Este método se basa en la fórmula de Newton-Raphson, pero evita el

cálculo de la derivada usando la siguiente aproximación:

Sustituyendo en la fórmula de Newton-Raphson, obtenemos:

Que es la fórmula del método de la secante. Nótese que para poder

calcular el valor de , necesitamos conocer los dos valores

anteriores y .
Obsérvese tambien, el gran parecido con la fórmula del método de la
regla falsa. La diferencia entre una y otra es que mientras el
método de la regla falsa trabaja sobre intervalos cerrados, el
método de la secante es un proceso iterativo y por lo mismo,
encuentra la aproximación casi con la misma rapidez que el método
de Newton-Raphson. Claro, corre el mismo riesgo de éste último de
no converger a la raíz, mientras que el método de la regla falsa va
a la segura.
Ejemplo 1
Usar el método de la secante para aproximar la raíz de

, comenzando con , y hasta que

.
Solución

Tenemos que y , que sustituímos en la

fórmula de la secante para calcular la aproximación :

Con un error aproximado de:

Como todavía no se logra el objetivo, continuamos con el proceso.

Resumimos los resultados en la siguiente tabla:

Aprox. a la raíz Error aprox.

0
1 100%
0.612699837 63.2%
0.653442133 6.23%
 0.652917265 0.08%
De lo cual concluímos que la aproximación a la raíz es:

Ejemplo 2
Usar el método de la secante para aproximar la raíz de

, comenzando con y , y hasta que

.
Solución

Tenemos los valores y , que

sustituímos en la fórmula de la secante para obtener la
aproximación :

Con un error aproximado de:

Como todavía no se logra el objetivo, continuamos con el proceso.

Resumimos los resultados en la siguiente tabla:

Aprox. a la raíz Error aprox.

0
1 100%
0.823315073 21.4%
0.852330280 3.40%
0.853169121 0.09%
De lo cual concluímos que la aproximación a la raíz es:

Veremos a continuación un ejemplo del metódo de la secante, con la

siguiente ecuación:

# Xi Xd Fxi Fxd Nuevo Xm Error

1 -3 -2 -14 6 -2.3 -0.3
2 -3 -2.3 -14 1.533 -2.51 -0.21
- -
3 -2.51 -2.3 -2.323251 1.533 2.3207255 0.0207255520
520505 50473
4 -2.51 - -2.323251 1.180387149 - -
 2.3207255 2.3959690 0.0752434757
5748
520505 27827 76506
- - - - -
1.180387149
5 2.3959690 2.3207255 0.150430754 2.3460753 0.0253497730
5748
27827 520505 08291 250876 37123
- - - - -
0.740963195
6 2.3959690 2.3460753 0.150430754 2.3903292 0.0442539023
30987
27827 250876 08291 274407 53135
- - - - -
0.740963195
7 2.3903292 2.3460753 0.047890744 2.3828609 0.0367856579
30987
274407 250876 83039 830056 17969
- - - - -
0.087191294
8 2.3903292 2.3828609 0.047890744 2.3898758 0.0070148527
668852
274407 830056 83039 357919 863751
- - - - -
0.087191294
9 2.3898758 2.3828609 0.039667231 2.3873888 0.0045278713
668852
357919 830056 209549 543541 485732
- - - - -
1 0.005388652
2.3898758 2.3873888 0.039667231 2.3890981 0.0017093303
0 9350926
357919 543541 209549 847273 731688
- - - - -
1 0.005388652
2.3890981 2.3873888 0.025569238 2.3875932 0.0002044347
1 9350926
847273 543541 087972 89098 4381393
- - - - -
1 0.001688314
2.3890981 2.3875932 0.025569238 2.3878552 0.0002619480
2 3877866
847273 89098 087972 371823 8438618
- - - - -
1 0.001688314
2.3878552 2.3875932 0.003053910 2.3876095 1.6224887400
3 3877866
371823 89098 2982061 139854 274E-5
Hemos terminado de analizar el método de la secante, en este
ejemplo con un error de 0.0001; se encuentra la última raiz(Xm):
-2.3876969957131 con 13 iteracciones.

Como mencionamos anteriormente, sería bueno considerar si la raíz

de una ecuación está localizada más cerca de alguno de los extremos
del intervalo.

Consideremos nuevamente una gráfica como la anterior,

Donde hemos agregado la línea recta que une los puntos extremos de
la gráfica en el intervalo .
Es claro que si en lugar de considerar el punto medio del
intervalo, tomamos el punto donde cruza al eje esta recta, nos
aproximaremos mucho más rápido a la raíz; ésta es en sí, la idea
central del método de la regla falsa y ésta es realmente la única
diferencia con el método de bisección, puesto que en todo lo demás
los dos métodos son prácticamente idénticos.
Supongamos que tenemos una función que es contínua en el

intervalo y además, y tienen signos

opuestos.
Calculemos la ecuación de la línea recta que une los puntos

, . Sabemos que la pendiente de esta recta esta

dada por:

Por lo tanto la ecuación de la recta es:

Para obtener el cruce con el eje , hacemos :

Multiplicando por nos da:

Finalmente, de aquí despejamos :

Este punto es el que toma el papel de en lugar del punto medio

del método de bisección.
Así pues, el método de la regla falsa sigue los siguientes pasos:
Sea contínua,

i) Encontrar valores iniciales , tales que y

tienen signos opuestos, es decir,

ii) La primera aproximación a la raíz se toma igual a:

iii) Evaluar . Forzosamente debemos caer en uno de los
siguientes casos:
•

En este caso, tenemos que y tienen signos

opuestos, y por lo tanto la raíz se encuentra en el intervalo

.
•

En este caso, tenemos que y tienen el mismo signo,

y de aquí que y tienen signos opuestos. Por lo

tanto, la raíz se encuentra en el intervalo .

•

En este caso se tiene que y por lo tanto ya localizamos

la raíz.
El proceso se vuelve a repetir con el nuevo intervalo, hasta que:

Ejemplo 1
Usar el método de la regla falsa para aproximar la raíz de

, comenzando en el intervalo y hasta que

.
Solución
Este es el mismo ejemplo 1 del método de la bisección. Así pues, ya
sabemos que es contínua en el intervalo dado y que toma
signos opuestos en los extremos de dicho intervalo. Por lo tanto
podemos aplicar el método de la regla falsa.
Calculamos la primera aproximación:

Puesto que solamente tenemos una aproximación, debemos seguir con

el proceso.
 Así pues,
evaluamos
Y hacemos nuestra tabla de signos:

De donde vemos que la raíz se encuentra en el intervalo

.
Con este nuevo intervalo, calculamos la nueva aproximación:

En este momento, podemos calcular el primer error aproximado:

Puesto que no se cumple el objetivo seguimos con el proceso.

Evaluamos , y hacemos la tabla

de signos:

De donde vemos que la raíz se encuentra en el intervalo

, con el cual, podemos calcular la nueva aproximación:

Y el error aproximado:

Como se ha cumplido el objetivo, concluímos que la aproximación

buscada es:

Observe la rapidez con la cual converge el método de la regla falsa

a la raíz, a diferencia de la lentitud del método de la bisección.
Ejemplo 2
Usar el método de la regla falsa para aproximar la raíz de
 , comenzando en el intervalo y hasta que

.
Solución
Este es el mismo ejemplo 2 del método de la bisección. Así pues,
ya sabemos que se cumplen las hipótesis necesarias para poder
aplicar el método, es decir, que sea contínua en el
intervalo dado y que tome signos opuestos en los extremos de
dicho intervalo.
Calculamos pues, la primera aproximación:

Como solamente tenemos una aproximación, debemos avanzar en el

proceso.

Evaluamos
Y hacemos nuestra tabla de signos:

De lo cual vemos que la raíz se localiza en el intervalo

.
Así pues, calculamos la nueva aproximación:

Y calculamos el error aproximado:

Puesto que no se cumple el objetivo, seguimos avanzando en el

proceso.

Evaluamos .
Y hacemos nuestra tabla de signos:

De los cual vemos que la raíz se localiza en el intervalo

, con el cual podemos calcular al siguiente
aproximación:
Y el siguiente error aproximado:

Como se ha cumplido el objetivo, concluímos que la aproximación

buscada es:

Nuevamente observamos el contraste entre la rapidez del método de

la regla falsa contra la lentitud del método de la bisección.
Por supuesto que puede darse el caso en el que el método de la
regla falsa encuentre la aproximación a la raíz de forma más lenta
que el método de la bisección. Como ejercicio, el estudiante puede

aplicar ambos métodos a la función , comenzando en el

intervalo , donde notará que mientras que el método de

bisección requiere de 8 aproximaciones para lograr que ,

el método de la regla falsa necesita hasta 16 aproximaciones.
Veremos a continuación un ejemplo del metódo de la Posición, Falsa
con la siguiente ecuación:

