I

I
N
N
T
T
R
R
O
O
D
D
U
U
C
C
C
C
I
I
Ó
Ó
N
N
A
A
L
L
O
O
S
S
M
M
É
É
T
T
O
O
D
D
O
O
S
S
N
N
U
U
M
M
É
É
R
R
I
I
C
C
O
O
S
S

C
C
O
O
N
N
D
D
E
E
R
R
I
I
V
V
E
E
6
6

P
P
r
r
i
i
m
m
e
e
r
r
a
a
E
E
d
d
i
i
c
c
i
i
ó
ó
n
n

































J
J
a
a
i
i
m
m
e
e
E
E
c
c
h
h
e
e
v
v
e
e
r
r
r
r
í
í
a
a

P Pr ro of fe es so or r d de e Á Ál lg ge eb br ra a L Li in ne ea al l y y M Mé ét to od do os s N Nu um mé ér ri ic co os s
D De ep pa ar rt ta am me en nt to o d de e C Ci ie en nc ci ia as s E Ex xa ac ct ta as s – – E Es sc cu ue el la a P Po ol li it té éc cn ni ic ca a d de el l E Ej jé ér rc ci it to o. .

2 Prólogo

P PR RÓ ÓL LO OG GO O






Los Métodos Numéricos, constituyen una herramienta fundamental en la generación de algoritmos computacionales y
una técnica mediante la cual se resuelven problemas matemáticos, que no tienen solución analítica, frecuentes en las ciencias
aplicadas y en todos los campos de la Ingeniería y la Tecnología.
El presente texto explica en detalle una gran parte de los métodos del Análisis Numérico, poniendo énfasis en la ejemplificación de
los mismos y en la programación con la ayuda del sistema de álgebra computacional Derive 6 y el software MathCAD, aunque el
uso de los mismos no es obligatorio al lector, el cual puede hacer uso ya sea de otros sistemas CAS o lenguajes de programa-
ción(MATLAB, MATHEMATICA, MAPLE, C, Fortran, etc.).
El capítulo 0 introduce al lector en los errores y su uso dentro del Análisis Numérico, pues al ser los métodos numéricos “aproxi-
maciones” a lo exacto incurrirán en errores que deberán ser cuantificados para evitar que su presencia influya de forma negativa en
un resultado. Además los errores constituyen uno de los parámetros fundamentales para identificar las fortalezas y debilidades de
un método numérico y su análisis puede llevar a mejorar su rendimiento.
El capítulo 1 trata la interpolación polinómica, elemento indispensable en la predicción de resultados así como para la generación
de métodos numéricos para otros campos como la diferenciación e integración numérica.
El capítulo 2 estudia la solución de las ecuaciones no lineales, pues algoritmos numéricos en este campo son indispensables da-
do que no existen soluciones analíticas exactas para la mayoría de ecuaciones no lineales, excepto para muy pocas de ellas, y aún
para ecuaciones polinómicas sólo existen soluciones analíticas exactas para ecuaciones de cuarto grado o inferior. Muchos pro-
blemas de las ciencias aplicadas llevan la resolución de una ecuación lineal, por lo que este tema es de irrenunciable análisis para
los métodos numéricos.
Los capítulos 3 y 4 revisan los temas del cálculo numérico, dado que las derivadas e integrales numéricas son de vital importan-
cia dentro del estudio de las ecuaciones diferenciales, tema este último que es uno de los puntos culminantes del Análisis Numéri-
co y es revisado en el capítulo 5.
El capítulo 6, revisa brevemente algunos métodos numéricos del Álgebra Lineal, exclusivamente en la solución de sistemas de
ecuaciones lineales.
Finalmente el Apéndice A, da una breve descripción de Derive 6 y en el Apéndice B una revisión de las series de Taylor, elemento
básico en el análisis del error por truncamiento.
El contenido del texto es suficiente para un curso de un semestre de Métodos Numéricos, pudiendo quedar a discreción del profe-
sor la elección del orden de los temas a tratarse de acuerdo a su experiencia docente.
La mayoría de los cálculos numéricos en los problemas del texto fueron realizados con la ayuda de una calculadora gráfica TI – 92
Plus, así como los gráficos provienen de los sistemas CAS Derive 6 y MathCAD.
Espero que el texto sea una fuente invalorable de consulta para quienes esperan obtener de los Métodos Numéricos una fuente de
información valiosa para sus posteriores estudios en campos especializados de la Ingeniería y la Tecnología.
Cualquier comentario, consejo o sugerencia remitirlo al e-mail jecheverriayanez@yahoo.es
Quito, Marzo 2010
3 Contenido

C CO ON NT TE EN NI ID DO O

P PR RÓ ÓL LO OG GO O . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 2 2
C CO ON NT TE EN NI ID DO O . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 3 3
C CA AP PÍ ÍT TU UL LO O

0 0 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 6 6
PROCESOS ITERATIVOS Y ERRORES EN ANÁLISIS NUMÉRICO ............................................................. 6
0.1 PROCESOS ITERATIVOS. ........................................................................................................................... 6
0.2 ERRORES EN ANÁLISIS NUMÉRICO. ........................................................................................................ 8
0.2.1 ERRORES DE REDONDEO Y NÚMEROS DE PUNTO FLOTANTE .................................................... 10
0.2.2 FUENTES DE ERROR POR REDONDEO........................................................................................... 13
0.2.3 CIFRAS DECIMALES Y CIFRAS SIGNIFICATIVAS. ............................................................................. 14
0.3 PRECISIÓN EN DERIVE 6. ........................................................................................................................ 17
C CA AP PÍ ÍT TU UL LO O 1 1 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 2 20 0
INTERPOLACIÓN POLINÓMICA .................................................................................................................. 20
1.1 INTERPOLACIÓN POLINÓMICA POR EL MÉTODO GENERAL O DE SERIE DE POTENCIAS ................. 20
1.1.1 POLINOMIO DE INTERPOLACIÓN POR EL MÉTODO GENERAL CON DERIVE 6. ............................... 21
1.2 INTERPOLACIÓN LINEAL......................................................................................................................... 22
1.2.1 INTERPOLACIÓN LINEAL CON DERIVE 6. ....................................................................................... 23
1.3 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE. ................................................................................ 25
1.3.1 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE CON DERIVE 6. ................................................ 27
1.4 DIFERENCIAS DIVIDIDAS. ........................................................................................................................ 28
1.5 POLINOMIO DE INTERPOLACIÓN DE NEWTON. .................................................................................... 32
1.5.1 POLINOMIO DE INTERPOLACIÓN DE NEWTON CON DERIVE 6. .................................................... 38
1.6 ERROR EN POLINOMIOS DE INTERPOLACIÓN. ..................................................................................... 39
1.7 ERROR EN LOS POLINOMIOS DE INTERPOLACIÓN DE NEWTON. ....................................................... 45
1.8 INTERPOLACIÓN CON RAÍCES O PUNTOS DE CHEBYSHEV. MINIMIZACIÓN DEL ERROR DE
INTERPOLACIÓN. .......................................................................................................................................... 46
1.8.1 RAÍCES DE CHEBYSHEV CON DERIVE 6.......................................................................................... 48
C CA AP PÍ ÍT TU UL LO O 2 2 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 4 49 9
SOLUCIÓN DE ECUACIONES NO LINEALES ............................................................................................. 49
2.1 AISLAMIENTO DE RAICES. ...................................................................................................................... 49
2.2 APROXIMACIÓN GRÁFICA A LA SOLUCIÓN DE UNA ECUACIÓN. ......................................................... 50
2.3 MÉTODOS CERRADOS. ........................................................................................................................... 51
2.3.1 MÉTODO DE BISECCIÓN. ................................................................................................................ 51
2.3.1.1 MÉTODO DE BISECCIÓN UTILIZANDO DERIVE 6 .................................................................... 55
2.3.2 MÉTODO DE FALSA POSICIÓN, DE LAS CUERDAS O REGULA FALSI. .......................................... 56
2.4 MÉTODOS ABIERTOS. ............................................................................................................................. 59
2.4.1 MÉTODO DE NEWTON - RAPHSON O DE LAS TANGENTES. .......................................................... 60
2.4.1.1 MÉTODO DE NEWTON-RAPHSON CON DERIVE 6. .................................................................. 63
2.4.2 MÉTODO DE LAS SECANTES. .......................................................................................................... 64
2.4.2.1 MÉTODO DE LAS SECANTES CON DERIVE 6. ......................................................................... 66
2.4.3 MÉTODO DE ITERACIÓN DE PUNTO FIJO O DE SUSTITUCIONES SUCESIVAS. ............................ 66
2.4.3.1 MÉTODO DE ITERACIÓN DE PUNTO FIJO CON DERIVE 6. ..................................................... 71
C CA AP PÍ ÍT TU UL LO O 3 3 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 7 72 2
DIFERENCIACIÓN NUMÉRICA .................................................................................................................... 72
3.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS. ............................................................................ 72
3.1.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS PROGRESIVAS Y REGRESIVAS. .................. 72
3.1.2 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS CENTRALES. ................................................ 78
3.1.3 DERIVADAS DE ORDEN SUPERIOR. ................................................................................................ 79
4 Contenido

3.2 ERROR EN DIFERENCIACIÓN NUMÉRICA. ............................................................................................. 81
3.3 DERIVADAS NUMÉRICAS CON DERIVE 6. ............................................................................................... 83
C CA AP PÍ ÍT TU UL LO O 4 4 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 8 85 5
INTEGRACIÓN NUMÉRICA .......................................................................................................................... 85
4.1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO ..................................................................... 85
4.1.1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO CON DERIVE 6. .................................... 89
4.2 MÉTODO DE LOS TRAPECIOS. ............................................................................................................... 89
4.2.1 MÉTODO DE LOS TRAPECIOS CON DERIVE 6. ............................................................................... 92
4.3 REGLAS DE SIMPSON. ............................................................................................................................ 92
4.3.1 REGLA DE 1/3 DE SIMPSON. ........................................................................................................... 92
4.3.2 REGLA DE 3/8 DE SIMPSON. ........................................................................................................... 96
4.3.3 REGLAS DE SIMPSON UTILIZANDO DERIVE 6. ............................................................................... 97
4.4 FÓRMULAS DE NEWTON – COTES. ........................................................................................................ 98
4.5 ERROR EN MÉTODOS DE INTEGRACIÓN. .............................................................................................. 98
4.6 INTEGRACIÓN DE ROMBERG. .............................................................................................................. 102
C CA AP PÍ ÍT TU UL LO O 5 5 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 11 10 0
ECUACIONES DIFERENCIALES ORDINARIAS ........................................................................................ 110
5.1 SOLUCIÓN GENERAL Y PARTICULAR DE UNA ECUACIÓN DIFERENCIAL .......................................... 110
5.2 MÉTODOS DE EULER ............................................................................................................................ 111
5.2.1 MÉTODOS DE EULER HACIA ADELANTE Y HACIA ATRÁS ............................................................ 111
5.2.2 MÉTODO DE EULER MODIFICADO ............................................................................................... 116
5.2.3 ERROR EN LOS MÉTODOS DE EULER .......................................................................................... 118
5.3 MÉTODOS DE TAYLOR .......................................................................................................................... 122
5.3.1 ERROR EN LOS MÉTODOS DE TAYLOR ........................................................................................ 125
5.4 MÉTODOS DE RUNGE–KUTTA .............................................................................................................. 127
5.4.1 MÉTODO DE RUNGE–KUTTA DE TERCER ORDEN ...................................................................... 127
5.4.2 MÉTODO DE RUNGE–KUTTA DE CUARTO ORDEN ....................................................................... 129
5.4.3 ERROR EN LOS MÉTODOS DE RUNGE–KUTTA ............................................................................ 131
5.5 MÉTODOS DE SOLUCIÓN DE EDOs DE PRIMER ORDEN CON DERIVE 6 ........................................... 131
5.6 APLICACIONES ...................................................................................................................................... 133
5.7 SOLUCIÓN DE SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS ....................................... 137
C CA AP PÍ ÍT TU UL LO O 6 6 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 14 42 2
ALGEBRA LINEAL NUMÉRICA .................................................................................................................. 142
6.1 MÉTODO DE ELIMINACIÓN DE GAUSS CON PIVOTEO PARCIAL ........................................................ 142
6.2 MÉTODOS ITERATIVOS PARA SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES ...................... 145
6.2.1 MÉTODO DE JACOBI ..................................................................................................................... 145
6.2.2 MÉTODO DE GAUSS–SEIDEL ........................................................................................................ 147
6.3 MÉTODOS DE JACOBI Y GAUSS–SEIDEL CON DERIVE 6 .................................................................... 153
6.4 APLICACIONES ...................................................................................................................................... 153
A AP PÉ ÉN ND DI IC CE E A A . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 15 59 9
BREVE INTRODUCCIÓN A DERIVE 6 ........................................................................................................ 159
A.1 INSTALACIÓN, INICIO Y BREVE DESCRIPCIÓN DE DERIVE. ............................................................ 159
A.2 SIMPLIFICACIÓN Y APROXIMACIÓN ................................................................................................. 160
A.3 SUSTITUCIÓN .................................................................................................................................... 161
A.4 VECTORES Y MATRICES ................................................................................................................... 162
A.5 PROGRAMACIÓN CON DERIVE 6. .................................................................................................... 164
A.5.1 PROGRAMACIÓN FUNCIONAL ...................................................................................................... 164
A.5.1.1 PROCESOS ITERATIVOS Y LAS FUNCIONES ITERATES E ITERATE ....................................... 164
A.5.1.2 FUNCIÓN CONDICIONAL IF ................................................................................................... 165
A.5.1.3 FUNCIÓN VECTOR .................................................................................................................. 166
A.5.1.4 SUMATORIA Y PRODUCTO ITERADO – FUNCIONES SUM Y PRODUCT ............................... 166
5 Contenido

