Cálculo IV PDF

INTRODUCCIÓN AL
CÁLCULO
NUMÉRICO
Hugo Franco Paats
Introducción al Cálculo Numérico
1 Hugo Franco Paats

CONTENIDO
1 – ANÁLISIS DEL ERROR Pág. 04
1.1- Introducción
1.2- Representación de números reales
1.3- Errores
1.4- Análisis del Error en Aritmética de Coma Flotante
1.5- Análisis del Error en las Operaciones Aritméticas
1.6- Ejercicios
2 – RESOLUCIÓN DE ECUACIONES NO LINEALES Pág. 15
2.1 – Introducción
2.2 – Fase 1: Aislamiento de raíces
2.3 – Fase 2: Refinamiento
2.4 – Método de la bisección
2.5 – Método de la Falsa Posición
2.6 – Método de la Falsa Posición Modificado
2.7 – Método Iterativo Lineal (MIL)
2.8 – Método de Newton
2.9 – Método de la Secante
2.10 – Comparación de los métodos
2.11 – Ejercicios
3 – SISTEMAS DE ECUACIONES LINEALES Pág. 30
3.1 - Introducción
3.2 – Métodos directos
3.3 – Métodos Iterativos
3.4 – Comparación de los métodos
3.5 – Ejercicios
4 – INTERPOLACIÓN Pág. 45
4.2 – Interpolación polinómica
4.3 – Interpolación de Lagrange
4.4 – Formula de Newton
4.5 – Análisis del Error en la interpolación
4.6 – Evaluación del grado del polinomio interpolador
4.7 – Fenómeno de Runge
4.8 – Interpolación Segmentaria Spline
4.9 – Ejercicios
5 – AJUSTE DE CURVAS A DATOS DE MEDICIONES Pág. 62
5.2 – Método de los mínimos cuadrados
5.3 – Caso Discreto
5.4 – Caso continuo
5.5 – Linealización
5.6 – Error cuadrático medio
5.7 – Ejercicios
Hugo Franco Paats 2

6 – INTEGRACIÓN Y DERIVACIÓN NUMÉRICA Pág. 69
6.1 – Integración Numérica

6.2 – Regla del Trapecio
6.3 – Regla de 1/3 de Simpson
6.4 – Regla de 3/8 de Simpson
6.5 – Integración Numérica con límites infinitos o singularidades
6.6 – Aproximación a las derivadas
6.7 – Diferencias para las derivadas de orden superior
6.8 – Ejercicios
7 – ECUACIONES DIFERENCIALES Pág. 80
7.2 – Método de Euler
7.3 – Método de Heun o Euler Modificado
7.4 – Métodos de Runge-Kutta
7.5 - Ejercicios
8 – EJERCICIOS RESUELTOS Pág. 91
3 Hugo Franco Paats

CAPITULO 1
ANÁLISIS DEL ERROR
1.1 - INTRODUCCIÓN
El cálculo numérico o análisis numérico, es la rama de las matemáticas que se encarga de diseñar
algoritmos para que, a través de números y reglas matemáticas simples, se pueda simular procesos
matemáticos más complejos aplicados a problemas reales.
Hay muchos tipos de métodos numéricos, y comparten una característica común: invariablemente se deben
realizar un buen número de tediosos cálculos aritméticos. Estos, pueden manejar la no linealidad de las
ecuaciones, sistemas de ecuaciones grandes y geometrías complicadas, comunes en la ingeniería.
Los conocimientos de los conceptos básicos asociados al uso de programas (software) disponibles
comercialmente, que aplican métodos numéricos, pueden ser herramientas muy poderosas que ayudan a la
resolución de problemas complejos de ingeniería. Al mismo tiempo, es importante conocer y controlar los
diferentes tipos de errores que son inseparables de los cálculos numéricos a gran escala, de manera a
poder evaluar correctamente los resultados y por ende la solución al problema asociado.
El resultado del cálculo numérico es siempre una aproximación, aunque (en principio) los resultados
pueden hacerse tan exactos como se quiera.
La resolución de tales problemas envuelve varias fases o etapas que pueden ser estructuradas:
Cada etapa puede presentar una serie de errores asociados al proceso como:
• Error en la recolección de datos
• Errores de apreciación
• Precisión de los equipos
• Errores en la secuencia de operaciones
Uno de los principales errores se debe a la representación de los números reales dentro del computador. La
representación de los números se realiza por medio de un número limitado de dígitos, lo que produce una
pérdida de precisión.
Hugo Franco Paats 4

1.2 - REPRESENTACIÓN DE NÚMEROS REALES:
Los computadores representan los números en notación científica normalizada o aritmética de coma flotante
(A.C.F). Un número está representado en notación científica normalizada cuando todos los dígitos del
número están a la derecha de la coma decimal y este primer dígito es diferente de cero.
Ejemplo 1.1: 785,321× 10 = 0,785321× 1014
11
Por lo tanto cualquier número real diferente de cero, puede representarse en notación científica normalizada
o Aritmética de Coma Flotante, de la siguiente forma: I = ± m × 10 ;
e
Donde m es un número comprendido entre 0 y 1 en el sistema decimal, denominado mantisa, y “ e ” es un

número positivo o negativo llamado exponente. Para la representación de un número en la base β en
aritmética de coma flotante de “ t ” dígitos para la mantisa, se realiza de la siguiente forma:
I = (0, d1 d 2 d 3 ...d t ) β × β e
La mantisa ( 0, d1d 2 d 3 ...d t ) es una fracción en la base β , donde cada dígito está comprendido por
0 ≤ d j ≤ β − 1 , ∀j = 2,3,..., t y d 1 ≠ 0 . La condición d 1 ≠ 0 , o de normalización del número, se impone
para asegurar la representación única de cada número en coma flotante.
El exponente “ e ” varía en el intervalo [M ; m ] , siendo estos valores determinados por la capacidad de la

máquina, y por lo general M = −m . El número máximo de dígitos “ t ” de la mantisa está limitado por la
longitud de la palabra que el computador puede representar.
La representación de los números en un computador simple que utiliza 32 bits es la siguiente:
32 bits
1 23 1 7
SM Mantisa SE Exponente
SM = signo de la mantisa
= −1 , … ×2
SE = signo del exponente
…
(1.1)
Considerando los siete bits del exponente, se observa que el mismo se encuentra en el rango [-127, 127].
Entonces, esta máquina no puede manejar números con una magnitud mayor que
(0,111...11) × 2127 ≅ 2127 ≅ 1038 ,
ni menor que (0,100...).2 ≅2 −127 −127 −38
≅ 10 . La conversión del sistema
decimal a binario para efectuar los cálculos en los computadores, acarrean una serie de errores asociados
con el número limitado de dígitos con los que se representan los números (bits). Dado un número “N”, su
representación en ACF de “ t ” dígitos está hecha por truncamiento o redondeo. Este número podrá ser
representado en el sistema, si el exponente “e” estuviese dentro de los límites “m” y “M”.
Como los computadores utilizan el sistema binario en aritmética de coma flotante, incluso números con una
representación finita en decimal, como 0,1 o 27,9; tienen una representación binaria infinita o decimales
binarios periódicos. Por ello, cuando estos números se almacenan en coma flotante se debe “cortar” a una
cantidad finita de bits, y esto produce un error de representación del número.
Formato IEEE-754 en coma flotante Existen varios formatos para la representación de números en
coma flotante en un computador, aunque el estándar, y por ello el utilizado en la mayoría de los
computadores, es el formato ANSI/IEEE estándar 754 de 1985, que llamaremos IEEE-754 para abreviar. Se
puede representar números en precisión simple (float), doble (double) y cuádruple (quadruple) que tienen
32, 64 y 128 bits de longitud, respectivamente. En la figura siguiente, se muestra este formato en coma
flotante, sistema binario (base 2), en doble precisión o de 64bits. Como el primer dígito de la mantisa, que
está normalizada, debe ser necesariamente igual a 1, se aprovecha este bit para almacenar en su lugar el
signo de la mantisa.
5 Hugo Franco Paats

64bits
1 11 52
± Exponente Mantisa
Este formato permite representar +0 y -0, lo que a veces puede ser ventajoso. Se utilizan los 11 dígitos
e −1
siguientes para el exponente y su signo. Este número entero se representa en exceso a 2 − 1 = 1023 ,
[
por lo que se puede representar solamente los números enteros en el rango − 2 + 1;2
e −1 e −1
]
= [− 1022;1024] .
El exponente máximo 1024 se reserva para representar los números excepcionales como ± ∞ y NaN (Not a
Number). Los primeros se representan cuando la mantisa es 0 y se producen cuando una operación
aritmética genera un número más grande que el máximo representable, es decir, se produce un
desbordamiento por exceso u overflow. NaN se genera en operaciones aritméticas de resultado no
determinado, como 0/0, ∞ / ∞ , ∞ ± ∞ , etc.
1.2.1 - Exactitud y Precisión

La exactitud se refiere a que tan cercano está el valor calculado o medido del valor verdadero. La precisión
se refiere a qué tan cercano está un valor individual medido o calculado respecto a los otros.
La inexactitud se define como un alejamiento sistemático de la verdad. La imprecisión, sobre el otro lado, se
refiere a la magnitud del esparcimiento de los valores.
Los métodos numéricos deben ser lo sufrientemente exactos, o sin sesgo para satisfacer los requerimientos
de un problema particular de ingeniería y también deben ser lo suficientemente precisos para ser adecuados
en el diseño. A lo largo de este curso, usaremos el término error para representar tanto la inexactitud como
la imprecisión en las predicciones.
1.3 – ERRORES
La presencia de errores en el resultado de cualquier proceso numérico es inevitable, pueden haber errores
en los datos, pero aún con los datos exactos el propio proceso de cálculo puede ser fuente de error. Por lo
tanto, existen errores en:
• Datos
• Operaciones
• Procedimientos
En este capítulo vamos a analizar los dos primeros.
1.3.1 – Errores de Redondeo y Truncamiento

Cuando un número “ x ” no tiene representación exacta en su base numérica o si la longitud de la palabra
del computador es inferior y no puede representar a “ x ”, se realiza una aproximación al número por
redondeo o truncamiento.
♦ Truncamiento: en este caso, la máquina representa el número y se queda con los dígitos de
precisión de la mantisa a la vez que descarta el resto.
♦ Redondeo: se utiliza el redondeo simétrico: si el primer dígito a descartar es mayor o igual a 5,
entonces sumamos una unidad al dígito que está a la izquierda, si es menor que 5 se mantiene
igual.
Ejemplo 1.2: representar los siguientes números en un sistema de ACF de 3 dígitos, para base decimal
β = 10 , m = -4 y M= 4, de los siguientes números:
Número representación por truncamiento por redondeo
1,25 0,125 × 101 0,125 × 101
− 238,15 − 0,238 × 103 − 0,238 × 103
27,1828 0,271× 102 0,272 × 102
0,000007 Error….exponente menor que –4 (anderflow) Error...
7.185 .221,82 Error….exponente mayor que 4 (overflow) Error...
Hugo Franco Paats 6

Error numérico total: El error numérico total se entiende como la suma de todos los errores de redondeo
y truncamiento introducidos en el cálculo. Mientras más cálculos se tengan que realizar para obtener un
resultado, el error de redondeo se irá incrementando. Pero por otro lado, el error de truncamiento se puede
minimizar al incluir más términos en la ecuación, disminuir el paso o proseguir la iteración (o sea mayor
número de cálculos, seguramente mayor error de redondeo). En la práctica debemos considerar que hoy por
hoy los computadores tienen un manejo de cifras significativas mucho mayor que antes por lo que el error
de redondeo se minimiza enormemente, aunque no se debe dejar olvidar su aporte al error total.
1.3.2 - Error Absoluto, Relativo y Porcentual
Error Absoluto: Definimos como error absoluto: a la diferencia entre el valor exacto de un número “ x ” y
su valor aproximado “ x ”.
E Ax =| x − x |
(1.2)
En general apenas el valor aproximado x es conocido, siendo que estamos en la búsqueda del valor
exacto, por lo que es de interés conocer un “límite superior” o una “estimativa” para el valor del error
absoluto, a la que denominamos “cota del error absoluto” δ Ax y que veremos más adelante.
Ejemplo 1.3: considerando los siguientes números aproximados x = 2.119,9 con error absoluto
E Ax < 0,1 y el número aproximado y = 5,3 con E Ax < 0,1
¿Se puede concluir que los dos números tienen la misma precisión en la representación?
Siendo que ambos tienen el mismo error absoluto no es posible determinar la precisión de cada
representación.
x es mayor que el valor exacto x , el error absoluto será negativo, entonces decimos
Si el valor aproximado
que la aproximación es por exceso. Si el valor aproximado x es menor que el valor exacto x el error
absoluto será positivo y la aproximación será por defecto.
Error Relativo: El Error Relativo vamos a definirlo como el cociente entre el error absoluto del número y
su valor aproximado:
−
E Ax | x − x|
E Rx = =
x |x| (1.3)
0,1 0,1
del ejemplo anterior E Rx < ≅ 0,454567 × 10 − 4 y E Ay =
≅ 0,02
2.199,9 5,3
por lo que vemos que E Rx < E Ry , por lo que concluimos que el número x está mejor representado que el
valor de y .
El error absoluto no es más que la distancia entre el valor exacto y el valor aproximado, mientras que el
error relativo mide el error entendido como una porción del valor exacto o del valor aproximado, para este
caso, ya que nos encontramos en la búsqueda del valor exacto.
Ejemplo 1.4: encontrar el error absoluto y el error relativo al aproximar el número x = 3,141592 ...
por x = 3,14
E Ax = 3,141592 ... − 3,14 = 0,001593
E 0,001593
E Rx = Ax = = 0,000507
x 3,14
Error Porcentual: El error porcentual no es otra cosa que el error relativo multiplicado por 100
E % = E Rx × 100% . Del ejemplo anterior: E Px % = 0,05%
7 Hugo Franco Paats

1.3.3 – Cotas del Error
Cota del Error Absoluto: La cota de error es el error máximo que se puede cometer al realizar una
medida o tomar una aproximación. Si el error cometido al tomar 2,718 es menor que una milésima entonces
diremos que 0,001 es una cota de dicho error.
Se llama cota del error absoluto δ AX de un valor aproximado x a cualquier número no menor que el error
absoluto: ≥
(1.4)
≥
Cota del Error Relativo: Se llama cota del error relativo de un valor aproximado x cualquier número no
menor que el valor del error relativo:
1.4 – ANÁLISIS DEL ERROR Y LA COTA DEL ERROR EN ARITMÉTICA DE COMA

FLOTANTE
En un sistema que opera en ACF de “t” dígitos en base decimal, cualquier número puede ser representado
e −t
de la forma: x = f x × 10 + g x × 10 siendo qué 0,1 ≤ f x < 1 y 0,1 ≤ g x < 1
e
Ejemplo 1.5: sea el número x = 234,56 y t = 4, el número x , al ser representado por la forma
anterior, será equivalente a:
x = 0,2345 × 103 + 0,6 × 10 −1 , siendo f x = 0,2345 ; g x = 0,6 y e = 3 , es el exponente del número
para este caso.
Representación por truncamiento: Para realizar un análisis general de los errores absoluto y relativo
en la representación de los números y utilizando la aproximación por truncamiento, el número será
e −t
aproximado, eliminando el término g x ×10 , que representa los dígitos descartados justamente por el
truncamiento.
Calculamos el error absoluto:

E Ax = x − x = f x × 10e + g x × 10e−t − f x × 10e = g x × 10e−t
De las condiciones iniciales y dado que g x < 1 , el valor máximo del error absoluto será < 10 e −t , por lo que
podemos definir como cota del error absoluto por truncamiento δ Ax , siendo:
δ Ax < 10 e −t (1.5)
El error relativo será:

E Ax g x × 10 e−t
E Rx = = como el error es máximo cuando f x = 0,1 y g x < 1 , por lo que el máximo error o
x f x × 10 e
cota del error relativo cuando la representación es por truncamiento, será:
__________
δ Rx < 101−t
(1.6)
Representación por Redondeo Simétrico: (Ver ítem 1.3.1) Cuando se utiliza el redondeo simétrico, fx
es modificado para llevar en consideración gx . Por consiguiente, tomamos como valor aproximado x
# × 10 → '( |* | < 1/2

̅="
analizando los siguientes casos:
# × 10 + 10 . → '( |* | ≥ 1/2
Hugo Franco Paats 8

♦ Si g x < 1 / 2
e −t
Error absoluto es E Ax =| x − x | =| f x × 10 + g x × 10
e
− f x × 10e |=| g x | ×10e−t
| E Ax | g x × 10 e−t
Error relativos es E Rx = = considerando que el error es máximo cuando f x = 0,1 y
|x| f x × 10 e
1
dado que g x < 1 / 2 , la cota del error absoluto es δ Ax < × 10 e−t (1.7)
2
______________
1
La cota del error relativo por redondeo es δ Rx < × 101−t
2 (1.8)
♦ Si g x ≥ 1 / 2
e −t
Error absoluto E Ax =| x − x |=| f x × 10 + g x × 10
e
− ( f x × 10e + 10e−t ) |=| g x − 1 | ×10e −t
como g x ≥ 1 / 2 la diferencia g x − 1 será siempre ≤ 1 / 2 , por lo que tomamos como cota del error
1
absoluto: δ Ax ≤ × 10 e −t
2 (1.9)
El error relativo será:
E Ax g x − 1 × 10 e −t g x − 1 × 10 e −t
E Rx = = ≤
x f x × 10 e + 10 e −t f x × 10 e
Siendo que para que el error sea máximo g x ≥ 1 / 2 , f x = 0,1 y desconsideramos el término 10 e −t
, tenemos que la cota del error relativo será:
______________
1
δ Rx < × 101−t
2 (1.10)
Por lo tanto, para cualquiera de los casos para el redondeo simétrico tenemos que las cotas del
error absoluto y el relativo son:
1 1
δ Ax < × 10 e −t δ Rx < × 101−t
2 2
1.4.1- Cifras Significativas y Decimales Correctos

Se considera cifras significativas de un número, a aquellas que tienen significado real o aportan alguna
información. Las cifras no significativas aparecen como resultado de los cálculos y no tienen significado
alguno.
Las cifras significativas de un número, vienen determinadas por su error y son aquellas que ocupan una
posición igual o superior al orden o posición del error. Por ejemplo, consideremos una medida de longitud
que arroja un valor de 2.345,678 metros, con un error de 0,5 metros. El error es por tanto del orden de
décimas de metro. Es evidente que todas las cifras del número que ocupan una posición menor que las
décimas no aportan ninguna información. En efecto, ¿qué sentido tiene dar el número con precisión de
diezmilésimas si afirmamos que el error es de casi 1 metro? Las cifras significativas en el número serán por
tanto las que ocupan la posición de las décimas, unidades, decenas, etc., pero no las centésimas, milésimas
y diezmilésimas.
Por lo tanto podemos afirmar que:

9 Hugo Franco Paats
• Se dice que el número x aproxima a x con t decimales correctos si t es el entero no negativo más
1
grande para el cual x − x < × 10 −t .
2
• Se dice que el número x aproxima a x con “ t ” cifras significativas si t es el entero no negativo más
x−x 1
grande para el cual < × 101− t = 5 × 10 −t .
x 2
En virtud de estas definiciones, el número de decimales correctos, da una idea de la magnitud del error
absoluto, mientras que el número de cifras significativas, da una idea de la magnitud del error relativo.
Ejemplo 1.6: Determinar el número de decimales correctos y cifras significativas del ejemplo 1.4
1
Si x = 3,141592 … aproximamos por x = 3,14 , entonces E Ax = 0,159 × 10 − 2 < × 10 − 2 ;
2
por lo tanto, x es una aproximación a x con dos decimales correctos.
ERx = 0,000506749< 5 ×10−3 , por lo tanto t = 3 es el menor entero positivo que verifica la
desigualdad y el número de cifras significativas.
1.4.2 - Reglas para contar correctamente el número de cifras significativas:
1) Todos los dígitos a ambos lados de la coma decimal son significativos, si no hay ceros.
23,742 5 cifras significativas
332 3 cifras significativas
2) Ceros usados para localizar una coma decimal no son significativos.
3) Ceros entre números son significativos.
4) Ceros a la derecha del último dígito que no es cero y a la derecha de la coma decimal son significativos.
Con relación a esta última regla si un número no tiene coma decimal y termina con uno o más ceros
(ejemplo 5.200), dichos ceros pueden ser o no significativos. Para poder especificar el número de cifras
significativas, se requiere de información adicional, por lo que para indicar que los mismos son significativos
es necesario colocar la coma decimal (ejemplo 5.200,0).
Las reglas para definir el número de cifras significativas para multiplicación y división son diferentes que
para suma y resta.
Para multiplicación y división el número de cifras significativas en el resultado final será igual al número de
cifras significativas de la medición menos precisa.
Ejemplo 1.7: Calcular la energía cinética de un cuerpo con una masa de 6,0g viajando a la velocidad
de 2.25 cm/s.
2
la energía cinética es obtenida de la fórmula E.C. = ½mv
en donde m = masa del cuerpo

v = velocidad del objeto
2 2 2
La respuesta es E.C. = ½( 6,0 g)(2,25 cm/s) =15,1875 g-cm /s
Hugo Franco Paats 10

¿Cuál número es el menos preciso?
½ no es un número medido, es parte de la fórmula y por lo tanto tiene un número infinito de
dígitos significativos
6,0 tiene 2 cifras significativas
2,25 tiene 3 cifras significativas
El número menos preciso tiene dos cifras significativas, así que la respuesta debe tener dos cifras
significativas, o sea 15.
En sumas y restas el último dígito que se conserva deberá corresponder a la primera incertidumbre en el
lugar decimal.
Ejemplo 1.8: en la siguiente suma

320,0 4
80,2
20,0 20
20,0 1
440,2 70
Vemos que el número 80,2 es el menos preciso, es decir tenemos una incertidumbre después del
primer dígito decimal, o sea después del 2, por lo tanto para esta suma tenemos hasta el primer
dígito después de la coma. Entonces tenemos 4 cifras significativas.
1.5 – ANÁLISIS DEL ERROR EN LAS OPERACIONES ARITMÉTICAS
Dada una secuencia de operaciones es importante tener la noción de cómo el error se propaga a lo largo de
las operaciones. El error total en una operación está compuesto por las diferentes partes y por el error del
resultado de la operación. Ciertos errores como los motivados por truncamiento y redondeo, reciben también
el nombre de errores generados. Al combinar un dato que ya posee un error generado con otros en las
mismas condiciones, los errores se propagan. Entonces, el error absoluto total será la suma de los errores
generados y propagados.
El hecho de considerar los errores generados complica excesivamente el cálculo con errores. Por ello, la
regla a tener en cuenta es que el error generado es despreciable siempre que sea cien veces más pequeño
que el error propagado por hacer intervenir tal término.
1.5.1- Forma General

Considerando x = x + E Ax e y = y + E Ay , para la operación de:
♦ Suma
x + y = x + y + E Ax + E Ay ; siendo qué x + y = x + y y el error absoluto de la operación
________________
E Ax+ y = E Ax + E Ay
(1.11)
E Ax + y E Ax + E Ay E Ax E Ay
El error relativo E Rx + y = = = + =
x+ y x+ y x+ y x+ y
E Ax x E Ay y x y
= . + . = E Rx . + E Ry .
x x+ y y x+ y x+ y x+ y
__________________________
x y
El error relativo de la suma es: E Rx + y = E Rx . + E Ry .
x+ y x+ y
(1.12)
11 Hugo Franco Paats

♦ Resta x − y = x + E Ax − y − E Ay donde:
Valor aproximado de la diferencia
x− y = x− y y el Error absoluto de la diferencia es E Ax− y = E Ax − E Ay la diferencia de los

errores absolutos de x e y . El error Relativo de x − y será:
E Ax − y E Ax E Ay x y
E Rx − y = = − = E Rx . − E Ry .
x− y x− y x− y x− y x− y
__________________________
x y
E Rx − y = E Rx . − E Ry .
x− y x− y
(1.13)
♦ Multiplicación x. y = ( x + E Ax ). y + E Ay ( )
Valor aproximado del producto es igual al producto de los valores aproximados x. y = x. y y el error
absoluto de x. y es E Ax . y = x.E Ay + y.E Ax
El error Relativo
E Ax . y x.E Ay + y.E Ax E Ay E Ax
E Rx. y = = = + = E Rx + E Ry
x. y x. y y x (1.14)
 
 
x + E AX x + E AX  1 
♦ División x ÷ y = = . 
y + E AY y E
 1 + AY 
 y 
 
  2 3
 1  E AY  E AY   E AY 
   
Representando .
E  por la serie: 1 − y +  y  −  y  + ...
 1 + AY     
 y 
Considerando los dos primeros términos de la serie son significativos, nos queda
 
 
x x + E AX  1  x + E AX  E  x E AX x.E AY E AX .E AY
= 1 − AY = +
y
.
E =   y − 2
− 2
y
 1 + AY 
y  y  y y y
 y 
x x E AX x.E AY
= + − 2
por lo que el valor aproximado del cociente es
y y y y
x y.E AX − x.E AY
x÷y = y el error absoluto E Ax / y = 2
y y (1.15)
y.E AX − x.E AY y E AX E AY
E Rx / y = 2
. = − = E Rx − E Ry
y x x y
(1.16)
Ejemplo 1.9: Calcula los errores absoluto y relativo causado por el redondeo simétrico al efectuar,
manejando únicamente tres dígitos para las mantisas, la operación x + y , si x = 765, 4 e
y = 7,362 .
x = 0,765 × 10 3 ; E Ax = 0,4 × 10
0
E Rx = 5,229 × 10−4
y = 0,736 ×101 ; E Ay = 0,2 × 10 −2 E Ry = 2,7174 × 10 −4 ; x + y = 0,772 × 103
Por tanto el error absoluto E Ax+ y = E Ax + E Ay = 0,4 + 0,002 = 0,402
el error relativo:
x y 0,765 × 103 −4 0,736 × 10
1
E Rx+ y = E Rx . + E Ry . = 5,229 × 10−4 + 2,7174 × 10 = 0,0005207493
x+ y x+ y 0,772 × 103 0.772 × 103
de otra manera
E Ax 0,402
E Rx + y = = = 0,0005207253
x+ y 0,772 × 10 3
1.6 – EJERCICIOS
1.1- Expresa las siguientes cantidades en sistema de A.C.F. de tres cifras significativas, por redondeo y
truncamiento:
a) 74,24 b) 8.200,02 c) -1.863,55 d) 0,005 e) -13.485 f) 0,02475
1.2- Considerando las cantidades 28.294 y –13.485 y sus respectivas cantidades redondeadas a cuatro y
tres cifras significativas, 28.290 y -13.500 encontrar las cotas de los errores absolutos y relativos de
tales redondeos.
17
1.3- Si para x = = 0 , 265625 se toma como valores 0,26 ó 0,27, ¿qué error absoluto se comete en cada
64
caso? Calcula también las cotas del error absoluto para ambos resultados.
1.4- A una cinta métrica defectuosa le falta el primer centímetro. Después de medir la longitud con la misma,
se obtiene 15cm. Determina la verdadera longitud de la magnitud medida, el error absoluto de la
medición, el relativo y el porcentual.
1.5- Un voltímetro marca las lecturas con un error de +0,05. Si se toma una lectura de 60V, calcular los
errores absolutos y relativos de la medición.
1.6- Deducir los dígitos correctos de la cantidad aproximada 48,361 que tiene un error relativo máximo del
1%.
1.7- Considerando la operación de suma de 1,015 + 0,3572 en el que ambos sumandos tienen todas sus
cifras correctas. Calcula la cota del error absoluto y relativo de la operación
1.8.- 1.9 - Probar con un ejemplo que, si una cantidad aproximada x tiene n cifras significativas correctas y
la primera de ellas es d , una cota del error relativo viene dada por la expresión:
1
δx =
d × 10 n −1
1.9- Hallar las cifras correctas de la cantidad aproximada 52,135 que posee una cota de error relativo de
valor 0,1× 10−4

1.10- Dadas las cantidades redondeadas que se indican: x = 0,18234 × 10 ; y = 12,314 z = 0,00377 ,
0
aplicando la expresión de la cota del error absoluto en el redondeo simétrico para cantidades
expresadas en coma flotante, calcula el límite máximo de dicho error.
1.11- Se miden dos longitudes, x ≅ 3,32 e y ≅ 5,39. Calcula el valor de las siguientes operaciones,
manteniendo tres dígitos significativos en las sumas.
a) x + y b) x + 0,1 y c) x + 0,01 y
Determine las fuentes de error y magnitudes de los mismos y su incidencia en los resultados.
1.12- Evaluar f ( x) = x − 6,1x + 3,2 x + 1,5 en x = 4,71 usando aritmética de punto flotante con tres
3 2
dígitos. Comparar los resultados haciendo truncamiento y redondeo. Calcular el error relativo en cada
caso considerando como valor exacto f (4.71) = −14,263899 .
1.13- Determinar las cotas del error absoluto y relativo en los resultados de las operaciones siguientes,
donde x = 2,00; y = 3,00 y z = 4,00 han sido correctamente redondeados.
y  y 
a) f = 3x + y + z b) f = x × c) f = xsen 
z  40 
−5
1.14- Sea x = 0,045682138, y δ Ax = 0,5 × 10 una cota de su error absoluto. Dar un intervalo donde se
encuentre el número exacto x . ¿Cuántos dígitos son significativos?
1.15- Si medimos la longitud L, de un pizarrón con una regla graduada hasta los centímetros y
determinamos que mide 2,72m, ¿cuál es una cota para el error absoluto de esta aproximación?
1.16- Sabemos que 17 = 4,1231056... Si tomamos como aproximación de 17 el número 4,12, es decir,
17 ≅ 4,12 ¿cuál es el error máximo en esta aproximación?
1.17- Sabiendo que la medida de la base de un triángulo equilátero, es de 33,333 ± 0,003 cm, calcula el
error relativo y el error porcentual de la superficie y del perímetro. Determina una cota del error
absoluto y relativo de ambas operaciones.

