Академический Документы
Профессиональный Документы
Культура Документы
17 de marzo de 2020
Introducción
Introducción
Definición
Análisis Numérico
Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de instrucciones
cuyo fin es calcular o aproximar alguna cantidad o función.
Introducción
Definición
Análisis Numérico
Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de instrucciones
cuyo fin es calcular o aproximar alguna cantidad o función.
El análisis numérico consiste en procedimientos que resuelven problemas y realizan
cálculos puramente aritméticos. Pero hay que tomar en cuenta las características
especiales y limitaciones de los instrumentos de cálculo (como las computadoras) que
nos ayudan en la ejecución de las instrucciones del algoritmo.
Introducción
Definición
Análisis Numérico
Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de instrucciones
cuyo fin es calcular o aproximar alguna cantidad o función.
El análisis numérico consiste en procedimientos que resuelven problemas y realizan
cálculos puramente aritméticos. Pero hay que tomar en cuenta las características
especiales y limitaciones de los instrumentos de cálculo (como las computadoras) que
nos ayudan en la ejecución de las instrucciones del algoritmo.
Introducción
Definición
Análisis Numérico
Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de instrucciones
cuyo fin es calcular o aproximar alguna cantidad o función.
El análisis numérico consiste en procedimientos que resuelven problemas y realizan
cálculos puramente aritméticos. Pero hay que tomar en cuenta las características
especiales y limitaciones de los instrumentos de cálculo (como las computadoras) que
nos ayudan en la ejecución de las instrucciones del algoritmo.
Introducción
Definición
Análisis Numérico
Es el diseño, uso y análisis de algoritmos, los cuales son conjuntos de instrucciones
cuyo fin es calcular o aproximar alguna cantidad o función.
El análisis numérico consiste en procedimientos que resuelven problemas y realizan
cálculos puramente aritméticos. Pero hay que tomar en cuenta las características
especiales y limitaciones de los instrumentos de cálculo (como las computadoras) que
nos ayudan en la ejecución de las instrucciones del algoritmo.
Métodos Numéricos
Métodos Numéricos
Definición
Son técnicas de análisis las cuales es posible formular problemas de tal manera que
se pueden resolver utilizando operaciones aritméticas.
En 1650 A.C. el Papiro de Rhynd, explica un método para encontrar raíces de ecuacio-
nes sencilla sin el uso de algebra.
En 250 A.C. Euclides desarrolla un método de Exhausción, para aproximar áreas, con
este obtiene un valor muy aproximado de Pi
En 250 A.C. Euclides desarrolla un método de Exhausción, para aproximar áreas, con
este obtiene un valor muy aproximado de Pi
En 250 A.C. Euclides desarrolla un método de Exhausción, para aproximar áreas, con
este obtiene un valor muy aproximado de Pi
En 250 A.C. Euclides desarrolla un método de Exhausción, para aproximar áreas, con
este obtiene un valor muy aproximado de Pi
En 250 A.C. Euclides desarrolla un método de Exhausción, para aproximar áreas, con
este obtiene un valor muy aproximado de Pi
1617 John Napier introduce los logaritmos y diseña una máquina para calcularlos co-
nocida como los huesos Napier
1617 John Napier introduce los logaritmos y diseña una máquina para calcularlos co-
nocida como los huesos Napier
1617 John Napier introduce los logaritmos y diseña una máquina para calcularlos co-
nocida como los huesos Napier
En 1623 Keppler utiliza una máquina para realizar cálculos de forma práctica que usó
en estudios astronómicos; ésta podía realizar muchas operaciones y hasta guardar los
pasos intermedios, para ser utilizados en otros cálculos.
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 6 / 101
Conceptos Fundamentales de los Métodos Numéricos Historia de los Métodos Numéricos
Newton desarrolla una gran cantidad de métodos para realizar numéricamente proce-
dimientos matemáticos. El más famoso es la interpolación polinomial, pero mucho de
los métodos usados actualmente son generalizados por las ideas de él.
Newton desarrolla una gran cantidad de métodos para realizar numéricamente proce-
dimientos matemáticos. El más famoso es la interpolación polinomial, pero mucho de
los métodos usados actualmente son generalizados por las ideas de él.
En 1822 Charles Babbage, diseño una máquina de diferencias que en teoría permi-
tía realizar operaciones matemáticas y hasta resolver ecuaciones complejas y evaluar
polinomios por medio de sumas sucesivas.
En 1822 Charles Babbage, diseño una máquina de diferencias que en teoría permi-
tía realizar operaciones matemáticas y hasta resolver ecuaciones complejas y evaluar
polinomios por medio de sumas sucesivas.
Babbage no pudo terminar de construir su máquina pero posteriormente se reconstru-
yó la misma y fue totalmente funcional. La máquina es programable y puede correr
algunos programas básicos para solucionar problemas matemáticos básicos.
Errores de Redondeo
Los errores de redondeo se deben a que la computadora tan sólo representa cantidades
con un número finito de dígitos:
Ejemplo
4.125 se redondea a 4.13
Errores de Redondeo
Los errores de redondeo se deben a que la computadora tan sólo representa cantidades
con un número finito de dígitos:
Ejemplo
4.125 se redondea a 4.13
√
Los números tales como π, e o 7 no pueden exspresarse con un número fijo de cifras
significativas.
Errores de Redondeo
Los errores de redondeo se deben a que la computadora tan sólo representa cantidades
con un número finito de dígitos:
Ejemplo
4.125 se redondea a 4.13
√
Los números tales como π, e o 7 no pueden exspresarse con un número fijo de cifras
significativas.
Por lo tanto, no pueden ser representados exactamente por la computadora.
Errores de Redondeo
Los errores de redondeo se deben a que la computadora tan sólo representa cantidades
con un número finito de dígitos:
Ejemplo
4.125 se redondea a 4.13
√
Los números tales como π, e o 7 no pueden exspresarse con un número fijo de cifras
significativas.
Por lo tanto, no pueden ser representados exactamente por la computadora.
Además, debido a que las computadoras usan una representación en base 2, no pueden
representar exactamente algunos números en base 10.
Errores de Redondeo
Los errores de redondeo se deben a que la computadora tan sólo representa cantidades
con un número finito de dígitos:
Ejemplo
4.125 se redondea a 4.13
√
Los números tales como π, e o 7 no pueden exspresarse con un número fijo de cifras
significativas.
Por lo tanto, no pueden ser representados exactamente por la computadora.
Además, debido a que las computadoras usan una representación en base 2, no pueden
representar exactamente algunos números en base 10.
Esta discrepancia por la omisión de cifras significativas se llama error de redondeo.
Cifras Significativas
Definición
Cifras Significativas
Definición
El concepto de cifras o dígitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numérico.
Cifras Significativas
Definición
El concepto de cifras o dígitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numérico.
Las cifras significativas de un número son aquellas que pueden utilizarse en forma
confiable. Se trata del número de dígitos que se ofrecen con certeza, más uno
estimado. Es decir, El número de cifras significativas es aquel que puede ser usado
para que ese valor sea confiable.
Cifras Significativas
Definición
El concepto de cifras o dígitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numérico.
Las cifras significativas de un número son aquellas que pueden utilizarse en forma
confiable. Se trata del número de dígitos que se ofrecen con certeza, más uno
estimado. Es decir, El número de cifras significativas es aquel que puede ser usado
para que ese valor sea confiable.
Ejemplo
El velocímetro y el odómetro de la figura muestran lecturas de hasta tres y siete cifras
significativas, respectivamente.
Ejemplo
El velocímetro y el odómetro de la figura muestran lecturas de hasta tres y siete cifras
significativas, respectivamente.Para el velocímetro, los dos dígitos seguros son 48.
Ejemplo
El velocímetro y el odómetro de la figura muestran lecturas de hasta tres y siete cifras
significativas, respectivamente.Para el velocímetro, los dos dígitos seguros son 48.Por
convención al dígito estimado se le da el valor de la mitad de la escala menor de
división en el instrumento de medición. Así, la lectura del velocímetro consistirá de
las tres cifras significativas:
48.5.
Ejemplo
El velocímetro y el odómetro de la figura muestran lecturas de hasta tres y siete cifras
significativas, respectivamente.Para el velocímetro, los dos dígitos seguros son 48.Por
convención al dígito estimado se le da el valor de la mitad de la escala menor de
división en el instrumento de medición. Así, la lectura del velocímetro consistirá de
las tres cifras significativas:
48.5.
En forma similar, el odómetro dará una lectura con siete cifras significativas,
87324.45.
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 12 / 101
Conceptos Fundamentales de los Métodos Numéricos Cifras Significativas
Exactitud y Precisión
Exactitud y Precisión
Definición
La exactitud se refiere a qué tan cercano está el valor calculado o medido del
valor verdadero es decir, Que tan cercano está el valor calculado al valor real
Exactitud y Precisión
Definición
La exactitud se refiere a qué tan cercano está el valor calculado o medido del
valor verdadero es decir, Que tan cercano está el valor calculado al valor real
La precisión se refiere a qué tan cercanos se encuentran, unos de otros, diversos
valores calculados o medidos, es decir, que tan cercano está un valor individual
medido o calculado con respecto a los otros.
Exactitud y Precisión
Definición
La exactitud se refiere a qué tan cercano está el valor calculado o medido del
valor verdadero es decir, Que tan cercano está el valor calculado al valor real
La precisión se refiere a qué tan cercanos se encuentran, unos de otros, diversos
valores calculados o medidos, es decir, que tan cercano está un valor individual
medido o calculado con respecto a los otros.
La inexactitud (conocida también como sesgo) se define como una
desviación(alejamiento) sistemática del valor verdadero.
Exactitud y Precisión
Definición
La exactitud se refiere a qué tan cercano está el valor calculado o medido del
valor verdadero es decir, Que tan cercano está el valor calculado al valor real
La precisión se refiere a qué tan cercanos se encuentran, unos de otros, diversos
valores calculados o medidos, es decir, que tan cercano está un valor individual
medido o calculado con respecto a los otros.
La inexactitud (conocida también como sesgo) se define como una
desviación(alejamiento) sistemática del valor verdadero.
La imprecisión (también llamada incertidumbre), por otro lado, se refiere a la
magnitud en la dispersión, es decir, magnitud del alejamiento.
Ejemplo
Un ejemplo de puntería ilustra los conceptos de exactitud y precisión. a) Inexacto e
impreciso; b) exacto e impreciso; c) inexacto y preciso; d) exacto y preciso.
Ejemplo
Un ejemplo de puntería ilustra los conceptos de exactitud y precisión. a) Inexacto e
impreciso; b) exacto e impreciso; c) inexacto y preciso; d) exacto y preciso.
Los agujeros en cada blanco de la figura se consideran como las predicciones con una
técnica numérica; mientras que el centro del blanco representa la verdad.
Los disparos en la figura c están más juntos que los de la figura a, los dos casos son
igualmente inexactos, ya que ambos se centran en la esquina superior izquierda del
blanco.
Por consiguiente, aunque las figuras b y d son igualmente exactas (esto es, igualmente
centradas respecto al blanco), la última es más precisa, pues los disparos están agrupa-
dos en forma más compacta.
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 15 / 101
Conceptos Fundamentales de los Métodos Numéricos Exactitud y Precisión
Definiciones de Error
Definiciones de Error
Los métodos numéricos deben ser lo suficientemente exactos o sin sesgo para satisfacer
los requisitos de un problema particular. También deben ser suficientemente precisos
para ser adecuados en el diseño.