# Xi Xd Fxi Fxd Nuevo Xm Error

1 -3 -2 -14 6 -2.3 -0.3
2 -3 -2.3 -14 1.533 -2.51 -0.21
- -
3 -2.51 -2.3 -2.323251 1.533 2.3207255 0.0207255520
520505 50473
- - -
1.180387149
4 -2.51 2.3207255 -2.323251 2.3959690 0.0752434757
5748
520505 27827 76506
- - - - -
1.180387149
5 2.3959690 2.3207255 0.150430754 2.3460753 0.0253497730
5748
27827 520505 08291 250876 37123
- - - - -
0.740963195
6 2.3959690 2.3460753 0.150430754 2.3903292 0.0442539023
30987
27827 250876 08291 274407 53135
- - - - -
0.740963195
7 2.3903292 2.3460753 0.047890744 2.3828609 0.0367856579
30987
274407 250876 83039 830056 17969
- - - - -
0.087191294
8 2.3903292 2.3828609 0.047890744 2.3898758 0.0070148527
668852
274407 830056 83039 357919 863751
- - - - -
0.087191294
9 2.3898758 2.3828609 0.039667231 2.3873888 0.0045278713
668852
357919 830056 209549 543541 485732
1 - - - 0.005388652 - -
0 2.3898758 2.3873888 0.039667231 9350926 2.3890981 0.0017093303
 357919 543541 209549 847273 731688
1 - - - - -
0.005388652
1 2.3890981 2.3873888 0.025569238 2.3875932 0.0002044347
9350926
847273 543541 087972 89098 4381393
1 - - - - -
0.001688314
2 2.3890981 2.3875932 0.025569238 2.3878552 0.0002619480
3877866
847273 89098 087972 371823 8438618
- - - - -
1 0.001688314
2.3878552 2.3875932 0.003053910 2.3876095 1.6224887399
3 3877866
371823 89098 2982061 139854 829E-5
Hemos terminado de analizar el método de la Posición Falsa, en este
ejemplo con un error de 0.0001; se encuentra la última raiz(Xm):
-2.3876969957131 con 13 iteracciones.
Este método se basa en la fórmula de Newton-Raphson, pero evita el
cálculo de la derivada usando la siguiente aproximación:

Sustituyendo en la fórmula de Newton-Raphson, obtenemos:

Que es la fórmula del método de la secante. Nótese que para poder

calcular el valor de , necesitamos conocer los dos valores

anteriores y .
Obsérvese tambien, el gran parecido con la fórmula del método de la
regla falsa. La diferencia entre una y otra es que mientras el
método de la regla falsa trabaja sobre intervalos cerrados, el
método de la secante es un proceso iterativo y por lo mismo,
encuentra la aproximación casi con la misma rapidez que el método
de Newton-Raphson. Claro, corre el mismo riesgo de éste último de
no converger a la raíz, mientras que el método de la regla falsa va
a la segura.
Ejemplo 1
Usar el método de la secante para aproximar la raíz de

, comenzando con , y hasta que

.
Solución

Tenemos que y , que sustituímos en la

fórmula de la secante para calcular la aproximación :

Con un error aproximado de:

Como todavía no se logra el objetivo, continuamos con el proceso.
Resumimos los resultados en la siguiente tabla:

Aprox. a la raíz Error aprox.

0
1 100%
0.612699837 63.2%
0.653442133 6.23%
0.652917265 0.08%
De lo cual concluímos que la aproximación a la raíz es:

Ejemplo 2
Usar el método de la secante para aproximar la raíz de

, comenzando con y , y hasta que

.
Solución

Tenemos los valores y , que

sustituímos en la fórmula de la secante para obtener la
aproximación :

Con un error aproximado de:

Como todavía no se logra el objetivo, continuamos con el proceso.

Resumimos los resultados en la siguiente tabla:

Aprox. a la raíz Error aprox.

0
1 100%
0.823315073 21.4%
0.852330280 3.40%
0.853169121 0.09%
 De lo cual concluímos que la aproximación a la raíz es:

Veremos a continuación un ejemplo del metódo de la secante, con la

siguiente ecuación:

# Xi Xd Fxi Fxd Nuevo Xm Error

1 -3 -2 -14 6 -2.3 -0.3
2 -3 -2.3 -14 1.533 -2.51 -0.21
- -
3 -2.51 -2.3 -2.323251 1.533 2.3207255 0.0207255520
520505 50473
- - -
1.180387149
4 -2.51 2.3207255 -2.323251 2.3959690 0.0752434757
5748
520505 27827 76506
- - - - -
1.180387149
5 2.3959690 2.3207255 0.150430754 2.3460753 0.0253497730
5748
27827 520505 08291 250876 37123
- - - - -
0.740963195
6 2.3959690 2.3460753 0.150430754 2.3903292 0.0442539023
30987
27827 250876 08291 274407 53135
- - - - -
0.740963195
7 2.3903292 2.3460753 0.047890744 2.3828609 0.0367856579
30987
274407 250876 83039 830056 17969
- - - - -
0.087191294
8 2.3903292 2.3828609 0.047890744 2.3898758 0.0070148527
668852
274407 830056 83039 357919 863751
- - - - -
0.087191294
9 2.3898758 2.3828609 0.039667231 2.3873888 0.0045278713
668852
357919 830056 209549 543541 485732
- - - - -
1 0.005388652
2.3898758 2.3873888 0.039667231 2.3890981 0.0017093303
0 9350926
357919 543541 209549 847273 731688
- - - - -
1 0.005388652
2.3890981 2.3873888 0.025569238 2.3875932 0.0002044347
1 9350926
847273 543541 087972 89098 4381393
- - - - -
1 0.001688314
2.3890981 2.3875932 0.025569238 2.3878552 0.0002619480
2 3877866
847273 89098 087972 371823 8438618
- - - - -
1 0.001688314
2.3878552 2.3875932 0.003053910 2.3876095 1.6224887400
3 3877866
371823 89098 2982061 139854 274E-5
Hemos terminado de analizar el método de la secante, en este
ejemplo con un error de 0.0001; se encuentra la última raiz(Xm):
-2.3876969957131 con 13 iteracciones.
Este método, el cual es un método iterativo, es uno de los más
usados y efectivos. A diferencia de los métodos anteriores, el
método de Newton-Raphson no trabaja sobre un intervalo sino que
basa su fórmula en un proceso iterativo.
Supongamos que tenemos la aproximación a la raíz de
,

Trazamos la recta tangente a la curva en el punto ; ésta

cruza al eje en un punto que será nuestra siguiente

aproximación a la raíz .

Para calcular el punto , calculamos primero la ecuación de la

recta tangente. Sabemos que tiene pendiente

Y por lo tanto la ecuación de la recta tangente es:

Hacemos :

Y despejamos :

Que es la fómula iterativa de Newton-Raphson para calcular la

siguiente aproximación:

, si

Note que el método de Newton-Raphson no trabaja con intervalos

donde nos asegure que encontraremos la raíz, y de hecho no tenemos
ninguna garantía de que nos aproximaremos a dicha raíz. Desde
luego, existen ejemplos donde este método no converge a la raíz, en
cuyo caso se dice que el método diverge. Sin embargo, en los casos
donde si converge a la raíz lo hace con una rapidez impresionante,
por lo cual es uno de los métodos preferidos por excelencia.

También observe que en el caso de que , el método no se

puede aplicar. De hecho, vemos geométricamente que esto significa
que la recta tangente es horizontal y por lo tanto no intersecta al
eje en ningún punto, a menos que coincida con éste, en cuyo

caso mismo es una raíz de !

Ejemplo 1
Usar el método de Newton-Raphson, para aproximar la raíz de

, comenzando con y hasta que .

Solución
En este caso, tenemos que

De aquí tenemos que:

Comenzamos con y obtenemos:

En este caso, el error aproximado es,

Continuamos el proceso hasta reducir el error aproximado hasta

donde se pidió.
Resumimos los resultados en la siguiente tabla:

Aprox. a la raíz Error aprox.

1
1.268941421 21.19%
1.309108403 3.06%
1.309799389 0.052%

De lo cual concluímos que , la cual es correcta en

todos sus dígitos!
La misma idea puede aplicarse para crear algoritmos que aproximen
raíces -ésimas de números reales positivos.
Observe que cuando el método de Newton-Raphson converge a la raíz,
lo hace de una forma muy rápida y de hecho, observamos que el error
aproximado disminuye a pasos agigantados en cada paso del proceso.
Aunque no es nuestro objetivo establecer formalmente las cotas para
los errores en cada uno de los métodos que hemos estudiado, cabe
mencionar que si existen estas cotas que miden con mayor precisión
la rapidez ó lentitud del método en estudio.
Veremos a continuación un ejemplo del metódo de Newton Raphson, con
la siguiente ecuación:

# Fxn Dfxn Nuevo Xm

1 18 4 -3.5
2 -30.375 37.75 -2.6953642384106
3 -6.2771541041392 22.794965133108 -2.419989651633
4 -0.59229583988115 18.569049742033 -2.3880927130115
5 -0.0073539466744812 18.108960417816 -2.3876866186524
6 -1.1814129692311E-6 18.103142166676 -2.3876865533923
Hemos terminado de analizar el método de la Newton Rapshon, en este
ejemplo con un error de 0.0001; se encuentra la última raiz(Xm):
-2.3876865533923 con 6 iteracciones.
TEMARIO
I.- INTRODUCCIÓN
Importancia de los métodos numéricos
Tipos de Errores
II.- SOLUCIONES DE ECUACIONES ALGEBRAICAS
Raíz de una ecuación
Métodos de intervalo: bisección, falsa posición
Métodos de punto fijo: aproximaciones sucesivas, secante, Newton-Raphson
III.- SOLUCION DE SISTEMAS DE ECUACIONES
Eliminación Gaussiana
Matriz Inversa
Gauss-Jordan
Regla de Crammer
Jacobi
Gauss-Seidel
IV.- AJUSTE DE FUNCIONES
Fundamentos de estadística
Interpolación
Regresión de mínimos cuadrados
V.- DIFERENCIACIÓN E INTEGRACIÓN NUMÉRICA
Derivación Numérica
Integración Numérica, trapecio, Simpson-Romberg
VI.- SOLUCIÓN DE ECUACIONES DIFERENCIALES
Métodos de 1 paso: Euler, Euler Mejorado, Runge-Kutta
Métodos de pasos múltiples
VII.- ECUACIONES DIFERENCIALES PARCIALES
Clasificación de las ecuaciones
Métodos de diferencias finitas.
MÉTODOS NUMÉRICOS
1.1 Problemas matemáticos y sus soluciones.
Un modelo matemático puede definirse como una formulación o una ecuación que expresa las
características, esenciales de un sistema físico o proceso en términos matemáticos.
Vd = f (vi, p , f ) (1)
Vd = variable dependiente que refleja el comportamiento o estado del sistema.
Vi = variables independientes como tiempo o espacio a través de las cuales el comportamiento del
sistema será determinado.
P = parámetros , son reflejos de las propiedades o la composición del sistema.
f = funciones de fuerza, son influencias externas sobre el sistema.
De la segunda Ley de Newton:
F = ma ; reordenando
f
a = ______ ( 2 )
m
Características de este modelo matemático.
1.- Describe un proceso o sistema natural en términos matemáticos.
2.- Representa una simplificación de la realidad.
3.- Conduce a resultados predecibles.
Otros modelos matemáticos de fenómenos físicos pueden ser mucho más complejos.
De nuevo si usamos la segunda Ley de Newton para determinar la velocidad final o terminal de un
cuerpo, tenemos un expresión de aceleración como la razón de cambio de la velocidad con respecto al
tiempo:
f
dv = _____ ( 3 )
dt m
Para un cuerpo que cae, la fuerza total es:
F = FD + Fu ( 4 )
FD = La atracción hacia abajo debido a la fuerza de la gravedad.
Fu = Fuerza hacia arriba debida a la resistencia del aire,
En donde:
FD = mg
Fu = -cu
c = coeficiente de resistencia o arrastre
Como la fuerza total , es la diferencia entre las fuerzas hacia abajo y las fuerzas hacia arriba, tenemos:
dv = mg - cu ( 7 )
dt m
dv = g - c/m (v) ( 8 )
dt
Esta ecuación es un modelo matemático que relaciona la aceleración de un cuerpo que cae con las
fuerzas que actúan sobre él.
Se trata de una ecuación diferencial o ecuaciones diferenciales.
Si las ecuaciones son más complejas, se requiere de técnicas avanzadas para obtener una solución
analítica exacta o aproximada.
Si el objeto está en reposo, v = o y t = 0 , y usando las teorías de cálculo, obtenemos:
v(t) = gm/c ( 1 - e-(c/m)t ) ( 9 )
Que es la solución analítica o exacta,
v(t) = variable dependiente
t = es la variable independiente
c,m = parámetros
g = función de la fuerza
Ej. 1.1
Un paracaidista , con una masa de 68.1 kgs salta de un globo aerostático fijo. Con la ayuda de la
ecuación ( 9 ), calcule la velocidad antes de abrir el paracaídas, coeficiente de resistencia = 12 kg/seg.
Datos:
m = 68.1
c = 12.5
g = 9.8 m/s
v(t) = gm/c ( 1 - e-(c/m)t )
 t,s v, m/s

0 0

2 16.42

4 27.76

6 35.63

8 41.05

10 44.87

12 47.48

53.39

53.39 1 - e -(0.1835)t

Cuando los métodos numéricos - modelos matemáticos - no pueden resolverse con exactitud, se requiere
de una solución numérica que se aproxima a la solución exacta.
Los métodos numéricos son aquellos en los que se formula el problema matemático para que se pueda
resolver mediante operaciones aritméticas.
Para la segunda Ley de Newton, al aproximar a la razón del cambio de la velocidad con respecto al
tiempo , tenemos:
dv = v = v ( ti + 1 ) - v ( ti ) ( 10 )
dt t ti + 1 - ti
Diferencias finitas divididas
v ( ti ) = es la velocidad en el tiempo inicial ti
v ( ti + 1 ) = es la velocidad después de un tiempo mas tarde:
ti + 1
sustituyendo la ec. ( 10 ) en la ec. ( 8 ):
v ( ti + 1 ) - v ( ti ) = g - c/m v ( ti )
ti + 1 - ti
Reordenando:
V ( ti + 1 ) = v ( ti ) + g - c/m v( ti ) ( ti + 1 - ti ) ( 11 )
A cualquier tiempo
Nuevo valor = viejo valor + pendiente x tamaño del paso.
Ejemplo 1.2
Resolver el ejemplo anterior mediante una solución numérica para calcular la velocidad. Emplear un
tamaño del paso de 2 segundos.
Datos:
m = 68.1 kg
c = 12.5 kg/s
g = 9.8 m/s
V ( ti + 1 ) = v ( ti ) + g - c/m v( ti ) ( ti + 1 - ti )
V1 = V0 + g - c/m V0 ( ti + 1 - ti ) ; t1 = 2 seg
V1 = 0 + 9.8 - 12.5/68.1 (0) (2-0) = 19.6 m/s
t2 = 4s, v2 = ?
V2 = 19.6 + 9.8 - 12.5/68.1 (19.6) (4-2) = 32 m/s
Sustituyendo:
V3 = V2 + g - c/m V2 (t3 - t2)
V3= 32 + 9 .8 - 12.5/68.1 (32) (2) = 39.85 m/s
Entonces V3= 39.85 m/s
Sustituyendo:
V4 = 39.85 + 9 .8 - 12.5/68.1 (39.85) (2) = 44.82 m/s
V5 = 44.82 + 9 .8 - 12.5/68.1 (44.82) (2) = 47.96 m/s
V6 = 47.96 + 9 .8 - 12.5/68.1 (47.96) (2) = 49.95 m/s

t,s SN SA

0 0 0

2 19.6 16.42

4 32 27.76
 6 39.85 35.63

8 44.82 41.05

10 48.01 44.87

12 49.05 47.48

53.39 53.39

1.2. Importancia de los métodos numéricos

Los métodos numéricos son técnicas mediante las cuales es posible formular problemas matemáticos de
tal forma que puedan resolverse usando operaciones aritméticas.
El análisis numérico trata de diseñar métodos para “ aproximar” de una manera eficiente las soluciones
de problemas expresados matemáticamente.
El objetivo principal del análisis numérico es encontrar soluciones “aproximadas” a problemas complejos
utilizando sólo las operaciones más simples de la aritmética. Se requiere de una secuencia de
operaciones algebraicas y lógicas que producen la aproximación al problema matemático.
Los métodos numéricos pueden ser aplicados para resolver procedimientos matemáticos en:
• Cálculo de derivadas
• Integrales
• Ecuaciones diferenciales
• Operaciones con matrices
• Interpolaciones
• Ajuste de curvas
• Polinomios
Los métodos numéricos se aplican en áreas como:
Ingeniería Industrial, Ingeniería Química, Ingeniería Civil, Ingeniería Mecánica, Ingeniería eléctrica, etc...
1.3 Tipos de errores
Exactitud.- Lo que está más cerca del valor verdadero.
Se refiere a que tan cercano está el valor medido o calculado con el valor verdadero.
Precisión.- Se refiere a que tan cercano esta un valor individual medido o calculado con respecto a los
otros.

