Apuntes de Análisis Numerico

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO.
FACULTAD DE ECONOMÍA
Licenciatura en Actuaría
Análisis Numérico
Profesor: Ignacio Francisco Merino Barragán
Integrantes del equipo:
• Susana Parra Jiménez

• Jennifer Rumbo Tapia
• Fernando Sámano Brito
• José Antonio Trujillo Díaz
• Alessandra Cristina Valdés Geremia
• Andrés Adonahí Valladares Aguilar
Tabla de contenido
Solución numérica de ecuaciones ................................................................................ 4
Cifra significativa ........................................................................................................... 4
Ejemplo: .......................................................................................................... 4
Precisión y exactitud .................................................................................................... 4
Error de Redondeo ........................................................................................................ 5
Error de Truncamiento ................................................................................................. 5
Método de punto fijo ..................................................................................................... 5
Ejemplos: ........................................................................................................ 6
Procedimiento del método de Punto Fijo................................................................ 7
Ejemplos: ........................................................................................................ 7
Método de newton-raphson ...................................................................................... 12
Procedimiento del método de Newton ................................................................... 12
Ejemplos: ...................................................................................................... 13
Método de raíces de ecuaciones ................................................................................. 20
Método gráfico.............................................................................................................. 20
Ejemplos ....................................................................................................... 21
Método de la bisección .............................................................................................. 23
Ejercicios ...................................................................................................... 25
Método de la regla falsa ............................................................................................. 26
Ejemplos: ...................................................................................................... 27
Método de Newton Raphson .................................................................................... 30
Ejemplos ....................................................................................................... 32
Método de la Secante ................................................................................................. 37
Método de Muller ......................................................................................................... 40
Ejemplos: ...................................................................................................... 42
Diferencias divididas (Interpolación de Newton) ................................................ 44
Ejemplo: ........................................................................................................ 45
Ejercicios: ..................................................................................................... 47
Método de Jacobi ........................................................................................................ 49
Ejercicios: ..................................................................................................... 49
Jacobi.............................................................................................................................. 52
Sistemas de ecuaciones lineales y no lineales ....................................................... 54
Regresión lineal simple.............................................................................................. 54
Ejemplos demostrativos ................................................................................ 55
Ejemplos ilustrativos ..................................................................................... 57
Regresión Polinomial ................................................................................................. 59
Ejemplos ....................................................................................................... 60
Regresión Cuadrática ................................................................................................. 62
Interpolación lineal ...................................................................................................... 62
Ejemplos: ...................................................................................................... 63
Interpolación cuadrática ............................................................................................ 65
Interpolación cubica por Spline ............................................................................... 67
Ejemplo ......................................................................................................... 69
Polinomio de Interpolación de Newton.................................................................. 70
Polinomio de Interpolación de Lagrange .............................................................. 72
Integración numérica ...................................................................................................... 75
Método del trapecio .................................................................................................... 75
Ejemplos: ...................................................................................................... 76
Regla del simple trapecio o trapecio compuesto ............................................... 82
Ejemplos ....................................................................................................... 84
Regla de Simpson........................................................................................................ 95
Ejemplos ....................................................................................................... 97
Regla de Simpson...................................................................................................... 105
Ejemplos ..................................................................................................... 106
Regla simple del rectángulo ................................................................................... 114
Ejemplos ..................................................................................................... 114
Integración de Romberg .......................................................................................... 118
Ejemplos ..................................................................................................... 119
Integración cuadrática Gaussiana ........................................................................ 122
Ejemplos ..................................................................................................... 123
Solución numérica de ecuaciones
Cifra significativa
El concepto se ha desarrollado para designar formalmente la confiabilidad de un
valor numérico. Son aquellas, también, que pueden utilizarse de forma confiable.
Se trata del número de dígitos que se ofrecen con certeza más uno estimado.
Ejemplo:
Para distinguir las cifras significativas de las que no lo son, éstas suelen indicarse
como potencias.
5,000 = 5 × 103 con una cifra significativa, el 5.
Precisión y exactitud
La precisión se refiere a que tan cercanos se encuentran unos de otros diversos
valores calculados o medidos.
La exactitud se refiere a qué tan cercano está el valor calculado o medido del valor
verdadero.
Ejemplo:
Error de Redondeo
Representan aproximadamente números exactos.
Ejemplos:
✓ 𝜋 = 3.14158 … ≃ 3.1416
✓ 𝑒 = 2.718281 ≃ 2.7
✓ √7 = 2.645751 ≃ 2.65
Error de Truncamiento
Representa aproximadamente un procedimiento matemático exacto.
𝑥𝑛
✓ ∑𝑛𝑖=0 𝑛! = 𝑒 𝑥
𝑑𝑣 Δ𝑣 𝑣(𝑡𝑖 +1)−𝑣(𝑡𝑖 )
✓ ≃ =
𝑑𝑡 Δ𝑡 𝑡𝑖 +1−𝑡𝑖
𝑓 ′′ (𝑎) 𝑓′′′ (𝑎)

✓ 𝑓 (𝑥 ) = 𝑓 (𝑎) + 𝑓 ′ (𝑎)(𝑥 − 𝑎) + (𝑥 − 𝑎)2 + (𝑥 − 𝑎)3 + ⋯ +
2! 3!
𝑓𝑛 (𝑎)
(𝑥 − 𝑎)𝑛 + 𝑅𝑛
𝑛!
𝑥 (𝑥−𝑡)𝑛
donde 𝑅𝑛 = ∫𝑎 𝑓 (𝑛+1) (𝑡)𝑑𝑡
𝑛!
Método de punto fijo
Dada una función 𝑔(𝑥), se dice que 𝑎 es un punto fijo de 𝑔(𝑥) si se verifica
𝑎 = 𝑔(𝑎).
Ejemplos:
✓ Localizar raíz de 𝑓 (𝑥 ) = 𝑒 𝑥 − 𝑥
𝒊 𝒙𝒊
0 0
1 1.000000
2 0.367879
3 0.692201
4 0.5000473
5 0.606244
6 0.545396
7 0.579612
8 0.560115
9 0.571143
10 0.564879
En algún punto empieza la denominada convergencia.

Con la iteración se llega al valor verdadero de la raíz.
✓ 𝑔(𝑥 ) = 𝑥 3 − 2𝑥 2 + 2 ℎ (𝑥 ) = 𝑥
𝑥 = −1 𝑥=1 𝑥=2
✓ 𝑔 (𝑥 ) = 𝑥 2 − 2 ℎ (𝑥 ) = 0
𝑥 = ±√2
El método de interacción del punto fijo (método de aproximaciones sucesivas) es un

método usado para obtener una raíz para una determinada ecuación 𝑓 (𝑥 ) = 0 no
necesariamente lineal, donde 𝑓(𝑥 ) es una función real sobre x siempre y cuando se
cumplan algunas reglas de convergencia. El método de punto fijo realiza cálculos
operativos para encontrar un punto fijo en la gráfica de la ecuación para lo cual
utiliza una ligera transformación del polinomio original:
𝑓 (𝑥 ) = 0 𝑎 𝑔 (𝑥 ) = 𝑥
Definimos para este método un punto fijo para una cierta función 𝑔(𝑥 ) como un valor
a, para el cual se cumple que 𝑔(𝑎) = 𝑎.
Procedimiento del método de Punto Fijo
Se trata de llegar al punto de intersección de

las gráficas 𝑦 = 𝑥 con 𝑦 = 𝑔(𝑥 ). Es decir, la
raíz de 𝑥 = 𝑔(𝑥 ).
Partimos de un punto 𝑥 = 𝑝0 , al sustituir en
𝑔(𝑥 ) llegamos al punto 𝐴0 (𝑝0 ), 𝑔(𝑝0 ). Ahora
vamos horizontalmente hasta el punto 𝐵0 lo
que equivale a ( 𝑝1, 𝑔(𝑝0 )). Y así repetimos
nuevamente el proceso: 𝑥 = 𝑝1 sustituimos en
𝑔(𝑥 ) llegamos a (𝐴1 (𝑝1 ), g (𝑝1 )) → 𝐵1
Hasta que nos aproximan sucesivamente al punto fijo, o bien, a la raíz 𝑝.
Ejemplos:
Encontrar la raíz de las siguientes funciones
1. 𝑓 (𝑥 ) = 𝑥 3 − 10𝑥 − 5
𝑥 3 −5
Usando 𝑥0 = 2 y 𝑔(𝑥 ) = 10
(𝒙 𝒊 ) 𝟑 − 𝟓
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 =
𝟏𝟎
0 2 0.3
1 0.3 -0.4973
2 -0.4973 -0.512298592
3 -0.51229859 -0.513445269
4 -0.51344527 -0.513535754
5 -0.51353575 -0.513542912
10 -0.51354353 -0.513543527
15 -0.51354353 -0.513543527
18 -0.51354353 -0.513543527
∴ 𝑥 = −0.513543527
2. 𝑓 (𝑥 ) = 2 𝑠𝑒𝑛(√𝑥) − 𝑥
Usando 𝑥0 = 0.5 y 𝑔(𝑥 ) = 2 𝑠𝑒𝑛(√𝑥)
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝟐 𝒔𝒆𝒏(√𝒙𝒊 )

0 0.5 1.29927388
1 1.29927388 1.8171475
2 1.8171475 1.95057392
3 1.95057392 1.96974251
4 1.96974251 1.97206888
5 1.97206888 1.97234418
6 1.97234418 1.97237666
7 1.97237666 1.97238049
8 1.97238049 1.97238094
9 1.97238094 1.97238099
10 1.97238099 1.972381
11 1.972381 1.972381
12 1.972381 1.972381
∴ 𝑥 = 1.972381
1 4
3. 𝑓 (𝑥 ) = 2 (𝑥 + 𝑥) − 2
𝑥 2 +4
Usando 𝑔(𝑥 ) = 4
(𝒙𝒊 )𝟐 + 𝟒
𝟒
0 1.9999 1.999900003
1 1.9999 1.999900005
2 1.9999 1.999900007
3 1.99990001 1.99990001
4 1.99990001 1.999900012
5 1.99990001 1.999900015
6 1.99990001 1.999900017
7 1.99990002 1.99990002
8 1.99990002 1.999900022
9 1.99990002 1.999900025
10 1.99990002 1.999900027
11 1.99990003 1.99990003
12 1.99990003 1.999900032
∴ 𝑥 = 1.9999
1 𝑥2
4. 𝑓 (𝑥 ) = 2 + 2 𝑥 − 4
𝑥2
Usando 𝑔(𝑥 ) = −4
2
(𝒙 𝒊 )𝟐
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = −𝟒
𝟐
0 2 -2
1 -2 -2
2 -2 -2
3 -2 -2
4 -2 -2
5 -2 -2
∴ 𝑥 = −2
5. 𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥 ) − 𝑥
Usando 𝑔(𝑥 ) = 𝑐𝑜𝑠(𝑥)
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝒄𝒐𝒔(𝒙𝒊 )

0 1 0.540302306
1 0.54030231 0.857553216
2 0.85755322 0.65428979
3 0.65428979 0.793480359
4 0.79348036 0.701368774
5 0.70136877 0.763959683
10 0.74423735 0.73560474
20 0.7391844 0.739018262
30 0.73908704 0.739083847
40 0.73908517 0.739085108
41 0.73908511 0.73908515
42 0.73908515 0.739085122
∴ 𝑥 = 0.739085
1
6. 𝑓 (𝑥 ) = 2 −2
√2𝑥
1
Usando 𝑔(𝑥 ) = 4
√2𝑥
𝟏
𝟒√𝟐𝒙𝒊
0 1 0.353553391
1 0.35355339 0.840896415
2 0.84089642 1.296839555
3 1.29683955 1.610490332
4 1.61049033 1.794709075
5 1.79470908 1.894575982
10 1.99324243 1.996618354
20 1.99999339 1.999996695
30 1.99999999 1.999999997
33 2 2
34 2 2
35 2 2
∴𝑥=2
7. 𝑓 (𝑥 ) = 𝑥 3 + 4𝑥 2 − 10
10
Usando 𝑥0 = 2 y 𝑔(𝑥 ) = √𝑥+4
𝟏𝟎
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = √
𝒙𝒊 + 𝟒
1 2 1.29099445
2 1.29099445 1.37477412
3 1.37477412 1.36401734
4 1.36401734 1.36538433
5 1.36538433 1.36521038
6 1.36521038 1.36523251
7 1.36523251 1.3652297
8 1.3652297 1.36523005
9 1.36523005 1.36523001
10 1.36523001 1.36523001
∴ 𝑥 = 1.36523
8. 𝑓 (𝑥 ) = 𝑒 𝑥 − 𝑥
Usando 𝑥0 = 0 y 𝑔(𝑥 ) = 𝑒 𝑥
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝒆𝒙
1 0 1
2 1 0.36787944
3 0.36787944 0.69220063
4 0.69220063 0.5004735
5 0.5004735 0.60624354
10 0.57114312 0.56487935
20 0.56715704 0.56713549
30 0.56714334 0.56714326
40 0.56714329 0.56714329
41 0.56714329 0.56714329
∴ 𝑥 = 0.56714329
9. 𝑓 (𝑥 ) = 0.5 𝑠𝑒𝑛(𝑥) − 𝑥 + 1
Usando 𝑥0 = 0 y 𝑔(𝑥 ) = 0.5 𝑠𝑒𝑛(𝑥) + 1
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝟎. 𝟓 𝒔𝒆𝒏(𝒙𝒊 ) + 𝟏

1 0 1
2 1 1.420735492
3 1.42073549 1.494380993
4 1.49438099 1.498540884
5 1.49854088 1.498695356
6 1.49869536 1.498700925
7 1.49870093 1.498701126
8 1.49870113 1.498701133
9 1.49870113 1.498701134
10 1.49870113 1.498701134
∴ 𝑥 = 1.498701134
10. 𝑓 (𝑥 ) = 2𝑥 2 − 𝑥 − 5
𝑥+5
Usando 𝑥0 = 2 y 𝑔(𝑥 ) = √ 2
𝒙𝒊 + 𝟓
Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = √
𝟐
1 0 1.58113883
2 1.58113883 1.81399267
3 1.81399267 1.84580506
4 1.84580506 1.85010879
5 1.85010879 1.85069025
6 1.85069025 1.85076879
7 1.85076879 1.8507794
8 1.8507794 1.85078084
9 1.85078084 1.85078103
10 1.85078103 1.85078106
11 1.85078106 1.85078106
∴ 𝑥 = 1.85078106
Método de newton-raphson
El objetivo de este método para estimar la solución de una ecuación 𝑓 (𝑥 ) = 0 es

producir una sucesión de aproximaciones que se acerquen a la solución
(Iteraciones). Este método es uno de los más utilizados para localizar raíces ya que
en general es muy eficiente y siempre converge para una función polinomial.
Si el valor inicial para la raíz es 𝑥1 entonces se puede trazar una tangente desde el
punto [𝑥𝑖 , 𝑓(𝑥𝑖 )]de la curva. Por lo común, el punto donde esta tangente cruza al eje
x representa una aproximación mejorada de la raíz.
Procedimiento del método de Newton
1. Adivine una primera aproximación a la solución de la ecuación 𝑓 (𝑥 ) = 0. Una

gráfica de 𝑦 = 𝑓 (𝑥 ) podria ayudarle a hacerlo.
2. Use la primera aproximación para obtener la segunda, la segunda para
obtener la tercera, y asi sucesivamente, usando la fórmula:
𝑓 (𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − , 𝑠𝑖 𝑓 ′(𝑥𝑛 ) ≠ 0
𝑓 ′(𝑥𝑛 )
Ejemplos:
Encontrar una aproximación a la raíz de las siguintes funciones usando el método

de Newton-Raphson.
1. 𝑓 (𝑥 ) = 𝑥 3 − 𝑥 − 1 . Tomando como punto de partida 𝑥1 = 1

Entonces: 𝑓 (𝑥 ) = 𝑥 3 − 𝑥 − 1, 𝑓′(𝑥 ) = 3𝑥 2 − 1
15
10
2 1 1 2 3
𝑥1 = 1
𝑓 (𝑥1 ) −1
𝑥2 = 𝑥1 − ′
=1− = 1.5
𝑓 (𝑥1 ) 2
𝑓(𝑥2 ) 0.875
𝑥3 = 𝑥2 − ′
= 1.5 − = 1.3478
𝑓 (𝑥2 ) 5.75
𝑓 (𝑥3 )
𝑥4 = 𝑥3 − = 1.3252
𝑓 ′ (𝑥3 )
𝑥5 = 1.32476
𝑥6 = 1.32471
∴ 𝑥 = 1.324
2. 𝑓 (𝑥 ) = 𝑥 2 + 𝑥 − 1 . Tomando como punto de partida 𝑥1 = 1
Entonces: 𝑓 (𝑥 ) = 𝑥 2 + 𝑥 − 1, 𝑓 ′(𝑥 ) = 2𝑥 + 1
10
2 1 1 2 3
𝑥1 = 1
𝑓 (𝑥1 ) 1
𝑥2 = 𝑥1 − ′
= 1 − = 0.6666667
𝑓 (𝑥1 ) 3
𝑓 (𝑥2 ) 0.1111111
𝑥3 = 𝑥2 − ′
= 0.6666667 − = 0.619047
𝑓 (𝑥2 ) 2.333333
𝑓 (𝑥3 )
𝑥4 = 𝑥3 − = 0.618
𝑓 ′(𝑥3 )
∴ 𝑥 = 0.618
3. 𝑓 (𝑥 ) = 𝑥 3 + 3𝑥 + 1 . Tomando como punto de partida 𝑥1 = 0
Entonces: 𝑓 (𝑥 ) = 𝑥 3 + 3𝑥 + 1, 𝑓 ′ (𝑥 ) = 3𝑥 2 + 3
30
20
10
2 1 1 2 3
10
𝑥1 = 0
𝑓 (𝑥1 ) 1
𝑥2 = 𝑥1 − ′
= 0 − = −0.333333
𝑓 (𝑥1 ) 3
𝑓 (𝑥2 ) 2.03703
𝑥3 = 𝑥2 − ′
= 0.333333 − = −0.2778
𝑓 (𝑥2 ) 3.333333
∴ 𝑥 = −0.2778
4. 𝑓(𝑥 ) = 𝑥 4 + 𝑥 − 3 . Tomando como punto de partida 𝑥1 = −1 𝑦 𝑥1 = 1
Entonces: 𝑓 (𝑥 ) = 𝑥 4 + 𝑥 − 3 , 𝑓 ′ (𝑥 ) = 4𝑥 3 + 1
40
30
20
10
2 1 1 2 3
Por la izquierda Por la derecha
𝑥1 = −1 𝑥1 = 1
𝑥2 = −2 𝑥2 = 1.2
𝑥3 = −1.645 𝑥3 = 1.165
𝑥4 = −1.485 𝑥4 = 1.164
∴ 𝑥 = −1.485, 1.164
5. 𝑓 (𝑥 ) = −𝑥 2 + 2𝑥 + 1 . Tomando como punto de partida 𝑥1 = 0 𝑦 𝑥1 = 2
Entonces: 𝑓 (𝑥 ) = −𝑥 2 + 2𝑥 + 1 , 𝑓 ′(𝑥 ) = −2𝑥 + 2
2 1 1 2 3
Por la izquierda Por la derecha
𝑥1 = 0 𝑥1 = 2
𝑥2 = −0.5 𝑥2 = 2.5
𝑥3 = −0.416 𝑥3 = 2.416
∴ 𝑥 = −0.416, 2.416
6. 𝑓 (𝑥 ) = 𝑥 4 − 2 . Tomando como punto de partida 𝑥1 = −1 𝑦 𝑥1 = 1
Entonces: 𝑓 (𝑥 ) = 𝑥 4 − 2 , 𝑓 ′(𝑥 ) = 4𝑥 3
40
30
20
10
2 1 1 2 3
Por la Por la derecha

izquierda
𝑥1 = −1 𝑥1 = 1
𝑥2 = −1.25 𝑥2 = 1.25
𝑥3 = −1.19 𝑥3 = 1.19
∴ 𝑥 = −1.19, 1.19
7. 𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥) − 𝑥 . Tomando como punto de partida 𝑥1 = 1

