Curso de MetodosNuméricos2014

Instituto Politcnico Nacional
ESIA-Ticomn
Captulo 1: Aproximaciones y Errores

Los mtodos numricos son tcnicas mediante las cuales es posible formular los
problemas matemticos, de tal forma que puedan resolverse utilizando operaciones
aritmticas. Aunque existen muchos tipos de mtodos numricos, stos comparten una
caracterstica comn: invariablemente requieren de un buen nmero de tediosos clculos
aritmticos. No es raro que con el desarrollo de computadoras digitales eficientes y
rpidas, el papel de los mtodos numricos en la solucin de problemas en ingeniera
haya aumentado de forma considerable.
Existen diversas razones por las cuales se deben estudiar los mtodos numricos:
1. los mtodos numricos son herramientas muy poderosas para la solucin de
problemas. Son capaces de manipular sistemas de ecuaciones grandes, manejar
no linealidades y resolver geometras complicadas, comunes en la prctica de la
ingeniera y, a menudo, imposibles de resolver en forma analtica. Por lo tanto,
aumentan la habilidad de quien los estudia para resolver problemas.
2. en el transcurso de su carrera, es posible que el lector tenga la oportunidad de
utilizar paquetes disponibles comercialmente, o programas enlatados que
contengan mtodos numricos. El uso eficiente de estos programas depende del
buen entendimiento de la teora bsica en que se basan tales mtodos.
3. hay muchos problemas que no pueden resolverse con programas enlatados. Si
somos conocedores de los mtodos numricos y somos hbiles en la
programacin de computadoras, entonces se tiene la capacidad de disear
nuestros propios programas para resolver los problemas, sin tener que comprar
un software costoso.
4. los mtodos numricos son un vehculo eficiente para aprender programacin,
consiste en escribir programas para computadora. Debido a que la mayora de los
mtodos numricos estn diseados para usarlos en las computadoras, son ideales
para tal propsito. Adems, son especialmente adecuados para ilustrar el poder y
las limitaciones de las computadoras. cuando se desarrolle en forma satisfactoria
los mtodos numricos en computadora y los aplique a resolver los problemas
que de otra manera resultaran inaccesibles, usted dispondr de una excelente
demostracin de cmo las computadoras sirven para su desarrollo profesional. Al
mismo tiempo , aprender a reconocer y controlar los errores de aproximacin
que son inseparables de los clculo
1.1. Modelo matemtico

Un modelo matemtico puede ser, definido con amplitud, como una formulacin o una
ecuacin que expresa las caractersticas esenciales de un sistema fsico o de un proceso
en trminos matemticos.
Un modelo matemtico tiene tres caractersticas:
Apuntes Mtodos Numricos
Academia de Matemticas
ESIA-Ticomn
1. Describe un sistema o proceso natural en trminos matemticos.

2. Representa una idealizacin y una simplificacin de la realidad.
3. Finalmente, conduce a resultados predecibles, en consecuencia, puede emplearse
con propsitos de prediccin.
1.2. Generacin de las Computadoras

Teniendo en cuenta las diferentes etapas de desarrollo que tuvieron las computadoras, se
consideran las siguientes divisiones como generaciones aisladas con caractersticas
propias de cada una, las cules se enuncian a continuacin:
Primera generacin (1951-1958): Tubos de vaco

Segunda generacin (1958-1964): Transistores
Tercera generacin (1964-1971): circuitos integrados
Cuarta Generacin (1971): Integracin a gran escala
Quinta generacin (Actualmente): procesamiento en paralelo e
inteligencia artificial
Existen 4 tipos de computadores:
Computadora personal.- Donde slo es un usuario

Estaciones de trabajo.- Las cuales son muy poderosas y parte de una red
de computadoras.
Grandes computadoras.-Son mquinas mucho ms grandes y costosas
que usualmente pertenecen a una institucin que dan servicio a varios
usuarios.
Supercomputadoras.- Mquina poderosa para aplicaciones complejas,
grupo selecto de usuarios.
1.3. Programacin Estructurada

En los comienzos de la computacin los programadores no daban mucha importancia a
que sus programas fueran claros y fciles de entender. Sin embargo, hoy se reconoce que
escribir programas organizados y bien estructurados tiene muchas ventajas. Adems de
las ventajas obvias de tener un software ms accesible para compartirlo, tambin ayuda a
generar programas mucho ms eficientes. Es decir, algoritmos bien estructurados, que
son invariablemente mucho ms fciles de depurar y de probar, lo que resulta en
programas que toman menos tiempo desarrollar, probar y actualizar.
Las caractersticas que debe tener un buen programa deben ser:
1. Diseo de algoritmo. Donde se estructura como lgicamente se
resuelve un problema.

2.
3.
4.
5.
ESIA-Ticomn
Composicin de un programa. De alto o de bajo nivel.

Depuracin y prueba. Ver si tiene errores.
Documentacin.
Almacenamiento y mantenimiento.
1.4. Exactitud y Precisin

Los errores en clculos y medidas se pueden caracterizar con respecto a su exactitud y su
precisin. La exactitud se refiere a qu tan cercano est el valor calculado o medido del
valor verdadero. La precisin se refiere a qu tan cercanos se encuentran, unos de otros,
diversos valores calculados o medidos.
La inexactitud conocida tambin como sesgo se define como un alejamiento sistemtico
de la verdad es decir del valor verdadero.
La imprecisin tambin llamada incertidumbre se refiere a la magnitud del esparcimiento
de los valores.
Los mtodos numricos deben ser lo suficientemente exactos o sin sesgo para satisfacer
los requisitos de un problema particular de ingeniera. Tambin deben ser suficientemente
precisos para ser adecuados en el diseo de la ingeniera.
1.5. Definiciones de Error

Los errores numricos surgen del uso de aproximaciones para representar operaciones y
cantidades matemticas exactas. stas incluyen los errores de truncamiento que resultan
del empleo de aproximaciones como un procedimiento matemtico exacto, y los errores
de redondeo que se producen cuando se usan nmeros que tienen lmite de cifras
significativas para representar nmeros exactos. Para ambos tipos de errores, la relacin
entre el resultado exacto, o verdadero, y el aproximado est dado por
Valor verdadero = Valor aproximado + error
(1)
Recordando esa ecuacin se encuentra que el error numrico es igual a la diferencia entre
el valor verdadero y el valor aproximado, es decir
Et = valor verdadero - valor aproximado
(2)
Donde Et se usa para denotar el valor exacto del error. El subndice t indica que se trata
del error verdadero (true).Esto contrasta con los otros casos, donde se debe emplear
una estimacin aproximada del error.
Una desventaja en esta definicin es que no toma en consideracin el orden de la
magnitud del valor que se estima. Por ejemplo, un error de un centmetro es mucho ms
significativo si se est midiendo un remache en lugar de un puente. Una manera de tomar
en cuenta las magnitudes de las cantidades que se evalan consiste en normalizar el error
respecto al valor verdadero, es decir:
ESIA-Ticomn
Error relativo fraccional verdadero
error verdadero
valor verdadero
Donde, como ya se mencion en la ecuacin error = valor verdadero - valor aproximado.

El error relativo tambin se puede multiplicar por 100% para expresarlo como
t
error verdadero
100%
valor verdadero
(3)
Donde: t denota el error relativo porcentual verdadero.
1.6. Clculo de errores

Ejemplo
1.- Suponga que se tiene que medir la longitud de un puente y la de un remache, y se
tiene 9 999 y 9 cm., respectivamente. Si los valores verdaderos son 10000 y 10 cm.,
calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.
Solucin
a) El error en la medicin del puente es:
Et =10 000 9 999= 1 cm
y en la del remache es de:
Et =10 9 = 1 cm
b) El error relativo porcentual para el puente es
t
1
100% 0.01%
10000
y para el remache es de
t
1
100% 10%
10
Por lo tanto, aunque ambas medidas tienen un error de 1 cm., el error relativo
porcentual del remache es mucho mayor. Se concluye entonces que se ha hecho un buen
trabajo en la medicin del puente; mientras que la estimacin para el remache dej
mucho que desear.
Observe que en las ecuaciones (2) y (3), E y tienen un subndice t que significa que
significa que el error ha sido normalizado al valor verdadero. En el ejemplo anterior
tenamos el valor verdadero. Sin embargo, en las situaciones reales a veces es difcil
ESIA-Ticomn
contar con tal informacin. En los mtodos numricos, el valor verdadero slo se
conocer cuando se tengan funciones que se resuelvan analticamente. ste comnmente
ser el caso de cuando se estudie el comportamiento terico de una tcnica especfica
para sistemas simples. Sin embargo, en muchas aplicaciones reales no se conoce a priori
la respuesta verdadera. Entonces en dichos casos, una alternativa es normalizar el error,
usando la estimacin posible al valor verdadero; es decir, para la aproximacin misma,
como en
a
error aproximado
100%
valor aproximado
(4)
Donde el subndice a significa que el error est normalizado a un valor aproximado. Uno
de los retos que enfrentan los mtodos numricos es el de determinar estimaciones del
error en ausencia del conocimiento de los valores verdaderos. Por ejemplo, ciertos
mtodos numricos usan un mtodo iterativo para calcular los resultados. En tales
mtodos se hace una aproximacin considerando la aproximacin anterior. Este proceso
se efecta varias veces, o de forma iterativa, para calcular en forma sucesiva, esperando
cada vez mejores aproximaciones. En tales casos, el error a menudo se calcula como la
diferencia entre la aproximacin previa y la actual. Por lo tanto, el error relativo
porcentual est dado por
a
aprox. actual - aprox. anterior

100%
aprox. actual
(5)
Los signos de las ecuaciones (2) a (5) pueden ser positivos o negativos. Si la
aproximacin es mayor que el valor verdadero (o la aproximacin previa es mayor que la
aproximacin actual), el error es negativo; si la aproximacin es menor que el valor
verdadero, el error es positivo. Tambin en las ecuaciones (3) a (5) el denominador puede
ser menor a cero, lo cual tambin llevara un error negativo. A menudo, cuando se
realizan clculos, no importa mucho el signo del error, sino ms bien que su valor
absoluto porcentual sea menor que la tolerancia porcentual prefijada s . Por lo tanto, es
til emplear el valor absoluto de las ecuaciones (2) a (5). En tales casos, los clculos se
repiten hasta que
a s
(6)
Suponga que p es una aproximacin a P. El error absoluto verdadero es:

Et P - p
y el error relativo verdadero es:

t
P p
P
Encuentre el error relativo verdadero y absoluto verdadero en los siguientes 3 casos:

1 Caso:
X=3.141592
ESIA-Ticomn
x=3.14
E t 3.141592 - 3.14 0.001592
3.141592 3.14
3.141592
0.0005067
2 Caso: Y=1 000000
y=999 9996
t
E t 1000000 - 999 996 4
3 Caso: Z=0.000012
1000000 999996
1000000
0.000004
z=0.000009
t
E t 0.000012 - 0.000009 0.000003
0.000012 0.000009
0.000012
0.25
Aqu podemos observar que el valor del error absoluto verdadero no nos da un panorama
de los datos con los que estamos trabajando, debido a que si bien ste error es pequeo
debido a que usamos valores muy pequeos, esto no quiere decir que el error sea
pequeo, esto lo podemos observar con el error relativo verdadero que nos muestra de
mejor manera que tan grande o que tan pequeo es el valor del error que tenemos.
1.7. Error Relativo Aproximado
Aproximacin actual - Aproximacin anterior

Aproximacin actual
Ai Ai 1
Ai
Ejemplo
1. Dada la siguiente funcin:
ex 1 x
x 2 x3
xn
.................
2!
3!
n!
Empezando con el 1 trmino ex =1 y agregando un trmino a la vez, estmese el

valor de e0.5. Despus que se agregue cada trmino calclense los errores relativos
reales y aproximados. Obsrvese que el valor real de e0.5=1.648721. Agrguense
trminos hasta que el valor absoluto del error relativo aproximado sea menor al
0.05%.
Solucin
ESIA-Ticomn
1.....R e 0.5 1
1.648721 1
1.648721
* 100% 39.34%
A 1 ?
2.....R e 0.5 1 0.5 1.5
t
A
1.648721 1.5
1.648721
* 100% 9.02%
1.5 1
* 100% 33.33%
1 .5
3.....R e 0.5 1 0.5
t
A
1.648721 1.625
1.648721
0 .5 2
1.625
2!
* 100% 1.44%
1.625 1.5
* 100% 7.69%
1.625
0 .5 2
0 .5 3
1.645833
2!
3!
1.648721 1.645833
t
* 100% 0.175%
1.648721
4.....R e 0.5 1 0.5
1.645833 1.625
* 100% 1.27%
1.645833
0 .5 2
0 .5 3
0 .5 4
1.6484375
2!
3!
4!
1.648721 1.6484375
t
* 100% 0.017%
1.648721
5.....R e 0.5 1 0.5
1.6484375 1.645833
* 100% 0.158%
1.6484375
0.52 0.53 0.5 4 0.55
1.648697917
2!
3!
4!
5!
1.648721 1.648697917
t
*100% 0.0014%
1.648721
6.....R e 0.5 1 0.5
1.648697917 1.6484375
*100% 0.0158%
1.648697917
TRMINOS
t (%)
A (%)

1
2
3
4
5
6
ESIA-Ticomn
1
1.5
1.625
1.645833
1.6484375
1.648697917
39.34
9.02
1.44
0.175
0.017
0.0014
-------33.33
7.69
1.27
0.158
0.0158
2.
sen( x) x
x3 x5 x7 x9
3! 5! 7! 9!

sen 0.70710879
4
TRMINOS
1
2
3
4
5
t (%)
R
/4
0.7046
0.7071
0.707106
0.70710678
11.07
0.3547
0.00124
0.0003945
0.0002842
A (%)
-------11.467
0.3535
0.0008485
0.0001103
1.8. Cifras Significativas