A.5.2 PROGRAMACIÓN PROCEDURAL .................................................................................................. 168
A.5.2.1 FUNCIÓN PROG...................................................................................................................... 168
A.5.2.2 FUNCIÓN LOOP ...................................................................................................................... 168
A.6 GENERACIÓN DE UNA UTILIDAD ..................................................................................................... 169
A AP PÉ ÉN ND DI IC CE E B B. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 17 73 3
SERIES DE TAYLOR ................................................................................................................................... 173
B.1 SERIES DE TAYLOR Y MACLAURIN. ...................................................................................................... 173
B.2 SERIES DE TAYLOR Y MACLAURIN CON RESTO EN FORMA DE LAGRANGE. .................................... 174
B.3 FORMA ALTERNATIVA PARA LA SERIE DE TAYLOR Y EL RESTO. ........................................................ 175
B.4 SERIES DE TAYLOR Y MACLAURIN CON DERIVE 6. ............................................................................. 175
BIBLIOGRAFÍA Y REFERENCIAS .............................................................................................................. 180
BIBLIOGRAFÍA. ............................................................................................................................................ 180
NOTAS Y REFERENCIAS. ............................................................................................................................. 180
Í ÍN ND DI IC CE E A AL LF FA AB BÉ ÉT TI IC CO O . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 18 81 1


6 Procesos iterativos y errores en Métodos Numéricos

C CA AP PÍ ÍT TU UL LO O

0
0
P PR RO OC CE ES SO OS S I IT TE ER RA AT TI IV VO OS S Y Y E ER RR RO OR RE ES S E EN N M MÉ ÉT TO OD DO OS S N NU UM MÉ ÉR RI IC CO OS S

Los métodos numéricos al consistir de aproximaciones bastante confiables, pero aproximaciones al fin,
incurren en errores propios de lo no exacto. El presente capítulo tiene como objetivo analizar estos errores pues,
en base a ellos, se podrá escoger un método y no otro, así como cuantificar la precisión de los resultados que
se obtengan en cada uno de los métodos numéricos que se estudien a lo largo del texto.
0.1 PROCESOS ITERATIVOS.
Un proceso iterativo es el uso de una fórmula para generar de forma secuencial valores a partir de uno o más
valores iniciales, así entonces…
+
= =
i 1 i
x f(x ) i 0,1,2,3...
El siguiente ejemplo aclarará este concepto...
E Ej je em mp pl lo o 0 0. .1 1
Determinar los primeros cuatro valores numéricos que se obtengan mediante un proceso iterativo para
= ÷
sen(x)
f(x) e 2 , a partir de x
0
= 3 como valor de inicio.
El proceso iterativo va a generarse mediante:
+
= ÷
i
sen( x )
i 1
x e 2 con i = 0,1,2,…, es decir
= ÷
0
sen( x )
1
x e 2 = ÷
1
sen( x )
2
x e 2 = ÷
2
sen( x )
3
x e 2 …
serán los sucesivos valores a obtenerse.
Los cálculos indicados se resumen en la siguiente tabla…


Los valores pedidos son: ÷0.848436, ÷1.52775, ÷1.63177 y ÷1.63143.
Cada nuevo valor obtenido se denomina iteración, y la función f(x) que se utilizó en los cálculos se conoce co-
mo fórmula de iteración o iterativa.
E Ej je em mp pl lo o 0 0. .2 2
Genere un proceso iterativo para la fórmula + cos(x) 1, empezando con x
0
= 0, hasta obtener un resultado
con 3 cifras decimales de precisión.
El proceso iterativo se va a generar mediante: = +
+
x cos(x ) 1
i 1 i
, y en base a él se obtiene la siguiente ta-
bla…
i x
i
f(x
i
)
0 x
0
= 3 (valor inicial)
÷ = ÷0
sen
.84 6
(3)
2 843 e

1 x
1
= ÷ 0.848436
÷ ÷
÷
=
sen( 0.848436
1.5
)
e 2 2775
Primera iteración
2 x
2
= ÷1.52775
÷ ÷
÷
=
sen( 1.52775
1.6
)
e 2 3177
Segunda iteración
3 x
3
= ÷1.63177
÷ ÷
÷
=
sen( 1.63177
1.6
)
e 2 3143
Tercera iteración
4 x
4
= ÷1.63143 Cuarta iteración
(0.1)
7 Procesos iterativos y errores en Métodos Numéricos

i x
i
f(x
i
)
0 0 + = cos(0) 1 1.41421
1 1.41421 + = cos(1.41421) 1 1.07515
2 1.07515 + = cos(1.07515) 1 1.21474
3 1.21474 + = cos(1.21474) 1 1.16128
4 1.16128 + = cos(1.16128) 1 1.18244
5 1.18244 + = cos(1.18244) 1 1.17417
6 1.17417 + = cos(1.17417) 1 1.17742
7 1.17742 + = cos(1.17742) 1 1.17614
8 1.17614 + = cos(1.17614) 1 1.17664
9 1.17664
La respuesta con tres cifras decimales de precisión es 1.176.
Los procesos iterativos tienen dos características importantes que vale la pena resaltar, estas son: (a) Conver-
gencia, y (b) Velocidad de convergencia.
Se dice que un proceso iterativo es convergente cuando la secuencia de iteraciones tiende a un valor definido al
incrementarse hacia el infinito el número de las mismas; por otro lado la velocidad de convergencia se mide por
el número de iteraciones con el cual se logra un valor con cierto nivel de precisión(número de cifras decimales
repetidas), así entonces a mayor número de iteraciones menor velocidad de convergencia y viceversa.
E Ej je em mp pl lo o 0 0. .3 3
Determine si el proceso iterativo para =
+
2
1
f(x)
(x 1)
, iniciando con x
0
= 1, converge o no.
El proceso iterativo es
+
=
+
i 1 2
i
1
x
(1 x )
. Las 20 primeras iteraciones para este proceso son…
i 0 1 2 3 4 5 6 7
x
i
1 0.25 0.64 0.37180 0.531394 0.426409 0.491487 0.449532

i 8 9 10 11 12 13 14
x
i
0.475931 0.459058 0.469737 0.462936 0.467250 0.464506 0.466249

i 15 16 17 18 19 20
x
i
0.465141 0.465845 0.465398 0.465682 0.465501 0.465616
La tendencia del proceso muestra que las iteraciones tienden a un valor determinado, el cual a tres cifras deci-
males repetidas es 0.465, por lo que el proceso es convergente.
E Ej je em mp pl lo o 0 0. .4 4
Determine si el proceso iterativo para = ÷
2
f(x) (x 1) , iniciando con x
0
= 2, converge o no.
8 Procesos iterativos y errores en Métodos Numéricos

El proceso iterativo
+
= ÷
2
i 1 i
x (x 1) , genera la siguiente tabla con las 8 primeras iteraciones…
i 0 1 2 3 4 5 6 7
x
i
2 1 0 1 0 1 0 1
las iteraciones alternan su valor entre 0 y 1, no pudiendo establecerse un valor determinado; ésta se denomina
una divergencia alternante.
El análisis de la velocidad de convergencia es necesario también realizarlo en base a los resultados numéricos
obtenidos, como en el siguiente ejemplo…
E Ej je em mp pl lo o 0 0. .5 5
De los procesos iterativos para =
+
2
1
f(x)
x 1
y =
+
y
1
f(y)
e 1
determinar cuál es el más rápidamente conver-
gente, si ambos inician con x
0
= 1.
Las procesos iterativas son:
+
=
+
i 1 2
1
1
x
x 1
y
+
=
+
i
i 1 y
1
y
e 1
, con ellos se obtiene para las 10 primeras iteracio-
nes…
i 0 1 2 3 4 5 6
x
i
1 0.5 0.8 0.609756 0.728968 0.652100 0.701061

i 7 8 9 10
x
i
0.670472 0.689878 0.677538 0.685374

i 0 1 2 3 4 5 6
y
i
1 0.268941 0.433167 0.393370 0.402906 0.400614 0.401165

i 7 8 9 10
y
i
0.401033 0.401064 0.401057 0.401058
el segundo proceso iterativo tiene mayor velocidad de convergencia, porque al mismo número de iteraciones
que el primero logra un resultado con mayor número de cifras decimales repetidas(exactas).
0.2 ERRORES EN MÉTODOS NUMÉRICOS.
Los métodos numéricos tienen como base principal de su manejo el análisis de los errores, pues al usar méto-
dos numéricos su inexactitud lleva a la pregunta ¿con cuanta exactitud se ha obtenido la respuesta? Planteada
la interrogante, aquí se inicia el estudio del error en al análisis numérico…
El error absoluto entre dos valores, de manera general, se puede cuantificar por la relación:
= ÷ e x X
donde e representa el error absoluto, x el valor exacto y X el valor aproximado. Esta formulación es algo incom-
pleta, pues no considera el orden de magnitud de la variable cuyo error se evalúa. A continuación un ejemplo
demuestra la importancia de relacionar el error absoluto con la magnitud exacta de la variable medida…
(0.2)
9 Procesos iterativos y errores en Métodos Numéricos