Entonces: 𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥) − 𝑥 , 𝑓 ′ (𝑥 ) = −𝑠𝑒𝑛(𝑥) − 1
𝑥1 = 1
𝑓 (𝑥1 )
𝑥2 = 𝑥1 − = 0.7504
𝑓 ′ (𝑥1 )
𝑓 (𝑥2 )
𝑥3 = 𝑥2 − = 0.7391
𝑓 ′ (𝑥2 )
𝑓 (𝑥3 )
𝑥4 = 𝑥3 − = 0.7391
𝑓 ′ (𝑥3 )
∴ 𝑥 = 0.7391
8. 𝑓(𝑥 ) = 𝑥 2 − 3 . Tomando como punto de partida 𝑥1 = 2
Entonces: 𝑓 (𝑥 ) = 𝑥 2 − 3 , 𝑓 ′(𝑥 ) = 2𝑥
𝑥1 = 2
𝑓 (𝑥1 )
𝑥2 = 𝑥1 − = 1.75
𝑓 ′(𝑥1 )
𝑓(𝑥2 )
𝑥3 = 𝑥2 − = 1.73214
𝑓 ′(𝑥2 )
𝑓(𝑥3 )
𝑥4 = 𝑥3 − = 1.73204
𝑓 ′(𝑥3 )
∴ 𝑥 = 1.732
9. 𝑓 (𝑥 ) = 𝑥 2 − 𝑒 −𝑥 . Tomando como punto de partida 𝑥1 = 2

Entonces: 𝑓 (𝑥 ) = 𝑥 2 − 𝑒 −𝑥 , 𝑓 ′(𝑥 ) = 2𝑥 + 𝑒 −𝑥
𝑥1 = 2
𝑓 (𝑥1 )
𝑥2 = 𝑥1 − = 1.0654311
𝑓 ′(𝑥1 )
𝑓 (𝑥2 )
𝑥3 = 𝑥2 − = 0.746072
𝑓 ′ (𝑥2 )
𝑓 (𝑥3 )
𝑥4 = 𝑥3 − = 0.704168
𝑓 ′ (𝑥3 )
∴ 𝑥 = 0.7
10. 𝑓 (𝑥 ) = 𝑥 10 − 1 . Tomando como punto de partida 𝑥1 = 0.5
Entonces: 𝑓 (𝑥 ) = 𝑥 10 − 1 , 𝑓 ′(𝑥 ) = 10𝑥 9
𝑥1 = 2
𝑥2 = 51.61
𝑥3 = 46.485
𝑥4 = 37.65285
𝑥5 = 33.8875
𝑥10 = 20.010268
𝑥20 = 6.977149
𝑥30 = 2.4328013
𝑥40 = 1.002316
𝑥41 = 1.000023
𝑥42 = 1
∴𝑥=1
Método de raíces de ecuaciones

Método gráfico
Un método simple para obtener una aproximación a la raíz de la ecuación 𝑓 (𝑥 ) = 0

consiste en graficar la función y observar donde cruza el eje 𝑥. Este punto
representa el valor de 𝑥 para el cuales 𝑓(𝑥 ) = 0 ofrece una aproximación inicial de
la raíz.
Los métodos gráficos se utilizan para obtener aproximaciones de la raíz. Dichas

aproximaciones se pueden utilizar como valores iniciales en los métodos numéricos.
Ejemplos
1. Utilizar el método gráfico para obtener una aproximación a la raíz de la

función
𝑓 (𝑥 ) = 2𝑥 + 2𝑥 − 5
En el intervalo [0,5]
La raíz está cercana a 1.4

función
𝑓 (𝑥 ) = 3𝑥 3 + 5𝑥 2 − 20𝑥 − 15
En el intervalo [−2, −0.5]
La raíz se aproxima a -1.35

función
𝑓 (𝑥 ) = 3𝑥 3 + 5𝑥 2 − 20𝑥 − 15
En el intervalo [0, 3]
La raíz se aproxima a -2.2

función.
𝑓 (𝑥 ) = 0.5𝑥 3 + 2𝑥 2 + 0.2𝑥 − 1
4 3 2 1 1 2
Las raíces se aproximan a -3.8, -1 y 0.5

Método de la bisección
El método de bisección es uno de los más versátiles para determinar una raíz real
en un intervalo de una ecuación dada, es fácil de comprender, aunque si se desea
una mayor exactitud el número de cálculos que hay que realizar aumenta
considerablemente.
Una de sus ventajas es que funciona para ecuaciones algebraicas y trascendentes,
pero se recomienda utilizarlo después de un análisis gráfico.
El Teorema de Bolzano establece las condiciones necesarias para la existencia de
al menos un cero de una función continua.
Teorema de Bolzano:
Si 𝑓(𝑥) es continua en el intervalo [𝑎, 𝑏], con 𝑓 (𝑎) ∗ 𝑓(𝑏) < 0, entonces existe al
menos un 𝑐 ∈ [𝑎, 𝑏] tal que 𝑓(𝑐 ) = 0.
El método de bisección se basa en el Teorema de Bolzano, el cual afirma que si se

tiene una función real 𝑦 = 𝑓(𝑥) continua en el intervalo [𝑎, 𝑏] donde el signo de la
función en el extremo a es distinto al signo de la función en el
extremo 𝑏 del intervalo, entonces existe al menos un 𝑐 ∈ [𝑎, 𝑏] tal que 𝑓 (𝑐 ) = 0,
que es la raíz buscada.
• Suponga una ecuación 𝑓(𝑥 ) = 0

• Para determinar la raíz en el intervalo [𝑎, 𝑏] divida el intervalo por la mitad,
llame con 𝑚 a ese punto donde
𝑎+𝑏
𝑚=
2
• Considere los siguientes casos:
✓ Si 𝑓 (𝑚) = 0, entonces m es la raíz buscada
✓ Si 𝑓(𝑎) y 𝑓(𝑚) tienen signos diferentes, entonces la raíz buscada se

encuentra en el intervalo [𝑎, 𝑚].
✓ Si 𝑓(𝑚) y 𝑓(𝑏) tienen signos diferentes, entonces la raíz buscada se

encuentra en el intervalo [𝑚, 𝑏].
✓ Ahora, divida por la mitad el nuevo intervalo que contiene la raíz y repita
el procedimiento.
✓ Al continuar con el proceso, determinamos que la raíz se encuentra en

un intervalo tan pequeño como se desee y, entonces, se obtiene una
aproximación de la raíz buscada.
✓ Observe que se va obteniendo una secuencia de intervalos cada vez

más pequeños [𝑎1 , 𝑏1 ], [ 𝑎2 , 𝑏2 ], [ 𝑎3 , 𝑏3 ],..., [ 𝑎𝑛 , 𝑏𝑛 ], tal que
𝑏−𝑎
𝑓(𝑎𝑛 ) ∗ 𝑓 (𝑏𝑛 )→0, entonces 𝑏𝑛 − 𝑎𝑛 = .
2𝑛
✓ Los puntos extremos 𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 forman una sucesión creciente y

acotada, mientras que los puntos extremos 𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛 una sucesión
decreciente y acotada, con un límite común igual 𝜀 que es la raíz buscada.
✓ El proceso puede ser continuado hasta lograr que ‖𝑏𝑛 − 𝑎𝑛 ‖ < 𝜀, para un
valor 𝜀 establecido. Este procedimiento brinda la precisión requerida para
la raíz buscada.
✓ Para determinar el error mínimo esperado del método, haga uso del
siguiente teorema:
Teorema Cota de error para el método de bisección:
Sea 𝑓 (𝑥 ) una función continua en el intervalo [𝑎, 𝑏], tal que 𝑓(𝑎𝑛 ) ∗ 𝑓 (𝑏𝑛 ) < 0 ,
entonces el método de bisección genera una sucesión {𝑝𝑛 } convergente a una
raíz 𝑝 tal que:
𝑏−𝑎
| 𝑝𝑛 − 𝑝| ≤ ; 𝑛≥1
2𝑛
✓ Para determinar el número máximo de iteraciones aplique la siguiente

fórmula:
𝑏−𝑎
<𝜀
2𝑛
Ejercicios
1. 𝑓 (𝑥 ) = 𝑥 3 + 4𝑥 2 − 10 = 0 Raíz en [1,2] ya que 𝑓 (1) = −5 y 𝑓 (2) = 14

2. Obtener 𝑃3 para 𝑓(𝑥 ) = √𝑥 − 𝑐𝑜𝑠(𝑥) 𝑒𝑛 [0,1]
1
3. Sea 𝑓 (𝑥 ) = 3(𝑥 + 1) (𝑥 − 2) (𝑥 − 1) 𝑝𝑎𝑟𝑎 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑟 𝑃3 𝑒𝑛 [−2, 1.5]
4. Encontrar soluciones exactas dentro de 10−2 para

𝑓 (𝑥 ) = 𝑥 3 − 7𝑥 2 + 14𝑥 − 6 = 0 en [0,1]
𝑓 (𝑥 ) = 𝑥 4 − 2𝑥 3 + 4𝑥 + 4 = 0 en [0,2]
6. 𝑓 (𝑥 ) = 𝑥 10 − 1 , en [0,1.3] encontrar la raíz
7. Encontrar soluciones exactas dentro de 10−5 para:
𝑓 (𝑥 ) = 2𝑥 𝑐𝑜𝑠(2𝑥 ) − (𝑥 + 1)2 = 0 para −3 ≤ 𝑥 ≤ 2
8. Encontrar la raíz 𝑓 (𝑥 ) = 𝑒 𝑥 + 4𝑥 3 − 5 en [1,2]
𝑓 (𝑥 ) = 𝑒 𝑥 − 𝑥 2 + 3𝑥 − 2 = 0 para 0 ≤ 𝑥 ≤ 1
10. Determinar la cantidad de iteraciones necesarias para resolver la función
𝑥
𝑓 (𝑥 ) = 𝑒𝑥 + 1 con un error del 5%
Método de la regla falsa
Es un método iterativo que se basa en la visualización gráfica que consiste en unir

𝑓(𝑎) 𝑦 𝑓(𝑏) con una línea recta. La intersección de ésta con el eje de coordenadas
𝑥 representa una mejor aproximación de la raíz.
𝑓(𝑥𝑢 )(𝑥𝑙 − 𝑥𝑢 )
𝑥𝑟 = 𝑥𝑢 −
𝑓 (𝑥𝑙 ) − 𝑓(𝑥𝑢 )
Ejemplos:
1. Encontrar la raíz de la función

667.38
𝑓 (𝑐 ) = (1 − 𝑒 −0.146843𝑐 ) − 40
𝑐
En el intervalo [12, 16]
Solución
Iteración 𝒙𝒍 𝒙𝒖 𝒇(𝒙𝒍 ) 𝒇(𝒙𝒖 ) 𝒙𝒓 𝒇(𝒙𝒓) 𝒇(𝒙𝒍 ) ∗ 𝒇(𝒙𝒓)

1 12 16.0000 6.06695 -2.26875 14.91131 -0.25428 -1.54269
2 12 14.9113 6.06695 -0.25428 14.79420 -0.02726 -0.16537
3 12 14.7942 6.06695 -0.02726 14.78170 -0.00291 -0.01764
4 12 14.7817 6.06695 -0.00291 14.78037 -0.00031 -0.00188
5 12 14.7804 6.06695 -0.00031 14.78023 -0.00003 -0.00020
6 12 14.7802 6.06695 -0.00003 14.78021 0.00000 -0.00002
7 12 14.7802 6.06695 0.00000 14.78021 0.00000 0.00000
8 12 14.7802 6.06695 0.00000 14.78021 0.00000 0.00000
9 12 14.7802 6.06695 0.00000 14.78021 0.00000 0.00000
10 12 14.7802 6.06695 0.00000 14.78021 0.00000 0.00000
11 12 14.7802 6.06695 0.00000 14.78021 0.00000 0.00000
12 12 14.7802 6.06695 0.00000 14.78021 0.00000 0.00000
∴ 𝑥 = 14.78021
𝑓(𝑥 ) = 2𝑥 4 − 5𝑥 2 + 𝑥
En el intervalo [1, 3.5]
Solución
Iteración 𝒙𝒍 𝒙𝒖 𝒇(𝒙𝒍 ) 𝒇(𝒙𝒖 ) 𝒙𝒓 𝒇(𝒙𝒓) 𝒇(𝒙𝒍 ) ∗ 𝒇(𝒙𝒓)
1 1.0000 3.5000 -2.0000 242.3750 1.0205 -2.0175 4.0349
2 1.0205 3.5000 -2.0175 242.3750 1.0409 -2.0286 4.0927
3 1.0409 3.5000 -2.0286 242.3750 1.0613 -2.0331 4.1245
4 1.0613 3.5000 -2.0331 242.3750 1.0816 -2.0305 4.1284
5 1.0816 3.5000 -2.0305 242.3750 1.1017 -2.0207 4.1030
6 1.1017 3.5000 -2.0207 242.3750 1.1215 -2.0033 4.0480
7 1.1215 3.5000 -2.0033 242.3750 1.1410 -1.9786 3.9637
8 1.1410 3.5000 -1.9786 242.3750 1.1601 -1.9464 3.8511
9 1.1601 3.5000 -1.9464 242.3750 1.1788 -1.9073 3.7124
10 1.1788 3.5000 -1.9073 242.3750 1.1969 -1.8614 3.5502
15 1.2633 3.5000 -1.6225 242.3750 1.2781 -1.5525 2.5190
20 1.3302 3.5000 -1.2549 242.3750 1.3414 -1.1799 1.4807
21 1.3414 3.5000 -1.1799 242.3750 1.3519 -1.1060 1.3049
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
35 1.4344 3.5000 -0.3868 242.3750 1.4377 -0.3528 0.1365
36 1.4377 3.5000 -0.3528 242.3750 1.4407 -0.3215 0.1134
37 1.4407 3.5000 -0.3215 242.3750 1.4434 -0.2926 0.0941
38 1.4434 3.5000 -0.2926 242.3750 1.4459 -0.2662 0.0779
39 1.4459 3.5000 -0.2662 242.3750 1.4481 -0.2419 0.0644
40 1.4481 3.5000 -0.2419 242.3750 1.4502 -0.2197 0.0531
∴ 𝑥 ≈ 1.4502
𝑓 (𝑥 ) = 2.75𝑥 2 − 5𝑥 − 5.5
En el intervalo [−1, 0]
Solución
Iteración 𝒙𝒍 𝒙𝒖 𝒇(𝒙𝒍 ) 𝒇(𝒙𝒖 ) 𝒙𝒓 𝒇(𝒙𝒓 ) 𝒇(𝒙𝒍 ) ∗ 𝒇(𝒙𝒓)
1 -1.0000 0.0000 2.2500 -5.5000 -0.7097 -0.5666 -1.2748
2 -1.0000 -0.7097 2.2500 -0.5666 -0.7681 -0.0372 -0.0838
3 -1.0000 -0.7681 2.2500 -0.0372 -0.7719 -0.0024 -0.0053
4 -1.0000 -0.7719 2.2500 -0.0024 -0.7721 -0.0002 -0.0003
5 -1.0000 -0.7721 2.2500 -0.0002 -0.7721 0.0000 0.0000
6 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
7 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
8 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
9 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
10 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
11 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
12 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
13 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
14 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
15 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
16 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
17 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
18 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
19 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
20 -1.0000 -0.7721 2.2500 0.0000 -0.7721 0.0000 0.0000
∴ 𝑥 = −0.7721
𝑓 (𝑥 ) = 2𝑥 𝑐𝑜𝑠(𝑥) − 3
En el intervalo [−2, 2]
Solución
Iteración 𝒙𝒍 𝒙𝒖 𝒇(𝒙𝒍 ) 𝒇(𝒙𝒖 ) 𝒙𝒓 𝒇(𝒙𝒓 ) 𝒇(𝒙𝒍 ) ∗ 𝒇(𝒙𝒓)
1 -2.0000 2.0000 -1.3354 -4.6646 -3.6045 3.4503 -4.6076
2 -2.0000 -3.6045 -1.3354 3.4503 -2.4477 0.7635 -1.0196
3 -2.0000 -2.4477 -1.3354 0.7635 -2.2849 -0.0073 0.0097
4 -2.2849 -2.4477 -0.0073 0.7635 -2.2864 0.0000 0.0000
5 -2.2849 -2.2864 -0.0073 0.0000 -2.2864 0.0000 0.0000
6 -2.2864 -2.2864 0.0000 0.0000 -2.2864 0.0000 0.0000
∴ 𝑥 = −2.2864
Método de Newton Raphson
El método de Newton-Raphson es un método abierto, en el sentido de que no está

garantizada su convergencia global. La única manera de alcanzar la convergencia
es seleccionar un valor inicial lo suficientemente cercano a la raíz buscada. Así, se
ha de comenzar la iteración con un valor razonablemente cercano al cero
(denominado punto de arranque o valor supuesto). La relativa cercanía del punto
inicial a la raíz depende mucho de la naturaleza de la propia función; si ésta presenta
múltiples puntos de inflexión o pendientes grandes en el entorno de la raíz, entonces
las probabilidades de que el algoritmo diverja aumentan, lo cual exige seleccionar
un valor supuesto cercano a la raíz. Una vez que se ha hecho esto, el método línea
lisa la función por la recta tangente en ese valor supuesto. La abscisa en el origen
de dicha recta será, según el método, una mejor aproximación de la raíz que el valor
anterior. Se realizarán sucesivas iteraciones hasta que el método haya convergido
lo suficiente.
Fórmula
𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )
Gráfica ilustrativa
Ejemplos
1. Obtener la raíz de la función

𝑓 (𝑥 ) = 𝑥 3 + 2𝑥 2 + 10𝑥 − 20
Con 𝑥0 = 1
Cuya derivada es
𝑓 ′(𝑥 ) = 3𝑥 2 + 4𝑥 + 10
Solución
Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒇′(𝒙𝒊 ) 𝒙𝒊+𝟏

0 1.0000 -7.0000 17.0000 1.4118
1 1.4118 0.9176 21.6263 1.3693
2 1.3693 0.0111 21.1026 1.3688
3 1.3688 0.0000 21.0961 1.3688
4 1.3688 0.0000 21.0961 1.3688
5 1.3688 0.0000 21.0961 1.3688
6 1.3688 0.0000 21.0961 1.3688
7 1.3688 0.0000 21.0961 1.3688
8 1.3688 0.0000 21.0961 1.3688
9 1.3688 0.0000 21.0961 1.3688
10 1.3688 0.0000 21.0961 1.3688
11 1.3688 0.0000 21.0961 1.3688
12 1.3688 0.0000 21.0961 1.3688
13 1.3688 0.0000 21.0961 1.3688
14 1.3688 0.0000 21.0961 1.3688
15 1.3688 0.0000 21.0961 1.3688
16 1.3688 0.0000 21.0961 1.3688
17 1.3688 0.0000 21.0961 1.3688
18 1.3688 0.0000 21.0961 1.3688
19 1.3688 0.0000 21.0961 1.3688
20 1.3688 0.0000 21.0961 1.3688
∴ 𝑥 = 1.3688
𝑓(𝑥 ) = 𝑥𝑒 𝑥 − 2
Con 𝑥0 = −1
Y derivada 𝑓 ′(𝑥 ) = 𝑥𝑒 𝑥 + 𝑒 𝑥
Solución

0 0.0000 -2.0000 1.0000 2.0000
1 2.0000 12.7781 22.1672 1.4236
2 1.4236 3.9104 10.0623 1.0349
3 1.0349 0.9133 5.7282 0.8755
4 0.8755 0.1013 4.5014 0.8530
5 0.8530 0.0017 4.3484 0.8526
6 0.8526 0.0000 4.3458 0.8526
7 0.8526 0.0000 4.3458 0.8526
8 0.8526 0.0000 4.3458 0.8526
9 0.8526 0.0000 4.3458 0.8526
10 0.8526 0.0000 4.3458 0.8526
11 0.8526 0.0000 4.3458 0.8526
12 0.8526 0.0000 4.3458 0.8526
13 0.8526 0.0000 4.3458 0.8526
14 0.8526 0.0000 4.3458 0.8526
15 0.8526 0.0000 4.3458 0.8526
16 0.8526 0.0000 4.3458 0.8526
17 0.8526 0.0000 4.3458 0.8526
18 0.8526 0.0000 4.3458 0.8526
19 0.8526 0.0000 4.3458 0.8526
20 0.8526 0.0000 4.3458 0.8526
∴ 𝑥 = 0.8526
𝑓 (𝑥 ) = 𝑥 − 2 𝑐𝑜𝑠(𝑥)
Con 𝑥0 = 0
Y derivada 𝑓 ′(𝑥 ) = 1 + 2 𝑠𝑒𝑛(𝑥)
Solución