Cuando se emplea un nmero para realizar un clculo debe haber seguridad de que pueda
usarse con confianza.
El concepto de cifras o dgitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numrico. Las cifras significativas de un
nmero son aquellas que pueden utilizarse en forma confiable. Se trata del nmero de
dgitos que se ofrece con certeza, ms uno estimado.
Aunque, por lo comn, determinar las cifras significativas de un nmero es un
procedimiento sencillo, en algunos casos genera cierta confusin. Por ejemplo, los ceros
no siempre son cifras significativas, ya que pueden usarse slo para ubicar el punto
decimal: los nmeros 0.00001845, 0.0001845 y 0.001845 tienen cuatro cifras
significativas. Asimismo, cuando se incluye ceros en nmeros muy grandes, no queda
claro cuntos son significativos. Por ejemplo, el nmero 45 300 puede tener tres, cuatro o
cinco dgitos significativos, dependiendo de si los ceros se conocen o no con exactitud.
La incertidumbre se puede eliminar utilizando la notacin cientfica, donde 4.53 x 10 4,
4.530 x 104, 4.5300 x 104 muestran, respectivamente, que el nmero tiene tres, cuatro y
cinco cifras significativas.
El concepto de cifras significativas tiene dos implicaciones importantes en el estudio de
los mtodos numricos.
ESIA-Ticomn
1. Los mtodos numricos dan resultados aproximados. Por lo tanto, se deben

desarrollar criterios para especificar qu tan confiables son dichos resultados.
Una manera de hacerlo es en trminos de cifras significativas. Por ejemplo, es
posible afirmar que la aproximacin es aceptable siempre y cuando sea correcta
con cuatro cifras significativas.
2. Aunque ciertas cantidades tales como , e, o 7 representan cantidades
especficas, no se pueden expresar exactamente con un nmero finito de dgitos.
Por ejemplo,
= 3.141592653589793238462643
Hasta el infinito. Como las computadoras slo retienen un nmero finito de cifras
significativas, tales nmeros jams se podrn representar con exactitud. A la
omisin del resto de cifras significativas se le conoce como error de redondeo.
1.9. Errores computacionales

Existen dos tipos de errores al momento de realizar un programa:
Error no Fatal.- Es aquel error que no puede ser detectado por la

computadora, es ocasionado por el programador. el programa corre normal,
pero el error no puede ser observado, no se sabe por que se ocasion, y peor la
posicin donde se encuentra.
Error Fatal.- Es aquel error que es detectado por la computadora al realizar
un programa, debido a errores de sintaxis, no cerrar los ciclos, etc. La
computadora no deja correr el programa y nos indica cual el error y donde se
encuentra.
1.10. Ejercicios Propuestos

1. Explique las diferencias que existen entre todos y cada uno de los
errores vistos hasta el momento en el captulo.
2. Qu caractersticas prefiere en un conjunto de datos?Exactitud o
precisin?con error absoluto grande o error relativo grande?
Explique.
3. Dada la siguiente funcin:
g ( x)
x5
x4
x3
x2
x 11
3
5
7
9
6
10
14
18
22 26
ESIA-Ticomn
Representa la aproximacin de quinto orden por series de Taylor de la

siguiente funcin:
f ( x) e x ( x (e x 1 ))
A partir de xi=0, aproxime el valor de x=2 utilizando todos y cada uno de

los trminos dados en la serie, realice una tabla que contenga las distintas
aproximaciones (orden cero, primer orden, etc). Qu tipo de errores se
pueden hallar en este ejercicio? Calcule los errores.
4. Determine el nmero de trminos necesarios para aproximar cos x
hasta 8 cifras significativas, usando la aproximacin en serie de
Taylor:
cos x 1
x2 x4 x6
2! 4! 6!
Calcule la aproximacin usando x=2 .Resp. 21 trminos

5. Diga el nmero de cifras significativas que tienen los siguientes
nmeros:
a)
37,000
b)
10.0003
c)
4.00X103
d)
58,301
Captulo 2: Serie de Taylor y Errores de Truncamiento

Los errores de truncamiento son aquellos que resultan al usar una aproximacin en lugar
de un procedimiento matemtico exacto.
Para obtener un conocimiento sobre las caractersticas de estos errores, debe considerar
una formulacin matemtica que se utiliza ampliamente en los mtodos numricos para
expresar funciones de manera aproximada: la serie de Taylor.
10
ESIA-Ticomn
2.1. La Serie de Taylor

El teorema de Taylor y su forma asociada, la serie de Taylor, tienen un gran valor para el
estudio de los mtodos numricos. La serie de Taylor provee un medio para predecir el
valor de una funcin en un punto en trminos del valor de la funcin y sus derivadas en
otro punto. En particular, el teorema establece que cualquier funcin suave puede
aproximarse por un polinomio.
f ( xi 1 ) f ( xi ) f ' ( xi )( xi 1 x i )
f ' ' ( xi )
f ( 3) ( x i )
( xi 1 x i ) 2
( xi 1 x i ) 3 ...
Se
2!
3!
f ( n ) ( xi )
( xi 1 x i ) n Rn
n!
incluye un trmino residual para considerar todos lo trminos desde el n+1 hasta infinito:
Rn
f ( n 1) ( )
( xi 1 xi ) n 1
(n 1)!
Donde el subndice n indica que ste es el residuo de la aproximacin de n-simo orden

y es un valor de x que se encuentra en algn punto entre xi y xi+1. Con frecuencia es
conveniente simplificar la serie de Taylor definiendo un tamao de paso o incremento
h=xi+1-xi y expresando la ecuacin como:
f ( xi 1 ) f ( xi ) f ' ( xi )h
f ' ' ( x i ) 2 f ( 3) ( x i ) 3
f ( n ) ( xi ) n
h
h ...
h Rn
2!
3!
n!
donde el trmino residual es ahora

Rn
f ( n 1) ( ) n 1
h
(n 1)!
Ejemplos
1. sense trminos de la serie de Taylor de cero a cuarto orden para aproximar la
funcin
f ( x) 0.1x 4 0.15 x 3 0.5 x 2 0.25 x 1.2
desde xi= 0 con h= 1 para predecir el valor de la funcin en xi+1 = 1.

Solucin
Ya que se trata de una funcin conocida, es posible calcular valores de f(x) entre 0 y
1.
11
ESIA-Ticomn
f (0) 0.1(0) 4 0.15(0) 3 0.5(0) 2 0.25(0) 1.2

f (0) 1.2
f (1) 0.1(1) 4 0.15(1) 3 0.5(1) 2 0.25(1) 1.2
f (1) 0.2
La aproximacin de la serie de Taylor con n=0 (orden cero) es f ( xi 1 ) 1.2

f (1) f (0) 1.2
Orden 1
f (1) f (0) ( 0.4 x 3 0.45 x 2 x 0.25)(1) 1.2 ( 0.4(0) 3 0.45(0) 2 (0) 0.25)(1)
1.2 ( 0.25) 0.95
Orden 2
f (1) 1.2 0.25
(1.2 x 2 0.9 x 1) 2
(1.2(0) 2 0.9(0) 1) 2
(1) 0.95
(1) 0.95 0.5 0.45
2!
2!
Orden 3
f (1) 1.2 0.25 0.5
(2.4 x 0.9) 3
( 2.4(0) 0.9) 3
(1) 1.2 0.25 0.5
(1) 0.45 0.15
3!
3!
Orden 4
f (1) 1.2 0.25 0.5 0.15
(2.4) 4
(1) 0.3 0.1 0.2
4!
2. sense los trminos de la serie de Taylor con n=0 hasta n=6 para aproximar
f(x)=cos x en xi+1 = /3 con base en el valor de f(x) y sus derivadas en xi= /4.
Observe que esto significa que h= /3- /4= /12.
Solucin
Como en el anterior ejercicio, el conocimiento de la funcin original implica que se
puede determinar el valor exacto de f(/3)=0.5
La aproximacin de orden cero es:

cos 0.707107
3
4
Para la aproximacin de primer orden, se agrega el primer trmino de la primera

derivada donde f(x)= -sen x:
12
ESIA-Ticomn

0.707107 sen

0.707107 0.185120 0.521987
3
4 12
Para la aproximacin de segundo orden tenemos:

cos
0
.
707107
0
.
185120
3
2! 12
0.707107 0.185120 0.024232 0.497755
Para la aproximacin de tercer orden tenemos:

f
0.707107 0.185120 0.024232
3
3!
12
sen
0.497755 2.11466 x10 3 0.499869
Para la aproximacin de cuarto orden tenemos:

3
0.707107 0.185120 0.024232 2.11466 x10
3
4! 12
cos
0.499869 1.38404 x10 4 0.5000076
Para la aproximacin de quinto orden tenemos:

3
4
0.707107 0.185120 0.024232 2.11466 x10 1.38404 x10
3
5!
12
sen
0.5000076 7.24681x10 6 0.5000003
Para la aproximacin de sexto orden tenemos:

3
4
6
0.707107 0.185120 0.024232 2.11466 x10 1.38404 x10 7.24681x10
3
0.5000003 3.16202 x10 7 0.4999999
3. Hallar un polinomio que aproxime f(x)=sen x

Solucin
x i= 0
xi+1 = x
xi+1 xi = x-0=x
f(x)= cos x
f(x)= -sen x
13

cos
6!
ESIA-Ticomn
f(3)(x)= -cos x
f(4)(x)= sen x
f(5)(x)= cos x
f(6)(x)= - sen x
f ( x) 0
1
(1) 3
1
x0
x 0 x 5 ...
1!
3!
5!
Por lo tanto el polinomio es:

f ( x) x
x3 x5 x7
x 2 n 1
.......
(1) n 1
3!
5! 7!
(2n 1)!
4. sense los trminos de la serie de Taylor para calcular la siguiente integral

numrica. Con una aproximacin no menor a cuarto orden.
senx dx
f ( x ) ( senx)1 / 2
1
( senx) 1 / 2 (cos x )
2
1
1
1
1
f ' ' ( x ) ( senx ) 3 / 2 (cos x )(cos x ) ( senx) 1 / 2 ( senx ) ( senx ) 3 / 2 (cos x ) 2 ( senx )1 / 2
4
2
4
2
f ' ( x)
3
1
1
( senx) 5 / 2 (cos x)(cos x) 2 ( senx) 3 / 2 2(cos x)( senx) ( senx) 1 / 2 (cos x)
8
4
4
3
1
1
f ( 3) ( x) ( senx) 5 / 2 (cos x) 3 ( senx) 1 / 2 (cos x) ( senx) 1 / 2 (cos x)
8
2
4
3
1
f ( 3) ( x) ( senx) 5 / 2 (cos x) 3 ( senx) 1 / 2 (cos x)
8
4
f
( 3)
( x)
( 4)
( x)
15
3
1
( senx) 7 / 2 (cos x)(cos x) 3 ( senx) 5 / 2 3(cos x) 2 ( senx) ( senx) 3 / 2 (cos x)(cos x)
16
8
8
1
( senx) 1 / 2 ( senx)
4
15
9
1
1
( 4)
f ( x)
( senx) 7 / 2 (cos x) 4 ( senx) 3 / 2 (cos x) 2 ( senx) 3 / 2 (cos x) 2 ( senx)1 / 2
16
8
8
4
15
10
1
f ( 4) ( x)
( senx) 7 / 2 (cos x) 4
( senx) 3 / 2 (cos x) 2 ( senx)1 / 2
16
8
4
14
ESIA-Ticomn
xi 1 x
2
f ( xi ) 1
f ' ( xi ) 0
xi
1
2
( 3)
f ( xi ) 0
f ' ' ( xi )
(4)
( xi )
1
4
f ( x) 1 2 x
2!
2
senx 1 x
4
2
x
4
2
x0
1
4
2
3
dx
1
96
2
5
x
96
2
x
96
2
4 x
4!
2
dx
x
4 0
2
1 2

4 3
1
4
2
3
dx
x
96 0
2

1 2
96 5
dx
1
96
2
5
2.455782

1. Encuentre el polinomio que aproxime a las siguientes funciones
(mnimo 8 trminos)
f ( x ) cos( x )
x 32
x 31
x 30
x 29
33
2
3
4
...
32!
31!
30!
29!
0!
10
8
6
4
2
f ( x ) a1 x a 2 x a3 x a 4 x a5 x a 6
f ( x)
2. Calcule la integral:
2
x5
dx
Utilice una aproximacin de cuarto orden.
15
ESIA-Ticomn
Captulo 3 Races de Ecuaciones: Mtodos de

Intervalos
Los mtodos de intervalos son mtodos que aprovechan el hecho que una funcin en
forma tpica cambia de signo en la vecindad de una raz. A estas tcnicas se les llama
mtodos cerrados, o de intervalos, por que se necesita de dos valores iniciales para la raz.
Como su nombre lo indica, dichos valores iniciales deben encerrar, o estar a ambos
lados de la raz.
3.1. Mtodo Grfico

Un mtodo simple para obtener una aproximacin a la raz de la ecuacin f ( x) 0
consiste en graficar la funcin y observar dnde cruza el eje x. este punto, que representa
el valor de x para el cual f ( x) 0 , ofrece una aproximacin inicial de la raz.
Ejemplos
1. Utilice el mtodo grfico para determinar el coeficiente de arrastre c dada la
funcin:
f (c )
667.38
(1 e 0.146843c ) 40
c
Solucin
Vamos graficando la funcin dando valores a c:
c
4
8
f(c)
34.1149
17.6535
16
ESIA-Ticomn
12
16
20
6.0669
-2.2688
-8.4006
La grfica la podemos realizar utilizando un programa como EXCEL o MATLAB

que nos ayudan a comprender mejor el comportamiento de las funciones a
graficar.
La grfica ser:
Figura 3.1.1 Grfica de fncin, mtodo grfico
Al ver la figura 3.1.1 podemos decir que la raz se encuentra en x=14.8. La

validez de la aproximacin visual se verifica sustituyendo su valor en la funcin.
667.38
(1 e 0.146843(14.75 ) ) 40
14.75
f (14.8) 0.0386
f (14.8)
que est cercana a cero.

2. Utilice el mtodo grfico para calcular las races de:
f ( x) sen10 x cos 3x
En un rango que va de x=0 a x=5. Utilice grficas por computadora.

