Análisis Numérico PDF

ANÁLISIS NUMÉRICO
José Miguel Gómez Guzmán
Ciencias Básicas y Ambientales

Instituto Tecnológico de Santo Domingo
17 de marzo de 2020
Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 1 / 101

Conceptos Fundamentales de los Métodos Numéricos
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
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
Un especialista de análisis numérico se interesa en la creación y comprensión de

buenos métodos que resuelvan problemas numéricamente. Una característica
importante del estudio de los métodos es su variación.

Introducción
Definición
Análisis Numérico

Una buena razón para estudiar el análisis numérico es mejorar nuestra
comprensión de los conceptos de las matemáticas (puras) observando como
algunos de ello deben modificarse necesariamente en las matemáticas
computacionales.

Introducción
Definición
Análisis Numérico

Una buena razón para estudiar el análisis numérico es mejorar nuestra
comprensión de los conceptos de las matemáticas (puras) observando como
algunos de ello deben modificarse necesariamente en las matemáticas
computacionales.
Después de todo, el análisis numérico es importante porque es necesario en la
solución de muchos problemas del mundo real.
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.
Las técnicas más utilizadas son usadas para resolver:

Ajuste de Curvas
Sistema de Ecuaciones Lineales
Ecuaciones no lineales
Integración
Ecuaciones Diferenciales (ordinarias y parciales)

Conceptos Fundamentales de los Métodos Numéricos Historia de los Métodos Numéricos
Historia de los Métodos Numéricos


En el 2000 a.c. se encentran métodos para aproximar algunas medidas en triángulos y

círculos.

En el 2000 a.c. se encentran métodos para aproximar algunas medidas en triángulos y

círculos.
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 900 D.C. Explosión de las matemáticas árabes All-Warizmi Al-Karayi Ibrahim.


Creación de métodos algebraicos y revisión de los métodos numéricos
disponibles a la época.


Creación de métodos algebraicos y revisión de los métodos numéricos
disponibles a la época.
Inicio de los métodos algorítmicos para resolver problemas.



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.

Leibnitz se interesa por métodos desarrollados por Arquímedes y desarrolla metodolo-
gías similares con las cuales se da inicio al cálculo diferencial e integral.


gías similares con las cuales se da inicio al cálculo diferencial e integral.Diseña entre
otras cosas una máquina conocida como la máquina calculadora, que permite resolver
ecuaciones en diferencias y métodos de series de potencias para aproximar valores de
funciones.


funciones.


funciones.
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.


funciones.
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 1768 motivado por el trabajo de Newton y Leibnitz, Euler desarrolla un método
para encontrar soluciones aproximadas a problemas de ecuaciones diferenciales con
los que se da inicio a los métodos de integración numérica..


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.


En 1946 se termina de construir el Integrador y computador ENIAC

En 1946 se termina de construir el Integrador y computador ENIAC
En 1984 Math Work desarrolla el lenguaje de Programación MATLAB orientado al

trabajo con matrices

Conceptos Fundamentales de los Métodos Numéricos Aproximaciones y Errores de Redondeo
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
Ejemplo
√
Los números tales como π, e o 7 no pueden exspresarse con un número fijo de cifras
significativas.

Errores de Redondeo
Ejemplo
√
significativas.
Por lo tanto, no pueden ser representados exactamente por la computadora.

Errores de Redondeo
Ejemplo
√
significativas.
Además, debido a que las computadoras usan una representación en base 2, no pueden
representar exactamente algunos números en base 10.

Errores de Redondeo
Ejemplo
√
significativas.
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.

Conceptos Fundamentales de los Métodos Numéricos Cifras Significativas
Cifras Significativas
Definición

Definición
El concepto de cifras o dígitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numérico.

Definición
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.

Definición
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.
La figura muestra un velocímetro y un odómetro (contador de kilometraje) de un au-

tomóvil. Con un simple vistazo al velocímetro se observa que el vehículo viaja a una
velocidad comprendida entre 48 y 49 km/h. Como la aguja está más allá de la mitad
entre las marcas del indicador, es posible asegurar que el automóvil viaja aproximada-
mente a 49 km/h. Tenemos confianza en este resultado, ya que dos o más individuos
que hicieran esta lectura llegarían a la misma conclusión.
El velocímetro y el odómetro de un automóvil ejemplifican el concepto de cifras

significativas.
Ejemplo
El velocímetro y el odómetro de la figura muestran lecturas de hasta tres y siete cifras
significativas, respectivamente.


significativas.
Ejemplo
significativas, respectivamente.Para el velocímetro, los dos dígitos seguros son 48.


significativas.
Ejemplo
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.


significativas.
Ejemplo
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.

El concepto de cifras significativas tiene dos implicaciones importantes en el estudio

de los métodos numéricos.


1 Como los métodos numéricos dan resultados aproximados. Por lo tanto, se deben
desarrollar criterios para especificar qué tan confiables son dichos resultados.


Una manera de hacerlo es en términos de cifras significativas.


Una manera de hacerlo es en términos de cifras significativas.
Por ejemplo, es posible afirmar que la aproximación es aceptable siempre y
cuando sea correcta con cuatro cifras significativas.
2 Aunque ciertas cantidades tales como π, e, o 7 representan cantidades
específicas, no se pueden expresar exactamente con un número finito de dígitos.
Por ejemplo,
π = 3.141592653589793238462643...
hasta el infinito. Como las computadoras retienen sólo un número finito de cifras
significativas, tales números jamás se podrán representar con exactitud. A la
omisión del resto de cifras significativas se le conoce como error de redondeo.

Conceptos Fundamentales de los Métodos Numéricos Exactitud y Precisión
Exactitud y Precisión

Los errores en cálculos y medidas se pueden caracterizar con respecto a su exactitud y

su 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


su precisión.
Definición
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.


su precisión.
Definición
La inexactitud (conocida también como sesgo) se define como una
desviación(alejamiento) sistemática del valor verdadero.


su precisión.
Definición
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.
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.

