

eviendente que la programación efectiva de este método entraña una dificultad
adicional con respecto al método de Euler explícito obtenido en el capítulo
anterior, por aparecer xi 1 en ambos miembros de la igualdad. Sin embargo
en este momento únicamente vamos a estar interesados en el diseño y análisis

teórico de los métodos que vamos a ir obteniendo. Más adelante trataremos en
detalle la programación efectiva de los métodos implícitos.
Consistencia del método de Euler Implícito:
Para el análisis de la consistencia basta sustituir en el método la

solución aproximada por la exacta y añadir el término h i . Obtenemos:
x ti x ti h hf t i , x t i h i.
Desarrollando Taylor,
h2
x ti h x ti hx' t i x' ' i .
2
h
Utilizando estas dos expresiones deducimos que i x' ' i . Donde
2
h
max x' ' . Concluimos que el método de Euler implícito es consistente de
2
orden 1.
Estabilidad del método de Euler Implícito:
Consideremos dos sucesiones:
yi yi 1 hf t i , y i zi zi 1 hf t i , z i
y
y 0 dado z 0 dado
Restando obtenemos que
yi zi yi 1 zi 1 h f ti , yi f ti , zi .
Se verifican las siguientes acotaciones:
yi zi yi 1 zi 1 h f t i , yi f t i , zi ,
1 hL yi zi yi 1 zi 1 ,
1
yi zi yi 1 zi 1 .
1 hL
1 1
Para h , se verifica que 1 2hL, lo que nos permite
2L 1 hL
completar la acotación como sigue:
1
yi zi y i 1 z i 1 1 2hL y i 1 zi 1 ,
1 hL
N
yi zi 1 2hL y 0 z 0 ,
yi zi e 2 hLN y 0 z0 ,
yi zi e 2L b a
y0 z0
De donde se concluye la estabilidad del método de Euler implícito.
Los métodos de Taylor.
Volviendo al método de Euler podemos constatar la similitud que hay

entre el desarrollo de Taylor de la solución
h2
x ti h x ti hx' t i x' ' i , i ti , ti 1 .
2
y la forma en la que se calcula el error de truncatura. Por ejemplo

podemos considerar que para el método de Euler,
x ti h x ti hf t i , x t i h i.
La diferencia entre estos dos desarrollos se encentra en los términos de

orden h 2 . Es por esto que a la vista de un desarrollo más detallado del
x ti h,
h2 h3
x ti h x ti hx' ti x' ' t i x' ' ' t i ...
2! 3!
podemos pensar en desarrollar métodos que nos permitan imitar este

desarrollo. Esta es la base de los métodos de Taylor y aquí se encuentra
también una forma de motivar los métodos de Runge-Kutta, que serán
tratados posteriormente.
En efecto, un ejemplo es el método de Taylor de orden 2, que se
construye como sigue:
h2 f f
xi 1 xi hf t i , xi t i , xi t i , xi f t i , xi .
2 t x
Se deja como ejercicio probar que este método tiene orden de

consistencia 2.
Parece claro que utilizando esta forma de razonar seremos capaces de

desarrollar métodos numéricos consistentes y estables de órdenes
arbitrariamente altos.
El inconveniente que presentan los métodos de Taylor es que nos

obligan a evaluar no solo la función f t , x sino además a sus derivadas. En
los ejemplos académicos que suelen considerarse esta no suele ser una gran
dificultad, sin embargo en las aplicaciones prácticas debemos evitar evaluar
derivadas de f t , x .
Aproximaciones integrales.
Una forma alternativa de intentar resolver un PVI dado por
x' t i f t i , x ti
t t 0 , t 1 ,..., t N .
x t0 x0
es integrar a izquierda y derecha la variable independiente entre t i , t i 1 .
Obtenemos la siguiente expresión
ti h
x ti h x ti f s, x s ds.
ti
Obviamente la resolución por medios teóricos de este problema implícito

es incluso más difícil que la resolución del PVI inicial. Sin embargo en
términos de la interpretación geométrica de la integral definida es fácil
justificar la siguiente aproximación:
ti h
f s, x s ds hf t i , x i .
ti
Basta sustituir en la ecuación anterior para obtener el método de Euler

explícito.
xi 1 xi hf t i , xi .
Nuevas aproximaciones de la integral generan nuevos métodos de