Definiciones de Error
Los métodos numéricos deben ser lo suficientemente exactos o sin sesgo para satisfacer
los requisitos de un problema particular. También deben ser suficientemente precisos
para ser adecuados en el diseño.
Usaremos el término error para representar tanto la inexactitud como la imprecisión
en las predicciones. Con dichos conceptos como antecedentes, ahora analizaremos los
factores que contribuyen al error en los cálculos numéricos.
Definiciones de Error
Los métodos numéricos deben ser lo suficientemente exactos o sin sesgo para satisfacer
los requisitos de un problema particular. También deben ser suficientemente precisos
para ser adecuados en el diseño.
Usaremos el término error para representar tanto la inexactitud como la imprecisión
en las predicciones. Con dichos conceptos como antecedentes, ahora analizaremos los
factores que contribuyen al error en los cálculos numéricos.
Los errores numéricos surgen del uso de aproximaciones para representar operaciones
y cantidades matemáticas exactas. Éstas incluyen los errores de truncamiento que
resultan del empleo de aproximaciones como un procedimiento matemático exacto, y
los errores de redondeo que se producen cuando se usan números que tienen un límite
de cifras significativas para representar números exactos.
error numérico
Para ambos tipos de errores, la relación entre el resultado exacto, o verdadero, y el
aproximado está dada por
error numérico
Para ambos tipos de errores, la relación entre el resultado exacto, o verdadero, y el
aproximado está dada por
error numérico
Para ambos tipos de errores, la relación entre el resultado exacto, o verdadero, y el
aproximado está dada por
error numérico
Para ambos tipos de errores, la relación entre el resultado exacto, o verdadero, y el
aproximado está dada por
donde Et se usa para denotar el valor exacto del error. El subíndice t indica que se
trata del error “verdadero” (true). Una desventaja en esta definición es que no toma en
consideración el orden de la magnitud del valor que se estima.
error numérico
Para ambos tipos de errores, la relación entre el resultado exacto, o verdadero, y el
aproximado está dada por
donde Et se usa para denotar el valor exacto del error. El subíndice t indica que se
trata del error “verdadero” (true). Una desventaja en esta definición es que no toma en
consideración el orden de la magnitud del valor que se estima.
Por ejemplo, un error de un centímetro es mucho más significativo si se está midiendo
un remache en lugar de un puente. Una manera de tomar en cuenta las magnitudes de
las cantidades que se evalúan consiste en normalizar el error respecto al valor verdade-
ro, es decir
error numérico
Para ambos tipos de errores, la relación entre el resultado exacto, o verdadero, y el
aproximado está dada por
donde Et se usa para denotar el valor exacto del error. El subíndice t indica que se
trata del error “verdadero” (true). Una desventaja en esta definición es que no toma en
consideración el orden de la magnitud del valor que se estima.
Por ejemplo, un error de un centímetro es mucho más significativo si se está midiendo
un remache en lugar de un puente. Una manera de tomar en cuenta las magnitudes de
las cantidades que se evalúan consiste en normalizar el error respecto al valor verdade-
ro, es decir
error verdadero
Error relativo fraccional verdadero = (3)
valor verdadero
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 17 / 101
Conceptos Fundamentales de los Métodos Numéricos Exactitud y Precisión
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.
Ejemplo
Suponga que se tiene que medir la longitud de un puente y la de un remache, y se
obtiene 9999 y 9cm, respectivamente. Si los valores verdaderos son 10000 y 10cm ,
calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.
Ejemplo
Suponga que se tiene que medir la longitud de un puente y la de un remache, y se
obtiene 9999 y 9cm, respectivamente. Si los valores verdaderos son 10000 y 10cm ,
calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.
Solución
a) El error en la medición del puente es [ecuación (2)]
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.
Ejemplo
Suponga que se tiene que medir la longitud de un puente y la de un remache, y se
obtiene 9999 y 9cm, respectivamente. Si los valores verdaderos son 10000 y 10cm ,
calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.
Solución
a) El error en la medición del puente es [ecuación (2)]
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.
Ejemplo
Suponga que se tiene que medir la longitud de un puente y la de un remache, y se
obtiene 9999 y 9cm, respectivamente. Si los valores verdaderos son 10000 y 10cm ,
calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.
Solución
a) El error en la medición del puente es [ecuación (2)]
y en la del remache es de
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.
Ejemplo
Suponga que se tiene que medir la longitud de un puente y la de un remache, y se
obtiene 9999 y 9cm, respectivamente. Si los valores verdaderos son 10000 y 10cm ,
calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.
Solución
a) El error en la medición del puente es [ecuación (2)]
y en la del remache es de
Et = 10 − 9 = 1cm
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 18 / 101
Conceptos Fundamentales de los Métodos Numéricos Exactitud y Precisión
Solución
b) El error relativo porcentual para el puente es [ecuación (4)]
Solución
b) El error relativo porcentual para el puente es [ecuación (4)]
1
et = 100 % = 0.01 %
10000
Solución
b) El error relativo porcentual para el puente es [ecuación (4)]
1
et = 100 % = 0.01 %
10000
y para el remache es de
Solución
b) El error relativo porcentual para el puente es [ecuación (4)]
1
et = 100 % = 0.01 %
10000
y para el remache es de
1
et = 100 % = 10 %
10
Solución
b) El error relativo porcentual para el puente es [ecuación (4)]
1
et = 100 % = 0.01 %
10000
y para el remache es de
1
et = 100 % = 10 %
10
Por lo tanto, aunque ambas medidas tienen un error de 1 cm, el error relativo porcentual
del remache es mucho mayor. Se concluye entonces que se ha hecho un buen trabajo
en la medición del puente; mientras que la estimación para el remache dejó mucho que
desear.
En los métodos numéricos, el valor verdadero sólo se conocerá cuando se tengan fun-
ciones que se resuelvan analíticamente. Éste comúnmente será el caso cuando se estu-
die el comportamiento teórico de una técnica específica para sistemas simples.
En los métodos numéricos, el valor verdadero sólo se conocerá cuando se tengan fun-
ciones que se resuelvan analíticamente. Éste comúnmente será el caso cuando se estu-
die el comportamiento teórico de una técnica específica para sistemas simples.
Sin embargo, en muchas aplicaciones reales, no se conoce a priori la respuesta verda-
dera. Entonces en dichos casos, una alternativa es normalizar el error, usando la mejor
estimación posible al valor verdadero; es decir, para la aproximación misma, como en
En los métodos numéricos, el valor verdadero sólo se conocerá cuando se tengan fun-
ciones que se resuelvan analíticamente. Éste comúnmente será el caso cuando se estu-
die el comportamiento teórico de una técnica específica para sistemas simples.
Sin embargo, en muchas aplicaciones reales, no se conoce a priori la respuesta verda-
dera. Entonces en dichos casos, una alternativa es normalizar el error, usando la mejor
estimación posible al valor verdadero; es decir, para la aproximación misma, como en
error aproximado
ea = 100 % (5)
valor aproximado
donde el subíndice a significa que el error está normalizado a un valor aproximado.
Observe también que en aplicaciones reales la ecuación (2) no se puede usar para
calcular el término del error de la ecuación (5).
En los métodos numéricos, el valor verdadero sólo se conocerá cuando se tengan fun-
ciones que se resuelvan analíticamente. Éste comúnmente será el caso cuando se estu-
die el comportamiento teórico de una técnica específica para sistemas simples.
Sin embargo, en muchas aplicaciones reales, no se conoce a priori la respuesta verda-
dera. Entonces en dichos casos, una alternativa es normalizar el error, usando la mejor
estimación posible al valor verdadero; es decir, para la aproximación misma, como en
error aproximado
ea = 100 % (5)
valor aproximado
donde el subíndice a significa que el error está normalizado a un valor aproximado.
Observe también que en aplicaciones reales la ecuación (2) no se puede usar para
calcular el término del error de la ecuación (5).
Uno de los retos que enfrentan los métodos numéricos es el de determinar estimaciones
del error en ausencia del conocimiento de los valores verdaderos.
Por ejemplo, ciertos métodos numéricos usan un método iterativo para calcular los
resultados. En tales métodos se hace una aproximación considerando la aproximación
anterior. Este proceso se efectúa varias veces, o de forma iterativa, para calcular en
forma sucesiva, esperando cada vez mejores aproximaciones.
Por ejemplo, ciertos métodos numéricos usan un método iterativo para calcular los
resultados. En tales métodos se hace una aproximación considerando la aproximación
anterior. Este proceso se efectúa varias veces, o de forma iterativa, para calcular en
forma sucesiva, esperando cada vez mejores aproximaciones.
En tales casos, el error a menudo se calcula como la diferencia entre la aproximación
previa y la actual. Por lo tanto, el error relativo porcentual está dado por
Por ejemplo, ciertos métodos numéricos usan un método iterativo para calcular los
resultados. En tales métodos se hace una aproximación considerando la aproximación
anterior. Este proceso se efectúa varias veces, o de forma iterativa, para calcular en
forma sucesiva, esperando cada vez mejores aproximaciones.
En tales casos, el error a menudo se calcula como la diferencia entre la aproximación
previa y la actual. Por lo tanto, el error relativo porcentual está dado por
A menudo, cuando se realizan cálculos, no importa mucho el signo del error, sino más
bien que su valor absoluto porcentual sea menor que una tolerancia porcentual prefijada
es. Por lo tanto, es útil emplear el valor absoluto de las ecuaciones (2) a (6). En tales
casos, los cálculos se repiten hasta que
A menudo, cuando se realizan cálculos, no importa mucho el signo del error, sino más
bien que su valor absoluto porcentual sea menor que una tolerancia porcentual prefijada
es. Por lo tanto, es útil emplear el valor absoluto de las ecuaciones (2) a (6). En tales
casos, los cálculos se repiten hasta que
Ejemplo
Ejemplo
En matemáticas con frecuencia las funciones se representan mediante series infinitas.
Por ejemplo, la función exponencial se calcula usando
x2 x3 xn
ex = 1 + x + + + ··· + ··· (9)
2! 3! n!
Ejemplo
En matemáticas con frecuencia las funciones se representan mediante series infinitas.
Por ejemplo, la función exponencial se calcula usando
x2 x3 xn
ex = 1 + x + + + ··· + ··· (9)
2! 3! n!
Empezando con el primer término ex = 1 y agregando término por término, estime el
valor de e0.5 .
Ejemplo
En matemáticas con frecuencia las funciones se representan mediante series infinitas.
Por ejemplo, la función exponencial se calcula usando
x2 x3 xn
ex = 1 + x + + + ··· + ··· (9)
2! 3! n!
Empezando con el primer término ex = 1 y agregando término por término, estime el
valor de e0.5 .
Después de agregar cada término, calcule los errores: relativo porcentual verdadero
y normalizado a un valor aproximado usando las ecuaciones (4) y (5),
respectivamente. Observe que el valor verdadero es e0.5 = 1.648721. . . Agregue
términos hasta que el valor absoluto del error aproximado ea sea menor que un
criterio de error preestablecido es con tres cifras significativas.
Ejemplo
En matemáticas con frecuencia las funciones se representan mediante series infinitas.
Por ejemplo, la función exponencial se calcula usando
x2 x3 xn
ex = 1 + x + + + ··· + ··· (9)
2! 3! n!