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
Valor verdadero = Valor aproximado + error (1)

error numérico
Reordenando la ecuación (1) se encuentra que el error numérico es igual a la diferencia

entre el valor verdadero y el valor aproximado, es decir

error numérico

Et = valor verdadero − valor aproximado (2)
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

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

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
error relativo
El error relativo también se puede multiplicar por 100 % para expresarlo como
error verdadero
et = 100 % (4)
valor verdadero

error relativo
error verdadero
et = 100 % (4)
valor verdadero
donde et denota el error relativo porcentual verdadero.

error relativo
error verdadero
et = 100 % (4)
valor 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
error verdadero
et = 100 % (4)
valor verdadero
Ejemplo
Solución
a) El error en la medición del puente es [ecuación (2)]

error relativo
error verdadero
et = 100 % (4)
valor verdadero
Ejemplo
Solución
Et = 10000 − 9999 = 1cm

error relativo
error verdadero
et = 100 % (4)
valor verdadero
Ejemplo
Solución
Et = 10000 − 9999 = 1cm
y en la del remache es de

error relativo
error verdadero
et = 100 % (4)
valor verdadero
Ejemplo
Solución
Et = 10000 − 9999 = 1cm
y en la del remache es de
Et = 10 − 9 = 1cm
Solución
b) El error relativo porcentual para el puente es [ecuación (4)]

Solución
1
et = 100 % = 0.01 %
10000

Solución
1
et = 100 % = 0.01 %
10000
y para el remache es de

Solución
1
et = 100 % = 0.01 %
10000
1
et = 100 % = 10 %
10

Solución
1
et = 100 % = 0.01 %
10000
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.

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).

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.

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

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
aproximación actual − aproximación anterior

ea = 100 % (6)
aproximación actual
Los signos de las ecuaciones ya mencionada pueden ser positivos o negativos.
Si la aproximación es mayor que el valor verdadero (o la aproximación previa es mayor
que la aproximación actual), el error es negativo; si la aproximación es menor que el
valor verdadero, el error es positivo.
También en las ecuaciones (4) a (6), el denominador puede ser menor a cero, lo cual
también llevaría a un error negativo.

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
|ea | < es (7)
Si se cumple la relación anterior, entonces se considera que el resultado obtenido está

dentro del nivel aceptable fijado previamente es .

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
|ea | < es (7)
Si se cumple la relación anterior, entonces se considera que el resultado obtenido está

dentro del nivel aceptable fijado previamente es .
Es conveniente también relacionar estos errores con el número de cifras significativas
en la aproximación. Es posible demostrar (Scarborough, 1966) que si el siguiente cri-
terio se cumple, se tendrá la seguridad que el resultado es correcto en al menos n cifras
significativas.
es = (0.5 × 102−n )100 % (8)

Estimación del error con métodos iterativos
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
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
x2 x3 xn
ex = 1 + x + + + ··· + ··· (9)
2! 3! n!
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
x2 x3 xn
ex = 1 + x + + + ··· + ··· (9)
2! 3! n!
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.

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
es = (0.5 × 102−3 ) % = 0.05 %
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
es = (0.5 × 102−3 ) % = 0.05 %
ex = 1 + x

Solución
es = (0.5 × 102−3 ) % = 0.05 %
ex = 1 + x
y para x = 0.5,
e0.5 = 1 + 0.5 = 1.5

Solución
es = (0.5 × 102−3 ) % = 0.05 %
ex = 1 + x
y para x = 0.5,
e0.5 = 1 + 0.5 = 1.5
Esto representa el error relativo porcentual verdadero de [ecuación (4)]

Solución
es = (0.5 × 102−3 ) % = 0.05 %
ex = 1 + x
y para x = 0.5,
e0.5 = 1 + 0.5 = 1.5
Esto representa el error relativo porcentual verdadero de [ecuación (4)]

1.648721 − 1.5
et = 100 % = 9.2 %
1.648721
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

Conceptos Fundamentales de los Métodos Numéricos Errores de truncamiento y serie de Taylor
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,
Error real = error de truncamiento + error de redondeo (10)

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:
f 0 (a) f 00 (a) f (n) (a)

Tn,a [f ](x) = f (a) + (x − a) + (x − a)2 + · · · + (x − a)n (11)
1! 2! n!
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
punto a.
De manera similar se puede escribir la expansión de la serie de Taylor para aproximar

funciones y así obtener el error de truncamiento, producido al analizar prematuramente
el desarrollo de la misma, el cual se puede expresar como el residuo Rn (x) y viene dado
por:
f 0 (xi ) f 00 (xi ) f (n) (xi )
Tn,a [f ](xi+1 ) = f (xi )+ (xi+1 −xi )+ (xi+1 −xi )2 +· · ·+ (xi+1 −xi )n +Rn (13)
1! 2! n!

Teorema
punto a.
De manera similar se puede escribir la expansión de la serie de Taylor para aproximar

funciones y así obtener el error de truncamiento, producido al analizar prematuramente
el desarrollo de la misma, el cual se puede expresar como el residuo Rn (x) y viene dado
por:
f 0 (xi ) f 00 (xi ) f (n) (xi )
Tn,a [f ](xi+1 ) = f (xi )+ (xi+1 −xi )+ (xi+1 −xi )2 +· · ·+ (xi+1 −xi )n +Rn (13)
1! 2! n!
donde Rn (x) en la fórmula (13) viene dado por :
(x − a)n+1
Rn (x) = f n+1 (ξ) (14)
(n + 1)!

Donde el subíndice n indica que éste es el residuo de la aproximación de n-ésimo

orden y ξ es un valor de x que se encuentra en algún punto entre xi y xi+l .

Donde el subíndice n indica que éste es el residuo de la aproximación de n-ésimo

orden y ξ es un valor de x que se encuentra en algún punto entre xi y xi+l . Con
frecuencia es conveniente simpilificar la serie de Taylor definiendo un tamaño de paso
o incremento h = xi+1 − xi y epresando la ecuación (13) como:
f 0 (xi ) f 00 (xi ) 2 f (n) (xi ) n

Tn,a [f ](xi+1 ) = f (xi ) + h+ h + ··· + h + Rn (15)
1! 2! n!

Ejemplo I
Ejemplo

Ejemplo I
Ejemplo
Calcular el polinomio de Taylor de grado 4 que se ajusta a la función

f (x) = ex − sen(x) en el punto a = 0 y estimar el valor en la misma función cuando
x = 1.

Ejemplo I
Ejemplo

x = 1.
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

x = 1.
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:
Cuadro: Derivada de la función y Evaluación para 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
Solución
Reemplazamos los valores del cuadro 1 , en la fórmula (12):
f 00 (0) 2 f 000 (0) 3 f iv (0) 4

T4,0 [ex − sen(x)](x) = f (0) + f 0 (0)(x) + (x ) + x + x
2! 3! 4!

