CAPITULO 2 ECUACIONES NO LINEALES

2.1

SOLUCIN DE ECUACIONES NO LINEALES

Uno de los problemas que se presenta con frecuencia en ingeniera es

encontrar las races de ecuaciones de la forma f(x) = 0, donde f(x) es una funcin real
de una variable x, como un polinomio en x
f(x) = 4x5 + x3 8x + 2
o una funcin trascendente
f(x) = ex sen x + ln 3x + x3
Existen distintos algoritmos para encontrar las races o ceros de f(x) = 0, pero
ninguno es general; es decir, no hay un algoritmo que funcione con todas las
ecuaciones; por ejemplo, se puede tener un algoritmo que funciona perfectamente
para encontrar las races de f1(x ) = 0, pero al aplicarlo no se pueden encontrar los
ceros de una ecuacin distinta f2(x) = 0
Slo en muy pocos casos ser posible obtener las races exactas de f(x) = 0,
como cuando f(x) es un polinomio factorizable, tal como
f ( x) ( x x1 )( x x 2 )...(x x n )
donde x i , 1 i n denota la i-sima raz de f(x) = 0. Sin embargo, se pueden obtener
soluciones aproximadas al utilizar algunos de los mtodos numricos de este
capitulo. Se empezar con el mtodo de punto fijo (tambin conocido como de
aproximaciones sucesivas, de iteracin funcional, etc.).
2.1.1

MTODO DE PUNTO FIJO

Este mtodo se aplica para resolver ecuaciones de la forma x = g(x)

Si la ecuacin es f(x) = 0, entonces puede despejarse x bien sumar x en
ambos lados de la ecuacin para ponerla en la forma adecuada.
Ejemplos:
1) La ecuacin: cos x x = 0 se puede transformar en: cos x = x.
2) La ecuacin: tan x e-x = 0 se puede transformar en: x + tan x e-x = x.
Dada la aproximacin xi, la siguiente iteracin se calcula con la frmula:
xi 1 g ( xi )
Supongamos que la raz verdadera es xr, es decir,
xr g ( xr )
Restando las ltimas ecuaciones obtenemos:
xr xi 1 g ( xr ) g ( xi )
Por el Teorema del Valor Medio para derivadas, sabemos que si g(x) es continua en
g (b) g (a )
[a, b] y diferenciable en (a, b) entonces existe (a, b) tal que g ' ( )
.
ba
En nuestro caso, existe en el intervalo determinado por xi y xr y tal que:
g ( x r ) g ( xi )
g ' ( )
x r xi
De aqu tenemos que:
g ( xr ) g ( xi ) g ' ( )( xr xi )