Empezando con el primer término ex = 1 y agregando término por término, estime el
valor de e0.5 .
Después de agregar cada término, calcule los errores: relativo porcentual verdadero
y normalizado a un valor aproximado usando las ecuaciones (4) y (5),
respectivamente. Observe que el valor verdadero es e0.5 = 1.648721. . . Agregue
términos hasta que el valor absoluto del error aproximado ea sea menor que un
criterio de error preestablecido es con tres cifras significativas.
Así cuanto más términos se le agreguen a la serie, la aproximación será cada vez más
una mejor estimación del valor verdadero de ex . La ecuación (9) se conoce como ex-
pansión en series de Maclaurin.
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 23 / 101
Conceptos Fundamentales de los Métodos Numéricos Exactitud y Precisión
Solución
En primer lugar la ecuación (8) se emplea para determinar el criterio de error que
asegura que un resultado sea correcto en al menos tres cifras significativas:
Solución
En primer lugar la ecuación (8) se emplea para determinar el criterio de error que
asegura que un resultado sea correcto en al menos tres cifras significativas:
Por lo tanto, se agregarán términos a la serie hasta que ea sea menor que este valor.
La primera estimación es igual a la ecuación (9) con un solo término. Entonces, la
primera estimación es igual a 1. La segunda estimación se obtiene agregando el
segundo término, así:
Solución
En primer lugar la ecuación (8) se emplea para determinar el criterio de error que
asegura que un resultado sea correcto en al menos tres cifras significativas:
Por lo tanto, se agregarán términos a la serie hasta que ea sea menor que este valor.
La primera estimación es igual a la ecuación (9) con un solo término. Entonces, la
primera estimación es igual a 1. La segunda estimación se obtiene agregando el
segundo término, así:
ex = 1 + x
Solución
En primer lugar la ecuación (8) se emplea para determinar el criterio de error que
asegura que un resultado sea correcto en al menos tres cifras significativas:
Por lo tanto, se agregarán términos a la serie hasta que ea sea menor que este valor.
La primera estimación es igual a la ecuación (9) con un solo término. Entonces, la
primera estimación es igual a 1. La segunda estimación se obtiene agregando el
segundo término, así:
ex = 1 + x
y para x = 0.5,
Solución
En primer lugar la ecuación (8) se emplea para determinar el criterio de error que
asegura que un resultado sea correcto en al menos tres cifras significativas:
Por lo tanto, se agregarán términos a la serie hasta que ea sea menor que este valor.
La primera estimación es igual a la ecuación (9) con un solo término. Entonces, la
primera estimación es igual a 1. La segunda estimación se obtiene agregando el
segundo término, así:
ex = 1 + x
y para x = 0.5,
Solución
En primer lugar la ecuación (8) se emplea para determinar el criterio de error que
asegura que un resultado sea correcto en al menos tres cifras significativas:
Por lo tanto, se agregarán términos a la serie hasta que ea sea menor que este valor.
La primera estimación es igual a la ecuación (9) con un solo término. Entonces, la
primera estimación es igual a 1. La segunda estimación se obtiene agregando el
segundo término, así:
ex = 1 + x
y para x = 0.5,
Solución
La ecuación (5) se utiliza para determinar una estimación aproximada del error, dada
por:
Solución
La ecuación (5) se utiliza para determinar una estimación aproximada del error, dada
por:
1.5 − 1
ea = 100 % = 33.33 %
1.5
Como ea no es menor que el valor requerido es, se deben continuar los cálculos
2
agregando otro término, x2! , repitiendo el cálculo del error. El proceso continúa hasta
que ea < es . Todos los cálculos se resumen de la siguiente manera
Errores de Truncamiento
Definición
Los errores de truncamiento representan la diferencia entre una formulación
matemática exacta de un problema y su aproximación obtenida por un método
numérico.
Errores de Truncamiento
Definición
Los errores de truncamiento representan la diferencia entre una formulación
matemática exacta de un problema y su aproximación obtenida por un método
numérico.
Este se debe a la interrupción de un proceso matemático antes de su terminación.
Sucede cuando se toman sólo algunos términos de una serie infinita o cuando se toma
sólo un número finito de intervalos.
Un caso adicional de error de truncamiento ocurre cuando una calculadora poco
sofisticada sólo toma en cuenta los dígitos que caben en la pantalla y no analiza el
primer dígito perdido. En resumen,
Serie de Taylor
Serie de Taylor
La serie de Taylor nos permite manipular funciones complejas como las logar ítmicas,
exponenciales y trigonométricas, aproximando el valor de una función en un entorno
de un punto a, en términos del valor de la función y sus derivadas en dicho punto.
Definición
Llamaremos Polinomio de Taylor de grado n de una función f suficientemente
derivable en el punto a, y lo denotaremos por Tn,a [f ] al polinomio:
Nota
Se puede escribir la fórmula (11) más compacta de la siguiente forma:
n
X f (i) (a)
Tn,a [f ](x) = (x − a)i (12)
i!
i=0
Teorema
Sea “f ” una función suficientemente derivable en un punto a, se puede construir el
polinomio de Taylor, Tn,a [f ]], de tal forma que Tn,a [f ](k) (a) = f (k) (a), siendo
k = 1, 2, ·n., es decir, este polinomio tiene la propiedad de que él y sus derivadas
hasta del orden n coinciden con la función “f ” y sus derivadas hasta orden n en el
punto a.
Teorema
Sea “f ” una función suficientemente derivable en un punto a, se puede construir el
polinomio de Taylor, Tn,a [f ]], de tal forma que Tn,a [f ](k) (a) = f (k) (a), siendo
k = 1, 2, ·n., es decir, este polinomio tiene la propiedad de que él y sus derivadas
hasta del orden n coinciden con la función “f ” y sus derivadas hasta orden n en el
punto a.
Teorema
Sea “f ” una función suficientemente derivable en un punto a, se puede construir el
polinomio de Taylor, Tn,a [f ]], de tal forma que Tn,a [f ](k) (a) = f (k) (a), siendo
k = 1, 2, ·n., es decir, este polinomio tiene la propiedad de que él y sus derivadas
hasta del orden n coinciden con la función “f ” y sus derivadas hasta orden n en el
punto a.
(x − a)n+1
Rn (x) = f n+1 (ξ) (14)
(n + 1)!
Ejemplo I
Ejemplo
Ejemplo I
Ejemplo
Ejemplo I
Ejemplo
Solución
El ejercicio pide encontrar la Serie de Taylor de grado 4, para ello es necesario
obtener hasta la cuarta derivada y determinar el valor de las mismas en a = 0:
Ejemplo I
Ejemplo
Solución
El ejercicio pide encontrar la Serie de Taylor de grado 4, para ello es necesario
obtener hasta la cuarta derivada y determinar el valor de las mismas en a = 0:
Función Valor en a = 0
f (x) = ex − sen(x) f (0) = e0 − sen(0) = 1 − 0 = 1
f 0 (x) = ex − cos(x) f 0 (0) = e0 − cos(0) = 1 − 1 = 0
f 00 (x) = ex + sen(x) f 00 (0) = e0 + sen(0) = 1 − 0 = 1
f 000 (x) = ex + cos(x) f 000 (0) = e0 + cos(0) = 1 + 1 = 2
f iv (x) = ex − sen(x) f (0) = e0 − sen(0) = 1 − 0 = 1
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 30 / 101
Conceptos Fundamentales de los Métodos Numéricos Errores de truncamiento y serie de Taylor
Solución
Reemplazamos los valores del cuadro 1 , en la fórmula (12):
Solución
Reemplazamos los valores del cuadro 1 , en la fórmula (12):
Solución
Reemplazamos los valores del cuadro 1 , en la fórmula (12):
Solución
Reemplazamos los valores del cuadro 1 , en la fórmula (12):
f (1) = 1.876810843651149
y
T4,0 [ex − sen(x)](1) = 1.875
ver figura en Matlab
Ejemplo II
Ejemplo II
Ejemplo
Use expansiones de la serie de Taylor de los órdenes cero hasta cuatro para
aproximar la función
Ejemplo II
Ejemplo
Use expansiones de la serie de Taylor de los órdenes cero hasta cuatro para
aproximar la función
n=0
n=0
Solución
Como se observo en el figura 1 es una función conocidad por lo que se puede
calacular su valor real, la función empieza en f (0) = 1.2 y hace una curva hacia
abajo hasta f (1) = 0.2. Por lo tanto, el valor verdadero que se trata de predecir es
0.2.
n=0
Solución
Como se observo en el figura 1 es una función conocidad por lo que se puede
calacular su valor real, la función empieza en f (0) = 1.2 y hace una curva hacia
abajo hasta f (1) = 0.2. Por lo tanto, el valor verdadero que se trata de predecir es
0.2.
La aproximación de la serie de Taylor con n = 0 es
n=0
Solución
Como se observo en el figura 1 es una función conocidad por lo que se puede
calacular su valor real, la función empieza en f (0) = 1.2 y hace una curva hacia
abajo hasta f (1) = 0.2. Por lo tanto, el valor verdadero que se trata de predecir es
0.2.
La aproximación de la serie de Taylor con n = 0 es
f (xi + 1) ≈ 1.2
n=0
Solución
Como se observo en el figura 1 es una función conocidad por lo que se puede
calacular su valor real, la función empieza en f (0) = 1.2 y hace una curva hacia
abajo hasta f (1) = 0.2. Por lo tanto, el valor verdadero que se trata de predecir es
0.2.
La aproximación de la serie de Taylor con n = 0 es
f (xi + 1) ≈ 1.2
para un x = 1
n=1
Solución
Para n = 1, se debe determinar y evaluar la primer derivada en x = 0:
n=1
Solución
Para n = 1, se debe determinar y evaluar la primer derivada en x = 0:
n=1
Solución
Para n = 1, se debe determinar y evaluar la primer derivada en x = 0:
f (1) = 0.95.
el error de truncamiento se reduce a
Ejemplo III
Ejemplo
Utilice expansiones de la serie de Taylor con n desde 0 hasta 6 para aproximar
π π
f (x) = cosx en xi+1 = con base en el valor de f (x) y sus derivadas en xi = . Lo
3 4
π π π
que significa que h = − = .
3 4 12
Ejemplo III
Ejemplo
Utilice expansiones de la serie de Taylor con n desde 0 hasta 6 para aproximar
π π
f (x) = cosx en xi+1 = con base en el valor de f (x) y sus derivadas en xi = . Lo
3 4
π π π
que significa que h = − = .
3 4 12
Solución
En la función original se puede determinar el valor exacto de f ( π3 ) = 0.5.
Ejemplo III
Ejemplo
Utilice expansiones de la serie de Taylor con n desde 0 hasta 6 para aproximar
π π
f (x) = cosx en xi+1 = con base en el valor de f (x) y sus derivadas en xi = . Lo
3 4
π π π
que significa que h = − = .
3 4 12
Solución
En la función original se puede determinar el valor exacto de f ( π3 ) = 0.5.
La aproximación de orden cero es
π π
f ( ) ≈ cos ≈ 0.707106781
3 4
Ejemplo III
Ejemplo
Utilice expansiones de la serie de Taylor con n desde 0 hasta 6 para aproximar
π π
f (x) = cosx en xi+1 = con base en el valor de f (x) y sus derivadas en xi = . Lo
3 4
π π π
que significa que h = − = .
3 4 12
Solución
En la función original se puede determinar el valor exacto de f ( π3 ) = 0.5.