Solución
f 00 (0) 2 f 000 (0) 3 f iv (0) 4

T4,0 [ex − sen(x)](x) = f (0) + f 0 (0)(x) + (x ) + x + x
2! 3! 4!
1 2 1
= 1 + 0(x) + (x2 ) + (x3 ) + (x4 )
2 6 24

Solución
f 00 (0) 2 f 000 (0) 3 f iv (0) 4

T4,0 [ex − sen(x)](x) = f (0) + f 0 (0)(x) + (x ) + x + x
2! 3! 4!
1 2 1
= 1 + 0(x) + (x2 ) + (x3 ) + (x4 )
2 6 24
x2 x3 x4
= 1+ + + .
2 3 24

Solución
f 00 (0) 2 f 000 (0) 3 f iv (0) 4

T4,0 [ex − sen(x)](x) = f (0) + f 0 (0)(x) + (x ) + x + x
2! 3! 4!
1 2 1
= 1 + 0(x) + (x2 ) + (x3 ) + (x4 )
2 6 24
x2 x3 x4
= 1+ + + .
2 3 24
Por lo que en un entorno de 0 se puede aproximar f (x) por T4,0 [ex −sen(x)](x), ejemplo
en x = 1 el valor seria muy próximo.
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
f (x) = −0.1x4 − 0.15x3 − 0.5x2 − 0.25x + 1.2
desde xi = 0 con h = 1. Esto es, predecir el valor de la función en xi+1 = 1.

Ejemplo II
Ejemplo
Use expansiones de la serie de Taylor de los órdenes cero hasta cuatro para
aproximar la función
f (x) = −0.1x4 − 0.15x3 − 0.5x2 − 0.25x + 1.2
desde xi = 0 con h = 1. Esto es, predecir el valor de la función en xi+1 = 1.
Figura: Aproximación de f (x) = −0.1x4 − 0.15x3 − 0.5x2 − 0.25x + 1.2 en x = 1 mediante

expansiones de la serie de Taylor de órdenes cero, primero y segundo.

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
0.2.
La aproximación de la serie de Taylor con n = 0 es

n=0
Solución
0.2.
f (xi + 1) ≈ 1.2

n=0
Solución
0.2.
f (xi + 1) ≈ 1.2
Como se muestra en la figura 1, la aproximación de orden cero es una constante.

Usando esta formulación resulta un error de truncamiento
Et = 0.2 − 1.2 = −1.0
para un x = 1

n=1
Solución
Para n = 1, se debe determinar y evaluar la primer derivada en x = 0:

n=1
Solución
f 0 (0) = −0.4(0)3 − 0.45(0)2 − 1.0(0) − 0.25 = −0.25

n=1
Solución
f 0 (0) = −0.4(0)3 − 0.45(0)2 − 1.0(0) − 0.25 = −0.25
La aproximación de primer orden es:
f (xi++1 ) = 1.2 − 0.25h
f (1) = 0.95.
el error de truncamiento se reduce a
Et = 0.2 − 0.95 = −0.75

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
π π
3 4
π π π
3 4 12
Solución
En la función original se puede determinar el valor exacto de f ( π3 ) = 0.5.

Ejemplo III
Ejemplo
π π
3 4
π π π
3 4 12
Solución
La aproximación de orden cero es
π π
f ( ) ≈ cos ≈ 0.707106781
3 4

Ejemplo III
Ejemplo
π π
3 4
π π π
3 4 12
Solución
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
π π
3 4
π π π
3 4 12
Solución
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
π π π π
f ( ) ≈ cos − sen ≈
3 4 4 12

Solución
π π π π
f ( ) ≈ cos − sen ≈ 0.521986659
3 4 4 12

Solución
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
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.

Error de truncamiento el polinomio de Taylor

El término error de truncamiento en el polinomio de Taylor se refiere al error implicado
al utilizar la suma truncada, o finita, para aproximar la suma de una serie infinita.


El resto enésimo se define como la diferencia entre entre la función y su polinomio de
Taylor de grado n


Taylor de grado n
Rn (x) = f (x) − Tn,a [f ](x) (16)


Taylor de grado n
Rn (x) = f (x) − Tn,a [f ](x) (16)
Así en el Ejemplo I
f (1) = 1.876810843651149
y
T4,0 [ex − sen(x)](1) = 1.875
luego por 16
Rn (x) = 1.876810843651149 − 1.875 =


Taylor de grado n
Rn (x) = f (x) − Tn,a [f ](x) (16)
Así en el Ejemplo I
f (1) = 1.876810843651149
y
T4,0 [ex − sen(x)](1) = 1.875
luego por 16
Rn (x) = 1.876810843651149 − 1.875 = 0.001810843651149
∴ Rn (x) ≈ 0.181 %
Expresión del resto de Lagrange

Dicha expresión fue prensentada en (14) que se expresa:
(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!
Recordar que el subíndice n indica que éste es el residuo de la aproximación de n-ésimo



(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!

Recordar la Función
f (x) = ex − sen(x)
del Ejemplo I, donde se calculo una cuarta derivada .


(x − a)n+1
Rn (x) = f n+1 (ξ)
(n + 1)!

Ahora calcularemos la 5ta para expresar el teorema de resto.


(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
Ejemplo
Si f (x) = cos(x) y xi = 0. Determine el segundo polinomio de Taylor para f
alrededor de xi ;

Ejemplo
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0

Ejemplo
alrededor de xi ;
Solución
El teorema de Taylor puede aplicarse a cualquiera n ≥ 0Además,
f 0 (x) = −sen(x), f 00 (x) = −cos(x), f 000 (x) = sen(x)

Ejemplo
alrededor de xi ;
Solución
Por lo tanto

Ejemplo
alrededor de xi ;
Solución
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1

Ejemplo
alrededor de xi ;
Solución
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
Para n = 2 y xi = 0, obtenemos

Ejemplo
alrededor de xi ;
Solución
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
f 00 (0) 2 f 000 (ξ(x)) 3

cos(x) = f (0) + f 0 (0)(x) + x + x
2! 3!

Ejemplo
alrededor de xi ;
Solución
Por lo tanto
f (0) = 1, f 0 (0) = 0, f 00 (0) = −1
f 00 (0) 2 f 000 (ξ(x)) 3

cos(x) = f (0) + f 0 (0)(x) + x + x
2! 3!
1 1
= 1 − x2 + x3 senξ(x).
2 6

Solución
Donde ξ(x) es algún número (por lo general desconocido) entre 0 y x.
Figura: Aproximación de f (x) = cos mediante expansiones de la serie de Taylor de orden 2.

Integración y Diferenciación Numérica 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:

Definición
Z b Z b
I= f (x)dx ≈ fn (x)dx (17)
a a

Definición
Z b Z b
I= f (x)dx ≈ fn (x)dx (17)
a a
donde fn (x) es un polinomio de la forma

Definición
Z b Z b
I= f (x)dx ≈ fn (x)dx (17)
a a
donde fn (x) es un polinomio de la forma
fn (x) = a0 + a1 x + · · · + an−1 xn−1 + an xn
y n es el grado del polinomio.


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.


La integral también se puede aproximar usando un conjunto de polinomios aplicados

por trozo a la función o datos, sobre segmentos de longitud constante.
Figura: La aproximación de una integral mediante el área bajo tres segmentos de línea recta.