CAPITULO 2
RESOLUCIÓN DE ECUACIONES NO LINEALES
2.1- INTRODUCCIÓN
Los métodos numéricos para resolución de ecuaciones no lineales, suelen ser métodos iterativos que
producen una sucesión de valores aproximados, que se espera, converja a la raíz de la ecuación (un
número “ ξ ” es raíz de una ecuación o cero de una función f (x ) , sí f (ξ ) = 0 ).
Los métodos iterativos son procedimientos para acercarse a la respuesta, mediante aproximaciones
sucesivas. Estos incluyen fórmulas que tienen la propiedad de producir un resultado más próximo al valor
exacto o solución, partiendo de un valor inicial estimado. De esta forma, van calculando las sucesivas
aproximaciones en base a los anteriores, a partir de una o varias
aproximaciones iniciales.
Estos métodos son auto-correctivos. La precisión de la respuesta está

dada por la distancia entre el último valor calculado y la respuesta
esperada. Para llegar al objetivo podemos separar el proceso en dos
etapas o Fases:
♦ FASE 1: Aislamiento: en esta fase se localizan o aíslan las

[ ]
raíces en un intervalo a; b .
♦ FASE 2: Aproximación, que consiste en mejorar sucesivamente
los valores obtenidos en la fase 1, hasta obtener un valor lo suficientemente próximo a la raíz, dentro
de la precisión prefijada.
La convergencia de los métodos iterativos, es la propiedad que tienen las fórmulas iterativas para producir
resultados cada vez más cercanos a la respuesta esperada.
2.2- FASE 1: AISLAMIENTO DE LAS RAICES
En esta fase se realiza un análisis teórico y gráfico de la función f (x ) . Es importante señalar que el suceso
de la FASE 2, depende de la precisión de este análisis. Para el análisis teórico utilizamos frecuentemente el
siguiente teorema:
2.2.1 – Teorema de Bolzano:

Dada una función f (x ) continúa en el intervalo [a, b] . Si f ( a ). f (b) < 0 , entonces existe un punto x = ξ ,
entre “a” y “b” que es cero de f (x ) .

Observación: bajo la hipótesis del teorema anterior, si f ′(x ) existe y mantiene el signo en el intervalo
[a, b] entonces, este contiene un único cero de f (x ) .
Gráficamente
2.2.2 - Uso de tablas

Una de las formas de aislar las raíces de f (x ) , usando los conceptos anteriores, es tabular f (x ) y
analizar los cambios de signos de f (x ) y de la derivada en los intervalos en que f (x ) cambia de signo.
Ejemplo 2.1: Determina los intervalos que contienen a las raíces de las funciones f 1 ( x) = x − 8x + 1
3
−x
y f 2 ( x) = 2e − x , por medio de tablas y considerando apenas los cambios de signos.
a) Para f 1 ( x) = x − 8x + 1 la tabla será:

3
x − ∞ -100 -10 -5 -3 -1 0 1 2 3 4 5
f 1 ( x)
f1 ( x) es continua para todo valor de x, tenemos que los intervalos /−3: −12; /0: 12 y
- - - - - + + - - + + +
Siendo que
[2;3] la función cambió de signo, por lo que existe por lo menos un cero en estos intervalos
−x
b) Para f 2 ( x) = 2e − x tenemos:
x 0 0,5 1 1,5 2
f1 ( x) es continua ∀x , existe un cero de f1 ( x) en /0,5: 12 Para saber si este cero es

f 2 ( x) + + - - -
Siendo que
único en este intervalo analizamos el signo de f 2′ ( x) .
f 2′ ( x) = −2e − x − 1 / x que es menor que 0 ∀x > 0
[ ]
NOTA: si f ( a ). f (b) > 0 entonces podemos tener varias situaciones en a, b , si el intervalo es muy
grande. Se puede observar en las figura en los casos que existe dos raíces y por el tamaño del intervalo no
cumple con el Teorema de Bolzano:

2.2.3 - El método gráfico
El análisis gráfico es fundamental para obtener buenas aproximaciones de las raíces. Existen numerosos
programas que auxilian en la obtención del gráfico de f (x ) . Esto puede hacerse de dos maneras a)
haciendo directamente el gráfico f (x ) de la manera tradicional y b) obteniendo dos funciones g ( x ) = h ( x )
tales que f ( x ) = g ( x ) − h ( x ) = 0 . Graficamos g (x ) y h(x) en los mismos ejes cartesianos y localizamos
lo puntos sobre el eje x donde las curvas se interceptan.
2.3- FASE II: APROXIMACIÓN
Un método iterativo consiste en una secuencia de instrucciones que son ejecutadas paso a paso, algunas
de las cuales son repetidas por ciclos. La ejecución de un ciclo recibe el nombre de iteración. Cada
iteración, utiliza los resultados de las iteraciones anteriores y efectúa determinadas pruebas verificado que el
resultado sea el esperado.
Los métodos iterativos dan una aproximación para la solución, a diferencia de los métodos directos, que dan
la solución exacta. Si la fórmula iterativa converge, la distancia entre valores consecutivos se debe reducir y
se puede usar como una medida para el error.
2.3.1- Diagrama de flujo de un método iterativo

2.3.2- Criterio de parada
Todos los métodos iterativos efectúan un test del tipo: ¿está el valor calculado lo suficientemente próximo a
la raíz exacta? Para tal efecto se introduce el concepto de “raíz aproximada” y “tolerancia del error ε ”, que
es la precisión con que se desea el resultado (cuanto menor sea ε más próximo estamos de la raíz exacta).
Existen dos interpretaciones de la raíz aproximada que no siempre arrojan el mismo resultado:
a) x − ξ < ε
(2.1)
b) f (x) < ε
Como no conocemos el valor de la raíz exacta ξ , no podemos calcular el punto 1 de esa manera, lo que
hacemos es reducir el intervalo que contiene a la raíz a cada iteración, hasta conseguir un intervalo tal que
ξ ∈ [a, b] y b − a < ε ; entonces ∀x ∈ [a, b] se da que x − ξ < ε , de esa manera cumplimos con el
punto a. La condición óptima es que se satisfaga las dos condiciones, pero eso no siempre es posible como
podemos ver gráficamente:
2.4- MÉTODO DE LA BISECCIÓN (BISECTRIZ)
Dada una función f (x ) continúa en el intervalo [a, b] y tal que f ( a ). f (b) < 0 . Considerando que f (x )
posee una única raíz en [a, b] , el método tiene como objetivo reducir la amplitud del intervalo hasta
alcanzar la precisión requerida: b − a < ε , usando para esto divisiones sucesivas del intervalo por la
mitad.
Gráficamente:
Los cálculos para evaluar la secuencia de puntos x0 , x1 , x2 ,.... es la siguiente:

 f (a 0 ) < 0 ξ ∈ [a0 , x0 ]
b + a0  
x0 = 0  f (b0 ) > 0 ⇒ ∴ a1 = a0 ⇒ b0 − a0 > ε
2  f (x ) > 0 b = x
 0  1 0
 f (a1 ) < 0 ξ ∈ [x1 , b1 ]

b + a1  
x1 = 1  f (b1 ) > 0 ⇒ ∴ a 2 = x1 ⇒ b1 − a1 > ε
2  f (x ) < 0 b = b
 1  2 1
 f (a 2 ) < 0 ξ ∈ [a 2 , x 2 ]
b + a2  
x2 = 2  f (b2 ) > 0 ⇒ ∴ a3 = a 2 ⇒ b2 − a 2 < ε
2  f (x ) > 0 b = x
 2  3 2
Como el método utiliza la división sucesiva del intervalo, el criterio de parada para este método será cuando
bk − ak < ε , tomando como valor aproximado de x = xk .
Ejemplo 2.2- Dada la función f ( x) = x log x − 1 , que posee un cero en [2, 3], encuentra la raíz
aproximada con una precisión ε < 10 −1 .
 f (2) = −0,3979 < 0 {ξ ∈ [2,5;3]

3+2 
x0 = = 2,5  f (3) = 0,4314 > 0 ∴ a1 = x0 = 2,5 3−2 =1> ε
2  −3
 f (2,5) = −5,15 × 10 < 0 b1 = b0 = 3
 f (2,5) < 0 ξ ∈ [2,5;2,75]

3 + 2,5 
x1 = = 2,75  f (3) > 0 a 2 = a1 = 2,5 23 − 2.−,5 = 0,5
2  f (2,75) = 0,2082 > 0
 b2 = x 2 = 2,75
 f (2,5) < 0 ξ ∈ [2,5;2,625]

2,75 + 2,5 
x2 = = 2,625  f (2,75) > 0 a3 = a 2 = 2,5 2,75 − 2,5 = 0,25
2  f (2,625) = 0,100 > 0
 b3 = x3 = 2,625
 f (2,5) < 0 ξ ∈ [2,5;2,5625]
2,625 + 2,5 
x3 = = 2,5625  f (2,625) > 0 a 3 = a 2 = 2,5 2,625 − 2,5 = 0,125 > ε
2 
 f (2,5625) = 0,0472 b3 = x3 = 2,5625
 f (2,5) < 0 ξ ∈ [2,5;2,53125]

2,5625 + 2,5 
x4 = = 2,53125  f (2,5625) > 0 a 3 = a 2 = 2,5
2  f (2,53125) = 0,02094 b = x = 2,53125
 3 3
2,5625 − 2,5 = 0,06625 < ε
Valor aproximado de la raíz x = 2,53125

2.4.1- Algoritmo del Método de la Bisección
Sea f (x) continua en [a, b] y tal que f ( a). f (b) < 0
1) Datos iniciales
a) intervalo [a, b]
b) precisión ε
2) Si b − a < ε , entonces elegir como x , un x ∈ [a, b]
3) K =1
4) M = f (a )
a+b
5) x =
2
6) Si M . f ( x) > 0 haga a = x y va para 8)
7) b=x
8) Si b − a < ε , elegir como x , un x ∈ [a, b] . Fin
9) K = K + 1 y vuelve a 5)
2.4.2- Estimativa del número de iteraciones

Dada una precisión ε y el intervalo [a, b] es posible saber cuántas iteraciones serán efectuadas por el
método de la bisección hasta obtener la condición b−a <ε .
Usando el algoritmo anterior tenemos:
bk −1 − a k −1 b −a
bk − a k = = ... = 0 k 0
2 2
b0 − a 0 b0 − a 0
debemos encontrar el valor de k tal que: bk − ak < ε es decir: <ε ó < 2k
2 k
ε
 b − a 0 
log(2 k ) > log 0  ⇒ k . log 2 > log( b0 − a 0 ) − log ε ;
 ε 
log(b0 − a 0 ) − log ε
k> siendo que k es un número entero (2.2)
log 2
Ejemplo 2.3: Del ejercicio del ejemplo 2.2 tenemos que:
log(3 − 2) − log(10 −1 )
k> = 3,32 ⇒ k=4
log 2
por lo tanto son necesarias por lo menos 4 iteraciones para encontrar la raíz aproximada
2.4.3- Comentarios sobre el método
♦ El método siempre converge por lo que se puede aplicar para obtener la raíz aproximada de
cualquier ecuación.
♦ Las iteraciones no implican cálculos complejos, pero si b − a >> ε y si ε es muy pequeña el
número de iteraciones puede ser muy grade, como se puede deducir de la fórmula para calcular el
número aproximado de iteraciones.
2.5- MÉTODO DE LA FALSA POSICIÓN
Considerando la función que se muestra en la siguiente figura, podemos constatar que la raíz “ ξ ” está más
próxima de “ a ” que de “ b ”.

El método de la Falsa Posición, define como el próximo paso xk a la intersección de la recta r (x ) , con el
eje x , que pasa por f (a ) y f (b ) .
Gráficamente:
De la deducción de la ecuación de la recta que pasa por dos puntos:

f ( x K ) − f (a) f (b) − f (a)
= ;
xK − a b−a
Considerando que en x K , f ( x K ) = 0 . Despejamos x K de la ecuación y simplificando tenemos:

f (a)(b − a) af (b) − af (a) − bf (a) + af (a) af (b) − bf (a)
xK = a − = =
f (b) − f (a) f (b) − f (a) f (b) − f (a)
af (b) − bf ( a )
xK = (2.3)
f (b) − f ( a)
Posteriormente aplicamos el teorema Bolzano para determinar el intervalo que contiene a la raíz, es decir; si
f (a). f ( x K ) < 0 , entonces la raíz se encuentra entre a y x K y b pasa a ser x K en la siguiente iteración. El
proceso se repite hasta que cumpla con el criterio de parada.
2.5.1- Algoritmo
[ ]
Si f (x ) es continua en a; b y tal que f ( a ). f (b) < 0
1) leer datos iniciales
[ ]
intervalo a; b , precisión ε
2) Si b − a < ε , entonces elegir como x cualquier x ∈ [a, b]
Si f (a ) < ε , entonces x=a ó
Si f (b ) < ε , entonces x = b y Fin
3) K = 1;
4) M = f (a ) ;
af (b) − bf (a)
5) x = ;
f (b) − f (a)
6) Sí f (x) < ε ; entonces x = x y Fin.
7) Sí M . f ( x) > 0 ; entonces a = x y va la paso 9)
8) b = x;
9) Sí b − a < ε ; entonces elegir como x cualquier x ∈ [a, b]
10) K = K + 1 y vuelve a 4)

Ejemplo 2.4: Encuentra la raíz de la función f ( x ) = x. log x − 1 , en el intervalo [2; 3] para
ε = 10 .
−2
Construyendo una tabla con los valores que intervienen tenemos:
k aK bK f (a ) f (b) xK f (x )
0 2 3 -0,3979 0,4314 2,48 -0,022
1 2,48 3 -0,022 0,4314 2,504 − 1,87 × 10−3 < ε
Para la primera iteración ya cumple con el criterio de parada por lo tanto x = 2,504
2.5.2- Comentarios del método

♦ El método de la Falsa Posición, en general puede obtener un x en la cual f (x) < ε sin que el
[ ]
intervalo a, b sea pequeño. Entonces, si queremos que los dos criterios de parada se cumplan
simultáneamente, el método puede ser divergente.
[ ]
♦ Si f (x ) es continua en a; b y tal que f ( a ). f (b) < 0 , entonces el método de la Falsa Posición tiene
una convergencia asegurada.
♦ Se puede demostrar, que bajo ciertas condiciones, el método de la falsa posición tiene orden de
convergencia lineal, por lo que suele converger más lentamente a la solución de la ecuación que otros
métodos.
♦ Una vez iniciado el proceso iterativo, uno de los extremos del intervalo tiende a no modificarse.
Muchas veces es importante conocer cuál de los extremos del intervalo es el que permanece
inalterado y eso es posible analizando el signo de la segunda derivada de la función, como se muestra
a continuación:
Gráficamente:

2.7- MÉTODO ITERATIVO LINEAR (M.I.L) O ITERACIÓN DEL PUNTO FIJO
El M.I.L. consiste en transformar una ecuación en otra equivalente tal que x = ϕ (x ) ; es decir de una
aproximación inicial x0 , generar una secuencia de {xk } de aproximaciones para la raíz ξ por la relación
xk +1 = ϕ ( xk ) , pues la función ϕ ( xk ) es tal que f (ξ ) = 0 , si y solo sí ξ = ϕ (ξ ) .
Una función ϕ (x ) que cumple esta condición es llamada de “función de iteración”, para la cual la
ecuación f ( x ) = 0 .
Ejemplo 2.5 Para la ecuación x + x − 6 = 0 podemos obtener varias funciones de iteración:

2
1) ϕ 1 ( x) = 6 − x 2
6
3) ϕ 3 ( x) = −1
x
2) ϕ 2 ( x ) = 6 − x
6
4) ϕ 4 ( x ) =
x +1
Dada la función f (x ) , existen infinitas funciones ϕ (x ) que son funciones de iteración. La forma general de
esta función es: ϕ ( x ) = x + A( x ). f ( x ) , con la condición que en el punto fijo de ϕ (x ) , se tenga
A(ξ ) = 0 ⇔ ϕ (ξ ) = ξ .
Gráficamente:
Convergentes
Divergentes

2.7.1- Estudio de Convergencia del M.I.L.
Vimos en el ejemplo 2.5, que dada una ecuación f ( x ) = 0 puede existir más de una función ϕ (x ) tal que
f ( x ) = 0 ⇔ x = ϕ ( x ). Pero no cualquier ϕ (x ) , que en un proceso recursivo definido por x k +1 = ϕ ( x k ) ,
genera una secuencia que converge para la raíz.
Ejemplo 2.6: De la ecuación x + x − 6 = 0 , que tiene raíces en

2
ξ1 = −3 y ξ 2 = 2 , probamos dos
funciones de iteración para un punto inicial x0 = 1,5
a) ϕ 1 ( x) = 6 − x 2
x1 = ϕ ( x 0 ) = 6 − 1,5 2 = 3,75
x2 = ϕ ( x1 ) = 6 − 3,752 = −8,0625
x3 = ϕ ( x 2 ) = 6 − ( −8,0625) 2 = −59,00396...
...no converge para la raíz ξ 2 = 2
Como se muestra en el gráfico
b) ϕ 2 ( x) = 6 − x
x1 = ϕ ( x0 ) = 6 − 1,5 = 2,12132..
x2 = ϕ ( x1 ) = 1,96944
x3 = ϕ ( x2 ) = 2,00763
x4 = ϕ ( x3 ) = 1,99809
x5 = ϕ ( x4 ) = 2,00048
……. Como se muestra en el gráfico
Las condiciones suficientes para que el proceso sea convergente, las da el siguiente teorema:
TEOREMA: Sea ξ una raíz de la ecuación f ( x ) = 0 , aislada en el intervalo [a, b] . Sea ϕ (x ) una función
de iteración para la ecuación f ( x ) = 0 . Si
a) ϕ (x ) y ϕ ′(x ) son continuas en [a, b] ,
b) ϕ ′( x) ≤ M < 1 , ∀x ∈ [a, b]
c) x0 ∈ [a, b]
Entonces la secuencia { xk +1 } generada por el proceso iterativo x k +1 = ϕ ( x k ) , converge para ξ.
Ejemplo: 2.7 Analizar las condiciones de convergencia para las funciones de iteración de la
ecuación del ejemplo anterior.
a) ϕ1 ( x) = 6 − x 2 derivada ϕ1′ ( x) = −2 x en I = [1,5; 2]

ϕ1 ( x) y ϕ1′ ( x) son continuas en I ;
ϕ1′ ( x) > 1 ∀x ∈ I
1
b) ϕ 2 ( x) = 6 − x derivada ϕ 2′ ( x) = en I = [1,5; 2]
2 6− x
ϕ 2 ( x) es continuas en S = {x ∈ IR / x ≤ 6};

ϕ 2′ ( x) es continua en S = {x ∈ IR / x < 6};

1
ϕ 2′ ( x) < 1 ⇔ < 1 ⇔ x < 5,75 ∴ es posible obtener un intervalo centrado en
2 6−x
I tal que {xk } → ξ
6 6
c) ϕ 3 ( x) = − 1 ; derivada ϕ 3′ ( x ) = − 2 en I = [1,5; 2]
x x
ϕ 3 ( x) y ϕ 3′ ( x) tienen una discontinuidad en x = 0 , fuera del intervalo I
6
ϕ 3′ ( x) < 1 en I ∴ < 1 x < − 6 o x > 6 . Los intervalos que la función generará
x2
un proceso convergente son − ∞;− 6 [ ] y[ ]
6 ; ∞ por lo tanto esta función encontrara la
raíz negativa o sea ξ = −3 , pero no la raíz positiva.
2.7.2- Criterio de Parada

Los dos criterios de paradas pueden ser utilizados con este método indistintamente, pero no en forma
simultánea.
2.7.3- Algoritmo
Sea f ( x ) = 0 y la ecuación equivalente x = ϕ (x ) , suponiendo que cumpla las condiciones de
convergencia.
1) Datos iniciales x0 aproximación inicial; ε precisión
2) Si f ( x0 ) < ε entonces x = x0 y Fin.
3) K = 1;
4) x1 = ϕ ( x 0 ) ;
5) Si f ( x1 ) < ε o si x1 − x0 < ε , entonces x = x1 y Fin.
6) x0 = x1 ;
7) K = K + 1 , y vuelve a 4)
2.8- MÉTODO DE NEWTON
Consideremos que f (x ) es continua en [a, b] , y que f ′( x ) ≠ 0 . Considerando el primer polinomio de

Taylor para f (x ) expandido alrededor de x0
(x − x 0 )2
f ( x) = f ( x 0 ) + ( x − x 0 ) f ′( x 0 ) + f ′′(( p )),
2
donde el último término representa el error y p está entre x y x0 . Dado que f (ξ ) = 0 y que ξ − x0 es
muy pequeño, el término (ξ − x 0 ) es mucho menor y la expresión queda
2
f ( x0 )
0 ≈ f ( x 0 ) + (ξ − x 0 ) f ′( x ) despejando ξ de esta ecuación, tenemos ξ = x0 −
f ′( x0 )
Esto nos prepara para introducir el método de Newton, el cual comienza con una aproximación inicial x0 y
genera la sucesión {x } ∞
k n =0 definida por:
f ( xk )
x k +1 = x k −
f ′( x k ) (2.4)
Gráficamente
La figura muestra cómo se obtiene las aproximaciones usando tangentes sucesivas. Comenzando con la
aproximación inicial x0 , se van calculando las demás aproximaciones x1 , x 2 ,.... hasta cumplir el criterio de
convergencia.
Ejemplo 2.8: Calcula por el método de Newton-Raphson, la raíz aproximada de la ecuación

x 2 + 2 x − 6 = 0 , que se encuentra en el intervalo [1; 2], para ε < 10 −3 .
Solución:
calculamos la derivada f ′( x ) = 2 x + 2 y el proceso iterativo para el método será:
f ( xk ) x 2 + 2 xk − 6
x k +1 = x k − = xk − k ; tomando valor inicial x 0 = 1 ; tenemos los valores en la
f ′( x k ) 2 xk + 2
siguiente tabla
k xk f ( xk ) f ′( x k ) x k +1 f ( x k +1 )
0 1 -3 4 1,75 0,5625
1 1,75 0,5325 5,5 1,6477 0,0103
2 1,6477 0,0103 5,2954 1,64575 -6,9 × 10 −6
Valor aproximado de la raíz x = 1,64575
2.8.1- Algoritmo
Dada la función f (x) y f ′(x) continuas en [a, b] ;
1) Datos iniciales
x 0 aproximación inicial
ε precisión
2) Sí f ( x0 ) < ε ; entonces x = x0 y Fin
3) k =1
f ( x0 )
4) x1 = x0 −
f ′( x0 )
5) Si f ( x1 ) < ε o
si x1 − x0 < ε entonces x = x1 y Fin
6) x0 = x1
7) k = k + 1 y vuelve a 4)
2.9- MÉTODO DE LA SECANTE

Una gran desventaja del método de Newton es obtener y calcular la derivada de la función. Una forma de
evitar ese inconveniente es sustituir la derivada por la recta secante:
f ( x k ) − f ( x k −1 )
f ′( x) = , donde x k y xk −1 son dos aproximaciones para la raíz, sustituyendo en la
x k − x k −1
f ( xk )
ecuación de iteración de Newton tenemos: ϕ ( x k ) = x k −
f ( x k ) − f ( x k −1 )
x k − x k −1
x k −1 f ( xk ) − x k f ( xk −1 )
ϕ ( xk ) =
f ( xk ) − f ( xk −1 )
(2.5)
Gráficamente:
Ejemplo 2.3.7- Aplicar el método de la secante para encontrar la raíz aproximada de la ecuación
x 2 + x − 6 = 0 . ξ = 2 x 0 = 1,5 x1 = 1,7
x0 f ( x1 ) − x1 f ( x0 ) 1,5.(−1,41) − 1,7.(−2,25)
x2 = = = 2,03571; f ( x2 ) = 0,17983 ; x1 − x0 = 0,2
f ( x1 ) − f ( x0 ) − 1,41 + 2,25
1,7(0,17983) − 2,03571( −1,41)

x3 = = 1,9974 ; f ( x3 ) = −0,01131 ; x2 − x1 = 0,2974
0,19983 + 1,41
2,0357( −0,01131) − 1,9974(0,17983)

x4 = = 1,9999... f ( x 4 ) = 0,004099 ; x3 − x2 = 0,03831
− 0,01131 − 0,17983
2.9.1- Algoritmo
Dada la función f (x ) y f ′(x ) continuas en [a, b] ;
1) Datos iniciales
x 0 y x1 aproximaciones iniciales
ε precisión
2) Si f ( x0 ) < ε entonces x = x0 y Fin
f ( x1 ) < ε ; entonces x = x1 y Fin
3) k = 1

x0 f ( x1 ) − x1 f ( x0 )
4) x2 =
f ( x1 ) − f ( x0 )
5) Si f ( x 2 ) < ε o entonces x = x 2 y Fin
6) x0 = x1 y x1 = x2
7) k = k + 1 y vuelve a 4)
2.10- COMPARACIÓN DE LOS MÉTODOS
♦
continua en a, b y tal que # 5 ∙ # 7 < 0; mientras que el Método Iterativo Lineal, de Newton y
Los métodos de la bisección y Falsa Posición tienen convergencia asegurada desde que f (x ) sea
[ ]
de la Secante, tienen condiciones especiales para la convergencia. Siendo las últimas de
convergencia más rápida.
♦ El método de la bisección efectúa cálculos simples, mientras que el de Newton requiere cálculos
más elaborados en cada iteración. Por otro lado, el número de iteraciones efectuadas por el método
de la bisección es mucho mayor que el método de Newton.
2.11- EJERCICIOS
2.1- Encuentra las soluciones reales de las ecuaciones siguientes, por el método de la bisección y de la
Falsa Posición con una precisión de ε < 10 −2
a) f ( x ) = cos( x ) − x
b) f ( x) = x 3 − 5x − 6
2.2- Localiza la raíz positiva de f ( x ) = 0,5 x − sen ( x ) . Donde esta dada en radianes. Utiliza el método
gráfico y después calcula tres iteraciones con el método de Newton Rapshon, con valor inicial de 2.
Repita los cálculos con un valor inicial de 1. Utiliza el método gráfico para explicar los resultados
2.3- Calcula las soluciones reales de las ecuaciones siguientes por el método de Newton Raphson y el de la
secante, para una tolerancia del error del 0,05%
a) f ( x ) = ln( x ) + 2 x − 1 b) f ( x) = 2 sen ( x ) − x
2.4- Determina varias funciones de iteración para el M.I.L. y en cada caso comprueba su convergencia para
la raíz de la función f ( x) = x 2 + 2 x.sen( x) − 1 ; en el intervalo [0; 1].
2.5- Utiliza los métodos de la bisección, Falsa Posición, Iterativo Lineal, de Nw –R y el de la secante para
encontrar la raíz aproximada de las siguientes funciones:
f ( x) = e − x − cos( x) ; −2
2
a) intervalo [1; 2]; aproximación 10
b) f ( x) = x 3 − x − 1 intervalo [1; 2]; aproximación 10
−2
c) f ( x) = 4sen( x) − e ;
x −2
intervalo [0; 1]; aproximación 10
Determina la aproximación inicial utilizando el método gráfico de la Fase I y haga una tabla que
contenga los valores de , el error relativo aproximado y el número de iteraciones de los diferentes
métodos. Comente los resultados.
2.6- Aplicar el método de la Falsa Posición para encontrar la primera raíz positiva de la función
x 2 . ¿Qué ocurre con la convergencia del método? Explica.
f (x) = 1 + x −
4
2.7- Determina la raíz mayor de f ( x) = x − 6 x + 11x − 6
3 2
a) Gráficamente
b) Por el método de la bisección (dos iteraciones a = 2,5 y b = 3,6)
c) Por el método de la Falsa Posición (dos iteraciones a = 2,5 y b = 3,6)

d) Por el método de Newton - Raphson (dos iteraciones x 0 = 3.6)

e) Por el método de la Secante (dos iteraciones [2,5; 3.6])
2.8- Deduzca un esquema iterativo para encontrar la raíz cuadrada de un número a con base en la
iteración de Newton. Prueba el esquema para a = 7 utilizando 1 como valor inicial y una aproximación
ε < 10 −5 .
2.9- Aplique el método de Newton – Raphson para encontrar al raíz aproximada x con una precisión
ε = 1 × 10 −4
, de la función f ( x) = x − 9 x + 3
3
2.10- Encuentra la raíz de la función f ( x) = e − 4 ln x , con una precisión ε < 10

cos x −5
. Determine el
intervalo que contiene a la raíz y el criterio de parada según el método seleccionado.
−3
2.11- Aplica el método de Newton Raphson para obtener la solución, con una exactitud de 10 , para la
función f ( x) = x − 2 − 0,2 senx [0; π ]
tan g ( x)
2.12- Encuentra el punto positivo donde la función f ( x ) = alcanza su valor mínimo calculando los
x2
ceros de f ′(x ) con el método de Newton-Raphson. Calcule dicho valor mínimo con por lo menos 4
decimales exactos.
2.13- Se quiere evaluar el logaritmo natural de un número a , pero la calculadora a utilizar solo cuenta con la
x
función exponencial e . Proponer un método para calcular ln(a ) y evaluarlo utilizando aritmética de
coma flotante con 4 dígitos de precisión.
2.14- Dos escaleras se cruzan en un pasillo de ancho w como se muestra en la figura. Las escaleras se
cruzan a una altura h arriba del piso. Dado que las longitudes de las escaleras son
6 y 9 metros y que h = 2,4 m , calcula el ancho del pasillo w , utilizando uno de los
métodos numéricos.