Solucin
17
ESIA-Ticomn
Este tipo de funciones tienen mltiples races, por lo que graficar en paquetes
computacionales nos mostrar una descripcin mas detallada del comportamiento
de f (x) .
La grfica ser:
.
Figura 3.1.2 Grfica de una funcion con varias races.
Como podemos observar la figura 3.1.2 permite determinar que existen varias races que
resultaran difciles de graficar si se sigue el mismo proceso manualmente.
3.2. Mtodo de la Biseccin

Conocido tambin como de corte binario, de particin en dos intervalos iguales o mtodo
Bolzano, es un mtodo de bsqueda incremental en el que el intervalo se divide siempre
en dos. Si la funcin cambia de signo sobre un intervalo, se evala el valor de la funcin
en el punto medio. La posicin de la raz se determina situndola en el punto medio del
sub-intervalo dentro del cual ocurre un cambio de signo. El proceso se repite hasta
obtener una mejor aproximacin.
Los pasos a seguir para encontrar la raz de una funcin, por medio de este mtodo, son:
18
ESIA-Ticomn
1er Paso.- Elija los valores iniciales inferior xl y superior xu de tal forma que la
funcin cambie de signo sobre el intervalo. Esto se puede verificar asegurndose
de que f ( xl ) * f ( xu ) 0
2do Paso.- La primera aproximacin a la raz xr se determina como:

xr
xl xu
2
3er Paso.- Realice las siguientes evaluaciones para determinar en que subintervalo cae la raz:
a. Si f ( xl ) * f ( x r ) 0 entonces la raz se encuentra dentro del sub-intervalo.
Por lo tanto tome xu=xr y continen en el paso 2.
b. Si f ( xl ) * f ( x r ) 0 entonces la raz se encuentra dentro del sub-intervalo
superior. Por lo tanto resulvase xl=xr y contine en el paso 2.
c. Si f ( xl ) * f ( x r ) 0 la raz es igual a xr y termina el clculo.
3.2.1. Estimaciones de errores

Para poder estimar un error de tal forma que no se necesite el conocimiento previo de la
raz se puede calcular el error relativo aproximado de la siguiente manera:
x ractual x ranterior
A
*100%
xractual
Se utiliza el valor absoluto, ya que por lo general importa slo la magnitud sin considerar
su signo.
Ejemplos
1. Encontrar la raz de f ( x) x 3 3 x 2 34 x 48 utilizando el mtodo de la
biseccin con 7 iteraciones con los valores iniciales de xl=0 y xu=10.
Solucin
Iteracin 1:
1er Paso.- Tenemos los valores de xl y xu, podemos comprobar si existe un
cambio de signo:
f (0) ()
f (10) ( )
19
ESIA-Ticomn
Si existe un cambio de signo.

2do Paso.- Hallamos la primera aproximacin:
xr
0 10
5
2
3er Paso.- Evaluamos para determinar en que sub-intervalo se encuentra la raz:

f (0) ()
f (5) ()
Vemos que cae en el caso b. del 3er paso, por lo tanto xl=5
No hay valores para el error absoluto y relativo aproximado, debido a que es
nuestra primera aproximacin.
Estos pasos se repetirn hasta llegar a 7 iteraciones.
La siguiente tabla muestra los valores de xl, xu y xr, adems del comportamiento
de los errores.
Iteracin
1
2
3
4
5
6
7
xl
0
5
7.5
7.5
7.5
7.8125
7.96875
xu
10
10
10
8.75
8.125
8.125
8.125
A (%)
--33.3333
14.2857
7.6923
4.0000
1.9608
0.9709
xr
5
7.5
8.75
8.125
7.8125
7.96875
8.046875
EA
--2.5
1.25
0.625
0.3125
0.15625
0.078125
2. Use el mtodo de biseccin para determinar la raz de la siguiente funcin:

f (c )
667.38
(1 e 0.146843c ) 40
c
Con valores iniciales de xl=12 y xu=16. Utilice el mtodo hasta encontrar un error
relativo aproximado igual o menor al 5%.
Solucin
De la misma manera que el ejemplo anterior, se obtiene la siguiente tabla, se
realizaron 6 iteraciones para llegar a un error relativo aproximado menor al 5%
Iteracin
xl
xu
20
xr
A (%)
EA

1
2
3
4
5
6
ESIA-Ticomn
12
14
14
14.5
14.75
14.75
16
16
15
15
15
14.875
14
15
14.5
14.75
14.875
14.8125
--6.666667
3.448276
1.694915
0.840336
0.421941
--1
0.5
0.25
0.125
0.0625
Un beneficio del mtodo de la biseccin es que el nmero de iteraciones requerido para

obtener un error absoluto se calcula a priori; esto es, antes de empezar las iteraciones,
donde se observa que antes de empezar el mtodo, el error absoluto es:
EA
xu x l
2n
Donde: xu, xl son los valores iniciales

n=nmero de iteraciones
debido a que el mtodo es predecible, ya que los lmites siempre son divididos entre 2.
De esta ecuacin podemos despejar n:
xu xl
EA
log 2 n log
x u xl
EA
log
log 2
Que nos servir para poder saber cuantas iteraciones se requieren para llegar al error
absoluto deseado, sin necesidad de realizar otros clculos.
Ejemplo
1. Para f ( x ) x 3 3 x 2 34 x 48 con los valores iniciales de xl=0 y xu=10.
Cuntas iteraciones se requieren para tener un error absoluto de 0.01953125?
Solucin
Utilizando nuestra ecuacin tenemos:
10 0
0.01953125 9
log 2
log
Se requieren 9 iteraciones.
21
ESIA-Ticomn
El problema de este mtodo es la lentitud con la que se acerca a la solucin de una

ecuacin, por ejemplo cuando ms que nos acerquemos a una raz, el mtodo seguir
dividiendo el intervalo a la mitad, por lo tanto nos estaremos alejando de la solucin.
3.3. Mtodo de la Falsa Posicin

ste mtodo, alternativo al mtodo de la biseccin, aprovecha la visualizacin grfica de
unir f ( xl ) y f ( xu ) con una lnea recta la interseccin de esta lnea con el eje de las x
representa una mejor estimacin de la raz el hecho de que se reemplace la curva por una
lnea recta da una posicin falsa de la raz; de aqu el nombre de Mtodo de la Falsa
Posicin o en latn Regula Falsi. Tambin se le conoce como el mtodo de la
interpolacin lineal.
Figura 3.3 Representacin grfica del Mtodo de la Falsa Posicin., con los tringulos
semejantes sombreados se obtiene la frmula para el Mtodo.
Los pasos a seguir en este mtodo son los mismos que los pasos del Mtodo de la
Biseccin, con la diferencia de que el valor de la aproximacin se determina como:
x r xu
f ( xu ) * ( x l x u )
f ( xl ) f ( xu )
Ejemplos
1. Encontrar la raz de f ( x ) x 3 3 x 2 34 x 48 utilizando el mtodo de la
Falsa Posicin, con los valores iniciales de xl=0 y xu=10 repita el proceso hasta
obtener un error relativo aproximado de 0.007%.
Solucin
22
ESIA-Ticomn
Iteracin 1:
1er Paso.- Tenemos los valores de xl y xu, podemos comprobar si existe un
cambio de signo:
f (0) ( 48)
f (10) (312)
Si existe un cambio de signo.

2do Paso.- Hallamos la primera aproximacin:
312 * (0 10)
x r 10
1.333
48 312
3er Paso.- Evaluamos para determinar en que sub-intervalo se encuentra la raz:
f (0) ( 48)
f (1.333) ( 96.29507 )
Vemos que cae en el caso b. del 3er paso, por lo tanto xl=1.333
No hay valores para el error absoluto y relativo aproximado, debido a que es
nuestra primera aproximacin.
Como podemos ver en este ejemplo, aunque por lo general el mtodo de la falsa
posicin es mejor que el mtodo de la biseccin, no siempre es verdad esto, como
podemos observar nuestra raz se encuentra en 1.333, mientras que en el mtodo
de la biseccin, ya se encontraba en 5.
Mediante la siguiente tabla podemos ver el comportamiento de ste mtodo con
esta funcin:
Iteracin
1
2
3
4
5
6
7
8
9
10
11
xl
0
1.3333
3.3774
5.6086
7.0764
7.6993
7.9085
7.9728
7.9919
7.9976
7.9993
xu
10
10
10
10
10
10
10
10
10
10
10
f ( xl )
f ( xr )
-48.0000
-96.29630
-158.52583
-156.63508
-84.47218
-31.20745
-9.89202
-2.98142
-0.88487
-0.26143
-0.07713
312
312
312
312
312
312
312
312
312
312
312
xr
1.3333
3.3774
5.6086
7.0764
7.6993
7.9085
7.9728
7.9919
7.9976
7.9993
7.9998
2. Halle las races de la siguiente funcin:
23
ESIA-Ticomn
f (c )
667.38
(1 e 0.146843c ) 40
c
y compare los errores relativos , verdaderos y aproximados, con el Mtodo de la

Biseccin, supngase que el valor verdadero de la raz es 14.7791
Solucin
Siguiendo los pasos para resolver esta funcin, por el Mtodo de la Falsa
Posicin, se genera la siguiente tabla:
Iteracin
1
2
3
4
xl
12
12
12
12
xu
16
14.9113
14.7942
14.7817
F(xl)
6.0669
6.0669
6.0669
6.0669
f(xu)
-2.2688
-0.2543
-0.0273
-0.0029
xr
14.9113
14.7942
14.7817
14.7804
f(xr)
-0.2543
-0.0273
-0.0029
-0.0003
Los errores relativos sern (utilizando los datos del ejercicio en el Mtodo de la
Biseccin, calculado anteriormente, y los datos del Mtodo de la Falsa Posicin):
Primera Iteracin:
Mtodo de la Biseccin:
A (%)
--6.666667
3.448276
1.694915
xr
14
15
14.5
14.75
A
T
14.7791 14
* 100 5.27163%
14.7791
Mtodo de la Falsa posicin:

A
T
14.7791 14.9113
* 100 0.89456%
14.7791
Segunda Iteracin:
24
ESIA-Ticomn
15 14
* 100 6.66667%
15
14.7791 15
* 100 1.49468%
14.7791

A
14.7942 14.9113
* 100 0.79160%
14.7942
14.7791 14.7942
* 100 0.10215%
14.7791
Tercera Iteracin:
114 .5 15
* 100 3.448276%
14.5
14.7791 14.5
* 100 1.88848%
14.7791

14.7817 14.7942
* 100 0.08455%
14.7942
14.7791 14.7817
* 100 0.01759%
14.7791
Cuarta Iteracin:
14.75 14.5
* 100 1.694915%
14.75
14.7791 14.75
* 100 0.19690%
14.7791
A
T

14.7804 14.7817
* 100 0.00902%
14.7804
14.7791 14.7804
* 100 0.01759%
14.7791
Se genera la siguiente tabla:

25
Iteracin
ESIA-Ticomn
Mtodo de la Biseccin
A
T
Mtodo Regula falsa

A
T
----
5.27163
----
0.89456
6.666667
1.49468
0.79160
0.10215
3.448276
1.88848
0.08455
0.01759
1.694915
0.19690
0.00902
0.00858
Como podemos observar en este caso el mtodo de la falsa posicin es ms

eficiente ya que los errores son mnimos, con lo que podemos decir que
llegaremos ms rpidamente a la solucin, comparando con el otro mtodo.
Pero no siempre ocurre esto, aunque el mtodo de la Falsa Posicin casi siempre
es superior, hay algunos casos que no cumplen con esta premisa, como pudimos
observar en el primer ejemplo. Una de las desventajas de ste mtodo es su
unilateralidad, es decir, conforme avanza en las iteraciones, uno de los puntos
limitantes del intervalo tiende a permanecer fijo. Esto puede llevar a una mala
convergencia, especialmente en funciones con una curvatura importante.

1. De manera breve explique la relacin existente (similitudes, diferencias, ventajas,
desventajas, etc.) entre el mtodo de la falsa posicin con el mtodo de la biseccin.
En qu situaciones se comporta de mejor modo uno que el otro?
2. Encuentre la raz positiva de 15 utilizando los mtodos de biseccin y falsa

posicin con un A 0.5% y valores iniciales de 3 y 4 y calcule los errores
relativos verdaderos. Resp. Biseccin:3.8594, Falsa posicin: 3.8727
3. Determine la raz real de x 3.33 79 , por ambos mtodos y compare. Use
como valores iniciales 3 y 4, adems de A 0.1% . Resp Biseccin:3.7129,
Falsa posicin: 3.7141
4. la velocidad de cada de un paracaidista est dada por:
v
gm
(1 e ( c / m )t )
c
Donde: g=9.8. Para el paracaidista con un coeficiente de arrastre c=14kg/s,

calcule la masa m de ste de tal forma que la velocidad sea de v=35m/s en t=7s.
Con el mtodo de la falsa posicin determine la masa a un nivel de A 0.1% .
Resp. 102.5186 kg.
Captulo 4 Races de Funciones: Mtodos Abiertos

En los mtodos cerrados la raz se encuentra dentro del intervalo predeterminado por un
lmite inferior y otro superior. La aplicacin repetida de estos mtodos siempre genera
aproximaciones cada vez ms cercanas a la raz. Se dice que tales mtodos son
26
ESIA-Ticomn
convergentes porque se acercan progresivamente a la raz a medida que se avanza en el

clculo.
En contraste, los mtodos abiertos se basan en formulas que requieren nicamente un
valor de inicio o que empiecen con un par de ellos, pero que no necesariamente encierren
la raz. stos, algunas veces, divergen o se alejan de la raz verdadera a medida que se
avanza en el clculo. Sin embargo cuando convergen lo hacen ms rpido que los
mtodos cerrados.
4.1. Mtodo del Punto Fijo

Como los mtodos cerrados utilizan frmulas para predecir la raz, esta frmula puede
desarrollarse como una iteracin simple de punto fijo, llamada tambin de iteracin de un
punto o sustitucin sucesiva o mtodo del punto fijo, al reordenar la ecuacin f ( x) 0
de tal modo que x est del lado izquierdo de la ecuacin:
x g (x )
Esta transformacin se realiza mediante operaciones algebraicas o simplemente sumando

x a cada lado de la ecuacin original.
La utilidad de sta ecuacin es que proporciona una frmula para predecir un nuevo valor
en x en funcin del valor anterior de x . Donde se intersecta la recta y x con
y g (x) sen encontrar la raz.
La frmula iterativa ser:
xi 1 g ( xi )
La estimacin de los errores ser la misma que en los anteriores mtodos.