Ing. Hermas Herrera Callejas

Pgina : 1 de 13

Programacin Aplicada

Captulo 2 Ecuaciones No Lineales

O bien,
x r xi 1 g ' ( )( x r xi )
Tomando valor absoluto en ambos lados,
| x r xi 1 || g ' ( ) || xr xi |
Observe que el trmino |xrxi+1| es precisamente el error absoluto en la
(i+1)sima iteracin, mientras que el trmino |xr-xi| corresponde al error absoluto en
la i-sima iteracin.
Por lo tanto, solamente si |g()| < 1, entonces se disminuir el error en la
siguiente iteracin. En caso contrario, el error ir en aumento.
En resumen, el mtodo de iteracin del punto fijo converge a la raz si |g(x)| <
1 para x en un intervalo [a, b] que contiene a la raz y donde g(x) es continua y
diferenciable, pero diverge si |g(x)| > 1 en dicho intervalo.
Analicemos nuestros ejemplos anteriores:
En el ejemplo 1, g(x) = cos x y claramente se cumple la condicin de que
|g(x)| < 1. Por lo tanto el mtodo s converge a la raz.
-x
2
-x
En el ejemplo 2, g(x) = x+tan x e , en este caso |g(x)| = |1 + sec x + e | > 1.
Por lo tanto, el mtodo no converge a la raz.
Para aclarar el uso de la frmula veamos dos ejemplos:
Ejemplo 1
Usar el mtodo de iteracin del punto fijo para aproximar la raz de f(x) = cos x x.
comenzando con x0 = 0 y hasta que |a| < 1%.
Solucin
Como ya aclaramos anteriormente, el mtodo s converge a la raz. Aplicando la
frmula iterativa tenemos,
x1 = g(x0) = cos 0 = 1
Con un error aproximado de 100%
Aplicando nuevamente la frmula iterativa tenemos,
x2 = g(x1) = cos 1 = 0.540302305
Y un error aproximado de 85.08%.
Intuimos que el error aproximado se ir reduciendo muy lentamente. En
efecto, se necesitan hasta 13 iteraciones para lograr reducir el error aproximado
menor al 1%. El resultado final que se obtiene es:
x13 = 0.7414250866
Con un error aproximado igual al 0.78%.
Ejemplo 2
Usar el mtodo de iteracin del punto fijo para aproximar la raz de f(x) = x2 5x ex.
comenzando con x0 = 0 y hasta que |a| < 1%.
Solucin
Si despejamos la x del trmino lineal vemos que la ecuacin equivale a
x2 ex
x
5
de donde,

Ing. Hermas Herrera Callejas

Pgina: 2 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

g ( x)

x2 ex
5

2x e x
En este caso, tenemos que g ' ( x)
. Un vistazo a la grfica, nos convence
5
que |g(x)| < 1, para x [-1, 1], lo que es suficiente para deducir que el mtodo s
converge a la raz buscada.
Aplicando la frmula iterativa, tenemos:
x1 = g(x0) = -0.2
Con un error aproximado del 100%.

Aplicando nuevamente la frmula iterativa, tenemos:

x2 = g(x1) = -0.1557461506
Con un error aproximado igual al 28.41%.
En este ejemplo, el mtodo solo necesita de 5 iteraciones para reducir el error
menor al 1%. Resumimos los resultados en la siguiente tabla:
i
0
1
2
3
4
5

Xi
% de Error
0,0000000000
-0,2000000000 100,000000
-0,1557461506 28,414089
-0,1663039075
6,348472
-0,1638263720
1,512293
-0,1644100640
0,355022

f(x) = x2 5x ex
x2 ex
x g ( x)
5

xi 1

g ' ( x)

2x e x
5

xi2 e xi

De donde vemos que la aproximacin buscada es: x5 = -0.164410064

Veremos a continuacin un ejemplo del mtodo de Punto Fijo con la siguiente
ecuacin:
X3 + X + 16 = 0
Se ve que no converge
2.1.2

MTODO DE NEWTON-RAPHSON

Este mtodo, que es un mtodo iterativo, es uno de los ms usados y efectivos. El

mtodo de Newton-Raphson no trabaja sobre un intervalo sino que basa su frmula
en un proceso iterativo. En anlisis numrico, el mtodo de Newton-Raphson
Ing. Hermas Herrera Callejas

Pgina: 3 de 13

Programacin Aplicada

Captulo 2 Ecuaciones No Lineales

(conocido tambin como el mtodo de Newton o el mtodo de Newton-Fourier) es

un algoritmo eficiente para encontrar aproximaciones de los ceros races de una
funcin real. Tambin puede ser usado para encontrar el mximo o mnimo de una
funcin, encontrando los ceros de su primera derivada.
2.1.2.1

DESCRIPCIN DEL MTODO

La idea de este mtodo es la siguiente: se comienza con un valor

razonablemente cercano al cero (denominado punto de arranque), entonces se
reemplaza la funcin por la recta tangente en ese valor, se iguala a cero y se despeja
(fcilmente, por ser una ecuacin lineal). Este cero ser, generalmente, una
aproximacin mejor a la raz de la funcin. Luego, se aplican tantas iteraciones como
se deseen.
Supongamos que tenemos la aproximacin xi a la raz xr de f(x),