CAPITULO 3
SISTEMAS DE ECUACIONES LINEALES
3.1- INTRODUCCIÓN
En la práctica de la ingeniería y ciencias es frecuente tener la necesidad de resolver un sistema de

ecuaciones lineales. Estos sistemas aparecen en muy diversos problemas, ya sea como la solución
completa o al menos como parte de ella. Dada esta necesidad frecuente, se requiere resolverlos en forma
eficiente. En este capítulo veremos algunos métodos de solución de sistemas de ecuaciones lineales.
El problema a resolver es un sistema de n ecuaciones con n incógnitas: x1 , x 2 , x3 ,..., x n ; escritos en la
forma Ax = b , tenemos que:
a11 a12 a13 ...a1n x1 b1
a a 22 a 23 ...a 2 n x2 b2
A = 21 x= b=
. . . . . .
a n1 a n 2 a n 3 ...a nn xn bn
Los procedimientos de resolución de sistemas de ecuaciones lineales se dividen fundamentalmente en dos

grupos: los métodos directos y los métodos iterativos.
3.2 – MÉTODOS DIRECTOS
Son aquellos que dan los valores exactos, (sin errores de redondeo) caso exista, en un número finito de
pasos. Si usamos aritmética finita para los cálculos, obtendremos por lo general una solución aproximada,
debido únicamente a los errores de redondeo, puesto que no hay errores de truncamiento o de fórmula. De
estos métodos tenemos: la Regla de Cramer, el método de Eliminación de Gauss y el método de
Descomposición L.U.
3.2.1- Regla de Cramer:

Este método es aplicado a la solución de un sistema lineal n × n , en términos de determinantes y es de
importancia teórica, porque da una expresión explícita para la solución del sistema. Sin embargo, para
sistemas de más de tres ecuaciones su aplicación resulta excesivamente costosa computacionalmente
hablando, siendo ineficiente para grandes matrices.
3.2.2 - Método de Eliminación de Gauss

El método de Eliminación de Gauss consiste en transformar el sistema lineal en un sistema lineal
equivalente donde la matriz de los coeficientes es triangular superior.
El método de basa en tres operaciones permitidas que no cambian la solución del sistema:
a) Una ecuación puede multiplicarse por una constante diferente de cero.
b) Una ecuación puede ser sustituida por una combinación lineal de ella con otra.
c) Se puede intercambiar ecuaciones.
El resultado de la transformación, por lo tanto será una matriz triangular superior, del tipo:
a11 x1 + a12 x 2 + a13 x3 ... + a1n x n = b1
+ a 22 x 2 + a 23 x3 ... + a 2 n x n = b2
. ... ...
a nn x n = bn (3.1)

bn
donde la resolución será de atrás hacia delante, calculamos xn = , y posteriormente
a nn
bn −1 − a ( n −1), n x n
x n −1 = , así sucesivamente:
a ( n −1),( n −1)
b1 − a12 x 2 − a13 x3 − ... − a1n x n
hasta; x1 =
a11
Dado un sistema triangular superior 8 × 8, con elementos de la diagonal de la matriz A no nulos, las
3.2.2.1 – Algoritmo
variables x1 , x 2 , x3 ,..., x n son obtenidas por:

b
xn = n
a nn
de k = n − 1 a 1 ; haga:
n
bk − ∑a
j = k +1
k, j xj
xk =
ak ,k
fin
Descripción del Método Consideremos que la matriz de los coeficientes A tiene su determinante diferente
a cero, también llamaremos de etapa k del proceso de eliminar la variable x k de la ecuación
k + 1, k + 2,..., n
a i(,kj) coeficiente de la línea i , columna j al final de la etapa k
bi(k ) valor del término independiente de la línea i en la etapa k
Se toma la matriz de los coeficientes A ampliada
a11 a12 a13 ...a1n | b1 a11( 0 ) a12( 0) a13( 0) ...a1(n0 ) | b1( 0)
a 21 a 22 a 23 ...a 2 n | b2 a ( 0 ) a 22
(0) (0)
a 23 ...a 2( 0n) | b2( 0)
⇒ 21 =A
(0)
: : : : : : : : : :
a n1 a n 2 a n 3 ...a nn | bn a n1 a n 2 a n 3 ...a nn | bn( 0)
(0) (0) (0) (0)
Etapa (1) (k = 1)
• el elemento a11( 0) es llamado de pívot de la etapa (1) (asumimos que a11(0) ≠ 0 )
a i(10)
• los elementos mi1 = ( 0 ) ∀i = 2,3,..., n son los multiplicadores de la etapa (1)
a11
• eliminamos las variables x1 de las ecuaciones 2, 3, ..., n , sustituyendo la i − ésima línea por ella
misma, menos la primera ecuación (línea) multiplicada por mi1 .
Al final de la etapa (1) tendremos:

a11(1) a12(1) a13(1) ...a1(1n) | b1(1)
(1) (1)
0 a 22 a 23 ...a 2(1n) | b2(1)
= A (1) donde a1 j = a1 j ; ∀j = 1,2,..., n
(1) ( 0)
: : : : :
(1) (1) (1)
0 a n2 a n3 ...a nn | bn(1)

7 =7
i = 2,3,..., n
a ij(1) = a ij( 0) − mi1 × a1(0j ) ; ∀
 j = 1,2,..., n
bi(1) = bi( 0) − mi1 × b1( 0) ; ∀i = 2,3,..., n
Etapa (2) (k = 2)
(1)
• pívot a22
ai(21)
• multiplicadores mi 2 = (1) ∀i = 3,4,..., n
a 22
• eliminamos la variable x 2 de la línea 3 y queda:
a11( 2 ) a12( 2) a13( 2) ...a1(n2) | b1( 2)
( 2) ( 2)
0 a 22 a 23 ...a 2( 2n) | b2( 2)
: : : : :
( 2) ( 2)
0 0 a n3 ...a nn | bn( 2)
i = 1,2
a ij( 2 ) = a ij(1) ∀
 j = 1,2,...., n
bi( 2) = bi(1) ⇒ i = 1,2;
dónde:
i = 3,4,..., n
a ij( 2 ) = a ij(1) − mi 2 × a 2(1j) ∀
 j = 2,3,..., n
bi( 2) = bi(1) − mi 2 × bi(1) ⇒ i = 3,4,..., n
y así sucesivamente, por último tenemos la matriz triangular superior, equivalente a la matriz original A
a11( n−1) a12( n −1) a13( n −1) ...a1(nn −1) | b1( n −1)
( n −1) ( n −1)
0 a 22 a 23 ...a 2( nn−1) | b2( n −1)
⇒ A ( n −1) x = b (n −1)
: : : : :
( n −1) ( n −1)
0 0 0 ...a nn |b n
3.2.2.2- Algoritmo del Método de eliminación de Gauss

Dado un sistema lineal Ax = b , siendo An×n , xn×1 y bn×n . Suponiendo que a kk( k −1) ≠ 0, ∀k = 1,2,..., n − 1
Para k = 1 hasta n − 1
Para i = k + 1 hasta n → (líneas)
a
Calcular: m = ik ;
a kk
a ik = 0;
Para j = k + 1 hasta n → (columnas)
a ij = a ij − m × a kj ;
bi = bi − m × bk ;
bn
xn = ;
a nn

Para k = n − 1 hasta 1
n
bk − ∑a
j = k +1
ij × xj
xk =
a kk
Fin
Ejemplo 3.1: Dado el siguiente sistema de ecuaciones, resolver por el método de eliminación de
Gauss
3x1 + 2 x2 + 4 x3 = 1 3(0) 2 (0) 4 (0) 1( 0).

 x1 + x2 + 2 x3 = 2 la matriz A de los coeficientes ampliada será 1( 0) 1( 0) 2 (0) 2 ( 0 ).
4 x + 3x2 − 2 x3 = 3 4 ( 0) 3(0) − 2 (0) 3 ( 0 ).
 1
Etapa k = 1 eliminar x1
• pívot a11 = 3
(0)
a 21 1
• multiplicadores m 21 = ( 0 ) =
a11 3
(0)
a 31 4 L2 = L2 − m21 × L1
m31 = ( 0 ) = la operación en las líneas será:
a11 3 L3 = L3 − m31 × L1
3 (1) 2 (1) 4 (1) 1(1) .

(1) (1) (1)
1 2 5
y al final de la etapa (1) la matriz de los coeficientes queda 0
3 3 3
(1) (1) (1)
1 22 5
0 −
3 3 3
Etapa k = 2, eliminar x2
1
• pívot a 22 =
(1)
3
(1)
a31
• multiplicadores m31 = (1)
=1
a 22
haciendo L3 = L3 − m32 × L2 al final de la etapa 2 tenemos que la matriz de los coeficientes es:

3( 2) 2 ( 2) 4 ( 2) 1( 2).  x3 = 0

5/3 − 0
( 2) ( 2) (2)
1 2 5 
0 donde la solución es ⇒  x 2 = =5
3 3 3  1/ 3
0 0 − 8 ( 2) 0 (2)  1 − 2 x5 − 0
 x1 = = −3
= −3; =5y =0
3
y la solución del sistema es 9
3.2.3 - Descomposición LU
Dado un sistema lineal Ax = b , el método de solución por descomposición LU consiste en transformar la
matriz de los coeficientes A en el producto de dos o más matrices.
Si hacemos A = L ⋅ U ; tendremos: ( L ⋅ U ) x = b , si llamamos U .x = y tendremos el sistema original escrito
como Ly = b , donde primeramente resolvemos este sistema y luego podemos resolver Ux = y .

La ventaja de este método de resolución es que si el vector de los términos independientes b es alterado,
la solución se obtiene casi inmediatamente sin necesidad de volver a calcular todo desde el inicio. La matriz
L es triangular inferior con diagonal unitaria y la matriz U es una matriz triangular superior.
3.2.3.1- Cálculo de los factores LU

Como obtener las matrices L y U veremos a través de un sistema 3x3. Para el efecto aplicamos el método
de eliminación de Gauss.
a11 x1 + a12 x2 + a13 x3 = b1
a 21 x1 + a 22 x2 + a 23 x3 = b2
a31 x1 + a32 x2 + a33 x3 = b3
trabajando solamente con la matriz de los coeficientes

( 0)
a 21
(0)
a11 (0)
a12 (0)
a13 m 21 = ( 0)
a11
A (0) = = A pívot a11 , multiplicadores:
(0) (0) (0) ( 0)
. a 21 a 22 a 23 (0)
(0) (0) (0) a 31
a 31 a 32 a33 m31 = (0)
a11
Para eliminar x1 de la línea i = 2,3 hacemos:
a (1)
ij =a ( 0)
ij − mij a1( 0j ) donde i = 2,3 y j = 1,2,3 quedando a1(1j) = a1( 0j ) para j = 1,2,3
Estas operaciones equivalen a multiplicar la matriz A( 0) por la matriz M ( 0 ) , donde
1 0 0
M ( 0 ) = − m21 1 0
− m31 0 1
1 0 0 a11( 0 ) a12( 0 ) a13( 0 ) a11( 0 ) a12( 0 ) a13( 0 )

⇒ M (0) A ( 0) = − m21 ( 0)
1 0 . a 21 (0)
a 22 (0)
a 23 = a 21 − m 21 a11
( 0) (0) (0)
a 22 − m21 a12( 0 ) (0)
a 23 − m 21 a 23
(0)
=
− m31 ( 0)
0 1 a 31 (0)
a 32 (0)
a33 (0)
a 31 − m31 a11( 0 ) (0)
a32 − m31 a12( 0 ) (0)
a 33 − m31 a 33
(0)
(1) (1) (1)

a11 a12 a13
=. 0 (1)
a 22 (1)
a 23 = A (1)
(1) (1)
0 a32 a33
Por lo tanto M ( 0 ) × A ( 0 ) = A (1) es la matriz obtenida de la primera etapa del proceso de eliminación de
Gauss. Para la segunda etapa las operaciones de eliminar la variable x 2 es equivalente a multiplicar la
matriz
(1)
1 0 0 (1)
a11 (1)
a12 (1)
a13 a11 a12(1) a13(1)
M (1) = 0 1 0 por A (1) = . 0 (1)
a 22 a 23 = . 0
(1) (1)
a 22 (1)
a 23 = A ( 2)
0 − m32 1 0 (1)
a32 (1)
a33 0 (1)
a 32 − m32 a 22
(1) (1)
a33 − m32 a 23
(1)
Por lo tanto M (1) × A (1) = A ( 2 ) que es la misma matriz obtenida en la segunda etapa del proceso de
eliminación de Gauss. Tenemos entonces que:
A ( 0 ) = A y que M ( 0 ) × A ( 0 ) = M (0 ) × A = A (1) ;
A ( 2 ) = M (1) × A (1) = M (1) × M ( 0 ) × A
donde A
( 2)
es triangular superior. Entonces: A = M [ (1)
M ( 0) ]
−1
[
A ( 2) = M (1) ] [M ]
−1 ( 0 ) −1
A ( 2)

1 0 0 1 0 0 1 0 0
como M[ ]
( 0 ) −1
= m 21 1 0 y M (1) [ ]
−1
= 0 1 [
0 entonces M (1) ] [M ]
−1 ( 0 ) −1
= m 21 1 0
m31 0 1 0 m23 1 m31 m32 1
( 2) ( 2) (2) ( 2) ( 2) ( 2)
1 0 0 a11 a12 a13 1 0 0 a11 a12 a13
y A = m 21 1 0 0 ( 2)
a 22 (2)
a 23 = LU donde L = m21 1 0 y U =. 0 ( 2)
a 22 ( 2)
a 23
(2) ( 2)
m31 m32 1 0 0 a 33 m31 m32 1 0 0 a 33
Ejemplo 4.2: Dado el siguiente sistema de ecuaciones, resolver por el método LU
3x1 + 2 x2 + 4 x3 = 1 3( 0) 2 (0) 4 (0)


 x1 + x2 + 2 x3 = 2 donde la matriz A de los coeficientes es: 1(0) 1(0) 2 (0)
4 x + 3x2 − 2 x3 = 3 4 ( 0) 3( 0) − 2 (0)
 1
Etapa k = 1 eliminar x1
• pívot a11 = 3
(0)
a 21 1
• multiplicadores m21 = (0)
=
a11 3
(0)
a 31 4
m31 = (0)
=
a11 3
3 2 4
0 1 / 3 2 / 3 donde la matriz LU se pueden almacenar en una misma matriz
0 1 / 3 − 10 / 3
3 2 4
A (1)
= 1/ 3 1/ 3 2 / 3
4 / 3 1 / 3 − 10 / 3
1
pívot a 22 =
(1)
3
(1)
3 2 4
a 32
multiplicadores m32 = (1)
=1 A ( 2)
= 1 / 3 1 / 3 2 / 3 Por tanto:
a 22
4/3 1 −4
1 0 0 3 2 4
L = 1 / 3 1 0 y la matriz U = 0 1 / 3 2 / 3 . Resolviendo Ly = b
4/3 1 1 0 0 −4

1 0 0 y1 1  y1 = 1

1/ 3 1 0 y2 = 2 ⇒  y2 = 2 − 1/ 3 = 5 / 3
4 / 3 1 1 y3 3 y = 3 − 4 / 3 − 5/ 3 = 0
 3
para obtener x resolvemos Ux = y


3 2 4 x1 1  x3 = 0 −3

0 1 / 3 2 / 3 x2 = 5 / 3  5/3 la solución del sistema es x = 5
⇒  x2 = =5
 1 / 3
0 0 − 4 x3 0 0
 1− 2×5
 x1 = 3
= −3
3.2.4 – Pivoteo parcial

Los métodos directos presentan un inconveniente cuando el pívot, en el proceso de eliminación, es igual a
cero. Para evitar la división por cero, se utiliza la técnica del pivoteo que consiste en comparar todos los
elementos de la columna donde se encuentra el pívot. Se elige el mayor elemento en módulo y lo llevamos
como pívot por medio del intercambio de filas, entre aquella que tiene el pívot y la que posee el mayor
elemento. Este proceso se repite en cada etapa del proceso de eliminación. Otra ventaja es la de minimizar
los errores de redondeo que se propagan el a través de las operaciones.
3.3 – MÉTODOS ITERATIVOS
Si bien los métodos directos dan la solución exacta no siempre se pueden aplicar. Para ver la razón
consideremos las fuentes de error. El error inherente, de momento lo podemos despreciar. El error de
redondeo esencialmente depende del número de cálculos. Mientras mayor sea el número de ecuaciones, se
requieren más operaciones y por lo tanto existirá más error de redondeo. En pocas palabras, si el número
de ecuaciones es grande el error de redondeo puede crecer tanto, que puede invalidar la solución. En la
práctica no es raro usar cientos o a un miles de ecuaciones, por esta razón, se crearon los métodos
iterativos. Estos son esencialmente inmunes al redondeo.
Los sistemas lineales de grande porte en general poseen un gran porcentaje de ceros en la matriz de los
coeficientes. Para estos sistemas el método de eliminación de Gauss no es aconsejable, dado que durante
el proceso de eliminación, muchos elementos nulos pasaran a ser no-nulos.
(k ) ( k +1)
Los métodos iterativos consisten en algoritmos simples para convertir cualquier vector x en otro x
(k )
que depende de x ,A y b y preserva la característica de A , dado que los coeficientes de A no son
alterados.
La idea central de los métodos iterativos es generalizar el método iterativo lineal, visto en el capítulo 2,
donde dado el sistema lineal Ax = b , este es convertido en un sistema similar del tipo x = Cx + g = ϕ (x) ,
donde C es una matriz n × n y g es un vector n × 1 . Entonces ϕ ( x ) = Cx + g es la función de iteración
(0)
en forma matricial. El método parte de x , llamado de valor inicial (vector), y va calculando otros vectores
llamados de vectores de aproximación a la raíz:
x (1) = Cx (0) + g = ϕ ( x (0) ); Primera aproximación;
x ( 2) = Cx (1) + g = ϕ ( x (1) ); Segunda aproximación….
De forma genérica x
( k +1)
= Cx ( k ) + g = ϕ ( x ( k ) )
3.3.1- Criterio de parada

El criterio de parada comúnmente usado por los métodos iterativos, consiste en medir cuan próximo esta
x ( k +1) de x (k ) . Para ello, calculamos el error a absoluto M ( k +1) = max xi( k +1) − xi( k ) ; ∀i = 1,..., n

Dada una precisión ε , el vector x (k ) será elegido como solución aproximada sí M ( k +1) < ε . Otro criterio de
(k +1)
parada, y el más conveniente de utilizar, es el criterio de parada del error relativo M R < ε , donde
M ( k +1)
M R( k +1) = ;∀ 1≤ i ≤ n
máx xi( k +1)
NOTA: Otro criterio de parada es el máximo número de iteraciones k
3.3.2 – Método Iterativo de Gauss-Jacobi

La forma como el método de Gauss-Jacobi transforma el sistema lineal Ax = b en x = Cx + g es el
siguiente:
a11 x1 + a12 x 2 + a13 x3 ... + a1n x n = b1
a 21 x1 + a 22 x 2 + a 23 x3 ... + a 2 n x n = b2
: : : ...
a n1 x1 + an 2 x2 + a n3 x3 ... + a nn x n = bn
Suponiendo que akk ≠ 0 ∀k = 1,2,..., n y despejando x , tenemos:
x1 =
1
[b1 − a12 x2 − a13 x3 − ... − a1n xn ]
a11
x2 =
1
[b2 − a21 x1 − a 23 x3 − ... − a 2n xn ]
a 22
:
xn =
1
[bn − a n1 x1 − a n 2 x2 − ... − an,n−1 xn ]
a nn
Entonces; de x = Cx + g vemos que:

b1
a a a
0 − 12 − 13 ... − 1n a11
a11 a11 a11
a11 a 23 a2n b2
− 0 − ... −
C= a a 22 a 22 ; g = a 22
22
: : 0 : .:
:
a an 2
− n1 − ....: 0 bn
a nn a nn .
a nn
(0)
El método de Gauss-Jacobi consiste en que dado un vector de aproximación inicial x , obtenemos
( k +1)
(1) ( 2)
x , x ,..., x (k )
a través de la relación recursiva x = Cx (k )
+ g. Entonces ϕ ( x ) = Cx + g es una
función de iteración en forma matricial.
La forma general para la función recursiva está dada por:

x1( k +1) =
1
a11
[
b1 − a12 x 2( k ) − a13 x3( k ) − ... − a1n x n( k ) ]
x 2( k +1) =
1
a 22
[
b2 − a 21 x1( k ) − a 23 x3( k ) − ... − a 2 n x n( k ) ]
:
x n( k +1) =
1
a nn
[
bn − a n1 x1( k ) − a n 2 x 2( k ) − ... − a n ,n −1 x n( k−1) ]
Ejemplo 3.3 Resuelve el siguiente sistema lineal, utilizando el método de Gauss-Jacobi

10 x1 + 2 x2 + x3 = 7 0,7

 x1 + 5x2 + x3 = −8 siendo vector inicial x (0)
= − 1,6 y una tolerancia del error ε ≤ 0,05
 2x + 3x2 + 10 x3 = 6 0,6
 1
El proceso recursivo de Gauss-Jacobi será:
x1( k +1) =
1
10
(
7 − 2 x 2( k ) − x3( k ) )
x 2( k +1)
1
(
= − 8 − x1( k ) − x3( k )
5
)
x3( k +1) =
1
10
(
6 − 2 x1( k ) − 3 x 2( k ) )
Para k =0
= (7 − 2(−1,6) − 0,6 ) = 0,96
1
x1(1)
10  x1(1) − x1( 0 ) = 0,96 − 0,7 = 0,96

 (1)
= (− 8 − 0,7 − 0,6 ) = −1.86
1
 x 2 − x3 = − 1,86 + 1,6 = 0,16
(0)
x 2(1) tés de parada
5  (1)
 x3 − x3 = 0,94 − 0,6 = 0,324
(0)
= (6 − 2 × 0,7 − 3(−1,6) ) = 0,94

1
x3(1)
10
M (1) 0,34
M (1) = 0,34 y ⇒ M R(1) =
(1)
= = 0,1828 > ε
máx x i
1,86
Para k =1
x1( 2) = (7 − 2(−1,86) − 0,94 ) = 0,978
1
10  x1( 2) − x1(1) = 0,978 − 0,96 = 0,018

 ( 2)
x 2( 2) = (− 8 − 0,96 − 0,94 ) = −1,98
1
tés de parada  x 2 − x3 = − 1,98 + 1,86 = 0,12
(1)
5  ( 2)
 x3 − x3 = 0,966 − 0,94 = 0,324
(1)
x3( 2) = (6 − 2 × 0,96 − 3(−1,86) ) = 0,966

1
10
0,12
M ( 2) = 0,12 y M R( 2) = 0,0606 > ε
1,98
Para k = 2

x1(3) =
1
(7 − 2(−1,98) − 0,966) = 0,9994  x1(3) − x1( 2) = 0,9994 − 0,978 = 0,0214
10

 ( 3)
x 2(3) = (− 8 − 0,978 − 0,966 ) = −1,9888
1
tés  x 2 − x3 = − 1,9888 + 1,98 = 0,00888
( 2)
5  ( 3)
 x3 − x3 = 0,9984 − 0,966 = 0,0324
( 2)
x3 = (6 − 2 × 0,978 − 3(−1,98) ) = 0,9984

( 3) 1
10
0,0324
M (3) = 3,0324 y M R(3) = = 0,0163 < ε y para el proceso de cálculo
1,9888
0,9994
por lo tanto el vector solución es x = − 1,9888
0,9984
3.3.3 – Criterio de Convergencia para los Métodos Iterativos

El siguiente teorema establece una condición suficiente para la convergencia del método de Gauss-Jacobi.
TEOREMA (Criterio de las Líneas) Dado un sistema lineal Ax = b , y considerando

n
∑a
j =1
kj
j ≠k
αk = ; Si α = máx.α k < 1 ∀1 ≤ k ≤ n ,
a kk
Entonces el método de Gauss-Jacobi genera una secuencia x k { } convergente a la solución del sistema,
(k )
(0)
independientemente de la elección de la aproximación inicial x .
Ejemplo 3.4 – Dado el siguiente sistema lineal, haz un estudio para la convergencia para la aplicación
del método de Gauss-Jacobi.
10 x1 + 2 x2 + x3 = 7

 x1 + 5x2 + x3 = −8
 2x + 3x2 + 10 x3 = 6
 1
2 +1
α1 = = 0,3
10
1+1
α2 = = 0,4 α = máx.α k = α 3 = 0,5 < 1
5
2+3
α3 = = 0,5
10
Por el criterio de las líneas tenemos asegurada la convergencia para el método de Gauss-Jacobi,
para cualquier valor inicial.
3.3.4 – Método Iterativo de Gauss-Seidel

Análogamente al método de Gauss-Jacobi, en el método de Gauss-Seidel, el sistema lineal Ax = b es
escrito en la forma equivalente x = Cx + g . El proceso consiste en que, partiendo de una aproximación
inicial a la solución x ( 0 ) , calcula x (1) , x ( 2) ,..., x ( k ) por medio del proceso recursivo:
La fórmula iterativa de Gauss- Seidel está dada por:

x1( k +1) =
1
a11
[
b1 − a12 x 2( k ) − a13 x3( k ) − ... − a1n x n( k ) ]
x 2( k +1) =
1
a 22
[
b2 − a 21 x1( k +1) − a 23 x3( k ) − ... − a 2 n x n( k ) ]
:
x n( k +1) =
1
a nn
[
bn − a n1 x1( k +1) − a n 2 x 2( k +1) − ... − a n ,n −1 x n( k−+11) ]
Entonces el proceso de Gauss-Seidel, en el momento de calcular x (jk +1) usamos todos los valores de
x1( k +1) , x2( k +1) ,..., x (jk−1+1) que ya fueron calculados.
Ejemplo 3.5 – Resuelve el siguiente sistema lineal por Gauss-Seidel, x (0) = 0 y una tolerancia del
error ε < 5 × 10 −2
5 x1 + x2 + x3 = 5