Ejemplos
1. Utilice el mtodo del Punto Fijo para determinar la raz de la siguiente
funcin:
f ( x ) sen x x
Realice 8 iteraciones.
Solucin
Reordenamos la ecuacin de la siguiente forma:
f ( x ) 0 sen x x 0 x sen x
Tomamos como valor inicial un x 0 1
27
ESIA-Ticomn
x1 sen 1 0.84147
x 2 sen 0.84147 0.793973
x3 sen 0.793973 0.777733
x 4 sen 0.777733 0.771942

x5 sen 0.771942 0.769847
x 6 sen 0.769847 0.7690859
x 7 sen 0.7690859 0.768808
x8 sen 0.768808 0.768707
la raz ser: 0.768707

2. Utilice el mtodo del Punto Fijo para determinar la raz de la siguiente
funcin:
f ( x) e x x
Realice 15 iteraciones y calcule los errores relativos.

Solucin
Reordenando:
x ex
Tomamos x0 0
Iteracin
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
xi
0
1.00000
0.36788
0.69220
0.50047
0.60624
0.54540
0.57961
0.56012
0.57114
0.56488
0.56843
0.56641
0.56756
0.56691
0.56728
A
--100.00000
171.82818
46.85364
38.30915
17.44679
11.15662
5.90335
3.48087
1.93080
1.10887
0.62442
0.35557
0.20120
0.11426
0.06475
Podemos observar que nos vamos acercando a la raz, muestras aproximaciones

cada vez se van haciendo mas precisas.
4.1.1. Convergencia y Divergencia

Los conceptos de convergencia y divergencia se pueden ilustrar grficamente, la
representacin grfica de la convergencia y divergencia en este mtodo es:
28
ESIA-Ticomn
Figura 4.1.1 a) y b) convergencia. C) y d) la divergencia del Mtodo. a) y c) tienen un

comportamiento montono, mientras que b) y d) un comportamiento en espiral.
Cuando la pendiente en valor absoluto de g(x) sea mayor que 1, entonces el Mtodo
diverge, es decir, cuando g ( x) 1 nos alejaremos de la raz.
4.2.
Mtodo de Newton-Raphson
Definicin de derivada: Es la ecuacin de la pendiente de la recta tangente a la curva en

un punto.
Tal vez, de las frmulas para localizar races, la frmula de Newton-Raphson sea la ms
ampliamente utilizada. Si el valor inicial para la raz es x i, entonces se puede trazar una
tangente desde el punto [xi, f(xi)] de la curva. Por lo comn, el punto donde esta tangente
corta al eje x representa una aproximacin mejorada de la raz, xi+1.
29
ESIA-Ticomn
Figura 4.2 Representacin grfica del mtodo Newton-Raphson. Se extrapola una

tangente a la funcin en xi [esto es, f(xi)] hasta el eje x para obtener una estimacin
de la raz en xi+1
El mtodo Newton-Raphson se deduce a partir de esta interpretacin geomtrica. De la

figura, se puede obtener:
xi 1 xi
f ( xi )
f ' xi
Ejemplos
Utilice el mtodo de Newton-Raphson para calcular la raz de f ( x) e x x
empleando el valor inicial de x0 0 .
Solucin
Para aplicar el mtodo ser necesario hallar la derivada de f ( x) e x x y
despus evaluarla en cada nueva aproximacin.
f ' ( x ) e x 1
Para la primera iteracin tenemos:

x1 0
e 0 0
1
0
0.5
0
2
e 1
Para la iteracin 2:
x 2 0.5
e 0.5 0.5
0.566311
e 0.5 1
30
ESIA-Ticomn
La siguiente tabla muestra los valores hallados, para 7 iteraciones, de las

aproximaciones y de los errores relativos aproximados:
Iteracin
1
2
3
4
5
6
7
8
xi
0
0.5
0.566311
0.567143
0.567143
0.567143
0.567143
0.567143
A (%)
---100.000000
11.709291
0.146729
0.000022
0.000000
0.000000
0.000000
4.2.1. Desventajas del Mtodo de Newton-Raphson

Aunque en general el mtodo de Newton-Raphson es muy eficiente, hay situaciones
donde se compota de manera deficiente.
A simple vista, por la frmula, podemos ver que el mtodo no funcionar bien si nuestra
funcin tiene una pendiente que tiende a cero, pero veamos 4 casos en el que este mtodo
no funciona bien:
EnFigura
la figura
4.2.1a)
podemos
observar
que si endellasmtodo
proximidades
de una raz existe un
4.2.1
Diferentes
casos de
las desventajas
de Newton-Raphson
punto de inflexin, las aproximaciones que empiezan con x0 divergen progresivamente de
la raz
En la figura 4.2.1b) el mtodo tiende a oscilar alrededor de un mnimo o un mximo
local, estas pueden continuar, o alcanzar una pendiente cercana a cero, con lo que se
alejara muchsimo de nuestra solucin.
31
ESIA-Ticomn
En la figura 4.2.1c) se muestra cmo un valor inicial cercano a una raz salta a una
posicin varias races ms lejos. Esta tendencia a alejarse del rea de inters se debe a
que se encuentran pendientes cercanas a cero. En efecto, como ya lo indicbamos
anteriormente, una pendiente cero es un verdadero desastre, ya que causa una divisin
entre cero en la frmula de Newton-Raphson, esto tambin ocurre en la figura 4.2.1d),
vemos cmo el valor de la solucin se dispara horizontalmente y jams toca el eje x.
4.3. Mtodo de la Secante

Un problema potencial en la implementacin del mtodo de Newton-Raphson es la
evaluacin de la derivada. Aunque esto no es un inconveniente para los polinomios ni
para muchas otras funciones, existen algunas funciones cuyas derivadas en ocasiones
resultan muy difciles de calcular. En dichos casos, la derivada se puede aproximar
mediante una diferencia finita dividida hacia atrs, como en la figura:
Figura 4.3 Funcionamiento del mtodo de la secante
De la figura 4.3 se obtiene:

f ' ( x)
f ( xi 1 ) f ( xi )
xi 1 xi
Esta aproximacin se sustituye en la ecuacin de Newton-Raphson para obtener la

siguiente ecuacin iterativa:
f ( xi )( xi 1 xi )
xi 1 xi
f ( xi 1 f ( xi ))
La ecuacin es la frmula para el Mtodo de la Secante. Observe que el mtodo requiere
de dos valores iniciales x. Sin embargo, debido a que no se necesita que f (x ) cambie de
signo entre los valores dados, este mtodo no se clasifica como un mtodo cerrado.
32
ESIA-Ticomn
Ejemplo
Con el mtodo de la secante calcule la raz de f ( x) e x x . Comience con los
valores iniciales x 1 0 y x1 1 .
Solucin
Primera iteracin:
f ( x 1 ) 1
x 1 0
x0 1
f ( x0 ) 0.63212
xi 1
0.63212(0 1)
0.612700
1 ( 0.63212)
Segunda iteracin:
x0 1
f ( x 0 ) 0.63212
x1 0.61270
f ( x1 ) 0.07081
x 2 0.612700
0.07081(1 0.61270)
0.563838
0.63212 (0.07081)
Tercera iteracin:
x1 0.61270
f ( x1 ) 0.07081
f ( x 2 ) 0.000518
0.00518(0.61270 0.563838)
x3 0.563838
0.567170
0.07081 (0.00518)
x 2 0.563838
4.3.1. Diferencia entre los Mtodos de la Secante y de la Falsa

Posicin
Observe la similitud entro los mtodos de la secante y de la falsa posicin. Por ejemplo,
las ecuaciones de estos dos mtodos son idnticas en todos los trminos. Ambas usan dos
valores iniciales para calcular una aproximacin de la pendiente de la funcin que se
utiliza para proyectar hacia el eje x una nueva aproximacin de la raz. Sin embargo,
existe una diferencia crtica entre ambos mtodos. Tal diferencia es que en el mtodo de
la falsa posicin siempre se toman dos valores, pero nuestra aproximacin reemplaza a
uno de los lmites del intervalo encerrando la raz, por lo que el mtodo siempre
converge. Mientras que el mtodo de la secante reemplaza los valores de las
aproximaciones en una secuencia estricta, con el nuevo valor que reemplaza a xi y el
33
ESIA-Ticomn
valor xi a xi-1. En consecuencia, algunas veces los dos valores estn al mismo lado de la
raz. En ciertos casos esto puede llevar a divergencias.
Figura 4.3.1 Comparacin entre los mtodos de la falsa posicin y de la secante. Las primeras
iteraciones a) y b) de ambos mtodos son idnticos. No obstante, en las segundas iteraciones c) y d),
los
usados son
En consecuencia,
4.2.puntosMtodo
dediferentes.
la Secante
Modificadoel mtodo de la secante llega a diverger, como se
indica en d)
4.4. Mtodo de la secante modificada.En lugar de usar dos valores arbitrarios para aproximar la derivada, un mtodo alternativo
considera un cambio fraccionario de la variable independiente para estimar f ' ( x)
f ' ( xi )
f ( xi * xi ) f ( xi )
* xi
donde es un pequeo cambio fraccionario. Esta aproximacin se sustituye en la

ecuacin de Newton-Raphson, que da la ecuacin iterativa:
xi 1 xi
* f ( xi )
f ( xi * xi ) f ( xi )
Ejemplo
34
ESIA-Ticomn
Con el mtodo de la secante modificado estime la raz de f ( x) e x x . Use un

valor de 0.01 para y comience con x0=1.0
Solucin
Primera iteracin:
x0 1
f ( x0 ) 0.63212
x0 * x0 1.01
f ( x0 * x 0 ) 0.64578
x1 1
0.01 * 1 * ( 0.63212)
0.537263
0.64578 (0.63212)
Segunda iteracin:
x1 0.537263
f ( x1 ) 0.047083
x1 * x1 0.542635
f ( x1 * x1 ) 0.038579
x 2 0.537263
0.01 * 0.537263(0.047083)
0.567010
0.038579 (0.047083)
Tercera iteracin:
x 2 0.567010
f ( x 2 ) 0.0.000209
x 2 * x 2 0.572679
f ( x 2 * x 2 ) 0.0086678
x3 0.567010
0.01 * 0.567010(0.000209)
0.567143
0.0086678 ( 0.000209)
La eleccin de un valor adecuado para no es automtica. Si es muy pequeo, el

mtodo puede no tener xito por el error de redondeo, causado por la cancelacin por la
resta en el denominador de la ecuacin de ste mtodo. si est muy grande, la tcnica
puede llegar a ser ineficiente y hasta divergente. No obstante, si se selecciona
correctamente, proporciona una adecuada alternativa en los casos donde la evaluacin de
la derivada se dificulta y el desarrollo de dos valores iniciales es inconveniente.

1. Determine la raz de la siguiente ecuacin, por el mtodo del punto fijo:
x 2 2 x 3 0 . De cuantas formas se puede despejar x de esta ecuacin?
Realice el mismo procedimiento para cada una de esas formas y compare la
convergencia. Realice el mtodo hasta que el error relativo aproximado sea de
0.05%.
35
ESIA-Ticomn
2. Determine las races de las siguientes ecuaciones por el mtodo de la secante:

f ( x ) 0.5e x 3 sen( x )...........x 0
f ( x) x 2
3. Encuentre la raz real de la ecuacin:
f ( x) x 3 2 x 2 10 x 20
Mediante el mtodo de Newton-Raphson, x 0 1 , con un error aproximado
absoluto de 10-3.
Resp. 1.36881
4. Resuelva por el mtodo de la secante el anterior ejercicio.
5. Use iteracin simple de punto fijo para localizar la raz de la siguiente
funcin, con un valor inicial de x0 2 . Itere hasta que consiga una precisin
en sus aproximaciones de 6 cifras significativas. Le fue posible encontrar la
raz? En caso negativo analice y explique el motivo, qu mtodo propondra
para encontrarla? En caso afirmativo, cuntas iteraciones le fueron
necesarias?
f ( x) x 3 e 2 x x
Captulo 5: Sistemas de Ecuaciones

5.1. Eliminacin de Gauss
Como ya vimos en lgebra lineal, el mtodo est ideado para resolver un sistema general
de n ecuaciones:
a11 x1 a12 x 2 a13 x3 a1n x n b1
a 21 x1 a 22 x 2 a 23 x 3 a 2 n x n b2
36
ESIA-Ticomn
a n1 x n a n 2 x 2 a n 3 x3 a nn x n bn
Como el caso de dos ecuaciones, la tcnica para resolver n ecuaciones consiste en dos
fases: la eliminacin de las incgnitas (hacia adelante) y su solucin mediante sustitucin
hacia atrs.
5.1.1. Eliminacin hacia delante de incgnitas

La primera fase consiste en reducir el conjunto de ecuaciones a un sistema triangular
superior. El paso inicial ser eliminar la primera incgnita, x 1, desde la segunda hasta la
n -sima ecuacin. Para ello, se multiplica la 1era fila por a21/a11 para obtener:
a 21
a
a
a12 x 2 21 a1n x n 12 b1
a11
a11
a11
a 21 x1
Ahora esta ecuacin se resta de la segunda fila para dar:
a 22
a 21
a
a
a12 x 2 a 2 n 21 a1n x n b2 21 b1
a11
a11
a11
'
a 22
x 2 a 2' n x n b2'
Donde el superndice prima indica que los elementos han cambiado sus valores originales
1 vez. l procedimiento se repite despus con las ecuaciones restantes. Por ejemplo, la
primera fila se puede multiplicar por a31 / a11 y el resultado se restara de la tercera fila.
Se repite el procedimiento con las ecuaciones restantes y da como resultado:
a11 x1 a12 x 2 a13 x3 a1n x n b1
'
'
a 22
x 2 a 23
x3 a 2' n x n b2'
'
'
a32
x 2 a33
x3 a3' n x n b3'
a x 2 a x3 a x n bn'
'
n2
'
n3
'
nn
Ahora el proceso se repite para eliminar la segunda incgnita, tercera, hasta llegar a
eliminar la incgnita x(n-1) de la n -sima ecuacin. Aqu el sistema se habr transformado
en un sistema triangular superior:
37
ESIA-Ticomn
a11 x1 a12 x 2 a13 x3 a1n x n b1

a ' ' 22 x 2 a ' ' 23 x3 a ' ' 2 n x n b' 2
a ' ' 33 x3 a ' ' 3 n x n b' ' 3
( n 1)
[1a]
[2a]
[3a]
x b ( n 1) n
nn n
[4a]
5.1.2. Sustitucin hacia atrs