La aproximación de orden cero es
π π
f ( ) ≈ cos ≈ 0.707106781
3 4
Que representa un error relativo porcentual de:
0.5 − 0.707106781
et = 100 % =
0.5
Ejemplo III
Ejemplo
Utilice expansiones de la serie de Taylor con n desde 0 hasta 6 para aproximar
π π
f (x) = cosx en xi+1 = con base en el valor de f (x) y sus derivadas en xi = . Lo
3 4
π π π
que significa que h = − = .
3 4 12
Solución
En la función original se puede determinar el valor exacto de f ( π3 ) = 0.5.
La aproximación de orden cero es
π π
f ( ) ≈ cos ≈ 0.707106781
3 4
Que representa un error relativo porcentual de:
0.5 − 0.707106781
et = 100 % = − 41.4 %
0.5
Solución
Para la aproximación de primer orden (n = 1), se agrega el término de la primera
derivada donde f 0 (x) = −senx :
Solución
Para la aproximación de primer orden (n = 1), se agrega el término de la primera
derivada donde f 0 (x) = −senx :
π π π π
f ( ) ≈ cos − sen ≈
3 4 4 12
Solución
Para la aproximación de primer orden (n = 1), se agrega el término de la primera
derivada donde f 0 (x) = −senx :
π π π π
f ( ) ≈ cos − sen ≈ 0.521986659
3 4 4 12
Solución
Para la aproximación de primer orden (n = 1), se agrega el término de la primera
derivada donde f 0 (x) = −senx :
π π π π
f ( ) ≈ cos − sen ≈ 0.521986659
3 4 4 12
El representa un error relativo porcentual de:
0.5 − 0.521986659
et = 100 % =
0.5
Solución
Para la aproximación de primer orden (n = 1), se agrega el término de la primera
derivada donde f 0 (x) = −senx :
π π π π
f ( ) ≈ cos − sen ≈ 0.521986659
3 4 4 12
El representa un error relativo porcentual de:
0.5 − 0.521986659
et = 100 % = − 4.4 %
0.5
Práctica de Aula
2 3 n
1 Evalúe e−0.5 con el uso de e−x = 1 − x + x2! − x3! + · · · + · · · xn! . Tomando 3
cifras significativas. Calcule los errores relativos Verdadero y aproximado.
2 4 6 8
2 Estime el valor de cosx = 1 − x2! + x4! − x6! + x8! . Para x = 0.3π. Tomando 3
cifras significativas. Calcule los errores relativos Verdadero y aproximado.
3 Calcular el polinomio de Taylor de grado 4 que se ajusta a la función
f (x) = sen(x) + cos(x) en el punto x = 0.
4 Calcular el polinomio de Taylor de grado 5 que se ajusta a la función
f (x) = ln(x + 1) en el punto x = 0.
5 Emplee la expansión de la serie de Taylor de cero hasta tercer orden para
predecir f (2) si
f (x) = 25x3 − 6x2 + 7x − 88
usando como punto base xi = 1. error de truncamiento.
Así en el Ejemplo I
f (1) = 1.876810843651149
y
T4,0 [ex − sen(x)](1) = 1.875
luego por 16
Así en el Ejemplo I
f (1) = 1.876810843651149
y
T4,0 [ex − sen(x)](1) = 1.875
luego por 16
∴ Rn (x) ≈ 0.181 %
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 38 / 101
Conceptos Fundamentales de los Métodos Numéricos Errores de truncamiento y serie de Taylor
(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!
(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!
(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!
(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!
f (v) = ex − cos(x)
(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!
f (v) = ex − cos(x)
x5 ξ(x)
∴ e − cos(ξ(x)
Rn (x) =
120
Donde ξ(x) es algún número (por lo general desconocido) entre 0 y x.
Probar para ξ(x) = 0.5
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 39 / 101
Conceptos Fundamentales de los Métodos Numéricos Errores de truncamiento y serie de Taylor
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
Por lo tanto
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
Para n = 2 y xi = 0, obtenemos
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
Para n = 2 y xi = 0, obtenemos
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
Para n = 2 y xi = 0, obtenemos
Solución
Donde ξ(x) es algún número (por lo general desconocido) entre 0 y x.
Fórmulas de Newton-Cotes
Fórmulas de Newton-Cotes
Definición
Las fórmulas de Newton-Cotes son los tipos de integración numérica más comunes.
Se basan en la estrategia de reemplazar una función complicada o datos tabulados
por un polinomio de aproximación que es fácil de integrar:
Fórmulas de Newton-Cotes
Definición
Las fórmulas de Newton-Cotes son los tipos de integración numérica más comunes.
Se basan en la estrategia de reemplazar una función complicada o datos tabulados
por un polinomio de aproximación que es fácil de integrar:
Z b Z b
I= f (x)dx ≈ fn (x)dx (17)
a a
Fórmulas de Newton-Cotes
Definición
Las fórmulas de Newton-Cotes son los tipos de integración numérica más comunes.
Se basan en la estrategia de reemplazar una función complicada o datos tabulados
por un polinomio de aproximación que es fácil de integrar:
Z b Z b
I= f (x)dx ≈ fn (x)dx (17)
a a
Fórmulas de Newton-Cotes
Definición
Las fórmulas de Newton-Cotes son los tipos de integración numérica más comunes.
Se basan en la estrategia de reemplazar una función complicada o datos tabulados
por un polinomio de aproximación que es fácil de integrar:
Z b Z b
I= f (x)dx ≈ fn (x)dx (17)
a a
Definición
Figura: La aproximación de una integral mediante el área bajo a) una sola línea recta y b) una
parábola.
Definición
Figura: La aproximación de una integral mediante el área bajo a) una sola línea recta y b) una
parábola.
Por ejemplo, en la figura 3a, se utiliza un polinomio de primer grado (una línea recta)
como una aproximación. En la figura 3b, se emplea una parábola con el mismo
propósito.
Figura: La aproximación de una integral mediante el área bajo tres segmentos de línea recta.
Por lo que para aproximar la solución de una integral definida se puede utilizar la
siguiente estrategia; como la integral definida representa el área bajo la curva, entonces
es posible aproximar dicha área a través de un trapecio (n = 1), ver la figura,
Por lo que para aproximar la solución de una integral definida se puede utilizar la
siguiente estrategia; como la integral definida representa el área bajo la curva, entonces
es posible aproximar dicha área a través de un trapecio (n = 1), ver la figura,
f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
El área bajo esta línea recta es una aproximación de la integral de f (x) entre los límites
a y b:
f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
El área bajo esta línea recta es una aproximación de la integral de f (x) entre los límites
a y b:
Z b
f (b) − f (a)
I= f (a) + (x − a) dx (20)
a b−a
f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
El área bajo esta línea recta es una aproximación de la integral de f (x) entre los límites
a y b:
Z b
f (b) − f (a)
I= f (a) + (x − a) dx (20)
a b−a
Antes de la integración, la ecuación (19) se puede expresar como
f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
El área bajo esta línea recta es una aproximación de la integral de f (x) entre los límites
a y b:
Z b
f (b) − f (a)
I= f (a) + (x − a) dx (20)
a b−a
Antes de la integración, la ecuación (19) se puede expresar como
f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
El área bajo esta línea recta es una aproximación de la integral de f (x) entre los límites
a y b:
Z b
f (b) − f (a)
I= f (a) + (x − a) dx (20)
a b−a
Antes de la integración, la ecuación (19) se puede expresar como
b+a
I = [f (b) − f (a)] + bf (a) − af (b) (26)
2
f (a) + f (b)
I = (b − a) (27)
2
La cual es la fórmula del trapecio.
Ejemplo
√
La siguiente función no es integrable analíticamente f (x) = x sen(x), 0 ≤ x ≤ 2,
Use la fórmula de los trapecios , para obtener una respuesta aproximada del integral:
La expresión del lado derecho en (27) es la fórmula para el área del trapecio. Sin
embargo, es posible mejorar esta aproximación tomando dos trapecios (n = 2), y para
ello se divide el intervalo de integración [a, b], a la mitad para tener, ver la figura,
x1 − a x2 − x1 b − x2
I≈ [f (a) + f (x1 )] + [f (x1 ) + f (x2 )] + [f (x2 ) + f (b)] (30)
2 2 2
x1 − a x2 − x1 b − x2
I≈ [f (a) + f (x1 )] + [f (x1 ) + f (x2 )] + [f (x2 ) + f (b)] (30)
2 2 2
Tomando un h = x1 − a = x2 − x1 = b − x2 en la expresión (30), entonces es posible
factorizar
x1 − a x2 − x1 b − x2
I≈ [f (a) + f (x1 )] + [f (x1 ) + f (x2 )] + [f (x2 ) + f (b)] (30)
2 2 2
Tomando un h = x1 − a = x2 − x1 = b − x2 en la expresión (30), entonces es posible
x1 − a x2 − x1 b − x2
factorizar , y para así tener
2 2 2
x1 − a x2 − x1 b − x2
I≈ [f (a) + f (x1 )] + [f (x1 ) + f (x2 )] + [f (x2 ) + f (b)] (30)
2 2 2
Tomando un h = x1 − a = x2 − x1 = b − x2 en la expresión (30), entonces es posible
x1 − a x2 − x1 b − x2
factorizar , y para así tener
2 2 2
h
I ≈ [f (a) + 2f (x1 ) + 2f (x2 ) + f (b)] (31)
2
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 51 / 101
Integración y Diferenciación Numérica LA REGLA DEL TRAPECIO
x1 = a + h
x1 = a + h
x2 = a + 2h
Ejemplo
√
La siguiente función no es integrable analíticamente f (x) = x sen(x), 0 ≤ x ≤ 2,
Use la fórmula de los trapecios para n = 3 , para obtener una respuesta aproximada
del integral:
Como se puede observar en el ejemplo entre más trapecios utilizamos más se acerca a
la repuesta. Por tal razon la estrategia se puede generalizar para n trapecios.
Como se puede observar en el ejemplo entre más trapecios utilizamos más se acerca a
la repuesta. Por tal razon la estrategia se puede generalizar para n trapecios.
Siguiendo la regularida observada anteriormente la aproximación a la integral definida
utilizando n trapecios quedará expresada,
Como se puede observar en el ejemplo entre más trapecios utilizamos más se acerca a
la repuesta. Por tal razon la estrategia se puede generalizar para n trapecios.
Siguiendo la regularida observada anteriormente la aproximación a la integral definida
utilizando n trapecios quedará expresada,
h
I≈ [f (a) + 2f (x1 ) + 2f (x2 ) + · · · + 2f (xn−1 ) + f (b)] , (32)
2
Como se puede observar en el ejemplo entre más trapecios utilizamos más se acerca a
la repuesta. Por tal razon la estrategia se puede generalizar para n trapecios.
Siguiendo la regularida observada anteriormente la aproximación a la integral definida
utilizando n trapecios quedará expresada,
h
I≈ [f (a) + 2f (x1 ) + 2f (x2 ) + · · · + 2f (xn−1 ) + f (b)] , (32)
2
b−a
donde h = ,
n
x1 = a+h
x2 = a + 2h
x3 = a + 3h
..