Trazamos la recta tangente a la curva en el punto (xi, f(xi)); sta cruza al eje x
en un punto xi+1 que ser nuestra siguiente aproximacin a la raz xr.
Para calcular el punto xi+1, calculamos primero la ecuacin de la recta
tangente. Sabemos que tiene pendiente
m = f(xi)
Y por lo tanto la ecuacin de la recta tangente es:
y f(xi) = f(xi)(x xi)
Hacemos y = 0:
- f(xi) = f(xi)(x - xi)
Y despejamos x:
f ( xi )
x xi
f ' ( xi )
Que es la frmula iterativa de Newton-Raphson para calcular la siguiente
aproximacin:
f ( xi )
xi 1 xi
si f ' ( xi ) 0
f ' ( xi )

Ing. Hermas Herrera Callejas

Pgina: 4 de 13

Programacin Aplicada

Captulo 2 Ecuaciones No Lineales

Note que el mtodo de Newton-Raphson no trabaja con intervalos donde nos

asegure que encontraremos la raz, y de hecho no tenemos ninguna garanta de que
nos aproximaremos a dicha raz. Desde luego, existen ejemplos donde este mtodo
no converge a la raz, en cuyo caso se dice que el mtodo diverge. Sin embargo, en
los casos donde si converge a la raz lo hace con una rapidez impresionante, por lo
cual es uno de los mtodos preferidos por excelencia.
Tambin observe que en el caso de que f(xi) = 0, el mtodo no se puede
aplicar. De hecho, vemos geomtricamente que esto significa que la recta tangente
es horizontal y por lo tanto no intercepta al eje x en ningn punto, a menos que
coincida con ste, en cuyo caso xi misma es una raz de f(x).
Ejemplo 1
Usar el mtodo de Newton-Raphson, para aproximar la raz de f(x) = e-x ln x,
comenzando con x0 = 1 y hasta que |a| < 1%.
Solucin
En este caso, tenemos que
1
f ' ( x ) e x
x
De aqu tenemos que:
e xi ln( xi )
e xi ln( xi )
xi (e xi ln( xi )) xi ( xi e xi 1 e xi ln( xi ))
xi 1 xi
xi
xi

xi
1
1
x
e

1
xi e xi 1
xi
xi
i
e
e
xi
xi
Comenzamos con x0 = 1 y obtenemos:
x0 ( x0 e x0 1 e x0 ln( x0 ))
x1
1.268941421
x 0 e x0 1
En este caso, el error aproximado es,
1.268941421 1
0
x100% 21.19%
1.268941421
Continuamos el proceso hasta reducir el error aproximado hasta donde se
pidi. Resumimos los resultados en la siguiente tabla:
i
Xi
% de Error
xi ( xi e xi 1 e xi ln( xi ))
0
1,0000000000
xi 1
1
1,2689414214 21,194156
xi e xi 1
2
1,3091084033
3,068270
3
1,3097993887
0,052755
De lo cual concluimos que la aproximacin obtenida es: x3 = 1.309799389
Ejemplo 2
Usar el mtodo de Newton-Raphson para aproximar la raz de f(x) = arctan x + x 1,
comenzando con x0 = 0 y hasta que |a| < 1%.

Ing. Hermas Herrera Callejas

Pgina: 5 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

SOLUCIN
En este caso, tenemos que
1
f ' ( x)
1
1 x2
La cual sustituimos en la frmula de Newton-Raphson para obtener:
arctan( xi ) xi 1
xi 1 xi
1
1
1 xi2
Comenzamos sustituyendo x0 = 0 para obtener:
arctan(x0 ) x0 1
x1 x0
0.5
1
1
1 x02
En este caso tenemos un error aproximado de a

0.5 0
x100% 100%
0.5

Continuamos con el proceso hasta lograr el objetivo.