3 x1 + 4x2 + x3 = 6
3 x + 3x 2 + 6 x3 = 0
 1
Proceso iterativo:
x1( k +1) =
1
5
(
5 − x 2( k ) − x3( k ) )
x 2( k +1)
1
(
= 6 − 3 x1( k +1) − x 3( k )
4
)
x3( k +1)
1
(
= 0 − 3x1( k +1) − 3 x 2( k +1)
6
)
Para k =0
x1(1) =
1
(5 − 2(0) − 0) = 1  x1(1) − x1(0 ) = 0 − 1 = 1
5

 (1)
x 2(1) = (6 − 3(1) − 0 ) = 0,75
1
 x 2 − x3 = 0 − 0,75 = 0,75
(0)
Criterio de parada
4  (1)
 x3 − x3(0 ) = 0 + 0,875 = 0,875
x3(1) = (0 − 3(1) − 3(0,75) ) = −0,875
1

6
M 10 ) 1
M (1) = 1 y ⇒ M R(1) = (1)
= =1> ε
máx xi 1
Para k =1
1
x1( 2 ) = (5 − 2(0,75) − (−0,875)) = 1,025  x1( 2 ) − x1(1) = 1,025 − 1 = 0,025
5


x 2 = (6 − 3(1,025) − (−0,875) ) = 0,95 parada  x 2( 2 ) − x3(1) = 0,95 − 0,75 = 0,2
( 2) 1
4  (2)
 x3 − x3(1) = − 09875 + 0,875 = 0,1125
x3 = (0 − 3(1,025) − 3(0,95) ) = −0,9875
1
( 2)

6
0,2
M ( 2) = 0,2 y M R( 2 ) = = 0,19 > ε
1,025
Para k=2

x1(3) =
1
(5 − 2(0,95) − (−0,9875)) = 1,0075  x1(3) − x1( 2) = 0,0175
5

 (3)
x 2(3) = (6 − 3(1,0075) − (−0,9875) ) = 0,9912 Criterio de parada
1
 x 2 − x3 = 0,0412
( 2)
4  (3)
 x3 − x3( 2) = 0,0118
x3(3) = (0 − 3(1,0075) − 3(0,9912) ) = −0,9993
1

6
0,0412
M = 0,0412 y M R(3) =
( 3)
= 0,0408 < ε
1,0075
1,0075
por lo tanto el vector solución es x = 0,9912
− 0,9993
3.3.5 – Criterio de Convergencia para Gauss-Seidel

El criterio de las líneas visto en el método de Gauss-Jacobi puede ser aplicado para el método de Gauss-
Seidel. Si no cumple con este criterio, aún se puede aplicar el criterio de Sassenfeld, válido solamente para
este método.
El Criterio de Sassenfeld es definido como:
a12 + a12 + ... + a1n

β1 =
a11
a 21 β 1 + a 23 + ... + a 2 n
β2 =
a 22
:
.
a j1 β 1 + a j 2 β 2 + ... + a j , j −1 β j −1 + a j , j +1 + ... + a jn
βj =
a jj
Sea β = máx β j y si β < 1 entonces, el método de Gauss-Seidel genera una secuencia convergente para
1≤ j ≤ n
cualquier valor inicial x ( 0 ) . Además cuando menor sea el valor de β más rápida será la convergencia al
vector solución. En caso de que no cumplan con los criterios de convergencia, no indica que el método
sea divergente, sino que ello dependerá de la elección del valor inicial.
Ejemplo 3.6: Verifica la convergencia a la solución del siguiente sistema de ecuaciones, a través del
criterio de Sassenfeld, si aplicáramos el método de Gauss-Seidel,
x1 + 0,5 x 2 − 0,1x3 − 0,14 x 4 = 0,2

0,2 x1 + x2 − 0,2 x3 − 0,1x 4 = −2,6
− 0,1x1 − 0,2 x 2 + x3 + 0,2 x 4 =1
0,1x1 + 0,3 x 2 + 0,2 x3 + x4 = −2,5
Calculamos los valores de β

0,5 + 0,1 + 0,1
β1 = = 0,7
1
0,1(0,7) + 0,2 + 0,1
β2 = = 0,44
1 β = máx β j = 0,7 < 1
0,1(0,7) + 0,2(0,44) + 0,2 1≤ j ≤ 4
β3 = = 0,358
1
0,1(0,7) + 0,3(0,44) + 0,2(0,358)
β4 = = 0,2736
1
Por lo tanto el método de Gauss-Seidel será convergente independientemente de la elección del

valor inicial.
3.4 – SISTEMAS MAL CONDICIONADOS
Dado un sistema Ax = b , se dice que una matriz A está mal condicionada cuando pequeños cambios en A
o b provocan grandes cambios en la solución del sistema. Una circunstancia que suele llevar aparejada la
mala condición es que la matriz sea “casi singular” y su determinante sea casi cero. Sin embargo, para
detectar el mal condicionamiento, primero es necesario escalar todas las ecuaciones de forma tal que la
matriz sea diagonalmente dominante. Otra posible causa es que un sistema de dos ecuaciones corresponde
a dos líneas rectas casi paralelas, o en un sistema de tres ecuaciones corresponda a tres planos casi
paralelos
Ejemplo 3.7: Dado el sistema de ecuaciones lineales:

x1 + 2 x 2 = 10
1.1x1 + 2 x 2 = 10,4
Que tiene como solución x = 4 e y = 3 , si se modifica ligeramente el coeficiente de x1 de la
segunda ecuación por 1,05, el resultado cambia drásticamente a x1 = 8 y x 2 = 1 . Si
sustituimos estos valores en la ecuación original
8 + 2(1) = 10
1,1(8) + 2(1) = 10,8
Por lo tanto, aunque x1 = 8 y x 2 = 1 , no son las soluciones reales al problema original, la
prueba del error es casi igual, lo que puede provocar el error al hacer creer que las
soluciones son correctas
3.5 – COMPARACIÓN DE LOS MÉTODOS
♦ Convergencia: los métodos directos son procesos finitos, es decir, teóricamente se obtiene la
solución exacta de cualquier sistema no singular. Los métodos iterativos tienen convergencia
asegurada solo bajo ciertas condiciones.
♦ Matriz dispersa: Muchos sistemas lineales poseen la matriz de los coeficientes, dispersa, es
decir, muchos de sus elementos son nulos. Para estos sistemas no es recomendable adoptar
los métodos directos, dado que durante el proceso de triangulación muchos elementos nulos
pasan a ser no-nulos. Para estos sistemas se recomienda los métodos iterativos.
♦ Número de operaciones: Los métodos directos requieren un número mayor de operaciones
aritméticas.
♦ Errores de Redondeo: Lo métodos directos presentan serios problemas de redondeo y que para
atenuar este inconveniente se adopta la técnica de pivotamiento descrita anteriormente. Los
métodos iterativos no presentan problemas con el redondeo.

3.6 – EJERCICIOS
7x − 3y + 8 z = −49
3.1- Para el conjunto de ecuaciones x − 2y − 5 z = 13
a) resuelve utilizando el método de Eliminación de Gauss
b) compruebe el resultado. 4 x − 6 y + 10 z = −84
3.2- Dado el siguiente sistema de ecuaciones, resuelve por eliminación de Gauss, mostrando todas las
etapas del proceso.
− 12 x1 + x2 − 7 x3 = −80
x1 − 6x2 + 4 x3 = 5
− 2 x1 − x2 + 10 x3 = 92
3.3- Dado el siguiente sistema lineal, resuelve utilizando el método LU, con pivotamiento parcial y muestre
los valores de las matrices L y U al final del proceso.
3 x1 − 4 x2 + x3 = 9
x1 + 2x2 + 2 x3 = 3
4 x1 − 3x3 = −2
3.4- Usa el método de eliminación de Gauss, con pivotamiento parcial para resolver el sistema de
ecuaciones 3 x 2 − 13 x3 = −50
2 x1 − 6 x2 + x3 = 44
4 x1 + 8 x3 = 4
3.5- Resuelva el siguiente sistema de ecuaciones 3x − 1y + 1z = 10

a) por eliminación de Gauss
b) por el método L-U
1x + 5 y + 2z = 6
2x + 3y + 2z = 0
3.6- Analiza los siguientes sistemas con relación al número de soluciones, usando el método de eliminación
de Gauss
3 x1 − 2 x2 + 5 x3 + x4 = 7
0.252 x1 + 0.36 x 2 + 0.12 x3 = 7
− 6 x1 + 4 x2 − 8 x3 + x 4 = −9
a) b) 0.11x1 + 0.16 x 2 + 0.24 x3 = 8
9 x1 − 6 x2 + 19 x3 + x 4 = 23
0.147 x1 + 0.21x 2 + 0.25 x3 = 9
6 x1 − 4 x2 − 6 x3 + 15 x 4 = 11
3.7- Resuelva el siguiente sistema de ecuaciones x1 − 3x 2 + 12 x3 = 16

a) por el método de eliminación de Gauss 5 x1 + 12 x 2 + 2 x3 = 8
b) el método iterativo de Gauss-Seidel con ε < 5%
8 x1 + 2 x2 + 3 x3 = 32
c) el método iterativo de Gauss-Jacobi con ε < 5%
3.8- Verifica la convergencia para los sistemas dados a continuación, utilizando la iteración de Gauss-
Jacobi. Efectúa tres iteraciones partiendo de una aproximación inicial de [1, 1, 1]. Calcula el error
relativo del resultado y explica lo que ocurre.
10 x +y +z=6 4 x + 2 y + z = 14
a) x + 10 y +z=6 b) x + 5 y − z = 10
x +y + 10 z = 6 x + 7 y − 8z = 0
3.9- Aplicar Gauss – Seidel (tres iteraciones) a los sistemas del problema anterior partiendo de a) [0, 0, 0]
b) [10, 10, 10]; compare y haz un comentario (analiza el error en cada iteración).

3.10- Utilizando la ley de Kirchhoff para resolver el circuito siguiente, encuentra las intensidades de la
corriente I 1 , I 2 e I 3 para los siguientes casos:
a) R1 = 1, R2 = 1, R3 = 2, R4 = 1, R5 = 2, R6 = 4,V1 = 23,V2 = 29
b) R1 = 1, R2 = 2, R3 = 4, R4 = 3, R5 = 1, R6 = 5,V1 = 413,V2 = 38
c) con las mismos valores de R del ítem a) pero cambiando
V1 = 10,V2 = 20
3.11- Haga un programa que dada una matriz A nxn verifique el criterio de las líneas para la convergencia de
los métodos iterativos.
3.12- Haga un programa que resuelva un sistema de 8 × 8 por el método de Gauss – Jacobi
4.13- Repita el problema anterior para el método de Gauss – Seidel
3.14 – Resuelva el siguiente sistema de ecuaciones utilizando uno de los métodos numéricos
x1 + 2 x2 − x3 = 2
2 x1 + 5x2 + x3 + x4 = 6
− x1 + x2 + 14 x3 + 5x4 = 6
x2 + 5 x3 + 3x4 = 2
3.15 – Dado el siguiente sistema de ecuaciones lineales:

4 x1 − x2 + x3 = 4
x1 + 2.75 x 2 + 3,5 x3 = 1
− x1 + 4,25 x 2 + 2,75 x3 = −1
a) Haga un estudio de la convergencia para la aplicación de los métodos iterativos y determina el
valor inicial en base a este estudio.
b) Resuelva, utilizando el método de Gauss-Seidel utilizando como criterio de parada un error
relativo menor que 0,5% o 3 iteraciones.

CAPITULO 4
INTERPOLACIÓN
4.1- INTRODUCCIÓN
Con frecuencia se tiene que estimar valores intermedios entre datos o valores conocidos, como por ejemplo;
se conocen los valores específicos del agua a ciertas temperaturas.
Temp °C 20 25 30 35 40 45 50
Calor esp. 0,99907 0,99852 0,99826 0,99818 0,99828 0,99849 0,99878
Supongamos que se quiera calcular

a) El calor específico del agua a 33 ºC
b) La temperatura para la cual el calor específico es 0.99837
La interpolación permite realizar los cálculos aproximados.
“INTERPOLAR una función, consiste en sustituir esta, por otra función p (x ) con el objeto de facilitar ciertas
operaciones”.
Podemos realizar la interpolación cuando:
• Conocemos los valores numéricos de f (x ) solamente en un conjunto de puntos y necesitamos f (x ) en un
punto no tabulado.
• La expresión f (x ) es difícil de derivar o integrar.
4.1.1 – Problema general de la interpolación

Consideremos n + 1 puntos distintos; x 0 , x1 , x 2 ,..., x n llamados puntos de interpolación y los valores de f (x )
en esos puntos; f ( x 0 ) , f ( x1 ) ,..., f ( x n ) . La forma de interpolación de f (x ) consiste en obtener una función
p n (x) tal que:
p n ( x0 ) = f ( x 0 ) ;
pn ( x1 ) = f ( x1 ) ); Siendo que p n (x) es un polinomio de grado n.
: :
pn ( xn ) = f ( x n ) ;
Gráficamente
x1 x2 x3 ...

Dado los puntos ( x0 ; f ( x0 )), ( x1 ; f ( x1 )),...,( xn ; f ( xn )) por lo tanto n + 1 puntos distintos, queremos
aproximar f (x ) por un polinomio de grado < n , p n (x) llamado de polinomio interpolador o interpolante, tal
que:
f ( xi ) = pn ( xi ) ; para i = 1,2,3,...., n (4.1)
Si representamos p n (x ) = a 0 + a1 x + a 2 x + ... + a n x ,
2 n
un polinomio de grado n ; debemos encontrar los
valores de los coeficientes, a0 , a1 , a 2 ,..., an de p n (x) .
El polinomio interpolador es único, es decir solo hay un polinomio que pasa por estos n + 1 puntos. No se
requiere que los datos estén igualmente espaciados ni en algún orden en particular.
A continuación veremos tres maneras de calcular el polinomio interpolador y analizaremos una forma
particular, que consiste en crear una unión de polinomios para aproximar un conjunto de datos denominada
interpolación Spline.
4.2 – INTERPOLACIÓN POLINOMIAL
De la condición definida por f ( xi ) = pn ( xi ) ; podemos montar el siguiente sistema lineal:

a 0 + a1 x 0 + a1 x 02 + ... + a n x 0n = f ( x 0 )
a 0 + a1 x1 + a 2 x12 + ... + a n x1n = f ( x1 ) n + 1 ecuaciones con n + 1 incógnitas
.
a 0 + a1 x n + a 2 x n2 + ... + a n x nn = f ( x n )
En la forma matricial:
1 x0 x02 ...x0n
1 x1 x12 ...x1n
Matriz de Valdermonde
. . . .
1 xn x n2 x nn
Resolviendo este sistema lineal, obtenemos los valores de los coeficientes a0 , a1 ,..., a n de p n (x) .
= a 0 + a1 x + a 2 x
2
Ejemplo 4.1: Dada la siguiente tabla, encuentre p n (x)
x -1 0 2
f (x) 4 1 -1
p2 ( x0 ) = a 0 + a1 ( −1) + a 2 ( −1) 2 = 4
p 2 ( x1 ) = a 0 + a1 (0) + a 2 (0) 2 = 1
p 2 ( x2 ) = a 0 + a1 ( 2) + a 2 ( 2) 2 = −1
Resolviendo el sistema de ecuaciones obtenemos que a 0 = 1 ; a1 = −7 / 3 ; a 2 = 2 / 3 ; por tanto, el polinomio
interpolador es:
7 2
p 2 ( x) = 1 − x + x2 (4.2)
3 3
4.3 – INTERPOLACIÓN DE LAGRANGE

Dado los siguientes puntos x 0 , x1 , x 2 ,..., x n , es decir n+1 puntos distintos y y i = f ( x i ) ; para todo i = 1, 2,
..., n . Considerando p n (x) , el polinomio de grado < n que interpola la función f (x) en x0 , x1 ,..., xn .
Representamos p n (x) por: p n ( x i ) = Y0 L0 ( x i ) + Y1 L1 ( xi ) + ... + Yn Ln ( x i ) = y i La forma más simple de
0 '( > ≠ (
:; ==
satisfacer la relación anterior es imponer la siguiente condición:
<
1 '( > = (
( x − x0 )( x − x1 )...(x − x K −1 )( x − x K +1 )...(x − x n )
Definimos entonces: L K ( x) =
( x K − x0 )( x K − x1 )...(x K − x K −1 )( x K − x K +1 )...(x K − x n )
En síntesis
K =n
p n ( x) = ∑Y
K =0
K L K ( x) ; donde (4.3)
j =n
∏ (x − x
j =o
j)
k≠ j
LK ( x) = j =n
(4.4)
∏ (x
j =0
K − xj)
k≠ j
Ejemplo 4.2: Utiliza la interpolación de Lagrange para un polinomio de segunda orden con los
siguientes valores:
x -1 0 2
f (x) 4 1 -1
n = 2; y p 2 ( x ) = Y0 L0 ( x ) + Y1 L1 ( x ) + Y2 L2 ( x ) ; donde:
( x − x1 )( x − x 2 ) ( x − 0)( x − 2) x 2 − 2x
L0 ( x ) = = =
( x0 − x1 )( x0 − x 2 ) ( −1 − 0)( −1 − 2) 3
( x − x0 )( x − x 2 ) ( x − ( −1))( x − 2) x 2 − x − 2
L1 ( x) = = =
( x1 − x0 )( x1 − x 2 ) (0 − ( −1))(0 − 2) −2
( x − x0 )( x − x1 ) ( x − ( −1))( x − 0) x 2 + x
L2 ( x ) = = =
( x 2 − x0 )( x 2 − x1 ) ( 2 + 1)( 2 − 0) 6
de la tabla Y0 = 4 ; Y1 = 1; y Y2 = −1 . Sustituyendo los valores en la fórmula tenemos:
4 2 1 1
p 2 ( x) = ( x − 2 x ) − ( x 2 − x − 2) − ( x 2 + 2 x )
3 2 6
Simplificando, obtenemos el siguiente polinomio de segundo grado que interpola a la función en los
puntos dados
7 2
p 2 ( x) = 1 − x + x2 (4.5)
3 3
4.4- FÓRMULA DE NEWTON
La fórmula de Newton para el polinomio p n (x) que interpola f(x) en x0 , x1 ,..., xn , con n+1 puntos distintos
es: p n ( x ) = d 0 + d 1 ( x − x 0 ) + d 2 ( x − x 0 )( x − x1 ) + ... + d n ( x − x 0 )( x − x1 )...( x − x n −1 ) (4.6)
Donde dk es el operador de diferencias divididas y donde los coeficientes k = 0 , 1, 2,..., n son diferencias
divididas de orden k entre los puntos [x j ; f ( x j )] ∀j = 0, 1, 2,..., n

4.4.1- Operador de Diferencias Divididas
Sea f (x ) una función tabulada en x 0 , x1 , x 2 ,..., x n ; en n + 1 puntos distintos. Definimos el operador de
diferencias divididas por:
f [ x0 ] = f ( x0 ) orden 0
f [ x1 ] − f [ x0 ] f ( x1 ) − f ( x0 )
f [ x0 , x1 ] = = orden 1
x1 − x0 x1 − x 0
f [ x1 , x 2 ] − f [ x0 , x1 ]
f [ x0 , x1 , x 2 ] = orden 2
x 2 − x0
.
.
orden 8
f [ x1 , x 2 ,..., x n ] − f [ x0 , x1 ,..., x n−1 ]
f [ x0 , x1 ,..., x n ] =
x n − x0
Se dice que f [ x0 , x1 ,..., xk ] es la diferencia dividida de orden k de la función f (x) sobre los k + 1 puntos:
x 0 , x1 , x 2 ,..., x k .
4.4.2- Tabla de Diferencias Divididas

Dada la función f (x ) y conocidos los valores de f (x ) en los puntos x 0 , x1 , x 2 ,..., x n ; podemos construir
la siguiente tabla con los operadores de diferencias divididas:
x Orden 0 Orden 1 Orden 2 ... Orden n

x0 f [x 0 ]
f [x0 , x1 ]
x1 f [x1 ] f [x0 , x1 , x2 ]
f [x1 , x 2 ] f [x0 , x1 ,..., xn ]
x2 f [x 2 ] f [x1 , x2 , x3 ]
: :
: : f [xn−1 , xn ]
xn f [xn ]
Ejemplo 4.3: dada la siguiente tabla, construya la tabla de diferencias divididas de Newton
x -1 0 1 2 3
f (x) 1 1 0 -1 -2
Siguiendo los pasos de ítem anterior montamos la tabla de diferencias divididas de Newton
Tabla de diferencias divididas:
X orden 0 orden 1 orden 2 orden 3 orden 4
-1 1
0
0 1 -1/2
-1 1/6
1 0 0 -1/24
-1 0
2 -1 0
-1
3 -2
De la tabla concluimos que los valores de @ = 1; @ = 0; @ = − ; @9 = ; @B = −1/24 por

A
tanto utilizando la fórmula de Newton para un polinomio de cuarto orden y sustituyendo los valores
tenemos
p 2 ( x ) = d 0 + d 1 ( x − x 0 ) + d 2 ( x − x 0 )( x − x1 ) + ... + d 4 ( x − x 0 )...( x − x 3 )
1 1 1
p 2 ( x ) = 1 + 0 − ( x + 1)( x − 0) + ( x + 1)( x − 0)( x − 1) − ( x + 1)( x − 0)( x − 1)( x − 2)
2 6 24
7 5 1 1 4
p 2 ( x) = 1 − x − x2 + x3 − x (4.7)
12 8 4 24
Ejemplo 4.4: utilice la interpolación de Newton para un polinomio de segunda orden. Con los
siguientes valores
x -1 0 2
f (x) 4 1 -1
construimos la tabla de diferencias divididas
2
de la tabla concluimos que d 0 = 4; ; d1 = −3; d 2 = ; el polinomio interpolador de segunda orden
3
7 2
de Newton será: p 2 ( x ) = 4 − 3( x + 1) + 2 / 3( x + 1)( x + 0) = 1 − x + x2
3 3
7 2
Simplificando p 2 ( x) = 1 − x + x2 (4.8)
3 3
Se puede a apreciar comparando los resultados en los ejemplos 4.1, 4.2 y 4.4; que dan las ecuaciones (4.2),
(4.5) y (4.8), que aunque los métodos son diferentes los resultados obtenidos fueron los mismos.
4.5 – ANALISIS DEL ERROR EN LA INTERPOLACIÓN
Al aproximar f (x ) por un polinomio interpolador de grado ≤ n se comete un error que está dado por el
error absoluto:
En ( x) = f ( x) − pn ( x) ∀x ∈ [x0 ; xn ]
El estudio del error es importante para saber cuan próximo está f (x ) de p n (x) .
En el gráfico siguiente, podemos ver que el mismo polinomio interpola f1 ( x) y f 2 ( x) en x0 y x1 el error
será por tanto:
E1 ( x) = f1 ( x) − p1 ( x)
E 2 ( x) = f 2 ( x) − p1 ( x)
En el gráfico vemos que E1 ( x) > E2 ( x) x0 > x < x1 , concluimos que el polinomio aproxima mejor a f 2 ( x)
que a f 1 ( x) .

Consideremos un intervalo [a, b] de la función f (x) y a = x0 < x1 < x2 .... < xn = b; en n + 1 puntos. Por el
método de Newton construimos p n (x ) que interpola f (x) en los puntos x 0 , x1 , x 2 ,..., x n . Entonces p0 ( x)
es el polinomio de grado cero que interpola f (x ) en x = x0 p0 ( x) = f ( x 0 ) . Del mismo modo ∀x ∈ [a, b]
y x = x0 tendremos:
f ( x) − f ( x0 )
f [x 0 , x ] = ⇒ ( x − x 0 ) f [x 0 , x ] = f ( x ) − f ( x 0 ) ⇒ f ( x ) = f ( x 0 ) − ( x − x 0 ) f [x 0 , x ]
x − x0
Donde p 0 ( x ) = f ( x 0 ) y el segundo término del segundo miembro de la ecuación corresponde al error, o
sea E 0 ( x ) = ( x − x 0 ) f [x 0 , x ]
Considerando ahora p1 ( x) que es el polinomio de grado 1 que interpola f (x ) en x0 , x1
f [x ] − f [x 0 ]
− f [x1 , x0 ]
f [x0 , x ] − f [x 0 , x0 ] x − x0 f [x] − f [x0 ] − ( x − x 0 )( x − x1 ) f [x1 , x0 ]
f [x0 , x1 ,..., x ] = = =
x − x1 x − x1 (x − x0 )(x − x1 )
f ( x ) = f ( x 0 ) + ( x − x 0 ) f [x, x 0 ] + (x − x 0 )( x − x1 ) f [x 0 , x1 , x ]
p1 ( x) E1 ( x)
Aplicando sucesivamente el mismo raciocinio para x 0 , x1 , x 2 ,..., x n tendremos la forma de Newton de grado
≤ n que interpola f (x ) en x 0 , x1 , x 2 ,..., x n ;
p n ( x) = f ( x 0 ) + (x − x 0 ) f [x 0 , x1 ] + (x − x 0 )( x − x1 ) f [x 0 , x1 , x 2 ] + ... + (x − x 0 )( x − x1 )...( x − x n ) f [x 0 , x1 ,..., x n ]
Y el error dado por:
E n ( x ) = (x − x 0 )( x − x1 )...(x − x n ) f [x 0 , x1 ,..., x n ] (4.9)
4.5.1- Estimativas del Error

Existen diferentes maneras para estimar el error cometido cuando se interpola una función f (x ) por un
polinomio p n (x) . Una manera práctica de estimar el error cuando usamos el polinomio interpolador de
Newton es:
En ( x) = ( x − x0 )( x − x1 )...( x − xn ) Max| diferencias divididas de orden n + 1 | (4.10)
Ejemplo 4.5: dada una función f (x) en la forma tabular:

x 0,2 0,34 0,4 0,52 0,6 0,72
f (x ) 0,16 0,22 0,27 0,29 0,32 0,37
a) obtener f (0,47) usando un polinomio de segundo grado

b) dar una estimativa del error cometido
Construimos la tabla de diferencias divididas de Newton

x orden 0 orden 1 orden 2 orden 3
0,2 0,16
0,4286
0,34 0,22 2,022
0,8333 -17,8916
0,4 0,27 -3,7033
0,1667 18,2492
0,52 0,29 1,0415
0,375 -2,6031
0,6 0,32 0,2085
0,4167
0,72 0,37
Dado que 0,47 pertenece al intervalo [0,42; 0,52] y como el polinomio interpolador es de segunda orden
por lo tanto tenemos que elegir 3 puntos para obtener el polinomio, tomando:
x0 = 0,4 ; x1 = 0,52 ; x2 = 0,6 ; obtenemos:
a) p 2 ( x) = 0,27 + 0,1667 × (x − 0,47) + 1,0415 × ( x − 0,4)(x − 0,52)

p2 (0,47) = 0,2780
b) La estimativa del error será:

E2 (0,47) = (0,47 − 0,4)(0,47 − 0,52)(0,47 − 0,6) 18.2492 = 0,0083
Estimativa del error en la interpolación de Lagrange:
Teorema: si x0 , x1 ,..., xn son n+1 puntos distintos contenidos en el intervalo [a; b] y f (x ) es una función
derivable n + 1 veces en [a; b] , entonces si x está contenido en el intervalo existe un número z (x ) tal
que:
f ( x) = p n ( x) + f n +1
( z ( x ))[( x − x 0 )( x − x1 )...( x − x n )] /( n + 1)!
Corolario: una cota para el error válida para todo punto x del intervalo es:
( x − x0 )( x − x1)...( x − xn )
En ( x) = f ( x) − pn ( x) ≤ máx f ( n +1) ( x) (4.11)
( n + 1)!
4.6- EVALUACION DEL GRADO DEL POLINOMIO INTERPOLADOR
La tabla de diferencias divididas puede auxiliar en la elección del grado del polinomio que usamos para
interpolar una función dada. En primer lugar debemos construir la tabla de las diferencias divididas,
enseguida, examinamos las diferencias divididas de la función en las proximidades del punto de interés. Si en
estas proximidades las diferencias divididas de orden “ n ” son prácticamente constantes, o si las diferencias
divididas de orden “ n + 1 ” varían en torno de cero, podemos concluir que un polinomio interpolador de orden
“ n ” será el que mejor aproximará a la función en la región considerada.
Ejemplo 4.6: consideremos # dada por:

x 1 1,01 1,02 1,03 1,04 1,05
f (x) 1 1,005 1,01 1,0149 1,0198 1,0247
Construyendo la tabla de diferencias divididas:

x orden 0 orden 1 orden 2

1 1,0
0,5
1,01 0,005 0
0,5
1.01 1,01 -0,5
0,49
1.02 1,0149 0
0,49
1.03 1,0198 0
0,49
1.04 1,0247
Decimos entonces que en el intervalo [1; 1.05] un polinomio de orden n = 1 es una buena
aproximación para f (x )
4.7- FENOMENO DE RUNGE
Cuando hacemos interpolación polinomial para una función f (x ) deseamos que la secuencia {p n ( x )} de los
polinomios de grado ≤ n converja a f (x) cuando n crece. Pero existen ejemplos de divergencia como el
conocido fenómeno de Runge.
1
Ejemplo 4.7: sea f ( x) = definida ∀ ∈ [−1;1] Vamos a interpolar f (x) en puntos igualmente
1 + 12 x 2
espaciados, tales que: x i = −1 + 2i / n y tomamos n = 14 .Lo que ocurre gráficamente es:
Ejemplo de Runge.
Aproximamos la
función
por el polinomio de
interpolación que
pasa
por los puntos en
asterisco. Se puede
observar
que la
aproximación es
mala cerca de los
extremos
del intervalo.
La divergencia ocurre en los extremos del intervalo. En este ejemplo conforme n crece, los puntos de
interpolación se vuelven cada vez más próximos y la diferencia f ( x) − p( x) se vuelve arbitrariamente
grande.
4.8 – INTERPOLACIÓN SPLINE
Terminamos este capítulo, estudiando un tipo de interpolación que ha demostrado poseer una gran finura, y
que inclusive es usado para el diseño por computadora, por ejemplo, de tipos de letras, imágenes, etc.