aproximación. Cabe destacar que la aproximación
ti h
f s , x s ds hf t i 1 , x t i 1
ti
nos conduce al método de Euler implícito, mientras que la

generalización de las anteriores aproximaciones
ti h
f s, x s ds h 1 f ti , x ti f ti 1 , x ti 1 , 0,1 ,
ti
1
nos conduce al llamado método, que en el caso adquiere especial
2
relevancia por conducirnos al método del trapecio
h
xi 1 xi f t i , xi f t i 1 , xi 1 ,
2
Que es un método consistente de segundo orden. De hecho es el primer

método de consistencia mayor a la del método de Euler.
Ejercicio 132.- Acotar el error de truncatura de los siguientes métodos

monopaso, y establecer el orden de consistencia de cada uno de ellos.
a. Método de Euler explícito: xi 1 xi hf t i , x i
b. Método de Euler implícito: xi 1 xi hf t i 1 , x i 1
c. Método
xi 1 xi h 1 f t i , xi f t i 1 , xi 1
d. Método de Taylor de segundo orden:

h2 f f
xi 1 xi hf ti , xi ti , xi t i , xi f ti , xi
2 t x
Ejercicio 133.- Diseñar un método de Taylor de orden 3.

Ejercicio 134.- Consideremos el siguiente método monopaso
xi 1 xi h f t i , xi f t i 1 , xi 1 ,
Ejercicio 135.- Calcular que valores tienen que tener los parámetros y
para que el método tenga un error de truncatura al menos de orden 2.
Los métodos de Runge-Kutta.
Métodos Monopaso No Lineales.
Los métodos de Runge-Kutta son métodos no lineales monopaso que se

introducen para obtener grados de consistencia altos.
En estos métodos la no linealidad del método viene dada por la

evaluación de la función f t, x en puntos diferentes a los nodos de la
partición. En general estos métodos pueden escribirse como
xi 1 xi h h,
m
donde la función h va a tener la forma h Ak f k , k , donde
k 1
en general los valores k y k van a ser diferentes de t i y xi
respectivamente.
Consistencia de un método de Runge-Kutta.
El cálculo del error de truncatura de un método de Runge-Kutta se hace

en la forma usual, sustituyendo la solución aproximada por la exacta y
agregando el término de error h i . Así,
x ti h x ti h h h i.
La dificultad que tenemos en este caso es no saber a priori el orden en

h de la función h . Para determinar la consistencia del método procedemos
a desarrollar x t i h y h en potencias de h.
h2 h3 h2
x ti hx' t i x' ' t i x' ' t i ... x t i h 0 h '0 '' 0 ... h i.
2! 3! 2!
Simplicando y agrupando términos queda
x' ' t i x' ' ' t i '' 0

h i h x' t i 0 h2 '0 h3 ...
2 3! 2!
A la vista de esta ecuación la condición imprescindible para que un

método de Runge-Kutta sea consistente es que
h 0 x' t i f t i , xi
En la medida en que el método cumpla las condiciones
x' ' t i
'0 ,
2
'' 0 x' ' ' t i
,
2! 3!
...
su orden de consistencia será mayor.

Vamos a considerar algunos ejemplos de métodos de Runge-Kutta. El
estudio de estos ejemplos servirá como ejemplo al estudio general de los
métodos monopaso no lineales.
Ejemplo 93.
h
xi 1 xi hf ti , xi .
2
h
En este caso h f ti , x i . Tenemos que
2
0 f t i , xi
1 f x' ' t i
'0 t i , xi .
2 t 2
Concluimos que este método es consistente de orden 1.
Ejemplo 94.
h
xi 1 xi f t i , xi f ti h, x i hf t i , x i .
2
1
En este caso h f t i , xi f ti h, x i hf t i , x i . Así
2
0 f t i , xi
1 f f
' 0 t i , xi t i , xi f t i , xi ,
2 t x
'' 0 x' ' ' t i .
Concluimos que este método es consistente de orden 2.
Ejemplo 95.
El método de Runge-Kutta más famoso y utilizado es el conocido como

método de Runge-Kutta de orden 4:
1
xi 1 xi F1 2 F2 2 F3 F4
6
donde
F1 hf t i , x i
h F1
F2 hf t i , xi
2 2
h F2
F3 hf t i , xi
2 2
F4 hf t i h, x i F3 .
Se deja como ejercicio probar que efectivamente este método tiene un

error de truncatura de orden 4.
Ejercicio 136.- Consideremos el siguiente método monopaso
xi 1 xi hf t i h, xi hf t i , xi , i 0,1,..., N 1,
Ejercicio 137.- Calcular que valores tienen que tener los parámetros ,
y para que el método tenga un error de truncatura al menos de orden 2.