Resumimos los resultados en la siguiente tabla:
i
0
1
2
3

Xi
% de Error
0,0000000000
0,5000000000 100,000000
0,5201957728
3,882341
0,5202689918
0,014073

xi 1 xi

arctan( xi ) xi 1
1
1
1 xi2

De lo cual concluimos que la aproximacin obtenida es: x3 = 0.5202689918

Ejemplo 3
Usar el mtodo de Newton-Raphson para aproximar races cuadradas de nmeros
reales positivos.
Solucin
Sea R > 0.Queremos calcular x tal que x R ; elevando al cuadrado x2 = R, o bien:
x2 R = 0
Esto nos sugiere definir la funcin f(x) = x2 R de donde f(x) = 2x. Al sustituir
estos datos en la frmula de Newton-Raphson nos da:
x2 R
xi 1 xi i
2 xi
La cual simplificada nos da:
1
R
xi 1 xi
2
xi
Esta frmula era conocida por los antiguos griegos (Hern).
Para fijar un ejemplo de su uso, pongamos R = 26 y apliquemos la frmula
obtenida, comenzando con x0 = 5. Resumimos los resultados en la siguiente tabla:

Ing. Hermas Herrera Callejas

Pgina: 6 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

i
0
1
2
3

Xi
% de Error
5,0000000000
5,1000000000 1,9607843
5,0990196078 0,0192271
5,0990195136 0,0000018

xi 1

1
R
xi

2
xi

xi 1

1
26
xi

2
xi

De lo cual concluimos que 26 5.0990195136, la cual es correcta en todos

sus dgitos.
La misma idea puede aplicarse para crear algoritmos que aproximen races n simas de nmeros reales positivos.
Observe que cuando el mtodo de Newton-Raphson converge a la raz, lo
hace de una forma muy rpida y de hecho, observamos que el error aproximado
disminuye a pasos agigantados en cada paso del proceso. Aunque no es nuestro
objetivo establecer formalmente las cotas para los errores en cada uno de los
mtodos que hemos estudiado, cabe mencionar que si existen estas cotas que
miden con mayor precisin la rapidez lentitud del mtodo en estudio.
Veremos a continuacin un ejemplo del mtodo de Newton Raphson, con la
siguiente ecuacin: X3 + X + 16 = 0.
I
1
2
3
4
5
6
7

x(i)
1,0000000000
-3,5000000000
-2,6953642384
-2,4199896516
-2,3880927130
-2,3876866187
-2,3876865534

% de Error aprox
128,5714285714
29,8525798526
11,3791638155
1,3356658411
0,0170078584
0,0000027332

f(x) = X3 + X + 16
f(x) = 3X2 + 1
xi 1 xi

xi3 xi 16
3xi2 1

Al analizar con el mtodo de la Newton Rapshon, en este ejemplo con un error

menor a 0.0001 %; se encuentra la ltima raz X(i): -2.3876865534 con 7 iteraciones.
2.1.3

MTODO DE LA SECANTE

Este mtodo se basa en la frmula de Newton-Raphson, pero evita el clculo

de la derivada usando la siguiente aproximacin:
f ( xi 1 ) f ( xi )
f ' ( xi )
xi 1 xi
Sustituyendo en la frmula de Newton-Raphson, obtenemos:
f ( xi )
f ( xi )
xi 1 xi
xi
f ( xi 1 ) f ( xi )
f ' ( xi )
xi 1 xi
f ( xi )( xi 1 xi )
xi 1 xi
f ( xi 1 ) f ( xi )
Que es la frmula del mtodo de la secante. Ntese que para poder calcular el
valor de xi+1, necesitamos conocer los dos valores anteriores xi y xi-1.
Obsrvese tambin que el mtodo de la secante es un proceso iterativo y por
lo mismo, encuentra la aproximacin casi con la misma rapidez que el mtodo de
Ing. Hermas Herrera Callejas