E Ej je em mp pl lo o 0 0. .6 6
En la medición de la longitud de un perno y un eje, se han obtenido los valores aproximados de 18 cm. y 278
cm. pero según los planos de construcción sus medidas exactas deberían ser 20 cm. y 280 cm. ¿Cuál es el
error más significativo, del perno o del eje?
Los errores absolutos cometidos en su fabricación son...
= ÷ =
eje
e 280 278 2 cm = ÷ =
perno
e 20 18 2 cm
Así, según los valores obtenidos para el error absoluto, ambos casos producen errores de igual magnitud. Sin
embargo, intuitivamente se infiere que ello no es cierto, pues al dividir las dos expresiones para su valor exacto,
con el objeto de relacionarlas con la magnitud de lo medido, y multiplicarlas por 100(para obtener un valor por-
centual de error), se tiene...
÷
= =
eje
280 278
E 100
280
0.714%
÷
= =
perno
20 18
E 100
20
10%
resultados que muestran que el error cometido en la construcción del eje es menos significativo.
El error relativo porcentual E, se puede escribir como...
÷
=
x X
E 100
x

este error pone en evidencia su verdadera magnitud en relación a lo medido.
Como principio fundamental, en el resultado de cualquier método numérico se debe tomar en cuenta que
< < e tol o E tol , donde tol representa un valor positivo muy pequeño considerado como valor de toleran-
cia. Si bien se ha utilizado en las fórmulas (0.2) y (0.3) los términos valor exacto y aproximado, muchos méto-
dos numéricos utilizan procesos iterativos en los cuales x se substituye por x
i+1
que representa la iteración ac-
tual y X se substituye por x
i
que representa la iteración anterior. En estos procesos entonces las expresiones
(0.2) y (0.3) se transforman en...
+
+
+
÷
= ÷ =
i 1 i
a i 1 i a
i 1
x x
e x x E 100%
x

donde el subíndice a en las fórmulas aclara que se trata de un valor de error aproximado. Un método numérico
se detiene cuando el error absoluto o relativo porcentual (o aproximados para procesos iterativos) no superan el
valor tol, de tolerancia fijado previamente, es decir...
÷
= ÷ s = s
x X
e x X tol E 100 tol
x


+
+
+
÷
= ÷ s = s
i 1 i
a i 1 i a
i 1
x x
e x x tol E 100 tol para procesos iterat
x
ivos
Los errores más significativos, presentes en el análisis numérico pueden clasificarse bajo uno de estos tipos:
 Errores de redondeo.
 Errores de truncamiento.
 Errores de toma de datos.
Los errores de toma de datos dependen del manejo de la obtención de datos requeridos para un procedimiento
(0.3)
(0.4)
(0.5)
(0.6)
10 Procesos iterativos y errores en Métodos Numéricos

numérico determinado y en todo caso son en la mayoría de las veces inevitables y muy difíciles de cuantificar.
En la siguiente sección se analizará los errores de redondeo, posponiéndose el análisis de los errores de trun-
camiento para los métodos numéricos donde éste sea aplicable.
0.2.1 ERRORES DE REDONDEO Y NÚMEROS DE PUNTO FLOTANTE
Los errores de redondeo son los producidos por la limitada capacidad del computador para representar las ci-
fras tanto enteras como decimales de un número real. Al no poder trabajar con la infinita cantidad de cifras ente-
ras así como con la también infinita cantidad de decimales que tiene un número real, entonces es necesario re-
emplazar el conjunto infinito de los números reales con un conjunto finito de números enteros y decimales, pro-
duciéndose entonces los errores por redondeo.
A diferencia de nosotros, los seres humanos, las computadoras utilizan para la representación numérica el sis-
tema de numeración de base dos o binario, en el cual un número está representado por los dígitos 0 y 1. Éstos,
al igual que en el sistema decimal, tienen un valor posicional que permite expresar una cantidad cualquiera, así
por ejemplo el número 1011 será distinto del número 1101, pues los dígitos a pesar de ser los mismos ( tres
unos y un cero) se encuentran en diferente posición. Un número binario en notación base 10 o decimal se pue-
de expresar como:
÷
× + × + + × + ×
n n 1 1 0
r 2 r 2 ... r 2 r 2
donde r es 0 ó 1.
Así el numero 1011, en base binaria, equivale a...
× + × + × + × =
3 2 1 0
1 2 0 2 1 2 1 2 11 , en base decimal
y el número 1101, en base binaria, equivale a...
× + × + × + × =
3 2 1 0
1 2 1 2 0 2 1 2 13 , en base decimal
Ahora bien, un número real se puede expresar en la computadora en la forma denominada número de punto flo-
tante, la cual se puede expresar genéricamente como...
×
exp
m b
donde m representa la mantisa o parte fraccionaria, b la base en la cual se representa el número y exp el expo-
nente. De esta forma, el número 236.789 se puede representar como 0.236789×10
3
en punto flotante. Una for-
ma matemática más explícita de la expresión (0.8) se puede escribir como...
× × (
¸ ¸

m
exp
1 2 k b
s (.d d ...d ) b
donde s representa el signo (0 para +y 1 para ÷); d
i
, i = 1,2,...,k son los k dígitos en base b(por ejemplo 0 y 1
para base 2) y exp el exponente. La expresión
1 2 k b
(.d d ...d ) corresponde a...
= + + +
1 2 k
1 2 k b 1 2 k
d d d
(.d d ...d ) ...
b b b

y da la magnitud de la mantisa. Si ésta se representa siempre con d
1
= 0, se dice entonces que se halla en for-
ma normalizada. Así por ejemplo el número =
1
0.047619...
21
representado en punto flotante a 4 cifras deci-
males es 0.0476×10
0
y representado en punto flotante normalizado a 4 cifras decimales es 0.4761×10
÷1
,
ganándose de esta forma una cifra decimal más. El número k de dígitos de base b que se emplean en la repre-
sentación de un número en punto flotante es llamada precisión; la precisión simple utiliza k = 6 ó 7 dígitos, la
(0.7)
(0.8)
(0.9)
(0.10)
11 Procesos iterativos y errores en Métodos Numéricos

precisión doble k = 13 ó 14 dígitos y la precisión extendida k = 19 ó 20 dígitos, todas en base 10. Lamenta-
blemente resulta imposible que la mantisa contenga todos los dígitos necesarios para representar con exactitud
un número de punto flotante, siendo necesario utilizar una precisión determinada, de acuerdo a la exactitud de-
seada para el resultado de un problema en particular. El siguiente ejemplo muestra la representación finita en
números de punto flotante en base 2(como trabaja la computadora) para una computadora ideal simple y su
equivalencia de representación en base 10(como entiende el ser humano)…
E Ej je em mp pl lo o 0 0. .7 7
Determinar el conjunto de números de punto flotante que podría representar una computadora hipotética que
almacena en memoria la información usando un conjunto de 7 bits(llamado usualmente longitud total). Emplear
el primer bit para el signo de la mantisa, los siguientes tres bits para el signo y la magnitud del exponente y los
tres restantes para la magnitud de la mantisa.
Cualquier computadora representa la información mediante el uso de bits(0 ó 1), por lo que de acuerdo a lo in-
dicado la estructura de un número en punto flotante en la computadora hipotética de 7 bits sería como lo mues-
tra la gráfica…





Fig. 0.1 Representación de un número de punto flotante en una computadora hipotética
matemáticamente se pueden escribir como…
± ×
exp
1 2 3 2
(.d d d ) 2
si en esta computadora hipotética(lo que ocurre generalmente en las computadoras reales) se escribe siempre
en forma normalizada d
1
= 0, por lo que d
2
, y d
3
= 0 ó 1 y exp = –(11)
2
= –(3)
10
, –(10)
2
= –(2)
10
, –(01)
2
= –
(1)
10
, (00)
2
= (0)
10
, +(01)
2
= +(1)
10
, +(10)
2
= +(2)
10
, +(11)
2
= +(3)
10
.
Las magnitudes de mantisa posibles entonces son:
÷ ÷ ÷
= + + = × + × + × = =
1
2 0
2
2 3 1
3
1 0 0 1
(.100) 1 2 0 2 0 2 (0.5)
2 2 2 2

÷ ÷ ÷
= + + = × + × + × = =
1 2
2
3
3 10 2
1 0 1 5
(.101) 1 2 0 2 1 2 (0.625)
2 8 2 2

÷ ÷ ÷
= + + = × + × + × = =
1 2 3
2 3 2 10
1 1 0 3
(.110) 1 2 1 2 0 2 (0.75)
2 4 2 2

÷ ÷ ÷
= + + = × + × + × = =
1 2
2
3
3 10 2
1 1 1 7
(.111) 1 2 1 2 1 2 (0.875)
2 8 2 2

Combinando las magnitudes de las mantisas con respectiva base y exponentes se tiene un conjunto de núme-
ros de punto flotante mostrados en la siguiente tabla…


2
1
2
0
2
–1
2
–2
2
–3

0
1 1 1 1 1 1
signo de la
mantisa
signo del
exponente
magnitud del
exponente
magnitud de la
mantisa
12 Procesos iterativos y errores en Métodos Numéricos


2 10
(.100) (0.5) =
2 10
(.101) (0.625) =
2 10
(.110) (0.75) =
2 10
(.111) (0.875) =
e = –(11)
2
=
–(3)
10

3
2
0.0625
(.100) 2
÷
× =

3
2
(.10
0.
1) 2
078125
÷
× =

2
3
(.110) 2
0.09375
÷
× =

3
2
(.11
0.
1) 2
109375
÷
× =

e = –(10)
2
=
–(2)
10

2
2
(.100) 2
0.125
÷
× =

2
2
(.101) 2
0.15625
÷
× =

2
2
0.1875
(.110) 2
÷
× =

2
2
(.111) 2
0.21875
÷
× =

e = –(01)
2
=
–(1)
10

2
1
(.100) 2
0.25
÷
× =

1
2
0.3125
(.101) 2
÷
× =

2
1
(.110) 2
0.375
÷
× =

1
2
0.4375
(.111) 2
÷
× =

e = (000)
2
=
(0)
10

2
0
(.100) 2
0.5
÷
× =

2
0
(.101) 2
0.625
÷
× =

2
0
(.110) 2
0.75
÷
× =

2
0
(.111) 2
0.875
÷
× =

e = +(01)
2
=
+(1)
10

2
1
(
1
.100) 2 × =

2
1
(.101) 2
1.25
× =

2
1
1.
(. 10) 2
5
1 × =

2
1
(.111) 2
1.75
× =

e = +(10)
2
=
+(2)
10

2
2
(
2
.100) 2 × =

2
2
2.
(. 01) 2
5
1 × =

2
2
(
3
.110) 2 × =

2
2
3.
(. 11) 2
5
1 × =

e = +(11)
2
=
+(3)
10

2
3
(
4
.100) 2 × =

2
3
(
5
.101) 2 × =

2
3
(
6
.110) 2 × =

2
3
(
7
.111) 2 × =

entonces el conjunto de valores, en base 10, representados por la computadora hipotética del ejercicio es…
0, ±0.0625, ±0.078125, ±0.09375, ±0.109375, ±0.125, ± 0.15625, ±0.1875, ±0.21875, ±0.25, ±0.3125,
±0.375, ±0.4375, ±0.5, ± 0.625, ±0.75, ±0.875, ±1, ±1.25, ±1.5, ±1.75, ±2, ±2.5, ±3, ±3.5, ±4, ±5, ±6, ±7
un total de 57 números que en la computadora hipotética de 7 bits representan a todos los números reales.
Un gráfico en la recta real grafica los puntos(en rojo) o números manejados por la computadora hipotética de
longitud total 7 bits…