Ejercicio 138.- Estudiar la consistencia del método del punto medio
implícito dado por
1 1
xi xi 1 hf t i 1 h, x i xi 1 .
2 2
Ejercicio 139.- Calcular, utilizando la definición, el error de truncatura del

método.
h
xi 1 xi f t i , xi f t i 1 , xi hf t i , xi .
2
Ejercicio 140.- Aproximar la solución del problema de valor inicial
x' 100 x y
y' y t 0,
x (0) x 0 , y (0) y0
con 0 y x0 , y 0 , utilizando el método de Euler mejorado

h
xi 1 xi f t i , xi f ti h, x i hf t i , xi
2
Tomar h 0.001 y estudiar para qué valores del parámetro es nulo el

límite cuando i de la solución aproximada obtenida.
Ejercicio 141.- Probar que el método de Runge-Kutta de orden 4, que viene

dado por
1
xi 1 xi F1 2 F2 2 F3 F4
6
con
F1 hf t i , x i
h F1
F2 hf t i , xi
2 2
h F2
F3 hf t i , xi
2 2
F4 hf t i h, x i F3
es consistente.
Introducción a los métodos multipaso. Los métodos BDF.
Hemos visto en los capítulos anteriores los llamados métodos

monopaso. Como su nombre indica en estos métodos se pretende calcular la
aproximación de la solución en el punto t i 1 , x i 1 a partir de la información
contenida en el nodo anterior t i , x i . En este capítulo vamos a introducir los
métodos multipaso (de r pasos) en los que la aproximación en el punto

t i r , xi r va a llevarse a cabo teniendo en cuenta la información contenida en
los r nodos anteriores
ti r 1 , xi r 1 , ... t i , xi .
Un primer problema que surge es que un método multipaso no es
autosuficiente para dar la aproximación de un PVI ya que este solo
proporciona el valor de x 0 . Los valores de x1 ,..., xr 1 que nos permitan x r han
de ser calculados con algún método monopaso. A este proceso se le llama

LANZAMIENTO y debe hacerse sin pérdida de precisión. Una vez lanzado el
método multipaso ya no es necesario el auxilio de ningún método adicional.
Los conceptos desarrollados en el análisis de los métodos monopaso se

generalizan sin dificultad, en concreto, el concepto de consistencia para
métodos multipaso es el mismo que en caso de los métodos monopaso. El
concepto de estabilidad se extiende de manera natural al caso de los métodos
multipaso como sigue:
Consideremos un algoritmo que nos permita construir una sucesión

yi i 0 ,1...., N
de forma que los primeros r términos y 0 , y 1 ,..., y r 1 estén dados y el
resto vengan dados por el algoritmo
yi r y i ,..., y i r 1
Tomemos dos sucesiones generadas por este algoritmo yi i 0 ,1.... N

y
zi i 0 ,1 .... N
. Diremos que el algoritmo considerado es estable si existe una
constante C tal que
max yi zi C max y0 z 0 , y1 z1 ,..., y r 1 zr 1 .
Una ventaja de los métodos multipaso es que se pueden construir, con

mayor facilidad que en el caso de los monopaso, métodos de un orden de
consistencia alto. Esto es debido al hecho de que en cada iteración del método
estamos teniendo en cuenta mayor información.
Entre las desventajas de los métodos multipaso hemos de señalar que

hay vigilar con cuidado la estabilidad de estos métodos y también que a la
hora de llevar a cabo su programación práctica hemos de proceder a su
lanzamiento.
Aproximaciones de la derivada.
Una forma muy sencilla de obtener métodos multipaso es proceder de la