Cifras significativas.- Es el conjunto de dígitos confiables o necesarios que representan el valor de una
magnitud independientemente de las unidades de medidas utilizadas.
Confiables.- Por que dependen del instrumento de medición empleado.
Necesarias.- Por que depende de leyes, reglamentos, normas o costumbres.
La longitud del pizarrón es:
En 4 mediciones, siendo en cada medición distintas personas, los resultaos fueron los siguientes:
1.- 3.0 m
2.- 3.0 m
3.- 3.0 m
4.- 3.0 m
La longitud de la libreta :
1.- 28 cm ( flexómetro ) 3.- 28 cm
2.- 27.5 cm ( regla ) 4.- 28 cm
La longitud de un lápiz:
Regla: 14.3 cm Tornillo: 14.327 cm
Vernier: 14.32 cm
La velocidad de un automóvil:
Digital: 89.5 km/h
Carátula: 90 km/h
¿ Cuántas cifras significativas ( que tan preciso debe ser ) son necesarias ?
1.- El total de cifras significativas es independiente de la posición del punto decimal.
Ejemplo:
El medir una mujer se registró que su estatura es de 1.67 m = 16. 7 dm = 167 cm , (teniéndose 3 cifras
significativas ).
2.- Los ceros a la izquierda de dígitos no nulos, nunca serán cifras significativas.
Ejemplo:
Un balero tiene un diámetro de 26 mm = 0.026 m = 0.000026 km ( 2 cifras significativas ).
3.- Los ceros intermedios de dígitos no nulos, siempre serán significativos:
Ejemplo:
• 40072 ( 5 c.s. )
• 3.001 ( 4 c.s. )
• 0.000203 ( 3. c.s. )
Los errores.- Es la discrepancia que existe entre la magnitud “ verdadera” y la magnitud obtenida.
Error absoluto.- Es igual a la diferencia entre el valor verdadero y el valor aproximado:
EA = Vv - Va ( 12 )
Error Relativo.- Es el cociente del error absoluto respecto al valor verdadero:
ER = EA = Vv - Va
Vv Vv
Error Relativo Porcentual:
ERP = EA x 100 % ( 13 )
Vv
Ejercicios:
Ejemplo.- Supóngase que se tiene que medir la longitud de un puente y de un remache. La longitud del
puente obtenida es de 9999 cm y la del remache es de 9 cm.
Si los valores verdaderos son 10,000 y 10 cm, respectivamente, calcule :
 el error absoluto
 el error relativo %
para cada caso:
Puente Remache
Vv = 10000 cm 10 cm
Va = 9999 cm 9 cm
EA = 10000 - 9999 EA = 10 - 9
EA = 1 cm EA = 1 cm
Error Porcentual = 1 x 100 = 0.01 %
10,000
Error Porcentual = 1 x100 = 10 %
10
Ejemplo:
Suponga que el valor para un cálculo debería ser Vv = 0.10 x 102 pero se obtuvo el resultado de Va =
0.08 x 102. Determine el error absoluto y el error relativo porcentual:
EA = 0.10 x 102 - 0.08 x 102
EA = 2 = 0.2 x 101
ERP = 0.2 x 101 x 100 = 20%
0.10 x 102
Ejemplo:
Vv = 0.24 x 10 - 4 Va = 0.12 x 10 - 4
EA = 0.24 x 10 - 4 - 0.12 x 10 - 4
EA = 1.2 x 10 - 5 , 0.12 x 10 - 4 , por lo tanto es pequeño
ERP = 0.12 x 10 - 4 x 100 = 50%, por lo tanto es grande.
0.24 x 10 - 4
Ejemplo :
Vv = 0.46826564 x 10 6
Va = 0.46830000 x 10 6
EA = 0.46826564 x 10 6 - 0.46830000 x 10 6
EA = 34.46 , por lo tanto es grande.
ERP = 34.36 x 100 =7.33771504 x 10 - 3, es pequeño
0.46826564 x 10 6
Concluyendo , cuando se manejen cantidades muy grandes o muy pequeñas el EA puede ser engañoso,
mientras que el error relativo es más significativo en estos casos.
Determinación del error en ausencia del valor verdadero
Cuando no se conoce la respuesta verdadera, es necesario estimar el valor en ausencia de los valores
verdaderos. Ciertos métodos numéricos usan un método iterativo para calcular resultados, tales casos se
hace una aproximación con base en la aproximación anterior. Es decir, el error se calcula como la
diferencia ente la aproximación actual y la aproximación previa.
Ea = aproximación actual - aproximación anterior x 100 (14)
aproximación actual
Ea <
El siguiente criterio es útil para tener la seguridad que el resultado es correcto en al menos n cifras
significativas.
• = ( 0.5 x 10 2 - n ) = 0.5 x 10 -3 %, = 0.005 %
Ejemplo:
La función exponencial llamada expansión por serie de Mc Laurin, se puede calcular mediante la
ecuación:
ex = 1 + x + x2 + x3 + ........... + x n
2! 3! n!
Mientras más términos se le agreguen a la serie, la aproximación se acercará cada vez más al valor de
ex . Estímese el valor de e 0.5 , calculando los valores del ERP ( error relativo porcentual y el valor de
aproximación ) , si el valor real o verdadero es e 0.5 = 1.648721, agréguese términos a la serie hasta
que Ea < , cumpla 3 cifras significativas.
Solución:
E = ( 0.5 x 10 2 -3 ) % = 0.5 x 10 - 1
E = 0.005
Ea < 0.05 %
1er término
ex = 1
ERP = 1.648721 - 1 x 100 = 39.34 %
1.648721
2do término
ex = 1 + 0.5 = 1.5
ERP = 1.648721 - 1.5 x 100 = 9.02 %
1.648721
3er término
ex = 1 + x + x2
2!
ex = 1.5 + (0.5)2 = 1.625
2!
ERP = 1.648721 - 1.625 x 100 = 1.438 %
1.648721
Ea = 1.625 - 1.5 x 100 = 7.692%
1.625
4to término
e x = 1.625 + (0.5)3 = 1.645833
3!
ERP = 1.648721 - 1.645833 x 100 = 0.175 %
1.648721
Ea = 1.645833 - 1.625 x 100 = 1.265%
1.645833
5to término
e x = 1.645833 + (0.5)4 = 1.648437
4!
ERP = 1.648721 - 1.648437 x 100 = 0.0172 %
1.648721
Ea = 1.648437 - 1.645833 x 100 = 0.158%
1.648437
6to término
e x = 1.648437+ (0.5)5 = 1.648697
5!
ERP = 0.00142 %
Ea = 1.648697 - 1.648437 x 100 = 0.0158%
1.648697
Ea <
0.0158 < 0.05 %

Término ex ERP Ea

1 1

2 1.5

3 1.625

6 1.648697 0.00142 0.0158

Ea <
Errores de Truncamiento
Con 5 cifras significativas:
75.667891 75.667591 75.66453
75.668 75.668 75.665
Es el que ocurre al aumentar o disminuir artificialmente el valor de una magnitud.
Criterio de redondeo
D1 d2 d3 ..... d1 i +1 ..... dn ( i < n )
Di + 1 > 5 di = di +1
Di + 1 < 5 di = di
Di es par di = di
Di + 1 = 5
Di es impar di = di +1
Ejemplos:
Redondear a 4 cifras significativas:
 42.37834 = 42.38
 382.154 = 382.2
 545.21 = 545.2
Ejemplo:
Error de redondeo, al restar dos números iguales.
Considere las ecuaciones:
31.69 x + 14.31 y = 45.00
13.05 x + 5.89 y = 18.53
Determine los valores aproximados de x e y usando redondeo a dos cifras decimales, obtenga el error
absoluto y el error relativo porcentual para cada variable si sus valores verdaderos son:
X = 1.25055 = 1.250547046
Y = 0.37527 = 0.375273523
EA = 1.25055 - 1.250547046
EA = 0.000002954
EA = 0.37527 - 0.375273523
EA = 0.000003523
ERP = 0.000002954 x100
1.25055
ERP = 0.00023 %
ERP = 0.000002954 x100
0.37527
ERP =0.00078 %
Resuelva la ecuación cuadrática:
100x2 -10011x + 10.011 = 0
Para encontrar las raíces reales ( x1,x2 ), redondeando a 5 dígitos significativos y a 5 dígitos decimales.
10011 +- " (-10011)2 -4(100)(10.011)
2(100)
x1 = 80.088, 10041
x2 = 20.022, 9981.0
Errores de Truncamiento
Ej. 653. 45931
653. 45
Son aquellos que resultan al usar una aproximación en lugar de un procedimiento matemático.
Para estos casos las series de Taylor, en los métodos numéricos, expresan las funciones en forma
polinomial:
f(x1 +1) + f(xi) +f´(xi)h +f” (xi)h2+ f”'(xi)h3 + .....fn(xi)hn
2! 3! n!
h(x1 +1- xi)
Ej. Use términos en la serie de Taylor de cero a 4to orden para aproximar la función f(x) = -0.1x4
-0.15x3-0.5x2-0.25x +1.2, desde xi = 0 con h =1 para predecir el valor de la función en x1 +1 = 1.
Solución:
n = 0 orden
f(x1 +1) = f(xi) = -0.1x4 -0.15x3-0.5x2-0.25x +1.2
f(x1 +1) = 1.2
n = 1er orden
f(x1 +1) + f(xi) +f´(xi)h
f(x1 +1) =1.2 + (-0.4 x3-0.45x2-x-0.25) (1)
f(x1 +1) =1.- 0.25
f(x1 +1) = 0.95
n= 2do orden
f(x1 +1) + f(xi) +f´(xi)h +f” (xi)h2
2!
f(x1 +1) = 1.2-0.25+(-1.2x2-0.90x-1) (1)2
2!
f(x1 +1) = 0.95 -0.5
f(x1 +1) = 0.45
n = 3er orden
f(x1 +1) + f(xi) +f´(xi)h +f” (xi)h2+ f”'(xi)h3
2! 3!
f(x1 +1) = 0.45+ ( -2.4x-0.90 ) (1)3
6
f(x1 +1) = .45 - 0.15
f(x1 +1) = 0.3
n = 4to orden
f(x1 +1) = 0.3 + f4 (xi) h4
4!
f(x1 +1) = 0.3 + (-2.4) (1)4
24
f(x1 +1) = 0.2