Fig. 0.2 Distribución de números de punto flotante en una computadora
Algunas características de este conjunto finito de números de punto flotante son…
 Existe una mayor densidad de puntos en la cercanía a 0, mientras que hacia el infinito(positivo o negativo)
ésta disminuye.
 Entre el 0 y el número más pequeño(sea positivo o negativo), existe una zona sin puntos denominada zo-
na de agujero(ó zona de underflow) como lo muestra la siguiente figura…


Fig. 0.3 Zona de agujero o de underflow
 Entre el número más grande(sea positivo o negativo) y el infinito(positivo o negativo) existe una zona sin
puntos denominada zona de desbordamiento (ó zona de overflow) como lo muestra la siguiente figura…

Fig. 0.4 Zona de desbordamiento o de overflow
0
0.0625 – 0.0625
Zona de agujero Zona de agujero
0 7 – 7 · – ·
Zona de desbordamiento
Zona de desbordamiento
13 Procesos iterativos y errores en Métodos Numéricos

Si se quisiese almacenar el número 0.26 en esta computadora hipotética, éste se representaría como 0.25(el
más cercano que posee el conjunto de números de punto flotante de la computadora hipotética) incurriendo en
un error absoluto de 0.01, ¡aquí aparece el error por redondeo!. Por otro lado cualquier número que se quiera
representar y que caiga en la zona de agujero será representado por la computadora hipotética con el 0, y cual-
quier número que rebase el valor máximo(7 ó –7) provocará en la computadora hipotética un mensaje de error
de overflow. Más aún es posible que la suma, resta, multiplicación o división de números reales produzca un
error de redondeo ¿podría explicarse el porqué?¿píenselo?
Lo analizado anteriormente para una computadora hipotética ocurre con cualquier computadora real de forma tal
que al efectuar operaciones entre números de punto flotante con una precisión dada se produce un error de re-
dondeo, que como se verá más adelante en algunos casos se hace muy significativo. Existe un intervalo de dis-
continuidad entre dos números o y | que son consecutivos en el conjunto de números representables por la
computadora. Para una determinada precisión, el número positivo más pequeño posible, c, tal que sumado a 1
produce el siguiente número consecutivo(diferente de 1 para dicha precisión) se denomina el épsilon de la com-
putadora y está dado por
i
2 , i 1,2,3,...
÷
c = = . entonces el intervalo entre un número real cualquiera y el si-
guiente es | = co .
0.2.2 FUENTES DE ERROR POR REDONDEO.
Para visualizar sin confusión las fuentes de error en el redondeo de números de punto flotante se usará siempre
la base 10. Los errores por redondeo se presentan en cualquier operación aritmética con números de punto flo-
tante, pero se hacen especialmente notables en los siguientes casos:
 Adición de un número pequeño a otro grande o resta de un número pequeño de otro grande.
 Resta de números muy cercanos.
Supóngase que se desea sumar los números 45.238 y 0.00000234 y obtener el resultado a cinco dígitos signi-
ficativos de precisión, entonces se procede de la siguiente forma…
2
2
2
10 0.45238
10 0.00000
10 45238 . 0
×
× +
×

entonces para una suma, a cinco dígitos de precisión el sumar 45.2389 a 0.00000234, resulta como sumar
45.2389 a 0, es decir se pierden cifras decimales del segundo sumando, para evitar ello es necesario realizar la
operación al doble de precisión, es decir, diez dígitos significativos para obtener el valor correcto, así pues…
2
2
2
10 34 0.45238002
10 34 0.00000002
10 4523800000 . 0
×
× +
×

El mismo error surge si se resta un número pequeño de otro grande.
Si un método numérico posee varias operaciones de esta clase, es obvio que el error de redondeo se acumulará
pudiendo convertirse en un error significativo en el resultado final.
Ahora, se desea restar 3.456789 de 3.456723 y obtener el resultado con cinco cifras significativas de preci-
sión, entonces se procederá así...
-1
-1
1
10 0.00000
10 0.34567
10 34567 . 0
×
× ÷
×
÷

14 Procesos iterativos y errores en Métodos Numéricos

es decir, para la computadora el resultado es 0, lo cual obviamente no es así; para evitar las perdida de las ci-
fras decimales que dan el valor verdadero, es necesario aumentar la precisión a siete dígitos, obteniéndose en
dicho caso...
-1
-1
1
10 0.0000066
10 0.3456723
10 3456789 . 0
×
× ÷
×
÷

que da el resultado correcto. Igualmente que en el caso anterior, la acumulación de errores de redondeo de este
tipo, puede arrojar una solución poco confiable. Un procedimiento numérico que se enmarca dentro de este
último tipo de error es la resolución aproximada por fórmula de una ecuación de segundo grado, como lo mues-
tra el siguiente ejemplo…
E Ej je em mp pl lo o 0 0. .8 8
Resolver la ecuación ÷ + =
2
x 1357x 1 0 , con tres dígitos significativos de precisión.
Se procede de la siguiente forma:
÷ ÷ + ÷ ÷ +
= = =
2
1
( 1357) ( 1357) 4(1)(1) 1357 1356.999
x 1356.999
2 2

÷ ÷ ÷ ÷ ÷ ÷
= = =
2
2
( 1357) ( 1357) 4(1)(1) 1357 1356.999
x 0.000
2 2

el primer resultado es relativamente más correcto, no así el segundo, pues la cercanía de los valores en la resta,
produce un error de redondeo que genera un valor erróneo. Este error se puede evitar de dos formas, en este
caso, aumentando la precisión o racionalizando la expresión para x
2
y con ello eliminar la fuente de error(la resta
de números cercanos). Para este proceso numérico por ejemplo se podría cuantificar el error cometido, toman-
do como valor exacto los resultados obtenidos con seis cifras decimales de precisión, es decir...
÷ ÷ + ÷ ÷ +
= = =
2
1
( 1357) ( 1357) 4(1)(1) 1357 1356.998526
x 1356.999263
2 2

÷ ÷ ÷ ÷ ÷ ÷
= = =
2
2
( 1357) ( 1357) 4(1)(1) 1357 1356.998526
x 0.000737
2 2

por lo tanto, los errores relativos porcentuales para cada resultado son...
÷
= =
1
1356.999263 1356.999
E 100 0.00001%
1356.999263

÷
= =
2
0.000737 0.000
E 100 100%
0.000737

lo que muestra la magnitud del error en el segundo resultado.
0.2.3 CIFRAS DECIMALES Y CIFRAS SIGNIFICATIVAS.
Como se ha visto un número obtenido de una computadora, en la mayoría de los casos, no puede ser expresa-
do con todas las cifras decimales para poder afirmar que sea exacto, entonces es necesario trabajar el número
con cierta cantidad de cifras decimales, de acuerdo a la precisión establecida. Los números así expresados se
15 Procesos iterativos y errores en Métodos Numéricos

denominan números o valores aproximados(correspondiente a X como se definió en (0.1)), y son de esta mane-
ra como se obtienen los resultados en los métodos numéricos.
Cifras decimales son todos los dígitos que se hallan a continuación del punto decimal en un número de punto
flotante, así por ejemplo los números 0.03456 y 0.245073 tienen 5 y 6 cifras decimales de precisión respecti-
vamente. Si se desea aproximar a 4 y 5 cifras decimales de precisión respectivamente los anteriores números
se puede proceder de dos maneras distintas:
(a) Cortar los números a 4 y 5 cifras decimales, ó
(b) Redondear los números a 4 y 5 cifras decimales.
Para el primer caso los números se convierten en 0.0345 y 0.24507 y para el segundo caso se transforman en
0.0346 y 0.24507. Para redondear las cifras decimales se tiene en cuenta la siguiente regla: si la última cifra
decimal es inferior a 5 se redondea hacia el valor inmediatamente inferior, y si la última cifra decimal es 5 o su-
perior a 5 se redondea hacia el valor inmediatamente superior. Dos números aproximados son iguales si al re-
dondearse al mismo número de cifras decimales de precisión son idénticos, así por ejemplo 4.30235 y 4.30167
son iguales si se redondean a 3 cifras decimales de precisión, pues dan como resultado 4.302 en ambos casos,
pero son diferentes si se redondean a 4 cifras decimales de precisión, pues el primero da 4.3024 y el segundo
4.3017.
Cifras significativas son los dígitos que se hallan a continuación del punto decimal de un número de punto flo-
tante en su forma normalizada, así por ejemplo todos los siguientes números tienen 4 cifras significativas,
0.01342 , 25.06, 4321, pues expresados en forma normalizada a 4 cifras decimales de precisión producen
0.1342×10
÷1
, 0.2506×10
2
, 0.4321×10
4
respectivamente. La misma regla de redondeo que se utilizo para cifras
decimales se puede aplicar a las cifras significativas y el mismo criterio de igualdad que se empleo para cifras
decimales es aplicable a las cifras significativas. En el caso de números enteros que posean acumulación de ce-
ros a su derecha el número de cifras significativas puede diferir para un mismo número, así por ejemplo el
número 235000 puede tener 3, 4, 5 ó 6 cifras significativas dependiendo de las siguientes formas normalizadas
0.235×10
6
, 0.2350×10
6
, 0.23500×10
6
y 0.235000×10
6
. De forma práctica, se puede afirmar que las cifras sig-
nificativas representan el número de cifras confiables que se pueden utilizar en un número aproximado.
Como se vio en la sección 0.2, el principio aplicable a la cuantificación del error relativo porcentual (o porcen-
tual aproximado) era < E tol ó <
a
E tol y para el error absoluto(ó absoluto aproximado) < e tol ó <
a
e tol ,
pero no se dijo mucho acerca del valor que se fija para tol. Ahora se puede profundizar en dicho principio afir-
mando que si
÷
=
2 k
tol (0.5x10 )%, entonces el valor o número aproximado(iteración anterior para los métodos
iterativos) obtenido mediante el método numérico aplicado tiene al menos k cifras significativas correctas con
respecto al valor exacto(iteración actual para los métodos iterativos) y si
÷
=
k
tol (0.5x10 ) , entonces el valor o
número aproximado(iteración anterior para los métodos iterativos) tiene al menos k cifras decimales correctas
con respecto al valor exacto(iteración actual para los métodos iterativos). Entonces un criterio de cuantificación
del error en los métodos numéricos para detener su proceso de ejecución es...
÷ ÷
÷
= ÷ s × = s ×
k 2 k
x X
e x X 0.5 10 E 100 (0.5 10 )%
x

para un método numérico en general, y
÷ ÷ +
+
+
÷
= ÷ s × = s ×
k 2 k i 1 i
a i 1 i a
i 1
x x
e x x 0.5 10 E 100 (0.5 10 )%
x

para un método numérico iterativo.
(0.11)
(0.12)
16 Procesos iterativos y errores en Métodos Numéricos

E Ej je em mp pl lo o 0 0. .9 9
Para las siguientes parejas de números, determinar con cuantas cifras decimales exactas y con cuantas cifras
significativas exactas X aproxima a x. Determinar además el error absoluto y relativo cometido en cada caso.
i.) = = x 2.35678 X 2.3459
ii.) = =
5
x X 0.45455
11

iii.) = = x 0.0025365 X 0.0024674
Para este caso x y X coinciden en 1 cifra decimal exacta(3) y en 2 cifras significativas exactas(2 y 3) y...
÷
= ÷ = s × =
1
e 2.35678 2.3459 0.01088 0.5 10 0.05
÷
÷
= = s × =
2 2
2.35678 2.3459
E 100 0.46% (0.5 10 )% 0.5%
2.35678

confirman el principio expresado mediante la relación (0.11).
En este caso x y X coinciden en 4 cifras decimales exactas (4,5,4 y 5) y en 4 cifras significativas exactas(4,5,4
y 5) además...
÷
= ÷ = s × =
4
e 0.454545... 0.45455 0.000000454 0.5 10 0.00005
÷
÷
= = s × =
2 4
0.454545... 0.45455
E 100 0.001% (0.5 10 )% 0.05%
0.454545...