0 0.0000 -2.0000 1.0000 2.0000
1 2.0000 2.8323 2.8186 0.9951
2 0.9951 -0.0936 2.6777 1.0301
3 1.0301 0.0007 2.7147 1.0299
4 1.0299 0.0000 2.7145 1.0299
5 1.0299 0.0000 2.7145 1.0299
6 1.0299 0.0000 2.7145 1.0299
7 1.0299 0.0000 2.7145 1.0299
8 1.0299 0.0000 2.7145 1.0299
9 1.0299 0.0000 2.7145 1.0299
10 1.0299 0.0000 2.7145 1.0299
11 1.0299 0.0000 2.7145 1.0299
12 1.0299 0.0000 2.7145 1.0299
13 1.0299 0.0000 2.7145 1.0299
14 1.0299 0.0000 2.7145 1.0299
15 1.0299 0.0000 2.7145 1.0299
16 1.0299 0.0000 2.7145 1.0299
17 1.0299 0.0000 2.7145 1.0299
18 1.0299 0.0000 2.7145 1.0299
19 1.0299 0.0000 2.7145 1.0299
20 1.0299 0.0000 2.7145 1.0299
∴ 𝑥 = 1.0299
𝑓 (𝑥 ) = 𝑒 𝑥 − 𝑡𝑎𝑛(𝑥)
Con 𝑥0 = 2
Y derivada 𝑓 ′(𝑥 ) = 𝑒 𝑥 − (𝑠𝑒𝑐(𝑥))2
Solución

0 2.0000 9.5741 1.6147 -3.9295
1 -3.9295 1.0247 -1.9904 -3.4147
2 -3.4147 0.3130 -1.0456 -3.1153
3 -3.1153 0.0181 -0.9563 -3.0964
4 -3.0964 0.0000 -0.9568 -3.0964
5 -3.0964 0.0000 -0.9568 -3.0964
6 -3.0964 0.0000 -0.9568 -3.0964
7 -3.0964 0.0000 -0.9568 -3.0964
8 -3.0964 0.0000 -0.9568 -3.0964
9 -3.0964 0.0000 -0.9568 -3.0964
10 -3.0964 0.0000 -0.9568 -3.0964
11 -3.0964 0.0000 -0.9568 -3.0964
12 -3.0964 0.0000 -0.9568 -3.0964
13 -3.0964 0.0000 -0.9568 -3.0964
14 -3.0964 0.0000 -0.9568 -3.0964
15 -3.0964 0.0000 -0.9568 -3.0964
16 -3.0964 0.0000 -0.9568 -3.0964
17 -3.0964 0.0000 -0.9568 -3.0964
18 -3.0964 0.0000 -0.9568 -3.0964
19 -3.0964 0.0000 -0.9568 -3.0964
20 -3.0964 0.0000 -0.9568 -3.0964
∴ 𝑥 = −3.0964
𝑓(𝑥 ) = 𝑠𝑒𝑛(𝑥) − 𝑙𝑛(𝑥)
Con 𝑥0 = 0.5
1
Y derivada 𝑓 ′(𝑥 ) = 𝑐𝑜𝑠(𝑥) − 𝑥
Solución

0 0.5000 1.1726 -1.1224 1.5447
1 1.5447 0.5648 -0.6213 2.4538
2 2.4538 -0.2629 -1.1802 2.2311
3 2.2311 -0.0127 -1.0616 2.2191
4 2.2191 0.0000 -1.0545 2.2191
5 2.2191 0.0000 -1.0545 2.2191
6 2.2191 0.0000 -1.0545 2.2191
7 2.2191 0.0000 -1.0545 2.2191
8 2.2191 0.0000 -1.0545 2.2191
9 2.2191 0.0000 -1.0545 2.2191
10 2.2191 0.0000 -1.0545 2.2191
11 2.2191 0.0000 -1.0545 2.2191
12 2.2191 0.0000 -1.0545 2.2191
13 2.2191 0.0000 -1.0545 2.2191
14 2.2191 0.0000 -1.0545 2.2191
15 2.2191 0.0000 -1.0545 2.2191
16 2.2191 0.0000 -1.0545 2.2191
17 2.2191 0.0000 -1.0545 2.2191
18 2.2191 0.0000 -1.0545 2.2191
19 2.2191 0.0000 -1.0545 2.2191
20 2.2191 0.0000 -1.0545 2.2191
∴ 𝑥 = 2.2191
Método de la Secante
Parte de dos puntos y estima la tangente por una aproximación de acuerdo con:
𝑓 (𝑥1 ) − 𝑓(𝑥0 )
𝑓’(𝑥0 ) =
𝑥1 − 𝑥0
Sustituyendo esta expresión en la ecuación de Newton, obtenemos la expresión
del método de la secante, que nos proporciona el siguiente punto de iteración.
𝑓 (𝑥0 ) ∗ (𝑥1 − 𝑥0 )
𝑥2 = 𝑥0 −
𝑓 (𝑥1 ) − 𝑓(𝑥0 )
Ejemplos:
Hallar las raíces de las siguientes ecuaciones con los valores iniciales indicados
por el método de la secante
𝜋
1. 𝑓(𝑥 ) = 𝑠𝑒𝑛 ( ) − 5𝑒 −𝑥
2
𝑑𝑜𝑛𝑑𝑒 𝑥0 = 0 𝑦 𝑥1 = 1
𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐

1.0000 0.0000 -0.8394 -4.0000 1.0000 3.1606 1.2656
1.2656 1.0000 -0.4104 -0.8394 0.2656 0.4290 1.5196
1.5196 1.2656 -0.0940 -0.4104 0.2540 0.3164 1.5951
1.5951 1.5196 -0.0145 -0.0940 0.0755 0.0795 1.6088
1.6088 1.5951 -0.0006 -0.0145 0.0137 0.0138 1.6094
1.6094 1.6088 0.0000 -0.0006 0.0006 0.0006 1.6094
1.6094 1.6094 0.0000 0.0000 0.0000 0.0000 1.6094
∴ 𝑥 = 1.6094
2.
𝑔(𝑥 ) = −11 − 22𝑥 + 17𝑥 2 − 2.5𝑥 3
𝑑𝑜𝑛𝑑𝑒 𝑥0 = 0 𝑦 𝑥1 = 0.2651
𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎 ) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎 ) 𝒙𝟐

1.0000 0.2651 -18.5000 -15.6841 0.7349 -2.8159 -3.8281
-3.8281 1.0000 462.5846 -18.5000 -4.8281 481.0846 0.8143
0.8143 -3.8281 -18.9920 462.5846 4.6424 -481.5767 0.6313
0.6313 0.8143 -18.7423 -18.9920 -0.1831 0.2498 -13.1077
-13.1077 0.6313 8828.3964 -18.7423 -13.7390 8847.1386 0.6021
0.6021 -13.1077 -18.6292 8828.3964 13.7099 -8847.0255 0.5733
0.5733 0.6021 -18.4961 -18.6292 -0.0289 0.1331 -3.4399
-3.4399 0.5733 367.6016 -18.4961 -4.0132 386.0977 0.3810
0.3810 -3.4399 -17.0528 367.6016 3.8209 -384.6544 0.2116
0.2116 0.3810 -14.9182 -17.0528 -0.1694 2.1346 -0.9722
-0.9722 0.2116 28.7553 -14.9182 -1.1839 43.6735 -0.1928
-0.1928 -0.9722 -6.1098 28.7553 0.7795 -34.8651 -0.3294
-0.3294 -0.1928 -1.8209 -6.1098 -0.1366 4.2889 -0.3873
-0.3873 -0.3294 0.2175 -1.8209 -0.0580 2.0384 -0.3812
-0.3812 -0.3873 -0.0063 0.2175 0.0062 -0.2238 -0.3813
-0.3813 -0.3812 0.0000 -0.0063 -0.0002 0.0063 -0.3813
∴ 𝑥 = −0.3813
3.
2
ℎ(𝑥 ) = 𝑒 −𝑥 − 𝑥
𝑑𝑜𝑛𝑑𝑒 𝑥0 = 0 𝑦 𝑥1 = 1
𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐

1.0000 0.0000 -0.6321 1.0000 1.0000 -1.6321 0.6127
0.6127 1.0000 0.0743 -0.6321 -0.3873 0.7064 0.6534
0.6534 0.6127 -0.0010 0.0743 0.0407 -0.0753 0.6529
0.6529 0.6534 0.0000 -0.0010 -0.0005 0.0010 0.6529
0.6529 0.6529 0.0000 0.0000 0.0000 0.0000 0.6529
0.6529 0.6529 0.0000 0.0000 0.0000 0.0000 0.6529
∴ 𝑥 = 0.6529
4.
𝐼 (𝑥 ) = 𝑥 2 − 𝑒 −𝑥
𝑑𝑜𝑛𝑑𝑒 𝑥0 = 0 𝑦 𝑥1 = 0.5
𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐

0.5000 0.0000 -0.3565 -1.0000 0.5000 0.6435 0.7770
0.7770 0.5000 0.1440 -0.3565 0.2770 0.5006 0.6973
0.6973 0.7770 -0.0116 0.1440 -0.0797 -0.1557 0.7033
0.7033 0.6973 -0.0003 -0.0116 0.0060 0.0113 0.7035
0.7035 0.7033 0.0000 -0.0003 0.0002 0.0003 0.7035
0.7035 0.7035 0.0000 0.0000 0.0000 0.0000 0.7035
0.7035 0.7035 0.0000 0.0000 0.0000 0.0000 0.7035
∴ 𝑥 = 0.7035
5.
𝐽(𝑥 ) = 𝑥 3 + 2𝑥 2 + 10𝑥 − 20
𝑑𝑜𝑛𝑑𝑒 𝑥0 = 0 𝑦 𝑥1 = 1
𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐

1.0000 0.0000 -7.0000 -20.0000 1.0000 13.0000 1.5385
1.5385 1.0000 3.7597 -7.0000 0.5385 10.7597 1.3503
1.3503 1.5385 -0.3881 3.7597 -0.1882 -4.1478 1.3679
1.3679 1.3503 -0.0188 -0.3881 0.0176 0.3693 1.3688
1.3688 1.3679 0.0001 -0.0188 0.0009 0.0189 1.3688
1.3688 1.3688 0.0000 0.0001 0.0000 -0.0001 1.3688
1.3688 1.3688 0.0000 0.0000 0.0000 0.0000 1.3688
1.3688 1.3688 0.0000 0.0000 0.0000 0.0000 1.3688
∴ 𝑥 = 1.3688
6.
𝑘 (𝑥 ) = 2𝑥 3 − 11.7𝑥 2 + 17.7𝑥 − 5
𝑑𝑜𝑛𝑑𝑒 𝑥0 = 3 𝑦 𝑥1 = 4
𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐

4.0000 3.0000 6.6000 -3.2000 1.0000 9.8000 3.3265
3.3265 4.0000 -1.9689 6.6000 -0.6735 -8.5689 3.4813
3.4813 3.3265 -0.7959 -1.9689 0.1547 1.1729 3.5863
3.5863 3.4813 0.2479 -0.7959 0.1050 1.0438 3.5613
3.5613 3.5863 -0.0191 0.2479 -0.0249 -0.2670 3.5631
3.5631 3.5613 -0.0004 -0.0191 0.0018 0.0187 3.5632
3.5632 3.5631 0.0000 -0.0004 0.0000 0.0004 3.5632
3.5632 3.5632 0.0000 0.0000 0.0000 0.0000 3.5632
3.5632 3.5632 0.0000 0.0000 0.0000 0.0000 3.5632
∴ 𝑥 = 3.5632
Método de Muller
Es un método numérico similar al método de la secante; solo que en el de Müller

se construye una parábola con tres puntos.
El método consiste en obtener los coeficientes de la parábola que pasa por los tres
puntos. Dichos coeficientes se sustituyen en la ecuación cuadrática para obtener el
valor donde la parábola intercepta al eje 𝑥, es decir la raíz estimada.
La aproximación se facilita si se escribe la ecuación de la parábola de la siguiente
forma:
𝑓2 (𝑥 ) = 𝑎(𝑥 − 𝑥2 )2 + 𝑏(𝑥 − 𝑥2 ) + 𝑐
Como queremos que la parábola pase por tres puntos; construimos un sistema.
𝑓 (𝑥0 ) = 𝑎(𝑥0 − 𝑥2 )2 + 𝑏(𝑥0 − 𝑥2 ) + 𝑐
𝑓 (𝑥1 ) = 𝑎(𝑥1 − 𝑥2 )2 + 𝑏(𝑥1 − 𝑥2 ) + 𝑐
𝑓 (𝑥2 ) = 𝑎(𝑥2 − 𝑥2 )2 + 𝑏(𝑥2 − 𝑥2 ) + 𝑐
Queremos encontrar los coeficientes de 𝑎 y 𝑏. Para ello se hacen las siguientes

diferencias
ℎ0 = 𝑥1 − 𝑥0 ℎ1 = 𝑥2 − 𝑥1
𝑓 (𝑥1 ) − 𝑓(𝑥0 ) 𝑓 (𝑥2 ) − 𝑓(𝑥1 )

𝛿0 = 𝛿1 =
𝑥1 − 𝑥0 𝑥2 − 𝑥1
Sustituyendo y despejando las ecuaciones que teníamos anteriormente
(ℎ0 + ℎ1 )𝑏 − (ℎ0 + ℎ1 )2 𝑎 = ℎ0 𝛿0 + ℎ1 𝛿1
ℎ1 𝑏 − ℎ1 2 𝑎 = ℎ1 𝛿1
De donde podemos despejar 𝑎 y 𝑏
𝛿1 − 𝛿0
𝑎=
ℎ1 + ℎ0
𝑏 = 𝑎ℎ1 + 𝛿1
𝑐 = 𝑓(𝑥2 )
Para evitar errores en el redondeo, procedemos a iterar con la siguiente fórmula:
−2𝑐
𝑥3 = 𝑥2 +
𝑏 ± √𝑏2 − 4𝑎𝑐
Al usar la fórmula cuadrática se puede localizar las raíces tanto reales como
complejas. Siendo esta la mayor ventaja del método.
Ejemplos:
1. Utilizar el Método de Müller para encontrar la raíz de la función

𝑓 (𝑥 ) = 𝑥 3 − 3
Con 𝑥0 = 0, 𝑥1 = 0.5, 𝑥2 = 1.5
Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒉 𝜹 𝒂 𝒃 𝒄
0 0.0000 -3.0000 0.5000 0.2500 2.0000 5.2500 0.3750
1 0.5000 -2.8750 1.0000 3.2500 3.4265 6.1729 -0.0971
2 1.5000 0.3750 -0.0735 6.4247 4.3686 6.2400 -0.0009
3 1.4265 -0.0971 0.0156 6.1718 4.3109 6.2402 0.0000
4 1.4421 -0.0009 0.0001 6.2397 4.3265 6.2403 0.0000
5 1.4422 0.0000 0.0000 6.2403 -2027666.8 6.2000 0.0000
∴ 𝑥 = 1.4422

𝑓 (𝑥 ) = 4.7𝑥 4 − 20
Con 𝑥0 = 0, 𝑥1 = 0.5, 𝑥2 = 1.5
0 0.0000 -20.0000 0.5000 0.5875 15.2750 38.7750 3.7938
1 0.5000 -19.7063 1.0000 23.5000 37.6034 53.4373 -2.0440
2 1.5000 3.7938 -0.1019 57.2704 58.8515 55.6586 -0.0512
3 1.3981 -2.0440 0.0373 53.4650 57.1230 55.6992 -0.0001
4 1.4353 -0.0512 0.0009 55.6467 58.1473 55.7002 0.0000
5 1.4363 -0.0001 0.0000 55.7002 158.6339 55.7003 0.0000
∴ 𝑥 = 1.4363
𝑓(𝑥 ) = 𝑥 4 − 20𝑥
Con 𝑥0 = 2, 𝑥1 = 0.5, 𝑥2 = 2.5
0 2.0000 -24.0000 -1.5000 -9.3750 17.7500 35.0000 -10.9375
1 0.5000 -9.9375 2.0000 -0.5000 23.7699 60.0816 3.7560
2 2.5000 -10.9375 0.2743 53.5607 42.5223 59.7710 -0.2528
3 2.7743 3.7560 -0.0641 62.4985 44.8163 60.0019 -0.0006
4 2.7102 -0.2528 0.0042 59.8129 44.1624 60.0000 0.0000
5 2.7144 -0.0006 0.0000 59.9996 42.9710 60.0000 0.0000
∴ 𝑥 = 2.7144

𝑓 (𝑥 ) = 3.5𝑥 3 + 30𝑥 + 10
Con 𝑥0 = 2, 𝑥1 = 0.5, 𝑥2 = 2.5
0 2.0000 98.0000 -1.5000 48.3750 17.5000 92.1250 139.6875
1 0.5000 25.4375 2.0000 57.1250 11.6142 29.6772 19.6636
2 2.5000 139.6875 -2.1816 55.0153 7.0904 23.7934 -15.5176
3 0.3184 19.6636 -1.1109 31.6700 -2.4767 31.6521 2.9514
4 -0.7925 -15.5176 0.5590 33.0366 -4.7321 31.2673 0.0974
5 -0.2335 2.9514 -0.0926 30.8293 -3.1103 31.1366 0.0005
6 -0.3260 0.0974 -0.0031 31.1269 -3.4453 31.1377 0.0000
7 -0.3292 0.0005 0.0000 31.1377 -3.2407 31.1377 0.0000
∴ 𝑥 = −0.3292
𝑓 (𝑥 ) = 2𝑥 3 − 10𝑥 − 15
Con 𝑥0 = 4.5, 𝑥1 = 5.5, 𝑥2 = 5
0 4.5000 20.6250 1.0000 62.2500 15.0000 62.2500 48.0000
1 5.5000 82.8750 -0.5000 69.7500 14.4765 32.8780 -0.8163
2 5.0000 48.0000 -1.0235 47.6949 12.9775 35.0498 0.0368
3 3.9765 -0.8163 0.0246 34.7310 11.9775 35.0000 0.0000
4 4.0011 0.0368 -0.0010 35.0126 12.0011 35.0000 0.0000
∴ 𝑥 = 4.0011
Diferencias divididas (Interpolación de Newton)
Partiendo de 𝑛 puntos (𝑥, 𝑦), podemos obtener un polinomio de grado 𝑛 = 1. El

método que se utilizará es el de las diferencias divididas para obtener los
coeficientes, el cual facilita la tarea de resolver un sistema de ecuaciones usando el
cociente de sumas y restas.
Dada una colección de 𝑛 puntos de 𝑥 y sus imágenes 𝑓(𝑥), se pueden calcular los
coeficientes del polinomio interpolante utilizando las siguientes expresiones:
𝑓 [𝑥𝑘 ] = 𝑓 (𝑥𝑘 ) 𝑘 ∈ [0, 𝑛]
𝑓 [𝑥𝑘+1 ] − 𝑓[𝑥𝑘 ]
𝑓 [𝑥𝑘 , 𝑥𝑘+1 ] = 𝑘 ∈ [0, 𝑛 − 1]
𝑥𝑘+1 − 𝑥𝑘
𝑓 [𝑥𝑘+1 , 𝑥𝑘+2 ] − 𝑓[𝑥𝑘 , 𝑥𝑘+1 ]

𝑓 [𝑥𝑘 , 𝑥𝑘+1 , 𝑥𝑘+2 ] = 𝑘 ∈ [0, 𝑛 − 2]
𝑥𝑘+2 − 𝑥𝑘
𝑓 [𝑥𝑘+1 , 𝑥𝑘+2 , … , 𝑥𝑘+𝑖 ] − 𝑓[𝑥𝑘 , 𝑥𝑘+1 , … , 𝑥𝑘+𝑖−1 ]

𝑓 [𝑥𝑘 , 𝑥𝑘+1 , … , 𝑥𝑘+𝑖 ] = 𝑘 ∈ [0, 𝑛 − 𝑖]
𝑥𝑘+𝑖 − 𝑥𝑘
Finalmente, a partir de los valores obtenidos, se pueden obtener dos formas de
representar el polinomio:
Progresivo (desde 0 hasta n = 1):
𝑃𝑛−1 (𝑥 ) = 𝑓 [𝑥0 ] + 𝑓 [𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑓 [𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯
+ 𝑓[𝑥0 , 𝑥1 , . . , 𝑥𝑛 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )
Regresivo (desde n hasta 1):