misma forma que se hace en la construcción del método de Euler. Al utilizar
diferentes aproximaciones de la derivada podemos construir diferentes
métodos de aproximación numérica de PVI’s. Por ejemplo, si tomamos
xt h xt h xt h xt h
x' lim ,
h 0 2h 2h
tenemos que
xt h xt h
f t, x t .
2h
Obtenemos así el método
xi 1 xi 1 2 hf t i , x i .
Para algunos cálculos es muy conveniente renumerar los subíndices,

con lo que el método obtenido se puede escribir de forma equivalente a la
anterior como
xi 2 xi 2hf t i 1 , x i 1 .
Diferentes aproximaciones de x ' darán lugar a diferentes métodos

numéricos.
Los métodos BDF.
Una generalización del proceso expuesto en el apartado anterior, es

decir una forma generalizada de obtener aproximaciones de x' y
consecuentemente de construir métodos de aproximación multipaso, lo
constituyen los llamados métodos BDF. Como ejemplo vamos a deducir el
método del apartado anterior,
xi 2 xi 2 hf t i 1 , x i 1 , utilizando esta nueva filosofía.

Ejemplo 96.
Deducir un método multipaso de aproximación de PVI, del máximo

orden de consistencia posible, utilizando la información contenida en los
nodos t i 1 , xi 1 , t i 1 , xi 1 y f ti , xi .
Solución: Desarrollamos x t i 1 y x ti 1 por serie de Taylor:
h2 h3 h 4 iv
x ti h x ti hx' t i x' ' t i x' ' ' t i x ti ...
2 3! 4!
h2 h3 h 4 iv
x ti h x ti hx' t i x' ' t i x' ' ' t i x ti ...
2 3! 4!
Restando tenemos que
h3
x ti h x ti h 2hx' t i x' ' ' t i ...
3
Sustituyendo x ti h, x ti h, x' t i por xi 1 , xi 1 , f t i , xi
respectivamente y despreciando términos de orden superior a uno obtenemos

xi 1 xi 1 2 hf t i , x i .
Hay que señalar que en la deducción de este método se ha utilizado la

simetría de los nodos utilizados. Esto nos ha permitido eliminar fácilmente los
términos de orden h 2 .
En general será necesaria la introducción de parámetros para

garantizar esta eliminación. En el siguiente apartado aparece la construcción
de un método multipaso utilizando parámetros adicionales.
Un método inestable.
Como hemos anticipado los métodos multipaso tienen el grave

inconveniente de que pierden la estabilidad con facilidad. Vamos a dar a
continuación un ejemplo para ilustrar este hecho. (Los métodos de Adams
vienen a remediar esta pérdida de estabilidad para métodos multipaso. Tienen
el inconveniente de introducir muchas evaluaciones de y además son
métodos que involucran coeficientes que podemos calificar al menos de un
tanto extraños.)
Ejemplo 97.
Deducir un método de aproximación de PVI multipaso, del máximo

orden de consistencia posible, utilizando la información contenida en los
nodos t i 2 , x i 2 , t i 1 , xi 1 , t i , xi .
Solución: Desarrollamos por Taylor y multiplicamos a izquierda y

derecha por los parámetros A y B.
4h 2 8h 3 16h 4 iv
Ax t i 2h A x ti 2hx' t i x' ' t i x' ' ' t i x ti ...
2 3! 4!
h2 h3 h 4 iv
Bx t i h B x ti hx' t i x' ' t i x' ' ' t i x ti ...
2 3! 4!
Sumando obtenemos:
Ax t i 2h Bx t i h
h2 h3
A B x ti 2A B hx ' t i 4A B x' ' t i 8A B x' ' ' t i ...
2! 3!
De esta expresión hemos de hacer cero los coeficientes de la

segunda derivada y de todas las derivadas superiores a dos que sea posible.
En este caso solo va a ser posible anular el coeficiente de x ' ' t i . Para
ello tomamos B 4A. Así, para A 1 y B 4,

h3
x ti 2h 4x ti h 3x t i 2hx' t i 4 x' ' ' t i ...
3!
El método que obtenemos es
xi 2 4 xi 1 3xi 2 hf t i , x i
del que fácilmente se puede probar que tiene un orden de consistencia

igual a 2. Sin embargo este método no es estable como se deduce del
siguiente razonamiento:
Tomamos dos sucesiones generadas por este método y con datos
iniciales y 0 0, y1 0 y por otro lado z 0 0, z 1 0, donde es un
número pequeño pero fijo.
Obviamente y i 0, para todo i 1. Por otro lado un cálculo detallado
nos lleva a que lim z i . En efecto,