.
xn−1 = a + (n − 1)h
Un error para la regla trapezoidal de múltiple aplicación se puede obtener al sumar los
errores individuales de cada segmento, para dar:
Un error para la regla trapezoidal de múltiple aplicación se puede obtener al sumar los
errores individuales de cada segmento, para dar:
n
(b − a)3 X 00
Et = − f (ξi )
12n3
i=1
Un error para la regla trapezoidal de múltiple aplicación se puede obtener al sumar los
errores individuales de cada segmento, para dar:
n
(b − a)3 X 00
Et = − f (ξi )
12n3
i=1
00
Donde f (ξi ) es la segunda derivada en un punto ξi localizado en el segmento i. Este
resultado se puede simplificar al estimar la media o valor promedio de la segunda
derivada para todo el intervalo:
Un error para la regla trapezoidal de múltiple aplicación se puede obtener al sumar los
errores individuales de cada segmento, para dar:
n
(b − a)3 X 00
Et = − f (ξi )
12n3
i=1
00
Donde f (ξi ) es la segunda derivada en un punto ξi localizado en el segmento i. Este
resultado se puede simplificar al estimar la media o valor promedio de la segunda
derivada para todo el intervalo:
n
f 00 (ξi )
P
i=1
f 00 '
n
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 54 / 101
Integración y Diferenciación Numérica LA REGLA DEL TRAPECIO
Ejemplo
Calcular el error de truncamiento para n = 3 de f (x) = sen(x) en el intervalo
[0, 2]
Estime cuantos trapecios deben usarse para integrar f (x) = sen(x) en el
intervalo [0, 2] de tal manera que la respuesta tenga el error absoluto menor a
0.0001
function r = trapecios(f, a, b, m)
h=(b-a)/m;
s=0;
for i=1: m - 1
s=s + f(a + i*h);
end
r = h/2*(f(a) + 2*s + f(b));
function r = trapecios(f, a, b, m)
h=(b-a)/m;
s=0;
for i=1: m - 1
s=s + f(a + i*h);
end
r = h/2*(f(a) + 2*s + f(b));
Ejemplo
clear, clc
syms x;
f =sqrt(x)*sin(x);
t = trapecios(inline(f ), 0, 2, 1)
t1 = trapecios(inline(f ), 0, 2, 2)
t2 = trapecios(inline(f ), 0, 2, 500)
Ejercicios
Aproximar El valor de las siguientes integrales definidas por el método del trapecio,
calcular el error de truncamiento en cada caso.
Z 2
1 3x2 dx = 8, Para n = 2
0
Z 1
2 (5x4 − x3 + 2x2 + x)dx = 3.3333333 , Para n = 3
−1
Z 2
2x + 1
3 ( )dx = 1.09861 , Para n = 1
1 x2 + x
Z 1
4 ex dx = 1.71828, Para n = 3
0
Z 3
1
5 √ dx = 0.828427, Para n = 4
2 x−1
Z 2
6 senxdx = 1.41615, Para n = 4
0
h
I≈ [f (a) + 4f (x1 ) + f (b)] (35)
3
h
I≈ [f (a) + 4f (x1 ) + f (b)] (35)
3
Donde
b−a
h=
2
h
I≈ [f (a) + 4f (x1 ) + f (b)] (35)
3
Donde
b−a
h= y x1 = a + h
2
Esta ecuación se conoce como regla de Simpson 1/3, y es la segunda fórmula de inte-
gración cerrada de Newton-Cotes. La especificación 1/3 se origina del hecho de que h
está dividida entre 3 en la ecuación (35).
Esta ecuación se conoce como regla de Simpson 1/3, y es la segunda fórmula de inte-
gración cerrada de Newton-Cotes. La especificación 1/3 se origina del hecho de que h
está dividida entre 3 en la ecuación (35).
Es posible mejorar la aproximación siguiendo un razonamiento similar al del método
del trapecio. Así, si el intervarlo de integración se divide en 4 segmentos (que son los
necesarios para definir dos parábolas) se tendra mejor aproximación , ver Figura:
Esta ecuación se conoce como regla de Simpson 1/3, y es la segunda fórmula de inte-
gración cerrada de Newton-Cotes. La especificación 1/3 se origina del hecho de que h
está dividida entre 3 en la ecuación (35).
Es posible mejorar la aproximación siguiendo un razonamiento similar al del método
del trapecio. Así, si el intervarlo de integración se divide en 4 segmentos (que son los
necesarios para definir dos parábolas) se tendra mejor aproximación , ver Figura:
Esta ecuación se conoce como regla de Simpson 1/3, y es la segunda fórmula de inte-
gración cerrada de Newton-Cotes. La especificación 1/3 se origina del hecho de que h
está dividida entre 3 en la ecuación (35).
Es posible mejorar la aproximación siguiendo un razonamiento similar al del método
del trapecio. Así, si el intervarlo de integración se divide en 4 segmentos (que son los
necesarios para definir dos parábolas) se tendra mejor aproximación , ver Figura:
x1 = a+h
x2 = a + 2h
x3 = a + 3h
x1 = a+h
x2 = a + 2h
x3 = a + 3h
Nuevamente al igual que el método del trapecio, se va dejando ver la regularidad que existe al ir
aumentando el número de segmentos los cuales deben ser pares, ya que cada dos segmentos se
forma una parábola, Así para un número n de segmentos la fórmula de Simpson 13 es:
x1 = a+h
x2 = a + 2h
x3 = a + 3h
Nuevamente al igual que el método del trapecio, se va dejando ver la regularidad que existe al ir
aumentando el número de segmentos los cuales deben ser pares, ya que cada dos segmentos se
forma una parábola, Así para un número n de segmentos la fórmula de Simpson 13 es:
" n−2 n−1
#
h X X
I≈ f (a) + 2 f (xi ) + 4 f (xi ) + f (b) (38)
3 i=2,4,6... i=1,3,5...
x1 = a+h
x2 = a + 2h
x3 = a + 3h
Nuevamente al igual que el método del trapecio, se va dejando ver la regularidad que existe al ir
aumentando el número de segmentos los cuales deben ser pares, ya que cada dos segmentos se
forma una parábola, Así para un número n de segmentos la fórmula de Simpson 13 es:
" n−2 n−1
#
h X X
I≈ f (a) + 2 f (xi ) + 4 f (xi ) + f (b) (38)
3 i=2,4,6... i=1,3,5...
b−a
Donde h = , y xi = a + ih
n
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 61 / 101
Integración y Diferenciación Numérica Método de Simpson 1
3
(b − a)5 (4)
Ea = − f (39)
180n4
(b − a)5 (4)
Ea = − f (39)
180n4
Ejemplo
1 Use la fórmula de Simpson 1/3 para n = 2 y n = 4 , para obtener una respuesta
aproximada del integral: f (x) = sen(x) en el intervalo [0, 2]
(b − a)5 (4)
Ea = − f (39)
180n4
Ejemplo
1 Use la fórmula de Simpson 1/3 para n = 2 y n = 4 , para obtener una respuesta
aproximada del integral: f (x) = sen(x) en el intervalo [0, 2]
2 Calcular el error de truncamiento para n = 2 y n = 4 de f (x) = sen(x) en el
intervalo [0, 2]
(b − a)5 (4)
Ea = − f (39)
180n4
Ejemplo
1 Use la fórmula de Simpson 1/3 para n = 2 y n = 4 , para obtener una respuesta
aproximada del integral: f (x) = sen(x) en el intervalo [0, 2]
2 Calcular el error de truncamiento para n = 2 y n = 4 de f (x) = sen(x) en el
intervalo [0, 2]
3 Estime cuantos intervalos deben usarse para integrar f (x) = sen(x) en el
intervalo [0, 2] de tal manera que la respuesta tenga el error absoluto menor a
0.0001
Este método se obtiene al adjutar un polinomio de tercer grado, a la función integrar,f (x),
y enseguida se integra dicho polinomio asi la integrar resultante es
Este método se obtiene al adjutar un polinomio de tercer grado, a la función integrar,f (x),
y enseguida se integra dicho polinomio asi la integrar resultante es
Z b Z b
I= f (x)dx ≈ f3 (x)dx
a a
Este método se obtiene al adjutar un polinomio de tercer grado, a la función integrar,f (x),
y enseguida se integra dicho polinomio asi la integrar resultante es
Z b Z b
I= f (x)dx ≈ f3 (x)dx
a a
Este método se obtiene al adjutar un polinomio de tercer grado, a la función integrar,f (x),
y enseguida se integra dicho polinomio asi la integrar resultante es
Z b Z b
I= f (x)dx ≈ f3 (x)dx
a a
Este método se obtiene al adjutar un polinomio de tercer grado, a la función integrar,f (x),
y enseguida se integra dicho polinomio asi la integrar resultante es
Z b Z b
I= f (x)dx ≈ f3 (x)dx
a a
Este método se obtiene al adjutar un polinomio de tercer grado, a la función integrar,f (x),
y enseguida se integra dicho polinomio asi la integrar resultante es
Z b Z b
I= f (x)dx ≈ f3 (x)dx
a a
Esta fórmula es la del método de Simpson 3/8 con 3 segmentos, la cual se puede
expresar n segmentos múltiplos de 3 ( ya que con tres segmentos queda definida una
ecuación cúbica). Así la fórmula de Simpson 3/8 con segmentos multiples se tranforma
en
Esta fórmula es la del método de Simpson 3/8 con 3 segmentos, la cual se puede
expresar n segmentos múltiplos de 3 ( ya que con tres segmentos queda definida una
ecuación cúbica). Así la fórmula de Simpson 3/8 con segmentos multiples se tranforma
en
n−3 n−1
3h X X
f (x) ≈ f (a) + 2 f (xi ) + 3 f (xi ) + f (b) (42)
8
i=3,6,9... i=1,2,4,5...
Esta fórmula es la del método de Simpson 3/8 con 3 segmentos, la cual se puede
expresar n segmentos múltiplos de 3 ( ya que con tres segmentos queda definida una
ecuación cúbica). Así la fórmula de Simpson 3/8 con segmentos multiples se tranforma
en
n−3 n−1
3h X X
f (x) ≈ f (a) + 2 f (xi ) + 3 f (xi ) + f (b) (42)
8
i=3,6,9... i=1,2,4,5...
Donde
b−a
h=
3n
Esta fórmula es la del método de Simpson 3/8 con 3 segmentos, la cual se puede
expresar n segmentos múltiplos de 3 ( ya que con tres segmentos queda definida una
ecuación cúbica). Así la fórmula de Simpson 3/8 con segmentos multiples se tranforma
en
n−3 n−1
3h X X
f (x) ≈ f (a) + 2 f (xi ) + 3 f (xi ) + f (b) (42)
8
i=3,6,9... i=1,2,4,5...
Donde
b−a
h= y xi = a + ih
3n
Esta fórmula es la del método de Simpson 3/8 con 3 segmentos, la cual se puede
expresar n segmentos múltiplos de 3 ( ya que con tres segmentos queda definida una
ecuación cúbica). Así la fórmula de Simpson 3/8 con segmentos multiples se tranforma
en
n−3 n−1
3h X X
f (x) ≈ f (a) + 2 f (xi ) + 3 f (xi ) + f (b) (42)
8
i=3,6,9... i=1,2,4,5...