𝑃𝑛−1 (𝑥 ) = 𝑓 [𝑥𝑛 ] + 𝑓[𝑥𝑛 , 𝑥𝑛−1 ](𝑥 − 𝑥𝑛 ) + 𝑓 [𝑥𝑛 , 𝑥𝑛−1 , 𝑥𝑛−2 ](𝑥 − 𝑥𝑛 )(𝑥 − 𝑥𝑛−1 ) + ⋯
+ 𝑓[𝑥𝑛 , 𝑥𝑛−1 , . . , 𝑥1 ](𝑥 − 𝑥𝑛 )(𝑥 − 𝑥𝑛−1 ) … (𝑥 − 𝑥1 )
Ejemplo:
Dados los puntos (1,2), (3,3), (4,2) 𝑦 (8,10), se quiere obtener el polinomio
interpolante que pasa por ellos. Hallar, por medio de las diferencias divididas, el
polinomio progresivo y regresivo. Al tener cuatro puntos, sabemos que el grado del
polinomio interpolante será tres. Por lo tanto, necesitaremos de cuatro coeficientes
para tener nuestro polinomio definido. Aplicando los pasos de las diferencias
divididas:
𝒙𝒌 𝒇[𝒙𝒌 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 , 𝒙𝒌+𝟑 ]
1 𝑓 [ 1] = 2 3−2 1 1 1 3
𝑓 [1,3] = = −1 − 2 1 −2 −5 11
3−1 2 𝑓 [1,3,4] = =− 𝑓 [1,3,4,8] = =
4−1 2 8−1 70
3 𝑓 [ 3] = 3 2−3 2+1 3
𝑓[3,4] = = −1 𝑓 [3,4,8] = =
4−3 8−3 5
4 𝑓 [ 4] = 2 10 − 2
𝑓[4,8] = =2
8−4
8 𝑓 [8] = 10
De esta manera, podemos ver que los valores de la primer la serían los coeficientes
obtenidos de forma progresiva y, si tomamos los últimos de cada columna,
tendremos los coeficientes obtenidos de forma regresiva.
Sin embargo, a medida que aumenta la cantidad de puntos, el método puede
volverse confuso debido a la cantidad de diferencias a obtener. Por lo tanto,
45
aprovechando la forma en la que se disponen los coeficientes y por la forma de
realizar las operaciones, se emplea una tabla más simple para seguir visualmente.
Consiste en escribir los puntos 𝑥 e 𝑦 en las dos primeras columnas; luego, se
realizan las diferencias de la columna de diferencias anterior y los valores de 𝑥
correspondientes. Dada la forma que tiene la tabla, se denomina método piramidal.
𝒙𝒌 𝒇[𝒙𝒌 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 , 𝒙𝒌+𝟑 ]
1 2 1
2 1
−
3 3 2 11
−1
3 70
4 2 5
2
8 10
Se puede ver fácilmente qué cálculo hacer para obtener el siguiente elemento. Cada
uno es la resta entre los valores que están en la columna anterior que están por
encima y debajo de la diferencia en cuestión de forma tal que el valor obtenido
queda en el medio de ambos valores. Luego, se divide por la diferencia entre dos
valores de x que se obtienen siguiendo la diagonal desde la diferencia actual, hasta
la primera diferencia (𝑓[𝑥𝑘 ]), hacia arriba y hacia abajo.
Finalmente, se resta el inferior con el superior. Volviendo al ejemplo, si tomamos la
diagonal superior de la última tabla, obtendremos los coeficientes del polinomio
progresivo; si lo tomamos por la diagonal inferior, obtendremos al polinomio
regresivo.
1 1 11
𝑃3 (𝑥 )𝑝𝑟𝑜𝑔𝑟𝑒𝑠𝑖𝑣𝑜 = 2 + (𝑥 − 1) − (𝑥 − 1)(𝑥 − 3) + (𝑥 − 1)(𝑥 − 3)(𝑥 − 4)
2 2 70
11 3 123 2 192 66
= 𝑥 − 𝑥 + 𝑥−
70 70 35 55
3 11
𝑃3 (𝑥 )𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑣𝑜 = 10 + 2(𝑥 − 8) − (𝑥 − 8)(𝑥 − 4) + (𝑥 − 8)(𝑥 − 4)(𝑥 − 3)
5 70
11 3 123 2 192 66
= 𝑥 − 𝑥 + 𝑥−
70 70 35 55
46
Ambos polinomios resultan ser iguales. Esto es lógico pues estamos buscando el
polinomio de grado tres que pasa por cuatro puntos. Dado que, si planteáramos un
sistema de ecuaciones, tendríamos cuatro ecuaciones con cuatro incógnitas, ésta
debe ser la única posible solución.
Ejercicios:
1. Obtener el polinomio de interpolación usando la fórmula de interpolación de

Newton en diferencias divididas con los datos de la tabla que aparece a
continuación, e interpolar en el punto 𝑥 = −1
𝒙𝒌 2 0 -2
𝒇[𝒙𝒌 ] 15 -1 -17
Solución
Calculamos la tabla de diferencias divididas
𝒙𝒌 𝒇[𝒙𝒌 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 ]
2 15
0 −1 −1 − 15
𝑓[2,0] = =8
0−2
-2 −17 −17 − 1 8−8
𝑓[0, −2] = =8 𝑓 [2,0, −2] = =0
−2 − 0 −2 − 2
Tomamos los valores diagonales para obtener los polinomios de interpolación
𝑃0 (𝑥) = 15 (𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑖𝑚𝑒𝑟 𝑝𝑢𝑛𝑡𝑜)

𝑃1 (𝑥 ) = 15 + 8(𝑥 − 2) + 0(𝑥 − 2)(𝑥 − 0)
𝑃1 (𝑥 ) = 8𝑥 − 1(𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎 𝑒𝑛 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑝𝑢𝑛𝑡𝑜𝑠)
Interpolando 𝑥 = −1
𝑃1 (−1) = 8(−1) − 1 = −8 − 1 = −9
∴ 𝑃1 (𝑥 = −1) = −9
47
continuación e interpolar el punto 𝑥 = 5
𝒙𝒌 𝟒 −𝟒 𝟕 𝟔 𝟐
𝒇[𝒙𝒌 ] 278 −242 1430 908 40
Solución
Calculamos la tabla de diferencias divididas
𝒙𝒌 𝒇[𝒙𝒌 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟐 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟑 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟒 ]
𝟒 278
−𝟒 −242 65
𝟕 1430 152 29
𝟔 908 522 37 𝟒
𝟐 40 217 61 𝟒 0
Tomamos los valores diagonales para obtener los polinomios de interpolación
𝑃0 (𝑥) = 278 (𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑖𝑚𝑒𝑟 𝑝𝑢𝑛𝑡𝑜)

𝑃1 (𝑥 ) = 65(𝑥 − 4) + 278 (𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎 𝑒𝑛 𝑙𝑜𝑠 2 𝑝𝑟𝑖𝑚𝑒𝑟𝑜𝑠 𝑝𝑢𝑛𝑡𝑜)
𝑃2 (𝑥 ) = 29(𝑥 + 4)(𝑥 − 4) + 65(𝑥 − 4) + 278 (𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎 𝑒𝑛 𝑙𝑜𝑠 3 𝑝𝑟𝑖𝑚𝑒𝑟𝑜𝑠 𝑝𝑢𝑛𝑡𝑜)
𝑃3 (𝑥 ) = 4(𝑥 − 7)(𝑥 + 4)(𝑥 − 4) + 29(𝑥 + 4)(𝑥 − 4) + 65(𝑥 − 4)
+ 278 (𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎 𝑒𝑛 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑝𝑢𝑛𝑡𝑜𝑠)
O también:
𝑃(𝑥 ) = 4(𝑥 − 7)(𝑥 + 4)(𝑥 − 4) + 29(𝑥 + 4)(𝑥 − 4) + 65(𝑥 − 4) + 278
𝑃 (𝑥 ) = 2 + 𝑥 + 4𝑥 3 + 𝑥 2
Interpolando 𝑥 = 5
𝑃(5) = 2 + 5 + 4(5)3 + (5)2 = 532
∴ 𝑃 (𝑥 = 5) = 532
48
Método de Jacobi
En análisis numérico el método de Jacobi es un método iterativo, usado para

resolver sistemas de ecuaciones lineales del tipo. El algoritmo toma su nombre del
matemático alemán Carl Gustav Jakob Jacobi. El método de Jacobi consiste en usar
fórmulas como iteración de punto fijo.
Es el método más comúnmente usado {𝐴}{𝑥} = {𝐵}, para un sistema 3𝑥3
𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3
𝑥1 =
𝑎11
𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3
𝑥2 =
𝑎22
𝑏3 − 𝑎31 𝑥3 − 𝑎32 𝑥3
𝑥3 =
𝑎33
Método iterativo usado para resolver sistemas de ecuaciones lineales del tipo
𝐴𝑥 = 𝑏
Ejercicios:
1. 5𝑥 + 2𝑦 = 1
𝑥 − 4𝑦 = 0
𝑋 = 0.2 + 0.00𝑥 − 0.4𝑦

𝑌 = 0.00 + 0.25𝑥 + 0.00𝑦
𝑥1 = 0.2 + (0.00)(1.00) − 0.40(2.00) = −0.600

𝑦1 = 0.00 + 0.25(−0.600) + 0.00(2.00) = −0.15
𝑥2 = 0.2 + (0.00)(−0.600) − 0.40(−0.15) = 0.26

𝑦2 = 0.00 + 0.25(0.26) + 0.00(−0.15) = −0.15
𝑥3 = 0.2 + (0.00)(0.26) − 0.40(0.065) = 0.174

𝑦3 = 0.00 + 0.25(0.174) + 0.00(0.174) = 0.0435
49
2. 10𝑥 + 2𝑦 + 𝑧 = 7
𝑥 + 5𝑦 + 𝑧 = 8
2𝑥 + 3𝑦 + 10𝑧 = 6
1
𝑥1𝑘+1 = (1 − 2𝑥2𝑘 − 𝑥3𝑘 )
10
1
𝑥2𝑘+1 = (−8 − 𝑥1𝑘 − 𝑥3𝑘 )
5
𝑘+1
1
𝑥3 = (6 − 2𝑥1𝑘 − 3𝑥2𝑘 )
10
0 −2/10 −1/10 7/10

𝑇 = [ −1/5 0 −1/5 ] ; 𝑐 = [−8/5]
−2/10 −3/10 0 6/10
0 −2/10 −1/10 7/10 7/10
1
𝑥 = [ −1/5 0 −1/5 ] [−8/5] + [−8/5]
−2/10 −3/10 0 6/10 6/10
0.96
𝑥 1 = [−1.86]
0.94
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝜉 ∗
𝑥11 − 𝑥10 = 0.26

𝑥21 − 𝑥20 = 0.26
𝑥31 − 𝑥30 = 0.34
0.34 0.34
𝛿= 1 = 1.86 = 0.1828 > 𝑇𝑜𝑙
𝑀á𝑥. |𝑥1 |
0.918
𝑥 2 = [−1.98]
0.966
0.12
𝛿= = 0.606
1.98
0.9994
𝑥 3 = [−1.9888]
0.99984
0.0324
𝛿= = 0.0163 < 𝑇𝑜𝑙; ∴ 𝑥 3 𝑒𝑠 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛
1.98
50
3. 3𝑥 − 𝑦 − 𝑧 = 1
−𝑥 + 3𝑦 + 𝑧 = 3
2𝑥 + 𝑦 − 4𝑧 = 7
3 −1 −1 𝑥 1
(−1 3 𝑦
1 ) ( ) = (3)
2 1 4 𝑧 7
𝑥𝑘+1 1/3 0 1/3 1/3 𝑥𝑘 1/3
(𝑦𝑘+1 ) = ( 1 ) + ( 1/3 0 −1/3) (𝑦𝑘 ) = ( 1 )
𝑧𝑘+1 7/4 −1/2 −1 0 𝑧𝑘 7/4
𝑦𝑘 𝑧𝑘 1 𝑥𝑘 𝑧𝑘
+ + +
3 3 3 3 3
𝑥𝑘 𝑧𝑘 𝑥𝑘 𝑧𝑘
− = 1+ −
3 3 3 3
𝑥𝑘 𝑦𝑘 𝑥𝑘 𝑦𝑘
(− 2 − 3 ) (7 − 2 − 3 )
1 𝑥𝑘 𝑧𝑘
𝑥𝑘+1 = + +
3 3 3
𝑥𝑘 𝑧𝑘
𝑦𝑘+1 = 1 + −
3 3
𝑥𝑘 𝑦𝑘
𝑧𝑘+1 = 7 − −
2 3
𝑥3 = 0.9537; 𝑦3 = 0.97222; 𝑧3 = 0.99306
4. 3𝑥 − 𝑦 − 𝑧 = −2
2𝑥 + 5𝑦 + 𝑧 = 15
−𝑥 − 𝑦 − 3𝑧 = −12
2 𝑦 𝑧
𝑥=− + +
3 3 3
15 2𝑥 𝑧
𝑦= − −
5 5 3
12 𝑥 𝑦
𝑧= + +
8 −3 23
51
2 𝑦3 𝑧4
𝑥=− + + = 1.664
3 3 3
15 𝑧4
𝑦= + 2𝑥 −0.66 − = 2.4666
5 3
12 𝑥 3 𝑦 4
𝑧=− + + = 3.222
−3 −3 −3
2 𝑦 𝑧
𝑥=− + +
3 3 3
15 2𝑥 𝑧
𝑦= − −
5 5 5
12 𝑥 𝑦
𝑧=− + +
−3 −3 −3
𝑥 = 1.23; 𝑦 = 1.69; 𝑧 = 2.623
Jacobi
𝑆𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎 𝑥 = 𝑐 + 𝐵𝑥, 𝑠𝑒 𝑖𝑡𝑒𝑟𝑎 𝑥𝑖+1 = 𝑐 + 𝐵𝑥𝑖
5. 5𝑥 + 2𝑦 = 1
𝑥 − 4𝑦 = 0
𝑋 = 0.2 + 0.00𝑥 − 0.4𝑦
𝑌 = 0.00 + 0.25𝑥 + 0.00𝑦

𝑥 0.20 0.00 −0.40] [𝑥]
[𝑦] = [ ]+[
0.00 0.25 0.00 𝑦
𝑥1 0.20 0.00 −0.40] [1] = [−0.60]
[𝑦 ] = [ ]+[
1 0.00 0.25 0.00 2 0.25
𝑥2 0.10
[𝑦 ] = [ ]
2 −0.15
𝑥3 0.26
[𝑦 ] = [ ]
3 0.025
52
𝑥4 0.190
[𝑦 ] = [ ]
4 0.065
𝑥5 0.174
[𝑦 ] = [ ]
5 0.0475
𝑥6 0.181
[𝑦 ] = [ ]
6 0.0435
53
Sistemas de ecuaciones lineales y no lineales
Regresión lineal simple
La regresión lineal simple examina la relación lineal entre dos variables continuas:
una respuesta (𝑌) y un predictor (𝑋). Cuando las dos variables están relacionadas,
es posible predecir un valor de respuesta a partir de un valor predictor con una
exactitud mayor que la asociada únicamente a las probabilidades.
La regresión proporciona la línea que "mejor" se ajusta a los datos. Esta línea se
puede utilizar después para:
• Examinar cómo cambia la variable de respuesta a medida que cambia la
variable predictora.
• Predecir el valor de una variable de respuesta (𝑌) para cualquier variable
predictora (𝑋).
El modelo tiene la forma
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑒
Despejando
𝑒 = 𝑦 − 𝑎0 − 𝑎1 𝑥
Así, el error o residuo es la discrepancia entre el valor verdadero de la variable 𝑦 y
el valor aproximado, 𝑎0 + 𝑎1 𝑥, que se predijo con la ecuación lineal.
Una estrategia para ajustar una “mejor” línea a través de los datos será minimizar
la suma de los errores residuales de todos los datos disponibles, como sigue:
𝑛 𝑛
∑ 𝑒𝑖 = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )
𝑖=1 𝑖=1
Otro criterio lógico podría ser minimizar la suma de los valores absolutos de las
diferencias
𝑛 𝑛
∑|𝑒𝑖 | = ∑|𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 |
𝑖=1 𝑖=1
54
Ejemplos demostrativos
1. La estrategia que supera las deficiencias de los procedimientos mencionados
consiste en minimizar la suma de los cuadrados de los residuos entre la 𝑦
medida y la 𝑦 calculada con el modelo lineal:
𝑛 𝑛 𝑛
𝑆𝑟 = ∑ 𝑒𝑖 = ∑(𝑦𝑖,𝑚𝑒𝑑𝑖𝑑𝑎 − 𝑦𝑖,𝑚𝑜𝑑𝑒𝑙𝑜 ) = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2

2 2
𝑖=1 𝑖=1 𝑖=1
Para determinar los valores de 𝑎0 y 𝑎1 , se deriva respecto a cada uno de los

coeficientes
𝑛
𝜕𝑆𝑟
= −2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )
𝜕𝑎0
𝑖=1
𝑛
𝜕𝑆𝑟
= −2 ∑[(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ) 𝑥𝑖 ]
𝜕𝑎1
𝑖=1
Simplificando los símbolos de sumatoria
0 = ∑ 𝑦𝑖 − ∑ 𝑎0 − ∑ 𝑎1 𝑥𝑖
0 = ∑ 𝑦𝑖 𝑥𝑖 − ∑ 𝑎0 𝑥𝑖 − ∑ 𝑎1 𝑥𝑖 2
Seguimos simplificando para y usamos el siguiente hecho
∑ 𝑎0 = 𝑛𝑎0
Seguimos con las dos expresiones anteriores
𝑛𝑎0 + (∑ 𝑥𝑖 ) 𝑎1 = ∑ 𝑦𝑖
(∑ 𝑥𝑖 ) 𝑎0 + (∑ 𝑥𝑖 2 ) 𝑎1 = ∑ 𝑥𝑖 𝑦𝑖
Éstas se llaman ecuaciones normales, y si se resuelven de manera simultánea

obtenemos lo que estamos buscando
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑎1 =
𝑛 ∑ 𝑥𝑖 2 − (∑ 𝑥𝑖 )2
Y, posteriormente obtenemos 𝑎0
𝑎0 = 𝑦̅ − 𝑎1 𝑥̅
55
2.
Por definición
𝑦𝑖 = 𝑦̂𝑖 + 𝑢̂𝑖
𝑦𝑖 − 𝑦̅ = 𝑦̂𝑖 − 𝑦̅ + 𝑢̂𝑖
[𝑦𝑖 − 𝑦̅]2 = [(𝑦̂𝑖 − 𝑦̅) + 𝑢̂𝑖 ]2
[𝑦𝑖 − 𝑦̅]2 = (𝑦̂𝑖 − 𝑦̅)2 + 𝑢̂𝑖 2 + 2𝑢̂𝑖 (𝑦̂𝑖 − 𝑦̅)
Simplificando la expresión anterior
∑[𝑦𝑖 − 𝑦̅]2 = ∑(𝑦̂𝑖 − 𝑦̅)2 + ∑ 𝑢̂𝑖
∑[𝑦𝑖 − 𝑦̅]2 ∑(𝑦̂𝑖 − 𝑦̅)2 ∑ 𝑢̂𝑖

= +
𝑛 𝑛 𝑛
56
Ejemplos ilustrativos
1. Obtenga una recta de regresión por mínimos cuadrados del siguiente
conjunto de 20 datos
𝒙𝒊 𝒚𝒊 ̅ )𝟐
(𝒚𝒊 − 𝒚 𝒙 𝒊 𝒚𝒊 𝒙𝒊 𝟐
1 1.9500 3.2870 1.9500 1.0000
2 2.9000 8.4100 5.8000 4.0000
3 0.7200 0.5184 2.1600 9.0000
4 0.8100 0.6561 3.2400 16.0000
5 1.0900 1.1881 5.4500 25.0000
6 1.2200 1.4884 7.3200 36.0000
7 1.0200 1.0404 7.1400 49.0000
8 1.9300 3.7249 15.4400 64.0000
9 0.6400 0.4096 5.7600 81.0000
10 2.0800 4.3264 20.8000 100.0000
11 1.9800 3.9204 21.7800 121.0000
12 1.9000 3.6100 22.8000 144.0000
13 8.5600 73.2736 111.2800 169.0000
14 4.4900 20.1601 62.8600 196.0000
15 8.4900 72.0801 127.3500 225.0000
16 6.1700 38.0689 98.7200 256.0000
17 7.5400 56.8516 128.1800 289.0000
18 6.3600 40.4496 114.4800 324.0000
19 7.6300 58.2169 144.9700 361.0000
20 7.7800 60.5284 155.6000 400.0000
Se calculan las siguientes cantidades