Integración y Diferenciación Numérica LA REGLA DEL TRAPECIO
LA REGLA DEL TRAPECIO


La regla del trapecio es la primera de las fórmulas cerradas de integración de Newton-
Cotes. Corresponde al caso donde el polinomio de la ecuación (50) es de primer grado:


Z b Z b
I= f (x)dx ≈ f1 (x)dx (18)
a a
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,


Z b Z b
I= f (x)dx ≈ f1 (x)dx (18)
a a
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,

Una línea recta se puede representar como

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
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
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) af (b) − af (a)

f1 (x) = x + f (a) − (21)
b−a b−a

f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
a y b:
Z b
f (b) − f (a)
I= f (a) + (x − a) dx (20)
a b−a
f (b) − f (a) af (b) − af (a)

f1 (x) = x + f (a) − (21)
b−a b−a
Reducciendo los términos semejantes en (21)sigue que:

f (b) − f (a)
f1 (x) = f (a) + (x − a) (19)
b−a
a y b:
Z b
f (b) − f (a)
I= f (a) + (x − a) dx (20)
a b−a
f (b) − f (a) af (b) − af (a)

f1 (x) = x + f (a) − (21)
b−a b−a
Reducciendo los términos semejantes en (21)sigue que:
f (b) − f (a) bf (a) − af (a) − af (b) + af (a)

f1 (x) = x+ (22)
b−a b−a

Al simplificar (22) se obtiene

f (b) − f (a) bf (a) − af (b)

f1 (x) = x+ (23)
b−a b−a

f (b) − f (a) bf (a) − af (b)

f1 (x) = x+ (23)
b−a b−a
Integrando (23) se tiene
b
f (b) − f (a) x2 bf (a) − af (b)
+ x (24)
b−a 2 b−a a

f (b) − f (a) bf (a) − af (b)

f1 (x) = x+ (23)
b−a b−a
b
f (b) − f (a) x2 bf (a) − af (b)
+ x (24)
b−a 2 b−a a
Evaluando (24) se tiene
f (b) − f (a) (b2 − a2 ) bf (a) − af (b)

I= + (b − a) (25)
b−a 2 b−a

f (b) − f (a) bf (a) − af (b)

f1 (x) = x+ (23)
b−a b−a
b
f (b) − f (a) x2 bf (a) − af (b)
+ x (24)
b−a 2 b−a a
f (b) − f (a) (b2 − a2 ) bf (a) − af (b)

I= + (b − a) (25)
b−a 2 b−a
Factorizando (b2 − a2 ) como (b − a)(b + a) en (25)

f (b) − f (a) bf (a) − af (b)

f1 (x) = x+ (23)
b−a b−a
b
f (b) − f (a) x2 bf (a) − af (b)
+ x (24)
b−a 2 b−a a
f (b) − f (a) (b2 − a2 ) bf (a) − af (b)

I= + (b − a) (25)
b−a 2 b−a
Factorizando (b2 − a2 ) como (b − a)(b + a) en (25)
b+a
I = [f (b) − f (a)] + bf (a) − af (b) (26)
2

Multiplicando y Agrupando los términos semejantes en (26)
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,
Así, que la nueva aproximación a la integral definida será,

f (a) + f (x1 ) f (x1 ) + f (b)
I ≈ (x1 − a) + (b − x1 ) (28)
2 2

Tomando un h = x1 − a = b − x1 en la expresión (28), entonces es posible factorizar


x1 − a b − x1
y para así tener
2 2


x1 − a b − x1
y para así tener
2 2
h
I≈ [f (a) + 2f (x1 ) + f (b)] (29)
2
b−a
Donde h se obtiene al dividir el intervalo de integración a la mitad, h = y x1
2
se obtiene al sumarle al límite inferior una vez h, x1 = a + h Tomando el ejemplo
anterior
Ejemplo
√
Use la fórmula de los trapecios para n = 2 , para obtener una respuesta aproximada
del integral:


x1 − a b − x1
y para así tener
2 2
h
I≈ [f (a) + 2f (x1 ) + f (b)] (29)
2
b−a
Donde h se obtiene al dividir el intervalo de integración a la mitad, h = y x1
2
se obtiene al sumarle al límite inferior una vez h, x1 = a + h Tomando el ejemplo
anterior
Ejemplo
√
del integral:
La idea es clara, por lo que si utilizamos tres trapecios la aproximación de la integral

definida mejora.

Utilizando tres trapecios n = 3 se tiene,

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
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
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
Donde h se obtiene al dividir el intervalo de integración entre el número de trapecios,


b−a
h= ,
3


b−a
h= ,
3
x1 se obtiene al sumarle al limite inferior una vez h,
x1 = a + h


b−a
h= ,
3
x1 se obtiene al sumarle al limite inferior una vez h,
x1 = a + h
y x2 se obtiene al sumarle al limite inferior dos veces h,
x2 = a + 2h
Ejemplo
√
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.

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

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

Error en regla de los trapecios

Una estimación para el error de truncamiento local de una sola aplicación de la regla
trapezoidal es:
1
Et = − f 00 (ξ)(b − a)3
12
donde ξ está en algún lugar en el intervalo de [a, b].


trapezoidal es:
1
Et = − f 00 (ξ)(b − a)3
12
Un error para la regla trapezoidal de múltiple aplicación se puede obtener al sumar los
errores individuales de cada segmento, para dar:


trapezoidal es:
1
Et = − f 00 (ξ)(b − a)3
12
n
(b − a)3 X 00
Et = − f (ξi )
12n3
i=1


trapezoidal es:
1
Et = − f 00 (ξ)(b − a)3
12
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:


trapezoidal es:
1
Et = − f 00 (ξ)(b − a)3
12
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
f 00 (ξi ) ≈ nf 00 . Entonces la ecuación del error trapezoidal puede escribirse

P
Por tanto
como:
(b − a)3 00
Ea = f
12n2


P
Por tanto
como:
(b − a)3 00
Ea = f
12n2
Donde Rb
a
f 00 (x)dx
f 00 =
b−a


P
Por tanto
como:
(b − a)3 00
Ea = f
12n2
Donde Rb
f 00 (x)dx a
f 00 =
b−a
Así, si el número de segmentos aumenta, el error de truncamiento disminuirá.