Esta interpolación se llama interpolación segmentaria o interpolación spline. La idea central es que en vez de
usar un solo polinomio para interpolar los datos, podemos usar segmentos de polinomios y unirlos
adecuadamente para formar nuestra interpolación.
Cabe mencionar que entre todas, las spline cúbicas han resultado ser las más adecuadas para aplicaciones
como la mencionada anteriormente. Así pues, podemos decir de manera informal, que una función spline está
formada por varios polinomios, cada uno definido en un intervalo y que se unen entre si bajo ciertas
condiciones de continuidad.
Definición. (Spline de grado k). Dada nuestra tabla de datos

x x0 x1 … xn
y y0 y1 … yn
donde suponemos que < < ⋯ < E , y dado k un número entero positivo, una función de
a) F = # < , para toda para todo i = 1, 2, ...., n .

interpolación spline de grado k , para la tabla de datos, es una función S (x ) tal que:
<
b) F es un polinomio de grado ≤ > en cada subintervalo / < ; < 2 .
c) F tiene derivada continua hasta de orden > − 1 en / ; 2 .
4.8.1 – Funciones spline lineal

Dados los n + 1 puntos distintos
x x0 x1 … xn
y y0 y1 … yn
Una función spline de grado 1 que interpole los datos es simplemente unir cada uno de los puntos mediante
segmentos de recta, como sigue:
Claramente esta función cumple con las condiciones de la spline de grado 1. Así, tenemos que para este
caso:
 s1 ( x ) si x ∈ [x0 , x1 ]
s ( x ) s x ∈ [x1 , x2 ]

s( x) =  2
 M
sn ( x ) si x ∈ [xn −1 , xn ]
i) FH
dónde:
ii) FH tiene derivada continua de orden > − 1 = 0

es un polinomio de grado menor o igual que 1
iii) F < = # < , para i = 0,1,...n

(4.12)
Por lo tanto, la spline de grado 1 queda definida como:
5 + 7 ∀ ∈ / ; 2
5 + 7 ∀ ∈ / ; 2
F =I
⋮
5E + 7E ∀ ∈ / E ; E 2

4.8.2 – Spline cuadrática
Para aclarar bien la idea, veamos un ejemplo concreto, consideremos los siguientes datos:
Ejemplo 4.8: Dada la siguiente tabla de datos, aproximar la función por Spline cuadrática
#
1 2 3
-1 2,5 1
Consideramos que F = 5 + 7 +M ∈ /1; 22

F = 5 +7 +M ∈ /2; 32
para
para
F 1 =5 + 7 + M = −1 ……………………(1)
Condiciones de contorno
F 2 =5 + 27 + 4M = 2,5 …………………(2)
F 2 =5 + 27 + 4M = 2,5 …………………(3)
F 3 =5 + 37 + 9M = 1 ………………….. (4)
F ´ 2 = 7 + 4M = F ´ 2 = 7 + 2 …… (5)
Condiciones de continuidad
F " 1 = 0 = 4M = 0 ……………………. (6)

Grado de libertad
Ahora tenemos 6 ecuaciones y 6 incógnitas y resolvemos el sistema de ecuaciones
1 1 1 0 0 0 = −1
1 2 4 0 0 0 = 2,5
0 0 0 1 2 4 = 2 .5
0 0 0 1 3 9 =1
0 1 4 0 −1 −4 =0
0 0 1 0 0 0 =0
5 = −4,4; 7 = 3,5; M = 0; 5 = −24,5; 7 = 23,5 Q M = −5
Por tanto las ecuaciones son:
F = −4,4 + 3,5
F = −24,5 + 23,5 − 5
Graficando las dos funciones:
El siguiente caso, que es el más importante en las aplicaciones, sigue exactamente los mismos pasos del
ejemplo que acabamos de resolver, solamente que en vez de trabajar con polinomios cuadráticos, lo hace
con polinomios cúbicos.

4.8.3 – Spline cúbica
Para hacer más firme el entendimiento, escribimos la definición correspondiente a este caso (k=3).
Dados los n + 1 datos:
x x0 x1 … xn
y y0 y1 … yn
Una spline cúbica que interpola estos datos, es una función s (x) definida como sigue:
 s0 ( x ) si x ∈ [x0 , x1 ]
 s ( x ) si x ∈ [x1 , x2 ]

s(x ) =  1
 M
sn −1 ( x ) si x ∈ [xn −1 , xn ]
donde cada si (x) es un polinomio cúbico; si ( x) = yi , para toda i = 0,1,.., k ,...n y tal que s (x) tiene
primera y segunda derivadas continuas en [x0 , xn ] .
La spline tiene que cumplir las siguientes condiciones:
a) Condiciones de interpolación: si ( x) = yi , para toda i = 0,1,.., k ,...n − 1
b) Condiciones de continuidad (nodos interiores): s i ( x ) = s i +1 ( x ) , para toda i = 0,1,.., k ,...n − 2
c) Condiciones de suavidad (nodos interiores): s´ i ( x ) = s´ i +1 ( x ) y s i′′( x ) = s i′′+1 ( x ) i = 0,1,.., k ,...n − 2
Donde se obtienen un total de 4n − 2 ecuaciones, lo que significa que para determinar el spline de forma
única necesitamos imponer 2 condiciones adicionales. Dichas condiciones suelen imponerse sobre los
extremos del intervalo siendo los más habituales:
s 0′′ ( x 0 ) = 0 , s n′′−1 ( x n ) = 0 (Spline cúbico natural)
Ejemplo 4.9: Interpolar los datos del ejemplo anterior mediante una spline cúbica:
#
x 1 2 3
-1 2,5 1
Solución.
Definimos un polinomio cúbico en cada uno de los intervalos que se forman:
F = 5 +7 +M +@ 9
∀ ∈ /2; 32
F =R
F = 5 +7 +M +@ 9
∀ ∈ /3; 52
A continuación, hacemos que se cumpla la condición de que la spline debe pasar por los puntos
F 1 = 51 + 71 + M1 + @1 = −1
dados en la tabla. Así, tenemos que:
F 2 = 51 + 271 + 4M1 + 8@1 = 2,5

F 2 = 5 + 27 + 4M + 8@ = 2,5
F 2 = 5 + 37 + 9M + 27@ = 1
F´ 2 = 7 + 4M + 12@ = 7 + 4M + 12@ = F´ 2
Ahora calculamos la primera derivada en el nodo e igualamos (continuidad)
Al igual que en el caso de las spline cuadráticas, se presentan ecuaciones que pueden presentar
discontinuidad en los cambios de intervalo, o nodos; las posibles discontinuidades son los puntos
donde se cambia de intervalo, en este caso x = 2 . Las segundas derivadas también son iguales en
F´´ 2 = 2M + 12@ = 2M + 12@

los nodos:
En este punto contamos con 6 ecuaciones y 8 incógnitas, por lo tanto tenemos 2 grados de
libertad; en general, se agregan las siguientes 2 condiciones, llamadas de spline natural:
s ′′( x0 ) = 0
s ′′( x n ) = 0
F´´ 1 = 2M + 6M = 0
F´´ 3 = 2M + 18M = 0
La forma matricial es la siguiente:
F = −4,5 + + 3,75 − 1,25 9

Resolviendo el sistema de ecuaciones, obtenemos las ecuaciones:
F = −24,5 + 31 − 11,25 + 1,25 9
Usando Matlab, obtenemos la siguiente solución:
Obsérvese la finura con la que se unen los polinomios cúbicos que conforman a la spline.
Prácticamente ni se nota que se trata de dos polinomios diferentes. Esto es debido a las condiciones
que se impusieron sobre las derivadas de la función. Estas condiciones, son las que permiten
aplicar las spline cúbicas para cuestiones como el diseño de letras por computadoras, o bien a
problemas de modelado.
Como puede deducirse al compararlo con el caso de spline cuadráticos y spline cúbica, existen condiciones
predeterminadas para igualar el número de ecuaciones con el número de incógnitas que tenemos.
La forma de solucionar esto, determina el carácter de los spline cúbicos. Así, podemos usar:

• Spline cúbicos naturales: La forma más típica. La derivada segunda s ′′(x) se hace 0 para el
primer y último punto sobre el que está definido el conjunto de Spline, esto son, los puntos x0 y xn ,
o sea s1′′( x0 ) = 0 y s n′′ ( xn ) = 0 .
• Spline cúbicos sujetos: los valores de las derivadas en los extremos, puntos inicial y final son
conocidas o predeterminadas, por lo que s1′ ( x 0 ) = f ´( x 0 ) y s1′ ( x n ) = f ´( x n ) .
• Spline cúbicos periódicas: La primera derivada de s (x) debe tener el mismo valor que la primera
derivada de la función en el primer y último punto sobre el que está definido el conjunto de Spline,
esto son, los puntos x0 y x n , o sea s1′ ( x0 ) = s n′ ( xn ) .
Ejemplo 4.10: Interpolar los siguientes datos utilizando spline cúbicos naturales
x -1 1 2 4
y -1 1 5 -2
Solución.
Nuevamente, definimos un polinomio cúbico en cada uno de los intervalos:
Después, hacemos que la spline pase por los puntos dados en la tabla. Así, tenemos que:
s ( −1) = −1 implica que, − a1 + b1 − c1 + d1 = −1
s (1) = 1 implica que,

a1 + b1 + c1 + d1 = 1
a2 + b2 + c2 + d 2 = 1
s ( 2) = 5 implica que,
8a2 + 4b2 + 2c2 + d 2 = 5
8a3 + 4b3 + 2c3 + d 3 = 5
Y finalmente s (4) = −2 implica que,
64a3 + 16b3 + 4c3 + d 3 = −2
Enseguida, calculamos la primera derivada:
 3a1 x 2 + 2b1 x + c1 si1 x ∈ [− 1,1]

s′( x) = 3a2 x 2 + 2b2 x + c2 si x ∈ [1,2]
3a x 2 + 2b x + c
 3 3 3 si x ∈ [2,4]
Vemos entonces, que las posibles discontinuidades de s ′(x) son x = 1 y x = 2 . Por lo tanto, para
hacer que s ′(x) sea continua, igualamos las ecuaciones correspondientes en ambos valores:
3a1 + 2b1 + c1 = 3a2 + 2b2 + c2
12a2 + 4b2 + c2 = 12a3 + 4b3 + c3
Ahora procedemos a calcular la segunda derivada:
 6a1 x + 2b1 si x ∈ [− 1,1]

s′′( x) = 6a2 x + 2b2 si x ∈ [1,2]
6a x + 2b
 3 3 si x ∈ [2,4]

Nuevamente, las posibles discontinuidades son x = 1 y x = 2 . Por lo tanto, para que s ′′(x) sean
continuas, se igualan las ecuaciones en ambos valores:
6a1 + 2b1 = 6a2 + 2b2 → 3a1 + b1 = 3a2 + b2
12a2 + 2b2 = 12a3 + 2b3 → 6a2 + b2 = 6a3 + b3
Finalmente, se agregan las condiciones de que la doble derivada se anule en los puntos inicial y
final de la tabla. En este caso,
s′′(−1) = 0 → −6a1 + 2b1 = 0 → −3a1 + b1 = 0
s′′(4) = 0 → 24a3 + 2b3 = 0 → 12a3 + b3 = 0
Con esto tenemos un juego de doce ecuaciones vs. doce incógnitas:
− a1 + b1 − c1 + d1 = −1
a1 + b1 + c1 + d1 = 1
a2 + b2 + c2 + d 2 = 1
8a2 + 4b2 + 2c2 + d 2 = 5
8a3 + 4b3 + 2c3 + d 3 = 5
64a3 + 16b3 + 4c3 + d 3 = −2
3a1 + 2b1 + c1 = 3a2 + 2b2 + c2
12a2 + 4b2 + c2 = 12a3 + 4b3 + c3
3a1 + b1 = 3a2 + b2
6a2 + b2 = 6a3 + b3
− 3a1 + b1 = 0
12a3 + b3 = 0
Este sistema tiene la siguiente forma matricial:
−1 1 −1 1 0 0 0 0 0 0 0  a1   − 1
0
1
 1 1 1 0 0 0 0 0 0 0  b1   1 
0
0 0 0 0 1 1 1 1 0 0 0 0  c1   1 
    
0 0 0 0 8 4 2 1 0 0 0 0  d1   5 
0 0 0 0 0 0 0 0 8 4 2 1   a2   5 
    
0 0 0 0 0 0 0 0 64 16 4 1  b2  − 2
=
3 2 1 0 − 3 − 2 −1 0 0 0 0 0  c2   0 
    
0 0 0 0 12 4 1 0 − 12 − 4 − 1 0 d 2   0 
3 1 0 0 − 3 −1 0 0 0 0 0 0  a3   0 
    
0 0 0 0 6 1 0 0 − 6 − 1 0 0  b3   0 
    
− 3 1 0 0 0 0 0 0 0 0 0 0  c3   0 
 0 0 0 0 0 0 0 0 12 1 0 0  d3   0 
Usando Matlab, obtenemos la solución:
51 21 24
a1 = a2 = − a3 =
140 , 10 , 35
153 297 288
b1 = b2 = b3 = −
140 , 35 , 35
89 473 1867
c1 = c2 = − c3 =
140 , 70 , 70

48
d1 = −
153 d2 = d3 = −
732
40 , 35 , 35
Por lo tanto, la spline cúbica es:
 140
51
x 3 + 140 x + 140
153 2 89
x − 153
40 si x ∈ [− 1,1]
 21 3 297 2 473
s ( x ) = − 10 x + 35 x − 70 x + 35 48
si x ∈ [1,2]
 24 x 3 − 288 x 2 + 1867 x − 732
 35 35 70 35 si x ∈ [2,4]
Finalmente, mostramos la gráfica correspondiente
8
-1 1 2 4
-2
4.9- EJERCICIOS
4.1- Dada la siguiente tabla:

x 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8
x 11.02 13.46 16.44 20.08 24.53 29.26 36.59 44.70
e
3 .1
a) Calcula e usando un polinomio de interpolación sobre tres puntos utilizando:
a.1- la forma de Lagrange
a.2- la forma de Newton.
b) De una estimativa del error para ambos casos.
4.2- Construya la tabla de diferencias divididas de Newton con los siguientes datos:
x 0.0 0.5 1.0 1.5 2.0 2.5

f (x) -2.78 -2.241 -1.65 -0.594 1.340 4.564
a) Calcula el valor de f(1,23) de la mejor manera posible de forma que se pueda calcular el error
cometido.
b) Justifique el grado del polinomio elegido para resolver el ítem a)
4.3- Dado los siguientes datos:
x 0,0 0,5 1,0 1,5 2,0 2,5
a) Calcula # 1,6 usando polinomios de interpolación de Newton de orden 1, orden 2 y orden 3. Elija la
f (x) 1 2,119 2,910 3,945 5,72 8,695
secuencia de puntos.
b) Haga una estimativa del error en cada predicción.
c) Repita el ítem a) utilizando la interpolación de Lagrange.

4.4- Encuentre el polinomio de 2º grado que interpola la función f (x) , utilizando la interpolación polinómica,
cuyos valores son indicados en la siguiente tabla:
x -1 0 1,5
f (x) 1 0,5 3
4.5- Calcule # 3 , utilizando la fórmula de Lagrange si # 1 = 2; # 2 = 11 Q # 4 = 42.
4.6- Suponiendo que # tiene un cero en el intervalo [0; 2] y sabiendo que # 0 = 16; # 1 = 1; # 2 =
2, estime la localización de este cero.
4.7 - Dada la siguiente tabla. Ajuste con un polinomio V

valor de b hace V 1 igual a 1?
de grado tres o menor. Para tal polinomio ¿qué
x -2 0 2 3
f (x) 0 1 b -1
4.8 - Calcula el polinomio de interpolación de Newton para cada una de las siguientes tablas de datos:
x -2 1 2 4
y -3 2.4 0,5 7,8
x 0,3 0,6 0,9 1,2 1,5

y -3 0 -6 9 -12
4.9 - Construya una tabla que contenga valores de cos(x ) para puntos igualmente espaciados en el
intervalo [1; 2], a partir de ella, aproxima el cos(x ) usando interpolación cuadrática y determina una
cota para el error en la aproximación.
4.10 - Calcula el polinomio de Lagrange para los siguientes datos:

i)
x 1 -2 3 -5
y 1,56 3,54 -2,57 -8,9
ii)
x -1,5 -0,5 1 -2 -4
y 9 -2 5 33 0
Soluciones:
 ( x + 2)( x − 3)( x + 5)   ( x − 1)( x − 3)( x + 5)   ( x − 1)( x + 2)( x + 5) 
i ) p ( x) = 1.56   + 3.54   − 2.57  
 − 36   45   80 
 ( x − 1)( x + 2)( x − 3) 
− 8 .9  
 − 144 
 ( x + 0.5)( x − 1)( x + 2)( x + 4)   ( x + 1.5)( x − 1)( x + 2)( x + 4) 

ii ) p ( x ) = 9   − 2 
 3.125   − 7.875 
 ( x + 1.5)( x + 0.5)( x + 2)( x + 4)   ( x + 1.5)( x + 0.5)( x − 1)( x + 4) 
+ 5  + 33 
 56.25   − 4 .5 

4.11 - Calcula las spline cúbica para los siguientes datos:
x -2 1 3
y 40 -5 -20
Solución:

CAPITULO 5
AJUSTE DE CURVAS A DATOS DE MEDICIONES
5.1- INTRODUCCIÓN
En muchos casos podemos buscar aproximar un cierto conjunto de datos por algún tipo de funciones
prefijadas, aun cuando no se consiga que toda la función de aproximación coincida con los valores de los
datos en todos los puntos.
Así pues, el problema de la aproximación es diferente al de interpolación estudiada en el que xi ,

∀i = 1, 2,..., m son un conjunto de m puntos diferentes. El problema de ajuste de datos consiste en buscar
un polinomio de un orden dado n < m que se aproxime lo más posible al conjunto de datos, y en el cual
utilizamos más datos de los que sería estrictamente necesario para calcular un polinomio de interpolación.
5.2 – METODO DE LOS MÍMINOS CUADRADOS
El problema del ajuste de curvas consiste en que tenemos una tabla de puntos
( x1 ; f ( x1 ), ( x2 ; f ( x2 ),..., ( xn ; f ( xn ) , donde los puntos pertenecen a un intervalo [a; b] y seleccionamos n
funciones g 1 ( x ), g 2 ( x),..., g n ( x) continuas en [a; b] , para obtener n constantes α 1 , α 2 ,..., α n tales que:
ϕ ( x ) = α 1 g 1 ( x ) + α 2 g 2 ( x ) + ... + α n g n ( x ) se aproxime lo máximo posible a f (x) .
¿Cómo elegir las funciones g 1 ( x ), g 2 ( x),..., g n ( x) ? La elección puede ser hecha observando el gráfico de
los puntos dados en la tabla, colocándolos en un gráfico cartesiano para visualizar la curva que mejor se
ajusta a los datos.
Ejemplo 5.1 – Dados los datos de la función f (x) acotados en la siguiente tabla
x -1,0 -0,75 -0,6 -0,5 -0,3 0 0,2 0,4 0,5 0,7 1,0
f (x) 2,05 1,153 0,45 0,4 0,5 0 0,2 0,6 0,512 1,2 2,05
Este diagrama nos sugiere aproximar la función dada por una parábola pasando por el origen. Por lo
tanto elegimos g ( x) = x 2 y buscaremos la solución para ϕ ( x) = α1 g1 ( x) = α .x 2 donde α debe ser
tal que f ( xi ) − ϕ ( xi ) sea mínimo; ∀i = 1,2,..., m .

5.3 – CASO DISCRETO
Definimosd k como siendo: d k = f ( x k ) − ϕ ( x k ) y lo llamamos desvío en xk , el método de los Mínimos

Cuadrados consiste en elegir los coeficientes α de tal forma que la suma de los cuadrados de los desvíos
sea mínimo.
m m m
F (α 1 , α 2 ,..., α n ) = ∑d
k =1
2
k = ∑ ( f (x
k =1
k ) − ϕ ( x k )) 2 = ∑ [ f (x
k =1
k ) − α 1 g1 ( x k ) − α 2 g 2 ( x k ) − ... − α n g n ( x k )]
2
Sabemos por cálculo diferencial, que para obtener un punto mínimo de cualquier función, debemos
encontrar los puntos críticos. Imponiendo la condición que:
∂F
(α1 ,α 2 ,...,α n ) = 0 ∀j = 1,2,..., n
∂α j
tendremos:
m
j = 1 2∑ [( f ( x k ) − α 1 g1 ( x k ) − α 2 g 2 ( x k ) − ... − α n g n ( x k )) × ( g1 ( x k )] = 0
k =1
m
j = 2 2∑ [( f ( x k ) − α 1 g 1 ( x k ) − α 2 g 2 ( x k ) − ... − α n g n ( x k )) × ( g 2 ( x k )] = 0
k =1
:
m
j = n 2∑ [( f ( x k ) − α 1 g 1 ( x k ) − α 2 g 2 ( x k ) − ... − α n g n ( x k )) × ( g n ( x k )] = 0
k =1 (5.1)
Resolviendo las ecuaciones arriba, nos queda:
m  m  m  m
∑
 k =1   k =1
∑
 g 1 ( x k ) g 1 ( x k )α 1 +  g1 ( x k ) g 2 ( x k )α 2 + ... +  g1 ( x k ) g n ( x k )α n =
  k =1 
∑ ∑ f (x
k =1
k ) g1 ( x k )
m  m  m  m
∑
 k =1   k =1
∑
 g 2 ( x k ) g 1 ( x k ) α 1 +  g 2 ( x k ) g 2 ( x k )α 2 + ... +  g 2 ( x k ) g n ( x k )α n =
  k =1 
∑ ∑ f (x
k =1
k ) g 2 ( xk )
: :
 m
  m
   m m
∑ ∑
 g n ( x k ) g 1 ( x k ) α 1 +  g n ( x k ) g 2 ( x k )α 2 + ... +  g n ( x k ) g n ( x k )α n = ∑ ∑ f (x k ) g n (xk )
 k =1   k =1   k =1  k =1
(5.2)
Tenemos un sistema lineal con n ecuaciones y n incógnitas. Podemos expresarlo en forma matricial
Ax = b
m
m
∑ g ( x) g ( x) ∑ g ( x) g
1 1
m
1 2 ( x) ...
m
∑ g ( x) g
1 n ( x) α1
∑ f ( x) g ( x)
k =1
1
k =1 k =1 k =1
m m m m
∑g 2 ( x) g1 ( x) ∑g 2 ( x) g 2 ( x) ∑g
... 2 ( x) g n ( x) .α 2 = ∑ f ( x) g
k =1
2 ( x)
k =1 k =1 k =1
: : : : : :
m m m
αn
∑g
k =1
n ( x) g1 ( x) ∑g
k =1
n ( x) g 2 ( x) ∑g
...
k =1
n ( x) g n ( x )
m
∑ f ( x) g n ( x)
k =1 (5.3)
Ejemplo 5.2: tomamos como ejemplo la tabla anterior el cual, a través del diagrama de dispersión
sugería una parábola pasando por el origen como función de aproximación. Por lo tanto ϕ ( x) = αx 2
De la ecuación general tenemos:
 11  11
∑
 g ( x k ) g ( x k )α =
 k =1  k =1
∑
f ( x k ) g ( x)
 11 2
11
∑
 g ( x k ) α = ∑
f ( x k ) g ( x) siendo g ( x) = x 2
 k =1  k =1
 11 2 2  11
∑
 ( x ) α =
 k =1  k =1
∑
f ( xk ) x 2
x -1,0 -0,75 -0,6 -0,5 -0,3 0 0,2 0,4 0,5 0,7 1,0
x x2
2 1 0,3164 0,1296 0,0625 0,0081 0 0,0016 0,0256 0,0625 0,2401 1 2,8464
f ( x) x 2 2,05 0,6486 0,162 0,1 0,045 0 0,008 0,096 0,128 0,588 2,05 5,8756
Por lo tanto nuestra ecuación se transforma en 2,8464α = 5,8756 ⇒ α = 2,0642 y la ecuación

es ϕ ( x) = 2,0642x es la parábola que se aproxima a f (x ) .
2
5.4 – CASO CONTINUO
En el caso continuo el problema de ajuste de curva consiste en dada una función f (x) continua en [a, b] y
seleccionadas las funciones g 1 ( x ), g 2 ( x ),... g n ( x ) todas continuas en [a, b] , determinar n constantes
α 1 , α 2 ,..., α n de modo que la función ϕ ( x ) = α 1 g 1 ( x ) + α 2 g 2 ( x ) + ... + α n g n ( x ) se aproxime lo máximo
posible a f (x) en el intervalo [a, b] .
Por ejemplo, supongamos que queremos encontrar la recta que mejor se aproxima de f ( x) = 4 x , en un
3
intervalo [0;1] . También en este caso, nuestro g1 ( x) = 1 y g 2 ( x) = x , debiendo encontrar el valor de α 1 y

α2 tal que ϕ ( x) = α 1 g 1 ( x) + α 2 g 2 ( x ) se aproxima lo máximo a f (x ) .
Por el criterio de los mínimos cuadrados, los coeficientes α a ser obtenidos deben ser tal que
b
∫ [ f ( x) − ϕ ( x)] dx sea mínimo, entonces vamos a obtener el mínimo de

2
∫ [ f ( x) − ϕ ( x)] dx = ∫ [ f ]
b b
( x) − 2 f ( x)ϕ ( x) + ϕ 2 ( x) dx ,
2 2
a a
Considerando también que ϕ ( x) = α 1 g1 ( x) + α 2 g 2 ( x) tenemos:
∫ [f ]
b
( x) − 2 f ( x)(α 1 g1 ( x) + α 2 g 2 ( x) ) + (α 1 g1 ( x) + α 2 g 2 ( x) ) dx
2 2
a
b
∫ [ f ( x) − ϕ ( x)] dx = F (α , α α n ) sea mínimo, para ello encontrando los puntos

2
debemos hacer que 1 2 ,...,
a
∂F
críticos para lo que hacemos = 0 ∀i = 1,2,..., n
∂α i
∂F
b
b 2  b 
∂α 1 a
∫  a 
∫  a
∫
= −2 f ( x) g1 ( x)dx + 2 g 1 ( x)dx α 1 + 2  g 1 ( x) g 2 ( x) dx α 2 = 0


∂F
b
b  b 
∂α 2 a
∫  a
∫
= −2 f ( x) g 2 ( x)dx + 2 g1 ( x)g 2 dx α 1 + 2  g 22 ( x)dx α 2 = 0
  a 
∫
reagrupando términos, tenemos entonces en forma matricial:
b b b
∫ g12 ( x)dx ∫ g ( x) g
1 2 ( x ) dx α1 ∫ g ( x) f ( x)dx
1
a11 a12 α 1 b
= = 1
a
a a
⇒
b b b a 21 a 22 α 2 b2
∫ ∫ α2
z
g1 ( x) g 2 ( x)dx
a
g 22 ( x)dx
∫g
a
2 ( x) f ( x)dx (5.4)
Resolviendo el sistema obtenemos los valores de α1 y α2
Ejemplo 5.3: Aproximar la función f ( x) = 4 x 3 por una recta en el intervalo [0;1] .