Pgina: 7 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

Newton-Raphson. Claro, corre el mismo riesgo de ste ltimo de no converger a la

raz.
Ejemplo 1
2
Usar el mtodo de la secante para aproximar la raz de f ( x) e x x , comenzando
con x0 = 0, x1 = 1 y hasta que |a| < 1%
Solucin
Tenemos que f(x0) = 1 y f(x1) = -0.632120558, que sustituimos en la frmula de la
secante para calcular la aproximacin x2:
f ( x1 )( x0 x1 )
f ( xi )( xi 1 xi )
xi 1 xi
x2 x1
0.612699837
f ( xi 1 ) f ( xi )
f ( x0 ) f ( x1 )

x2 x1
x100% 63.2%
x2
Como todava no se logra el objetivo, continuamos con el proceso. Resumimos los
resultados en la siguiente tabla:
Con un error aproximado de: a

i
0
1
2
3
4
5

x(i)
% Error Aprox
0,000000000
1,000000000
100,00000
0,612699837
63,21206
0,653442133
6,23503
0,652917265
0,08039
0,652918640
0,00021

(e xi xi )( xi 1 xi )
2

xi 1 xi

(e xi 1 xi 1 ) (e xi xi )
Haciendo operaciones algebraicas se resume a:
2

xi e xi 1 xi 1e xi
2

xi 1

e xi 1 e xi xi xi 1
2

De lo cual concluimos que la aproximacin a la raz es: x5 = 0.652918640

Ejemplo 2
Usar el mtodo de la secante para aproximar la raz de f(x) = arctan x - 2x + 1,
comenzando con x0 = 0 y x1 = 1, y hasta que |a| < 1%.
Solucin
Tenemos los valores f(x0) = 1 y f(x1) = -0.214601836, que sustituimos en la frmula
de la secante para obtener la aproximacin x2
f ( x1 )( x0 x1 )
f ( xi )( xi 1 xi )
x2 x1
0.823315073 xi 1 xi
f ( xi 1 ) f ( xi )
f ( x0 ) f ( x1 )

x2 x1
x100% 21.46%
x2
Como todava no se logra el objetivo, continuamos con el proceso. Resumimos los
resultados en la siguiente tabla:
(arctan( xi ) 2 xi 1)( xi 1 xi )
i
x(i)
% Error Aprox
xi 1 xi
0 0,000000000
arctan( xi 1 ) 2 xi 1 1 (arctan( xi ) 2 xi 1)
1 1,000000000
100,00000
Haciendo operaciones algebraicas se llega a:
Con un error aproximado de: a

2
3
4
5

0,823315073
0,852330280
0,853169121
0,853164044

Ing. Hermas Herrera Callejas

21,46018
3,40422
0,09832
0,00060

xi 1

xi arctan( xi 1 ) xi 1 arctan( xi ) xi 1 xi
arctan( xi 1 ) arctan( xi ) 2 xi 1 2 xi

Pgina: 8 de 13

Programacin Aplicada

Captulo 2 Ecuaciones No Lineales

De lo cual concluimos que la aproximacin a la raz es: x5 = 0.853164044

Veremos a continuacin un ejemplo del mtodo de la secante, con la siguiente
funcin: f(x) = x3 + x + 16, comenzando con x0 = -3 y x1 = -2
i
0
1
2
3
4
5
6
7

xi
% de Error xi 1 xi f ( xi )( xi 1 xi )
f ( xi 1 ) f ( xi )
-3,0000000000
-2,0000000000 50,000000 Reemplazando las funciones y variables:
( xi3 xi 16)( xi 1 xi )
-2,3000000000 13,043478 x x
i 1
i
xi31 xi 1 16 ( xi3 xi 16)
-2,4029550034
4,284516
-2,3871468897
0,662218 Realizando operaciones algebraicas se tiene:
-2,3876833053
0,022466
x x 3 x x 3 16 xi 1 16 xi
xi 1 i i 1 3 i 1 3i
-2,3876865541
0,000136
xi 1 xi xi 1 xi
-2,3876865535
0,000000