P
Por tanto
como:
(b − a)3 00
Ea = f
12n2
Donde Rb
f 00 (x)dx a
f 00 =
b−a
Así, si el número de segmentos aumenta, el error de truncamiento disminuirá.
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

Código de la función para calculo en MATLAB
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));

Código de la función para calculo en MATLAB
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

Integración y Diferenciación Numérica Método de Simpson 1
3
1
Método de Simpson 3

3
1
1
La regla de Simpson resulta cuando un polinomio de interpolación de segundo grado
3
se sustituye en la ecuación (50), ver figura para la estrategia
Z b Z b
I= f (x)dx ≈ f2 (x)dx
a a

3
1
1
3
Z b Z b
a a
Si se designan a y b como x0 y x2 , y f2 (x) se representa por un polinomio de Lagrange

de segundo grado ], la integral se transforma en

3
1
1
3
Z b Z b
a a
Si se designan a y b como x0 y x2 , y f2 (x) se representa por un polinomio de Lagrange

de segundo grado ], la integral se transforma en
Z x2
(x − x1 )(x − x2 (x − x0 )(x − x2 (x − x0 )(x − x1
I= f (x0 ) + f (x1 ) + f (x2 ) dx
x0 (x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
(33)

3

3
Después de la integración y de las manipulaciones algebraicas en la expresión (33), se

obtiene la siguiente fórmula:

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3
Donde
x0 − x2 b−a
h= =
2 2
y

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3
Donde
x0 − x2 b−a
h= =
2 2
y
x1 = x0 + h = a + h

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3
Donde
x0 − x2 b−a
h= =
2 2
y
x1 = x0 + h = a + h
1
La fórmula de Simpson 3 (35) se puede escribir en la forma:

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3
Donde
x0 − x2 b−a
h= =
2 2
y
x1 = x0 + h = a + h
1
h
I≈ [f (a) + 4f (x1 ) + f (b)] (35)
3

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3
Donde
x0 − x2 b−a
h= =
2 2
y
x1 = x0 + h = a + h
1
h
I≈ [f (a) + 4f (x1 ) + f (b)] (35)
3
Donde
b−a
h=
2

3

h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] (34)
3
Donde
x0 − x2 b−a
h= =
2 2
y
x1 = x0 + h = a + h
1
h
I≈ [f (a) + 4f (x1 ) + f (b)] (35)
3
Donde
b−a
h= y x1 = a + h
2

3

3
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).

3
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:

3

3
integrando los dos polinomios se tiene

h h
I≈ [f (x0 ) + 4f (x1 ) + f (x2 )] + [f (x2 ) + 4f (x3 ) + f (x4 )] (36)
3 3

3

3
Al agrupar los términos en la expresión (36) y sustituyendo x0 = a y x4 = b resulta

3

h
I≈ [f (a) + 4 {f (x1 ) + f (x3 )} + 2f (x2 ) + f (b)] (37)
3

3

h
I≈ [f (a) + 4 {f (x1 ) + f (x3 )} + 2f (x2 ) + f (b)] (37)
3
donde
x4 − x0 b−a
h= =
4 4

3

h
I≈ [f (a) + 4 {f (x1 ) + f (x3 )} + 2f (x2 ) + f (b)] (37)
3
donde
x4 − x0 b−a
h= =
4 4
x1 = a+h
x2 = a + 2h
x3 = a + 3h

3

h
I≈ [f (a) + 4 {f (x1 ) + f (x3 )} + 2f (x2 ) + f (b)] (37)
3
donde
x4 − x0 b−a
h= =
4 4
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:

3

h
I≈ [f (a) + 4 {f (x1 ) + f (x3 )} + 2f (x2 ) + f (b)] (37)
3
donde
x4 − x0 b−a
h= =
4 4
x1 = a+h
x2 = a + 2h
x3 = a + 3h
" 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...

3

h
I≈ [f (a) + 4 {f (x1 ) + f (x3 )} + 2f (x2 ) + f (b)] (37)
3
donde
x4 − x0 b−a
h= =
4 4
x1 = a+h
x2 = a + 2h
x3 = a + 3h
" 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
3
Un error estimado en la regla de Simpson de aplicación múltiple se obtiene de la misma

forma que en la regla del trapecio: sumando los errores individuales de los segmentos
y sacando el promedio de la derivada para llegar a
(b − a)5 (4)
Ea = − f (39)
180n4

3

(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]

3

(b − a)5 (4)
Ea = − f (39)
180n4
Ejemplo
2 Calcular el error de truncamiento para n = 2 y n = 4 de f (x) = sen(x) en el
intervalo [0, 2]

3

(b − a)5 (4)
Ea = − f (39)
180n4
Ejemplo
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

8
3
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

8
3
Z b Z b
a a

8
3
Z b Z b
a a
Sustituyendo el polinomio de Lagrange de tercer grado e integrando resulta

3h
f (x) ≈ [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )] (40)
8

8
3
Z b Z b
a a

3h
f (x) ≈ [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )] (40)
8
la cual se puede escribir como:
3h
f (x) ≈ [f (a) + 3f (x1 ) + 3f (x2 ) + f (b)] (41)
8

8
3
Z b Z b
a a

3h
f (x) ≈ [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )] (40)
8
3h
f (x) ≈ [f (a) + 3f (x1 ) + 3f (x2 ) + f (b)] (41)
8
Donde
b−a
h=
3

8
3
Z b Z b
a a

3h
f (x) ≈ [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )] (40)
8
3h
f (x) ≈ [f (a) + 3f (x1 ) + 3f (x2 ) + f (b)] (41)
8
Donde
b−a
h= , x1 = a + h y x2 = a + 2h
3

8
3
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

8
3
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...

8
3
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

8
3
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

8
3
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
Ésta es la tercera fórmula de integración cerrada de Newton-Cotes.

Error de Aproximación
(b − a)5 (4)
Ea = − f (43)
6480n4

8
3
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]

8
3
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]

Resolución de Ecuaciones y Sistemas no Lineales Métodos Cerrados
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
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
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.

Resolución de Ecuaciones y Sistemas no Lineales Resolución de ecuaciones no lineales. El método gráfico
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
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
Ejemplo
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
Ejemplo
Solución
gm

f (c) =
c
m = 68.1:
9.8(68.1)
f (c) = 1 − e−(c/68.1)10 − 40
c

Métodos Gráficos
Ejemplo
Solución
gm

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
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
(a) Tabla (b) Grafica
Figura: (a) Tabla de resultado, (b) Grafica de la ecuación

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.

Resolución de Ecuaciones y Sistemas no Lineales EL MÉTODO DE BISECCIÓN
EL MÉTODO DE BISECCIÓN
Este método consiste en obtener una mejor aproximación de la raíz a partir de un

intervalo inicial (a, b) en el cual hay un cambio de signo en la función, es decir,


f (a)f (b) < 0.
Los métodos de búsqueda incremental aprovechan esta característica localizando un
intervalo en el que la función cambie de signo.


f (a)f (b) < 0.
Entonces, la localización del cambio de signo (y, en consecuencia, de la raíz) se logra
con más exactitud al dividir el intervalo en varios subintervalos.


f (a)f (b) < 0.
Entonces, la localización del cambio de signo (y, en consecuencia, de la raíz) se logra
con más exactitud al dividir el intervalo en varios subintervalos.
Se investiga cada uno de estos subintervalos para encontrar el cambio de signo.
pause El proceso se repite y la aproximación a la raíz mejora cada vez más en la medida
que los subintervalos se dividen en intervalos cada vez más pequeños.