Siendo una recta g1 ( x ) = 1 y g 2 ( x) = x
1 1 1 1 1
x2 1 1 x3 1
a11 = ∫ dx = 1 ; a12 = ∫ xdx = = ; a 21 = a12 = ; a 22 = ∫ x dx =
2
= ;
0 0
2 0
2 2 0
3 0
3
1 4 1 1 5 1
4x 4x 4
b1 = ∫ 4 x 3 dx = = 1; b2 = ∫ 4 x 3 xdx = = ;
0
4 0 0
5 0
5
y tenemos el siguiente sistema:
1 1 / 2 α1 1
=
1/ 2 1/ 3 α 2 4 / 5
4 18
resolviendo tenemos que α1 = − y α2 = y la recta que se ajusta a la función en [0; 1] es:
5 5
18 4
ϕ ( x) = x−
5 5
5.5 – LINEALIZACIÓN
En algunos casos, la familia de funciones escogidas puede no ser lineal en los parámetros. Por ejemplo, si
el diagrama de dispersión se ajusta a una exponencial del tipo y = ϕ ( x) = Ae . Para aplicar el método de
Bx
los mínimos cuadrados es necesario efectuar una linealización, a través de una transformación conveniente.
Si aplicamos logaritmo a ambos miembros de la ecuación tenemos: ln y = ln A + Bx , si comparamos con

la ecuación lineal ϕ ( x) = α 1 + α 2 x la transformación será:
z = ϕ ( x) = ln y
α 1 = ln A
α2 = B (5.6)
Ejemplo 5.4: Suponiendo que tenemos los siguientes mediciones
x -1 -0,7 -0,4 -0,1 0,2 0,5 0,8 1

y 36,547 17,264 8,155 3,852 1,82 0,86 0,406 0,246

Colando estos valores en un gráfico:
40
35
30
25
20
15
10
5
0
-1,5 -1 -0,5 0 0,5 1 1,5
Vemos que el gráfico nos sugiere un ajuste del tipo exponencial y = ϕ ( x) = Ae− Bx
haciendo la transformación, y llamando
z = ln( y) = ln( Ae− Bx )

z = ln( A) − Bx ;
tenemos que z = ln( y ) ; α 1 = ln( A) y α 2 = − B , por lo que los valores de g1 ( x) = 1 y de
g 2 ( x) = x .
De la tabla anterior, ampliamos los cálculos a los valores siguientes:

∑
x -1 -0,7 -0,4 -0,1 0,2 0,5 0,8 1 0,3
2
x 1 0,49 0,16 0,01 0,04 0,25 0,64 1 3,59
z = ln y 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402 8,041
z×x 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402 -8,646
8 8 8
a11 = ∑ 1 = 8 a12 = ∑x k = 0,3 = a 21 a 22 = ∑x 2
k = 3,59
k =1 k =1 k =1
8 8
b1 = ∑
k =1
f ( x k ) g 1 ( x k ) = 8,041 b2 = ∑ f (x
k =1
k ) g 2 ( x k ) = −8,646
8 0,3 α 1 8,041
luego resolvemos el sistema =
0,3 3,59 α 2 − 8,646
obtenemos que α 1 = 1,099

α 2 = −2,5 y
α
Por la transformación obtenemos que A = e 1 = e
1, 099
= 3,001 y B = −α 2 = 2,5 , por lo tanto el
ajuste será por la ecuación ϕ ( x) = 3,001e
−2, 5 x
5.5.1 – Cambio de variables para linealizar datos

La técnica de linealizar los datos ha sido empleada frecuentemente para ajustar curvas tales como
y = Ae Bx , vista anteriormente, y = A ln( x ) + B o y = A / x + B
a un conjunto de datos. Una vez elegido el
tipo de curva, hay que realizar un cambio adecuado de variables de manera que las nuevas variables se

relacionen linealmente. A continuación se muestran algunos cambios de variables usados para linealizar
datos.
Función y = f (x) Linealización, Y = AX + B Cambios

A 1 1
y= +B y = A  + B X = ;Y=y
x x x
−1
y=
D
y= (xy ) + D 1
X = xy ; Y = y ; A = − ; B =
D
x+C C C C C
x 1 1 1 1
y= = A+ B X = ;Y=
Ax + B y x x y
y = Cx A ln( y ) = A ln( x ) + ln(C ) X = ln(x) ; Y = ln(y ) ; B = ln(C )
(5.7)
5.6 – ERROR CUADRÁTICO MEDIO
A la hora de cuantificar el error, a menudo resulta interesante para comparar la bondad entre distintos tipos
de ajuste y expresarlos en términos porcentuales del error cuadrático medio E m , que se calcula del
siguiente modo:
nE
Em = × 100% ; (5.8)
∑
n
f ( xi )
i =1
donde n indica el número de datos de que se dispone en la muestra y E es el error cuadrático global. Se
entiendo por error cuadrático global como siendo E = ∑ ( f ( xi ) − ϕ ( xi )) .
n 2
i =1
Error cuadrático mide el promedio de los errores, es decir la diferencia entre el estimador y lo que se estima.
Es usado para determinar la medida en la que el modelo no se ajusta a la información. El Error cuadrático
medio con valor mínimo a menudo, pero no siempre, indica una variación mínima, por lo que tener un error
cuadrático cero es ideal pero no es posible en la mayoría de los casos.
Ejemplo 5.5: Calcula el error cuadrático medio de la aproximación del ejemplo 5.4
∑
8
Calculamos los valores de E y de
i =1
f ( xi ) , utilizando los valores de la tabla
8 × 0,0019418
Por lo tanto el error cuadrático medio será Em = × 100 = 0,18%
69,1086
5.7 - EJERCICIOS
5.1 – Obtenga la recta de mínimos cuadrados que aproxima a los datos de la siguiente tabla:
x -1 1 3
f (x ) -3 1 11
5.2 – Ajusta una parábola por el método de los mínimos cuadrados a los datos de la tabla:
x 1 2 3 4 5 6 7 8 9
f (x) 2.1 3.3 3.9 4.4 4.6 4.8 4.6 4.2 3.4
5.3 – Dada la siguiente tabla, haga e gráfico de los datos y ajuste una curva de la mejor manera posible.
x 0.5 0.75 1 1.5 2.0 2.5 3.0

f (x) -2.8 -0.6 1 3.2 4.8 6.0 7.0
5.4 – Calcula el ajuste de la función f ( x) = xe x
mediante un polinomio de segundo grado, aplicando
mínimos cuadrados en [0; 2]
5.5 – Los beneficios, en millones de Gs, obtenidos por varias compañías del mismo grupo durante los años
2012 y 2013 vienen indicados por:
Año 2012 70 260 150 100 20 60

Año 2013 60 320 230 120 50 60
Obtener la recta de mínimos cuadrados y la parábola de mínimos cuadrados que se ajusta a los
datos anteriores e indica cuál de ellas se ajusta mejor.
5.6 – Obtenga los polinomios de mínimos cuadrados de primero, segundo y tercer grados para los datos de
la tabla anexa. En cada caso calcula el error absoluto y grafica los datos y los polinomios. Compara el
error cuadrático medio para cada aproximación.
x 1 1.1 1.3 1.5 1.9 2.1

f (x ) 1.84 1.96 2.21 2.45 2.94 3.18
5.7 – Repita el problema anterior para aproximar por una función del tipo y = Ae − Bx . Calculo el error
cuadrático medio.
5.8 – Utiliza el método de linealización de datos para hallar un ajuste exponencial a los datos que se
muestran en la tabla realizando los cambios de variable correspondiente:
x -1 0 1 2 3
f ( x) 6,62 3,94 2,17 1,35 0,89
a) Aproximar por y = Ce
Ax
1
b) Aproximar por y =
Ax + B
c) Calcula a través del error cuadrático medio cual e las dos es la mejor aproximación a los valores de
la tabla.
5.9 – Dado los puntos [1; 0,5], [2; 1,7], [3; 3,4] y [4; 5,7]. Encontrar la ecuación del tipo Q = 5 W que
aproxima dichos puntos utilizando el método de mínimos cuadrados con linealización de los datos.
5.10 – La población de conejos en una isla, fue registrado desde 2011 y los datos se muestran en la
siguiente tabla:
Año 2011 2012 2013 2014

Población 2.960 4.540 8.080 17.060
K ( t − 2011)
Se desea ajustar a una función exponencial del tipo N = N 0 e . Utiliza el método de los
mínimos cuadrados para este ajuste. Estime la población de conejos para 2015 y 2017.
5.11 – Se consideran los puntos [(-2;-3), (-1;-6), (0; -5), (1; 1), (2; 13)]
a) Prueba que un polinomio de mínimos cuadrados de grado 3 pasa por todos ellos.
b) Determina la parábola de ajuste por mínimos cuadrados. ¿Pasa la parábola por alguno de los
puntos?
c) Determina la recta por mínimos cuadrados ¿Pasa la recta por alguno de los puntos?

CAPITULO 6
INTEGRACIÓN Y DERIVACIÓN NUMÉRICA
6.1- INTEGRACIÓN NUMERICA
Es común en ingeniería encontrar el problema de integrar funciones que están definidas en forma tabular o
en forma gráfica y no como funciones explícitas. La idea de integración numérica es la de sustituir la función
f (x ) por un polinomio que se aproxima a f (x ) en un intervalo [ a, b] , por lo tanto necesitamos una
b
fórmula para aproximar ∫
a
f ( x)dx de la forma siguiente:
b
∫ f ( x)dx ≅ A0 f ( x0 ) + A1 f ( x1 ) + ... + An f ( x n ) ; xi ∈ [a, b] (6.1)
a
Esta fórmula es conocida como fórmula de Newton-Cotes (Isaac Newton y Roger Cotes), siendo el
b−a
polinomio que aproxima a f (x ) en puntos igualmente espaciados y tal que xi +1 − x i = h = ∀i = 0,
m
1, 2, . . ., n − 1; siendo m la cantidad de subintervalos y un número entero, x0 = a y xn = b , por lo tanto:
n
f ( x ) dx ≅ ∫ f ( x )dx ≈ A0 f ( x 0 ) + A1 f ( x1 ) + ... + An f ( x x ) = ∑ Ai f ( x i )
b xn
∫a x0
i =o
(6.2)
La idea esencial de estos métodos es sustituir la función a integrar por alguno de sus polinomios de
interpolación. Se trata por tanto de toda una familia general de métodos, según el polinomio de interpolador
que se considere. El valor de Ai se determina de acuerdo al grado del polinomio de aproximación.
Dentro de las fórmulas de Newton-Cotes, existen las formas cerradas y abiertas. En las formas cerradas se
conocen los valores de f (a ) y f (b ) , caso contrario, se llaman formas abiertas. Nos remitiremos
únicamente las formas cerradas, y por lo tanto, siempre supondremos que conocemos los valores en los
extremos.
6.2- REGLA DEL TRAPECIO ( m = 1 ); [ a; b ] =[ x 0 ; x1 ]
Usando la fórmula de Lagrange para expresar el polinomio de primer grado p1 ( x) que interpola a f (x ) en
los puntos x1 , x2 y sea x0 = a ; x1 = b y h = b − a para m = 1; el polinomio de Lagrange es:
x − x1 x − x0
p1 ( x) = f ( x0 ) + f ( x1 ). Luego
x0 − x1 x1 − x0
b x − x1
x1  x − x0  1 x1
∫a
f ( x)dx = ∫ 
x0 x − x
 0 1
f ( x0 ) +
x1 − x0
f ( x1 ) dx +
 2 ∫x0
f ′′(ξ ( x))( x − x 0 )( x − x1 )dx
El segundo término representa el error cometido.

x1
 ( x − x1 ) 2 ( x − x0 ) 2  h3 x − x0
[ f ( x0 ) − f ( x1 )] − h3 f ′′(ξ )
b
∫a
f ( x)dx = 
 2( x0 − x1 )
f ( x0 ) +
2( x1 − x0 )
f ( x1 ) −
 x0 12
f ′′(ξ ) = 1
2 12
3
h
[ f ( x0 ) + f ( x1 )] − h f ′′(ξ )
b
siendo que h = x1 − x0 tenemos que: ∫ f ( x) dx ≅ (6.3)
a 2 12
Como el término de error de la Regla del Trapecio contiene la segunda derivada, esta regla da el resultado
exacto cuando se aplica a una función cuya segunda derivada sea cero, es decir, cualquier polinomio de
grado 1 o menor.
Esta fórmula es conocida por la Regla del Trapecio por que representa el área de un trapecio, como se
muestra en la figura:
Fig. 6.1
6.2.1- Regla del Trapecio Compuesta

La ecuación (6.3) puede extenderse a múltiples intervalos. Si la función integrada se representa mediante
n + 1 puntos de datos con puntos de abscisa igualmente espaciados, la ecuación (6.3) puede aplicarse
repetidamente a cada intervalo. La ecuación así obtenida es la regla del Trapecio Repetida.
3
h
[ f ( x0 ) + 2[ f ( x1 + f ( x 2 + .... + f ( xn −1 )] + f ( xn )] − h mf ′′(ξ )
b
∫a
f ( x) dx =
2 12
(6.4)
El último término corresponde al error
h
[ f ( x0 ) + 2[ f ( x1 + f ( x 2 + .... + f ( x n−1 )] + f ( x n )]
b
I TR = ∫a
f ( x ) dx ≅
2
(6.5)
Gráficamente
Fig. 6.2
6.2.2- Cálculo del Error de la Regla del Trapecio Compuesta

De la ecuación (6.4) el error está dado por:
h3 b−a
ETR = mf ′′(ξ ) siendo que x 0 < ξ < x n y que h = , donde m es el número de subintervalos, nos
12 m
queda que:

(b − a ) h 2
ETR = f ′′(ξ ) podemos deducir una cota del error, o valor máximo del error considerando que
12
máx f ′′( x) (b − a ) h 2
f ′′(ξ ) ≤ M 2 = por lo que queda: E TR ≤ M2
x ∈ [a, b] 12 (6.6)
Ejemplo 6.1 – Dada la función f ( x) = e definida en el intervalo [0; 1]

x
a) Calcula el valor de la integral utilizando 10 subintervalos y la regla del trapecio

b) Evalúa el error cometido
−3
c) ¿Cuántos subintervalos serán necesarios para que el error cometido sea menor que 10
Respuesta:
1 b − a 1− 0
∫ e dx , siendo que m = 10 y h = = = 0,1
x
a) Debemos calcular
0 m 10
aplicamos la fórmula del trapecio repetida y tenemos
I=
0,1 0
2
[ ( ) ]
e + 2 e 0.1 + e 0.2 + e 0.3 + ... + e 0.9 + e1 = 1.7197134914 ..
1
el valor exacto de la integral es I = e x = 1,7182818284...
0
el error absoluto es E A = 0.001431663
(b − a )h 2
b) Aplicando la fórmula ETR ≤ M 2 calculamos que f ′′( x) = e x por tanto M 2 = e1
12
0,12
valor aproximado del error ETR = × e1 = 0.002265
12
(b − a ) h 2
c) si el error ETR < 10 −3 entonces: M 2 < 10 −3 debemos despejar el valor de h
12
12 × 10 −3
h2 < = 0.0044146 h < 0.004414 = 0.064425 y el valor de m será
e1
b−a 1
m> = = 15,52 , siendo que m debe ser un número entero y mayor que 15,52
h 0.064414
asumimos que el valor de m = 16
6.3 – REGLA DE SIMPSON DE 1/3 (m = 2).;[a; b] = [x0 ; x2 ]
Utilizando la fórmula de Lagrange para un polinomio de 2º grado, p 2 ( x ) que aproxima a f (x ) en x0 = a ,

x1 = x0 + h y x2 = x0 + 2h = b ; tenemos:
( x − x1 )( x − x2 ) ( x − x0 )( x − x2 ) ( x − x 0 )( x − x1 )
p 2 ( x) = f ( x0 ) + f ( x1 ) + f ( x2 )
( x0 − x1 )( x0 − x 2 ) ( x1 − x0 )( x1 − x 2 ) ( x2 − x0 )( x 2 − x1 )
( x − x1 )( x − x 2 ) ( x − x 0 )( x − x 2 ) ( x − x 0 )( x − x1 )
p 2 ( x) = f ( x0 ) + f ( x1 ) + f ( x2 )
( − h)( −2h) ( h)( − h) ( 2h)( h)

b x2 (x − x1 )(x − x2 ) dx + x1 (x − x0 )(x − x2 ) x2 (x − x0 )(x − x1 )
I
S
1
3
= ∫a
f ( x)dx = f ( x 0 ) ∫ x0 2h 2
f ( x1 ) ∫
x0 −h 2
dx + f ( x 2 ) ∫x0 2h 2
dx
(6.7)
Haciendo el cambio de variable x = x 0 + ht , de manera que dx = hdt . Los nuevos límites de integración
son t = 0 y t = 2 . Como los nodos son x k = x0 + kh están igualmente espaciados, podemos escribir que
xk − x j = (x − j )h y x − x k = h(t − k ) . Ahora simplificamos las integrales (6.7)
2 h(t − 1)h(t − 2) 2 h(t − 0)h(t − 2) 2 h(t − 0) h(t − 1)
I
S
1
3
= f ( x0 ) ∫0 2h 2
hdt + f ( x1 ) ∫0 − h2
hdt + f ( x 2 ) ∫ 0 2h 2
hdt =
∫ (t ) ∫ (t ) ∫ (t )
h 2 2 h 2
= f ( x0 ) 2
− 3t + 2 dt − f ( x1 ) h 2
− 2t dt + f ( x 2 ) 2
− t dt
2 0 0 2 0
2 2 2
h  t 3 3t 2   t3  h  t3 t2  h 4h h
= f ( x0 )  − + 2t  − f ( x1 )h − t 2  + f ( x 2 )  −  = f ( x0 ) + f ( x1 )
 + f ( x2 )
2 3 2 0 3 0 2 3 2 0 3 3 3
p 2 ( x)dx = [ f ( x 0 ) + 4 f ( x1 ) + f ( x 2 )]
b x2 h
así: I 1 = f ( x) dx ≈
S
3
a ∫ x0 3 ∫ (6.8)
(ξ ) , donde ξ ∈ [a, b]
h5
El error cometido está dado por E SR = − f ( 4)
90
6.3.1- Regla Simpson de 1/3 Compuesta

Si aplicamos repetidas veces la Regla de Simpson en [a, b] = [x0 , xm ]. Suponiendo x 0 , x1 ,....., x m ,
puntos igualmente espaciados y siendo h = xi +1 − xi y m es par:
I SR =
h
{ f ( x0 ) + 4[ f ( x1 ) + f ( x3 ) + ... + f ( x m−1 )] + 2[ f ( x 2 ) + f ( x 4 ) + ... + f ( x m− 2 )] + f ( x m )} (6.9)
3
f (ξ ) donde ξ ∈ [a; b]
mh 5 ( 4 )
El error cometido es E SR = −
180
6.3.2- Análisis del Error de la Regla de Simpson de 1/3 Compuesta

De la ecuación (6.9) el error está dado por:
mh 5 min f ( 4 ) ( x) 2 n / 2 máxf ( 4) ( x)
E SR =
180
f ( 4)
(ξ ) siendo que x0 < ξ < x n y que
x ∈ [ a, b]
≤
n j =1
f ∑ ( 4)
(ξ j ) ≤
x ∈ [ a , b]
donde m es el número de subintervalos nos queda: que mh = b − a ,
b−a 4 máx f ( IV ) ( x)
E RS ≤ h M4 siendo que f (4)
(ξ ) ≤ M 4 = (6.10)
180 x ∈ [ a, b ]
Ejemplo 6.2 – Dada la función f ( x) = e definida en el intervalo [0; 1]

x
a) Calcula el valor de la integral utilizando 10 subintervalos y la regla de 1/3 de Simpson

b) Evalúa el error cometido
−3
c) ¿Cuántos subintervalos serán necesarios para que el error cometido sea menor que 10
Respuesta:
b − a 1− 0
a) siendo que m = 10 y h = = = 0,1
m 10
aplicamos la fórmula se 1/3 de Simpson repetida y tenemos
I SR =
0,1 0
3
[ ( ) (
e + 4 e 0.1 + e 0.3 + ... + e 0.9 + 2 e 2 + e 0.4 + ... + e 0.8 + e1 = 1.718282782 ... ) ]
el error absoluto es E A = 0,00000095346...

(b − a ) h 4
b) Aplicando la fórmula E TR ≤ M 4 calculamos que f IV ( x) = e x por tanto M 4 = e1
180
0,14
valor aproximado del error ETR = × e1 = 1,51 × 10 −6
180
−3 (b − a ) h 4
c) si el error ETR < 10 entonces: M 4 < 10 −3 debemos despejar el valor de h
180
−3
180 × 10
h4 < = 0.06621 h < 4 0.06621 = 0.5073 y el valor de m será
e1
b−a 1
m> = = 1,9712 , siendo que m debe ser un número entero y mayor que 1,9712
h 0.5073
asumimos que el valor de m=2
6.4 – REGLA DE SIMPSON DE 3/8 (m = 3) ; [x 0 ; x 3 ] = [a , b ]
La función f (x ) se aproxima por un polinomio de tercer grado p3 ( x)

h{ f ( x0 ) + 3 f ( x1 ) + 3 f ( x 2 ) + f ( x3 )}
b x3 3
I
S
3
8
= ∫a
f ( x)dx = ∫x0
p3 ( x)dx ≅
8
(6.11)
b−a 4
El análisis del error nos conduce a que en este caso: E 3≤ h M4
S
8
80
6.4.1- Regla de Simpson de 3/8 Compuesta

Si aplicamos repetidas veces la Regla de Simpson de 3/8 en [a, b ] = [x 0 , x m ] . Suponiendo x0 , x1 ,....., x m ,
son puntos igualmente espaciados y siendo h = xi +1 − xi y m es múltiplo de 3:
b
I SR3 / 8 = ∫ a
f ( x)dx ≅
=
3h
{ f ( x 0 ) + 3[ f ( x1 ) + f ( x 2 ) + ... + f ( x m−1 )] + 2[ f ( x3 ) + f ( x 6 ) + ... + f ( x m−3 )] + f ( x m )} (6.12)
8
6.4.2- Análisis del Error de la Regla de Simpson de 3/8 Compuesta

El análisis del error nos conduce a que en este caso también es:
b−a 4
ES3/ 8 < h M4 (6.13)
80
( )
4
El orden de precisión h es el mismo que en el Método de Simpson 1/3. La principal novedad que aporta
este método es que es aplicable en el caso de tener un número múltiplo de 3 de subintervalos.
6.5- INTEGRACIÓN NUMÉRICA CON LÍMITES INFINITOS O SINGULARIDADES
Algunos tipos de integrales que requieren atención especial como por ejemplo
∞
∫ e − x dx , se extiende sobre un dominio infinito conforme x → 0
2
I=
−∞
1 1
I=∫ dx
0 x (e x ) + 1
1
I= ∫x
0.7
cos( x)dx tienen singularidades en x=0
0

Una función es integrable en un dominio infinito o semi-infinito, solo si es significativamente distinta de cero
en un dominio pequeño y se aproxima de cero conforme x se aproxima de − ∞ ó ∞ . El paso para efectuar
∞ x
la integral I = ∫ f ( x)dx , consiste en sustituir los límites infinitos por límites finitos I = ∫ f ( x)dx , donde
−∞ −x
es un número tan grande que fuera de ese intervalo el valor es insignificante.
Gráficamente:
6.6 – APROXIMACIÓN A LAS DERIVADAS
La derivación o diferenciación numérica consiste en evaluar derivadas de una función usando únicamente
los valores que toma la función en una serie de puntos. La técnica de aproximar las derivadas por
diferencias tiene muchas aplicaciones, en particular a la resolución numérica de ecuaciones diferenciales y
ecuaciones en derivadas parciales.
6.6.1- Diferencias Progresivas y Regresivas

Se define como derivada f ′( xi ) de una función y = f (x ) , en un punto xi , a la expresión:
lim f ( xi + h) − f ( xi )
f ′( xi ) =
h→0 h
Según la fórmula, una aproximación a la derivada en un punto cualquiera xi puede conseguirse utilizando
un valor pequeño de h . Así se obtiene la fórmula aproximada:
f ( x i + h) − f ( xi )
f ′( xi ) ≅ ; denominada “primera deferencia progresiva”, que representa la
h
pendiente de la recta BC como se muestra en la figura 6.4:
Fig. 6.4
De cara a analizar el error de la aproximación, supongamos que f (x ) es derivable dos veces en un

f ′′(ξ ) 2
entorno del punto x y apliquemos la fórmula de Taylor a f ( x + h) = f ( x) + hf ′( x) + h .
2
Para algún ξ ∈ ( x, x + h) . Despejando tendremos:
f ( x + h) − f ( x) h
f ′( x ) ≈ , Cota del Error E ≤ M 2 (6.14)
h 2
Denominando M 2 = máx f ′′( x)

6.6.2- Diferencia Regresiva
Otra aproximación a la derivada se consigue empleando la “primera diferencia regresiva” que es
f ( x i ) − f ( xi − h ) h
f ′( xi ) ≅ ; Cota del Error E ≤ M 2 (6.15)
h 2
que proporciona la pendiente de la recta AB en la figura 6.4.
6.6.3- Diferencia Central

Por último, otra aproximación útil se obtiene empleando la “diferencia central” que se calcula como:
f ( x i + h) − f ( x i − h) h2
f ′( xi ) ≅ ; Cota del Error E ≤ M3 (6.16)
2h 12
Que corresponde a la pendiente de la recta AC en la figura 6.4. La mejor aproximación se obtiene con esta
última fórmula.
6.7- DIFERENCIAS PARA LAS DERIVADAS DE ORDEN SUPERIOR
Es posible obtener, por el mismo procedimiento, derivadas de orden superior al primero, considerando la
derivada de una función del tipo y = f ′(x ) . Teniendo en cuenta las aproximaciones anteriores, calculamos
la segunda derivada:
f ( x i + 2 h) − f ( x i + h ) f ( xi + h) − f ( x i )
−
f ′( xi + h) − f ′( xi ) h h
f ′′( xi ) ≅ ≅
h h
f ( x i + 2h ) − 2 f ( x i + h) + f ( x i ) h2
f ′′( xi ) ≅ Cota del Error E ≤ M4 (6.17)
h2 12
Que constituye la fórmula de las diferencias progresivas para el cálculo aproximado de la derivada de 2º
orden.
f (x)
h h h h h
xi
Nomenclaturas:
f ( xi ) = f i
f ( xi ± h) = f i ±1
f ( x i ± 2h) = f i ± 2 . .. etc.
Fórmulas:
f i − 2 f i −1 + f i − 2
f i′′ ≅ ; diferencias regresivas (6.18)
h2
f i + 1 − 2 f i + f i − 1 ; diferencias centrales (mejor aproximación)

f i ′′ = (6.19)
h2
Para 3º y 4º orden:
f i + 3 − 3 f i + 2 + 3 f i +1 − f i
Diferencias progresivas: f i′′′=
h3
f i + 4 − 4 f i +3 + 6 f i + 2 − 4 f i +1 + f i
=
( IV )
fi
h4
f i − 3 f i −1 + 3 f i − 2 − f i −3
Diferencias regresivas: f i′′′=
h3
f i − 4 f i −1 + 6 f i − 2 − 4 f i −3 + f i − 4
=
( IV )
fi
h4
f i + 2 − 2 f i +1 + 2 f i −1 − f i − 2
Diferencias centrales: f i′′′=
2h 3
f i+2 − 4 f i +1 + 6 f i − 4 f i −1 + f i − 2
=
( IV )
fi
h4
Como ya se ha visto, es usual expresar las derivadas en relación con los distintos valores que toma una
función dada en puntos del eje x igualmente espaciados. La expresión general de una derivada depende
de: orden de la misma, grado deseado para el polinomio de interpolación empleado para aproximar la
función dada y el tipo de diferencias empleado.
Según lo anterior y empleando la fórmula de Gregory − Newton , la derivación aproximada de una función
tiene las expresiones que de indican a continuación, en la que se ha hecho f ( xi ) ≡ f i
a) Empleo de diferencias progresivas a partir del punto x1

1) Grado del polinomio de aproximación igual a 1:
f 2 − f1
f1′ ≅
h
− f 3 + 4 f 2 − 3 f1 f 3 − 2 f 2 + f1
f1′ ≅ ; f1′′ =
2h h2
2 f 4 − 9 f 3 + 18 f 2 − 11 f1 − f 4 + 4 f 3 − 5 f 2 + 2 f1
f1′ = ; f 1′′ =
6h h2
f − 3 f 3 + 3 f 2 − f1
f1′′′= 4
h3
b) Empleo de diferencias regresivas a partir del punto x4

f4 − f3
f 4′ ≅
h
3 f4 − 4 f3 + f2 f 4 − 2 f3 + f 2
f 4′ ≅ ; f 4′′ =
2h h2
11 f 4 − 18 f 3 + 9 f 2 − 2 f1 2 f 4 − 5 f 3 + 4 f 2 − f1
f 4′ = ; f 4′′ =
6h h2
f 4 − 3 f 3 + 3 f 2 − f1
f 4′′′=
h3
c) Empleo de diferencias centrales a partir del punto x3


f4 − f2
f 3′ ≅
2h
f4 − f2 f4 − 2 f3 + f2
f 3′ ≅ ; f 3′′ =
2h h2
− f 5 + 8 f 4 − 8 f 2 + f1 f − 2 f3 + f2
f 3′ = ; f 3′′ = 4
12h h2
f 5 − 2 f 4 + 2 f 2 − f1
f 3′′′ =
2h 3
Los resultados anteriores también pueden obtenerse manejando tablas de diferencias sobre funciones
evaluadas en puntos equidistantes separados por una distancia h
TABLA DE DIFERENCIAS PROGRESIVAS

Los resultados anteriores para las fórmulas de Gregory − Newton también pueden obtenerse manejando
tablas de diferencias construidas sobre funciones evaluadas en puntos equidistantes h unidades.
xi fi ∆f i ∆2 f i ∆3 f i ∆4 f i ...
x1 f1
∆f 1
x2 f2 ∆2 f1
∆f 2 ∆3 f1
x3 f3 ∆2 f 2 ∆4 f1
∆f 3 ∆3 f 2 i .
x4 f4 ∆2 f 3 . .
∆f 4 . . .
.
x5 f5 . . . .
. .
. . . .
. .
. .
Basada en la tabla anterior, f1′ valdría, empleando diferencias progresivas:

1 ∆ f 1 ∆3 f1 ∆4 f1
2
( −1) n+1 ∆n f1 
f 1′ ≅ ∆
 1f − + − + ... + 
h 2 3 4 n 
de la misma forma f 1′′ sería:
1 2 11 
f 1′′ ≅  ∆ f 1 − ∆3 f 1 + ∆4 f 1 − ...
h 12 
Se obtienen fórmulas análogas utilizando las diferencias regresivas o centrales.