𝑛 = 20 ∑ 𝑥𝑖 𝑦𝑖 = 1063.08 ∑ 𝑥𝑖 2 = 2870
210
∑ 𝑥𝑖 = 210 𝑥̅ = = 10.5
20
75.26
∑ 𝑦𝑖 = 75.26 𝑦̅ = = 3.763
20
(20)(1063.08) − (210)(75.26)
𝑎1 = = 0.410300752
(20)(2870) − (210)2
𝑎0 = 3.763 − (0.410300752)(10.5) = −0.545157896
∴ 𝑦 = −0.545157896 + 0.410300752𝑥
57
2. Obtenga una recta de regresión por mínimos cuadrados del siguiente
conjunto de 20 datos
𝒙𝒊 𝒚𝒊 ̅ )𝟐
(𝒚𝒊 − 𝒚 𝒙 𝒊 𝒚𝒊 𝒙𝒊 𝟐
1 0.3500 0.0094 0.3500 1.0000
2 0.4700 0.2209 0.9400 4.0000
3 0.3200 0.1024 0.9600 9.0000
4 0.2700 0.0729 1.0800 16.0000
5 0.3000 0.0900 1.5000 25.0000
6 0.3100 0.0961 1.8600 36.0000
7 0.3100 0.0961 2.1700 49.0000
8 0.3400 0.1156 2.7200 64.0000
9 0.2900 0.0841 2.6100 81.0000
10 0.3700 0.1369 3.7000 100.0000
11 0.3800 0.1444 4.1800 121.0000
12 0.3800 0.1444 4.5600 144.0000
13 0.6500 0.4225 8.4500 169.0000
14 0.5000 0.2500 7.0000 196.0000
15 0.5900 0.3481 8.8500 225.0000
16 0.5900 0.3481 9.4400 256.0000
17 0.5900 0.3481 10.0300 289.0000
18 0.6300 0.3969 11.3400 324.0000
19 0.6800 0.4624 12.9200 361.0000
20 0.6200 0.3844 12.4000 400.0000
Se calculan las siguientes cantidades

𝑛 = 20 ∑ 𝑥𝑖 𝑦𝑖 = 107.06 ∑ 𝑥𝑖 2 = 2870
210
∑ 𝑥𝑖 = 210 𝑥̅ = = 10.5
20
8.94
∑ 𝑦𝑖 = 8.94 𝑦̅ = = 0.447
20
(20)(107.06) − (210)(8.94)
𝑎1 = = 0.019834586
(20)(2870) − (210)2
𝑎0 = 0.447 − (0.019834586)(10.5) = 2.38736847
∴ 𝑦 = 2.38736847 + 0.019834586𝑥
58
Regresión Polinomial
Es una forma de regresión lineal en el que la relación entre la variable independiente

𝑋 y la variable dependiente 𝑌 se modela como un polinomio de orden n. Regresión
polinómica se ajusta a una relación no lineal entre el valor de 𝑥 y la media
condicional correspondiente de 𝑦, denotado 𝐸, y se ha utilizado para describir los
fenómenos no lineales tales como la tasa de crecimiento de los tejidos, la
distribución de los isótopos de carbono en los sedimentos del lago, y la progresión
de epidemias de enfermedades.
Se debe de resolver el conjunto de ecuaciones (para el caso de un polinomio de
segundo grado):
(𝑛)𝑎0 (∑ 𝑥𝑖 ) 𝑎1 (∑ 𝑥𝑖 2 ) 𝑎2 ∑ 𝑦𝑖
(∑ 𝑥𝑖 ) 𝑎0 (∑ 𝑥𝑖 2 ) 𝑎1 (∑ 𝑥𝑖 3 ) 𝑎2 = ∑ 𝑥𝑖 𝑦𝑖
(∑ 𝑥𝑖 2 ) 𝑎0 (∑ 𝑥𝑖 3 ) 𝑎1 (∑ 𝑥𝑖 4 ) 𝑎2 ∑ 𝑥𝑖 2 𝑦𝑖
Si se requiere un ajuste de grado mayor se ajusta la matriz (aumento en la fila y las

columnas, así como en los exponentes)
59
Ejemplos
1. Obtenga una regresión polinómica de segundo grado del siguiente conjunto

de datos
𝒙𝒊 𝒚𝒊 𝒙𝒊 𝟐 𝒙𝒊 𝟑 𝒙𝒊 𝟒 𝒙 𝒊 𝒚𝒊 𝒙 𝒊 𝟐 𝒚𝒊
1 1.9500 1 1 1 1.95 1.95
2 2.9000 4 8 16 5.8 11.6
3 0.7200 9 27 81 2.16 6.48
4 0.8100 16 64 256 3.24 12.96
5 1.0900 25 125 625 5.45 27.25
6 1.2200 36 216 1296 7.32 43.92
7 1.0200 49 343 2401 7.14 49.98
8 1.9300 64 512 4096 15.44 123.52
9 0.6400 81 729 6561 5.76 51.84
10 2.0800 100 1000 10000 20.8 208
11 1.9800 121 1331 14641 21.78 239.58
12 1.9000 144 1728 20736 22.8 273.6
13 8.5600 169 2197 28561 111.28 1446.64
14 4.4900 196 2744 38416 62.86 880.04
15 8.4900 225 3375 50625 127.35 1910.25
16 6.1700 256 4096 65536 98.72 1579.52
17 7.5400 289 4913 83521 128.18 2179.06
18 6.3600 324 5832 104976 114.48 2060.64
19 7.6300 361 6859 130321 144.97 2754.43
20 7.7800 400 8000 160000 155.6 3112
Armamos la matriz que necesitamos resolver

20 210 2870 𝑎0 75.26
( 210 2870 44100 ) ( 𝑎1 ) = ( 1063.08 )
2870 44100 722666 𝑎02 16973.26
Al resolver el sistema de ecuaciones
𝑎0 = 1.40046
𝑎1 = −0.120321
𝑎2 = 0.0252677
Lo que nos lleva a tener un polinomio interpolante de segundo grado

𝑦 = 1.40046 = −0.120321𝑥 + 0.0252677𝑥 2
60
2. Obtenga una regresión polinómica de tercer grado del siguiente conjunto de
datos
𝒙𝒊 𝒚𝒊 𝒙𝒊 𝟐 𝒙𝒊 𝟑 𝒙𝒊 𝟒 𝒙𝒊 𝟓 𝒙𝒊 𝟔 𝒙 𝒊 𝒚𝒊 𝒙 𝒊 𝟐 𝒚𝒊 𝒙 𝒊 𝟑 𝒚𝒊
1 1.9500 1 1 1 1 1 1.95 1.95 1.95
2 2.9000 4 8 16 32 64 5.8 11.6 23.2
3 0.7200 9 27 81 243 729 2.16 6.48 19.44
4 0.8100 16 64 256 1024 4096 3.24 12.96 51.84
5 1.0900 25 125 625 3125 15625 5.45 27.25 136.2
6 1.2200 36 216 1296 7776 46656 7.32 43.92 263.5
7 1.0200 49 343 2401 16807 117649 7.14 49.98 349.8
8 1.9300 64 512 4096 32768 262144 15.44 123.52 988.1
9 0.6400 81 729 6561 59049 531441 5.76 51.84 466.5
10 2.0800 100 1000 10000 100000 1000000 20.8 208 2080
11 1.9800 121 1331 14641 161051 1771561 21.78 239.58 2635.38
12 1.9000 144 1728 20736 248832 2985984 22.8 273.6 3283.2
13 8.5600 169 2197 28561 371293 4826809 111.28 1446.64 18806.32
14 4.4900 196 2744 38416 537824 7529536 62.86 880.04 12320.56
15 8.4900 225 3375 50625 759375 11390625 127.35 1910.25 28653.75
16 6.1700 256 4096 65536 1048576 16777216 98.72 1579.52 25272.32
17 7.5400 289 4913 83521 1419857 24137569 128.18 2179.06 37044.02
18 6.3600 324 5832 104976 1889568 34012224 114.48 2060.64 37091.5
19 7.6300 361 6859 130321 2476099 47045881 144.97 2754.43 52334.1
20 7.7800 400 8000 160000 3200000 64000000 155.6 3112 62240
Total 75.26 2870.0 44100.0 722666.0 12333300.0 216455810. 1063.080 16973.260 284062.02
20 210 2870 44100 𝑎0 75.26

𝑎
( 210 2870 44100 722666 ) (𝑎1 ) = ( 1063.08 )
2870 44100 722666 12333300 2 16973.26
44100 722666 12333300 216455810 𝑎3 284062.02
𝑎0 = 4.26634
𝑎1 = −1.58266
𝑎2 = 0.195182
𝑎3 = −0.00539409
𝑦 = 4.26634 = −1.58266𝑥 + 0.195182𝑥 2 − 0.00539409𝑥 3
61
Regresión Cuadrática
La regresión cuadrática es el proceso por el cuál encontramos los parámetros de

una parábola que mejor se ajusten a una serie de datos que poseemos, ya sean
mediciones hechas o de otro tipo.
Una función cuadrática o de segundo grado se puede representar de manera
genérica como:
𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2
𝑛 ∑ 𝑥𝑖 ∑ 𝑥𝑖 2 ∑ 𝑦𝑖
∑ 𝑥𝑖 ∑ 𝑥𝑖 2 ∑ 𝑥𝑖 3 = ∑ 𝑥𝑖 𝑦𝑖
∑ 𝑥𝑖 2 ∑ 𝑥𝑖 3 ∑ 𝑥𝑖 4 ∑ 𝑥𝑖 2 𝑦𝑖
Una vez se haya reemplazado el valor de 𝑛, y de las sumatorias, sólo habrá que
solucionar el sistema de ecuaciones por su método preferido (eliminación
Gaussiana, Krammer, etc.). Después de que ha solucionado el sistema de
ecuaciones entonces tendrá el valor de los parámetros 𝑎, 𝑏, 𝑐.
Interpolación lineal
La interpolación lineal es un caso particular de la interpolación general de Newton.
Con el polinomio de interpolación de Newton se logra aproximar un valor de

la función 𝑓(𝑥) en un valor desconocido de 𝑥. El caso particular, para que una
interpolación sea lineal es en el que se utiliza un polinomio de interpolación de grado
1, que se ajusta a los valores en los puntos 𝑥1 y 𝑥2 . Se denota de la siguiente
manera:
𝑓 (𝑥2 ) − 𝑓 (𝑥1 )
𝑓 (𝑥 ) = 𝑓 (𝑥1 ) + (𝑥 − 𝑥1 )
(𝑥2 − 𝑥1 )
62
A continuación, se muestra una figura ilustrativa
Ejemplos:
1. Encontrar la interpolación lineal de los ingresos de cierta empresa con los

siguientes datos, en 𝑥 = 4
Gastos 𝑥 3 5 7
Ingresos 𝑦 10 14 22
𝑥1 = 3 𝑓 (𝑥1 ) = 10
𝑥2 = 5 𝑓 (𝑥2 ) = 14
(𝑥 − 3)
𝑦= ∗ (14 − 10) + 10
(5 − 3)
𝑒𝑣𝑎𝑙𝑢𝑎𝑛𝑑𝑜 𝑒𝑛 𝑥 = 4, 𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑞𝑢𝑒 𝑓1 (4) = 12
𝑥2 = 5 𝑓 (𝑥2 ) = 7
𝑥3 = 7 𝑓 (𝑥3 ) = 22
(𝑥 − 5)
𝑦= ∗ (22 − 14) + 14
(7 − 5)
𝑒𝑣𝑎𝑙𝑢𝑎𝑛𝑑𝑜 𝑒𝑛 𝑥 = 4, 𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑞𝑢𝑒 𝑓2 (4) = 18
63
2. Calcular el polinomio de primer grado con los siguientes valores
𝑥 1 2
𝑦 3 0
𝑥1 = 1 𝑓 (𝑥1 ) = 𝑎0
𝑥2 = 2 𝑓 (𝑥2 ) = 𝑎0 + 𝑎1 (𝑥2 − 1)
𝑓 (2) = 3 + 𝑎1 (2 − 1) = 0
∴ 𝑎1 = −3
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑎0 𝑦 𝑎1 𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑞𝑢𝑒 𝑒𝑙 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖 𝑒𝑠:

𝑃(𝑥 ) = 3 − 3(𝑥 − 1) = −3𝑥 + 6
3. Sean los Puntos 𝐴(0.9, 1.04) 𝑦 𝐵(0.93, 1.22) interpolar el valor de 𝑥 = 0.91
(𝑦2 − 𝑦1 ) 13
𝑓(𝑥 ) = 𝑦1 + (𝑥 − 𝑥1 ) = 𝑥−3
(𝑥2 − 𝑥1 ) 3
13 283
𝑓 (. 91) = 3 (0.91) − 3 = 300
4. Encontrar el 𝑙𝑛(2) mediante interpolación lineal si

𝑙𝑛(6) = 1.791759 𝑦 𝑙𝑛(1) = 0
(𝑦2 − 𝑦1 )
𝑓 (𝑥 ) = 𝑦1 + (𝑥 − 𝑥1 )
(𝑥2 − 𝑥1 )
(1.791759 − 0)(2 − 1)
𝑙𝑛(2) ≈ 𝑙𝑛(1) + = 0.3583519
6−1
5. Calcular la interpolación lineal de la presión del vapor de agua a la 𝑇° =

20°C
𝑇°(𝑥) 8 25
Presión ( ℎ𝑔) (𝑦) 9.3 32.2
(𝑦2 − 𝑦1 )
𝑓 (𝑥 ) = 𝑦1 + (𝑥 − 𝑥1 ) =
(𝑥2 − 𝑥1 )
(32.2 − 9.3) 22.9 251
9.3 + (𝑥 − 8) = 𝑥−
(25 − 8) 17 170
𝐸𝑣𝑎𝑙𝑢𝑎𝑛𝑑𝑜 𝑇° = 20 𝑒𝑛 𝑓 (𝑥 )
22.9 251 4329
𝑓 (20) = (20) − =
17 170 170
64
Interpolación cuadrática
Cuando el polinomio que conviene es de 2º grado la interpolación recibe el nombre

de cuadrática. El polinomio interpolador es único, luego como se encuentre da igual.
Sin embargo, a veces los cálculos son muy laboriosos y es preferible utilizar un
método que otro.
Podemos utilizar la expresión del polinomio interpolador de la siguiente manera:
𝑦 = 𝑎 + 𝑏(𝑥 − 𝑥0 ) + 𝑐(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
Con lo que la búsqueda de los coeficientes es muy sencilla.

Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios
interpoladores de grado 𝑛.
Para el caso de un polinomio de 2º grado que pasa por los puntos
(𝑥0 𝑦0 ), (𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ):
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑦 = 𝑦0 + 𝑦1 + 𝑦2
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (𝑥1 − 𝑥0 )(𝑥0 − 𝑥2 ) (𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Ejemplos
1. El número en miles de habitantes, de una determinada ciudad ha evolucionado
según la siguiente tabla:
Años 1997 1998 1999

Población 53 71 91
Sabiendo que dicha población se ajusta a una función cuadrática, calcular la

población que tenía la ciudad en 1995 y que tendrá en el año 2000.
Solución
(𝑥 − 1998)(𝑥 − 1999) (𝑥 − 1997)(𝑥 − 1999)
𝑦 = (53) ( ) + (71) ( )
(1997 − 1998)(1997 − 1999) (1998 − 1997)(1998 − 1999)
(𝑥 − 1997)(𝑥 − 1998)
+ (91) ( )
(1999 − 1997)(1999 − 1998)
65
53
𝑦=( ) (𝑥 − 1998)(𝑥 − 1999) − (71)(𝑥 − 1997)(𝑥 − 1999)
2
91
+ ( ) (𝑥 − 1997)(𝑥 − 1998)
2
𝑆𝑖 𝑥 = 1995
53
𝑦 = ( ) (1995 − 1998)(1995 − 1999) − (71)(1995 − 1997)(1995 − 1999)
2
91
+ ( ) (1995 − 1997)(1995 − 1998)
2
𝑦 = 23
𝑆𝑖 𝑥 = 2000
53
𝑦 = ( ) (2000 − 1998)(2000 − 1999) − (71)(2000 − 1997)(2000 − 1999)
2
91
+ ( ) (2000 − 1997)(2000 − 1998)
2
𝑦 = 113
2. En la tabla siguiente se indica el tiempo (en días) y el peso (en gramos) de tres
embriones de cierta especie animal:
Tiempo 3 5 8
Peso 8 22 73
a) Obtener el polinomio de interpolación de 2º grado correspondiente.
b) Determinar, a partir de dicho polinomio, el peso que correspondería a un

embrión de 6.5 días.
Solución
(𝑥 − 5)(𝑥 − 8) (𝑥 − 3)(𝑥 − 8) (𝑥 − 3)(𝑥 − 5)
𝑦 = (8) ( ) + (22) ( ) + (73) ( )
(3 − 5)(3 − 8) (5 − 3)(5 − 8) (8 − 3)(8 − 5)
52 2 377 261
𝑦= 𝑥 − 𝑥+
15 15 5
𝑆𝑖 𝑥 = 6.5
52 377 261
𝑦= (6.5)2 − (6.5) +
15 15 5
𝑦 = 35.3
66
3. Dada la siguiente tabla, obtener por interpolación lineal el valor de √4.
x 0 1 2
x +1 1 1.4142 1.7321
(𝑥 − 1)(𝑥 − 2) (𝑥 − 0)(𝑥 − 2) (𝑥 − 0)(𝑥 − 1)

𝑦 = (1) ( ) + (1.4142) ( ) + (1.7321) ( )
(0 − 1)(0 − 2) (1 − 0)(1 − 2) (2 − 0)(2 − 1)
𝑦 = −0.04815𝑥 2 + 0.46235𝑥 + 1
𝑆𝑖 𝑥 = 0.6
𝑦 = −0.04815(0.6)2 + 0.46235(0.6) + 1
𝑦 = 0.75148
Interpolación cubica por Spline
Cada polinomio P(x) a través del que construimos los Splines en [𝑚, 𝑛] tiene grado
3. Esto quiere decir, que va a tener la forma
𝑃(𝑥 ) = 𝑎𝑥 3 + 𝑏𝑥 2 + 𝑐𝑥 + 𝑑
En este caso vamos a tener cuatro variables por cada intervalo (𝑎, 𝑏, 𝑐, 𝑑), y una
nueva condición para cada punto común a dos intervalos, respecto a la derivada
segunda:
• Que las partes de la función a trozos 𝑃(𝑥) pasen por ese punto. Es decir, que
las dos 𝑃𝑛 (𝑥) que rodean al 𝑓(𝑥) que queremos aproximar, sean igual a 𝑓(𝑥)
en cada uno de estos puntos.
• Que la derivada en un punto siempre coincida para ambos "lados" de la
función definida a trozos que pasa por tal punto común. Que la derivada
segunda en un punto siempre coincida para ambos "lados" de la función
definida a trozos que pasa por tal punto común.
• Como puede deducirse al compararlo con el caso de splines cuadráticos,
ahora no nos va a faltar una sino dos ecuaciones (condiciones) para el
número de incógnitas que tenemos.
67
La forma de solucionar esto, determina el carácter de los splines cúbicos. Así,
podemos usar:
• Splines cúbicos naturales: La forma más típica. La derivada segunda de 𝑃 se

hace 0 para el primer y último punto sobre el que está definido el conjunto de
Splines, esto son, los puntos 𝑚 y 𝑛 en el intervalo [𝑚, 𝑛].
Dar los valores de la derivada segunda de 𝑚 y 𝑛 de forma "manual", en el
conjunto de splines definidos en el intervalo [𝑚, 𝑛].
Hacer iguales los valores de la derivada segunda de m y n en el conjunto de
splines definidos en el intervalo [𝑚, 𝑛].
• Splines cúbicos sujetos: La derivada primera de 𝑃 debe tener el mismo valor

que la derivada primera de la función para el primer y último punto sobre el
que está definido el conjunto de Splines, esto son, los puntos 𝑚 y 𝑛 en el
intervalo [𝑚, 𝑛].
Considere 𝑓: [𝑎, 𝑏] → 𝑅 y un conjunto de nodos
𝑎 = 𝑥0 < 𝑥1 < ⋯ < 𝑥𝑛 = 𝑏
Un spline cúbico para 𝑓 es una 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝑆: [𝑎, 𝑏] → 𝑅 tal que:
• 𝑆[𝑥𝑗 ,𝑥𝑗+1 ] = 𝑆𝑗 𝑑𝑜𝑛𝑑𝑒 𝑆𝑗 𝑒𝑠 𝑢𝑛 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐ú𝑏𝑖𝑐𝑜 𝑒𝑛 [𝑥𝑗 , 𝑥𝑗+1 ]
• 𝑆(𝑥𝑗 ) = 𝑓(𝑥𝑗 ) 𝑝𝑎𝑟𝑎 𝑗 = 0, 1 , … , 𝑛.
• 𝑆𝑗+1 (𝑥𝑗+1 ) = 𝑆𝑗 (𝑥𝑗+1 ) 𝑝𝑎𝑟𝑎 𝑗 = 0, 1 , … , 𝑛 − 2
• 𝑆′𝑗+1 (𝑥𝑗+1 ) = 𝑆′𝑗 (𝑥𝑗+1 ) 𝑝𝑎𝑟𝑎 𝑗 = 0, 1 , … , 𝑛 − 2
• 𝑆 ′′𝑗+1 (𝑥𝑗+1 ) = 𝑆 ′′𝑗 (𝑥𝑗+1 ) 𝑝𝑎𝑟𝑎 𝑗 = 0, 1 , … , 𝑛 − 2
68
• Una de las siguientes condiciones:
1. 𝑆 ′′ (𝑥0 ) = 𝑆 ′′ (𝑥𝑛 ) = 0 (𝑓𝑟𝑜𝑛𝑡𝑒𝑟𝑎 𝑙𝑖𝑏𝑟𝑒)
2. 𝑆 ′(𝑥0 ) = 𝑓 ′(𝑥0 ) 𝑦 𝑆 ′ (𝑥𝑛 ) = 𝑓′(𝑥𝑛 ) (𝑓𝑟𝑜𝑛𝑡𝑒𝑟𝑎 𝑠𝑢𝑗𝑒𝑡𝑎)
Ejemplo
1. Construir un spline cúbico natural que interpole a partir de los datos