Error numérico total

Es la suma de los errores de truncamiento y redondeo.
Para minimizar los errores de redondeo debe incrementarse el número de cifras significativas.
El error de truncamiento puede reducirse por un tamaño de paso más pequeño.
II. - Soluciones de Ecuaciones No Lineales.
2.1 Raíces de ecuaciones:
La fórmula cuadrática -b +- " b2 -4ac (2.1)
2a
Se usa para resolver ecuaciones del tipo Ax2+ bx + c
Ej. = f(x) = ax2 - bx + c ( 2.2 )
A los valores calculados en la ec. (2.1) se les llama raíces de la ecuación ( 2.2 ). Son valores de x que
hacen a la ecuación igual a cero.
Se puede definir a la raíz de una ecuación como el valor de x que hace a f(x) = 0.
Fundamentos Matemáticos
Las funciones algebraicas como los polinomios se representan generalmente como:
fn(x) = a0 + a1 + a2 x2 + .......... anxn
Ejemplos:
f2(x) = 1-2.37x+ 7.5x2
f6(x) = 5x2 -x3 + 7x6
f5(x) = 2 - 8x + x3 + 4x5
Las funciones “trascendentales” contienen términos trigonométricos , exponenciales o logarítmicos.
Ejemplos:
f(x) = lnx2 -1
f(x) = ex sen x + ln 3x + x3
f(x) = e-0.2x sen(3x-0.5)
Las raíces de las ecuaciones pueden ser reales o complejas.
Si f(x) es un polinomio factorizable, como:
f(x) = ( x- x1 ) ( x - x2 ) ( x - x3 ) ....... ( x - xn )
Se tiene que xn es la n - ésima raíz de f (x) = 0
Ejemplo:
f(x)= x3 -7x2 -4x + 28 = 0
( x2 - 4 ) ( x - 7 ) = 0
x1 = 2, x2 = -2, x3 = 7
2.2 Métodos de intervalo
2.2.1 Método de Bisección
PASO 1.- Alija los valores iniciales inferior xi y superior xs.
PASO 2.- La primera aproximación a la raíz xr se determina como:
xr = xi + xs.
2
PASO 3.- Calcule f(xi), f(xr) para determinar en que subintervalo cae la raíz.
PASO 4.- a ) Si f(xi) f(xr) < o, la raíz se encuentra en este subintervalo entonces xs. = xr, continúe el
paso 2.
b)Si f(xi) f(xr) > 0, la raíz se encuentra en el subintervalo superior, entonces xi = xr, continúe el paso 2.
PASO 5.- Cuando Ea < , el cálculo termina.

Ej. Determine el coeficiente de rozamiento c =? Necesario para que un paracaidista de masa = 68.1 kg
tenga una velocidad de 40 m/s, después de una caída libre de t = 10 seg. La aceleración de la gravedad
es de 9.8 m/s2. La ecuación a utilizar es:
f(c) = gm/c ( 1 - e-(c/m) t ) - v = 0
Solución analítica:
Aproximación gráfica:
f(c) = 9.8 (68.1)/c ( 1- e -(c/68.1) ) -40
= 667.38/c ( 1-e(-0.146843) ) - 40

c f(c)

4 34.115

8 17.653

12 6.067

16 -2.269

20 -8.401
 bisección
xi = 12, xs = 16
xr = (12+16)/2 = 14, xr = xs
f(xi) = f(12) = 6.067
f(xr) = f(14) = 1.5687
f(xi) f(xr) = (6.067)( 1.5687) > 0, la raíz se encuentra en el subintervalo superior, xi = xr
n=2
xi = 14, xs = 16 , xr = 15
f(xi) = f(14) = 1.5687
f(xr) = f(15) = -0.4248
f(xi) f(xr) = (1.5687)( -0.4248) < 0, la raíz se encuentra en este subientervalo, xs = xr
Ea = {15-14/15} x 100 = 6.667 %
n=3
xi = 14, xs = 15 , , xr = 14.5
f(xi) = f(14) = 1.5687
f(xi) =f(14.5)= 0.5523
f(xi) f(xi) > 0, xi = xr
Ea = {14.5-15/14.5} x 100 = 3.448 %
n=4
xi = 14.5, xs = 15 , , xr = 14.75
f(xi) = f(14.5) = 0.5523
f(xi) =f(14.75)= 0.05896
f(xi) f(xi) > 0, xi = xr
Ea = {14.75-14.5/14.75} x 100 = 1.695 %
n=5
xi = 14.75, xs = 15 , , xr = 14.875
f(xi) = f(14.75) = 0.5896
f(xi) =f(14.87)= -0.1841
f(xi) f(xi) < 0, xs= xr
Ea = {14.875-14.75/14.875} x 100= 0.840 %
n=6
xi = 14.75, xs = 14.875 , , xr = 14.8125
Ea = {14.8125-14.875/14.8126} x 100= 0.4219 %
Ea <
0.422% < 0.5 %
xr = 14.8125

iteración Xi Xs Xr Ea %

1 12 16 14 6.667

2 14 16 12 3.448

3 14 15 14.5 1.695

4 14.5 15 14.75 0.480

5 14.75 15 14.875 0.422

6 14.75 14.875 14.8125

2.2.2 Método de la Falsa posición

Este , método utiliza una interpolación lineal ajustada a dos puntos extremos para encontrar una
aproximación a la raíz. De acuerdo a la siguiente figura:

La intersección de la línea recta con el eje de la x puede estimarse:

f(xi ) = f(xs) (2.4)
xr - xi xr - xs
Reagrupando términos y reordenando
f(xi) (xr - xs) = f(xs) (xr - xi)
xr { f(xi) - f(xs) } = xs f(xi) - xi f(xs)
dividiendo entre
f(xi) - xi f(xs) =
xr = xs f(xi) - xi f(xs) (2.5)
f(xi) - f(xs)
Separando términos:
xr = xs + xs f(xi) - xi f(xs)
f(xi) - f(xs) f(xi) - f(xs)
Sumando y restando xs en el lado derecho
xr = xs + xs f(xi) - xs xi f(xs)
f(xi) - f(xs) f(xi) - f(xs)
Agrupando términos se obtiene:
xr = xs + xs f(xs) - xi f(xs)
f(xi) - f(xs) f(xi) - f(xs)
xr = xs - f(xs) (xi -xs) (2.6)
f(xi) - f(xs)
El algoritmo es idéntico al de bisección, excepto que la ec. (2.6), se usa en el paso 2.

Ejemplo
Use el método de la falsa posición, para determinar la raíz de la ec. analizada en el ejemplo 2.1
f ( c ) = 667.38/c { (1-e-0.146843 c) } -40
n=1
xi = 12 f(xi) = 6.067
xs = 16 f(xs) = -2.2687
xr = 16 - (-2.2687) (12 -16) = 14.911
6.067 - (-2.2687)
f(xr) = -0.25426
f(xi) f(xr) = 6.067 (-0.25426 ) < 0, xs = xr
n=2
xi = 12 f(xi) = 6.067
xs = 14.9112 f(xs) = -0.25426
xr = 14.9113 - (-0.25426) (12 -14.9113) = 14.7942
6.067 - (-0.25426)
f(xr) = -0.0.2726
f(xi) f(xr) < 0, xs = xr
Ea = {(14.7942-14.9113)/14.7942} x 100% = 0.79 %
n=3
xi = 12 f(xi) = 6.067
xs = 14.7942 f(xs) = -0.02726
xr = 14.7942 - (-0.02726) (12 -14.7942) = 14.7816
6.067 - (-0.02726)
xr = 14.7816
Ea = {(14.7816-14.7942)/14.7816} x 100% = 0.087 %
Ea <
0.087 < 0.5 %
2.3 Métodos de Punto fijo
2.3.1 Método de aproximaciones sucesivas
Los métodos abiertos se basan en fórmulas que requieren de un solo valor para predecir la raíz.
La ecuación f(x)= 0 se arregla de tal modo que x quede del lado izquierdo de la ecuación:
X = g (x ) (2.7)
Ejemplo:
f(x) = x2 -2x + 3 = 0
reordenando : x = x2 + 3
2
f(x) = sen x = o
reordenando: x = sen x + x
Requerimos de un valor inicial xi, que se puede usar para obtener una aproximación de xi + 1,
expresándolo por la forma iterativa:
xi + 1 = g (xi ) ( 2.8 )
El error de aproximación:
Ea = xi + 1 - xi x 100
xi + 1
Es quema gráfico de la convergencia de la iteración del punto fijo:

Use el método de aproximaciones sucesivas ( iteración del punto fijo para localizar la raíz de f (x) = e-x -
x, x0 = 0, Ea = 0.5% )
X = e-x = g ( x )
X1 + 1 = e-xi
X0 = 0, x1 = e-0 = 1 ; x1 = 1
X2 = e-x1 = e-1 = 0.367879
X3 = e-x2 = e-0.367879 = 0.692200
X4 = e-x3 = e-0.692200 = 0.500473
X5 = e-x4 = e-0.500473 = 0.606243
X6 = e-x5 = e-0.606243 = 0.545396
X7 = e-x6 = e-0.545396 = 0.579612

I xi Ea (%)