Paso para el método de bisección

El método de bisección, conocido también como de corte binario, de partición de inter-
valos o de Bolzano, es un tipo de búsqueda incremental en el que el intervalo se divide
siempre a la mitad. Si la función cambia de signo sobre un intervalo, se evalúa el valor
de la función en el punto medio. La posición de la raíz se determina situándola en el
punto medio del subintervalo, dentro del cual ocurre un cambio de signo. El proceso
se repite hasta obtener una mejor aproximación.


Algoritmo sencillo para los cálculos de la bisección


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 (a)f (b) < 0.
a+b
2 Una aproximación de la raíz xm se determina mediante xm =
2


f (a)f (b) < 0.
a+b
2
3 Realice las siguientes evaluaciones para determinar en qué subintervalo está la
raíz:


f (a)f (b) < 0.
a+b
2
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.


f (a)f (b) < 0.
a+b
2
raíz:


f (a)f (b) < 0.
a+b
2
raíz:
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.


f (a)f (b) < 0.
a+b
2
raíz:


f (a)f (b) < 0.
a+b
2
raíz:
c) Si f (a)f (xm ) = 0, la raíz es igual a xm ; termina el cálculo.
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
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
xm actual
Solución
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
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
xm actual
Solución
Por lo tanto, la estimación inicial de la raíz xm se encontrará en el punto medio del
intervalo
12 + 16
xm = = 14
2
Ejemplo
667.38
f (c) = 1 − e−0.146843c − 40 (45)
c
xm actual
Solución
Por lo tanto, la estimación inicial de la raíz xm se encontrará en el punto medio del
intervalo
12 + 16
xm = = 14
2
Solución
A continuación calculamos el producto de los valores en la función en un límite
inferior y en el punto medio:

Solución
f (12)f (14) = 6.067(1.569) = 9.517

Solución
f (12)f (14) = 6.067(1.569) = 9.517
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
f (12)f (14) = 6.067(1.569) = 9.517
16.Entonces,se crea un nuevo intervalo redefiniendo el límite inferior como 14 y
determinando una nueva aproximación corregida de la raíz

Solución
f (12)f (14) = 6.067(1.569) = 9.517
14 + 16
xm = = 15
2

Solución
f (12)f (14) = 6.067(1.569) = 9.517
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,
f (14)f (15) = 1.569(−0.425) = −0.666

Solución
f (12)f (14) = 6.067(1.569) = 9.517
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,
f (14)f (15) = 1.569(−0.425) = −0.666

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
14 + 15
xm = = 14.5
2

Solución
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.
f (14)f (14.5) = 1.569(0.5523) = 0.8666

Solución
14 + 15
xm = = 14.5
2
f (14)f (14.5) = 1.569(0.5523) = 0.8666
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
14 + 15
xm = = 14.5
2
f (14)f (14.5) = 1.569(0.5523) = 0.8666
14.5 + 15
xm = = 14.75
2

Solución
14 + 15
xm = = 14.5
2
f (14)f (14.5) = 1.569(0.5523) = 0.8666
14.5 + 15
xm = = 14.75
2

II
Ejemplo
Buscar la raíz de x5 − x + 3 = 0 con un es ≤ 0.1

II
Ejemplo
Solución
f (−2) = (−2)5 − (−2) + 3 = −32 + 2 + 3 = −27 negativo

II
Ejemplo
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
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
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
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
−1.5 + (−1)
x2 = = −1.25
2

Solución
−1.5 + (−1)
x2 = = −1.25
2
f (−1.25) = (−1.25)5 − (−1.25) + 3 = −3.0 + 1.25 + 3 = 1.19824 positivo

Solución
−1.5 + (−1)
x2 = = −1.25
2
f (−1.25) = (−1.25)5 − (−1.25) + 3 = −3.0 + 1.25 + 3 = 1.19824 positivo

Solución
−1.5 + (−1)
x2 = = −1.25
2
f (−1.25) = (−1.25)5 − (−1.25) + 3 = −3.0 + 1.25 + 3 = 1.19824 positivo
−1.25 − (−1.5)
ea =| |= 0.2
−1.25

Solución
−1.5 + (−1)
x2 = = −1.25
2
f (−1.25) = (−1.25)5 − (−1.25) + 3 = −3.0 + 1.25 + 3 = 1.19824 positivo
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
La raíz R esta en el intervalo (−1.5, −1.25)

Solución
−1.5 + (−1)
x2 = = −1.25
2
f (−1.25) = (−1.25)5 − (−1.25) + 3 = −3.0 + 1.25 + 3 = 1.19824 positivo
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
−1.5 + (−1.5)
x3 = = −1.375
2

Solución
−1.5 + (−1)
x2 = = −1.25
2
f (−1.25) = (−1.25)5 − (−1.25) + 3 = −3.0 + 1.25 + 3 = 1.19824 positivo
−1.25 − (−1.5)
ea =| |= 0.2
−1.25
−1.5 + (−1.5)
x3 = = −1.375
2
f (−1.375) = (−1.375)5 − (−1.375) + 3 = −0.5398 negativo
III
Ejemplo
Encontrar una raíz real de: ex−1 − 1.5x = 0
Con una tolerancia de :|xi+1 − xi | < 0.1

III
Ejemplo
Solución
f (0) = e0−1 − 1.5(0) = 0.3678

III
Ejemplo
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
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)

Resolución de Ecuaciones y Sistemas no Lineales Método de la Falsa Posición
Método de la Falsa Posición
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 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
estima mediante:
Figura: Representación gráfica del método de la falsa posición. Con los triángulos semejantes
sombreados se obtiene la fórmula para el método..

Fórmula
estima mediante:
Como se observa en la figura

f (a)
xm − a

Fórmula
estima mediante:
Como se observa en la figura

f (a) f (b)
= (46)
xm − a xm − b

Simplificando la expresión (46) se obtiene:

f (a)(xm − b) = f (b)(xm − a) (47)

f (a)(xm − b) = f (b)(xm − a) (47)
Agrupando los términos y reordenando expresión (47) se obtiene:

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)
Dividiendo entre f (a) − f (b)

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)

bf (a) − af (b)
xm =
f (a) − f (b)

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)

bf (a) − af (b)
xm =
f (a) − f (b)
Esta es una de las formas del método de la falsa posición. Esta puede ponerse en una
forma alternativa al separa los términos:

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)

bf (a) − af (b)
xm =
f (a) − f (b)
bf (a) af (b)
xm = −
f (a) − f (b) f (a) − f (b)

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)

bf (a) − af (b)
xm =
f (a) − f (b)
bf (a) af (b)
xm = −
f (a) − f (b) f (a) − f (b)
Sumando y restando b en el lado derecho:

f (a)(xm − b) = f (b)(xm − a) (47)
xm [f (a) − f (b)] = bf (a) − af (b)

bf (a) − af (b)
xm =
f (a) − f (b)
bf (a) af (b)
xm = −
f (a) − f (b) f (a) − f (b)
Sumando y restando b en el lado derecho:
bf (a) af (b)
xm = b + −b−
f (a) − f (b) f (a) − f (b)
Agrupando términos se obtiene:

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.