Terminando de analizar el mtodo de la secante, en este ejemplo con un error

menor al 0.0001 %; se encuentra la ltima raiz (Xi): -2.3876865535 con 7 iteraciones.
2.1.4

MTODO DE LA BISECCIN

El mtodo de biseccin se basa en el siguiente teorema de Clculo: Teorema

del Valor Intermedio
Sea f(x) continua en un intervalo [a, b] y supongamos que f(a) < f(b). Entonces
para cada z tal que f(a) < z < f(b), existe un x0 (a, b) tal que f(x0) = z. La misma
conclusin se obtiene para el caso que f(a) > f(b).
Bsicamente el Teorema del Valor Intermedio nos dice que toda funcin
continua en un intervalo cerrado, una vez que alcanz ciertos valores en los
extremos del intervalo, entonces debe alcanzar todos los valores intermedios.
En particular, si f(a) y f(b) tienen signos opuestos, entonces un valor intermedio es
precisamente z = 0, y por lo tanto, el Teorema del Valor Intermedio nos asegura que
debe existir x0 (a, b) tal que f(x0) = 0, es decir, debe haber por lo menos una raz de
f(x) en el intervalo (a, b).
El mtodo de biseccin sigue los siguientes pasos: Sea f(x) continua,
1) Encontrar valores iniciales xa, xb tales que f(xa) y f(xb) tienen signos opuestos, es
decir, f(xa).f(xb) < 0
2) La primera aproximacin a la raz se toma igual al punto medio entre xa y xb,
x xb
:
xr a
2
3) Evaluar f(xr). Forzosamente debemos caer en uno de los siguientes casos:
a) f(xa).f(xr) < 0
En este caso, tenemos que f(xa) y f(xr) tienen signos opuestos y por tanto la raz se
encuentra en el intervalo [xa, xr].
b) f(xa).f(xr) > 0
En este caso, tenemos que f(xa) y f(xr), tienen el mismo signo y de aqu que f(xr)
y f(xb) tienen signos opuestos. Por tanto, la raz se encuentra en el intervalo [xr, xb].
c) f(xa).f(xr) = 0
En este caso se tiene que f(xr) = 0 y por tanto ya localizamos la raz.
Ing. Hermas Herrera Callejas

Pgina: 9 de 13

Programacin Aplicada

Captulo 2 Ecuaciones No Lineales

El proceso se vuelve a repetir con el nuevo intervalo, hasta que: |a| < r, es decir,
xactual x previa
x100% r
xactual
Ejemplo 1
Aproximar la raz de f(x) = e-x ln x hasta que |a| < 1%
Solucin
La nica raz de f(x) se localiza en el intervalo [1, 1.5]. As que este intervalo es
nuestro punto de partida; sin embargo, para poder aplicar el mtodo de biseccin
debemos controlar que f(1) y f(1.5) tengan signos opuestos.
En efecto, tenemos que
f(1) = e-1 ln 1 = e-1 > 0
(Sabemos que e = 2.71828182845905
Mientras que
f(1.5) = e-1.5 ln (1.5) = -0.18233 < 0
Cabe mencionar que la funcin f(x) s es continua en el intervalo [1, 1.5]. As
pues, tenemos todos los requisitos satisfechos para poder aplicar el mtodo de
biseccin. Comenzamos:
1) Calculamos el punto medio (que es nuestra primera aproximacin a la raz):
1 1. 5
x r1
1.25
2
2) Evaluamos f(1.25) = e-1.25 ln(1.25) = 0.0636 > 0
3) Para identificar mejor en que nuevo intervalo se encuentra la raz, hacemos la
siguiente tabla:

Por tanto, vemos que la raz se encuentra en el intervalo [1.25, 1.5].