La ecuacin [4a] se resuelve para xn:
xn
bn( n 1)
( n 1)
a nn
Este resultado se puede resultado se puede sustituir en la (n-1) ecuacin y resolverse sta
para xn-1. El procedimiento se repite evaluando las x restantes, ste se puede representar
mediante la frmula:
bi( i 1)
xi
j i 1
( i 1)
ij
xj
a ii( i 1)
Para i=(n-1), (n-2), 1
Ejemplos
1. sese la eliminacin gaussiana para resolver:
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
3 x1 x 2 2 x3 4
Solucin
Eliminacin hacia delante:
2 4 6 18
4 5 6 24
3 1 2 4
f1
2
1 2 3 9 1 1 2 3 9
ff234ff2
f2
4 5 6 24 3 1 0 3 6 12 3 0 1 2 4
3 1 2 4
0 5 11 23 0 5 11 23
1 2 3 9
38
0
0
4
11 23
2
1
f 3 5 f 2 0
0
3
2
ESIA-Ticomn
2
1
0
4
1 3
3
2
( 1)* f 3
0
0
2
1
0
3 9
2 4
1 3
Sustitucin atrs:
3
3
1
x 2 4 2(3) 2
x3
x1 9 2( 2) 3(3) 4
4
X 2
3
2. Resolver por la eliminacin de Gauss:

2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
2 x1 7 x 2 12 x3 30
Solucin
2 4 6 18
4 5 6 24
2 7 12 30
0
0
2
1
3
3 9
2 4
6 12
f1
2
f 3 3 f 2
1 2 3 9
1 2 3 9 1 1 2 3 9
ff234ff2
f2
3 1
3
4 5 6 24 0 3 6 12 0 1 2 4
2 7 12 30
0 3 6 12 0 3 6 12
0
0
2
1
0
3 9
2 4
0 0
Aqu vemos que en la ltima ecuacin x3 tambin se elimina, pero como tenemos
una igualdad, x3 es una variable libre.
La solucin es:
1 z
X 4 2 x3
x3
5.2. Factorizaciones LU de una matriz
39
ESIA-Ticomn
Una clase de mtodos de eliminacin es la llamada tcnica de descomposicin LU. El

principal recurso de la descomposicin LU es que el paso de la eliminacin que toma
mucho tiempo se puede formular de tal manera que involucre slo operaciones con la
matriz de coeficientes [A]. Por esto, es muy adecuado para aquellas situaciones donde se
deben evaluar muchos vectores {B} del lado derecho para un solo valor de [A]. Aunque
hay muchas formas de hacer esto, el anlisis se enfocar en mostrar cmo el mtodo de
eliminacin de Gauss se implementa como una descomposicin LU.
Una forma d realizar la descomposicin LU es:
Ejemplos
1. Descomponer la matriz A por LU.
1
A 2
3
A 2
3
4 6
1 3
2 5
0
0
0
1
0
0
1
E11
0
1
0
E2
2
0
R2 2 R1
0
3
R2 2 R1
2
0
E11 E21 E31 2
0
1
10
9
0
1
0
R3 3 R1
0
0
0
1
0
6
9
10
13
1
10
R3
10
R2
9
0
0
4
9
0 E1
1
1
0 ..................E 3 0
0
1
4
9
0
1
1
0 ...............E2 0
3
1
9
5
4
9
1
0
1
0 .............E3 0
1
0
0
1
10
9
0
0
0 L
40
9 U
3
U 0
0
4
9
0
ESIA-Ticomn
1
6
9 ..................L 2
3
3
0
1
10
9
0
0
A LU
1
2
3
4
1
2
1
6
3 2
5
3
0
1
10
9
0 1
0 0
1 0
4
9
0
9
3
Esta descomposicin nos ayudar en la resolucin de sistemas de ecuaciones, ya

que al transformar la matriz A en dos, L y U, ser ms fcil el trabajo.
Ax=b
LUx=b
Del anterior ejemplo, sacamos la matriz A, y resolvemos el sistema:
Ax=b
27
b 9
22
U 0
0
4
9
0
Ux y
6
1 4
0 9 9
0 0 3
6
1
9 ..................L 2
3
3
1
10
9
x1 y1
x2 y 2
x y
3 3
Ly b
1
1
10
3
9
0 y1 27
0 y2 9
1 y3 22
41
ESIA-Ticomn
y1 27
2 y1 y 2 9
2( 27) y 2 9
54 y 2 9.......... y 2 45
10
y 2 y 3 22
9
10
3( 27)
( 45) y 3 22.......... y 3 9
9
27
y 45
9
3 y1
6 x1 27
1 4
0 9 9 x2 45
0 0 3 x 9
x1 4 x 2 6 x 3 27
9 x 2 9 x 3 45
3 x 3 9
x3 3
9 x 2 9 x 3 45
9 x 2 9(3) 45...........x 2 2
x1 4 x2 6 x3 27
x1 4( 2) 6(3) 27.........x1 1
1

x 2
3

A LU
1
2
3
4
1
2
6
1
3 a
b
5
0
1
c
0
1
0
0
4
d
0
e
f
42
ESIA-Ticomn
a2
b3
1 4a d
1 4( 2) d
d 9
4b cd 2........c
2 4b
2 4(3)
d
9
10
9
3 6a e.........e 3 6a 3 6( 2)
e 9
5 6b ec f
c
10
f 5 6b ec.......... f 5 6(3) ( 9)
9
f 3
2. Encontrar la matriz LU de la matriz A:
2
4
3
2
3
2
4
2
2
4 10 4 0 R2 2 R1 0
A

3 2 5 2
3
2 4
4 7
2
2 3 2 4
2
0 4 8 8 R3 85 R2 0
R4 R1

0 52 2 4
0
0 7 6 3
0
4
2 3 2
R4 203 R3
0 4 8 8

U
0 0 3
9
0 0 0 49
3
10
2
4
2
4
5
4
0
2
3 2 4
4 8 8 R3 32 R1

2 5 2
4 4 7
3 2 4
2
4 8 8 R4 74 R2 0

0 3 9
0
7 6 3
0
2 3 2
4
0 4 8 8

0 52 2 4
2 4 4 7
3 2 4
4 8 8

0 3 9
0 20 11
Ahora sacamos las matrices elementales:
43
0
0
0
1
0
0
0
0
1
0
1 0 0 0
0 1 0 0
E2 3
0 1 0
2
0 0 0 1
0
E5
0
ESIA-Ticomn
2
R2 2 R1

0
E3
0
1
0
0
1
0
0
7
4
0
1
0
0
0
0
1
0
0
1
0
0
0
E1
0
0
0
1
0
E4
0
E6
0
0 1
0
1
0
0
0
0
1
203
0 0
0 0
1 0
85
0
0 1
Ahora las inversas de las matrices elementales:
E11
0
1
0
0
0
0
1
0
E 41
0
1
0
0
1
0
5
8
0
1
0
0
1
...............E 2
0
32
0
1
0
1 0
0
0 1
1
..............E 5
0 0
0
1
0 4
E11 E21 E31 E41 E51 E61
1 0
2 1
3 5
2 8
1 7
4
44
0
1
0
0
0
0
1
0
0
1
0
0
1
........E 3
0
0
1
1
0
1
..............E 6
0
0
0
1
0
0
0
0
0
1
0
L
0
20
3
0
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
20
3
U
0
3
4
2
8
0
0
3
0
ESIA-Ticomn
8
9
49
.L
32
5
8
7
4
20
3
A LU
3
2
4 1 0
2

4 10 4 0 2 1
3 2 5 2 3 5
2 8
2 4
1 7
4
0
0
1
20
3
0 2
0 0
0 0
1 0
4 8
0 3
0
8
9
49
5.3. Descomposicin LU
Hay varias formas de hallar la matriz LU:
Por otro lado la descomposicin LU proporciona un medio eficiente para calcular la
matriz inversa. La inversa tiene muchas aplicaciones valiosas en la prctica de la
ingeniera. sta ofrece tambin un medio para evaluar la condicin de un sistema.
La eliminacin de Gauss representa sirve para resolver sistemas de ecuaciones
algebraicas lineales,
[A]{X}= {B}
(1)
Los mtodos por descomposicin LU separan el tiempo usado en las eliminaciones para
la matriz [A] de las manipulaciones en el lado derecho {B}. Una vez que [A] se ha
descompuesto, los mltiples vectores de lado derecho {B} se pueden evaluar de
manera eficiente.
De manera similar al caso de la eliminacin de Gauss, la descomposicin LU requiere de
pivoteo para evitar la divisin entre cero. La siguiente explicacin se limita a un conjunto
de tres ecuaciones simultneas. Los resultados se pueden extender en forma directa a
sistemas n dimensionales.
La ecuacin se reordena como
[A]{X}-{B}=0
(2)
Suponga que la ecuacin (2) puede expresarse como un sistema triangular superior:
45
ESIA-Ticomn
u11 u12 u13 x1 d1

0 u
u 23 x 2 d 2
22
0
0 u 33 x3 d 3
(3)
Esto es similar a la manipulacin que ocurre en el primer paso de la eliminacin de

Gauss. Es decir, se utiliza la eliminacin para reducir el sistema a una forma triangular
superior. La ecuacin (3) tambin se expresa en notacin matricial y se reordena como
[U]{X}-{D}=0
(4)
Ahora, suponemos que existe una matriz diagonal inferior con nmeros 1 en la diagonal,
1
[ L] l 21
l 31
0
1
l 32
0
0
1
(5)
que tiene la propiedad de que cuando se pre-multiplica por la ecuacin (4), el resultado es
la ecuacin (2). Es decir,
[L]{[U] {X}-{D}}= [A] {X}-{B}
(6)
Si esta ecuacin se satisface, segn las reglas de multiplicacin entre matrices, se

obtendr
[L][U]= [A]
(7)
[L]{D}= {B}
(8)
Una estrategia de dos pasos para obtener soluciones se basa en las ecuaciones (4), (7) y
(8):
1. Paso de descomposicin LU. [A] se factoriza o descompone en las matrices
triangulares inferior [L] y superior [U].
2. Paso de la sustitucin. [L] y [U] se usan para determinar una solucin {X} para
un lado derecho {B}. Este paso, a su vez, se divide en dos. Primero, la ecuacin
(8) se usa para generar un vector intermedio {D} mediante sustitucin hacia
adelante. Despus, el resultado se sustituye en la ecuacin (4), la que se resuelve
por sustitucin hacia atrs para {X}.
5.4. Versin de la eliminacin de Gauss usando la

descomposicin LU
46
ESIA-Ticomn
Podra parecer que la eliminacin de Gauss no est relacionada con la descomposicin

LU, pero esta eliminacin se puede utilizar para descomponer una matriz [A] en dos
matrices [L] y [U], donde [U] es el resultado directo de la eliminacin de Gauss de [A]
con lo que se pretende reducir la matriz de coeficientes [A] a la forma
a11
[U ] 0
0
a12
a ' 22
0
a13
a ' 23
a ' '33
(9)
que es el formato triangular superior deseado.

Aunque quiz no sea muy clara, la matriz [L] se produce durante este paso. Lo anterior
se ilustra fcilmente con un sistema de tres ecuaciones,
a11
a
21
a31
a12
a 22
a32
a13 x1
b1
a 23 x 2 b2
b
a33 x3
3
El primer paso en la eliminacin de Gauss consiste en multiplicar el rengln 1 por el

factor
a
f 21 21
a11
y restar el resultado al segundo rengln para eliminar a21. De forma similar, el rengln 1
se multiplica por
a
f 31 31
a11
y el resultado se resta al tercer rengln para eliminar a31. El paso final es multiplicar el
segundo rengln modificado por
f 32
a '32
a ' 22
y restar el resultado al tercer rengln para eliminar a32.

Si no se quiere modificar la ecuacin, se tiene que hacer lo mismo que se hace en la
matriz [A] con el lado derecho {B}. Pero no existe ninguna razn para realizar las
operaciones en forma simultnea. Se podran conservar las f y despus manipular {B}.
Dnde se guardan los factores f21, f31 y f32?
47
ESIA-Ticomn
La idea principal de la eliminacin fue crear ceros en a21, a31 y a32. Entonces, se puede
guardar f21 en a21, f31 en a31 y f32 en a32. Despus de la eliminacin la matriz [A], por lo
tanto, se describe como
a13
a11 a12
f
(10)
21 a ' 22 a' 23
f 31 f 32 a' '33
De hecho, esta matriz representa un almacenamiento eficiente de la descomposicin LU
de [A].
[A][L][U]
(11)
Donde:
a11
[U ] 0
0
a12
a ' 22
0
a13
a ' 23
a ' '33
y
1
[ L] f 21
f 31
0
1
f 32
0
0
1
El siguiente ejercicio confirma que [A]= [L] [U].