i
z0 0,
z1 ,
z2 4 ,
z3 13 ,
z4 40 ,
...
3i 1
zi .
2
Tenemos que lim z i , y por tanto concluimos la inestabilidad del

i
método.
Ejercicio 142.- Estudiar la consistencia de los siguientes métodos

multipaso:
e. xi xi
2hf t i 1 , x i 1
2
h h
f. xi 1 xi f t i 1 , xi 1 f t i , xi
2 2
h
g. xi 1 xi 9 f t i 1 , x i 1 19 f t i , xi 5 f t i 1 , xi 1 f t i 2 , xi 2
24
Ejercicio 143.- Diseñar un método multipaso del máximo orden de
consistencia que contenga x i 2 , x i y f t i , x i .
Ejercicio 144.- Construir un método multipaso de la forma
ai x i a i 1 xi 1 a i 2 xi 2 h bi 1 f i 1 bi 2 fi 2
de orden de consistencia máximo.
Ejercicio 145.- Estudiar si el método
1 4 1
xi 2 xi 2 h fi fi 1 fi 2
3 3 3
es consistente y en caso afirmativo estudiar el orden de consistencia.
Los métodos de ADAMS.
Los métodos de Adams pretenden aprovechar aproximaciones integrales

para el diseño de métodos estables de orden de consistencia altos.
Todos los métodos de Adams explícitos son de la forma
xi 1 xi h af t i , x i bf t i 1 , x i 1 ... ,
mientras que en los implícitos también se evalúa f t i 1 , x i 1 . El diseño
de estos métodos se basa en determinar los coeficientes a, b,... mediante
aproximaciones integrales.
Construcción de los métodos de Adams.
Como veíamos en el capítulo anteriormente, al considerar el PVI dado

por
x' t i f ti , x ti
t t 0 , t1 ,..., t N .
x t0 x0
podemos integrar a izquierda y derecha la variable independiente entre

t i , t i 1 . obteniendo:
ti h
x ti h x ti f s, x s ds.
ti
Solo tenemos que aproximar la integral obtenida en el segundo

miembro. El problema es que la función x t es desconocida y por tanto
también lo es f t , x t . La idea que da origen a los métodos de Adams consiste
en establecer que una vez resuelto el PVI en realidad f t , x t f t y en

ti h
aproximar la integral f s ds mediante evaluaciones de la función en los
ti
nodos de la partición, es decir
ti h
f s ds h af t i bf t i 1 ... ,
ti
si se pretende diseñar un método explícito, mientras que si se pretende

diseñar un método implícito,
ti h
f s ds h af t i 1 bf t i ... .
ti
Escogeremos los coeficientes a , b ,... de forma que esta aproximación

sea exacta para polinomios del orden más alto posible. Estos coeficientes se
trasladarán a posteriori al método. Es importante resaltar que las
aproximaciones integrales que vamos a hacer a continuación tienen que ver
con la naturaleza de la función f t pero no con el hecho de que el paso h
sea pequeño o con el valor concreto de t i . Es por esto que en el diseño de los
métodos y por razones de simplicidad tomaremos t i 0 y h 1. A modo de
ejemplo vamos a diseñar varios métodos de Adams explícitos. Los métodos de

Adams explícitos se denominan métodos de Adams-Bashforth mientras que
los métodos de Adams implícitos se denominan métodos de Adams-Moulton.
Método de Adams-Bashforth de un paso.
En este caso vamos a imponer que la aproximación
1
f s ds af 0
0
sea exacta al menos para polinomios de orden 0, es decir para funciones

constantes. Para ello tomamos una base del espacio de polinomios de orden 0,
a saber 1 y evaluamos esta condición sobre los elementos de esta base para
determinar el valor de a.
1
1ds 1 a.
0
Obtenemos el método de Euler explícito.
Método de Adams-Bashforth de dos pasos.
Imponemos ahora que la condición
1
f s ds af 0 bf 1
0
sea exacta al menos para polinomios de orden 1. Tomamos ahora una