6.8 – EJERCICIOS
6.1- Calcula las siguientes integrales usando la regla de los trapecios y la regla de Simpson, usando cuatro y
seis divisiones para los intervalos de integración.
2 4
∫ e dx ∫
x
a) b) x dx
1 1
6.2- Usando las integrales del ejercicio anterior determine con cuantas divisiones del intervalo, en lo mínimo,
−5
podemos esperar obtener un margen de error menor que 1 × 10
0.6 dx
6.3- Calcule el valor aproximado de ∫0 1+ x
con tres casas decimales de precisión
a) la regla de Simpson 1/3

b) la fórmula del trapecio
c) ¿En qué sentido la regla de Simpson es mejor que la del trapecio?
4
∫ (3x − 3x + 1)dx por la regla de Simpson
3
6.4- ¿Cuál es el error máximo cometido en la aproximación de
0
con 4 sub-intervalos? Calcule por Trapecios y compare los resultados.
6.5- Calcula la integral de los siguientes datos tabulados mediante la regla del trapecio
#
0 0,1 0,2 0,3 0,4 0,5
1 7 4 3 5 9
Repita el problema utilizando la regla de Simpson.
π
6.6- Calcula la siguiente integral ∫ 0
(4 + 2 sen x)dx
a) Por la regla del Trapecio y calcula el margen de error.
b) Por la regla de Simpson de 1/3 y evalúa el error asociado.
c) Por la regla de Simpson de 3/8 evaluando la cota máxima del error
10 π
6.7- Utiliza medios analíticos para evaluar: 1) ∫0
(10 + 2 x − 6 x 2 + 5 x 4 )dx 2) ∫
0
(8 + 5 sen x)dx
a) Evalúa las integrales con la regla del Trapecio simple y repita utilizando m=2, 4 y 6
b) Evalúa las integrales con la regla de Simpson de 1/3, con m = 4 y 6
c) Evalúa con la regla de Simpson y m = 7.
6.8- Calcule la sección transversal del canal mostrado en la figura, donde las flechas indican donde fueron
efectuadas las mediciones. Utilice uno de los métodos numéricos para resolverlo.
5
−x
6.9- Determine el valor de h h necesario para aproximar la integral: ∫e
0
sen xdx , usando la regla de
−5
Simpson 1/3 repetida y la regla del Trapecio repetida con precisión de 10
6.10- Utilizando uno de los métodos numéricos para calcular las siguientes integrales con 3 decimales
exactos:
2 dx 2
∫ ∫ cosh x
2
a) b) dx
1 1+ x2 1

6.11 – La distribución de velocidad de un fluido cerca de una superficie plana dada por la tabla:
x(mm) 0 2 4 6 8
v 0 9,8853 15,4917 18,2075 19,0210
Evalúa las derivadas de v que pueda en x = 0
6.12 – El tiempo y la velocidad correspondiente a un móvil viene dados por la tabla siguiente. Calcula la
aceleración, en los instantes 0, 120, y 300 segundos
t 0 60 120 180 240 300
v 0,0 0,0824 0,2747 0,6502 1,3851 3,2229
6.13 – La siguiente tabla se obtiene por medio de la función f ( x) = xe :

x
x 1,8 1,9 2,0 2,1 2,2

f (x ) 10,8894 12,7032 14,7781 17,1490 19,8550
Evalúa f ′( 2) utilizando dos y tres puntos. Calcula los errores absolutos de las aproximaciones
obtenidas. Emplear diferencias progresivas.
6.14 – Sea f ( x) = cos( x) , con x medido en radianes. Utilizando diferencias centradas

a) Calcula aproximaciones a f ′(0,8) , utilizando las diferencias centradas y tomando h = 0,1 y
h = 0,01 . Compara los valores obtenidos con f ′(0,8) = sen (0,8) .
b) Calcula aproximaciones a f ′′(0,8) utilizando las diferencias centradas y tomando h = 0,1 y
h = 0,01 . Compara los valores obtenidos con f ′′(0,8) = − cos( 0,8) .
6.15.- Se dan los puntos de coordenadas P1 (−2 : 5) y P2 (2 : 5) . Obtener una estimación para f ′(0) y f ′′(0) ,
sabiendo que es f (0) = 1
6.16 – Utilice la fórmula de tres puntos más conveniente para determinar las aproximaciones para calcular
f ′(1,3) y f ′′(1,3)
x 1,1 1,2 1,3 1,4
f (x) 9,025013 11,02318 13,46374 16,44465
Sabiendo que los datos corresponden a la función f ( x) = e 2 x , calcula los errores reales.
6.17- Considerando que el voltaje de un circuito eléctrico es E (t ) = Li ′ + Ri , Siendo R = 2Ω , L = 0,05 H y

los valores de la corriente en amperios se relaciona con la tabla siguiente:
t 1.0 1.1 1.2 1.3 1.4
i (t ) 8.2277 7.2428 5.9908 4.5260 2.91222
Determina i ′(1.2) mediante derivación numérica y utiliza este valor para calcular E (1.2) y compara
con la expresión que se obtiene de i(t ) = 10e −t / 10 sen(2t ) .

CAPITULO 7
ECUACIONES DIFERENCIALES ORDINARIAS
7.1- INTRODUCCIÓN
Las ecuaciones diferenciales aparecen naturalmente al modelar situaciones físicas en las ciencias naturales,
ingeniería, y otras disciplinas, donde hay envueltas razones de cambio de una o varias funciones
desconocidas con respecto a una o varias variables independientes. Estos modelos varían entre los más
sencillos que envuelven una sola ecuación diferencial para una función desconocida, hasta otros más
complejos que envuelven sistemas de ecuaciones diferenciales acopladas para varias funciones
desconocidas. Por ejemplo, la ley de enfriamiento de Newton y las leyes mecánicas que rigen el movimiento
de los cuerpos, al ponerse en términos matemáticos dan lugar a ecuaciones diferenciales.
Usualmente estas ecuaciones están acompañadas de una condición adicional que especifica el estado del
sistema en un tiempo o posición inicial. Esto se conoce como la condición inicial y junto con la ecuación
diferencial forman lo que se conoce como el problema de valor inicial. Por lo general, la solución exacta de
un problema de valor inicial es difícil o imposible de obtener en forma analítica. Por tal razón los métodos
numéricos se utilizan para aproximar dichas soluciones.
7.2- MÉTODO DE EULER
La idea del método de Leonhard Euler es muy sencilla y está basada en el significado geométrico de la
derivada de una función en un punto dado.
Supongamos que tuviéramos la curva solución de la ecuación diferencial y trazamos la recta tangente a la
curva en el punto dado por la condición inicial.
Debido a que la recta tangente aproxima a la curva en valores cercanos al punto de tangencia, podemos
tomar el valor de la recta tangente en el punto x1 como una aproximación al valor deseado y ( x1 ) .

Así, calculemos la ecuación de la recta tangente a la curva solución de la ecuación diferencial dada en el
punto (x0 ; y0 ) . De los cursos de Geometría Analítica, sabemos que la ecuación de la recta es:
y = m( x − x0 ) + y0
Donde es la pendiente. En este caso, sabemos que la pendiente de la recta tangente se calcula con la
derivada: m = y ′ ( x0 , y 0 )
Por lo tanto, la ecuación de la recta tangente es:

y = f ( x 0 , y 0 )( x − x 0 ) + y 0
Ahora bien, suponemos que x1 es un punto cercano a x0 , y por lo tanto estará dado como x1 = x0 + h .
De esta forma, tenemos la siguiente aproximación:
y ( x1 ) = y ( x 0 + h) ≈ f ( x 0 , y 0 )( x 0 + h − x 0 ) + y 0
De aquí, tenemos nuestra fórmula de aproximación:
y( x0 + h) ≈ y0 + h ⋅ f ( x0 , y0 )
Esta aproximación puede ser suficientemente buena, si el valor de X es realmente pequeño, digamos de una
décima o menos. Pero si el valor de h es más grande, entonces el error al aplicar dicha fórmula también
h = x1 − x0 en 8 partes iguales (procurando que estas partes sean de longitud suficientemente

puede ser grande. Una forma de reducir el error y obtener de hecho un método iterativo, es dividir la
pequeña) y obtener entonces la aproximación en 8 pasos, aplicando la fórmula anterior 8 veces de un

distancia
paso a otro, con la nueva X e igual a

x1 − x 0
.
n
El valor de h se denomina longitud de paso y a los puntos x0 , x1 , …., xn nodos.
En una gráfica, tenemos lo siguiente:
Ahora bien, sabemos que: y1 = y0 + hf (x0 ; y0 )

Para obtener y 2 únicamente hay que pensar que ahora el papel de ( x0 ; y0 ) lo toma el punto ( x1 ; y1 ) , y
por lo tanto, si sustituimos los datos adecuadamente, obtendremos que:
y 2 = y1 + hf ( x1 ; y1 )
De aquí se ve claramente que la fórmula recursiva general, está dada por:
y n+1 = yn + hf (xn ; y n )
(7.1)
Esta es la fórmula de Euler que se usa para aproximar el valor de y ( x1 ) aplicándola sucesivamente desde
x0 hasta x1 en pasos de longitud h .
Ejemplo 7.1 - Dada la siguiente ecuación diferencial y la condición inicia, aproximar y (0,5)
y ′ = 2 xy ; y (0) = 1
Primero observamos que esta ecuación sí puede resolverse por métodos tradicionales de ecuaciones
diferenciales. Por ejemplo, podemos aplicar el método de separación de variables. Veamos las dos
soluciones.
dy
Solución Analítica. = 2 xy
dx
dy
= 2 xdx
y

dy
∫ y ∫
= 2 xdx
ln y = x 2 + c
Sustituyendo la condición inicial: x = 0 ⇒ y = 1 ; ln1 = c
c=0
Por lo tanto, tenemos que la curva solución real está dada: ln y = x
2
2
e ln y = e x
2
y = ex
y(0,5) = e (0,5 ) = 1,28403
2
por lo tanto, la solución exacta es:
Solución Numérica
Aplicamos el método de Euler y para ello, observamos que la distancia entre x0 = 0 y x1 = 0,5
no es lo suficientemente pequeña. Si dividimos esta distancia entre cinco obtenemos un valor de
h = 0,1 y por lo tanto, obtendremos la aproximación deseada en cinco pasos.
De esta forma, tenemos los siguientes datos: x0 = 0 ; y 0 = 1 ; h = 0,1
Sustituyendo estos datos en la fórmula de Euler, tenemos, en un primer paso:
 x1 = x0 + h = 0,1

 y1 = y 0 + hf ( x0 ; y 0 ) = 1 + 0,1[2(0)(1)] = 1
Aplicando nuevamente la fórmula de Euler, tenemos, en un segundo paso:
 x 2 = x1 + h = 0,2

 y 2 = y1 + hf ( x1 ; y1 ) = 1 + 0,1[2(0,1)(1)] = 1,02
Y así sucesivamente hasta obtener y 5 . Resumimos los resultados en la siguiente tabla:
n x y
n n
0 0 1
1 0,1 1
2 0,2 1,02
3 0,3 1,0608
4 0,4 1,12445
5 0,5 1,2144
Concluimos que el valor aproximado, usando el método de Euler es: y (0,5) ≈ 1,2144
Puesto que en este caso, conocemos el valor verdadero, podemos usarlo para calcular el error
relativo porcentual que se cometió al aplicar la fórmula de Euler. Tenemos que:
1,28402 − 1,2144
E = × 100% = 5,2%
1,28402
Ejemplo 7.2 - Aplicar el método de Euler para aproximar y (1,3) , dada la ecuación diferencial:
y ′ = x 2 + 0,5 y 2 ; y(1) = 2
Solución
Nuevamente vemos que nos conviene dividir en pasos la aproximación. Así, elegimos nuevamente
h = 0,1 para obtener el resultado final en tres pasos. Por lo tanto, aplicamos el método de Euler con
los siguientes datos
x0 = 1 ; y0 = 2 ; h = 0,1 para f ( x, y) = x 2 + 0,5 y 2
En un primer paso, tenemos que:
 x1 = x0 + h = 1,1

[
 y1 = y 0 + hf ( x0 ; y 0 ) = 2 + 0,11 + 0,5(2) = 2,3
2 2
]
Resumimos los resultados en la siguiente tabla:
n xn yn
0 1 2
1 1,1 2,3
2 1,2 2,6855
3 1,3 3,1901
De lo cual, concluimos que la aproximación buscada es: y (1,3) ≈ 3,1901
7.2.1- Algoritmo del Método de Euler

Dado los valores iniciales
1) a , b , y 0 = y (a) y h
2) Hacer x0 = a
3) Hacer n = (b − a ) / h
4) Parai = 0 hasta n
Obtener yi +1 = y i + hf ( xi , yi )
Hacer xi +1 = xi + h
Fin
5) Mostrar los valores de xk +1 , y k +1
7.3 - MÉTODO DE HEUN O EULER MEJORADO
Este método propuesto por Karl Heun, se basa en la misma idea del método anterior, pero hace un
refinamiento en la aproximación, tomando un promedio entre ciertas pendientes. La fórmula es la
( f ( x n , y n ) + f ( x n +1 , y n*+1 )
siguiente: y n +1 = y n + h Donde y n+1 = y n + h. f ( x n , y n )
*
;
2 (7.2)
Para entender esta fórmula, analicemos el primer paso de la aproximación, con base en la siguiente gráfica:
En la gráfica, vemos que la pendiente promedio m corresponde a la pendiente de la recta bisectriz de la

recta tangente a la curva en el punto de la condición inicial y la “recta tangente” a la curva en el punto
( )
x1 ; y1 , donde y1 es la aproximación obtenida con la primera fórmula de Euler. Finalmente, esta recta
bisectriz se traslada paralelamente hasta el punto de la condición inicial, y se considera el valor de esta
recta en el punto x = x1 como la aproximación de Euler mejorada.
Ejemplo 7.3 - Aplicar el método de Euler mejorado, para aproximar y (0,5) si: y ′ = 2 xy si y (0) = 1

Solución: Vemos que este es el ejemplo 7.1 del método anterior. Así que definimos h = 0,1 y
encontraremos la aproximación después de cinco iteraciones. A diferencia del método de Euler, en
*
cada iteración requerimos de dos cálculos en vez de uno solo: el de y n primero y posteriormente el
de yn .
Para aclarar el método veamos con detalle las primeras dos iteraciones. Primero que nada, aclaramos
que tenemos los siguientes datos iniciales: x 0 = 0 ; y 0 = 1 ; h = 0,1 y f ( x, y ) = 2 xy
En nuestra primera iteración tenemos:
x1 = x 0 + h = 0 + 0,1 = 0,1
y1* = y0 + hf ( x0 ; y0 ) = 1 + 0,1[2(0)(1)] = 1
 f ( x0 ; y 0 ) + f ( x1 ; y1* 
∴ y1 = y 0 + h  = 1,01

 2 
Nótese que el valor de y1* coincide con el y1 (Ejemplo 7.1), y es el único valor que va a coincidir,
* *
pues para calcular y 2 se usará y1 y no y1 .
Esto lo veremos claramente en la siguiente iteración:
x2 = x1 + h = 0,1 + 0,1 = 0,2
y 2* = y1 + hf ( x1 ; y1 ) = 1,0302
 f ( x1 ; y1 ) + f ( x2 ; y 2* 
∴ y 2 = y1 + h  = 1,040704

 2 
*
Nótese que ya no coinciden los valores de y 2 (Ejemplo 7.1) y el de y 2 . El proceso debe seguirse
hasta la quinta iteración. Resumimos los resultados en la siguiente tabla:
n xn yn
0 0 1
1 0,1 1,01
2 0,2 1,040704
3 0,3 1,093988
4 0,4 1,173192
5 0,5 1,28336
Concluimos entonces que la aproximación obtenida con el método de Euler mejorado

es: y (0,5) ≈ 1,28336
Con fines de comparación, calculamos el error relativo verdadero:
1,28402 − 1,28336
E = × 100% = 0,05%
1,28402
Vemos que efectivamente se ha obtenido una mejor aproximación con este método, reduciendo el
error relativo verdadero de un 5.4% hasta un 0.05%. En nuestro tercer método veremos cómo se
reduce aún más este error prácticamente a un 0%!
Veamos un segundo ejemplo.
Ejemplo 7.4 - Aplicar el método de Euler mejorado para aproximar y (1,3) si y′ = x − y + 5 ,

condición inicial y (1) = 2
Solución
Tenemos los siguientes datos: h = 0,1 ; x 0 = 1 ; y 0 = 2 y f ( x, y ) = x − y + 5
En una primera iteración, tenemos lo siguiente:

x 2 = x1 + h = 1,1
y1* = y0 + hf ( x0 ; y0 ) = 2,4
 4 + (1,1 − 2,4 + 5) 
y1 = 2 + 0,1  = 2,385
 2 
Resumimos los resultados en la siguiente tabla:
n xn yn
0 1 2
1 1,1 2,385
2 1,2 2,742925
3 1,3 3,07635
Concluimos entonces que la aproximación buscada es: y (1,3) ≈ 3,07635
7.3.1- Algoritmo del Método de Heun

Dado los valores iniciales a , b , y 0 = y (a ) y h
1) Hacer x0 = a
2) Hacer n = (b − a ) / h
3) Para k = 0 hasta n haga:
Calcular x k +1 = x 0 + kh
Calcular y k +1 = y k + hf ( x k , y k )
*
Calcular y k +1 = y k +
h
2
[
f ( x k , y k ) + f ( x k +1 , y k* +1 ) ]
4) Mostrar los valores de xk +1 , y k +1
7.4- MÉTODOS DE RUNGE – KUTTA
Los métodos de Runge-Kutta (Carl David Tolmé Runge y Martin Wilhelm Kutta), son un conjunto de
métodos iterativos (implícitos y explícitos) para la aproximación de soluciones de ecuaciones diferenciales
ordinarias, concretamente, del problema de valor inicial. Consideremos nuevamente la ecuación diferencial
ordinaria: y ′ = f ( x, y ) con y ( x0 ) = y 0 . Para calcular y n +1 en x n +1 = x n + h , dado un valor de y n ,
podemos integrar la ecuación anterior en el intervalo / E ; EY 2
QEY = QE + Z ]^_
#[ ; Q \@
]
(7.3)
Existen varias formas de resolver la integral, pero todas se pueden denotar en la forma generalizada por la
QEY = QE + X∅ E , QE , X ,
ecuación:
(7.4)
donde ∅ E , QE , X es conocida como función incremento, la cual puede interpretarse como una pendiente
representativa sobre el intervalo, ∅ E , QE , X = 5 > + 5 > +. . . +5E >E , donde las constantes y las > son:
> = # E QE ,
> = # E + V X, QE + b > X ,
>9 = # E + V X, QE + b > X + b > X .
Las > son relaciones de recurrencia, esto es, > aparece en la ecuación para > , la cual aparece en la
ecuación para >9 , etc.
Los diferentes métodos de Runge-Kutta surgen de las diferentes aproximaciones tomadas para calcular la
integral de f ( x, y ) en (7.3)

7.4.1 – Método de Runge-Kutta de orden 2

Si aplicamos la regla del trapecio para integrar y ′ = f ( x, y ) la sucesión de valores aproximados a la
solución real es ahora:
y n +1 = y n +
h
[ f ( x n+1 , y n+1 ) + f ( x n , y n )]
2
Este método es conocido con el nombre de Método de Euler Mejorado o Método de Heun. El problema
yn+1
lineal en Q entonces podemos despejar
con este método es que del lado derecho aparece que es lo que queremos encontrar. Si f ( x, y ) es
yn+1 .
Si aproximamos a f ( xn+1 , y n+1 ) mediante el método de Euler, entonces tenemos el Método de Runge-Kutta
de orden 2
y n*+1 = y n + f ( x n , y n )
1
[
y n +1 = y n + f ( x n +1 , y n*+1 ) + f ( x n , y n )
2
]
Este método suele aparecer en los libros bajo lo que se conoce como notación canónica, que es la siguiente
k1 = hf ( xn , yn );
k 2 = hf ( xn + h, y n + k1 )
y n +1 = y n + [k1 + k 2 ]
1
2 (7.4)

Se trata de la misma idea pero integrando por el método de Simpson, entonces:
8+1 ℎ/2
c #[ , Q \@ ≅ e# 8 , Q8 + 4# f ℎ, Q
g ℎh + # 8+ℎ , Q
g8+ℎ i
8
3 8+2 8+2
donde Q
g8+ℎ y Q
g ℎ son estimaciones ya que los valores reales no se conocen. La estimación de Q
g ℎ
8+2 8+2
la
j
EY
hacemos por el método de Euler en el punto medio es decir en , que será:
k
l
Q
g ℎ = QE + #
8+ E , QE
2
Y para la aproximación de QmEY consideramos la combinación de la pendiente de recta tangente en el punto
medio y de la tangente en el punto inicial.
Q
g8+1 = QE + ℎ n2# o
EY ,
j ,Q
g 1p − #
8+ E , QE q
k 2
Tomando las aproximaciones mencionadas, el método de Runge Kutta de tercer orden queda definido
como:
y n +1 = y n +
1
[k1 + 4k 2 + k 3 ]
6 (7.5)
dónde:
k1 = hf ( x n , y n );
h k
k 2 = hf ( x n + , y n + 1 );
2 2
k 3 = hf ( xn + h, y n + 2k 2 − k1 )

El método de Runge-Kutta de cuarto orden se deduce de una manera similar a la expuesta en en punto
anterior para el caso de tercer orden. Ahora se introcuce un nuevo paso intermedio en la evalución de la
derivada, ya que se considera un promedio de cuatro derivadas diferentes: una en el nodo inicial, dos
correciones en el nodo intermedio, y otro en el nodo final.