Ejemplo
1. Obtenga una descomposicin LU de la siguiente matriz
3
[ A] 0.1
0.3
0.1
7
0.2
0.2
0.3
10
Solucin
Primero obtenemos [U] la cual es una matriz triangular superior
48

0 .1
3
[ A] 0.1
0.3
R3 03.3 R1
0 .2
0.3
10
7
0 .2
3
0
0
0.1
R2 03.1 R1
0 .1
3
0
0.3
7.00333
0 .2
0.2
7.00333
0.19
0 .1
3
U 0
0
ESIA-Ticomn
0.293333
10.02
R3
0 .2
0.293333
10
0 .1
3
0.19
7.00333
R2
0
0
0 .2
7.00333
0
0.293333
10.0120
0 .2
0.293333
10.0120
7.00333
0
Los factores empleados para obtener la matriz triangular superior se pueden

colocar en una matriz triangular inferior. Los elementos a21 y a31 se eliminaron al
usar los factores
f 21
0.1
0.03333333
3
f 31
0 .3
0.1000000
3
y el elemento a32 se elimina al usar el factor

f 32
0.19
0.0271300
7.00333
As, la matriz triangular inferior es

1
[L] 0.0333333
0.100000
0
1
0.0271300
0
0
En consecuencia, la descomposicin LU es
1
[ A] [ L][U ] 0.0333333
0.100000
0
1
0.0271300
0 3
0 0
1 0
0.1
7.00333
0
0 .2
0.293333
10.0120
Este resultado se verifica al realizar la multiplicacin de [L][U] que da
[ L][U ] 0.0999999
0.3
0.1
7
0.2
0.2
0.3
9.99996
donde las pequeas diferencias son debidas a errores de redondeo.

Despus de descomponer la matriz, se puede generar una solucin para un vector
particular {B}. Esto se lleva a cabo en dos pasos. Primero, se realiza un paso de
sustitucin hacia adelante al resolver la ecuacin (8) para {D}. Es importante
49
ESIA-Ticomn
notar que esto slo se refiere a la realizacin de las operaciones de la eliminacin

en {B}. De esta forma, al final del procedimiento, el lado derecho estar en el
mismo estado que si se hubiesen realizado las operaciones hacia adelante sobre
[A] y {B} en forma simultnea.
2. Generar la solucin final del siguiente sistema de ecuaciones con eliminacin
hacia adelante y hacia atrs.
Solucin
Como se estableci antes, la intencin de la sustitucin hacia adelante es aplicar
las operaciones de eliminacin al vector {B}, previamente aplicadas a [A].
3 0.1 0.2
0.1
7
0.3
0.3 0.2 10
x1
7.85
x 2 19.3
x
71.4
3
La fase de eliminacin hacia adelante del mtodo de eliminacin convencional de

Gauss da como resultado
0.1
0 .2
3
0 7.00333 0.293333
0
0
10.0120
7.85
x1
x 2 19.5617
x
70.0843
3
(12)
La fase de la sustitucin hacia adelante se realiza aplicando la ecuacin (8) a

nuestro problema,
1
0
0 d 1
7.85
0.0333333
1
0 d 2 19.3
71.4
0.100000 0.0271300 1 d 3
o realizando la multiplicacin entre matrices del lado izquierdo e igualando,

d1 = 7.85
0.0333333d1+ d2 = -19.3
0.1d1-0.02713d2+d3 = 71.4
Se resuelve la primera ecuacin para d1,
50
ESIA-Ticomn
d1=7.85
la cual se sustituye en la segunda ecuacin y se resuelve para d2

d2= -19.3 - 0.0333333 (7.85)= -19.5617
Ambas, d1 y d2, se sustituyen en la tercera ecuacin para d3
d3= 71.4 0.1 (7.85)+ 0.02713 (-19.5617) = 70.0843
As,
7.85
{D} 19.5617
70.0843
que es idntica al lado derecho de la ecuacin (12).

Este resultado se sustituye, entonces, en la ecuacin (4), [U] {X}= {D}, para
obtener
0.1
0 .2
3
0 7.00333 0.293333
0
0
10.0120
7.85
x1
x 2 19.5617
x
70.0843
3
que se resuelve por sustitucin hacia atrs para obtener la solucin final,
2.5
7.00003
{X }

1. Descomponer la siguiente matriz en matrices L y U.
2 1 - 3
A -1 3 2
3 1 - 3
51
1. 0
Resp. L - 0.5
1
1.5 - 0.1428
ESIA-Ticomn
2 1 -3
y U 0 3.5 0.5
0 0 1.5714
2. Resuelva el siguiente sistema de ecuaciones:
2 x1 x 2 3 x3 1
x1 3 x 2 2 x3 12
3 x1 x 2 3 x3 0
Resp. x1 1; x 2 3; x3 2
3. Resuelva el siguiente sistema de ecuaciones mediante el mtodo de su eleccin y
explique brevemente el significado grfico de su resultado. Con qu tipo de
entidades matemticas se encuentra lidiando?
3 x1 21x 2 9 x3 0
0.5 x1 3.5 x 2 1.5 x3 2 0
10 9 x3 3 x1 21x 2 2
Captulo 6: Mtodos Iterativos, Sistemas de Ecuaciones

6.1. Mtodo de Gauss-Seidel
En sistemas de ecuaciones muy grandes los mtodos de eliminacin algunas veces son
inadecuados. En este tipo de problemas se pueden usar mtodos iterativos o de
aproximacin con alguna ventaja.
La razn por la cual los mtodos iterativos son tiles en la disminucin de los errores de
redondeo en los sistemas, se debe a que le mtodo de aproximacin se puede continuar
52
ESIA-Ticomn
hasta que converja dentro de alguna tolerancia de error previamente especificada. De esta
forma, el redondeo no es un problema, ya que se controla el nivel de error aceptable.
El mtodo de Gauss-Seidel es el mtodo iterativo ms utilizado. Supngase que se ha
dado un conjunto de n ecuaciones:
[ A][ X ] [C ]
Si los elementos de la diagonal son diferentes de cero, la primera ecuacin se puede

resolver para x1, la segunda para x2, etctera, lo que lleva a:
x1
c1 a12 x 2 a13 x3 a1n x n

a11
[1a]
x2
c 2 a 21 x1 a 23 x3 a 2 n x n
a 22
[2a]
x3
c3 a31 x1 a32 x 2 a 3n x n
a 33
[3a]
xn
c n a n1 x1 a n 2 x 2 a n , n 1 x n 1
...[4a]
a nn
Ahora, se puede empezar el proceso de solucin usando un valor inicial para las x. La
solucin trivial puede servir de valor inicial, esto es, todas las x valen cero. Estos ceros se
pueden sustituir en la ecuacin [1a], que se puede usar para calcular un nuevo valor de
x1=c1/a11. Luego, se sustituye el nuevo valor de x1, con x3, ., xn aun cero, en la ecuacin
[2a] con la cual se calcula un nuevo valor de x 2. Este proceso se repite en cada una de las
ecuaciones hasta llegar a la n-sima ecuacin la cual calcula un nuevo valor de x n. En
seguida se regresa a la primera ecuacin y se repite todo el proceso hasta que la solucin
converja bastante cerca de los valores reales.
Ejemplo
sese el mtodo de Gauss-Seidel y resulvase el sistema:
3 0.1 0.2
0.1
7
0.3
0.3 0.2 10
x1
7.85
x 2 19.3
x
71.4
3
Iteracin 1:
53
ESIA-Ticomn
7.85
2.794
3
19.3 0.1( 2.61666)
x2
2.7945
7
71.4 0.3(2.61666) (0.2)(2.7945)
x3
7.005
10
x1
Iteracin 2:
7.85 ( 0.1)(2.7945) ( 0.2)(7.005)

2.9905
3
19.3 0.1(2.9905) (0.3)(7.005)
x2
2.4996
7
71.4 0.3(2.9905) (0.2)(2.4996)
x3
7.0028
10
x1
6.2. Mtodo de Jacobi

Al igual que el mtodo de Gauss-Seidel, este mtodo nos permite hallar la solucin a un
sistema de ecuaciones por aproximacin, la nica diferencia de este mtodo con el de
Gauss-Seidel, es el hecho de reemplazar los valores de x 1. x2, x3, .., xn en las ecuaciones,
ya que en ste mtodo dichos valores se reemplazarn despus de haber hallado los
valores de todas las x.
Ejemplo
Del ejercicio anterior halle la solucin del sistema de ecuaciones, sese el mtodo
de Jacobi.
3 0.1 0.2 x1
7.85
0.1
7
0.3 x 2 19.3
71.4
0.3 0.2 10 x3
Primera iteracin:
7.85
2.61666
3
19.3
x2
2.7541
7
71.4
x3
7.14
10
x1
Segunda iteracin:
7.85 (0.1)( 2.7541) (0.2)(7.14)
x1
3.0008
3
19.3 0.1(2.6166) ( 0.3)(7.14)
x2
2.4885
7
54

x3
ESIA-Ticomn
71.4 0.3( 2.6166) ( 0.2)(237541)

7.0064
10
6.3. Convergencia
Estos mtodos se comportan bien para los sistemas diagonalmente dominantes, es
decir:
n
aii aij
j 1
j i
Condicin suficiente ms an no necesaria.

Mientras ms diagonalmente dominante sea el sistema, ms rpidamente converge, lo
que implica realizar menos iteraciones para hallar un valor preciso.
6.4. Mejoramiento en la convergencia usando la relajacin

La relajacin representa una pequea modificacin del mtodo de Gauss-Seidel y est
diseada para aumentar la convergencia. Despus que cada nuevo valor de x se calcula
usando la ecuacin [], el valor se modifica mediante un promedio pesado de los
resultados de las iteraciones anteriores y actuales:
xinuevo xinuevo (1 ) xianterior
En donde es un factor de peso al cual se le asigna un valor entre 0 y 2.

Si 1 , (1- ) es igual a cero y el resultado permanece inalterado. Sin embargo, si a
se le asigna un valor entre 0 y 1, el resultado es un promedio pesado de los resultados
previos y actuales. A este tipo de modificacin se le conoce como sobrerrelajacin. Por lo
general, esta opcin se emplea para convertir un sistema divergente en uno convergente.
Si se encuentra entre 1 y 2 se considera otro peso en el valor actual. En este caso,
existe una suposicin implcita de que el nuevo valor se mueve en la direccin correcta
hacia la solucin real pero con una velocidad muy lenta. De esta forma, el peso agregado
a intenta mejorar la aproximacin empujndola hacia la real. Por lo que este tipo de
modificacin, al cual se le llama sobrerrelajacin, est diseado para acelerar la
convergencia de un sistema que ya es convergente.
La eleccin de un valor adecuado para es un problema altamente especfico y a
menudo se determina por prueba y error. En general es innecesario en la solucin de un
sistema. Sin embargo, si el sistema bajo su estudio se va a resolver varias veces, entonces
puede ser de gran importancia una buena eleccin de . Algunos ejemplos son los
sistemas muy grandes de ecuaciones diferenciales parciales que a menudo tratan de
modelar cambios en sistemas de variable continua.
Ejemplo
Resuelva el anterior sistema de ecuaciones por el mtodo de Gauss-Seidel y
sese un =1.2 para la relajacin.
55
ESIA-Ticomn
3 0.1 0.2 x1
7.85
0.1
7
0.3 x 2 19.3
71.4
0.3 0.2 10 x3
Primera iteracin:
7.85
2.61666
3
(1.2)(2.61666) (1 1.2)(0) 3.139992
19.3 0.1(3.139992)
2.8019
7
(1.2)( 2.8019) (1 1.2)(0) 3.3623
71.4 0.3(3.139992) (0.2)( 3.3623)
6.97855
10
(1.2)(6.97855) (1 1.2)(0) 8.37426
x1
x1
x2
x2
x3
x3
Segunda Iteracin:
7.85 ( 0.1)( 3.3623) (0.2)(8.37426)

3.06287
3
(1.2)(3.06287) (1 1.2)(3.139992) 3.04745
19.3 0.1(3.04745) ( 0.3)(8.37426)
2.44178
7
(1.2)(2.44178) (1 1.2)(3.3623) 2.25767
71.4 0.3(3.04745) ( 0.2)(2.25767)
7.00342
10
x1
x1
x2
x2
x3
x3 (1.2)(7.00342) (1 1.2)(8.37426) 6.72925
Tercera Iteracin:
7.85 ( 0.1)(2.25767) ( 0.2)(6.72925)

2.990027
3
(1.2)(2.990027) (1 1.2)(3.04745) 2.97854
19.3 0.1( 2.97854) (0.3)(6.72925)
2.511297
7
(1.2)(2.511297 ) (1 1.2)(2.25767) 2.56202
71.4 0.3( 2.990027) (0.2)(2.56202)
6.999403
10
x1
x1
x2
x2
x3
x3 (1.2)(6.999403) (1 1.2)(6.72925) 7.053433

1. Resuelva el siguiente sistema de ecuacin por el mtodo de Gauss-Seidel:
Ax B
56
ESIA-Ticomn
4 3 0
A 3 4 -1
0 -1 4
24
B 30
- 24
Realice 7 iteraciones
3.0134

Resp. x 3.9888

- 5.0028
2. Resuelva el siguiente sistema de ecuacin por el mtodo de Jacobi:
Ax B
10 -1 2
-1 11 - 1
A
2 -1 10
0 3 -1
Realice 5 iteraciones.
0
3
-1
6
25
B
- 11

15
57
ESIA-Ticomn
1
2
Resp. x
- 1

1
3. Diga para que sirve una relajacin menor a 1, y una relajacin mayor a 1,
despus calcule los anteriores ejercicios con valores de 0.85 y 1.45 .
Captulo 7: Ajuste de Curvas

7.1. Aproximacin por mnimos cuadrados
La intencin de la regresin es hallar los parmetros de la curva y la sumatoria de las
distancias entre ellas sea mnima.
Es decir:
D ( y1 (mx1 b)) 2 ( y 2 (mx 2 b)) 2 ( y 3 (mx 3 b)) 2
Para una aproximacin lineal.