Donde
b−a
h= y xi = a + ih
3n
(b − a)5 (4)
Ea = − f (43)
6480n4
Ejemplo
1 Use la fórmula de Simpson 3/8 para , para obtener una respuesta aproximada
del integral: f (x) = sen(x) en el intervalo [0, 2]
Ejemplo
1 Use la fórmula de Simpson 3/8 para , para obtener una respuesta aproximada
del integral: f (x) = sen(x) en el intervalo [0, 2]
2 Calcular el error de truncamiento de f (x) = sen(x) en el intervalo [0, 2]
Métodos Cerrados
Esta unidad sobre raíces de ecuaciones se ocupa de métodos que aprovechan el hecho
de que una función cambia de signo en la vecindad de una raíz. A estas técnicas se les
llama métodos cerrados, o de intervalos, porque se necesita de dos valores iniciales
para la raíz.
Métodos Cerrados
Esta unidad sobre raíces de ecuaciones se ocupa de métodos que aprovechan el hecho
de que una función cambia de signo en la vecindad de una raíz. A estas técnicas se les
llama métodos cerrados, o de intervalos, porque se necesita de dos valores iniciales
para la raíz.
Como su nombre lo indica, dichos valores iniciales deben “encerrar”, o estar a ambos
lados de la raíz. Los métodos particulares que se describen aquí emplean diferentes
estrategias para reducir sistemáticamente el tamaño del intervalo y así converger a la
respuesta correcta.
Métodos Cerrados
Esta unidad sobre raíces de ecuaciones se ocupa de métodos que aprovechan el hecho
de que una función cambia de signo en la vecindad de una raíz. A estas técnicas se les
llama métodos cerrados, o de intervalos, porque se necesita de dos valores iniciales
para la raíz.
Como su nombre lo indica, dichos valores iniciales deben “encerrar”, o estar a ambos
lados de la raíz. Los métodos particulares que se describen aquí emplean diferentes
estrategias para reducir sistemáticamente el tamaño del intervalo y así converger a la
respuesta correcta. Como preámbulo de estas técnicas se analizarán los métodos grá-
ficos para representar tanto las funciones como sus raíces. Además de la utilidad de
los métodos gráficos para determinar valores iniciales, también son útiles para visua-
lizar las propiedades de las funciones y el comportamiento de los diversos métodos
numéricos.
Métodos Gráficos
Un método simple para obtener una aproximación a la raíz de la ecuación f (x) = 0
consiste en graficar la función y observar dónde cruza el eje x. Este punto, que repre-
senta el valor de x para el cual f (x) = 0, ofrece una aproximación inicial de la raíz.
Métodos Gráficos
Un método simple para obtener una aproximación a la raíz de la ecuación f (x) = 0
consiste en graficar la función y observar dónde cruza el eje x. Este punto, que repre-
senta el valor de x para el cual f (x) = 0, ofrece una aproximación inicial de la raíz.
Ejemplo
Utilice el método gráfico para determinar el coeficiente de arrastre c necesario para
que un paracaidista de masa m = 68.1kg tenga una velocidad de 40m/s después de
una caída libre de t = 10s. Nota: La aceleración de la gravedad es 9.8m/s2 .
Métodos Gráficos
Un método simple para obtener una aproximación a la raíz de la ecuación f (x) = 0
consiste en graficar la función y observar dónde cruza el eje x. Este punto, que repre-
senta el valor de x para el cual f (x) = 0, ofrece una aproximación inicial de la raíz.
Ejemplo
Utilice el método gráfico para determinar el coeficiente de arrastre c necesario para
que un paracaidista de masa m = 68.1kg tenga una velocidad de 40m/s después de
una caída libre de t = 10s. Nota: La aceleración de la gravedad es 9.8m/s2 .
Solución
Este problema se resuelve determinando la raíz de la ecuación
gm
1 − e−(c/m)t − v usando los parámetros t = 10, g = 9.8, v = 40 y
f (c) =
c
m = 68.1:
Métodos Gráficos
Un método simple para obtener una aproximación a la raíz de la ecuación f (x) = 0
consiste en graficar la función y observar dónde cruza el eje x. Este punto, que repre-
senta el valor de x para el cual f (x) = 0, ofrece una aproximación inicial de la raíz.
Ejemplo
Utilice el método gráfico para determinar el coeficiente de arrastre c necesario para
que un paracaidista de masa m = 68.1kg tenga una velocidad de 40m/s después de
una caída libre de t = 10s. Nota: La aceleración de la gravedad es 9.8m/s2 .
Solución
Este problema se resuelve determinando la raíz de la ecuación
gm
1 − e−(c/m)t − v usando los parámetros t = 10, g = 9.8, v = 40 y
f (c) =
c
m = 68.1:
9.8(68.1)
f (c) = 1 − e−(c/68.1)10 − 40
c
Métodos Gráficos
Un método simple para obtener una aproximación a la raíz de la ecuación f (x) = 0
consiste en graficar la función y observar dónde cruza el eje x. Este punto, que repre-
senta el valor de x para el cual f (x) = 0, ofrece una aproximación inicial de la raíz.
Ejemplo
Utilice el método gráfico para determinar el coeficiente de arrastre c necesario para
que un paracaidista de masa m = 68.1kg tenga una velocidad de 40m/s después de
una caída libre de t = 10s. Nota: La aceleración de la gravedad es 9.8m/s2 .
Solución
Este problema se resuelve determinando la raíz de la ecuación
gm
1 − e−(c/m)t − v usando los parámetros t = 10, g = 9.8, v = 40 y
f (c) =
c
m = 68.1:
9.8(68.1)
f (c) = 1 − e−(c/68.1)10 − 40
c
667.38
f (c) = 1 − e−0.146843c − 40 (44)
c
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 67 / 101
Resolución de Ecuaciones y Sistemas no Lineales Resolución de ecuaciones no lineales. El método gráfico
Solución
Diversos valores de c pueden sustituirse en el lado derecho de esta ecuación
paracalcular
(a) Tabla
Solución
Diversos valores de c pueden sustituirse en el lado derecho de esta ecuación
paracalcular
Solución
La curva resultante cruza el eje c entre 12 y 16.
Un vistazo a la gráfica proporciona una aproximación a la raíz de 14.75. La validez
de la aproximación visual se verifica sustituyendo su valor en la ecuación (44) para
obtener
Solución
La curva resultante cruza el eje c entre 12 y 16.
Un vistazo a la gráfica proporciona una aproximación a la raíz de 14.75. La validez
de la aproximación visual se verifica sustituyendo su valor en la ecuación (44) para
obtener
667.38
f (14.75) = 1 − e−0.146843(14.75) − 40
14.75
el cual está cercano a cero.
EL MÉTODO DE BISECCIÓN
EL MÉTODO DE BISECCIÓN
EL MÉTODO DE BISECCIÓN
EL MÉTODO DE BISECCIÓN
Ejemplo
Emplee el método de bisección para para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
El primer paso del método de bisección consiste en asignar dos valores iniciales a la
incógnita (en este problema, c) que den valores de f (c) con diferentes signos.
Ejemplo
Emplee el método de bisección para para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
El primer paso del método de bisección consiste en asignar dos valores iniciales a la
incógnita (en este problema, c) que den valores de f (c) con diferentes signos.
De la tabla presentada en el ejemplo del método gráfico se observa que la función
cambia de signo entre los valores 12 y 16.
Ejemplo
Emplee el método de bisección para para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
El primer paso del método de bisección consiste en asignar dos valores iniciales a la
incógnita (en este problema, c) que den valores de f (c) con diferentes signos.
De la tabla presentada en el ejemplo del método gráfico se observa que la función
cambia de signo entre los valores 12 y 16.
Por lo tanto, la estimación inicial de la raíz xm se encontrará en el punto medio del
intervalo
12 + 16
xm = = 14
2
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 72 / 101
Resolución de Ecuaciones y Sistemas no Lineales EL MÉTODO DE BISECCIÓN
Ejemplo
Emplee el método de bisección para para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
El primer paso del método de bisección consiste en asignar dos valores iniciales a la
incógnita (en este problema, c) que den valores de f (c) con diferentes signos.
De la tabla presentada en el ejemplo del método gráfico se observa que la función
cambia de signo entre los valores 12 y 16.
Por lo tanto, la estimación inicial de la raíz xm se encontrará en el punto medio del
intervalo
12 + 16
xm = = 14
2
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 72 / 101
Resolución de Ecuaciones y Sistemas no Lineales EL MÉTODO DE BISECCIÓN
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
que es mayor a cero y, por lo tanto, no ocurre cambio de signo entre el límite inferior
y el punto medio. En consecuencia, la raíz debe estar localizada entre 14 y
16.
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
que es mayor a cero y, por lo tanto, no ocurre cambio de signo entre el límite inferior
y el punto medio. En consecuencia, la raíz debe estar localizada entre 14 y
16.Entonces,se crea un nuevo intervalo redefiniendo el límite inferior como 14 y
determinando una nueva aproximación corregida de la raíz
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
que es mayor a cero y, por lo tanto, no ocurre cambio de signo entre el límite inferior
y el punto medio. En consecuencia, la raíz debe estar localizada entre 14 y
16.Entonces,se crea un nuevo intervalo redefiniendo el límite inferior como 14 y
determinando una nueva aproximación corregida de la raíz
14 + 16
xm = = 15
2
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
que es mayor a cero y, por lo tanto, no ocurre cambio de signo entre el límite inferior
y el punto medio. En consecuencia, la raíz debe estar localizada entre 14 y
16.Entonces,se crea un nuevo intervalo redefiniendo el límite inferior como 14 y
determinando una nueva aproximación corregida de la raíz
14 + 16
xm = = 15
2
la cual representa un error porcentual aproximado ea = 6.67 %. Este proceso se
repite para obtener una mejor aproximación. Por ejemplo,
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:
que es mayor a cero y, por lo tanto, no ocurre cambio de signo entre el límite inferior
y el punto medio. En consecuencia, la raíz debe estar localizada entre 14 y
16.Entonces,se crea un nuevo intervalo redefiniendo el límite inferior como 14 y
determinando una nueva aproximación corregida de la raíz
14 + 16
xm = = 15
2
la cual representa un error porcentual aproximado ea = 6.67 %. Este proceso se
repite para obtener una mejor aproximación. Por ejemplo,
Solución
Por lo tanto, la raíz está entre 14 y 15. El límite superior se redefine como 15 y la raíz
estimada para la tercera iteración se calcula así:
Solución
Por lo tanto, la raíz está entre 14 y 15. El límite superior se redefine como 15 y la raíz
estimada para la tercera iteración se calcula así:
14 + 15
xm = = 14.5
2
Solución
Por lo tanto, la raíz está entre 14 y 15. El límite superior se redefine como 15 y la raíz
estimada para la tercera iteración se calcula así:
14 + 15
xm = = 14.5
2
que representa un error porcentual aproximado ea = 3.448 %. Este método se repite
hasta que el resultado sea suficientemente exacto para satisfacer sus necesidades.
Solución
Por lo tanto, la raíz está entre 14 y 15. El límite superior se redefine como 15 y la raíz
estimada para la tercera iteración se calcula así:
14 + 15
xm = = 14.5
2
que representa un error porcentual aproximado ea = 3.448 %. Este método se repite
hasta que el resultado sea suficientemente exacto para satisfacer sus necesidades.
Por lo tanto, la raíz está entre 14.5 y 15. El límite superior se inferio se redefine como
14.5 y la raíz estimada para la cuarta iteración se calcula así:
Solución
Por lo tanto, la raíz está entre 14 y 15. El límite superior se redefine como 15 y la raíz
estimada para la tercera iteración se calcula así:
14 + 15
xm = = 14.5
2
que representa un error porcentual aproximado ea = 3.448 %. Este método se repite
hasta que el resultado sea suficientemente exacto para satisfacer sus necesidades.