En este punto, vemos que todava no podemos calcular ningn error
aproximado, puesto que solamente tenemos la primera aproximacin. As, repetimos
el proceso con el nuevo intervalo [1.25, 1.5]. Calculamos el punto medio (que es
nuestra segunda aproximacin a la raz):
1.25 1.5
xr 2
1.375
2
Aqu podemos calcular el primer error aproximado, puesto que contamos ya
con la aproximacin actual y la aproximacin previa:
x x r1
a r 2
x100% 9.09%
xr 2
Puesto que no se ha logrado el objetivo, continuamos con el proceso.
Evaluamos f(1.375) = e-1.375 ln(1.375) = - 0.06561 < 0, y hacemos la tabla de
signos:
Ing. Hermas Herrera Callejas

Pgina: 10 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

As, vemos que la raz se encuentra en el intervalo [1.25, 1.375]. Calculamos el punto
medio,
1.25 1.375
xr 3
1.3125
2
Y calculamos el nuevo error aproximado:
x xr 2
a r 3
x100% 4.76%
xr 3
El proceso debe seguirse hasta cumplir el objetivo. Resumimos los resultados
que se obtienen en la siguiente tabla:
i

f(a)

0 1,000000 1,250000 1,500000 0,367879

f(r)

f(b)

% de Err

0,063361 -0,182335

1 1,250000 1,375000 1,500000 0,063361 -0,065614 -0,182335 9,090909

2 1,250000 1,312500 1,375000 0,063361 -0,002787 -0,065614 4,761905
3 1,250000 1,281250 1,312500 0,063361

0,029854 -0,002787 2,439024

4 1,281250 1,296875 1,312500 0,029854

0,013427 -0,002787 1,204819

5 1,296875 1,304688 1,312500 0,013427

0,005294 -0,002787 0,598802

6 1,304688 1,308594 1,312500 0,005294

0,001247 -0,002787 0,298507

La aproximacin buscada y con un rango de error menor al originalmente planteado

se alcanza en la 6ta iteracin y es igual a: xri = 1.308594
Ejemplo 2
Aproximar la raz de f(x) =arctan x + x - 1 hasta que |a| < 1%.
Solucin
Como vimos en el ejemplo 2 de la seccin anterior, la nica raz de f(x) se localiza en
el intervalo [0, 1]. Para poder aplicar el mtodo de biseccin, es importante controlar
que se cumplen las hiptesis requeridas.
Sabemos que f(x) es continua en el intervalo [0, 1], y controlamos que f(0) y f(1)
tengan signos opuestos. En efecto,
f(0) = arctan 0 + 0 1 = -1 < 0
Mientras que,
f(1) = arctan 1 + 1 1 = 0.7853 > 0
Por tanto, s podemos aplicar el mtodo de biseccin.
Calculamos el punto medio del intervalo [0, 1],
1 0
x r1
0. 5
2
Que es la primera aproximacin a la raz de f(x)
Evaluamos f(0.5) = arctan(0.5) + 0.5 1 = -0.0363 < 0 y hacemos nuestra tabla de
signos,

Ing. Hermas Herrera Callejas

Pgina: 11 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

Puesto que f(0.5) y f(1) tienen signos opuestos, entonces la raz se localiza en el
intervalo [0.5, 1]
En este punto, solo contamos con una aproximacin, a saber xr1 = 0.5, que es el
primer punto medio calculado.
Repetimos el proceso, es decir, calculamos el punto medio ahora del intervalo [0.5, 1]
1 0 .5
xr 2
0.75
2
Que es la nueva aproximacin a la raz de f(x). Aqu podemos calcular el primer
error aproximado:
0.75 0.5
a
x100% 33.33%
0.75
Puesto que no se cumple el objetivo, continuamos con el proceso.
Evaluamos f(0.75) = arctan(0.75) + 0.75 1 = 0.3935 > 0. y hacemos la tabla de
signos:

Puesto que f(0.5) y f(0.75) tienen signos opuestos, entonces la raz se localiza en el
intervalo [0.5, 0.75]. Calculamos el punto medio,
0.5 0.75
xr 3
0.625
2
Y el nuevo error aproximado:
0.625 0.75
a
x100% 20%
0.625
El proceso se debe continuar hasta que se logre el objetivo.
Resumimos los resultados que se obtienen en la siguiente tabla:
i
0
1
2
3
4
5
6
7
8
9

a
0,000000
0,500000
0,500000
0,500000
0,500000
0,500000
0,515625
0,515625
0,519531
0,519531

R
0,500000
0,750000
0,625000
0,562500
0,531250
0,515625
0,523438
0,519531
0,521484
0,520508

b
1,000000
1,000000
0,750000
0,625000
0,562500
0,531250
0,531250
0,523438
0,523438
0,521484

f(a)
-1,000000
-0,036352
-0,036352
-0,036352
-0,036352
-0,036352
-0,008306
-0,008306
-0,001319
-0,001319

f(r)
-0,036352
0,393501
0,183599
0,074889
0,019584
-0,008306
0,005659
-0,001319
0,002171
0,000427

f(b)
0,785398
0,785398
0,393501
0,183599
0,074889
0,019584
0,019584
0,005659
0,005659
0,002171

% de Error
33,333333
20,000000
11,111111
5,882353
3,030303
1,492537
0,751880
0,374532
0,187617

De lo cual, vemos que la aproximacin buscada es xr9 = 0.520508. El mtodo de

biseccin por lo general es lento y en casos como el de la siguiente grfica, puede
ser demasiado lento.
Ing. Hermas Herrera Callejas

Pgina: 12 de 13

Captulo 2 Ecuaciones No Lineales

Programacin Aplicada

En un caso como ste, el proceso de biseccin comienza a acercarse a la raz de

forma muy lenta, ya que el mtodo solamente toma en cuenta que la raz se
encuentra dentro del intervalo, sin importar si se encuentra ms cerca de alguno de
los extremos del intervalo.
Veremos a continuacin un ejemplo del mtodo de la biseccin. Aproximar la
siguiente funcin: f(x) = x3 + x + 16 hasta un rango de error menor a 0.01 %
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13

a
-3,000000
-2,500000
-2,500000
-2,500000
-2,437500
-2,406250
-2,390625
-2,390625
-2,390625
-2,388672
-2,387695
-2,387695
-2,387695
-2,387695

r
-2,500000
-2,250000
-2,375000
-2,437500
-2,406250
-2,390625
-2,382813
-2,386719
-2,388672
-2,387695
-2,387207
-2,387451
-2,387573
-2,387634

b
-2,000000
-2,000000
-2,250000
-2,375000
-2,375000
-2,375000
-2,375000
-2,382813
-2,386719
-2,386719
-2,386719
-2,387207
-2,387451
-2,387573

f(a)
-14,000000
-2,125000
-2,125000
-2,125000
-0,919678
-0,338531
-0,053257
-0,053257
-0,053257
-0,017844
-0,000159
-0,000159
-0,000159
-0,000159

F(r)
-2,125000
2,359375
0,228516
-0,919678
-0,338531
-0,053257
0,088066
0,017514
-0,017844
-0,000159
0,008679
0,004261
0,002051
0,000946

f(b)
6,000000
6,000000
2,359375
0,228516
0,228516
0,228516
0,228516
0,088066
0,017514
0,017514
0,017514
0,008679
0,004261
0,002051

% de Error
11,111111
5,263158
2,564103
1,298701
0,653595
0,327869
0,163666
0,081766
0,040900
0,020454
0,010226
0,005113
0,002556

Se logr aproximar la raz de la funcin f(x) = x3 + x + 16, adems de analizar el

mtodo de la biseccin. En este ejemplo con un error de 0.002556; se encuentra la
ltima raiz(Xi): -2.387634 en 13 iteraciones.

Ing. Hermas Herrera Callejas

Pgina: 13 de 13