Paso para el método de la falsa posición
f (a)f (b) < 0.

f (a)f (b) < 0.

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)

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:

f (a)f (b) < 0.
f (b)(a − b)
f (a) − f (b)
raíz:
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
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
xm actual

Ejemplo
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
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
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
xm actual
Solución
Primera iteración:
a = 12

Ejemplo
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
xm actual
Solución
Primera iteración:
a = 12 ⇒ f (a) = 6.0699

Ejemplo
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
xm actual
Solución
Primera iteración:
a = 12 ⇒ f (a) = 6.0699
b = 16

Ejemplo
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
xm actual
Solución
Primera iteración:
a = 12 ⇒ f (a) = 6.0699
b = 16 ⇒ f (b) = −2.2688

Ejemplo
667.38
f (c) = 1 − e−0.146843c − 40 (49)
c
xm actual
Solución
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)
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
a = 12 ⇒ f (a) = 6.0699

Solución
a = 12 ⇒ f (a) = 6.0699
b = 14.9113

Solución
a = 12 ⇒ f (a) = 6.0699
b = 14.9113 ⇒ f (b) = −0.2543

Solución
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

II
Ejemplo
Solución
Iteración I

II
Ejemplo
Solución
Iteración I
a = −2

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

El intervalo donde cambia el signo es

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

El intervalo donde cambia el signo es (−2, −1.1)

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

Iteración II

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

Iteración II
a = −2

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

Iteración II
a = −2 ⇒ f (a) = −27

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

Iteración II
a = −2 ⇒ f (a) = −27
b = −1.1

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

Iteración II
a = −2 ⇒ f (a) = −27
b = −1.1 ⇒ f (b) = 2.48949

II
Ejemplo
Solución
Iteración I
a = −2 ⇒ f (a) = −27
b = −1 ⇒ f (b) = 3
3(−2 − (−1))
x1 = −1 − = −1.1
−27 − 3
f (−1.1) = (−1.1)5 − (−1.1) + 3 = 2.48949

Iteración II
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
Ejercicios de los métodos Cerrado
1 Determine las raíces reales de f (x) = −0.5x2 + 2.5x + 4.5:


a. a) Gráficamente


a. a) Gráficamente
b. Usando el método de bisección y falsa posición con tres iteraciones para determinar
la raíz más grande. Emplee como valores iniciales a = 5 y b = 10. Calcule el error
estimado ea para cada iteración.


a. a) Gráficamente
2 Determine las raíces reales de f (x) = 5x3 − 5x2 + 6x − 2 :


a. a) Gráficamente
a. a) Gráficamente


a. a) Gráficamente
a. a) Gráficamente
para localizar la raíz más pequeña.. Emplee como valores iniciales a = 0 y b = 1.
Calcule el error estimado ea se encuentre debajo de es = 10 %.


a. a) Gráficamente
a. a) Gráficamente
3 Determine las raíces reales de f (x) = −25182x − 90x2 + 44x3 − 8x4 + 0.7x5 :


a. a) Gráficamente
a. a) Gráficamente
a. a) Gráficamente


a. a) Gráficamente
a. a) Gráficamente
a. a) Gráficamente
b. Usando el método de bisección para localizar la raíz más grande con es = 10 %.
Utilice como valores iniciales a = 0.5 y b = 1.0.


a. a) Gráficamente
a. a) Gráficamente
a. a) Gráficamente
b. Usando el método de bisección para localizar la raíz más grande con es = 10 %.
Utilice como valores iniciales a = 0.5 y b = 1.0.
c. Realice el mismo cálculo que en b), pero con el método de la falsa posición y
es = 0.2 %.

Problemas de los métodos Cerrado

1 La velocidad v de un paracaidista que cae está dada por
gm
v= 1 − e−(c/m)t
c
donde g = 9.8m/s2 . Para un paracaidista con coeficiente de arrastre de
c = 15kg/s, calcule la masa m de modo que la velocidad sea v = 35m/s en
t = 9s. Utilice los método bisección y de la falsa posición para determinar m a
un nivel de es = 0.1 %.

Problemas de los métodos Cerrado

1 La velocidad v de un paracaidista que cae está dada por
gm
v= 1 − e−(c/m)t
c
donde g = 9.8m/s2 . Para un paracaidista con coeficiente de arrastre de
c = 15kg/s, calcule la masa m de modo que la velocidad sea v = 35m/s en
t = 9s. Utilice los método bisección y de la falsa posición para determinar m a
un nivel de es = 0.1 %.
2 Está diseñando un tanque esférico para almacenar agua para un poblado pequeño
en un país en desarrollo. El volumen de líquido que puede contener se calcula
con
(3R − h)
V = πh2
3
donde V = volumen (m3 ), h = profundidad del agua en el tanque (m), y
R =radio del tanque (m).Si R = 3m, ¿a qué profundidad debe llenarse el tanque
de modo que contenga 30m3 ? Haga tres iteraciones con el método de la falsa
posición a fin de obtener la respuesta. Determine el error relativo aproximado
después de cada iteración.
figura Problema 2
Figura: Tanque Esférico

Resolución de Ecuaciones y Sistemas no Lineales Métodos Abiertos
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
Las raíces múltiples son determinados de ecuaciones polinómica que tienen la forma
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn

Métodos Abiertos
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
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Los Métodos abiertos que estaremos analizando serán:

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
a. Iteración de Punto Fijo

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
b. Método de Newton-Raphson

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn
c. Método de la Secante

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn

Métodos Abiertos
general:
f (x) = a0 + a1 x + a2 x2 + ... + an xn

Resolución de Ecuaciones y Sistemas no Lineales Punto Fijo
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 x se llama punto fijo, sí satisface la ecuación:

Punto Fijo
Definición

Punto Fijo
Definición
g(x) = x

Punto Fijo
Definición
g(x) = x
Existen puntos fijos estables e inestables.

Punto Fijo
Definición
g(x) = x

Punto Fijo
Definición
g(x) = x

El método de punto fijo es un método iterativo.