nuevamente se confirma la relación (0.11).
Aquí x y X coinciden en 3 cifras decimales exactas (0,0 y 2) y en 1 cifra significativa exactas(2) siendo...
÷
= ÷ = s × =
3
e 0.0025365 0.0024674 0.0000691 0.5 10 0.0005
÷
÷
= = s × =
2 1
0.0025365 0.0024674
E 100 2.72% (0.5 10 )% 5%
0.0025365

y también se vuelve a verificar la relación (0.11).
E Ej je em mp pl lo o 0 0. .1 10 0
¿En que rango debe hallarse el valor aproximado X, para que se aproxime a x = 0.022156, con 3 cifras signifi-
cativas?
Por la expresión (0.11)...
÷
÷
= s × =
2 3
0.022156 X
E 100 (0.5 10 )% 0.05%
0.022156

es decir...
000011078 . 0
100
) 022156 . 0 )( 05 . 0 (
X 022156 . 0 = s ÷

de donde resolviendo la desigualdad, se tiene...
17 Procesos iterativos y errores en Métodos Numéricos

022167078 . 0 X 022144922 . 0
000011078 . 0 022156 . 0 X 000011078 . 0 022156 . 0
s s
+ s s ÷

cualquier número dentro de este rango tendrá por lo menos 3 cifras significativas con respecto a x = 0.022156.
E Ej je em mp pl lo o 0 0. .1 11 1
Como resultados de un método numérico iterativo se obtienen los siguientes valores(redondeados a su última
cifra decimal)...
i 0 1 2 3 4 5 6
x
i
3 2.5 2.4938315715 2.4759527368 2.4753677501 2.4753532325 2.4753532211
Determinar el número de cifras significativas que se obtienen para x
4
– x
5
y x
5
– x
6
.
Para x
4
y x
5
, se tiene x
i+1
= x
5
= 2.4753532325 y x
i
= x
4
= 2.4753677501, entonces por la expresión (0.12)...
÷
÷
= s ×
2 k
a
2.4753532325 2.4753677501
E 100 0.5 10
2.4753532325

598475 0.00058648 10 5 . 0
k 2
> ×
÷

tomando logaritmos en base 10 en cada extremo de la desigualdad...
60 4.93071236 k
598475) 0.00058648 ( log 2 ) 5 . 0 ( log k
598475) 0.00058648 ( log k 2 ) 5 . 0 ( log
598475) 0.00058648 ( log ) 10 5 . 0 ( log
10 10
10 10
10
k 2
10
s
÷ + s
> ÷ +
> ×
÷

por lo tanto x
4
tiene al menos k = 4 cifras significativas exactas con respecto a x
5
.
Por otro lado para x
5
y x
6
, se tiene x
i+1
= x
6
= 2.4753532211 y x
i
= x
5
= 2.4753532325, entonces por la ex-
presión (0.12)...
÷
÷
= s ×
2 k
a
2.4753532211 2.4753532325
E 100 0.5 10
2.4753532211

054890831 0.00000046 10 5 . 0
k 2
> ×
÷

tomando logaritmos en base 10 en cada extremo de la desigualdad...
71 8.03569424 k
054890831) 0.00000046 ( log 2 ) 5 . 0 ( log k
054890831) 0.00000046 ( log k 2 ) 5 . 0 ( log
054890831) 0.00000046 ( log ) 10 5 . 0 ( log
10 10
10 10
10
k 2
10
s
÷ + s
> ÷ +
> ×
÷

por lo tanto x
5
tiene al menos k = 8 cifras significativas exactas con respecto a x
6
.
0.3 PRECISIÓN EN DERIVE 6.
Derive 6 posee tres formas de precisión para trabajar con números en cálculos numéricos u operaciones
aritméticas, estas son:
 Precisión en modo exacto.
18 Procesos iterativos y errores en Métodos Numéricos

 Precisión en modo aproximado.
 Precisión en modo mixto.
Los tres modos de precisión se pueden obtener mediante la orden Definir/Preferencias de Simplificación... , en
cuyo caso aparece el cuadro de diálogo...

En la zona Precisión, del cuadro de diálogo anterior, aparecen las casillas de selección:
Modo: para escoger el modo de precisión (Aproximado = Approximate, Exacto = Exact y Mixto = Mixed), y
Dígitos: para elegir el número de cifras significativas con las cuales van a trabajar los modos Exacto y Mixto
(Derive 6 trabaja con 10 cifras significativas por defecto).
Derive 6 almacena internamente todos los números reales como enteros o como un cociente entre enteros, es
decir, como fracciones y todas las operaciones realizadas se realizan utilizando aritmética racional.
La precisión en modo exacto significa que Derive 6 trabaja los números irracionales en modo exacto, así por
ejemplo para efectos de cálculo aritmético 2 será 2 y no 1.414213... Derive 6 en este caso utiliza mucha
más memoria para almacenar los números racionales, los cuales son expresados en forma de cociente entre
enteros, así en modo exacto 1.5 se expresa como
3
2
o 2.34657 como
234657
100000
; la precisión en modo exacto
es la precisión por defecto en Derive 6.
En la precisión en modo aproximado, Derive 6 corta un número de acuerdo al número de cifras significativas in-
dicadas en la casilla de selección Dígitos: así entonces los números 2.1354678... , 0.02345676... ,
0.0001232597... se expresan en modo aproximado con Dígitos: 5 como 2.1354 , 0.023456 y 0.00012325 res-
pectivamente. Nótese que Derive 6 considera el corte para las cifras significativas y no para las cifras decimales
y además no utiliza redondeo.
Para la precisión en modo mixto, Derive 6 trata a los números decimales e irracionales de acuerdo a la preci-
sión en modo aproximado y a los números expresados como fracciones en precisión en modo exacto, de esta
forma los números
12
13
, 4.285679 y 5 serán expresados en modo mixto (con Dígitos: 5) como
12
13
, 4.2856
y 2.2360 respectivamente.
A pesar de encontrarse elegida la opción de precisión en modo exacto, se puede expresar el resultado en modo
19 Procesos iterativos y errores en Métodos Numéricos

aproximado, si se selecciona el número y se hace clic sobre el botón
E Ej je em mp pl lo o 0 0. .1 12 2
Escribir una función en Derive 6, que permita determinar el épsilon de la máquina para una precisión dada.
Se definió al épsilon de la máquina como el número más pequeño c = 2 ÷ i, i = 1,2,3,... tal que 1 + c = 1. La
siguiente función c(n), determina un vector en el cual aparecen todos los posibles valores de épsilon (valores
que cumplen con 1 + c = 1), obviamente el más pequeño de ellos será el correcto...
#1: c(n) := VECTOR([i,IF(1 + 2^(–i) = 1, "posible c", " no es c"), IF(1 + 2^(–i) = 1, 2^(–i), "***")], i, 1, n)
Para una precisión de modo aproximado con Dígitos: 6, y tomando n = 18, la función produce el vector...
1 posible 0.5
2 posible 0.25
3 posible 0.125
4 posible 0.0625
5 posible 0.03125
6 posible 0.015625
7 posible 0.0078125
8 posible 0.00390625
9 posible
(18)
10 posible
11 posible
0.00195312
0.000976562
0.0004882
c
c
c
c
c
c
c
c
c
c =
c
c
12 posible
13 posible
14 posible
15 posible
16 no es ***
17 no es ***
18 no es ***
81
0.000244140
0.000122070
0.0000610351
0.0000305175
c
c
c
c
c
c
c
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
¸ ¸

De los posibles valores de c, el más pequeño y el correcto obviamente es 0.0000305175; esto quiere decir que
a partir de este valor para la precisión con 6 dígitos cualquier valor mayor sumado a 1 dará como resultado un
número diferente de 1.
20 Interpolación Polinómica

C CA AP PÍ ÍT TU UL LO O 1
1
I IN NT TE ER RP PO OL LA AC CI IÓ ÓN N P PO OL LI IN NÓ ÓM MI IC CA A

Este capítulo va a estudiar el problema de la interpolación polinómica, que consiste en hallar una depen-
dencia funcional de tipo polinómico, entre dos conjuntos de igual número de datos, uno especifica el argumento
y el otro su correspondiente función. El objetivo es encontrar cualquier valor de la función dentro del intervalo en
que se hallan los valores del argumento, aunque también la interpolación polinómica es básica en posteriores
capítulos.
Definición (Interpolación Polinómica). Dado un conjunto de (n + 1) valores, f
0
, f
1
, f
2
, ... ,f
n
, que representan a
una función y su correspondiente conjunto de (n + 1) valores del argumento x
0
, x
1
, x
2
, ... , x
n
, tal que: a < x
0
<
x
1
< x
2
< ... < x
n
< b, existe un único polinomio P(x) de grado n, el cual cumple la condición...
= =
i i
f P(x ) i 0,1,2,...,n
Los valores x
i
, i = 1,2,...,n, se denominan nodos o puntos de interpolación.
Una vez determinado P(x), es posible hallar el valor del mismo para un argumento x
r
(a< x
r
< b). Este resultado
es una aproximación a f
r
.
1.1 INTERPOLACIÓN POLINÓMICA POR EL MÉTODO GENERAL O DE SERIE DE POTENCIAS
El polinomio P(x) se puede expresar mediante un polinomio de grado n, como...
= + + + +
2 n
0 1 2 n
P(x) a a x a x ... a x
donde a
i
son los coeficientes por determinarse. Aplicando la condición f
i
= P(x
i
), a cada punto (x
i
, f
i
), se obtiene
el siguiente sistema de ecuaciones...
= + + + + +
2 3 n
0 0 1 0 2 0 3 0 n 0
f a a (x ) a (x ) a (x ) ... a (x )
2 3 n
1 0 1 1 2 1 3 1 n 1
f a a (x ) a (x ) a (x ) ... a (x ) = + + + + +
.
.
2 3 n
n 0 1 n 2 n 3 n n n
f a a (x ) a (x ) a (x ) ... a (x ) = + + + + +
que expresado matricialmente es...
f XA =
donde
( ( (
( ( (
( ( (
= = =
( ( (
( ( (
(
¸ ¸ ¸ ¸ ¸ ¸
2 3 n
0 0 0 0 0 0
2 3 n
1 1 1 1 1 1
2 3 n
n n n n n n
f a 1 x x x .. x
f a 1 x x x .. x
f X A
. . . . . . .. .
f a 1 x x x .. x

Para escribir el polinomio (1.1), debe hallarse A dados f y X. Con ello en mente, se multiplica ambos lados de la
ecuación matricial (1.3) por X
÷1
, obteniéndose...
1 1
X f X XA
÷ ÷
=
entonces…
(1.1)
(1.2)
(1.3)
21 Interpolación Polinómica

1
A X f
÷
=
expresión que permite calcular A, para escribir P(x).
Se definió al polinomio P(x) como único, esto se puede verificar fácilmente al observar que el determinante de la
matriz de coeficientes(conocido usualmente en el Álgebra Lineal como determinante de Vandermonde) del sis-
tema de ecuaciones lineales (1.2) es...
( )
j i
j i
j i
n
n
3
n
2
n n
n
1
3
1
2
1 1
n
0
3
0
2
0 0
x x 0 x x
x . x x x 1
. . . . . .
x . x x x 1
x . x x x 1
= = ÷ =
[
>

y por lo tanto el conjunto solución a
0
, a
1
, ... , a
n
es único y el polinomio P(x) también.
1.1.1 POLINOMIO DE INTERPOLACIÓN POR EL MÉTODO GENERAL CON DERIVE 6.
En Derive 6, por programación funcional, es factible crear un archivo de utilidad para el cálculo del polinomio de
interpolación mediante el método general. Las siguientes líneas de programación conforman el mencionado ar-
chivo...
#1: Precision := Approximate
#2: “Matriz X, construida a partir del conjunto de datos, d”
#3: X_(d) := VECTOR(VECTOR((d+1+i)^n, n, 0, DIM(d`) ÷ 1), i, 1, DIM(d`))
#4: “Matriz A = X^(–1)f”
#5: A(d) := (X_(d)^(–1))d+2
#6: “Polinomio de interpolación por el método general”
#7: P_MG(d, x) := A(d)VECTOR(x^(i – 1), i, 1, DIM(d))

E Ej je em mp pl lo o 1 1. .1 1
Dado el conjunto de datos...