base del espacio de polinomios de orden 1, a saber 1, t y evaluamos esta
condición sobre los elementos de esta base:
1
para f t 1 tenemos que 1ds 1 a b.
0
1 1
para f t t tenemos que sds a0 b 1.
0 2
Los parámetros a y b cumplen las siguientes ecuaciones:
a b 1
1
b .
2
3 1
Por tanto a , b y el método que deducimos es el siguiente:
2 2
3 1
xi 1 xi h f t i , xi f t i 1 , xi 1 .
2 2
Método de Adams-Bashforth de tres pasos.
Imponemos ahora que la condición
1
f s ds af 0 bf 1 cf 2
0
sea cierta al menos para polinomios de orden 2. Tomamos ahora una

base del espacio de polinomios de orden 2. En principio podemos utilizar la
base 1, t , t 2 y obtenemos un sistema de ecuaciones que nos permite
determinar los parámetros a, b y c. Sin embargo es mucho más interesante
considerar la base 1, t , t t 1 ya que obtendremos un sistema triangular. Si

evaluamos la condición sobre los elementos de esta base:
1
para f t 1 tenemos que 1ds 1 a b c,
0
1 1
para f t t tenemos que sds a0 b 1 c 2.
0 2
1 5
para f t t t 1 tenemos que s s 1 ds a0 b0 c2.
0 6
Obtenemos el sistema triangular

a b
c 1
1
b 2c
2
5
2c .
6
5 16 23
cuya solución es c , b , y a .
12 12 12
El método obtenido es:
h
xi 1 xi 23 f t i , x i 16 f t i 1 , x i 1 5 f t i 2 , xi 2 .
12
Ejercicio 146.- Deducir los métodos de Adams-Bashforth de cuatro y cinco

pasos:
h
xi 1 xi 55 f t i , x i 59 f t i 1 , x i 1 37 f t i 2 , x i 2 9 f t i 3 , xi 3 .
24
h
xi 1 xi 1901 f t i , x i 2774 f t i 1 , x i 1 2616 f t i 2 , x i 2 1274 f t i 3 , x i 3 251 f t i 4 , x i 4 .
720
Ejercicio 147.- Deducir los métodos de Adams-Moulton de dos, tres y

cuatro pasos.
Ejercicio 148.- Estudiar el orden de consistencia de los métodos de

Adams-Bashforth y Adams-Moulton de dos y tres pasos.
Estudio general de los métodos multipaso lineales.
Un método multipaso lineal puede escribirse como

r r
k xi k h k f t i k , xi k con r 0.
k 0 k 0
Si r 0 el método se trata de un método implícito, mientras que en el
caso r 0 el método es explícito.
Nota: Todos los numéricos de aproximación de PVI que hemos visto son
lineales excepto los métodos de Runge-Kutta.
Para el estudio de la consistencia y la estabilidad de los métodos

multipaso lineales se definen los siguientes polinomios en el plano complejo:
r
z k zi k r zr r 1 zr 1
.... 0
k 0
r
z k zi k r zr r 1 zr 1
.... 0 .
k 0
A los polinomios z y z se les llama respectivamente primer y

segundo polinomio característico asociado a un método multipaso lineal.
Nota: En lo que sigue denominaremos a los métodos multipaso lineales

como métodos .
Tenemos los siguientes resultados:
Teorema 51. (Sobre la consistencia de los métodos ):
Un método es consistente si y solo si 1 0 y '1 1.
Teorema 52. (Sobre la estabilidad de los métodos ):
Un método es estable si todas las raices del polinomio z se
encuentran en el disco z 1 y si todas las raices de módulo 1 son simples.

Teorema 53. (Sobre la convergencia de los métodos ):
Un método es consistente y estable es convergente.
Ejercicio 149.- Probar que un método multipaso lineal es
consistente si se verifican las condiciones 1 0 y '1 1.