Punto Fijo
Definición
g(x) = x


Punto Fijo
Definición
g(x) = x

La idea principal es encontrar las raices de una ecuación al proponerlas como
puntos fijos de una formulación alternativa.

Punto Fijo
Definición
g(x) = x


Punto Fijo
Definición
g(x) = x

f (x) = 0 ⇒ g(x) = x

Algoritmo del Punto Fijo

Se construye un proceso iterativo a partir del valor semilla x0 :


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
El proceso termina para un dado valor de xi tal que :


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
Pero dadas las incertidumbres :


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
O, si cumple la condición de f (xi ) = 0 para | f (xi ) |< e

Ejemplo aplicando el Método del Punto Fijo

Ejemplo


Ejemplo
Resolver la siguiente ecuación no-lineal:


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
Se obtiene el proceso iterativo definido como:


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
g(x) = x = 0.5sen(x) + 1


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
g(x) = x = 0.5sen(x) + 1
y x0 = 0
x1 = g(0) = 0.5sen(0) + 1 = 1


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
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


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
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


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
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


Ejemplo
f (x) = 0.5sin(x) − x + 1 = 0
Solución
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
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
Solución
La función se puede separar directamente y expresarse en la forma de la ecuación
como
xi+l = e−xi

Ejemplo
Solución
como
xi+l = e−xi
Empezando con un valor inicial x0 = 0, se aplica esta ecuación iterativa para
calcular:

Ejemplo
Solución
como
xi+l = e−xi
calcular:
x1 = g(0) = 1.000000

Ejemplo
Solución
como
xi+l = e−xi
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879

Ejemplo
Solución
como
xi+l = e−xi
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879
x3 = g(0.367879) = 0.692201

Ejemplo
Solución
como
xi+l = e−xi
calcular:
x1 = g(0) = 1.000000
x2 = g(1) = 0.367879
x3 = g(0.367879) = 0.692201
x4 = g(0.692201) = 0.500473

Ejemplo
Solución
como
xi+l = e−xi
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.

Hay varias maneras de obtener el proceso iterativo, pero depende de la función f

Ejemplo
Use una iteración simple de punto fijo para localizar la raíz de
f (x) = 2x2 − x − 5 = 0.
Solución


Ejemplo
f (x) = 2x2 − x − 5 = 0.
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x


Ejemplo
f (x) = 2x2 − x − 5 = 0.
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x
r
x+5
g2 (x) = =x
2


Ejemplo
f (x) = 2x2 − x − 5 = 0.
Solución
Se puede proponer:
g1 (x) = 2x2 − 5 = x
r
x+5
g2 (x) = =x
2
5
g3 (x) = =x
2x − 1


Ejemplo
f (x) = 2x2 − x − 5 = 0.
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

El siguiente teorema proporciona suficientes condiciones para la existencia y unicidad

de un punto fijo.


de un punto fijo.
Teorema
I. Si g ∈ C [a, b] y g(x) ∈ [a, b] ∀x ∈ [a, b], entonces g tiene por lo menos un punto
fijo en [a, b].


de un punto fijo.
Teorema
fijo en [a, b].


de un punto fijo.
Teorema
fijo en [a, b].
II. Si, además, g0 (x) existe en (a, b) y hay una constante positiva k < 1 con
| g0 (x) |≤ k, ∀x ∈ (a, b)
entonces, existe exactamente un punto fijo en [a, b].


de un punto fijo.
Teorema
fijo en [a, b].
| g0 (x) |≤ k, ∀x ∈ (a, b)


de un punto fijo.
Teorema
fijo en [a, b].
| g0 (x) |≤ k, ∀x ∈ (a, b)
Figura: Existencia y unicidad de un punto fijo.

Ejemplo
x2 − 1
Muestre que g(x) = tiene un punto fijo único en el intervalo [−1, 1].
3

Ejemplo
x2 − 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
3
Solución
Puesto que g0 (x) = 2x
3, la función g es continua y g0 (x) existe en [−1, 1].

Ejemplo
x2 − 1
3
Solución
Los valores máximo y mínimo de g(x) se presentan en x = −1, x = 0 ó x = 1.

Ejemplo
x2 − 1
3
Solución
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
3
Solución
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].

Resolución de Ecuaciones y Sistemas no Lineales Método Newton-Raphson
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.

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.
Figura: Representación gráfica del método de Newton-Raphson. Se extrapola una tangente a la

función en x0 [esto es, f 0 (x0 )] hasta el eje x para obtener una estimación de la raíz en xn+1 .

De la figura se tiene que la primer derivada en x es equivalente a la pendiente:

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 )
Procedimiento del método Newton-Raphson

Igualar a Cero la ecuación para obtener f (x) = 0.

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 )

Se deriva la función f (x) para obtener f 0 (x).

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 )

Graficar o tabular para obtener una 1ra aproximación a la raíz buscando, x0
(valor cercano a la raíz).

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 )

Se aplica la ecuación (50) de recurrencia que utiliza el método.
Para este caso usaremos el siguiente cuadro:
n xn f (xn ) f 0 (xn ) xn+1 ea

MUCHAS GRACIAS
POR SU ATENCIÓN
Regresar

Análisis Numérico PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Análisis Numérico PDF

Загружено:

Авторское право:

Доступные форматы

ANÁLISIS NUMÉRICO

José Miguel Gómez Guzmán

Ciencias Básicas y Ambientales

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 1 / 101

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 2 / 101

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 2 / 101

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 2 / 101

Un especialista de análisis numérico se interesa en la creación y comprensión de

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 2 / 101

Un especialista de análisis numérico se interesa en la creación y comprensión de

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 2 / 101

Un especialista de análisis numérico se interesa en la creación y comprensión de

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 3 / 101

Las técnicas más utilizadas son usadas para resolver:

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 3 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 4 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 4 / 101

Historia de los Métodos Numéricos

En el 2000 a.c. se encentran métodos para aproximar algunas medidas en triángulos y

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 4 / 101

Historia de los Métodos Numéricos

En el 2000 a.c. se encentran métodos para aproximar algunas medidas en triángulos y

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 4 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

En 900 D.C. Explosión de las matemáticas árabes All-Warizmi Al-Karayi Ibrahim.

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

En 900 D.C. Explosión de las matemáticas árabes All-Warizmi Al-Karayi Ibrahim.

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

En 900 D.C. Explosión de las matemáticas árabes All-Warizmi Al-Karayi Ibrahim.

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 5 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 6 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 6 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 6 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 6 / 101

Historia de los Métodos Numéricos

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 7 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 7 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 7 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 7 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 7 / 101

Historia de los Métodos Numéricos

Gómez Guzmán ANÁLISIS NUMÉRICO 17 de marzo de 2020 8 / 101