Por lo tanto, la raíz está entre 14.5 y 15. El límite superior se inferio se redefine como
14.5 y la raíz estimada para la cuarta iteración se calcula así:
14.5 + 15
xm = = 14.75
2
Solución
Por lo tanto, la raíz está entre 14 y 15. El límite superior se redefine como 15 y la raíz
estimada para la tercera iteración se calcula así:
14 + 15
xm = = 14.5
2
que representa un error porcentual aproximado ea = 3.448 %. Este método se repite
hasta que el resultado sea suficientemente exacto para satisfacer sus necesidades.
Por lo tanto, la raíz está entre 14.5 y 15. El límite superior se inferio se redefine como
14.5 y la raíz estimada para la cuarta iteración se calcula así:
14.5 + 15
xm = = 14.75
2
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
f (−2) = (−2)5 − (−2) + 3 = −32 + 2 + 3 = −27 negativo
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
f (−2) = (−2)5 − (−2) + 3 = −32 + 2 + 3 = −27 negativo
f (−1) = (−2)5 − (−1) + 3 = −1 + 1 + 3 = 3 positivo
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
f (−2) = (−2)5 − (−2) + 3 = −32 + 2 + 3 = −27 negativo
f (−1) = (−2)5 − (−1) + 3 = −1 + 1 + 3 = 3 positivo
−2 + (−1) −3
x1 = = = −1.5
2 2
Iteración I
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
f (−2) = (−2)5 − (−2) + 3 = −32 + 2 + 3 = −27 negativo
f (−1) = (−2)5 − (−1) + 3 = −1 + 1 + 3 = 3 positivo
−2 + (−1) −3
x1 = = = −1.5
2 2
Iteración If (−1.5) = (−1.5)5 − (−1.5) + 3 = −7.59 + 1.5 + 3 = −3.09375 negativo
El intervalo donde cambia el signo es
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
f (−2) = (−2)5 − (−2) + 3 = −32 + 2 + 3 = −27 negativo
f (−1) = (−2)5 − (−1) + 3 = −1 + 1 + 3 = 3 positivo
−2 + (−1) −3
x1 = = = −1.5
2 2
Iteración If (−1.5) = (−1.5)5 − (−1.5) + 3 = −7.59 + 1.5 + 3 = −3.09375 negativo
El intervalo donde cambia el signo es (−1.5, −1)
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
La raíz R esta en el intervalo (−1.5, −1.25)
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
La raíz R esta en el intervalo (−1.5, −1.25)
−1.5 + (−1.5)
x3 = = −1.375
2
Solución
Calculando en el nuevo intervalo obtenemos una nueva iteración
−1.5 + (−1)
x2 = = −1.25
2
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
La raíz R esta en el intervalo (−1.5, −1.25)
−1.5 + (−1.5)
x3 = = −1.375
2
f (−1.375) = (−1.375)5 − (−1.375) + 3 = −0.5398 negativo
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 76 / 101
Resolución de Ecuaciones y Sistemas no Lineales EL MÉTODO DE BISECCIÓN
III
Ejemplo
Encontrar una raíz real de: ex−1 − 1.5x = 0
Con una tolerancia de :|xi+1 − xi | < 0.1
III
Ejemplo
Encontrar una raíz real de: ex−1 − 1.5x = 0
Con una tolerancia de :|xi+1 − xi | < 0.1
Solución
f (0) = e0−1 − 1.5(0) = 0.3678
III
Ejemplo
Encontrar una raíz real de: ex−1 − 1.5x = 0
Con una tolerancia de :|xi+1 − xi | < 0.1
Solución
f (0) = e0−1 − 1.5(0) = 0.3678
f (1) = e1−1 − 1.5(1) = −0.5 ITERACIÓN 1
Con un ímite de (0, 1)
III
Ejemplo
Encontrar una raíz real de: ex−1 − 1.5x = 0
Con una tolerancia de :|xi+1 − xi | < 0.1
Solución
f (0) = e0−1 − 1.5(0) = 0.3678
f (1) = e1−1 − 1.5(1) = −0.5 ITERACIÓN 1
Con un ímite de (0, 1)
0+1
x1 = = 0.5
2
f (0.5) = e0.5−1 − 1.5(0.5) = −0.1435
ITERACIÓN 2
Con un limite de (0, 0.5)
Aun cuando la bisección es una técnica perfectamente válida para determinar raíces,
su método de aproximación por “fuerza bruta“ es relativamente ineficiente. La falsa
posición es una alternativa basada en una visualización gráfica.
Aun cuando la bisección es una técnica perfectamente válida para determinar raíces,
su método de aproximación por “fuerza bruta“ es relativamente ineficiente. La falsa
posición es una alternativa basada en una visualización gráfica.
Un inconveneiente del método de bisección es que al dividir el intervalo de a a b en
mitades iguales, no se toman en cuenta las magnitudes de f (a) y f (b). Por ejemplo, si
f (a) está mucho más cercana a cero que f (b), es lógico que la raíz se encuentre más
cerca de a que de b.
Aun cuando la bisección es una técnica perfectamente válida para determinar raíces,
su método de aproximación por “fuerza bruta“ es relativamente ineficiente. La falsa
posición es una alternativa basada en una visualización gráfica.
Un inconveneiente del método de bisección es que al dividir el intervalo de a a b en
mitades iguales, no se toman en cuenta las magnitudes de f (a) y f (b). Por ejemplo, si
f (a) está mucho más cercana a cero que f (b), es lógico que la raíz se encuentre más
cerca de a que de b.
Un método alternativo que aprovecha esta visualización gráfica consiste en unir f (a)
y f (b) con una línea recta. La intersección de esta línea con el eje de las x representa
un mejor aproximación de la raíz. El hecho de que se reemplace la curva por una
línea recta de una "falsa posición"de la raíz; de aquí el nombre de método de la falsa
posición, o en latín, regula falsi. También se le conoce como método de interpolación
lineal.
Fórmula
Usando triángulos semejantes, la intersección de la línea recta con el eje de las x se
estima mediante:
Fórmula
Usando triángulos semejantes, la intersección de la línea recta con el eje de las x se
estima mediante:
Figura: Representación gráfica del método de la falsa posición. Con los triángulos semejantes
sombreados se obtiene la fórmula para el método..
Fórmula
Usando triángulos semejantes, la intersección de la línea recta con el eje de las x se
estima mediante:
Figura: Representación gráfica del método de la falsa posición. Con los triángulos semejantes
sombreados se obtiene la fórmula para el método..
Fórmula
Usando triángulos semejantes, la intersección de la línea recta con el eje de las x se
estima mediante:
Figura: Representación gráfica del método de la falsa posición. Con los triángulos semejantes
sombreados se obtiene la fórmula para el método..
bf (b) af (b)
xm = b + −
f (a) − f (b) f (a) − f (b)
bf (b) af (b)
xm = b + −
f (a) − f (b) f (a) − f (b)
o
f (b)(a − b)
xm = b − (48)
f (a) − f (b)
bf (b) af (b)
xm = b + −
f (a) − f (b) f (a) − f (b)
o
f (b)(a − b)
xm = b − (48)
f (a) − f (b)
Esta es la fórmula de la falsa posición.
El valor de xm calculado con la ecuación reemplazará, después, a cualquiera de los dos
valores iniciales, a o b, y da un valor de la función con el mismo signo de f (xm ). De
esta manera, los valores a y b siempre encierran la verdadera raíz. El proceso se repite
hasta que la aproximación a la raíz sea adecuada.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
a) Si f (a)f (xm ) < 0, entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, haga b = xm y vuelva al paso 2.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
a) Si f (a)f (xm ) < 0, entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, haga b = xm y vuelva al paso 2.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
a) Si f (a)f (xm ) < 0, entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, haga b = xm y vuelva al paso 2.
b) Si f (a)f (xm ) > 0, entonces la raíz se encuentra dentro del subintervalo superior o
derecho. Por lo tanto, haga a = xm y vuelva al paso 2.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
a) Si f (a)f (xm ) < 0, entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, haga b = xm y vuelva al paso 2.
b) Si f (a)f (xm ) > 0, entonces la raíz se encuentra dentro del subintervalo superior o
derecho. Por lo tanto, haga a = xm y vuelva al paso 2.
1 Elija valores iniciales inferior, a, y superior, b, que encierren la raíz, de forma tal
que la función cambie de signo en el intervalo. Esto se verifica comprobando que
f (a)f (b) < 0.
f (b)(a − b)
2 Una aproximación de la raíz xm se determina mediante xm = b −
f (a) − f (b)
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:
a) Si f (a)f (xm ) < 0, entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, haga b = xm y vuelva al paso 2.
b) Si f (a)f (xm ) > 0, entonces la raíz se encuentra dentro del subintervalo superior o
derecho. Por lo tanto, haga a = xm y vuelva al paso 2.
c) Si f (a)f (xm ) = 0, la raíz es igual a xm ; termina el cálculo.
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
de la misma forma que el método anterior se empieza el cálculo con los valores
iniciales a = 12 y b = 16.
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
de la misma forma que el método anterior se empieza el cálculo con los valores
iniciales a = 12 y b = 16.
Primera iteración:
a = 12
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
de la misma forma que el método anterior se empieza el cálculo con los valores
iniciales a = 12 y b = 16.
Primera iteración:
a = 12 ⇒ f (a) = 6.0699
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
de la misma forma que el método anterior se empieza el cálculo con los valores
iniciales a = 12 y b = 16.
Primera iteración:
a = 12 ⇒ f (a) = 6.0699
b = 16
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
de la misma forma que el método anterior se empieza el cálculo con los valores
iniciales a = 12 y b = 16.
Primera iteración:
a = 12 ⇒ f (a) = 6.0699
b = 16 ⇒ f (b) = −2.2688
Ejemplo
Emplee el método de falsa posición para determinar el coeficiente de arrastre c
necesario para que un paracaidista de masa m = 68.1kg tenga una velocidad de
40m/s después de una caída libre de t = 10s. Nota: La aceleración de la gravedad es
9.8m/s2 . De forma tal que
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
Hasta que el error aproximado sea menor que el criterio de terminación de es ≤ 0.5 %. Use la
xm actual − xm anterior
ecuación ea = | |100 % para calcular los errores.
xm actual
Solución
de la misma forma que el método anterior se empieza el cálculo con los valores
iniciales a = 12 y b = 16.