Ejercicio 150.- Estudiar la convergencia de los siguientes métodos
multipaso:
h
xi 2 xi 1 2 xi fi 2 8 fi 1 3 fi
4
h
xi 2 xi fi 4 fi 1 fi 2
3
Ejercicio 151.- Se considera el método multipaso
2 2
xi 2 xi h f t i 2 , xi 2 f t i 1 , xi 1 f t i , xi , i 0,1,..., N 2,
3 3
para un mallado equiespaciado de N 1 nodos con paso h 0, siendo
y números reales.
Determinar los valores de y para que el método sea

convergente.
Calcular el error local de truncamiento h a partir de su
definición y deducir el orden de consistencia del método.
Aplicar el método anterior, con los valores de y obtenidos
en el apartado a) al problema de valor inicial
x' 2 cos x t 0,1
se obtiene la secuencia xi i 1,...,N
.
x0 2
Obtener una cota explícita del error local de truncamiento que se

obtiene en este caso.
a) Igual que en el apartado c) pero considerando ahora el problema de

valor inicial
x' 2 cos x 2 t 0,1

x0 2
Ejercicio 152.- Estudiar si el método
1 4 1
xi 2 xi 2 h fi fi 1 fi 2
3 3 3
es consistente y en caso afirmativo estudiar el orden de consistencia.
¿Es estable?
Ejercicio 153.- Probar que todos los métodos de Adams son estables.
Ejercicio 154.- Consideremos el método multipaso
1
xn xn 1 1 xn 2 h fn 4 3 fn 1 .
2
Ejercicio 155.- Determinar de manera que el método sea consistente y

estable.
Bibliografía Consultada
Aleman Flores, Miguel. Alvarez Leon, Luis. Sanchez Perez, Javier.

Analisis Numerico. Departamento de Informatica y sistemas. Universidad de
Las Palmas. Campus de Tafira. Las Palmas. Espana.
AllenSmith, W. Análisis Numérico / W. Allen Smith – México: Prentice

Hall, 1988 – 608 p.
Aubanell,A. Útiles básicos de Cálculo Numérico / Anton Aubanell,

Antoni Beneseny, Amadeu Delshams – España: LABOR MATEMÁTICAS
(Universitat Autónoma de Barcelona),1993 – 465 p.
Bernis Carro, Francisco; Malet, Antonio; Molinas, Cesar. (1983).

Matematicas, Curso de orientacion universitaria. Editorial Noguer,
S.A.Madrid. Espana.
Burden, Richard L.; Faires, J. Douglas. (1985). Analisis Numerico.

Grupo Editorial Iberoamericana S.A. de C.V. Mexico.
Chapra, Steven C. Métodos Numéricos para Ingenieros (con

aplicaciones en computadoras personales) Steven C. Chapras, Raymond P.
Canale .México: Mc. Graw Hill, 1990 -- 641p.
Franco, Neide. Calculo numerico. (493 paginas).
Galdos, L. (2004).Matematicas Galdos. Editorial Cultural S.A. Madrid.

Espana
Gerald, Curtis F. Whetley, Patrick O. (2000). Analisis numerico con

aplicaciones. Sexta Edicion. Pearson Educacion. Mexico.
Hoyo, Angel Manuel. (1998)Temas Selectos de Matematicas. Prentice

Hall. Mexico.
Jaluria, Yogesch Computer Methods for Engineering / Yogesch Jaluria

Estados Unidos: Allyn and Bacon. Inc. 1988, --529 p.
Kincaid, David. Análisis numérico: Las matemáticas del cálculo
científico / David Kincaid, Ward Cheney.—Estados Unidos: Addison-Wesley
Iberoamericana, 1991.—718 p.
Merayo, Félix García Análisis Numérico (más de 300 ejercicios resueltos

y comentados) / Félix García Merayo, Antonio Nevot LunaMadrid: Paraninfo,
1992—403 p.
Nakamura, Shoichiro Métodos numéricos aplicados con Software /

Schoichiro Nakamura – México: Prentice Hall, 1992 – 570 p.
Negron Marrero, Pablo V. Notas de Análisis Numérico. Universidad de

Puerto Rico. Departamento de Matematicas.
Oteyza de Oteyza, Elena. Lam Osnaya, Emma. Hernandez Garciadiego,

Carlos. Carrillo
Scheid, Francis Métodos Numéricos / Francis Scheid, Rosa Elena Di

Constanzo Lorencez – México: Mc. Graw. Hill, 1991 – 709p.
Vargas S, Maria Leonor. (2000). Introduccion al Calculo Numerico.

Departamento de Ingenieria matematica. Facultad de Ciencias Fisicas y
matematicas. Universidad de Chile.
Velazquez Zapateiro, Jorge. Obeso Fernandez, Virgilio. (2007). Analisis

Numerico (Notas de clase). Ediciones Uninorte. Barranquilla. Colombia.