0 1 171.83

1 0.367879 46.9

2 0.692200 38.3

3 0.500473 17.4

4 0.606243 *

* 0.579612 *

12 0.566400 0.355

2.3.2 Método de Newton - Raphson

Este método se puede obtener mediante el siguiente gráfico:
Si el valor inicial de la raíz es xi , podemos trazar una tangente desde el punto { xi, f(xi) }.
El punto donde está tangente cruza el eje x, representa una aproximación de la raíz.
De la figura la primera derivada es x , es equivalente a la pendiente.
f´(x) = f(xi) - 0
xi - xi + 1
Reordenando:
Xi +1 = xi - f(xi) Fórmula de Newton-Raphson ( 2.9 )
f´( xi )
Esta ecuación también puede obtenerse mediante la serie de Taylor.
f(x1 +1) + f(xi) +f´(xi)h +f” (xi)h2+ f”'(xi)h3 + .....fn(xi)hn
2! 3! n!
Truncando la serie de Taylor hasta la primera derivada:
f(x1 +1) = f(xi) +f´(xi) (x1 +1 - xi)
en el que se intersecta con el eje x, f(x1 +1) = 0
0 = f(xi) +f´(xi) (x1 +1 - xi)
Xi +1 = xi - f(xi) que es la ec. ( 2.9 )
f´( xi )
Ejemplo 2.4
Encuentre la raíz de tgx-x = 0, en < x< 1.5 , = 0.01%
Solución:
3.1416 < x< 4.71
f(x) = tan x - 0.1 = 0
f´(x) = sec2 - 0.1
f´(x) = 1 - 0.1
cos2 x
x0 = 3.5
x1 = X0 - f(x0)
f´( x0 )
Sustituyendo:
3.5 - tan 3.5 - 0.1 (3.5)
1 - 0.1
cos2 3.5
x1 = 3.476422 = 3.468356
Ea = 3.476422 - 3.5 x 100 % = 0.678226
3.476422
x2 = x1 - f(x1)
f´( x1 )
Sustituyendo:
3.476422 - tan 3.476422 - 0.1 (3.476422)
1 - 0.1
cos2 3.476422
x2 = 3.476140
Ea = 3.476140 - 3.476422 x 100 % = 0.008%
3.476140
Ea <
0.008 % < 0.01 %
x = 3.476140
La siguiente fórmula atribuida a Francis se aplica a un vertedor con concentraciones:
Q = 3.33 ( B -0.2 +1) (H3)1/2
Donde:
Q = cantidad de agua que pasa por el vertedor (pie3/s)
B = ancho del vertedor en pies
H = carga sobre la cresta del vertedor
Si B = 3 y Q = 12 , calcule los valores con el método de Newton- Raphson.
Se requiere utilizar como valor inicial H0 =B/2
Solución :
f(x) = Q - 3.33(B-0.2+1)(H3)1/2 = 0
f´(x) =Q -10H3/2 + 0.666H5/2
= Q-3.33BH3/2+ 0.666H5/2
= -3.33(3/2)H1/2+ 0.666(5/2)H3/2
= -5BH1/2 + 1.66H3/2
= -15H1/2 + 1.665 H3/2
H0 = x0 = 3/2 = 1.5
x1 = X0 - f(x)
f´( x)
H1 = H0 - f(H)
f´(H)
f(H) = 12-10(1.5)3/2 + 0.666 (1.5)5/2 = -4.5359
f´(H) = -15(1.5)1/2 + 1.665 (1.5)3/2 = -15.3125
H1 = 1.5 - 4.5359 = 1.2037
15.3125
f(H) = 12-10(1.2037)3/2 + 0.6666 (1.2037)5/2
f´(H) = -15(1.2037)1/2 + 1.665(1.2037)3/2
H2 = 1.2037 - -10.14784
-14.2581
H2 = 1.1933
H3 = 1.1933
2.3.3 Método de la Secante
Consiste en aproximar la derivada f´(x1) , mediante una diferencia dividida finita regresiva, como se
muestra en la siguiente figura:
f´(x1) = f(x1) - f(x1 -1)
xi - x1 -1
Sustituyendo esta aproximación en la ecuación (2.9), obtenemos la siguiente ecuación iterativa:
x1 +1 = xi - f(x1) - (x1 -1) ( 2.10 )
f(x1) - f(x1 -1)
Se requiere de dos valores iniciales, xo , x1
X2 = x1 - f(x1) - (x1 - xo)
f(x1)-f( xo)
X3 = x2 - f(x2) - (x2 - x1)
f(x2)-f( x1)
hasta que se cumpla la tolerancia Ea <
2.6 Un proyectil de m = 2 grs, ha sido lanzado verticalmente al aire y está descendiendo, a su velocidad
terminal, que se determina mediante mg = fD.
El modelo matemático que relaciona todas las variables y constantes es :
mg = 1.4 x 10-5 v1.5 + 1.15 x 10-5 v2
1000
donde:
v = velocidad terminal en m/s. El primer término del lado derecho. Representa la fuerza de fricción y el
segundo término representa la fuerza de presión. Determinar la velocidad terminal, por el método de la
secante, con valores iniciales de Vo = 30, V1 = 30.1 y = 0.1%.
Solución:
f(x) = f(x) = 2(9.81) = 1.4 x 10-5 v1.5 - 1.15 x 10-5 v2 = 0
1000
f(v) = 0.1962-1.4 x 10-5 v1.5 - 1.15 x 10-5 v2 = 0
1era iteración:
Vo = 30, V1 = 30.1
V2 = V1 - f(V1)( V1 - Vo )
f(V1)- f(V0)
f(V0) = 0.1962-1.4 x 10-5 (30)1.5 - 1.15 x 10-5 (30)2
= 6.9695 x10-3
f(V1) = 0.1962-1.4 x 10-5 (30.1)1.5 - 1.15 x 10-5 (30.1)2
= 6.8889 x10-3
V2 = 30.1 - 6.8889 x10-3 (30.1-30) = 38.6470
6.8889 x10-3 - 6.9695 x10-3
Ea = 38.6470 - 30.1 x 100 = 22.1%
38.6470
2da iteración
V1 = 30.1, V2 = 38.6470
f(V1)= 6.8889x10-3
f(V2)= -9.1702410-4
V3 = 37.64045
Ea = 2.67%
3era iteración
V2 = 38.6470 , V3 = 37.64045
f(V2)= -9.17024 x10-4
f(V3)= 9.372617 x10-5
V4 = 37.73353
Ea = 0.24%
4ta iteración
V3 = 37.64045, V4 = 37.73353
f(V3)= 9.372617 x10-5
f(V4) = 1.04766 x 10-6
V5 =37.7346 = V
Ea = 0.00278 %, <
Ejemplo 2.7
Para el diseño de tuberías, en el transporte de flujo de fluidos, uno de los parámetros importantes a
considerar, es el factor de fricción de Fanning, cantidad a dimensional que depende de otro parámetro a
dimensional , el número de Reynolds, Re. Una de las ecuaciones para determinar el factor de fricción es
la de Von Karman:
1 = 4 log10 (Re "f ) -0.4
"f
Los valores típicos del número de Reynolds va de 10,000 hasta 500,000: 10,000 < Re > 500,000 para
flujo turbulento y valores típicos para el factor de fricción de Fanning; 0.01< f >0.01. Determine f por el
método de la secante.
Fo = 0.0049 , f1 = 0.0050, = 0.1%
Re = r