Volviendo a la ecuación (7.3), la idea surge de aproximar la integral de f ( x, y ) por la regla 1/3 de Simpson
y n +1 = y n +
1
[k1 + 2k 2 + 2k 3 + k 4 ]
6 (7.6)
Dependiendo del número de pasos intermedios empleados para calcular la derivada, es que surgen los
métodos de Runge-Kutta de tercer y cuarto orden. Este último, en notación canónica se escribe como:
k1 = h ⋅ f ( xn , yn )
 h k 
k 2 = h ⋅ f  xn + , yn + 1 
 2 2
 h k 
k3 = h ⋅ f  xn + , yn + 2 
 2 2 
k 4 = h ⋅ f ( x n + h, y n + k 3 )
La deducción de este método no se expone aquí por ser muy extensa. Sin entrar en mucho detalle, el
método de Runge-Kutta cambia la dirección en el sentido de que no sigue la misma línea de los métodos de
Euler. De hecho está basado en una aplicación de los polinomios de Taylor. Cabe mensionar que el método
de Runge-Kutta, contiene como casos especiales el de Euler.
Ejemplo 7.5 – Usar el método de Runge-Kutta de orden 4 para aproximar y (0,5) dada la siguiente
ecuación diferencial: y ′ = 2 xy ; y (0) = 1
Solución
Primero, identificamos el mismo ejemplo 1 de los dos métodos anteriores. Segundo, procedemos con
los mismos datos: x0 = 0 ; y 0 = 1 ; h = 0,1
Para poder calcular el valor de y1 , debemos calcular primeros los valores de k1 , k 2 , k3 y k4
Tenemos entonces que:
k1 = hf ( x0 ; y0 ) = 0
 k 
k 2 = hf  x 0 + ; y 0 + 1  = 0,1[2(0,05)(1)] = 0,01
h
 2 2
 k 
k 3 = hf  x 0 + ; y 0 + 2  = 0,1[2(0,05)(1,005)] = 0,01005
h
 2 2 
k 4 = hf ( x 0 + h; y 0 + k 3 ) = 0,1[2(0,1)(1,01005 )] = 0,020201
∴ y1 = 1 + [0 + 2(0.01) + 2(0,01005 ) + 0,020201] = 1,01005

1
6
Con el fin de un mayor entendimiento de las fórmulas, veamos la siguiente iteración:

x2 = x1 + h = 0,2
k1 = hf ( x1 ; y1 ) = 0,1[2(0,1)(1,01005)] = 0,020201
 k 
k 2 = hf  x1 + ; y1 + 1  = 0,1[2(0,15)(1,02010)] = 0,03060
h
 2 2
 k 
k 3 = hf  x1 + ; y1 + 2  = 0,1[2(0,15)(1,02535)] = 0,03076
h
 2 2 
k 4 = hf ( x1 + h; y1 + k 3 ) = 0,1[2(0,2 )(1,04081)] = 0,04163
∴ y 2 = y1 + [k1 + 2 k 2 + 2k 3 + k 4 ] = 1.04081
1
6
El proceso debe repetirse hasta obtener y5 . Resumimos los resultados en la siguiente tabla:
n xn yn
0 0 1
1 0,1 1,01005
2 0,2 1,04081
3 0,3 1,09417
4 0,4 1,17351
5 0,5 1,28403
Concluimos que el valor obtenido con el método de Runge-Kutta es: y 5 ≈ 1,28403

Finalmente, calculamos el error relativo verdadero:
1,284025417 − 1,28403
E= × 100% = 0,0004%
1,284025417
Con lo cual vemos que efectivamente se ha reducido muchísimo el error relativo. De hecho
observamos que tenemos 6 cifras significativas en la aproximación.
Ejemplo 7.6 – Usar el método de Runge-Kutta para aproximar y (2,2) dada la ecuación
diferencial: y ′ = x + y ; y(2) = 4
Solución
Igual que siempre, tomamos h = 0,1 y llegaremos a la aproximación en dos pasos. Con esta
aclaración, tenemos los siguientes datos: x0 = 2 ; y0 = 4 ; h = 0,1
Primera Iteración: k1 = hf ( x 0 ; y 0 ) = 0,1[2 + 4] = 0,6
 k 
k 2 = hf  x 0 + ; y 0 + 1  = 0,1[2,05 + 4,3] = 0,635
h
 2 2
 k 
k 3 = hf  x0 + ; y 0 + 2  = 0,1[2,05 + 4,3175] = 0,020201
h
 2 2 
k 4 = hf (x 0 + h; y 0 + k 3 ) = 0,1[2,1 + 4,63675 ] = 0,673675
∴ y1 = y 0 + [k1 + 2 k 2 + 2 k 3 + k 4 ] = 4,6362
1
6
Segunda Iteración: x1 = x0 + h = 2,1
k1 = hf ( x1 ; y1 ) = 0,1[2,1 + 4,6362] = 0,67362
 k 
k 2 = hf  x1 + ; y1 + 1  = 0,1[2,15 + 4,97301] = 0,7123
h
 2 2
 k 
k 3 = hf  x1 + ; y1 + 2  = 0,1[2,15 + 4,99235] = 0,71424
h
 2 2 
k 4 = hf (x1 + h; y1 + k 3 ) = 0,1[2,2 + 5,35044 ] = 0,75504
∴ y 2 = y1 + [k1 + 2 k 2 + 2k 3 + k 4 ] = 5,34982
1
6
Concluimos entonces que el valor buscado es: y ( 2,2) ≈ 5,34982
7.4.4 – Algoritmo del Método de Runge-Kutta de Orden 4

Dado los valores iniciales a , b , y 0 = y (a ) y h
1) Hacer x0 = a
2) Hacer n = (b − a ) / h
3) Para i = 0 hasta n haga:
Calcular k1 = hf ( xi , yi ) ;
Calcular k 2 = hf ( x i + h / 2, y i + k1 / 2) ;
Calcular k 3 = hf ( x i + h / 2, y i + k 2 / 2) ;
Calcular k 4 = hf ( xi + h, y i + k 3 ) ;
Calcular y i +1 = y i +
1
[k1 + 2k 2 + 2k 3 + k 4 ]
6
Calcular xi +1 = xi + h
4) Imprimir los valores de xk +1 , y k +1
7.5 – EJERCICIOS
7.1- Resuelva la ecuación diferencial usando el método de Euler: y ' = x − y en [0,2] con y (0) = 1 ; y
2
comparando las soluciones que se obtienen con h = 1 y h = 0,5
7.2- Resuelva la ecuación diferencial y ' = x − y , con y (0) = 1 ; usando el método de Euler. Tome h = 0,2
2
y dé dos pasos calculando los valores. Repita los cálculos para h = 0.1 y dé cuatro pasos.
7.3- Utilizando el método de Euler, resuelva la ecuación diferencial y ' = − xy , con y (0) = 1 para encontrar
y (0,4) , siendo h = 0,2.
7.4- Resolver el problema 1 utilizando el método de Heun.
7.5- Utilizando el método de Heun, resuelve la siguiente ecuación diferencial y' = e −2 x − 2 y con
y (0) = 0,1 para calcular y (0,4) en dos pasos. Repita para el método de Euler y compare los
resultados y comente.
7.6- Mediante el método de Heun encuentre una aproximación de y (1,3) en la solución de la ecuación
diferencial y ' = 2 x − 3 y + 1 siendo que y (1) = 5 , utilizando cuatro decimales redondeados en los
cálculos y h = 0,1.
7.7- Resuelva utilizando el método de Runge- Kutta de segunda orden para resolver el problema del valor
inicial y ' = 0,5( x − y ) en [0; 2] con y (0) = 1 y h = 0,5.
7.8- Repita el problema anterior utilizando el método de Runge-Kutta de tercer orden.
7.9- Determinar el valor aproximado de y ( 0,1) en la ecuación diferencial y ' = x + y , y (0) = 1 mediante el
método de Runge-Kutta de 2ª. orden con h = 0,05

7.10- Encuentre la solución a la ecuación siguiente con un grado de precisión tan alto como sea posible.
Puede elegir el método que considere razonable y la longitud del paso de modo que esté tan cerca de
la respuesta exacta como sea posible.
y ' = 2 xy + 1 y (0) = 1 ; determine y (1.5)
7.11- Un circuito serie tiene una inductancia L = 100mH , una resistencia R = 20Ω y una fuente de voltaje
de 10V . Si el interruptor se cierra en t = 0 . Determina el valor de la corriente, transcurrido 5mseg . ,
por el método de Runge-Kutta de 4ª orden en 2 y 5 pasos.
7.12- Utiliza el método de Runge-Kutta de orden 4 para aproximar la solución del problema del valor inicial:
Q´ = Q − r + 1, para 0 ≤ r ≤ 2, siendo Q 0 = 0,5, para ℎ = 0,5.

CAPITULO 8
EJERCICIOS RESUELTOS
Capítulo 1:
1.1- En un sistema de Aritmética de coma flotante de 3 dígitos para la mantisa, realiza la operación de
suma con los números = 3,45678 e Q = 0,1983, y evalúa el error absoluto, relativo y el error total
de la operación.
Solución
Valor exacto
F= + Q = 3,65508
Valores aproximados de x e y
̅ = 0,346 × 10 s = −3,22 × 10 9
Qm = 0,198 × 10 st = 3 × 10 B
Valor aproximado de la suma
F̅ = ̅ + Qm = 0,366 × 10
Error Absoluto de la suma: s Yt = s + st = 3,52 × 10 9
Error total: s = |F − F̅| = 4,92 × 10 9

Error de representación del resultado |3,658 − 0,366 × 10 | = 2 × 10 9
Diferencia entre s Yt y s es de 1,4 × 10 9

Error total s Yt + uuvu @wx uw'yxr5@v = 2,92 × 10 9 + 2 × 10 9 = 4,92 × 10 9
1.2- Calcula las siguientes operaciones con redondeo simétrico, de manera que el resultado tenga tres
decimales exactos, analizando previamente cuantos decimales deben tomarse para cada factor.
Verifique que cumple dicha condición.
a) 1,3134 * π b) e * π
m = 4,126
a) 5 = 1,3134 valor exacto z = 5 × { = 4,126167791 valor aproximado z
Solución:
m = 1,68 × 10 B
Error absoluto s| = z − z
= = 4,07 × 10 =
}~• €
| |m • ‚
= = 2,033 × 10 < 5 × 10 por lo que r = 5 cifras significativas

}ƒ•
Error relativo considerando que
€ .
‚
{m = 3,1416 igual para 5m = 1,3134

Como ambos tiene un entero, tendremos que tomar 4 decimales para
Valor aproximado zm = 5m × {m = 4,1262 verifica que tiene 3 decimales correctos
F = w × { = 8,539734223
Valor aproximado con tres decimales exactos F̅ = 8,5397
b)
s = F − F̅ = 3,422 × 10 €
= 4,01 × 10 A
= ‚ = ƒ = 2,005 × 10 < 5 × 10 → r = 5
} € .
w̅ = 2,7183 {m = 3,1416
Como ambos tiene un entero, tendremos que tomar 4 decimales
F̅ = 8,5398 lo que verifica que cumple dicha condición.

Capítulo 2:
= 2 w cos √ ), por le método de la Bisección de manera que el resultado tenga dos

2.1- Encuentra el valor aproximado de la primera raíz positiva, después del cero, de la función
#
decimales exactos.
Solución:
Aplicamos el teorema de Bolzano para encontrar el intervalo que contiene la raíz:
Observamos que existe un cambio de signo entre 2 y 2,5 por lo tanto, el intervalo [2; 2,5] contiene a la
raíz.
Tomamos valores iniciales 5 = 2; 7 = 2,5 y • < 10
>> = 5,64 → > = 6

’“” ,€ ’“” •k
Podemos determinar en cuantas iteraciones encontraremos la raíz aproximada
’“”
En la siguiente tabla se muestran los valores correspondientes a los cálculos:
Valor aproximado ̅ = 2,4648 ; error = 0,007813 es decir dos decimales exactos, en 6 iteraciones.
Graficando
2.2- Dada la función # = − 2 + w que tiene raíces en los intervalos [0; 0,5] y [1,5; 2]. Encontrar
todas las funciones de iteración posibles y comprobar su convergencia.
Solución:
Definimos las funciones de iteración y aplicamos las condiciones establecidas para la convergencia.

–´ 0 = ( * –´ 1,5 = 0,667
Función de iteración derivada 1ª raíz 2ª raíz
™ − š–´ 1,75 = 0,596

Y •˜
1) – = √2 − w – —
=
− –´ 2 = 0,543
√ •˜
–´ 0 = ∞ –´ 1,5 = 0,248
No converge Converge
–— = ™ š–´ 1,75 = 0,156

Y
−
•˜
2) – =
•˜
− –´ 2 = 0,1015
k
No converge Converge
–´ 0 = 0,5 –´ 1,5 = 1,38 > 1

3) –9 = –9— = š–´ 0,25 = 0,139 š –´ 1,75 =
k Y •˜ •˜
–´ 0,5 = 0,197 –´ 2 =
Converge No converge
–´ 0 = 0,5 –´ 1,5 = 0,44

4) –B = –B— = š–´ 0,25 = 0,19 š–´ 1,75 = 2,09 > 1
•˜ •˜
–´ 0,5 = 0,135 –´ 2 =
k
Converge No converge
–´ 0 = ∞ –´ 1,5 = 1,38 > 1

5) –€ = −ln 2 − –€— = ™ − š –´ 1,75 =
− –´ 2 =
k
No converge No converge
A continuación aplicamos el proceso iterativo para las funciones de iteración encontradas y verificar si el
proceso es convergente o no, para cada intervalo.
1) – = √2 − w
Divergente Converge
2) – =
•˜
Converge a la segunda raíz Converge

k Y •˜
3) –9 =
Converge Diverge
•˜
4) –B =
Converge Diverge
5) –€ = −ln 2 −
Diverge Diverge
Por lo tanto, los cálculos iterativos verifican las pruebas de convergencia realizadas anteriormente.
2.3- Dada la función # = 6'w8[√ \ − . Encuentra la raíz aproximada de la función utilizando todos los
métodos vistos y compara el desempeño de los mismos.
Solución:
Aplicamos Bolzano
La raíz se encuentra entre [4; 5]
Gráficamente:

Aplicamos el Método de la Bisección, valores iniciales 5 = 4; 7 = 5
Aquí con diez iteraciones tenemos valor aproximado de ̅ = 4,846191; error 0,00097656
Falsa Posición
En este método, con 5 iteraciones tenemos ̅ = 4,846089; error 1,998 × 10 9
Método Iterativo Lineal, función de iteración – = 6'w8 √

La convergencia por el MIL es muy lenta para esta función de iteración
Newton-Raphson
Con el método de Newton en dos iteraciones llegamos a ̅ = 4,846089; error 1,09 × 10 •
Secante
Con el método de la secante y en tres iteraciones ̅ = 4,84608894; error 6,93 × 10 B
Conclusiones: La convergencia de los métodos de la bisección y del MIL son lentas, mientras que la
más rápida para este caso es del método de Newton-Raphson para dos iteraciones y muy buena
precisión.
2.4- Plantea un proceso iterativo que utiliza el método de Newton-Raphson para encontrar el punto donde
se interceptan las funciones Q = w − 1 e Q = 5√ . Resuelve de manera que el resultado tenga
tres decimales exactos
Solución:
En el punto de intersección Q = Q por lo tanto # = Q − Q = 0.

# = w − 5√ − 1
€
#´ =w −
√
Proceso iterativo para Newton-Raphson:
˜ž €Ÿ ž
;Y = ; − ˜ž €/ Ÿ ž
Aplicamos el teorema de Bolzano
Vemos que existe un cambio de signo, y por lo tanto existe una raíz en [2; 2,5]
9
En la primera iteración el valor aproximado es 2,112 y el error 0,00035<10 por lo que el resultado
tiene 3 decimales exactos.
Capítulo 3:
3.1- Resuelve el siguiente sistema de ecuaciones por eliminación de Gauss con pivotamiento parcial.
Solución:
Realizamos el pivotamiento para la primera columna e intercambiamos la primera con la última fila
5 x +5 y +4t = 18 V( vr 5 =5
yxr(Vx(M5@vuw'
3x − 2 y +z − 2t =9
=€ 9 =€ = 2/5
4x − 3y − 4z + 3t = 13 9 B
B
2 x − 4 y − 3z + 5t = 14
Trabajamos con la matriz ampliada

5 5 0 4 18 V( vr 5 = −7
yxr(Vx(M5@vuw'
0 − 7 − 4 − 1/ 5 − 7 / 5
9 =¡ B =¡
0 − 5 1 − 22 / 5 − 9 / 5 € A
0 − 6 − 3 17 / 5 34 / 5 Aquí no es necesario el intercambio de fila ya que el mayor

elemento de la columna es el pívot.

− 7 / 5 V( vr 5 = 27/7
5 5 0 4 18
1
0 −7 −4 −1/ 5
=
0 0 27 / 7 − 149 / 35 − 4 / 5 B9
9
0 0 − 3/ 7 25 / 7 8
Aquí tampoco es necesario el pivotamiento
5 5 0 4 18
0 −7 −4 −1/ 5 − 7/5
0 0 27 / 7 − 149 / 35 − 4/5
0 0 0 182 / 45 364 / 45
t = 2; z = 2; y = −1 y x = 3
Resolviendo de atrás para adelante, obtenemos los resultados:
parada • < 10 , valor inicia [0; 0; 0]

3.2- Resuelve el siguiente sistema de ecuaciones por el Método Iterativo de Gauss-Jacobi, con un criterio de
10 −2Q +¦ = −17
¥− +10Q −¦ = 24 ¥
2 −3Q +10¦ = −38
Solución:
;Y
= 1/10 −17 + 2Q ; −¦ ;
Proceso iterativo de Gauss-Jacobi
Q ;Y
= 1/10 24 + ; +¦ ;
¦ ;Y
= 1/10 −38−2 ; +3Q ;
El proceso iterativo se muestra en la tabla abajo
Solución aproximada [-0,9985; 1,9988; -2,9978], vemos que la solución tiende a [-1; 2; -3]
Capítulo 4:
4.1- Considere la siguiente tabla de datos para el agua, donde T está en grados centígrados y la densidad
ρ en kg / m 3 .
T(°C) 50 60 65 75 80
ρ 988 987,5 980,5 974,8 971,6
a) Calcula la temperatura para la cual la densidad del agua es 973 kg / m 3 utilizando interpolación de
Newton de 3er grado.
b) Mediante la interpolación de Lagrange de 3er grado determina la densidad del agua a 70ºC.
Solución:
a) Completamos la tabla de diferencias divididas de Newton invirtiendo la tabla
Definimos el polinomio de 3er grado de Newton, tomando los cuatro últimos puntos:
V9 = 60 − 0,7143 − 987,5 + 0,0819 − 0,987,5 − 980,5 + 0,00651 −
0,987,5 − 980,5 − 974,8
Para = 973 → V3 973 = 77,89 viendo en la tabla es un valor entre 75 y 80 como esperado.
b) Para la interpolación de Lagrange calculamos los polinomio
A€ ¡€ §
: = A A€ A ¡€ A §
→ : 70 = −1/6
A ¡€ §
: = A€ A A€ ¡€ A€ §
→ : 70 = 2/3
→ : 70 = 2/3
A A€ §
: =
¡€ A ¡€ A€ ¡€ §
:9 = → :9 70 = −1/6
A A€ ¡€
§ A § A€ § ¡€
V9 70 = − A × 987,5 + 9 × 980,5 + 9 × 974,5 − A × 971,6 = 976,82;

valor que se encuentra entre [65; 75]
4.2- Dada la siguiente tabla de datos,

a) Aproximar la función por Spline cuadrática.
b) Aproximar la función por una Spline cúbica.
#
1 2 3
-1 2,5 1
Solución:
F = 5 + 7 + M ∈ /1; 22
Definimos lo polinomios de segundo grado:
F = @ + w + # ∈ /2; 32

Tenemos 6 incógnitas y necesitamos 6 ecuaciones
F = 5 + 7 + M = −1
F = 5 + 27 + 4M = 2,5
F = @ + 2w + 4# = 2,5
F = @ + 3w + 9# = 1
Igualando las derivadas en el nodo

F ´ 2 = 7 + 4M = F ´ 2 = w + 4#
Grado de libertad
F " 1 = 0 = 4M = 0
Resolviendo el sistema de ecuaciones 6×6
1 1 1 0 0 0 = −1
1 2 4 0 0 0 = 2,5
0 0 0 1 2 4 = 2 .5
0 0 0 1 3 9 =1
0 1 4 0 −1 −4 =0
0 0 1 0 0 0 =0
5 = 4,4; 7 = 3,5; M = 0; @ = −24,5; w = 23,5; # = −5

Obtenemos los valores:
F = −4,4 + 3,5
Definimos los polinomios spline:
F = −24,5 + 23,5 − 5
Graficamos las dos ecuaciones
F =5 +7 +M +@ 9
∈ /1; 22
c) Para la Spline cúbica, definimos los siguientes polinomios:
F =5 +7 +M +@ 9
∈ /1; 22
Tenemos 8 incógnitas y necesitamos 8 ecuaciones:

F 1 =5 + 7 + M + @ = −1
F 2 =5 + 27 + 4M + 8@ = 2,5
F 2 =5 + 27 + 4M + 8@ = 2,5
F 3 =5 + 37 + 9M + 27@ = 1
Igualando las derivadas en el nodo
F ´ 2 = 7 + 4M + 12@ = 7 + 4M + 12@ = F´ 2
F´´ 2 = 2M + 12@ = 2M + 12@ = F´´ 2
Tenemos 6 ecuaciones y necesitamos más dos, utilizamos el grado de libertad
F´´ 1 = 2M + 6@ = 0
F´´ 3 = 2M + 18@ = 0
Montamos el sistema de ecuaciones y resolviendo
a1 b1 c1 d1 a2 b2 c2 d2 y
1 1 1 1 0 0 0 0 −1
1 2 4 8 0 0 0 0 2,5
0 0 0 0 1 2 4 8 2,5
0 0 0 0 1 3 9 27 1
0 1 4 12 0 −1 −4 − 12 0
0 0 2 12 0 0 −2 − 12 0
0 0 2 6 0 0 0 0 0
0 0 0 0 0 0 2 18 0
Obtenemos los polinomios:

F = −4,5 + + 3,75 − 1,25 9
F = −24,5 + 31 − 11,25 + 1,25 9
Graficamos los dos polinomios
Vemos en el gráficos que existe una mayor suavidad en la transición (nodo).

Capítulo 5:
5.1- Aplicar los mínimos cuadrados para aproximar la función f , definida en la siguiente tabla:
1 1,5 2 2,5 3
Q 7,39 4,24 3,49 3,18 3,04
a) Por un polinomio de 2º grado
b) Por una ecuación del tipo * = ¨w ©
c) Calcula el error cuadrático medio y determina la mejor aproximación
Solución:
a) Para un polinomio de aproximación 2º grado – = ª + ª + ª9 para aplicar los mínimos
cuadrados de la forma general (5.3) tenemos el sistema de ecuaciones:
8ª + «¬ - ª + «¬ - ª9 = ¬ #
«¬ - ª + «¬ -ª + «¬ 9
- ª9 = ¬ #
«¬ -ª + «¬ 9
-ª «¬ B
- ª9 = ¬ #
Sistemas de ecuaciones
5ª +10ª +22,5ª9 = 21,34
10ª +22,5ª +55ª9 = 37,8
22,5ª +55ª 142,125ª9 = 78,125
ª = 14,632; ª = −9,335; ª9 = 1,846

Resolviendo obtenemos los valores
Y el polinomio de 2º grado es – = 14,63 − 9,34 + 1,85
b) Aplicamos la linealización
z = ln(g ) = ln( Ae − Bx ) = ln( A) − Bx ;
tenemos que z = ln( g ( x )) ; α 1 = ln( A) y α 2 = − B ,
∑.
8ª + «¬ - ª = ¬¦
«¬ - ª «¬ -ª =¬ ¦

5ª1 +10ª2 = 6,96

10ª2 +22,5ª2 = 12,89
Resolviendo obtenemos ª = 2,216 y ª = −0,412

Calculamos los valores de ¨ = w , = 9,17 y ¯ = −0,412
La ecuación será * = 9,17w ,B
b) Para el calcular el error cuadrático medio completamos la tabla
√€× ,€9§
× 100% = = 7,69%
nE
Em =
,9B
∑
n
f ( xi )
i =1
En la tabla – representa la función * de aproximación
√€× ,AA
× 100% = = 17,1%
nE
Em =
,9B
∑
n
f ( xi )
i =1
Comparando los errores concluimos que la aproximación del polinomio es mejor.
Capítulo 6:
6.1- Encontrar el área entre # =2 w y

* = /2, que incluya el área entre las
intersecciones de # y * en el primer
cuadrante. Use la Regla de Simpson y 10
subintervalos.
Solución:
las funciones ocurre entre 5 = /0; 02 y

Gráficamente vemos que la intersección de
7 = /1; 1,52
para calcular el punto 7 de intersección de

Utilizamos el Método de Newton-Raphson
valor de 7
las funciones en el primer cuadrante.

7 = 1,3863
.9§A9 ,9§A9
Para evaluar la integral por /9 =Z 2 w − 0.5 @ ; con ℎ = = 0,13863
En la siguiente tabla se muestran los puntos ; y el valor de la función # ;
k 0 1 2 3 4 5 6 7 8 9 10
x 0 0,1386 0,2773 0,4159 0,5545 0,6932 0,8318 0,9704 1,109 1,2477 1,3863
f(x) 0 0,1721 0,2816 0,3408 0,3597 0,3466 0,3082 0,2502 0,1772 0,0928 -4E-06
Aplicamos la fórmula y obtenemos que = 0,3264
6.2- Definida la función # en la siguiente tabla:
a) Calcular #´ 0,5 por las diferencias progresivas, regresivas y centrales.

b) Calcular #´´ 0,5 , por las diferencias progresivas, regresivas y centrales.
Solución:
Valor exacto #´ 0,5 = 2,47308
#´ 0,5 = = 2,926 diferencias progresivas uuvu = 18,31%

,B •A ,§ BB
,
#´ 0,5 = = 2,097 diferencias regresivas uuvu = 15,2%
,§ BB ,B €
,
#´ 0,5 = = 2,5115 diferencias centrales uuvu = 13,4%
,B •A ,B €
,B
Valor exacto #´´ 0,5 = 4,122
Diferencias Progresivas #´´ 0,5 = 5,47 uuvu = 32,7%

Diferencias Regresivas #´´ 0,5 = 3,1225 uuvu = 24,25%
Diferencia Central #´´ 0,5 = 4,145 uuvu = 0,56%
Capítulo 7:
7.1- Dada la EDO Q´ = 1 − , siendo que Q 1 = 1, aproxima el valor de Q 2 para X = 0,5 y X = 0,25.
t
(Solución exacta Q = w , Q 2 = 0,73578882)

a) Por el método de Euler.
b) Por el método de Heun
c) Por los métodos de Runge- Kutta de 2ª, 3ª y 4ª orden
Método de Euler X = 0,5

Solución:
•

Error = 15,1%
• Método de Euler ℎ = 0,25
Error = 7,5%
• Método de Heun ℎ = 0,5
Error = 1,2%
• Método de Heun ℎ = 0,25
Error = 0,38%
• Por RK de 2ª orden ℎ = 0,5
,¡9€¡€§• ,¡BB¡• ¡
Error= × 100 = 1,2%
.¡9€¡§•

,¡9€¡€§• ,¡9§€BB9
Error= × 100 = 0,38%
.¡9€¡§•
,¡9€¡€§• ,¡9¡ B
Error= × 100 = 0,18%
.¡9€¡§•
,¡9€¡€§• ,¡9€• •
Error= × 100 = 0,02%
.¡9€¡§•
,¡9€¡€§• ,¡9€§
Error= × 100 = 0,008%
.¡9€¡§•
,¡9€¡€§• ,¡9€¡A9•
Error= × 100 = 0,0007%
.¡9€¡§•

En el siguiente gráfico se muestran los diferentes acercamientos al valor aproximado
Comparando los errores podemos apreciar la exactitud del método de Runge-Kutta de 4ª orden.

Cálculo IV PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Cálculo IV PDF

Загружено:

Авторское право:

Доступные форматы

INTRODUCCIÓN AL

1 Hugo Franco Paats

1 – ANÁLISIS DEL ERROR Pág. 04

2 – RESOLUCIÓN DE ECUACIONES NO LINEALES Pág. 15

3 – SISTEMAS DE ECUACIONES LINEALES Pág. 30

5 – AJUSTE DE CURVAS A DATOS DE MEDICIONES Pág. 62

Hugo Franco Paats 2

6 – INTEGRACIÓN Y DERIVACIÓN NUMÉRICA Pág. 69

6.1 – Integración Numérica

7 – ECUACIONES DIFERENCIALES Pág. 80

8 – EJERCICIOS RESUELTOS Pág. 91

3 Hugo Franco Paats

ANÁLISIS DEL ERROR

Hugo Franco Paats 4

Donde m es un número comprendido entre 0 y 1 en el sistema decimal, denominado mantisa, y “ e ” es un

El exponente “ e ” varía en el intervalo [M ; m ] , siendo estos valores determinados por la capacidad de la

La representación de los números en un computador simple que utiliza 32 bits es la siguiente:

5 Hugo Franco Paats

1.2.1 - Exactitud y Precisión

1.3.1 – Errores de Redondeo y Truncamiento

Hugo Franco Paats 6

1.3.2 - Error Absoluto, Relativo y Porcentual

7 Hugo Franco Paats

1.4 – ANÁLISIS DEL ERROR Y LA COTA DEL ERROR EN ARITMÉTICA DE COMA

Calculamos el error absoluto:

El error relativo será:

# × 10 → '( |* | < 1/2

Hugo Franco Paats 8

El error relativo será:

1.4.1- Cifras Significativas y Decimales Correctos

Por lo tanto podemos afirmar que:

1.4.2 - Reglas para contar correctamente el número de cifras significativas:

en donde m = masa del cuerpo

Hugo Franco Paats 10

Ejemplo 1.8: en la siguiente suma

1.5 – ANÁLISIS DEL ERROR EN LAS OPERACIONES ARITMÉTICAS

1.5.1- Forma General

11 Hugo Franco Paats

Valor aproximado de la diferencia

x− y = x− y y el Error absoluto de la diferencia es E Ax− y = E Ax − E Ay la diferencia de los

13 Hugo Franco Paats

Hugo Franco Paats 14

RESOLUCIÓN DE ECUACIONES NO LINEALES

Estos métodos son auto-correctivos. La precisión de la respuesta está

♦ FASE 1: Aislamiento: en esta fase se localizan o aíslan las

2.2- FASE 1: AISLAMIENTO DE LAS RAICES

2.2.1 – Teorema de Bolzano:

15 Hugo Franco Paats

2.2.2 - Uso de tablas

a) Para f 1 ( x) = x − 8x + 1 la tabla será:

f1 ( x) es continua ∀x , existe un cero de f1 ( x) en /0,5: 12 Para saber si este cero es

Hugo Franco Paats 16

2.3- FASE II: APROXIMACIÓN

2.3.1- Diagrama de flujo de un método iterativo

17 Hugo Franco Paats

2.4- MÉTODO DE LA BISECCIÓN (BISECTRIZ)

Los cálculos para evaluar la secuencia de puntos x0 , x1 , x2 ,.... es la siguiente:

Hugo Franco Paats 18

 f (a1 ) < 0 ξ ∈ [x1 , b1 ]

 f (2) = −0,3979 < 0 {ξ ∈ [2,5;3]

 f (2,5) < 0 ξ ∈ [2,5;2,75]

 f (2,5) < 0 ξ ∈ [2,5;2,625]

 f (2,5) < 0 ξ ∈ [2,5;2,53125]