Libro - ANALISIS NUMERICO

Enviado por

Dados do documento

Título original

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

Libro - ANALISIS NUMERICO

Enviado por

Direitos autorais:

Formatos disponíveis

Fundamentos de Análisis Numérico para

Este libro de Análisis Numérico está dividido en capítulos bien

Cada contenido cuenta con los teoremas que sustentan

Al final de cada capítulo se presentan abundantes ejercicios de

Espero que este libro de Análisis Numérico, sea de verdadera utilidad

Algunos conceptos fundamentales

El análisis numérico es una rama de las matemáticas cuyos límites no

En el contexto del cálculo numérico, un algoritmo es un procedimiento

Los ordenadores son útiles para cálculos matemáticos

El Análisis Numérico también consiste en procedimientos que

El análisis numérico es importante porque es necesario en la solución

La ventaja fundamental del análisis numérico es que puede obtenerse

La solución obtenida con análisis numérico siempre es numérica.

Los resultados numéricos pueden trazarse en forma de grafica para

El resultado del análisis numérico es una aproximación, aunque los

Resolución de grandes sistemas de ecuaciones lineales.

Los métodos numéricos requieren operaciones aritméticas tan tediosas

Para que una computadora pueda realizar el análisis numérico debe

La iteración es un procedimiento que consiste en elaborar una sucesión

Para resolver un problema científico o de ingeniería hay que seguir

Plantear claramente el problema.

Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de

El estudio del análisis numérico se interesa en la creación y

El análisis numérico consiste en procedimientos que resuelven

El estudio del análisis numérico facilita la comprensión de los conceptos

Después de todo, el análisis numérico es importante porque es

Los métodos numéricos son técnicas mediante las cuales se posibilitan

Los métodos numéricos son herramientas muy poderosas para la

Las situaciones que se verán con bastante frecuencia en el estudio del

En la actividad matemática, la ingeniería, la informática y muchas otras

El cálculo numéricos es aquel que aplicando métodos obtiene

Los métodos numéricos se utilizan para resolver problemas que

Al resolver un problema por métodos numéricos se tendrán siempre

Al aplicar un método numérico a cualquier situación problemática, se

En la práctica, los cálculos realizados y los resultados esperados no

Por la dificultad que presenta muchas veces elaborar un modelo

Un modelo matemático es uno de los tipos de modelos científicos que

En matemáticas el significado de modelo matemático, es un poco

Los modelos matemáticos requieren de parámetros, que en la mayoría

Los modelos matemáticos resultantes de una modelización

Los métodos numéricos presentan errores inevitables, por lo tanto se

Definición 1. Si , es una aproximación a x, se define el error

En forma práctica puede representarse el valor verdadero con VV y el

El error absoluto de una suma es igual a la suma algebraica de los

En varios números aproximados en el mismo sentido, el error absoluto

Sea la cantidad exacta 5 y el número aproximado 5,3. Sea la cantidad

Sea la cantidad exacta 5 y el número aproximado 5,3. El error absoluto

Sea la cantidad exacta 2 y el número aproximado 2,1. El error absoluto

Luego: 5 - 2 = 3; diferencia entre las cantidades exactas.

5,3 - 2,1 = 3,2; diferencia entre las cantidades aproximadas.

0,3 - 0,1 = 0,2; diferencia entre los errores absolutos.

El error absoluto de la diferencia es 0,2, y 0,3 es el mayor error absoluto

Sean: 8, 2 y 10 los números exactos y su suma: 8 +2 + 10 = 20. Sean:

Sea el resultado de una operación en donde se comprueba que el valor

Existen varias maneras de representar el error absoluto, una de las

Definición 2. Si , es una aproximación a x, se define el error

En forma práctica, el error relativo se define como el cociente entre en

El error relativo de una suma de varios números aproximados está

Sean: 2, 10 y 5 los números exactos y su suma: 2 +10 + 5 = 17

Sean: 2,1; 10,2 y 5,3 los números aproximados y su suma:

2,1 + 10,2 + 5,3 = 17,6

El error absoluto de la suma es: 17,6 - 17 = 0,6

El error relativo de la suma es: = 0,035294117