Ahora lo que nos interesa es hallar los parmetros para minimizar la sumatoria D. si
tomamos en cuenta que los valores son colineales:
y1 mx1 b
y 2 mx 2 b
y n mx n b
Para hallar los parmetros hacemos:

y 3 X 1 A 3 X 2U 2 X 1
Donde:
58
ESIA-Ticomn
1 x1
1x
2

1x
n
y1
y
2

y
n
b
U
m
Si no son co-lineales:
y AU 0
Ahora el problema se convierte en minimizar y AU

( y AU ) AU
Para esto:
AU ( y AU ) 0
( AU ) T (Y AU ) 0
U T AT ( y AU ) 0
U T ( AT y AT AU ) 0
( AT y AT AU ) 0
AT AU A T y
U ( AT A) 1 AT y
Valor de parmetros
Ejemplo
Encuentre la recta que da el mejor ajuste para los datos:
(1, 4); (-2, 5);(3, -1); (4,1)
Solucin
Ubicamos los valores de nuestras matrices:
59
ESIA-Ticomn
1 1
1 2
1 3
1 4
4
5
y
1
U
m
U ( AT A) 1 AT y
11 4

U 1 _1 1 1 1 2 1 _1 1 1 5
1 2 3 4 1 3 1 2 3 4 1

1 4 1
1
4 6 9
U
6 30 5
1 30 6 9
U
84 6 4 5
60
ESIA-Ticomn
U
U
1 270 30
84 54 20
1 300
84 74
300 84
U
74 84
3.57
0
.
88095
De donde se obtiene:
b=3.57
m=-0.88
Con lo que nuestra recta que mejor ajusta nuestros datos es:
y 3.57 0.88 x
Si queremos obtener una aproximacin con polinomios mayores a 1 muestras matrices

cambiaran, ms no el procedimiento:
Por ejemplo, para una ecuacin cuadrtica, necesitaremos tres parmetros, ya que su
forma general es:
y a bx cx 2
Necesitaramos hallar a, b, c
con lo que nuestras matrices cambiaran a:
1 x1 x12
2
1 x2 x2

2
1 xn xn
y1
y
2

y
n
a

U b
c

De la misma forma se ira agrandando la matriz A para polinomios de mayor grado.
61
ESIA-Ticomn
Ejemplo
Encuentre el mejor ajuste cuadrtico para los siguientes datos:
(1, 4); (-2, 5); (3, -1); (4, 1)
Solucin
1 1 1
1 2 4
A
;
1 3 9
1 4 16
y
;
1
a

U b
c

U ( AT A) 1 AT y
62
ESIA-Ticomn
1 1 1
1 1 1 1
1 2 4
U 1 2 3_ 4
1
3
9
1 4 9 16
1 4 16

4 6 30
U 6 30 84
30 84 354
4
1 1 1 1
5
1 2 3_ 4
1 4 9 16 1
9

-5
31

3564 396 - 396 9

1
U 396 516 -156 - 5
4752
- 396 -156 84 31
17820
1
U - 3852
4752
-180
63
ESIA-Ticomn
3.75
U 0.8106
0.0379
De donde se obtiene:
a = 3.75
b = -0.8106
c = -0.0379
y 3.75 0.8106 x 0.0379 x 2
7.2. Interpolacin
Con frecuencia se tienen que estimar valores intermedios entre valores conocidos. El
mtodo ms comn empleado para este propsito es la interpolacin polinomial.
Recurdese que la formula general de un polinomio de n-simo orden es:
f ( x) a 0 a1 x a 2 x 2 a n x n
Para n+1 puntos, existe uno y slo un polinomio de n-simo orden o menor que pasa a
travs de todos los puntos. Por ejemplo, hay slo una lnea recta que conecta dos puntos.
De manera similar hay slo una parbola que conecta a tres puntos. El polinomio de
interpolacin consiste en determinar el nico polinomio de n-simo orden que se ajusta a
los n+1 puntos dados. Este polinomio proporciona una frmula para calcular valores
intermedios.
Aunque existe uno y slo un polinomio de n-simo orden que se ajusta a los n+1 puntos,
existen una gran variedad de frmulas matemticas mediante las cuales se puede expresar
este polinomio, nosotros trabajaremos con los polinomios de Newton y los de Lagrange.
7.2.1. Polinomios de interpolacin con diferencias divididas de

Newton
7.2.1.1. Interpolacin lineal
La forma ms simple de interpolacin es la de conectar dos puntos con una lnea recta.
Este mtodo, llamado interpolacin lineal, se muestra en la figura.
64
ESIA-Ticomn
Figura 7.2.1.1 Interpolacin lineal
Usando tringulos semejantes se tiene:

f 1 ( x ) f ( x 0 ) f ( x1 ) f ( x 0 )
x x0
x1 x0
Que se puede reordenar como:
f1 ( x) f ( x0 )
f ( x1 ) f ( x0 )
( x x0 )
x1 x0
La cual es una frmula de interpolacin lineal. La notacin f 1 ( x) indica que se trata de

un polinomio de interpolacin de primer orden.
7.2.1.2. Polinomios de interpolacin con diferencias divididas de

Newton
f n ( x ) b0 b1 ( x x 0 ) bn ( x x 0 )( x x1 )( x x n 1 )
Donde:
b0 f ( x0 )
b1 f x1 , x0
b2 f x 2 , x1 , x0
bn f x n , x n 1 ,, x 2 , x1 , x 0
y:
65
f xi , x j
ESIA-Ticomn
f xi f x j
xi x j
1era Diferencia dividida finita de dos puntos.
f x n , x n 1 ,, x 2 , x1 f x n 1 ,, x 2 , x1 , x 0
xn x0
ma
n Diferencia dividida finita.
f x n , x n 1 ,, x 2 , x1 , x 0
Ejemplo
Ajustar cuatro puntos mostrados a un polinomio de Newton de 3er Orden.
x0 1
x1 4
x2 6
x3 5
f ( x0 ) 0
f ( x1 ) 1.3862
f ( x 2 ) 1.7917
f ( x3 ) 1.6094
b0 0
b1
f ( x1 ) f ( x0 ) 1.3862
0.4620
x1 x0
3
b2
f x 2 , x1 f x1 , x0 1 1.7917 1.3862

0.4620 0.05186
6 1
5
2
f x3 , x 2 , x1 f x 2 , x1 , x 0 1 f x3 , x 2 f x 2 , x1

(0.05186)
5 1
4
1
1 f ( x3 ) f ( x 2 ) f ( x 2 ) f ( x1 )
b3
0.05186
4
1
2
1
b3 (0.03141)
4
b3 0.00785
b3
f 3 ( x) 0.4620( x x 0 ) 0.05186( x x0 )( x x1 ) 0.00785( x x 0 )( x x1 )( x x 2 )

f 3 ( x) 0.4620( x 1) 0.05186( x 1)( x 4) 0.00785( x 1)( x 4)( x 6)
7.2.2. Polinomios de interpolacin de Lagrange

El polinomio de interpolacin de Lagrange, simplemente es una reformulacin del
polinomio de Newton que evita los clculos de las diferencias divididas. ste se puede
representar, concretamente cmo:
n
f n ( x) Li ( x) f ( xi )
i 0
Donde:
n
Li ( x )
x xj
j 0 x i x j
j 1
66
ESIA-Ticomn
Ejemplo
Calcular el valor del polinomio de Lagrange de orden 3, con x=2.
Dados los siguientes puntos:
x0 1
x1 4
x2 6
x3 5
f ( x0 ) 0
f ( x1 ) 1.3862
f ( x 2 ) 1.7917
f ( x3 ) 1.6094
Solucin
f 3 ( x) L0 ( x ) f ( x 0 ) L1 ( x ) f ( x1 ) L2 ( x ) f ( x 2 ) L3 ( x ) f ( x3 )
Hallamos los valores de las Ls:

x x1
x
0 1
x x2
x
2
0
x x3 2 4 2 6 2 5 2
x
1 4 1 6 1 5 5
3
0
x x0
x1 x0
x x2
x1 x 2
x x3 2 1
x1 x3 4 1
x x0
x
0
2
x x1
x
2 1
x x3 2 1 2 4 2 5 3
x
6 1 6 4 6 5 5
3
2
x x0
x3 x 0
x x1
x3 x1
x x2 2 1 2 4 2 6
2
x3 x 2 5 1 5 4 5 6
L0 ( x)
L1 ( x)
L2 ( x)
L3 ( x )
26
46
2 5 2

4 5 1
2
3
* 0 2 *1.3862 1.7917 2 * 1.6094
5
5
f 3 ( x) 0.62862
f 3 ( x)

1. Se tienen los siguientes puntos ( 2,0.5); ( 2.5,0.4); ( 4,0.25) , calcule la
mejor aproximacin a la curva.
2. Calcule la lnea de regresin para los siguientes datos:
I
1
2
3
4
5
6
x
0.1
0.4
0.5
0.7
0.7
0.9
67
y
0.61
0.92
0.99
1.52
1.47
2.03
ESIA-Ticomn
Resp. f ( x) 0.2862 1.7645 x

3. Con los datos del ejercicio anterior, calcule el mejor ajuste con un polinomio
cuadrtico.
Resp. f ( x) 0.5871 0.0591x 1.7295 x 2
4. Aproxime f (0.05) mediante el mtodo del polinomio de Lagrange con los
siguientes datos:
f (x )
x
0
1
0.2
1.2214
0.4
1.49182
0.6
1.82212
0.8
2.22554
Captulo 8: Integracin Numrica

8.1.
Frmulas de integracin de Newton-Cotes
Las frmulas de integracin de Newton-Cotes son los ms comunes dentro de la

integracin numrica. Se basan en la estrategia de reemplazar una funcin complicada o
un conjunto de datos tabulares con alguna funcin aproximada que sea ms fcil de
integrar:
b
f ( x)dx
( x)dx
En donde f n (x) es un polinomio de la forma:

f n ( x ) a 0 a1 a n 1 x n 1 a n x n
8.1.1. Regla del trapecio

La regla del trapecio o regla trapezoidal es la primera de las frmulas cerradas de
Newton-Cotes. Corresponde al caso en donde la funcin aproximada es un polinomio de
primer orden.
I
f ( x)dx f
( x)dx
Como ya vimos en el captulo anterior una recta se puede representar como:
68
ESIA-Ticomn
f1 ( x) f ( a )
f (b) f ( a )
( x a)
ba
El rea bajo la lnea recta es una aproximacin de la integral de f (x ) en tres los lmites
a y b:
b
f (b ) f ( a )
I f (a)
( x a ) dx
ba
El resultado de la integracin es:

I (b a)
f (a) f (b)
2
Geomtricamente la regla trapezoidal es equivalente a aproximar el rea bajo la lnea

recta que une f (a ) y f (b) .
Figura 8.1.1 Representacin grfica de la regla

del trapecio.
Si recordamos, por geometra, el rea de un trapecio es la altura por el promedio de las

bases. En este caso, el concepto es el mismo pero el trapecio se encuentra sobre uno de
sus lados. Por lo tanto se puede representar como:
I ancho
altura promedio
69
ESIA-Ticomn
Figura 8.1.1.1
a) La frmula para calcular el rea de un trapezoide: altura por el promedio de las bases.
b) Para la regla del trapecio, el concepto es el mismo pero ahora el trapezoide est sobre su
lado
8.1.2. La regla del trapecio de aplicacin mltiple

Una manera de mejorar la exactitud de la regla trapezoidal es la de dividir el intervalo de
integracin de a a b en un conjunto de segmentos y aplicar el mtodo a cada uno de los
segmentos. En seguida se suman reas de los segmentos individuales y se obtiene la
integral sobre el intervalo completo. A las ecuaciones resultantes se les conoce como
frmulas de integracin de segmento mltiple o frmulas de integracin compuestas.
En la siguiente figura se puede observar que hay n+1 puntos base igualmente espaciados
(x0, x1, x2, , xn). por consiguiente hay n segmentos con el mismo ancho:
h
ba
n
Si a y b se igualan a x0 y a xn, respectivamente, la integral total se representa como:
x1
x0
f ( x)dx
x2
f ( x )dx
x1
xn
f ( x)dx
xn 1
Sustituyendo la regla trapezoidal para cada una de las integrales, se obtiene:

I ( x1 x0 )
f ( x0 ) f ( x1 )
f ( x n 1 ) f ( x n )
f ( x1 ) f ( x2 )
( x 2 x1 )
( x n x n 1 )
2
2
2
n 1
( xn x0 )
f
(
x
)
f
(
x
)
2
f ( xi )
0
n
2n
i 1
70
ESIA-Ticomn
Figura 8.1.2 Formato general y nomenclatura para integrales

de aplicacin mltiple
El error de esta regla es:

(b a ) 3 f ' '
E
12n 2
E
1
f ' ' (b a ) 3
12
Para aplicacin mltiple.
Para un solo trapecio.
Se trata de un error de truncamiento ya que en vez de sacar un verdadero valor solo

hallamos una aproximacin.
8.1.3. Reglas de Simpson

Adems de aplicar la regla del trapecio con una segmentacin ms fina, otra forma de
obtener una estimacin ms exacta de una integral consiste en usar polinomios de grado
superior para unir los puntos. Por ejemplo, si hay otro punto a la mitad entre f(a) y f(b),
los tres puntos se pueden unir con una parbola (figura a.). si hay dos puntos igualmente
espaciados entre f(a) y f(b), los cuatro puntos se pueden unir mediante un polinomio de
tercer grado (figura b.). Las frmulas que resultan de tomar las integrales bajo esos
polinomios se conocen como Reglas de Simpson.
71
ESIA-Ticomn
Figura 8.1.3
a) Descripcin grfica de la regla de Simpson 1/3, que consiste en tomar el rea
bajo una parbola que une tres puntos.
b) Descripcin grfica de la regla de simpson 3/8, que consiste en tomar el rea
bajo una ecuacin cbica que une cuatro puntos.
8.1.3.1. Regla de Simpson 1/3

Tratamos de aproximar el rea bajo la curva con polinomio de segundo grado.
La integral ser:
I
f 2 ( x )dx
Este polinomio ser un polinomio de Lagrange, por lo que la integral ser:

b
( x x1 )( x x 2 )
( x x0 )( x x 2 )
( x x0 )( x x1 )
f ( x0 )
f ( x1 )
f ( x 2 ) dx
( x1 x0 )( x1 x 2 )
( x 2 x0 )( x 2 x1 )
( x 0 x1 )( x 0 x 2 )
I
a
I (b a)
f ( x 0 ) 4 f ( x1 ) f ( x 2 )
6
El error ser:
E
(b a ) 5
f
2880
( 4)
( )
La regla de Simpson no da error si tenemos hasta incluso una funcin de 3er grado
f ( x0 ) 4
I (b a )
n 1
n2
f (x ) 2 f (x ) f (x
i 1, 3, 5
i 2, 4, 6
Aplicado a varios
3n
intervalos.
72
ESIA-Ticomn
El mtodo funciona siempre y cuando se tiene un nmero par de segmentos y un nmero

non de puntos, en caso contrario el mtodo no es aplicable.
Figura 8.1.3.1 Representacin grfica de la regla de Simpson 1/3 de aplicacin mltiple.