Por el método general encontrar los coeficientes del polinomio de interpolación ajustado a dichos valores, se-
guidamente determinar f para x = 2.5 y x = 3.2. Utilizar corte a 6 cifras decimales
(a) Se forma la matriz X…
2
2
2
1 1.3 1.3 1 1.3 1.69
X 1 2.7 2.7 1 2.7 7.29
1 3.6 3.6 1 3.6 12.96
(
(
(
(
= =
(
(
(
(
¸ ¸
¸ ¸

(b) Se calcula su matriz inversa, X
–1

-1
1 1.3 1.69 1 0 0 1 1.3 1.69 1 0 0 1 1.3 1.69 1 0 0
X 1 2.7 7.29 0 1 0 0 1.4 5.6 1 1 0 0 1 4 0.714285 0.714285 0
1 3.6 12.96 0 0 1 0 2.3 11.27 1 0 1 0 2.3 11.27 1 0 1
( ( (
( ( (
= = ÷ = ÷
( ( (
( ( ( ÷ ÷
¸ ¸ ¸ ¸ ¸ ¸


1 1.3 1.69 1 0 0 1 1.3 1.69 1 0 0
0 1 4 0.714285 0.714285 0 0 1 4 0.714285 0.714285 0
0 0 2.07 0.642857 1.642857 1 0 0 1 0.310559 0.79365 0.483091
( (
( (
= ÷ = ÷
( (
( ( ÷ ÷
¸ ¸ ¸ ¸


x 1.3 2.7 3.6
f 3.63 4.18 4.54
(1.4)
22 Interpolación Polinómica

1 1.3 0 0.475155 1.341269 0.816425 1 0 0 3.018633 3.714285 1.695652
0 1 0 1.956521 3.888888 1.932367 0 1 0 1.956521 3.888888 1.932367
0 0 1 0.310559 0.79365 0.483091 0 0 1 0.310559 0.79365 0.483091
÷ ÷ ( (
( (
= ÷ ÷ = ÷ ÷
( (
( ( ÷ ÷
¸ ¸ ¸ ¸


-1
3.018633 3.714285 1.695652
X 1.956521 3.888888 1.932367
0.310559 0.79365 0.483091
÷ (
(
= ÷ ÷
(
( ÷
¸ ¸

(c) Los coeficientes del polinomio de interpolación son entonces…
3.018633 3.714285 1.695652 3.63 3.130186
A 1.956521 3.888888 1.932367 4.18 0.380434
0.310559 0.79365 0.483091 4.54 0.003105
÷ ( ( (
( ( (
= ÷ ÷ =
( ( (
( ( ( ÷
¸ ¸ ¸ ¸ ¸ ¸

finalmente…
2
P(x) 3.130186 0.380434x 0.003105x = + +

y,
P(2.5) 4.100683 P(3.2) 4.379378 = =


E Ej je em mp pl lo o 1 1. .2 2
Empleando Derive 5, para el conjunto de datos...
x

0 2 5 6 7
f 10 7 0 2 9
Escribir y graficar un polinomio de interpolación de grado 4 mediante el método general. Utilizar una precisión
de 10 cifras significativas.
Ejecutando la función P_MG([0, 2, 5, 6, 7; 10, 7, 0, 2, –9], x) el polinomio obtenido es...
= ÷ + ÷ + +
4 3 2
P(x) 0.2464285714x 3.411904761x 14.43928571x 15.70238095x 10
Su gráfica es…
2 0 2 4 6 8
40
20
20



1.2 INTERPOLACIÓN LINEAL.
Al elegir dos puntos para efectuar una interpolación, el polinomio de interpolación expresado por el método ge-
neral es una función lineal y la interpolación entre dichos puntos se denomina interpolación lineal. Es muy sim-
ple deducir la ecuación para este método de interpolación en base a lo desarrollado para el método general,
P(x)
23 Interpolación Polinómica

así…
Sean los puntos x
i
y x
i+1
correspondientes a f
i
y f
i+1
, los coeficientes de interpolación a
0
y a
1
, están dados
por...
i 0 1 i
f a a x = +
i 1 0 1 i 1
f a a x
+ +
= +
de donde despejando a
0
y a
1
...
i 1 i
0 i i
i 1 i
f f
a f x
x x
+
+
÷
= ÷
÷

i 1 i
1
i 1 i
f f
a
x x
+
+
÷
=
÷

por lo que...
i 1 i i 1 i
L i i
i 1 i i 1 i
f f f f
P(x) f x
x x x x
x
+ +
+ +
÷ ÷
= ÷ +
÷ ÷

reacomodando los términos la expresión (1.7), se tiene...
i 1 i i i 1 i 1 i
L
i 1 i i 1 i
x f x f f f
P(x)
x x x x
x
+ + +
+ +
| | | | ÷ ÷
= +
| |
÷ ÷
\ . \ .

que es la fórmula para la interpolación lineal; en ésta los valores x
i
, x
i+1
, f
i
y f
i+1
, son datos conocidos, por lo
que la ecuación corresponde a una línea recta…
L
i 1 i i i 1 i 1 i
i 1 i i 1 i
P(x) A B
x f x f f f
donde A y B
x x x x
x
+ + +
+ +
= +
| | | | ÷ ÷
= =
| |
÷ ÷
\ . \ .

1.2.1 INTERPOLACIÓN LINEAL CON DERIVE 6.
En Derive 5, mediante programación funcional, la utilidad expresada por las siguientes líneas de programación
permite determinar el polinomio de interpolación lineal para una pareja de puntos, así como para toda un conjun-
to de ellos...
#1: Precision := Approximate
#2: “Ecuación de interpolación lineal para parejas de datos consecutivos i e i + 1 de un conjunto de datos, d”
#3: [(d+1+(i+1)d+2+i – d+1+id+2+(i+1))/(d+1+(i+1) – d+1+i), (d+2+(i+1) – d+2+i)/(d+1+(i+1) –d+1+i)]
#4: INT_LINEAL(d, i, x) := #3+1 + (#3+2)x
E Ej je em mp pl lo o 1 1. .3 3
Para el conjunto de datos dado por...
x 0 2 5 6 7
f 10 7 0 2 9
Calcular el valor de f para x = 3 y x = 6.5 mediante interpolación lineal.
Para x = 3…
i 0 1
x
i
2 3 5
f
i
7 ? 0
1 0 0 1 1 0
L
1 0 1 0
x f x f f f (5)(7) (2)(0) 0 7 35 7
P(x) x x x
x x x x 5 2 5 2 3 3
| | | | ÷ ÷ ÷ ÷ | | | |
= + = + = ÷
| |
| |
÷ ÷ ÷ ÷
\ . \ .
\ . \ .

(1.5)
(1.7)
(1.8)
(1.9)
(1.6)
24 Interpolación Polinómica

L
35 7 14
P (3) (3) 4.666666
3 3 3
= ÷ = =

Para x = 6.5…
i 0 1
x
i
6 6.5 7
f
i
2 ? –9
1 0 0 1 1 0
L
1 0 1 0
x f x f f f (7)(2) (6)( 9) 9 2
P(x) x x 68 11x
x x x x 7 6 7 6
| | | | ÷ ÷ ÷ ÷ ÷ ÷ | | | |
= + = + = ÷
| |
| |
÷ ÷ ÷ ÷
\ . \ .
\ . \ .

L
P (3) 68 11(6.5) 3.5 = ÷ = ÷

E Ej je em mp pl lo o 1 1. .4 4
Para el conjunto de datos...

Calcular, utilizando Derive 5, el valor de f para x = 2.5 y x = 4.3 mediante interpolación lineal y compararlos
con los valores obtenidos mediante el polinomio de interpolación por el método general. Además graficar el po-
linomio de interpolación lineal, el polinomio de interpolación obtenido por el método general y los puntos (x, f).
Para x = 2.5, utilizando la instrucción INT_LINEAL([1.3, 2.7, 3.6, 5.2; 3.63, 4.18, 4.54, 2.07], 1, x), se obtie-
ne…
1
L(x) 0.3928571428x 3.119285714 = +
substituyendo x = 2.5, resulta…
4.101428
Para x = 4.3, mediante la instrucción INT_LINEAL([1.3, 2.7, 3.6, 5.2; 3.63, 4.18, 4.54, 2.07], 3, x), se obtie-
ne…
2
L (x) 1.54375x 10.0975 = +
substituyendo x = 4.3, da…
3.459375
La instrucción P_MG([1.3, 2.7, 3.6, 5.2; 3.63, 4.18, 4.54, 2.07], x), genera…
3 2
P(x) 0.2001552795x 1.524285714x 3.204346273x+5.659348447 = ÷ + ÷
que substituyendo para x = 2.5 y x = 4.3, da…
4.047842236 para x 2.5
4.150956517 para x 4.3
=
=

Los valores calculados por interpolación lineal y el método general se comparan en la siguiente tabla…




x 1.3 2.7 3.6 5.2
f 3.63 4.18 4.54 2.07
M. General Int. Lineal Error absoluto M. General Int. Lineal Error absoluto
x 2.5 2.5 ------ 3.2 3.2 -----
f 4.047842 4.101428 0.053585 4.150956 3.459375 0.691581
25 Interpolación Polinómica

Graficando…
0 1 2 3 4 5 6
2
4
6
)
2.5 4.3



1.3 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE.
A pesar de que el polinomio de interpolación es único como se explico al final de la sección 1.1, es conveniente
estudiar un método más fácil de determinarlo sin tener que resolver el sistema f = XA. Éste se halla de una ma-
nera más directa y sencilla, mediante el método denominado de Lagrange.
Definición (Polinomio básico de Lagrange o función de forma). Sea un conjunto de (n + 1) nodos de interpola-
ción x
1
,x
2
,...,x
n
, entonces el polinomio L
i
(x), llamado polinomio básico de Lagrange o función de forma se define
por...
n ,1,2,..., 0 i ,
) x (x
) x (x
) x (x ) x )(x x (x ) x )(x x (x
) x (x ) x )(x x (x ) x )(x x (x
(x) L
n
i j
0 j j i
j
n i 1 i i 1 i i 1 i 0 i
n 1 i 1 i 1 0
i
=
÷
÷
=
÷ · · · ÷ ÷ · · · ÷ ÷
÷ · · · ÷ ÷ · · · ÷ ÷
=
[
=
= + ÷
+ ÷

Nótese que el polinomio básico de Lagrange no contiene el término (x – x
i
) en el numerador, ni el término (x
i

x
i
) en el denominador, éste último por obvias razones. Resulta evidente que L
i
(x) es un polinomio de grado n y
que...
0 ) x (x L
1 ) (x L
i j i
i i
= =
=

Teorema. Sea un conjunto de (n + 1) puntos (x
0
,y
0
) , (x
1
,y
1
),..., (x
n
, y
n
), entonces el polinomio de interpolación
para dicho conjunto de datos se puede escribir como...
n
0 0 1 1 n n i i
i 0
P(x) f L (x) f L(x) ... f L (x) fL(x)
=
= + + + =
¿

llamado polinomio de interpolación de Lagrange.
Es sencillo comprobar que el polinomio de interpolación de Lagrange cumple la definición de interpolación poli-
nomial, pues la propiedad (1.10) de los polinomios básicos de Lagrange así lo permite.
E Ej je em mp pl lo o 1 1. .5 5
Para el conjunto de datos...