x 0 1 2 2.5 3 4
y 1.4 0.6 1.0 0.65 0.6 1.0
El sistema sería:
4 1 0 0 𝜎1 7.2
1 3 0.5 0 𝜎2 −6.6
( ) (𝜎 ) = ( )
0 0.5 2 0.5 3 3.6
0 0 0.5 3 𝜎4 3
𝜎1 = 2,6788381742739
𝜎2 = −3.5153526970954
𝜎3 = 2.5344398340249
𝜎4 = 0.57759336099585
69
Los diferentes splines son
𝑞0 (𝑥 ) = 0.44647303𝑥 3 − 1.24647303𝑥 + 1.4
𝑞1 (𝑥 ) = −1.03236514𝑥 3 + 4.436514523𝑥 2 − 5.68298755𝑥 + 2.87883817
𝑞2 (𝑥 ) = 2.016559751𝑥 3 − 13.85726141𝑥 2 + 30.90456432𝑥 − 21.51286307
𝑞3 (𝑥 ) = −0.65228216𝑥 3 + 6.15933610𝑥 2 − 19.13692946𝑥 + 20.18838174
𝑞4 (𝑥 ) = −0.09626556𝑥 3 + 1.15518672𝑥 2 − 4.12448133𝑥 + 5.17593361
𝑞0 (𝑥 ), 𝑠𝑖 𝑥 ∈ [0,1]
𝑞1 (𝑥 ) 𝑠𝑖 𝑥 ∈ [1,2]
𝑠(𝑥 ) = 𝑞2 (𝑥 ) 𝑠𝑖 𝑥 ∈ [2,2.5]
𝑞3 (𝑥 ) 𝑠𝑖 𝑥 ∈ [2.25,3]
{ 𝑞4 (𝑥 ) 𝑠𝑖 𝑥 ∈ [3,4]
Polinomio de Interpolación de Newton
El polinomio de interpolación de Newton de forma hacia adelante se puede

determinar asumiendo la siguiente forma:
𝑃𝑛 (𝑥 ) = 𝑐0 + 𝑐1 (𝑥 − 𝑥0 ) + 𝑐2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯ + 𝑐𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )
Donde los coeficientes 𝑐𝑘 , 𝑘 = 0, … , 𝑛 se determinan al cumplir con las restricciones
𝑃𝑛 (𝑥𝑖 ) = 𝑦𝑖, 𝑖 = 0, … , 𝑛 y se pueden obtener de la siguiente manera (diferencias
divididas hacia adelante):
𝑐0 = 𝑦0
𝛥𝑦0
𝑐1 =
ℎ
𝛥2 𝑦0
𝑐2 =
2ℎ2
⋮
𝛥𝑛 𝑦0
𝑐𝑛 =
𝑛! ℎ𝑛
𝐷𝑜𝑛𝑑𝑒:
70
𝛥𝑛 𝑦𝑖 = 𝛥𝑛−1 𝑦𝑖+1 − 𝛥𝑛−1 𝑦𝑖
ℎ = 𝑥𝑖+1 − 𝑥𝑖
Ejemplos:

continuación, e interpolar en el punto 𝑥 = −1
𝒙𝒌 𝒚𝒌 𝒇[𝒙𝒌, 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟐 ]

2 15
0 -1 8
-2 -17 8 0
𝑃2 (𝑥 ) = 𝑃(𝑥 ) = 15 + 8(𝑥 − 1) = 8𝑥 − 1
𝑃 (−1) = 8(−1) − 1 = −9

continuación, e interpolar en el punto 𝑥 = 5
𝒙𝒌 𝒚𝒌 𝒇[𝒙𝒌, 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟐 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟑 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟒 ]

4 278
-4 -242 65
7 1430 152 29
6 908 522 37 4
2 40 217 61 4 0
𝑃3 (𝑥 ) = 𝑃(𝑥 ) = 278 + 65(𝑥 − 4) + 29(𝑥 − 4)(𝑥 + 4) + 4(𝑥 − 4)(𝑥 + 4)(𝑥 − 7)

𝑃 (𝑥 ) = 2 + 𝑥 + 4𝑥 3 + 𝑥 2
𝑃 (5) = 532
71
3. Calcule el polinomio de interpolación de Newton para los datos
𝒙𝒌 𝒚𝒌 𝒇[𝒙𝒌, 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟐 ] 𝒇[𝒙𝒌, 𝒙𝒌+𝟑 ]

-2 4
-1 1 -3
2 4 1 1
3 9 5 1 0
𝑃3 (𝑥 ) = 𝑃(𝑥 ) = 4 − 3(𝑥 + 2) + (𝑥 + 1)(𝑥 + 2) + 0(𝑥 + 2)(𝑥 + 1)(𝑥 − 2)

𝑃 (𝑥 ) = 𝑥 2
Polinomio de Interpolación de Lagrange
La forma del polinomio es de la siguiente manera:

𝑃𝑛 (𝑥 ) = 𝑦0 𝑏0 (𝑥 ) + 𝑦1 𝑏1 (𝑥 ) + 𝑦2 𝑏2 (𝑥) + ⋯ + 𝑦𝑛 𝑏𝑛 (𝑥)
Donde 𝑏𝑘 (𝑥 ) es un polinomio de grado 𝑛. El polinomio 𝑃𝑛 (𝑥) cumple con las

siguientes restricciones:
𝑃𝑛 (𝑥𝑖 ) = 𝑦𝑖 , 𝑖 = 0, … , 𝑛
Si desarrollamos el polinomio 𝑃𝑛 (𝑥𝑖 ), tenemos:
𝑦𝑖 = 𝑦0 𝑏0 (𝑥𝑖 ) + 𝑦1 𝑏1 (𝑥𝑖 ) + 𝑦2 𝑏2 (𝑥𝑖 ) + ⋯ + 𝑦𝑛 𝑏𝑛 (𝑥𝑖 ), 𝑖 = 0, … , 𝑛
Generando (𝑛 + 1) ecuaciones:
𝑦0 = 𝑦0 𝑏0 (𝑥0 ) + 𝑦1 𝑏1 (𝑥0 ) + 𝑦2 𝑏2 (𝑥0 ) + ⋯ + 𝑦𝑛 𝑏𝑛 (𝑥0 )

𝑦1 = 𝑦0 𝑏0 (𝑥1 ) + 𝑦1 𝑏1 (𝑥1 ) + 𝑦2 𝑏2 (𝑥1 ) + ⋯ + 𝑦𝑛 𝑏𝑛 (𝑥1 )
. .
. .
. .
𝑦𝑛 = 𝑦0 𝑏0 (𝑥𝑛 ) + 𝑦1 𝑏1 (𝑥𝑛 ) + 𝑦2 𝑏2 (𝑥𝑛 ) + ⋯ + 𝑦𝑛 𝑏𝑛 (𝑥𝑛 )
Examinando las ecuaciones, se observa que si los 𝑏𝑘 (𝑥 ) se definen como:

1, 𝑘=𝑗
𝑏𝑘 (𝑥𝑗 ) = 𝛿𝑘𝑗 = {
0, 𝑘≠𝑗
Las ecuaciones se logran satisfacer.
72
Ya que cada 𝑏𝑘 (𝑥 ) es un polinomio de grado 𝑛 que tiene distintas raíces
𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 , éste se puede expresar de la siguiente forma:
𝑏𝑘 (𝑥 ) = 𝐾𝑘 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 ) … (𝑥 − 𝑥𝑛 )
y las constantes 𝐾𝑘 se pueden determinar evaluando 𝑏𝑘 (𝑥 ) en 𝑥 = 𝑥𝑘 esto es:
𝑏𝑘 (𝑥𝑘 ) = 𝐾𝑘 (𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 ) … (𝑥𝑘 − 𝑥𝑛 )
Como sabemos que 𝑏𝑘 (𝑥𝑘 ) = 1 de 𝛿𝑘𝑗 , esto nos lleva a despejar 𝐾𝑘 :

1
𝐾𝑘 =
(𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 ) … (𝑥𝑘 − 𝑥𝑛 )
y sustituyendo en la definición de los 𝑏𝑘 (𝑥𝑘 ) tenemos:

(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 )
𝑏𝑘 (𝑥𝑘 ) =
(𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 )
y variando 𝑘 = 0, … , 𝑛 y sustituyendo en la definición de polinomio
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 )

𝑦0 = 𝑦0
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 )
+𝑦1
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 )
+ ⋯ + 𝑦𝑛
(𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥1 ) … (𝑥𝑛−1 − 𝑥𝑛−2 )(𝑥𝑛 − 𝑥𝑛−1 )
Que es el polinomio clásico de interpolación de Lagrange. Utilizando notación más

completa:
𝑛
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 )
𝑃𝑛 (𝑥 ) = ∑ 𝑦𝑘
(𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 )
𝑘=0
Adicionalmente, podemos definir:

𝐿𝑘 (𝑥 ) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘 )(𝑥 − 𝑥𝑘+1 )
𝐿𝑘 (𝑥𝑘 ) = (𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘 )(𝑥𝑘 − 𝑥𝑘+1 )
73
De manera que el polinomio de Lagrange lo podemos representar como:
𝑛
𝐿𝑘 (𝑥 )
𝑃𝑛 (𝑥 ) = ∑ 𝑦𝑘
𝐿𝑘 (𝑥𝑘 )
𝑘=0
Ejemplo
1. Calcular el polinomio de Lagrange
𝒙 1 -3 5 7
𝒚 -2 1 2 -3
(𝑥 + 3)(𝑥 − 5)(𝑥 − 7) (𝑥 + 3)(𝑥 − 5)(𝑥 − 7)

𝐿0 (𝑥 ) = =
(1 + 3)(1 − 5)(1 − 7) 96
(𝑥 − 1)(𝑥 − 5)(𝑥 − 7) (𝑥 − 1)(𝑥 − 5)(𝑥 − 7)

𝐿1 (𝑥 ) = =
(−4)(−8)(−10) −320
(𝑥 − 1)(𝑥 − 5)(𝑥 − 7)
𝐿 2 (𝑥 ) =
(−800)
(𝑥 − 1)(𝑥 + 3)(𝑥 − 7) (𝑥 − 1)(𝑥 + 3)(𝑥 − 7)

𝐿3 (𝑥 ) = =
(6)(2)(10) −126
Sustituyendo en el polinomio de Lagrange
𝑓(𝑥 ) = −2𝐿0 (𝑥 ) − 𝐿1 (𝑥 ) + 2𝐿2 (𝑥 ) − 3𝐿3 (𝑥)
(𝑥 + 3)(𝑥 − 5)(𝑥 − 7) (𝑥 − 1)(𝑥 − 5)(𝑥 − 7)

𝑓 (𝑥 ) = (−2) ( )−( )
96 −320
(𝑥 − 1)(𝑥 − 5)(𝑥 − 7) (𝑥 − 1)(𝑥 + 3)(𝑥 − 7)
+ (2 ) ( ) − (3) ( )
(−800) −126
74
Integración numérica
Método del trapecio
En análisis numérico la regla del trapecio es un método de integración, es decir, un

método para calcular aproximadamente el valor de una integral definida. La regla
se basa en aproximar el valor de la integral de 𝑓(𝑥) por el de la función lineal, que
pasa a través de los puntos ( 𝑎, 𝑓 (𝑎)) y ( 𝑏, 𝑓(𝑏)) . La integral de ésta es igual al área
del trapecio bajo la gráfica de la función lineal.
Gráfica ilustrativa
Para realizar la aproximación por esta regla es necesario usar un polinomio de

primer orden, y esta es representada por:
𝑓 (𝑏 ) − 𝑓 (𝑎 )
𝑃1 (𝑥 ) = 𝑓 (𝑎) + (𝑥 − 𝑎)
𝑏−𝑎
Entonces, al substituir en la integral tenemos:
𝑏 𝑏
𝐼 = ∫ 𝑓 (𝑥 )𝑑𝑥 ≈ ∫ 𝑃1 (𝑥 )𝑑𝑥
𝑎 𝑎
𝑏
𝑓 (𝑏 ) − 𝑓 (𝑎 )
≈ ∫ [𝑓(𝑎) + (𝑥 − 𝑎)] 𝑑𝑥
𝑎 𝑏−𝑎
75
Por último, al resolver esa integral nos queda:
𝑏
𝑓 (𝑎) + 𝑓(𝑏)
𝐼 = ∫ 𝑓 (𝑥 )𝑑𝑥 ≈ (𝑏 − 𝑎)
𝑎 2
Cálculo del error
1
𝐸𝑡 = − 𝑓′′(𝜉)(𝑏 − 𝑎)3
12
Siendo ξ un número perteneciente al intervalo [𝑎, 𝑏].
La ecuación anterior indica que, si la función sujeta a integración es lineal, la regla

del trapecio será exacta. De otra manera para funciones con derivadas de segundo
orden y de orden superior (es decir, con curvatura), puede ocurrir algún error.
Ejemplos:
Aproximar la integral de la función dada en el intervalo que se indica:
1
1. 𝑓 (𝑥 ) = 3 − 2 𝑥; 2 ≤ 𝑥 ≤ 6
6
1
∫ (3 − 𝑥) 𝑑𝑥
2 2
𝒂 𝒃 (𝒃 − 𝒂) 𝒇(𝒂) 𝒇(𝒃) 𝑹𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐

2 6 4 2 0 4
∴𝐼≅4
76
2. 𝑓 (𝑥 ) = 𝑒 𝑥 − 2; 0 ≤ 𝑥 ≤ 3
3
∫ (𝑒 𝑥 − 2)𝑑𝑥
0

0.0000 3.0000 3.0000 -1.0000 18.0855 25.6283
∴ 𝐼 ≅ 25.6283
𝑥
3. 𝑓(𝑥 ) = 𝑥+1 ; 1 ≤ 𝑥 ≤ 2
2
𝑥
∫ ( ) 𝑑𝑥
1 𝑥+1

1.0000 2.0000 1.0000 0.5000 0.6667 0.5833
∴ 𝐼 ≅ 0.5833
𝑥
4. 𝑓 (𝑥 ) = 1+𝑥5 ; 2 ≤ 𝑥 ≤ 6
6
𝑥
∫ ( 5
) 𝑑𝑥
2 1+𝑥

2.0000 6.0000 4.0000 0.0606 0.0008 0.1228
∴ 𝐼 ≅ 0.1228
77
5. 𝑓 (𝑥 ) = 𝑥 2 𝑒 −𝑥 ; 1 ≤ 𝑥 ≤ 5
5
∫ (𝑥 2 𝑒 −𝑥 )𝑑𝑥
1

1.0000 5.0000 4.0000 0.3679 0.1684 1.0727
∴ 𝐼 ≅ 1.0727
6. 𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
∫ (𝑙𝑛(𝑥))𝑑𝑥
1

1.0000 4.0000 3.0000 0.0000 1.3863 2.0794
∴ 𝐼 ≅ 2.0794
6
7. 𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 9
√𝑥
9
6
∫ ( ) 𝑑𝑥
1 √𝑥

1.0000 9.0000 8.0000 1.0000 0.3333 5.3333
∴ 𝐼 ≅ 5.3333
78
8. 𝑓(𝑥 ) = 𝑙𝑛(𝑥 2 + 1); 0 ≤ 𝑥 ≤ 1
1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥
0

0.0000 1.0000 1.0000 0.0000 0.6931 0.3466
∴ 𝐼 ≅ 0.3466
1
9. 𝑓 (𝑥 ) = 𝑥2 −6𝑥+5 ; 2 ≤ 𝑥 ≤ 4
4
1
∫ ( ) 𝑑𝑥
2 𝑥2 − 6𝑥 + 5

2.0000 4.0000 2.0000 -0.3333 -0.3333 -0.6667
∴ 𝐼 ≅ −0.6667
2𝑥−1
10. 𝑓 (𝑥 ) = (𝑥+3)2 ; 0 ≤ 𝑥 ≤ 2
2
2𝑥 − 1
∫ ( ) 𝑑𝑥
0 (𝑥 + 3)2

0.0000 2.0000 2.0000 -0.1111 0.1200 0.0089
∴ 𝐼 ≅ 0.0089
79
1
11. 𝑓 (𝑥 ) = ; 1 ≤ 𝑥 ≤ 6
𝑥
6
1
∫ ( ) 𝑑𝑥
1 𝑥

1.0000 6.0000 5.0000 1.0000 0.1667 2.9167
∴ 𝐼 ≅ 2.9167
12. 𝑓 (𝑥 ) = √𝑥 2 + 1; 0 ≤ 𝑥 ≤ 1
1
∫ (√𝑥 2 + 1) 𝑑𝑥
0

0.0000 1.0000 1.0000 1.0000 1.4142 1.2071
∴ 𝐼 ≅ 1.2071
𝜋
13. 𝑓(𝑥 ) = 𝑡𝑎𝑛(𝑥); 0 ≤ 𝑥 ≤ 4
𝜋⁄
4
∫ (𝑡𝑎𝑛(𝑥))𝑑𝑥
0

0.0000 0.7854 0.7854 0.0000 1.0000 0.3927
∴ 𝐼 ≅ 0.3927
80
14. 𝑓(𝑥 ) = 𝑐𝑜𝑠(𝑥 2 ) ; 0 ≤ 𝑥 ≤ 2
2
∫ (𝑐𝑜𝑠(𝑥 2 ))𝑑𝑥
0

0.0000 2.0000 2.0000 1.0000 -0.6536 0.3464
∴ 𝐼 ≅ 0.3464
15.
𝑠𝑒𝑛(𝑥)
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 𝜋
𝑥+𝜋
𝜋
𝑠𝑒𝑛(𝑥)
∫ ( ) 𝑑𝑥
0 𝑥+𝜋

0.0000 3.1416 3.1416 0.0000 0.0000 0.0000
∴ 𝐼 ≅ 0.0000
81
Regla del simple trapecio o trapecio compuesto
Una forma de mejorar la precisión de la regla del trapecio consiste en dividir el

intervalo de integración de 𝑎 hasta 𝑏 en varios segmentos, y aplicar el método a
cada uno de ellos.
Las áreas de lo segmentos se suman después para obtener la integral en todo el

Intervalo. Las ecuaciones resultantes se llaman fórmulas de integración, de
aplicación múltiple o compuesta.
𝑏−𝑎
ℎ=
𝑛
Si 𝑎 y 𝑏 se designan como 𝑥0 y como 𝑥𝑛 , respectivamente, la integral completa se

presentará como
𝑥1 𝑥2 𝑥𝑛
𝐼 = ∫ 𝑓 (𝑥 )𝑑𝑥 + ∫ 𝑓(𝑥 )𝑑𝑥 + ⋯ + ∫ 𝑓 (𝑥 )𝑑𝑥
𝑥0 𝑥1 𝑥𝑛−1
Sustituyendo la regla del trapecio en cada integral se obtiene
𝑓 (𝑥0 ) + 𝑓 (𝑥1 ) 𝑓 (𝑥1 ) + 𝑓 (𝑥2 ) 𝑓 (𝑥𝑛−1 ) + 𝑓 (𝑥𝑛 )