Solución:
1 = 4 log10 (105 x "f ) +0.4
"f
Re = 100,000
1er iteración
f(f0) = 1 - 4 log10 (105 x"0.0049 ) +0.4
"0.0049
f(f0) = -0.6946
f(f1) = 1 - 4 log10 (105 x"0.0050 ) +0.4
"0.0050
f(f1) = -0.8558
f2 = f1 - f(f1)( f1 - f0 )
f(f1)- (f0)
f2 = 0.0050 - (-0.8558)(0.0050-0.0049)
(-0.8558)+( 0.6946 )
f2 = 0.004469
Ea = 0.004469 - 0.0050 x 100 = 11.88%
0.004469
2da iteración
f(f2) = 1 - 4 log10 (105 x" 4.469x10-3) +0.4
"4.469x10-3
f(f2) = 0.05831
f(f3) = 1 - 4 log10 (105 x" 4.506x10-3) +0.4
"0.004506
f(f3) = -0.0103
3er iteración
f3 = f2 - f(f2) (f2 - f1)
f(f2) - f(f1)
f3 = 4.469x10-3 - (0.05831)( 4.469x10-3 - 0.0050)
0.0583 + 0.0050
f3 = 0.0049581
Ea = 0.004502 - 0.004469 x 100 = 0.73%
0.004502
III. Solución de sistemas de Ecuaciones lineales y no lienales
3.1 Métodos de soluciones de Ecuaciones lineales
3.1.1 Método gráfico
Las ecuaciones generales
a11 x1 + a12 x2 = b1
a12 x1 + a22 x2 = b2
Pueden resolverse para x2,
a11 b1
De ec. (1), x2 = - x1 +
a12 a12
a12 b2
De ec. (2), x2 = - x1 +
a22 a22
de donde x2 = ( pendiente ) x1 + intersección.
Es decir, las ecuaciones tienen la forma de líneas rectas que se puedan graficar y su intersección
representa la solución.
Ejemplos:
Ej. 3.1
Use el método gráfico para resolver las siguientes ecuaciones:
3x1 + 2x2 = 18 (A)
- x1 + 2x2 = 2 ( B)
Solución:
Despejar :
De ec. (A) : x2 = -3 x1 + 9
2
De ec. (B) : x2 = 1 x1 + 1
2
3.1.2 Método de Krammer
Un sistema de ecuaciones algebraicas lineales se representan como:
a11 x1 + a12 x2 + **** a1n xn = b1
a12 x2 + a21 x2 + **** a2n xn = b2
*
*
am1 x1 + am2 x2 + **** ann xn = bn
Donde: a = coeficientes
b = constantes
cuya matriz de coeficientes, para un sistema de 3 ecuaciones, es:
a11 a12 a13
A = a21 a22 a23
a31 a32 a33
Y de donde el determinante D, de tercer es :
a11 a12 a13
D = a21 a22 a23
a31 a32 a33
que se resuelve como:
a22 a23 a21 a23 a21 a22
D = a11 - a12 + a13
a3 a33 a31 a33 a31 a32
donde los determinantes de 2 x 2 se les llama menores.
La regla de Krammer, se expresa como una fracción de dos determinantes con denominador D y con el
numerador obtenido a partir de D al reemplazar la columna de coeficientes de la incógnita x1 por las
constantes b1 ***** b2 ****** bn
b1 a12 a13
X1 = b2 a22 a23
b2 a32 a33
D
a11 a12 a13
X2 = a21 a22 a23
a31 a32 a33
D
a11 a12 a13
X3 = a21 a22 a23
a31 a22 a33
D
Ejemplo 3.2
Use la regla de Krammer para resolver:
0.3 X1+ 0.52 X2+ X3 = -0.01
0.5 X1+ X2+ 1.9X3 = 0.67
0.1 X1+ 0.3 X2+ 0.5X3 = -0.01
0.3 X1+ 0.52 X2+ X3 0.03 0.52
A = 0.5 X1+ X2+ 1.9X3 0.5 1
0.1 X1+ 0.3 X2+ 0.5X3 0.1 0.3
(0.15)+(0.0988)+(0.15)-(0.1)-(0171)-(0.13) = -0.0022
det A = -0.0022
-0.01 X1+0.52 X2+1 X3 -0.01 0.52
B = 0.67 X1+ 1 X2+ 1.9X3 0.67 1
-0.44 X1+0.3 X2+0.5X3 -0.44 0.3
-(0.005)-(0.43472)+(0.201)+(0.44)+(0.0057)-(0.1742)=
det B = 0.03278
det B = 0.03278 = -14.9
det A = -0.0022
0.03X1 -0.01 X2+1 X3 0.3 -0.01
C = 0.5 X1 + 0.67 X2+1.9X3 0.50 0.67
0.1 X1 -0.44 X2+0.5X3 0.1 -0.44
(0.1005)-(0.0019)-(0.22)-(0.67)+(0.2508)+(0.0025)=
det C = 0.0649
det C = 0.0649 = -29.5
det A = -0.0022
0.3 X1+ 0.52 X2 -0.01X3 0.03 0.52
D = 0.5 X1+ X2+0.67X3 0.5 1
0.1 X1+ 0.3 X2 - 0.44X3 0.1 0.3
-(0.132)+(0.03484)-(0.0015)+(0.001)-(0.0603)+(0.1144) = -0.04356
det D = -0.04356
det D = -0.04356 = 19.8
det A = -0.0022
x1 = -14.9, x2 = -29.5 , x3 = 19.8
3.3 Eliminación Gaussiana y sustitución hacia atrás
Para un sistema de ecuaciones algebraicas lineales
a11 x1 + a12 x2 + **** a1n xn = b1 E1
a12 x2 + a21 x2 + **** a2n xn = b2 E2
*
*
am1 x1 + am2 x2 + **** ann xn = bn En
La matriz aumentada A es :
a11 a12 ***** a1n b1
A = a21 a22 ***** a2n b2
a31 a32 ***** a3n bn
Para resolver este sistema lineal, se permiten tres operaciones en las ecuaciones.
1) La ecuación -Ei puede multiplicarse por cualquier constante diferente de cero y se puede usar la
ecuación resultante en lugar de Ei:
(Ei) Ei
2) La ecuación Ej, puede multiplicarse por cualquier constante
, sumarla a la ecuación Ei, y usar la ecación resultante en lugar de Ei:
(Ei + Ej) (Ei)
3.- Las ecuaciones Ei y Ej se pueden intercambiar
(Ei ) (Ei)
Ejemplo 3.3
Reducir el sistema de ecuaciones:
X1 +X2 +X3 +3X4 = 4
2 X1 +X2 -X3 +X4 = 1
3X1 -X2 -X3 +2X4 = -3
-X1 +2X2 +3X3 -X4 = 4
1 0 0 E1
0 1 0 E2
0 0 1 E3
0 0 0 E4
Para resolver las incógnitas: X1 ,X2,X3,X4 :

De esta manera el sistema se transforma en un sistema triangular o reducido, por lo tanto, por
sustitución hacia atrás:

El procedimiento involucrado en este proceso se llama eliminación Gaussiana, con sustitución hacia atrás
:
El procedimiento se realiza en dos pasos:
1.- Reducir el conjunto de ecuaciones a un sistema triangular superior por eliminación hacia delante:
Matrices especiales:
Ejemplo 3.4. Use la eliminación de Gauss para resolver:

Efectuando los cálculos con 6 cifras significativas

Solución:
La matriz aumentada es:
Ej. 3.5, use la eliminación de Gauss para resolver :

3.1.4 Método de Gauss- Jordan

El método consiste en eliminar elementos arriba y debajo del elemento pivote, para generar una matriz
diagonal o unitaria en lugar de una triangular.
Ej. Use la técnica de Gauss- Jordan para resolver
Resolver por Gauss- Jordan:

Usando 4 cifras significativas:

3.1.5 Matriz Inversa
El producto de una matriz cuadrada , [A] y su inversa [A]-1 da como resultado la matriz identidad [I]:
[A] [A]-1 = [A]-1[A] = [I]
La matriz inversa se puede calcular en forma numérica para resolver n sistemas lineales, de donde la
inversa es la solución del sistema lineal.
Ej. 3.8. resolver los tres sistemas lineales:

Por el cálculo de la inversa:

Solución:
La matriz de coeficientes es:

La matriz aumentada es :

Por eliminación Gaussina:

La matriz inversa [A]-1

La solución de los tres sistemas son:

 Métodos iterativos
Matrices bandeadas
Un gran número de sus componentes son cero:

El sistema de ecuaciones representados matricialmente para encontrar su solución es

Ax = b ( 3.5 )
Reordenando se tiene
Ax - b = 0
Una ecuación vectorial de f(x) = 0 (3.6)
Aplicando el método iterativo de punto fijo , la ec.(3.6) puede arreglarse de tal forma que:
 X = g(x)
X = Bx + C
B = matriz (3.7)
C = vector de las constantes
Se requiere de un vector inicial x(0) como primera aproximación al vector solución x

Dado el sistema:

Con a11, a22, a22, diferentes de cero

Se despeja X1 de la Ec. 1
Se despeja X2 de la Ec. 2
Se despeja X3 de la Ec. 3

Que en notación matricial queda:

Para iterar existen dos métodos

 Jacobi
El vector aproximación a la solución x después de k iteraciones, entonces se tiene la siguiente
aproximación:

Resuelva el siguiente sistema por el método de Jacobi:

Se despeja X1 de la Ec. 1
Se despeja X2 de la Ec. 2
Se despeja X3 de la Ec. 3
Se despeja X4 de la Ec. 4
Valores iniciales , k = 0
X(0) = [ 0,0,0,0,],
Calcular xk+1 = x1

Calcular x2

Calcular x3

Los resultados de las iteraciones son:

K X1k X2k X3k X3k

0 0 0 0 0

1 0.2500 0.2500 0.2500 0.2500

2 0.3125 0.3750 0.3750 0.3125

3 0.3438 0.4219 0.4219 0.3438

4 0.3555 0.4414 0.4414 0.3555

5 0.3604 0.4492 0.4492 0.3604

6 0.3623 0.4524 0.4524 0.3623

7 0.3631 0.4537 0.4537 0.3631

8 0.3634 0.4542 0.4542 0.3634

 9 0.3635 0.4544 0.4544 0.3635

10 0.3636 0.4545 0.4545 0.3636

Ejemplo 3.10
Resolver el siguiente sistema:

Despejando:

Con E = 0.001 %

Si x(0) [0,0.0]T
 K X1k X2k X3k

0 0 0 0

1 -0.5000 0.1000 0.2000

2 -0.4900 0.2600 0.3300

3 -0.4550 0.2970 0.2950

4 -0.4404 0.2795 0.2771

5 -0.4439 0.2712 0.2762

6 -0.4463 0.2716 0.2789

7 -0.4464 0.2729 0.2796

8 -0.4461 0.2732 0.2793

 Gauss-Seidel
Es similar al método de Jacobi, los valores que se van calculando en la ( k + 1 ) - ésima iteración se
emplean para calcular los valores faltantes de esa misma iteración, es decir, con x(k), se calcula x(k + 1)
.

y para un sistema de n ecuaciones:

Ej. 3.11. Resuelva el sistema del ejemplo 3.9, por el método de Gauss-Seidel:
Con x(0) = [0,0,0,0]

K X1k X2k X3k X4k

0 0.0000 0.0000 0.0000 0.0000

1 0.2500 0.3125 0.3281 0.3320

2 0.3281 0.4141 0.4365 0.3591

3 0.3535 0.4475 0.4517 0.3629

4 0.3629 0.4534 0.4541 0.3635

5 0.3633 0.4544 0.4545 0.3636

6 0.3636 0.4545 0.4545 0.3636

Ej. 3.12 Use el sistema del ejemplo 3.6 por el método de Gauss- Seidel:
Solución:
Despejando:

Si con x(0) = [0,0,0]

Y así debemos seguir iterando hasta cumplir con el error estipulado.