(1.10)
P(x)
L1(x)
L2(x)
26 Interpolación Polinómica

i 0 1 2 3 4 5
x x
0
x
1
x
2
X
3
x
4
x
5

f f
0
f
1
f
2
f
3
f
4
f
5

Determinar el polinomio de interpolación de Lagrange.
Los polinomios básicos de Lagrange o funciones de forma se escriben como...
) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 0 4 0 3 0 2 0 1 0
5 4 3 2 1
0
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 1 4 1 3 1 2 1 0 1
5 4 3 2 0
1
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 2 4 2 3 2 1 2 0 2
5 4 3 1 0
2
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 3 4 3 2 3 1 3 0 3
5 4 2 1 0
3
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 4 3 4 2 4 1 4 0 4
5 3 2 1 0
4
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
4 5 3 5 2 5 1 5 0 5
4 3 2 1 0
5
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
=

y el polinomio de interpolación de Lagrange es...
1 2 3 4 5 0 2 3 4 5
0 1
0 1 0 2 0 3 0 4 0 5 1 0 1 2 1 3 1 4 1 5
0 1 3 4 5
2 0 2 1 2 3 2 4
(x x )(x x )(x x )(x x )(x x ) (x x )(x x )(x x )(x x )(x x )
P(x) f f
(x x )(x x )(x x )(x x )(x x ) (x x )(x x )(x x )(x x )(x x )
(x x )(x x )(x x )(x x )(x x )
(x x )(x x )(x x )(x x )(
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= + +
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷
0 1 2 4 5
2 3
2 5 3 0 3 1 3 2 3 4 3 5
0 1 2 3 5 0 1 2 3 4
4
4 0 4 1 4 2 4 3 4 5 5 0 5 1 5 2 5
(x x )(x x )(x x )(x x )(x x )
f f
x x ) (x x )(x x )(x x )(x x )(x x )
(x x )(x x )(x x )(x x )(x x ) (x x )(x x )(x x )(x x )(x x )
f
(x x )(x x )(x x )(x x )(x x ) (x x )(x x )(x x )(x
÷ ÷ ÷ ÷ ÷
+ +
÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
+
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
5
3 5 4
f
x )(x x ) ÷

es fácil notar que el orden del polinomio es n = 5.
E Ej je em mp pl lo o 1 1. .6 6
Encontrar el polinomio de interpolación mediante el método de Lagrange, para el siguiente conjunto de datos:
x 0 1 3 7 9
y – 2 – 1 0 5 – 3
0
( 1)( 3)( 7)( 9) ( 1)( 3)( 7)( 9)
( )
(0 1)(0 3)(0 7)(0 9) 189
x x x x x x x x
L x
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= =
÷ ÷ ÷ ÷

1
( 0)( 3)( 7)( 9) ( 0)( 3)( 7)( 9)
( )
(1 0)(1 3)(1 7)(1 9) 96
x x x x x x x x
L x
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= = ÷
÷ ÷ ÷ ÷

2
( 0)( 1)( 7)( 9) ( 0)( 1)( 7)( 9)
( )
(3 0)(3 1)(3 7)(3 9) 144
x x x x x x x x
L x
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= =
÷ ÷ ÷ ÷

3
( 0)( 1)( 3)( 9) ( 0)( 1)( 3)( 9)
( )
(7 0)(7 1)(7 3)(7 9) 336
x x x x x x x x
L x
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= = ÷
÷ ÷ ÷ ÷

27 Interpolación Polinómica

4
( 0)( 1)( 3)( 7) ( 0)( 1)( 3)( 7)
( )
(9 0)(9 1)(9 3)(9 7) 864
x x x x x x x x
L x
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= =
÷ ÷ ÷ ÷

entonces,
( 1)( 3)( 7)( 9) ( 0)( 3)( 7)( 9) ( 0)( 1)( 7)( 9)
( ) ( 2) ( 1) (0)
189 96 144
( 0)( 1)( 3)( 9) ( 0)( 1)( 3)( 7)
(5) ( 3)
336 864
x x x x x x x x x x x x
P x
x x x x x x x x
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= ÷ ÷ ÷ + ÷
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
+ ÷
2( 1)( 3)( 7)( 9) ( 3)( 7)( 9) 5 ( 1)( 3)( 9)
( )
189 96 336
3 ( 1)( 3)( 7)
864
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= ÷ + ÷
÷ ÷ ÷
÷
x x x x x x x x x x x x
P x
x x x x

1.3.1 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE CON DERIVE 6.
En Derive 5 las siguientes líneas de programación permiten determinar el polinomio de interpolación de Lagran-
ge para una serie de datos...
#1: Precision := Approximate
#2: “Función de forma j–ésima”
#3: FUNC_FORMA_J(d, j, x) := PRODUCT(IF(i = j,(x – d+1+i)/(d+1+j – d+1+i),1), i, 1, DIM(d`))
#4: “Todas las funciones de forma para el conjunto de datos”
#5: FUNC_FORMA(d, x) := VECTOR(FUNC_FORMA_J(d, j, x),j,1,DIM(d`))
#6: “Polinomio de interpolación de Lagrange”
#7: P_LAG(d, x) := FUNC_FORMA(d, x)d+2
E Ej je em mp pl lo o 1 1. .7 7
En la siguiente tabla se dan los valores de x y = redondeados hasta cuatro cifras decimales, para argumen-
tos desde 1 a 1.3 con pasos de 0.05...
x 1 1.05 1.1 1.15 1.2 1.25 1.3
f 1 1.0247 1.0488 1.0724 1.0954 1.1180 1.1402
Con Derive 5, hallar el polinomio de interpolación de Lagrange, y calcular el valor de f para argumentos desde 1
a 1.3 con pasos de 0.025. Utilizar precisión de 6 dígitos.
La orden P_LAG([1, 1.05, 1.1, 1.15, 1.2, 1.25, 1.3; 1, 1.0247, 1.0488, 1.0724, 1.0954, 1.1180, 1.1402], x)
genera el polinomio…
6 5 4 3 2
88.8887x 613.332x 1760.22x 2689.53x 2307.67x 1054.81x 199.896 ÷ + ÷ + ÷ + ÷

Para evaluar el polinomio de interpolación de Lagrange dentro del conjunto de datos pedidos, se introducen las
siguientes líneas, dentro de la utilidad que contiene la función P_LAG(d, x), y luego se aplica la nueva función
P_LAG_(d, in, fin, o)...
#8: “Generación de los nodos de interpolación”
#9: X_(in, fin, o) := VECTOR(i, i, in, fin, o)
#10: “Polinomio de Lagrange para el conjunto de nodos anterior”
#11: P_LAG_(d, in, fin, o) := [X_(in, fin, o), VECTOR(P_LAG(d, (X_(in, fin, o))+i), i, 1, DIM(X_(in, fin, o)))]`

La nueva orden P_LAG_([1, 1.05, 1.1, 1.15, 1.2, 1.25, 1.3; 1, 1.0247, 1.0488, 1.0724, 1.0954, 1.1180,
1.1402], 1, 1.3, 0.025) genera el vector…
28 Interpolación Polinómica

1 1
1.025 1.01247
1.05 1.0247
1.075 1.03680
1.1 1.0488
1.125 1.06067
1.15 1.0724
1.175 1.08396
1.2 1.0954
1.225 1.10673
1.25 1.118
1.275 1.12919
1.3 1.1402
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
( ( ¸ ¸

En la columna 1 se muestran los valores desde 1 hasta 1.3 en pasos de 0.025, y la columna 2, los correspon-
dientes valores del polinomio de interpolación de Lagrange.
1.4 DIFERENCIAS DIVIDIDAS.
Definición (Diferencias divididas). Sea un conjunto de (n + 1) nodos de interpolación x
i
para i = 0,1,2,...,n, y
considérese además sus correspondientes valores para la función dados por f(x
i
) con i = 0,1,2,...,n, entonces
la relación...
i 1 i 2 i n i i 1 i 2 i (n 1)
i i 1 i 2 i n
i n i
f[ x , x ,..., x ] f[ x , x , x ,..., x ]
f[ x , x , x ,..., x ]
x x
+ + + + + + ÷
+ + +
+
÷
=
÷

se conoce como la diferencia dividida de n ésimo orden.
Esta definición es bastante genérica, por lo que es necesario analizarla con mayor profundidad.
Las siguientes expresiones desarrollan en detalle la notación indicial de la definición anterior…
La diferencia dividida de orden 0, para el punto x
i
es…
i i
f[x ] f(x ) i 0,1,2,...,n = =

por lo tanto, las (n + 1) diferencias divididas de orden 0 para el conjunto de (n +1) puntos (x
0
, f(x
0
)), (x
1
, f(x
1
)),
(x
2
, f(x
2
)),…, (x
n
, f(x
n
)) son…
0 0 1 1 2 2 n n
f[x ] f(x ) f[x ] f(x ) f[x ] f(x ) . . . f[x ] f(x ) = = = =

La diferencia dividida de orden 1 para los puntos x
i
y x
i+1
es…

i+1 i i+1 i
i i 1
i 1 1 i 1 i
f[x ] f[x ] f(x ) f(x )
f[x ,x ] i 0,1,2,...,n
x x x x
+
+ +
÷ ÷
= = =
÷ ÷

por lo que las n diferencias divididas de orden 1 se pueden expresar como...
1 0 2 1 n n 1
0 1 1 2 n 1 n
1 0 2 1 n n 1
f(x ) f(x ) f(x ) f(x ) f(x ) f(x )
f[x ,x ] f[x ,x ] . . . f[x ,x ]
x x x x x x
÷
÷
÷
÷ ÷ ÷
= = =
÷ ÷ ÷

La diferencia dividida de orden 2, para los puntos x
i
, x
i+1
y x
i+2
se escribirá...
29 Interpolación Polinómica

i+1 i 2 i i 1
i i 1 i 2
i 2 i
f[x ,x ] f[x ,x ]
f[x ,x ,x ] i 0,1,2,...,n
x x
+ +
+ +
+
÷
= =
÷

entonces las (n – 1) diferencias divididas de orden 2 serán...
1 2 0 1 2 3 1 2
0 1 2 1 2 3
2 0 3 1
n 1 n n 2 n 1
n 2 n 1 n
n n 2
f[x ,x ] f[x ,x ] f[x ,x ] f[x ,x ]
f[x ,x ,x ] f[x ,x ,x ] . . .
x x x x
f[x ,x ] f[x ,x ]
f[x ,x ,x ]
x x
÷ ÷ ÷
÷ ÷
÷
÷ ÷
= =
÷ ÷
÷
=
÷

en consecuencia la única diferencia dividida de orden n para los puntos x
i
, x
i+1
, x
i+2
,…, x
i+n
se escribirá de
acuerdo a la definición dada.
Es importante resaltar que la notación indicial de las diferencias divididas, es una nomenclatura nemónica que
ayuda a recordar fácilmente la correcta expresión para una diferencia dividida de cualquier orden. Los siguientes
ejemplos aclaran la definición de diferencias divididas.
E Ej je em mp pl lo o 1 1. .8 8
Escribir mediante notación indicial todas las diferencias divididas para el conjunto de puntos (x
0
, f(x
0
)), (x
1
,
f(x
1
)), (x
2
, f(x
2
)), (x
3
, f(x
3
)) y (x
4
, f(x
4
)).
Considérese la siguiente simplificación de nomenclatura…
i i 1 i 2 i n i,i 1,i 2,...,i n
f[x ,x ,x ,...,x ] f
+ + + + + +
=

entonces, la siguiente tabla resume las diferencias pedidas…
Nodo / Orden 0 1 2 3 4
x
0
f
0
= f(x
0
) f
0,1
f
0,1,2
f
0,1,2,3
f
0,1,2,3,4

x
1
f
1
= f(x
1
) f
1,2
f
1,2,3
f
1,2,3,4

x
2
f
2
= f(x
2
) f
2,3
f
2,3,4

x
3
f
3
= f(x
3
) f
3,4

x
4
f
4
= f(x
4
)
Si bien la notación puede ser confusa, el siguiente ejemplo numérico muestra cuan sencillo es el cálculo de las
diferencias divididas.
E Ej je em mp pl lo o 1 1. .9 9
Determinar todas las diferencias divididas para el siguiente conjunto de datos…
i 0 1 2 3
x 0 1 2 3
f 10 8 2 ÷ 8
La correspondiente tabla de diferencias divididas es...