𝐼=ℎ +ℎ + ⋯+ ℎ
2 2 2
82
O, agrupando términos,
𝑛−1
ℎ
𝐼 = [𝑓(𝑥0 ) + 2 ∑ 𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑛 )]
2
𝑖=1
Lo que, escribiendo de forma general, nos da la fórmula para la regla del trapecio
de aplicación múltiple.
𝑓(𝑥0 ) + 2 ∑𝑛−1
𝑖=1 𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑛 )
𝐼 = (𝑏 − 𝑎)
2𝑛
Donde:
(𝑏 − 𝑎) es el ancho
𝑓 (𝑥0 ) + 2 ∑𝑛−1
𝑖=1 𝑓 (𝑥𝑖 ) + 𝑓(𝑥𝑛 ) es la altura promedio
En donde el error viene dado por
𝑛
(𝑏 − 𝑎)3
𝐸𝑎 = − ∑ 𝑓′′(𝜉𝑖 )
12𝑛2
𝑖=1
Donde 𝑓′′(𝜉𝑖 ) es la segunda derivada en un punto 𝜉𝑖 . Este resultado se simplifica al

estimar la media o el valor promedio de la segunda derivada en todo el intervalo
∑𝑛𝑖=1 𝑓′′(𝜉𝑖 )
̅ ≅
𝑓 ′′
𝑛
De manera que nuestro error queda escrito de la siguiente forma
(𝑏 − 𝑎 )3
𝐸𝑎 = − ̅
𝑓 ′′
12𝑛2
83
Ejemplos
1
1. 𝑓 (𝑥 ) = 3 − 2 𝑥; 2 ≤ 𝑥 ≤ 6
6
1
∫ (3 − 𝑥) 𝑑𝑥
2 2
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 2 2
1 2.4 1.8 3.6
2 2.8 1.6 3.2
3 3.2 1.4 2.8
4 3.6 1.2 2.4
5 4 1 2
6 4.4 0.8 1.6
7 4.8 0.6 1.2
8 5.2 0.4 0.8
9 5.6 0.2 0.4
10 6 0
Resultado 4
∴𝐼≅4
2. 𝑓 (𝑥 ) = 𝑒 𝑥 − 2; 0 ≤ 𝑥 ≤ 3
3
∫ (𝑒 𝑥 − 2)𝑑𝑥
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0 -1.0000
1 0.3 -0.6501 -1.3003
2 0.6 -0.1779 -0.3558
3 0.9 0.4596 0.9192
4 1.2 1.3201 2.6402
5 1.5 2.4817 4.9634
6 1.8 4.0496 8.0993
7 2.1 6.1662 12.3323
8 2.4 9.0232 18.0464
9 2.7 12.8797 25.7595
10 3 18.0855
Resultado 13.2285
∴ 𝐼 ≅ 13.2285 84
3.
𝑥
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 2
𝑥+1
2
𝑥
∫ ( ) 𝑑𝑥
1 𝑥+1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 1 0.5000
1 1.1 0.5238 1.0476
2 1.2 0.5455 1.0909
3 1.3 0.5652 1.1304
4 1.4 0.5833 1.1667
5 1.5 0.6000 1.2000
6 1.6 0.6154 1.2308
7 1.7 0.6296 1.2593
8 1.8 0.6429 1.2857
9 1.9 0.6552 1.3103
10 2 0.6667
Resultado 0.5944
∴ 𝐼 ≅ 0.5944
85
4.
𝑥
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 6
1 + 𝑥5
6
𝑥
∫ ( 5
) 𝑑𝑥
2 1+𝑥
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 2 0.0606
1 2.4 0.0298 0.0595
2 2.8 0.0162 0.0324
3 3.2 0.0095 0.0190
4 3.6 0.0059 0.0119
5 4 0.0039 0.0078
6 4.4 0.0027 0.0053
7 4.8 0.0019 0.0038
8 5.2 0.0014 0.0027
9 5.6 0.0010 0.0020
10 6 0.0008
Resultado 0.0412
∴ 𝐼 ≅ 0.0412
86
5. 𝑓 (𝑥 ) = 𝑥 2 𝑒 −𝑥 ; 1 ≤ 𝑥 ≤ 5
5
∫ (𝑥 2 𝑒 −𝑥 )𝑑𝑥
1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 1 0.3679
1 1.4 0.4833 0.9667
2 1.8 0.5356 1.0711
3 2.2 0.5363 1.0726
4 2.6 0.5021 1.0042
5 3 0.4481 0.8962
6 3.4 0.3858 0.7716
7 3.8 0.3230 0.6461
8 4.2 0.2645 0.5290
9 4.6 0.2127 0.4254
10 5 0.1684
Resultado 1.5838
∴ 𝐼 ≅ 1.5838
6. 𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 1 0.0000
1 1.3 0.2624 0.5247
2 1.6 0.4700 0.9400
3 1.9 0.6419 1.2837
4 2.2 0.7885 1.5769
5 2.5 0.9163 1.8326
6 2.8 1.0296 2.0592
7 3.1 1.1314 2.2628
8 3.4 1.2238 2.4476
9 3.7 1.3083 2.6167
10 4 1.3863
Resultado 2.5396
∴ 𝐼 ≅ 2.5396
87
7.
6
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 9
√𝑥
9
6
∫ ( ) 𝑑𝑥
1 √𝑥
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 1 6.0000
1 1.8 4.4721 8.9443
2 2.6 3.7210 7.4421
3 3.4 3.2540 6.5079
4 4.2 2.9277 5.8554
5 5 2.6833 5.3666
6 5.8 2.4914 4.9827
7 6.6 2.3355 4.6710
8 7.4 2.2056 4.4113
9 8.2 2.0953 4.1906
10 9 2.0000
Resultado 24.1487
∴ 𝐼 ≅ 24.1487
88
8. 𝑓 (𝑥 ) = 𝑙𝑛(𝑥 2 + 1); 0 ≤ 𝑥 ≤ 1
1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0 0.0000
1 0.1 0.0100 0.0199
2 0.2 0.0392 0.0784
3 0.3 0.0862 0.1724
4 0.4 0.1484 0.2968
5 0.5 0.2231 0.4463
6 0.6 0.3075 0.6150
7 0.7 0.3988 0.7976
8 0.8 0.4947 0.9894
9 0.9 0.5933 1.1867
10 1 0.6931
Resultado 0.2648
∴ 𝐼 ≅ 0.2648
89
9.
1
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 4
𝑥 2 − 6𝑥 + 5
4
1
∫ ( ) 𝑑𝑥
2 𝑥2 − 6𝑥 + 5
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 2 -0.3333
1 2.2 -0.2976 -0.5952
2 2.4 -0.2747 -0.5495
3 2.6 -0.2604 -0.5208
4 2.8 -0.2525 -0.5051
5 3 -0.2500 -0.5000
6 3.2 -0.2525 -0.5051
7 3.4 -0.2604 -0.5208
8 3.6 -0.2747 -0.5495
9 3.8 -0.2976 -0.5952
10 4 -0.3333
Resultado -0.5508
∴ 𝐼 ≅ −0.5508
90
10.
2𝑥 − 1
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 2
(𝑥 + 3)2
2
2𝑥 − 1
∫ ( ) 𝑑𝑥
0 (𝑥 + 3)2
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0 -0.1111
1 0.2 -0.0586 -0.1172
2 0.4 -0.0173 -0.0346
3 0.6 0.0154 0.0309
4 0.8 0.0416 0.0831
5 1 0.0625 0.1250
6 1.2 0.0794 0.1587
7 1.4 0.0930 0.1860
8 1.6 0.1040 0.2079
9 1.8 0.1128 0.2257
10 2 0.1200
Resultado 0.0874
∴ 𝐼 ≅ 0.0874
91
11.
1
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 6
𝑥
6
1
∫ ( ) 𝑑𝑥
1 𝑥
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 1 1.0000
1 1.5 0.6667 1.3333
2 2 0.5000 1.0000
3 2.5 0.4000 0.8000
4 3 0.3333 0.6667
5 3.5 0.2857 0.5714
6 4 0.2500 0.5000
7 4.5 0.2222 0.4444
8 5 0.2000 0.4000
9 5.5 0.1818 0.3636
10 6 0.1667
Resultado 1.8115
∴ 𝐼 ≅ 1.8115
92
12. 𝑓 (𝑥 ) = √𝑥 2 + 1; 0 ≤ 𝑥 ≤ 1
1
∫ (√𝑥 2 + 1) 𝑑𝑥
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0 1.0000
1 0.1 1.0050 2.0100
2 0.2 1.0198 2.0396
3 0.3 1.0440 2.0881
4 0.4 1.0770 2.1541
5 0.5 1.1180 2.2361
6 0.6 1.1662 2.3324
7 0.7 1.2207 2.4413
8 0.8 1.2806 2.5612
9 0.9 1.3454 2.6907
10 1 1.4142
Resultado 1.1484
∴ 𝐼 ≅ 1.1484
𝜋
13. 𝑓 (𝑥 ) = 𝑡𝑎𝑛(𝑥); 0 ≤ 𝑥 ≤ 4
𝜋⁄
4
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0 0.0000
1 0.07853982 0.0787 0.1574
2 0.15707963 0.1584 0.3168
3 0.23561945 0.2401 0.4802
4 0.31415927 0.3249 0.6498
5 0.39269908 0.4142 0.8284
6 0.4712389 0.5095 1.0191
7 0.54977871 0.6128 1.2256
8 0.62831853 0.7265 1.4531
9 0.70685835 0.8541 1.7082
10 0.78539816 1.0000
Resultado 0.3471
∴ 𝐼 ≅ 0.3471
93
14. 𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥 2 ) ; 0 ≤ 𝑥 ≤ 2
2
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0 1.0000
1 0.2 0.9992 1.9984
2 0.4 0.9872 1.9745
3 0.6 0.9359 1.8718
4 0.8 0.8021 1.6042
5 1 0.5403 1.0806
6 1.2 0.1304 0.2608
7 1.4 -0.3795 -0.7589
8 1.6 -0.8356 -1.6712
9 1.8 -0.9952 -1.9903
10 2 -0.6536
Resultado 0.4716
∴ 𝐼 ≅ 0.4716
94
15.
𝑠𝑒𝑛(𝑥)
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 𝜋
𝑥+𝜋
𝜋
𝑠𝑒𝑛(𝑥)
∫ ( ) 𝑑𝑥
0 𝑥+𝜋
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟐𝒇(𝒙𝟏,…,𝒏−𝟏 )
0 0.0000 0.0000
1 0.3142 0.0894 0.1788
2 0.6283 0.1559 0.3118
3 0.9425 0.1981 0.3962
4 1.2566 0.2162 0.4325
5 1.5708 0.2122 0.4244
6 1.8850 0.1892 0.3784
7 2.1991 0.1515 0.3030
8 2.5133 0.1039 0.2079
9 2.8274 0.0518 0.1035
10 3.1416 0.0000
Resultado 0.4299
∴ 𝐼 ≅ 0.4299
Regla de Simpson
En análisis numérico, la regla o método de Simpson (nombrada así en honor de

Thomas Simpson) y a veces llamada regla de Kepler es un método de integración
numérica que se utiliza para obtener la aproximación de la integral:
𝑏 𝑏
𝐼 ≅ ∫ 𝑓 (𝑥 )𝑑𝑥 ≅ ∫ 𝑓2 (𝑥 )𝑑𝑥
𝑎 𝑎
ℎ
𝐼≅ [𝑓 (𝑥0 ) + 4𝑓 (𝑥1 ) + 𝑓(𝑥2 )]
3
95
En donde sustituimos
𝑏−𝑎
ℎ=
2
Para obtener la fórmula de Simpson 1/3:
𝑏
𝑓 (𝑥0 ) + 4𝑓 (𝑥1 ) + 𝑓(𝑥2 )
∫ 𝑓 (𝑥 )𝑑𝑥 ≈ (𝑏 − 𝑎)
𝑎 6
Donde
𝑓 (𝑥0 )+4𝑓(𝑥1 )+𝑓(𝑥2 )

es la altura promedio
6
En integración numérica, una forma de aproximar una integral definida en

un intervalo [𝑎, 𝑏] es mediante la regla del trapecio, es decir, que sobre cada
subintervalo en el que se divide [𝑎, 𝑏] se aproxima 𝑓(𝑥) por un polinomio de primer
grado, para luego calcular la integral como suma de las áreas de los trapecios
formados en esos subintervalos . El método utilizado para la regla de Simpson sigue
la misma filosofía, pero aproximando los subintervalos de 𝑓(𝑥) mediante polinomios
de segundo grado.
96
El error de la regla de Simpson, a veces también llamada regla de Simpson 1/3,
viene dado por:
(𝑏 − 𝑎)3 (4)
𝐸𝑡 = − 𝑓 (𝜉)
2880
Donde 𝜉 está en algún punto en el intervalo de 𝑎 hasta 𝑏. Así, la regla de Simpson

1/3 es más exacta que la regla del trapecio.
En lugar de ser proporcional a la tercera derivada, el error es proporcional a la cuarta

derivada. Esto es porque el término del coeficiente de tercer grado se hace cero
durante la integración de la interpolación polinomial. En consecuencia, la regla de
Simpson 1/3 alcanza una precisión de tercer grado aun cuando solo se basa en tres
puntos.
Ejemplos
1.
1
𝑓 (𝑥 ) = 3 − 𝑥; 2 ≤ 𝑥 ≤ 6
2
6
1
∫ (3 − 𝑥) 𝑑𝑥
2 2
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟒𝒇(𝒙𝟏 )
0 2 2
1 4 1 4
2 6 0
Resultado 4
∴𝐼≅4
97
2.
𝑓 (𝑥 ) = 𝑒 𝑥 − 2; 0 ≤ 𝑥 ≤ 3
3
∫ (𝑒 𝑥 − 2)𝑑𝑥
0
0 0 -1.0000
1 1.5 2.4817 9.9268
2 3 18.0855
Resultado 13.5061
∴ 𝐼 ≅ 13.5061
3.
𝑥
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 2
𝑥+1
2
𝑥
∫ ( ) 𝑑𝑥
1 𝑥+1
0 1 0.5000
1 1.5 0.6000 2.4000
2 2 0.6667
Resultado 0.5944
∴ 𝐼 ≅ 0.5944
98
4.
𝑥
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 6
1 + 𝑥5
6
𝑥
∫ ( 5
) 𝑑𝑥
2 1+𝑥
0 2 0.0606
1 4 0.0039 0.0156
2 6 0.0008
Resultado 0.0513
∴ 𝐼 ≅ 0.0513
5.
𝑓 (𝑥 ) = 𝑥 2 𝑒 −𝑥 ; 1 ≤ 𝑥 ≤ 5
5
∫ (𝑥 2 𝑒 −𝑥 )𝑑𝑥
1
0 1 0.3679
1 3 0.4481 1.7923
2 5 0.1684
Resultado 1.5524
∴ 𝐼 ≅ 1.5524
99
6.
𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
1
0 1 0.0000
1 2.5 0.9163 3.6652
2 4 1.3863
Resultado 2.5257
∴ 𝐼 ≅ 2.5257
7.
6
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 9
√𝑥
9
6
∫ ( ) 𝑑𝑥
1 √𝑥
0 1 6.0000
1 5 2.6833 10.7331
2 9 2.0000
Resultado 24.9775
∴ 𝐼 ≅ 24.9775
100
8.
𝑓(𝑥 ) = 𝑙𝑛(𝑥 2 + 1); 0 ≤ 𝑥 ≤ 1
1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥
0
0 0 0.0000
1 0.5 0.2231 0.8926
2 1 0.6931
Resultado 0.2643
∴ 𝐼 ≅ 0.2643
9.
1
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 4
𝑥2 − 6𝑥 + 5
4
1
∫ ( ) 𝑑𝑥
2 𝑥 2 − 6𝑥 + 5
0 2 -0.3333
1 3 -0.2500 -1.0000
2 4 -0.3333
Resultado -0.5556
∴ 𝐼 ≅ −0.5556
101
10.
2𝑥 − 1
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 2
(𝑥 + 3)2
2
2𝑥 − 1
∫ ( ) 𝑑𝑥
0 (𝑥 + 3)2
0 0 -0.1111
1 1 0.0625 0.2500
2 2 0.1200
Resultado 0.0863
∴ 𝐼 ≅ 0.0863
11.
1
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 6
𝑥
6
1
∫ ( ) 𝑑𝑥
1 𝑥
0 1 1.0000
1 3.5 0.2857 1.1429
2 6 0.1667
Resultado 1.9246
∴ 𝐼 ≅ 1.9246
102
12.
𝑓 (𝑥 ) = √𝑥 2 + 1; 0 ≤ 𝑥 ≤ 1
1
∫ (√𝑥 2 + 1) 𝑑𝑥
0
0 0 1.0000
1 0.5 1.1180 4.4721
2 1 1.4142
Resultado 1.1477
∴ 𝐼 ≅ 1.1477
13.
𝜋
𝑓 (𝑥 ) = 𝑡𝑎𝑛(𝑥); 0 ≤ 𝑥 ≤
4
𝜋⁄
4
0
0 0 0.0000
1 0.3927 0.4142 1.6569
2 0.7854 1.0000
Resultado 0.3478
∴ 𝐼 ≅ 0.3478
103
14.
𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥 2 ) ; 0 ≤ 𝑥 ≤ 2
2
0
0 0 1.0000
1 1.0000 0.5403 2.1612
2 2.0000 -0.6536
Resultado 0.8359
∴ 𝐼 ≅ 0.8359
15.
𝑠𝑒𝑛(𝑥)
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 𝜋
𝑥+𝜋
𝜋
𝑠𝑒𝑛(𝑥)
∫ ( ) 𝑑𝑥
0 𝑥+𝜋
0 0 0.0000
1 1.5708 0.2122 0.8488
2 3.1416 0.0000
Resultado 0.4444
∴ 𝐼 ≅ 0.4444
104
Regla de Simpson
De manera similar a la obtención de la regla del trapecio, es posible ajustar un

polinomio de Lagrange de tercer grado a cuatro puntos e integrarlo:
𝑏 𝑏
𝐼 = ∫ 𝑓 (𝑥 )𝑑𝑥 ≅ ∫ 𝑓3 (𝑥 )𝑑𝑥
𝑎 𝑎
Para obtener:
3ℎ
𝐼≅ [𝑓 (𝑥0 ) + 3𝑓 (𝑥1 ) + 3𝑓 (𝑥2 ) + 𝑓(𝑥3 )]
8
Donde
𝑏−𝑎
ℎ=
3
Que agrupando se puede expresar como
𝑓 (𝑥0 ) + 3𝑓 (𝑥1 ) + 3𝑓 (𝑥2 ) + 𝑓 (𝑥3 )

𝐼 ≅ (𝑏 − 𝑎 )
8
Donde
𝑓 (𝑥0 )+3𝑓(𝑥1 )+3𝑓(𝑥2 )+𝑓(𝑥3 )

es la altura promedio.
8
El error viene dado por:
(𝑏 − 𝑎)5 (4)
𝐸𝑡 = − 𝑓 (𝜉)
6480
105
Por lo común se refiere a la regla e Simpson 1/3, ya que alcanza una exactitud de
tercer orden con tres puntos en lugar de cuatro puntos requeridos en la versión de
la regla 3/8. No obstante, la versión de 3/8 es útil cuando el número de segmentos
es impar.
Ejemplos
1.
1
𝑓 (𝑥 ) = 3 − 𝑥; 2 ≤ 𝑥 ≤ 6
2
6
1
∫ (3 − 𝑥) 𝑑𝑥
2 2
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 2.000 2.000
1 3.333 1.333 4.000
2 4.667 0.667 2.000
3 6.000 0.000
Resultado 4.000
∴𝐼≅4
106
2.
𝑓 (𝑥 ) = 𝑒 𝑥 − 2; 0 ≤ 𝑥 ≤ 3
3
∫ (𝑒 𝑥 − 2)𝑑𝑥
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 0.000 -1.000
1 1.000 0.718 2.155
2 2.000 5.389 16.167
3 3.000 18.086
Resultado 13.278
∴ 𝐼 ≅ 13.278
3.
𝑥
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 2
𝑥+1
2
𝑥
∫ ( ) 𝑑𝑥
1 𝑥+1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0.0000 1.0000 0.5000
1.0000 1.3333 0.5714 1.7143
2.0000 1.6667 0.6250 1.8750
3.0000 2.0000 0.6667
Resultado 0.5945
∴ 𝐼 ≅ 0.5945
107
4.
𝑥
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 6
1 + 𝑥5
6
𝑥
∫ ( 5
) 𝑑𝑥
2 1+𝑥
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0.0000 2.0000 0.0606
1.0000 3.3333 0.0081 0.0242
2.0000 4.6667 0.0021 0.0063
3.0000 6.0000 0.0008
Resultado 0.0460
∴ 𝐼 ≅ 0.0460
5.
𝑓 (𝑥 ) = 𝑥 2 𝑒 −𝑥 ; 1 ≤ 𝑥 ≤ 5
5
∫ (𝑥 2 𝑒 −𝑥 )𝑑𝑥
1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0.0000 1.0000 0.3679
1.0000 2.3333 0.5280 1.5839
2.0000 3.6667 0.3437 1.0310
3.0000 5.0000 0.1684
Resultado 1.5756
∴ 𝐼 ≅ 1.5756
108
6.
𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0.0000 1.0000 0.0000
1.0000 2.0000 0.6931 2.0794
2.0000 3.0000 1.0986 3.2958
3.0000 4.0000 1.3863
Resultado 2.5356
∴ 𝐼 ≅ 2.5356
7.
6
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 9
√𝑥
9
6
∫ ( ) 𝑑𝑥
1 √𝑥
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0.0000 1.0000 6.0000
1.0000 3.6667 3.1334 9.4002
2.0000 6.3333 2.3842 7.1525
3.0000 9.0000 2.0000
Resultado 24.5527
∴ 𝐼 ≅ 24.5527
109
8.
𝑓(𝑥 ) = 𝑙𝑛(𝑥 2 + 1); 0 ≤ 𝑥 ≤ 1
1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 0.0000 0.0000
1 0.3333 0.1054 0.3161
2 0.6667 0.3677 1.1032
3 1.0000 0.6931
Resultado 0.2641
∴ 𝐼 ≅ 0.2641
9.
1
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 4
𝑥2 − 6𝑥 + 5
4
1
∫ ( ) 𝑑𝑥
2 𝑥2 − 6𝑥 + 5
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 2.0000 -0.3333
1 2.6667 -0.2571 -0.7714
2 3.3333 -0.2571 -0.7714
3 4.0000 -0.3333
Resultado -0.5524
∴ 𝐼 ≅ −0.5524
110
10.
2𝑥 − 1
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 2
(𝑥 + 3)2
2
2𝑥 − 1
∫ ( ) 𝑑𝑥
0 (𝑥 + 3)2
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 0.0000 -0.1111
1 0.6667 0.0248 0.0744
2 1.3333 0.0888 0.2663
3 2.0000 0.1200
Resultado 0.0874
∴ 𝐼 ≅ 0.0874
11.
1
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 6
𝑥
6
1
∫ ( ) 𝑑𝑥
1 𝑥
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 1.0000 1.0000
1 2.6667 0.3750 1.1250
2 4.3333 0.2308 0.6923
3 6.0000 0.1667
Resultado 1.8650
∴ 𝐼 ≅ 1.8650
111
12.
𝑓 (𝑥 ) = √𝑥 2 + 1; 0 ≤ 𝑥 ≤ 1
1
∫ (√𝑥 2 + 1) 𝑑𝑥
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 0.0000 1.0000
1 0.3333 1.0541 3.1623
2 0.6667 1.2019 3.6056
3 1.0000 1.4142
Resultado 1.1478
∴ 𝐼 ≅ 1.1478
112
13.
𝜋
𝑓 (𝑥 ) = 𝑡𝑎𝑛(𝑥); 0 ≤ 𝑥 ≤
4
𝜋⁄
4
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 0.0000 0.0000
1 0.2618 0.2679 0.8038
2 0.5236 0.5774 1.7321
3 0.7854 1.0000
Resultado 0.3471
∴ 𝐼 ≅ 0.3471
14.
𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥 2 ) ; 0 ≤ 𝑥 ≤ 2
2
0
𝒊 𝒙𝒊 𝒇(𝒙𝒊 ) 𝟑𝒇(𝒙𝟏,𝟐 )
0 0.0000 1.0000
1 0.6667 0.9028 2.7085
2 1.3333 -0.2055 -0.6165
3 2.0000 -0.6536
Resultado 0.6096
∴ 𝐼 ≅ 0.6096
113
Regla simple del rectángulo
El método más simple de este tipo es hacer a la función interpoladora ser una
función constante (un polinomio de orden cero) que pasa a través del
punto (𝑎, 𝑓 (𝑎)).
Este método se llama la regla del rectángulo:

𝑏
∫ 𝑓(𝑥 ) 𝑑𝑥~ (𝑏 − 𝑎)𝑓(𝑎)
𝑎
Ejemplos
1.
1
𝑓 (𝑥 ) = 3 − 𝑥; 2 ≤ 𝑥 ≤ 6
2
6
1
∫ (3 − 𝑥) 𝑑𝑥
2 2
𝒂 𝒃 (𝒃 − 𝒂) 𝒇(𝒂) 𝑹𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐
2 6 4 2 8
∴𝐼≅8
2.
𝑓 (𝑥 ) = 𝑒 𝑥 − 2; 0 ≤ 𝑥 ≤ 3
3
∫ (𝑒 𝑥 − 2)𝑑𝑥
0
0 3 3 -1 -3
∴ 𝐼 ≅ −3 114
3.
𝑥
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 2
𝑥+1
2
𝑥
∫ ( ) 𝑑𝑥
1 𝑥+1
1 2 1 0.5 0.5
∴ 𝐼 ≅ 0.5
4.
𝑥
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 6
1 + 𝑥5
6
𝑥
∫ ( 5
) 𝑑𝑥
2 1+𝑥
2 6 4 0.0606 0.2424
∴ 𝐼 ≅ 0.2424
5.
𝑓 (𝑥 ) = 𝑥 2 𝑒 −𝑥 ; 1 ≤ 𝑥 ≤ 5
5
∫ (𝑥 2 𝑒 −𝑥 )𝑑𝑥
1
1 5 4 0.3679 1.4715
∴ 𝐼 ≅ 1.4715
115
6.
𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
1
1 4 3 0 0
∴𝐼≅0
7.
6
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 9
√𝑥
9
6
∫ ( ) 𝑑𝑥
1 √𝑥
1 9 8 1 8
∴𝐼≅8
8.
𝑓(𝑥 ) = 𝑙𝑛(𝑥 2 + 1); 0 ≤ 𝑥 ≤ 1
1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥
0
0 1 1 0 0
∴𝐼≅0
116
9.
1
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 4
𝑥 2 − 6𝑥 + 5
4
1
∫ ( ) 𝑑𝑥
2 𝑥2 − 6𝑥 + 5
2 4 2 -0.3333 -0.6667
∴ 𝐼 ≅ −0.6667
10.
2𝑥 − 1
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 2
(𝑥 + 3)2
2
2𝑥 − 1
∫ ( ) 𝑑𝑥
0 (𝑥 + 3)2
0 2 2 -0.1111 -0.2222
∴ 𝐼 ≅ −0.2222
117
Integración de Romberg
La integración de Romberg es una técnica diseñada para para obtener integrales

numéricas de manera más eficiente. Se basa en la aplicación sucesiva de la regla
del trapecio.
La estimación y el error correspondiente a la regla del trapecio de aplicación múltiple

se presenta de manera general como:
𝐼 = 𝐼 (ℎ) + 𝐸(ℎ)
En donde 𝐼 es el valor exacto de la integral, 𝐼 (ℎ) es la aplicación obtenida de una

aplicación con 𝑛 segmentos de la regla del trapecio con un tamaño de paso de
(𝑏−𝑎)
ℎ= , y 𝐸 (ℎ) es el error de truncamiento.
𝑛
Si hacemos, por separado, dos estimaciones usando tamaños de pasos de ℎ1 y ℎ2 y

tenemos valores exactos del error
𝐼(ℎ1 ) + 𝐸 (ℎ1 ) = 𝐼 (ℎ2 ) + 𝐸 (ℎ2 )
Al sustituir lo que sabemos del error de la regla del trapecio y simplificando tenemos:
4 1
𝐼 ≅ 𝐼 (ℎ2 ) − 𝐼(ℎ1 )
3 3
Que es llamada fórmula de integración de Romberg.

118
Ejemplos
1.
1
𝑓 (𝑥 ) = 3 − 𝑥; 2 ≤ 𝑥 ≤ 6
2
6
1
∫ (3 − 𝑥) 𝑑𝑥
2 2
Segmentos h Integral (regla del Integral

(n) trapecio) (Romberg)
1 4 4
2 2 4 4
4 1 4 4
10 0.4 4 4
2.
𝑓 (𝑥 ) = 𝑒 𝑥 − 2; 0 ≤ 𝑥 ≤ 3
3
∫ (𝑒 𝑥 − 2)𝑑𝑥
0

1 4 25.6283
2 2 16.5367 13.5061667
4 1 13.9719 13.1169667
10 0.4 13.2285 12.9807
119
3.
𝑥
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 2
𝑥+1
2
𝑥
∫ ( ) 𝑑𝑥
1 𝑥+1

1 4 0.5833
2 2 0.5945 0.59823333
4 1 0.5938 0.59356667
10 0.4 0.5944 0.5946
4.
𝑥
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 6
1 + 𝑥5
6
𝑥
∫ ( 5
) 𝑑𝑥
2 1+𝑥

1 4 0.1227
2 2 0.0691 0.05123333
4 1 0.0484 0.0415
10 0.4 0.0411 0.03866667
120
5.
𝑓 (𝑥 ) = 𝑥 2 𝑒 −𝑥 ; 1 ≤ 𝑥 ≤ 5
5
∫ (𝑥 2 𝑒 −𝑥 )𝑑𝑥
1

1 4 1.0726
2 2 1.4325 1.55246667
4 1 1.5506 1.58996667
10 0.4 1.5838 1.59486667
6.
𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
1

1 4 2.0794
2 2 2.4141 2.52566667
4 1 2.5107 2.5429
10 0.4 2.5395 2.5491
121
Integración cuadrática Gaussiana
En análisis numérico un método de cuadratura es una aproximación de una integral

definida de una función. Una cuadratura de Gauss 𝑛, es una cuadratura que
selecciona los puntos de la evaluación de manera óptima y no en una forma
igualmente espaciada, construida para dar el resultado de un polinomio de grado
2𝑛 − 1 o menos, elegibles para los puntos 𝑥𝑖 y los coeficientes 𝑤𝑖 para 𝑖 = 1, . . . , 𝑛.
El dominio de tal cuadratura por regla es de [−1, 1] dada por:
1 𝑛
∫ 𝑓 (𝑥 )𝑑𝑥 ≈ ∑ 𝑤𝑖 𝑓(𝑥𝑖 )
−1 𝑖=1
Tal cuadratura dará resultados precisos solo si 𝑓(𝑥) es aproximado por un polinomio
dentro del rango [−1, 1]. Si la función puede ser escrita como 𝑓(𝑥) = 𝑊(𝑥)𝑔(𝑥),
donde 𝑔(𝑥) es un polinomio aproximado y 𝑊(𝑥) es conocido.
1 1 𝑛
∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑊 (𝑥 )𝑔(𝑥 )𝑑𝑥 ≈ ∑ 𝑤𝑖 𝑔(𝑥𝑖 )

−1 −1 𝑖=1
Para calcular a 𝑤𝑖
2
𝑤𝑖 = 2 )[𝑃′ 2
(1 − 𝑥𝑖 𝑛 (𝑥𝑖 )]
Para hacer un cambio de variable dentro de la integral se procede de la siguiente

manera:
(𝑏 + 𝑎) + (𝑏 − 𝑎)𝑥𝑑
𝑥=
2
Cuyo diferencial sería
𝑏−𝑎
𝑑𝑥 = 𝑥𝑑
2
122
Ejemplos
1.
𝑓 (𝑥 ) = 𝑙𝑛(𝑥); 1 ≤ 𝑥 ≤ 4
4
1
Hacemos el cambio de variable
(4 + 1) + (4 − 1)𝑥𝑑 5 3
𝑥= = + 𝑥𝑑
2 2 2
3
𝑑𝑥 = 𝑑𝑥
2 𝑑
4 1
5 3 3
∫ (𝑙𝑛(𝑥))𝑑𝑥 = ∫ (𝑙𝑛( + 𝑥𝑑 )) 𝑑𝑥𝑑
1 −1 2 2 2
1 1
Valuamos numéricamente con los valores de − y de
√3 √3
5 3 1 3 5 3 1 3
𝐼 ≅ [𝑙𝑛 ( + (− ))] ( ) + [𝑙𝑛 ( + ( ))] ( ) = 2.5571
2 2 √3 2 2 2 √3 2
∴ 𝐼 ≅ 2.5571
123
2.
6
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 9
√𝑥
9
6
∫ ( ) 𝑑𝑥
1 √𝑥
(9 + 1) + (9 − 1)𝑥𝑑
𝑥= = 5 + 4𝑥𝑑
2
𝑑𝑥 = 4𝑑𝑥𝑑
9 1
6 6
∫ ( ) 𝑑𝑥 = ∫ ( ) 4𝑑𝑥𝑑
1 √𝑥 −1 √(5 + 4𝑥𝑑 )
1 1
√3 √3
6 6
𝐼≅ (4) + (4) = 23.5085
1 1
√(5 + 4 (− )) √(5 + 4 ( ))
[ √3 ] [ √3 ]
∴ 𝐼 ≅ 23.5085
124
3.
𝑓(𝑥 ) = 𝑙𝑛(𝑥 2 + 1); 0 ≤ 𝑥 ≤ 1
1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥
0
(1 + 0) + (1 − 0)𝑥𝑑 1 1
𝑥= = + 𝑥𝑑
2 2 2
1
𝑑𝑥 = 𝑑𝑥
2 𝑑
1 1 2
1 1 1
∫ (𝑙𝑛(𝑥 2 + 1))𝑑𝑥 = ∫ (𝑙𝑛(( + 𝑥𝑑 ) + 1)) 𝑑𝑥𝑑
0 −1 2 2 2
1 1
√3 √3
2 2
1 1 1 1 1 1 1 1
𝐼 ≅ [𝑙𝑛 (( + (− )) + 1)] ( ) + [𝑙𝑛 (( + ( )) + 1)] ( ) = 0.2637
2 2 √3 2 2 2 √3 2
∴ 𝐼 ≅ 0.2637
125
4.
1
𝑓 (𝑥 ) = ;2 ≤ 𝑥 ≤ 4
𝑥 2 − 6𝑥 + 5
4
1
∫ ( ) 𝑑𝑥
2 𝑥2 − 6𝑥 + 5
(4 + 2) + (4 − 2)𝑥𝑑
𝑥= = 3 + 𝑥𝑑
2
𝑑𝑥 = 𝑑𝑥𝑑
4 1
1 1
∫ ( 2
) 𝑑𝑥 = ∫ ( 2
) 𝑑𝑥𝑑
2 𝑥 − 6𝑥 + 5 −1 (3 + 𝑥𝑑 ) − 6(3 + 𝑥𝑑 ) + 5
1 1
√3 √3
1
𝐼≅ 2
1 1
(3 + (− )) − 6 (3 + (− )) + 5
[( √3 √3 )]
1
+ 2 = −0.5455
1 1
(3 + ( )) − 6 (3 + ( )) + 5
[( √3 √3 )]
∴ 𝐼 ≅ −0.5455
126
5.
2𝑥 − 1
𝑓 (𝑥 ) = ;0 ≤ 𝑥 ≤ 2
(𝑥 + 3)2
2
2𝑥 − 1
∫ ( ) 𝑑𝑥
0 (𝑥 + 3)2
(2 + 0) + (2 − 0)𝑥𝑑
𝑥= = 1 + 𝑥𝑑
2
𝑑𝑥 = 𝑑𝑥𝑑
2 1
2𝑥 − 1 2(1 + 𝑥𝑑 ) − 1
∫ ( 2
) 𝑑𝑥 = ∫ ( 2 ) 𝑑𝑥𝑑
0 (𝑥 + 3) −1 ((1 + 𝑥 ) + 3) 𝑑
1 1
√3 √3
1 1
2 (1 + − )−1 2 (1 + )−1
𝐼≅ √3 + √3 = 0.0896
2 2
1 1
((1 + − ) + 3) ((1 + ) + 3)
[ √3 ] [ √3 ]
∴ 𝐼 ≅ 0.0896
127
6.
1
𝑓 (𝑥 ) = ;1 ≤ 𝑥 ≤ 6
𝑥
6
1
∫ ( ) 𝑑𝑥
1 𝑥
(6 + 1) + (6 − 1)𝑥𝑑 7 5
𝑥= = + 𝑥𝑑
2 2 2
5
𝑑𝑥 = 𝑑𝑥
2 𝑑
6 1
1 1 5
∫ ( ) 𝑑𝑥 = ∫ ( ) 𝑑𝑥𝑑
1 𝑥
7 5
−1 ( + 𝑥 ) 2
2 2 𝑑
1 1
√3 √3
1 5 1 5
𝐼≅ ( )+ ( ) = 1.7213
7 5 1 2 7 5 1 2
(2 + 2 (− )) (2 + 2 ( ))
[ √3 ] [ √3 ]
∴ 𝐼 ≅ 1.7213
128

Apuntes de Análisis Numerico

Transféré par

Informations du document

Description originale:

Titre original

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

Apuntes de Análisis Numerico

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO.

Profesor: Ignacio Francisco Merino Barragán

Integrantes del equipo:

• Susana Parra Jiménez

5,000 = 5 × 103 con una cifra significativa, el 5.

𝑓 ′′ (𝑎) 𝑓′′′ (𝑎)

Método de punto fijo

En algún punto empieza la denominada convergencia.

El método de interacción del punto fijo (método de aproximaciones sucesivas) es un

Se trata de llegar al punto de intersección de

Encontrar la raíz de las siguientes funciones

Usando 𝑥0 = 0.5 y 𝑔(𝑥 ) = 2 𝑠𝑒𝑛(√𝑥)

Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝟐 𝒔𝒆𝒏(√𝒙𝒊 )

Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝒄𝒐𝒔(𝒙𝒊 )

Iteraciones 𝒙𝒊 𝒙𝒊+𝟏 = 𝟎. 𝟓 𝒔𝒆𝒏(𝒙𝒊 ) + 𝟏

El objetivo de este método para estimar la solución de una ecuación 𝑓 (𝑥 ) = 0 es

Procedimiento del método de Newton

1. Adivine una primera aproximación a la solución de la ecuación 𝑓 (𝑥 ) = 0. Una

Encontrar una aproximación a la raíz de las siguintes funciones usando el método

1. 𝑓 (𝑥 ) = 𝑥 3 − 𝑥 − 1 . Tomando como punto de partida 𝑥1 = 1

Por la izquierda Por la derecha

Por la izquierda Por la derecha

Por la Por la derecha

7. 𝑓 (𝑥 ) = 𝑐𝑜𝑠(𝑥) − 𝑥 . Tomando como punto de partida 𝑥1 = 1

9. 𝑓 (𝑥 ) = 𝑥 2 − 𝑒 −𝑥 . Tomando como punto de partida 𝑥1 = 2

Método de raíces de ecuaciones

Un método simple para obtener una aproximación a la raíz de la ecuación 𝑓 (𝑥 ) = 0

Los métodos gráficos se utilizan para obtener aproximaciones de la raíz. Dichas

1. Utilizar el método gráfico para obtener una aproximación a la raíz de la

La raíz está cercana a 1.4

2. Utilizar el método gráfico para obtener una aproximación a la raíz de la

La raíz se aproxima a -1.35

La raíz se aproxima a -2.2

4. Utilizar el método gráfico para obtener una aproximación a la raíz de la

Las raíces se aproximan a -3.8, -1 y 0.5

El método de bisección se basa en el Teorema de Bolzano, el cual afirma que si se

• Suponga una ecuación 𝑓(𝑥 ) = 0

✓ Si 𝑓 (𝑚) = 0, entonces m es la raíz buscada

✓ Si 𝑓(𝑎) y 𝑓(𝑚) tienen signos diferentes, entonces la raíz buscada se

✓ Si 𝑓(𝑚) y 𝑓(𝑏) tienen signos diferentes, entonces la raíz buscada se

✓ Al continuar con el proceso, determinamos que la raíz se encuentra en

✓ Observe que se va obteniendo una secuencia de intervalos cada vez

✓ Los puntos extremos 𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 forman una sucesión creciente y

Teorema Cota de error para el método de bisección:

✓ Para determinar el número máximo de iteraciones aplique la siguiente

1. 𝑓 (𝑥 ) = 𝑥 3 + 4𝑥 2 − 10 = 0 Raíz en [1,2] ya que 𝑓 (1) = −5 y 𝑓 (2) = 14

4. Encontrar soluciones exactas dentro de 10−2 para

Método de la regla falsa

Es un método iterativo que se basa en la visualización gráfica que consiste en unir

1. Encontrar la raíz de la función

Iteración 𝒙𝒍 𝒙𝒖 𝒇(𝒙𝒍 ) 𝒇(𝒙𝒖 ) 𝒙𝒓 𝒇(𝒙𝒓) 𝒇(𝒙𝒍 ) ∗ 𝒇(𝒙𝒓)

Método de Newton Raphson

El método de Newton-Raphson es un método abierto, en el sentido de que no está

1. Obtener la raíz de la función

Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒇′(𝒙𝒊 ) 𝒙𝒊+𝟏

Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒇′(𝒙𝒊 ) 𝒙𝒊+𝟏

Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒇′(𝒙𝒊 ) 𝒙𝒊+𝟏

Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒇′(𝒙𝒊 ) 𝒙𝒊+𝟏

Iteraciones 𝒙𝒊 𝒇(𝒙𝒊 ) 𝒇′(𝒙𝒊 ) 𝒙𝒊+𝟏

𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐

𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎 ) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎 ) 𝒙𝟐

𝒙𝟏 𝒙𝟎 𝒇(𝒙𝟏 ) 𝒇(𝒙𝟎) 𝒙𝟏 − 𝒙𝟎 𝒇(𝒙𝟏 ) − 𝒇(𝒙𝟎) 𝒙𝟐