Criterios de convergencia:

Ejemplo 3.14 aplicación en Ing. Eléctrica:

Un problema común dentro de la Ing. Eléctrica, involucra la determinación de corrientes y voltajes en
varios puntos en circuitos de resistores. Estos problemas se resuelven usando las leyes para corrientes
de voltajes de Kirchoff.
Considere el circuito mostrado en la figura siguiente:

Las corrientes asociadas con este circuito son desconocidas tanto en magnitudes como en dirección.
Suponiendo las direcciones de las corrientes:

Determine las corrientes del circuito:

Solución:
La regla de la corriente de kirchoff aplicada a cada nodo es
i=0

La regla del voltaje en cada una de las mallas es :

v-iR = 0

Sustituyendo los valores de las R:

Por lo tanto el problema se reduce a la solución del siguiente conjunto de 6 ecuaciones con 6 incógnitas:

Por eliminación Gaussiana:

 Métodos de soluciones para Senl
Antes de intentar resolver un Senl deben tomarse las siguientes sugerencias:
Reducir analíticamente el número de ecuaciones é incógnitas.
Dividir las ecuaciones en subsistemas menores.
Estimar los valores iniciales en base a:
Consideraciones físicas.
Consideraciones geométricas.
3.2.1 Método de punto fijo multivariable
f(x) = 0
x = g(x)
x(0) = 0
1.-
2.-
3.-
Para un sistema de dos ecuaciones con dos incógnitas:
f1 = (x,y) (3.16)
f2 = (x,y)
resolviendo para las variables x, y
x = g1 = (x,y) (3.17)
y = g2 = (x,y)
Aplicando el método de punto fijo y los métodos de Jacobi y Gauss-Seidel, se obtendrá la estimación ( k
+ 1 )-ésima a partir de la estimación k-ésima:
Xk+1 = g1 = (xk,yk) ( 3.18)
yk+1 = g2 = (xk,yk)
Se comienza con valores iniciales x0, y0, se calculan los nuevos valores de x1, y1 y se repite el proceso
hasta encontrar la raíz aproximada:
X = g1 = (x ,y)
Y = g2 = (x ,y)
Ejemplo 3.15. Encuentre una solución del sistema de ecuaciones no lineales:
f1 = (x,y) = x2 -10x + y2 + 8 = 0 E1
f2 = (x,y) = xy2 + x -10y + 8 = 0 E2
mediante el método del punto fijo multivariable usando desplazamientos simultáneos ( Jacobi), con
valores iniciales x0 = 0, y0 = 0.
Solución :
Despejar x del término ( -10x) de E1
Despejar y del término ( -10y) de E2
X= 0.1x2 +0.1y2 + 0.8
Y= 0.1xy2 +0.1x + 0.8
Expresándolos iterativamente:
Xk+1 = 0.1x(xk)2+0.1(yk)2+0.8
Yk+1 = 0.1xk(yk)2 +0.1 xk +0.8
Con valores inciales x0 = 0, y0 = 0, se inicia el proceso iterativo:
1er iteración 2da iteración 3er iteración
x1= 0.8 x2 = 0.92800 x3= 0.9728
y1= 0.8 y2 = 0.9312 y3= 0.9733
Los resultados obtenidos del proceso iterativo son:

K Xk yk
 0 0.0000 0.0000

1 0.8000 0.8000

2 0.9280 0.9312

3 0.9837 0.9894

4 * *

5 0.9957 0.9957

* * *

12 0.9999 0.9999

13 1.0000 1.0000

Criterios de convergencia:

Para aumentar la velocidad de convergencia puede usarse el proceso iterativo Gauss-Seidel:

Xk+1 = g1 = (xk,yk)
yk+1 = g2 = (xk+1,yk) (3.19)
Ejemplo 3.16, resuelva el sistema del ejemplo anterior utilizando el método del punto fijo multivariable
con desplazamientos sucesivos ( Gauss-seidel).
f1 = (x,y) = x2 -10x + y2 + 8 = 0 E1
f2 = (x,y) = xy2 + x -10y + 8 = 0 E2
Solución:
Xk+1 = 0.1(xk)2+0.1(yk)2+0.8
Yk+1 = 0.1xk+1(yk)2 +0.1 xk+1 +0.8
Aplicando los criterios de convergencia se requiere derivar parcialmente:

Evaluando para x0 = 0, y0 = 0
1er iteración:
x1= 0.8
y1= 0.1(0.8)+0.8=0.88
2da iteración:
x2 = 0.1(0.8)2 +0.1(0.88)2 + 0.8 = 0.9414
y2 = 0.1(0.9414)(0.88)2+0.1(0.9414)+0.8 = 0.9670
3er iteración:
x3= 0.1(0.9414)2 +0.1(0.9670)2 + 0.8 =0.9821
y3= 0.1(0.9821)(0.9670)2+0.1(0.9821)+0.8 =0.9900
Los resultados del proceso iterativo son:

K Xk yk

0 0.0000 0.0000

1 0.8000 0.8800

2 0.9414 0.9670

3 0.9821 0.9900

4 0.9944 0.9969

* * *

11 1.0000 1.0000

3.2.2 Método Newton-Rapson multivariable

Supóngase que se está resolviendo el sistema:
f1 = (x,y)= 0
f2 = (x,y) =0
donde ambas funciones son contínuas y diferenciables, de modo que puedan expanderse en serie de
Taylor alrededor del punto (a,b):

Expandiendo fi alrededor de :

de manera similar puede expresarse f2 donde todas las derivadas parciales están evaluadas en (xk,yk).
Considerando que la diferencia entre la aproximación actual y anterior es cero, obtenemos:
Si definimos que
Xk+1 - xk = h (3.22)
Yk+1 -yk = j
Reordenando
Xk+1 = xk+h
Yk+1 = yx+j (3.23)
Sustituyendo la ec.( 3.22) en la ec.(3.21)

Esto representa un sistema de ec. lineales con incógnitas h y j.

El sistema lineal tiene solución si el determinante de la matriz de coeficientes o matriz Jacobiana J es
diferente de cero.

Ej. 3.17 Use el método de Newton-Raphson para encontrar una solución aproximada al sistema:
f1 = (x,y) = x2 -10x + y2 + 8 = 0 E1
f2 = (x,y) = xy2 + x -10y + 8 = 0 E2
con el vector inicial [x0 , y0], [0,0]r
Solución:
Primero se forma la matriz de derivadas parciales:

La matriz aumentada es :

1er iteración:
Evaluamos la matriz en x0,y0
Y nos queda:
-10 0 -8
1 -10 -8

de donde h = 0.8 y j = 0.88

Xk+1 = x0 + h = 0 + 0.8 = 0.8 = x1
Yk+1 = y0 + j = 0 + 0.88 = 0.88 = y1
2da iteración
2(0.8) -10 2(0.88)
(0-88)2 +1 2(0.8)(0.88)-10
con los valores x1, y1
-8.4 1.76 -1.4144
1.7744 -8.592 -0.6195
por eliminación Gaussiana:

de donde h= 0.19179 , j= 0.11171

Sustituyendo en ec. (3.23)
x2 = x1 + h = 0.8 + 0.19179 = 0.99179 x2
y2 = y1 + j = 0.88 + 0.11171 = 0.99171 y2

K Xk yk

0 0.0000 0.0000

1 0.8000 0.8800

2 0.9917 0.9917

3 0.9998 0.9999

4 1.0000 1.0000

IV.- Ajuste de funciones

4.1 Fundamentos de estadística
La media aritmética (y) de una muestra, se define como la suma de los datos individuales (yi) dividida
entre el número de puntos ( n ).

La desviación estándar ( s ) es una medida del espaciamiento de los datos individuales, respecto, a la
media:

St = = ( yi - y )2 = es la suma total de los cuadrados de los residuos entre los datos y la media.
La varianza (S2 ) es la desviación estándar al cuadrado:
S2 = ( yi - y )2 = St (4.3)
n-1 n-1
otra manera de calcular la desviación estándar es:
S2 = yi - (yi)2 / n (4.4)
n -1
coeficiente de variación (c.v.) es la razón de la desviación estándar a la media:
c.v. = S/y (100)%
que es similar al ERP, es decir, es la razón del error de medición (s) , a un estimado del valor real ( y ).
Ejemplo 4.1. Calcule la media, la desviación estándar y la varianza para los datos siguientes que
representan las mediciones del coeficiente de expansión térmica para acero estructural:
( x106 pulg/pulg °F )

6.495 6.595 6.615 6.635 6.485 6.555

6.665 6.505 6.435 6.625 6.715 6.655

6.775 6.625 6.715 6.575 6.655 6.605

6.565 6.515 6.555 6.395 6.775 6.685

y = 6.6008
S2 = 0.009316
S = 0.096519
Una manera de representar la distribución de datos alrededor de la media es mediante un histograma,
ya que éste proporciona una representación visual simple de la distribución.
Para los datos del ejemplo tenemos:

i yi (yi-y) frecuencia límite inferior límite superior

1 6.395 0.042025 1 6.36 6.4

2 6.435 0.027225 1 6.4 6.44

3 6.485 0.013225

4 6.495 0.010025 4 6.48 6.52

5 6.505 0.009025

6 6.515 0.007225

7 6.555 0.002025 2 6.52 6.56

8 6.555 0.002025

9 6.565 0.001225

10 6.757 0.000025 3 6.56 6.6

11 6.595 0.000225

12 6.605 0.000625

13 6.615 0.000625

14 6.625 0.001225 5 6.6 6.69

15 6.625 0.003025

16 6.635 0.003025
17 6.655 0.003025

18 6.655 0.007225 3 6.64 6.68

19 6.655 0.003025

20 6.685 0.013225 3 6.68 6.72

21 6.715 0.013225

22 6.715 0.013225

23 6.755 0.024025 1 6.72 6.76

24 6.775 0.003625 1 6.76 6.8

Método de
Jacobi