Primera iteración:
a = 12 ⇒ f (a) = 6.0699
b = 16 ⇒ f (b) = −2.2688
−2.2688(12 − 16)
x1 = 16 − = 14.9113
6.0699 − (−2.2688)
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 83 / 101
Resolución de Ecuaciones y Sistemas no Lineales Método de la Falsa Posición
Solución
Segunda iteración: f (a)f (x1 ) = −1.5426 Por lo tanto, la raíz se encuentra en el
primer subintervalo y xm se vuelve ahora el límite superior para la siguiente
iteración, b = 14.9113 :
a = 12
Solución
Segunda iteración: f (a)f (x1 ) = −1.5426 Por lo tanto, la raíz se encuentra en el
primer subintervalo y xm se vuelve ahora el límite superior para la siguiente
iteración, b = 14.9113 :
a = 12 ⇒ f (a) = 6.0699
Solución
Segunda iteración: f (a)f (x1 ) = −1.5426 Por lo tanto, la raíz se encuentra en el
primer subintervalo y xm se vuelve ahora el límite superior para la siguiente
iteración, b = 14.9113 :
a = 12 ⇒ f (a) = 6.0699
b = 14.9113
Solución
Segunda iteración: f (a)f (x1 ) = −1.5426 Por lo tanto, la raíz se encuentra en el
primer subintervalo y xm se vuelve ahora el límite superior para la siguiente
iteración, b = 14.9113 :
a = 12 ⇒ f (a) = 6.0699
b = 14.9113 ⇒ f (b) = −0.2543
Solución
Segunda iteración: f (a)f (x1 ) = −1.5426 Por lo tanto, la raíz se encuentra en el
primer subintervalo y xm se vuelve ahora el límite superior para la siguiente
iteración, b = 14.9113 :
a = 12 ⇒ f (a) = 6.0699
b = 14.9113 ⇒ f (b) = −0.2543
−0.2543(12 − 14.9113)
x2 = 14.9113 − = 14.7942
6.0699 − (−0.2543)
14.7942 − 14.9113
ea = | |100 % = 0.79 %
14.7942
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
a = −2
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
a = −2 ⇒ f (a) = −27
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
a = −2 ⇒ f (a) = −27
b = −1.1
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
a = −2 ⇒ f (a) = −27
b = −1.1 ⇒ f (b) = 2.48949
II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
a = −2 ⇒ f (a) = −27
b = −1.1 ⇒ f (b) = 2.48949
2.48949(−2 − (−1.1))
x2 = −1.1 − = −1.17598
−27 − 2.48949
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 85 / 101
Resolución de Ecuaciones y Sistemas no Lineales Método de la Falsa Posición
figura Problema 2
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
b. Método de Newton-Raphson
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
b. Método de Newton-Raphson
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
b. Método de Newton-Raphson
c. Método de la Secante
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
b. Método de Newton-Raphson
c. Método de la Secante
Métodos Abiertos
Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta formula puede
desarrollarse como una iteración simple de punto fijo (también llamada iteración de un
punto o sustitución sucesiva o método de punto fijo).
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Donde n es el grado del polinomio y an son los coeficientes. Las raíces de los polino-
mios pueden ser reales y / o complejos.
Los Métodos abiertos que estaremos analizando serán:
a. Iteración de Punto Fijo
b. Método de Newton-Raphson
c. Método de la Secante
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
Punto Fijo
Definición
Un punto fijo para una función es un número en el que el valor de la función no
cambia cuando se aplica la función.
Un punto x se llama punto fijo, sí satisface la ecuación:
g(x) = x
f (x) = 0 ⇒ g(x) = x
g(x0 ) = x1
g(x0 ) = x1
g(x1 ) = x2
g(x0 ) = x1
g(x1 ) = x2
..
.
g(xn−1 ) = xn
g(x0 ) = x1
g(x1 ) = x2
..
.
g(xn−1 ) = xn
g(x0 ) = x1
g(x1 ) = x2
..
.
g(xn−1 ) = xn
g(x0 ) = x1
g(x1 ) = x2
..
.
g(xn−1 ) = xn
g(xi−1 ) − xi = 0
g(x0 ) = x1
g(x1 ) = x2
..
.
g(xn−1 ) = xn
g(xi−1 ) − xi = 0
g(x0 ) = x1
g(x1 ) = x2
..
.
g(xn−1 ) = xn
g(xi−1 ) − xi = 0
| g(xi−1 ) − xi |< e
f (x) = 0.5sin(x) − x + 1 = 0
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
g(x) = x = 0.5sen(x) + 1
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
g(x) = x = 0.5sen(x) + 1
y x0 = 0
x1 = g(0) = 0.5sen(0) + 1 = 1
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
g(x) = x = 0.5sen(x) + 1
y x0 = 0
x1 = g(0) = 0.5sen(0) + 1 = 1
x2 = g(1) = 0.5sen(1) + 1 = 1.420735
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
g(x) = x = 0.5sen(x) + 1
y x0 = 0
x1 = g(0) = 0.5sen(0) + 1 = 1
x2 = g(1) = 0.5sen(1) + 1 = 1.420735
x3 = g(1.420735) = 1.494380
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
g(x) = x = 0.5sen(x) + 1
y x0 = 0
x1 = g(0) = 0.5sen(0) + 1 = 1
x2 = g(1) = 0.5sen(1) + 1 = 1.420735
x3 = g(1.420735) = 1.494380
x4 = g(1.494380) = 1.498540
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:
g(x) = x = 0.5sen(x) + 1
y x0 = 0
x1 = g(0) = 0.5sen(0) + 1 = 1
x2 = g(1) = 0.5sen(1) + 1 = 1.420735
x3 = g(1.420735) = 1.494380
x4 = g(1.494380) = 1.498540
x5 = g(1.498540) = 1.498695
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 92 / 101
Resolución de Ecuaciones y Sistemas no Lineales Punto Fijo
Solución
x6 = g(1.498695) = 1.498700
Solución
x6 = g(1.498695) = 1.498700
x7 = g(1.498700) = 1.498701
Solución
x6 = g(1.498695) = 1.498700
x7 = g(1.498700) = 1.498701
x8 = g(1.498701) = 1.498701
Solución
x6 = g(1.498695) = 1.498700
x7 = g(1.498700) = 1.498701
x8 = g(1.498701) = 1.498701
La solución de:
Solución
x6 = g(1.498695) = 1.498700
x7 = g(1.498700) = 1.498701
x8 = g(1.498701) = 1.498701
La solución de:
f (x) = 0.5sin(x) − x + 1 = 0
Solución
x6 = g(1.498695) = 1.498700
x7 = g(1.498700) = 1.498701
x8 = g(1.498701) = 1.498701
La solución de:
f (x) = 0.5sin(x) − x + 1 = 0
es:
x = 1.498701
Solución
x6 = g(1.498695) = 1.498700
x7 = g(1.498700) = 1.498701
x8 = g(1.498701) = 1.498701
La solución de:
f (x) = 0.5sin(x) − x + 1 = 0
es:
x = 1.498701
f (1.498701) = 0.00000013334465
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:
x1 = g(0) = 1.000000
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879
x3 = g(0.367879) = 0.692201
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879
x3 = g(0.367879) = 0.692201
x4 = g(0.692201) = 0.500473
Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de f (x) = e−x − x.
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879
x3 = g(0.367879) = 0.692201
x4 = g(0.692201) = 0.500473
Seguir trabajando hasta que se disminuir el error entre cada una de la iteraciones.
Solución
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x
r
x+5
g2 (x) = =x
2
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x
r
x+5
g2 (x) = =x
2
5
g3 (x) = =x
2x − 1
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x
r
x+5
g2 (x) = =x
2
5
g3 (x) = =x
2x − 1
2x2 − x − 5
g4 (x) = x − =x
4x − 1
| g0 (x) |≤ k, ∀x ∈ (a, b)
| g0 (x) |≤ k, ∀x ∈ (a, b)
| g0 (x) |≤ k, ∀x ∈ (a, b)
Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3
Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3
Solución
Los valores máximo y mínimo de g(x) para x en [−1, 1] deben ocurrir ya sea cuando x
es un extremo del intervalo o cuando la derivada es 0.
Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3
Solución
Los valores máximo y mínimo de g(x) para x en [−1, 1] deben ocurrir ya sea cuando x
es un extremo del intervalo o cuando la derivada es 0.
Puesto que g0 (x) = 2x
3, la función g es continua y g0 (x) existe en [−1, 1].
Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3
Solución
Los valores máximo y mínimo de g(x) para x en [−1, 1] deben ocurrir ya sea cuando x
es un extremo del intervalo o cuando la derivada es 0.
Puesto que g0 (x) = 2x
3, la función g es continua y g0 (x) existe en [−1, 1].
Los valores máximo y mínimo de g(x) se presentan en x = −1, x = 0 ó x = 1.
Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3
Solución
Los valores máximo y mínimo de g(x) para x en [−1, 1] deben ocurrir ya sea cuando x
es un extremo del intervalo o cuando la derivada es 0.
Puesto que g0 (x) = 2x
3, la función g es continua y g0 (x) existe en [−1, 1].
Los valores máximo y mínimo de g(x) se presentan en x = −1, x = 0 ó x = 1.
Pero g(−1) = 0, g(1) = 0 y g(0) = − 13 , por lo que un máximo absoluto para g(x)
en [−1, 1] se presenta en x = −1 y x = 1 y un mínimo absoluto en x = 0.
Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3
Solución
Los valores máximo y mínimo de g(x) para x en [−1, 1] deben ocurrir ya sea cuando x
es un extremo del intervalo o cuando la derivada es 0.
Puesto que g0 (x) = 2x
3, la función g es continua y g0 (x) existe en [−1, 1].
Los valores máximo y mínimo de g(x) se presentan en x = −1, x = 0 ó x = 1.
Pero g(−1) = 0, g(1) = 0 y g(0) = − 13 , por lo que un máximo absoluto para g(x)
en [−1, 1] se presenta en x = −1 y x = 1 y un mínimo absoluto en x = 0.
Además,
2x 2
| g0 (x) |=|
|≤ ∀x ∈ (−1, 1).
3 3
De este modo g satisface las hipótesis del teorema y tiene punto fijo único en [−1, 1].
Método Newton-Raphson
Entre los métodos de aproximaciones sucesivas para encontrar algunas de las raíces
de una ecuación algebraica o trascendente, el de Newton-Raphson es el que presenta
mejores características de eficiencia, debido a que casi siempre converge a la solución
y lo hace en un número reducido de iteraciones.
Método Newton-Raphson
Entre los métodos de aproximaciones sucesivas para encontrar algunas de las raíces
de una ecuación algebraica o trascendente, el de Newton-Raphson es el que presenta
mejores características de eficiencia, debido a que casi siempre converge a la solución
y lo hace en un número reducido de iteraciones.
Este método es aplicable tanto en ecuaciones algebraicas como trascendentes y con él
es posible obtener raíces complejas.
Método Newton-Raphson
Entre los métodos de aproximaciones sucesivas para encontrar algunas de las raíces
de una ecuación algebraica o trascendente, el de Newton-Raphson es el que presenta
mejores características de eficiencia, debido a que casi siempre converge a la solución
y lo hace en un número reducido de iteraciones.
Este método es aplicable tanto en ecuaciones algebraicas como trascendentes y con él
es posible obtener raíces complejas. El método de Newton-Raphson, como todos los de
aproximaciones sucesivas, parte de una primera aproximación y mediante la aplicación
de una formula de recurrencia se acercara a la raíz buscada, de tal manera que la nueva
aproximación se localiza en la interseccíon de la tangente a la curva de la función en
el punto y el eje de las abscisas.
Una de las fórmulas para localizar raíces, la fórmula de Newton-Raphson sea la más
ampliamente utilizada. Si el valor inicial para la raíz es xn o x0 , entonces se puede trazar
una tangente desde el punto [xn , f (xn )] o [x0 , f (x0 )] de la curva. Por lo común, el punto
donde esta tangente cruza el eje x representa una aproximación mejorada de la raíz.
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
f (xn ) − 0
f 0 (xn ) =
xn − xn+1
f (xn )
xn+1 = xn − (50)
f 0 (xn )
MUCHAS GRACIAS
POR SU ATENCIÓN
Regresar