Observe que el mtodo se puede emplear slo si el nmero de segmentos es par.
8.1.3.2. Regla de Simpson 3/8
De manera similar a la derivacin de la regla trapezoidal y a la regla de Simpson 1/3, se

pueden ajustar polinomios de Lagrange de tercer orden a cuatro puntos e integrar:
I
f 3 ( x)dx
Para obtener:
I (b a)
f ( x0 ) 3 f ( x1 ) 3 f ( x 2 ) f ( x3 )
8
sta es la tercera regla cerrada de Newton-Cotes.

Por lo tanto a los dos puntos interiores se les dan pesos de tres octavos, mientras que a los
puntos extremos se les da un peso de un octavo. La regla de simpson de 3/8 tiene un error
de:
E
(b a) 5
f
6480
73
( 4)
( )
ESIA-Ticomn
La mejor manera de usar la regla de simpson es utilizar la regla de 1/3 y 3/8 al mismo
tiempo, siempre intentando usar la mayor cantidad de veces segmentos con tres octavos,
en dicho caso el error se reducir.
Figura 8.1.3.2 Ilustracin de cmo se utilizan en conjunto las reglas de

simpson 1/3 y 3/8 para manejar aplicaciones mltiples con nmeros impares de
intervalos
Ejemplo
Integre la siguiente funcin por las distintas reglas que se estudiaron en este
captulo.
f ( x ) 0.2 25 x 200 x 2 675 x 3 900 x 4 400 x 5
Entre 0 y 0.8, adems calcule el valor real de la integral, y con ste calcule el error
o los errores que se puedan calcular.
Solucin
Hallamos la integral verdadera:
74

I verd
0.8
0.8
(0.2 25 x 200 x 2 675 x 3 900 x 4 400 x 5 ) dx
0.2dx
0.2 x
0. 8
0
ESIA-Ticomn
0. 8
25 xdx
25 2
x
2
0. 8
0.8
200 x 2 dx
200 3
x
3
0. 8
0. 8
675 4
x
4
675 x 3 dx
0. 8
0.8
900 5
x
5
900 x 4 dx
0.8
400 6
x
6
0.8
400 x 5 dx
0. 8
0.16 8 34.1333 69.12 58.9824 17.4763

1.6406
La regla del trapecio de aplicacin simple

x1 0.8
x0 0
f ( x 0 ) f (0) 0.2
f ( x1 ) f (0.8) 0.232
I ( x1 x 0 )
f ( x0 ) f ( x1 )
0.2 0.232
(0.8 0)
2
2
I 0.1728
Error absoluto verdadero:
Et = 1.6406-0.1728
Et =1.4678
La regla del trapecio de aplicacin mltiple

nmero..de..segmentos n
n3
4 puntos:
x0 0
x1 0.2667
x 2 0.5334
x 3 0. 8
f ( x 0 ) f ( 0) 0. 2
f ( x1 ) f (0.2667) 1.4329
f ( x 2 ) f (0.5334) 3.4874
f ( x3 ) f (0.8) 0.232
( x3 x 0 )
f ( x0 ) f ( x3 ) 2( f ( x1 ) f ( x 2 )
2n
(0.8 0)
I
(0.2 0.232) 2(1.4329 3.4874)
2*3
I 1.3697
I
75

ESIA-Ticomn
Et = 1.6406-1.3697
Et =0.2709
Regla de Simpson 1/3

n=2
3 puntos:
x1 0.4
x0 0
x 2 0 .8
f ( x 0 ) f (0) 0.2
f ( x1 ) f (0.4) 2.456
f ( x 2 ) f (0.8) 0.232
I (b a )
f ( x 0 ) 4 f ( x1 ) f ( x 2 )
0.2 4( 2.456) 0.232
(0.8 0)
6
6
I 1.3675
Et = 1.6406-1.3675
Et =0.2731
Regla de Simpson 1/3 mltiple

n=4
5 puntos:
x0 0
x1 0.2
x 2 0.4
x 3 0. 6
x 4 0.8
f ( x 0 ) f (0) 0.2
f ( x1 ) f (0.2) 1.288
f ( x 2 ) f (0.4) 2.456
f ( x3 ) f (0.6) 3.464
f ( x 4 ) f (0.8) 0.232
f ( x 0 ) 4( f ( x1 ) f ( x 3 )) 2 f ( x 2 ) f ( x 4 )
3n
0.2 4(1.288 3.464) 2( 2.456) 0.232
I (0.8 0)
3* 4
I 1.6235
I (b a )
Et = 1.6406-1.6235
76
Et =0.0171
ESIA-Ticomn
Regla de Simpson 3/8

n=3
4 puntos:
x1 0.2667
x0 0
x 2 0.5334
x 3 0. 8
f ( x 0 ) f (0) 0.2
f ( x1 ) f (0.2667) 1.4329
f ( x 2 ) f (0.5334) 3.4874
f ( x3 ) f (0.8) 0.232
I (b a )
f ( x 0 ) 3 f ( x1 ) 3 f ( x 2 ) f ( x3 )
0.2 3(1.4329) 3(3.4874) 0.232
(0.8 0)
8
8
I .5192
Et = 1.6406-1.5192
Et = 0.1214
Regla de Simpson 3/8 junto con la regla de Simpson 1/3

n = 5 para la regla
6 puntos:
x1 0.16
x0 0
x 2 0.32
x3 0.48
x 4 0.64
x 5 0. 8
Para la regla de Simpson 1/3 :
n= 2
3 puntos:
x0 0
x1 0.16
x 2 0.32
f ( x 0 ) f (0) 0.2
f ( x1 ) f (0.16) 1.2969
f ( x 2 ) f (0.32) 1.7434
f ( x 0 ) 4 f ( x1 ) f ( x 2 )
0.2 4(1.2969) 1.7434
(0.32 0)
6
6
I 0.38032
I (b a )
77
ESIA-Ticomn
Para la regla de Simpson 3/8:

n= 3
4 puntos
f ( x 2 ) f (0.32) 1.7434
f ( x 3 ) f (0.48) 3.1860
f ( x 4 ) f (0.64) 3.1819
f ( x 5 ) f (0.8) 0.232
f ( x 0 ) 3 f ( x1 ) 3 f ( x 2 ) f ( x 3 )
8
1.7434 3(3.1860) 3(3.1819) 0.232
I (0.8 0.32)
8
I 1.264746
I (b a )
Ahora se suman los dos resultados:

I 0.38032 1.264746 1.6451
8.2.
Et = 1.6406-1.6451 = 0.0045
Ejercicios Propuestos
1. Evale las siguientes integrales utilizando la regla trapezoidal mltiple con 3
puntos, 5 y 9 puntos.
3x 3 5 x 1
x 2x x 2
3
x4 x3 x2 x 3
tan( x)
ex
1 /( 2 x)
[0,1]
[0,3]
[0,1]
[0, 4]
[0,1]
[0,1]
2. Evale la integral de las siguientes funciones en el intervalo indicado,

utilizando la regla de simpson con 2, 4, 8, 16 y 32 segmentos.
x x
e
2x
* sen ( x )
[0.1]
[0,2 ]
3. Evale la integral con el mtodo combinado de simpson de las funciones del

ejercicio 1 y 2. con 4, 8 segmentos.
78
ESIA-Ticomn
ndice
Captulo 1: Aproximaciones y Errores................................................................................1
1.1.
Modelo matemtico.............................................................................................1
1.2.
Generacin de las Computadoras........................................................................2
1.3.
Programacin Estructurada..................................................................................2
1.5.
Definiciones de Error...........................................................................................3
1.6.
Clculo de errores................................................................................................4
1.7.
Error Relativo Aproximado.................................................................................6
1.8.
Cifras Significativas.............................................................................................8
1.9.
Errores computacionales......................................................................................9
1.10.
Ejercicios Propuestos.....................................................................................10
Captulo 2: Serie de Taylor y Errores de Truncamiento.....................................................11
2.1.
La Serie de Taylor..............................................................................................11
2.2.
Ejercicios Propuestos.........................................................................................16
Captulo 3 Races de Ecuaciones: Mtodos de Intervalos................................................17
3.1.
Mtodo Grfico..................................................................................................17
3.2.
Mtodo de la Biseccin.....................................................................................19
3.2.1.
Estimaciones de errores.............................................................................20
3.3.
Mtodo de la Falsa Posicin..............................................................................23
3.4.
Captulo 4 Races de Funciones: Mtodos Abiertos..........................................................28
4.1.
Mtodo del Punto Fijo.......................................................................................28
79
ESIA-Ticomn
4.1.1.
Convergencia y Divergencia......................................................................30
4.2.
Mtodo de Newton-Raphson.............................................................................30
4.2.1.
Desventajas del Mtodo de Newton-Raphson...........................................32
4.3.
Mtodo de la Secante.........................................................................................33
4.3.1.
Diferencia entre los Mtodos de la Secante y de la Falsa Posicin...........34
4.4.
Mtodo de la secante modificada.-....................................................................35
4.5.
Captulo 5: Sistemas de Ecuaciones..................................................................................38
5.1.
Eliminacin de Gauss........................................................................................38
5.1.1.
Eliminacin hacia delante de incgnitas....................................................38
5.1.2.
Sustitucin hacia atrs...............................................................................39
5.2.
Factorizaciones LU de una matriz..................................................................41
5.3.
Descomposicin LU......................................................................................46
5.4.
Versin de la eliminacin de Gauss usando la descomposicin LU..................48
5.5.
Captulo 6: Mtodos Iterativos, Sistemas de Ecuaciones..................................................54
6.1.
Mtodo de Gauss-Seidel....................................................................................54
6.2.
Mtodo de Jacobi...............................................................................................55
6.3.
Convergencia.....................................................................................................56
6.4.
Mejoramiento en la convergencia usando la relajacin.....................................56
6.5.
Captulo 7: Ajuste de Curvas.............................................................................................59
7.1.
Aproximacin por mnimos cuadrados..............................................................59
7.2.
Interpolacin......................................................................................................63
7.2.1.
Polinomios de interpolacin con diferencias divididas de Newton...........63
7.2.1.1.
Interpolacin lineal................................................................................63
7.2.1.2.
Polinomios de interpolacin con diferencias divididas de Newton.......64
7.2.2.
Polinomios de interpolacin de Lagrange.................................................65
7.3.
Captulo 8: Integracin Numrica.....................................................................................67
8.1.
Frmulas de integracin de Newton-Cotes........................................................67
8.1.1.
Regla del trapecio......................................................................................67
8.1.2.
La regla del trapecio de aplicacin mltiple..............................................68
8.1.3.
Reglas de Simpson.....................................................................................70
8.1.3.1.
Regla de Simpson 1/3............................................................................70
8.1.3.2.
Regla de Simpson 3/8............................................................................71
8.2.
ndice.................................................................................................................................79
80

Curso de MetodosNuméricos2014

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Curso de MetodosNuméricos2014

Transféré par

Droits d'auteur :

Formats disponibles

Instituto Politcnico Nacional

Captulo 1: Aproximaciones y Errores

1.1. Modelo matemtico

Apuntes Mtodos Numricos

Instituto Politcnico Nacional

1. Describe un sistema o proceso natural en trminos matemticos.

1.2. Generacin de las Computadoras

Primera generacin (1951-1958): Tubos de vaco

Existen 4 tipos de computadores:

Computadora personal.- Donde slo es un usuario

1.3. Programacin Estructurada

Instituto Politcnico Nacional

Composicin de un programa. De alto o de bajo nivel.

1.4. Exactitud y Precisin

1.5. Definiciones de Error

Instituto Politcnico Nacional

Error relativo fraccional verdadero

Donde, como ya se mencion en la ecuacin error = valor verdadero - valor aproximado.

Donde: t denota el error relativo porcentual verdadero.

1.6. Clculo de errores

Instituto Politcnico Nacional

aprox. actual - aprox. anterior

Suponga que p es una aproximacin a P. El error absoluto verdadero es:

y el error relativo verdadero es:

Encuentre el error relativo verdadero y absoluto verdadero en los siguientes 3 casos:

Instituto Politcnico Nacional

E t 3.141592 - 3.14 0.001592

2 Caso: Y=1 000000

E t 1000000 - 999 996 4

E t 0.000012 - 0.000009 0.000003

1.7. Error Relativo Aproximado

Aproximacin actual - Aproximacin anterior

Empezando con el 1 trmino ex =1 y agregando un trmino a la vez, estmese el

Instituto Politcnico Nacional

3.....R e 0.5 1 0.5

0.52 0.53 0.5 4 0.55

Apuntes Mtodos Numricos

Instituto Politcnico Nacional

1.8. Cifras Significativas

Apuntes Mtodos Numricos

Instituto Politcnico Nacional

1. Los mtodos numricos dan resultados aproximados. Por lo tanto, se deben

1.9. Errores computacionales

Error no Fatal.- Es aquel error que no puede ser detectado por la

1.10. Ejercicios Propuestos

Apuntes Mtodos Numricos

Instituto Politcnico Nacional

Representa la aproximacin de quinto orden por series de Taylor de la

A partir de xi=0, aproxime el valor de x=2 utilizando todos y cada uno de

Calcule la aproximacin usando x=2 .Resp. 21 trminos

Captulo 2: Serie de Taylor y Errores de Truncamiento

Apuntes Mtodos Numricos

Instituto Politcnico Nacional

2.1. La Serie de Taylor

Donde el subndice n indica que ste es el residuo de la aproximacin de n-simo orden

donde el trmino residual es ahora

desde xi= 0 con h= 1 para predecir el valor de la funcin en xi+1 = 1.

Apuntes Mtodos Numricos

Instituto Politcnico Nacional

f (0) 0.1(0) 4 0.15(0) 3 0.5(0) 2 0.25(0) 1.2

La aproximacin de la serie de Taylor con n=0 (orden cero) es f ( xi 1 ) 1.2

Para la aproximacin de primer orden, se agrega el primer trmino de la primera

Apuntes Mtodos Numricos

Instituto Politcnico Nacional