30 Interpolación Polinómica

i x
i
f
i
f
i, i+1
f
i, i+1, i+2
f
i, i+1, i+2, i+3

0 0 10
2
8 10
1 0
÷
=
÷
÷
6 ( 2)
2
2 0
÷ ÷ ÷
=
÷
÷
2 ( 2)
0
0
3
÷ ÷ ÷
=
÷

1 1 8
6
2 8
2 1
÷
=
÷
÷
10 ( 6)
2
3 1
÷ ÷ ÷
=
÷
÷
2 2 2
8 2
3
10
2
÷ ÷
=
÷
÷
3 3 ÷ 8
Este procedimiento de cálculo se puede extender para un conjunto de cualquier número de datos.
Algunas características importantes de las diferencias divididas son...
 A medida que aumenta el orden de una diferencia, su número disminuye en uno; así, en la tabla de dife-
rencias para un conjunto de 8 datos por ejemplo, existirán: 7 diferencias de primer orden, 6 de segundo
orden, 5 de tercer orden, 4 de cuarto orden, 3 de quinto orden, 2 de sexto orden y 1 de séptimo orden.
 La resta del último y primero subíndices representa el orden de la diferencia.
 Si los datos (x
i
, f
i
) se toman de un polinomio p(x) de orden m, la columna para la diferencia de orden m se
convierte en una constante y la columna para la diferencia de orden (m + 1) se anula; ésta característica
permite reconocer el orden del polinomio del cual se extrajeron los datos, en base a una tabla de diferen-
cias, así en el último ejemplo se puede decir que los datos x
i
y f
i
provienen de un polinomio de segundo
grado, pues la columna correspondiente a la diferencia de segundo orden da una constante (– 2) y la co-
lumna de la diferencia de tercer orden se anula.
Cuando entre los nodos de interpolación existe una distancia idéntica h (
i 1 i
h x x
+
= ÷ , i =0,1,2,…,n), entonces
las diferencias divididas se pueden expresar como...
+ + +
A
= =
n
i
i i 1 i 2 i n n
f
f[ x , x , x ,..., x ] i 0,1,2,...,n
n!(h )

donde
n
i
f A es la denominada diferencia finita hacia adelante o diferencia finita progresiva de orden n, cuya es-
tructura se va a detallar y ejemplificar a continuación.
La diferencia finita progresiva(llamada usualmente diferencia progresiva) de orden 0 es…
0
i i
f f(x ) i 0,1,2,...,n A = =

La diferencia progresiva de orden 1 es…

0 0
i i 1 i i+1 i
f f f f(x ) f(x ) i 0,1,2,...,n
+
A = A ÷ A = ÷ =

La diferencia progresiva de orden 2 se escribirá...
2
i i 1 i
f f f i 0,1,2,...,n
+
A = A ÷ A =

entonces la diferencia progresiva de orden n se expresa como…
(1.11)
31 Interpolación Polinómica

n n 1 n 1
i i 1 i
f f f i 0,1,2,...,n
÷ ÷
+
A = A ÷ A =

Si se tienen nodos equiespaciados se pueden utilizar las diferencias progresivas mediante el segundo miembro
de la expresión (1.11), para calcular de una manera más simple las diferencias divididas.
E Ej je em mp pl lo o 1 1. .1 10 0
Escribir mediante notación indicial todas las diferencias progresivas para el conjunto de puntos equiespaciados
(x
0
, f(x
0
)), (x
1
, f(x
1
)), (x
2
, f(x
2
)), (x
3
, f(x
3
)) y (x
4
, f(x
4
)).
La siguiente tabla resume las diferencias pedidas…

0
i
Δ f
i
Δf
2
i
Δ f
3
i
Δ f
4
i
Δ f
x
0
f
0
= f(x
0
)
0 0
1 0
1 0 0
f(x ) ( )
A ÷ A =
÷ = A
f f
f x f

2
1 0 0
A ÷ A = A f f f
2 2 3
1 0 0
f f f A ÷ A = A
3 3 4
1 0 0
f f f A ÷ A = A
x
1
f
1
= f(x
1
)
0 0
2 1
2 1 1
f f
f(x ) f(x ) f
A ÷ A =
÷ = A

2
2 1 1
f f f A ÷ A = A
2 2 3
2 1 1
f f f A ÷ A = A

x
2
f
2
= f(x
2
)
0 0
3 2
3 2 2
f f
f(x ) f(x ) f
A ÷ A =
÷ = A

2
3 2 2
f f f A ÷ A = A

x
3
f
3
= f(x
3
)
0 0
4 3
4 3 3
f f
f(x ) f(x ) f
A ÷ A =
÷ = A


x
4
f
4
= f(x
4
)


E Ej je em mp pl lo o 1 1. .1 11 1
Determinar todas las diferencias progresivas para el siguiente conjunto de datos…
i 0 1 2 3
x 3 5 7 9
f(x) 10 8 2 ÷ 8
La correspondiente tabla de diferencias finitas progresivas es...
i x
i

0
i
Δ f
i
Δf
2
i
Δ f
3
i
Δ f
0 3 2 4 2 6 ÷ ÷ = ÷

5 ( 6 11 ) ÷ ÷ =

13 11 24 ÷ ÷ = ÷

1 5 – 4
1 ( ) 5 4 ÷ ÷ =

1 8 3 5 ÷ ÷ = ÷


2 7 1 7 1 8 ÷ ÷ = ÷


3 9 ÷ 7

Como se observa, el cálculo de las diferencias finitas progresivas es aún más simple que el de las diferencias
finitas divididas, lo que las hace más útiles, aunque es condición indispensable para emplearlas el tener nodos
equiespaciados. El exponente que poseen el símbolo A de las diferencias finitas progresivas es nada más una
indicación de su orden; además al igual que las diferencias finitas divididas su número disminuye en 1 al
32 Interpolación Polinómica

aumentar el orden y presentan la misma característica mencionada anteriormente para datos tomados de un
polinomio.
1.5 POLINOMIO DE INTERPOLACIÓN DE NEWTON.
Teorema. Para un conjunto de (n + 1) puntos (x
0
, f
0
), (x
1
, f
1
),..., (x
n
, f
n
), el polinomio de interpolación de Newton
esta dado por...
) x x ( ) x x )( x x ( f ... ) x x )( x x ( f ) x x ( f f ) x ( P
1 n 1 0 n ,..., 2 , 1 , 0 1 0 2 , 1 , 0 0 1 , 0 0 ÷
÷ · · · ÷ ÷ + + ÷ ÷ + ÷ + =

Es indispensable comprobar que la expresión anterior es correcta, para lo cual considérese que el polinomio de
interpolación de Newton se puede expresar genéricamente como...
) x x ( ) x x )( x x ( ... ) x x )( x x ( ) x x ( ) x ( P
1 n 1 0 n 1 0 2 0 1 0 ÷
÷ · · · ÷ ÷ o + + ÷ ÷ o + ÷ o + o =

donde los coeficientes o
0
,o
1
,o
2
,...,o
n
deben determinarse. A fin de encontrar dichos coeficientes se va a utilizar
la definición de la interpolación polinomial según el cual debe cumplirse que...
0 0
P(x ) f =
1 1
P(x ) f =
2 2
P(x ) f =
.
.
n n
P(x ) f =
entonces...
0 0 0
P(x ) f = o =
1 0 1 1 0 1
P(x ) (x x ) f = o + o ÷ =
2 0 1 2 0 2 2 0 2 1 2
P(x ) (x x ) (x x )(x x ) f = o + o ÷ + o ÷ ÷ =
n 0 1 n 0 2 n 0 n 1 n n 0 n 1 n n 1 n
P(x ) (x x ) (x x )(x x ) ... (x x )(x x ) (x x ) f
÷
= o + o ÷ + o ÷ ÷ + + o ÷ ÷ · · · ÷ =
de las anteriores expresiones es notorio que los coeficientes o
0
,o
1
,o
2
,...,o
n
se pueden calcular de forma recur-
siva, pues conocido o
0
= f
0
, se halla o
1
y a partir de éste y o
0
se encuentra o
2
, procediendo consecutivamente
de esta forma hasta hallar todos los coeficientes, de forma tal que se obtiene...
0 0 0
f(x ) f o = =
1 0
1 0,1
1 0
f f
f
x x
÷
o = =
÷

33 Interpolación Polinómica

1 0
2 0 2 0
1 0 2 0 1 0 1 0 2 0
2
2 0 2 1 2 0 2 1 1 0
2 1 1 0 1 0 1 0 2 1 1 0
2 0 2 1 1 0
2 1 1 0 1 0 1 0 1 0 2 1
f f
f f (x x )
x x (f f )(x x ) (f f )(x x )
(x x )(x x ) (x x )(x x )(x x )
(f f f f )(x x ) (f f )(x x x x )
(x x )(x x )(x x )
(f f )(x x ) (f f )(x x ) (f f )(x x
÷
÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷
o = = =
÷ ÷ ÷ ÷ ÷
÷ + ÷ ÷ ÷ ÷ ÷ + ÷
= =
÷ ÷ ÷
÷ ÷ + ÷ ÷ ÷ ÷ ÷
=
1 0 1 0
2 0 2 1 1 0
2 1 1 0 1 0 2 1
2 1 1 0 1 0 2 1 2 1 1 0 2 1 1 0
2 0 2 1 1 0
2 0 2 1 1 0
2 1 1 0
2 1
2 1
) (f f )(x x )
(x x )(x x )(x x )
(f f )(x x ) (f f )(x x )
(f f )(x x ) (f f )(x x ) (x x )(x x ) (x x )(x x )
(x x )(x x )(x x )
(x x )(x x )(x x )
(x x )(x x )
( (f f )
(x x )
÷ ÷ ÷
=
÷ ÷ ÷
÷ ÷ ÷ ÷
÷
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
= = =
÷ ÷ ÷
÷ ÷ ÷
÷ ÷
÷
÷
÷
=
1 0
1,2 0,1 1 0
0,1,2
2 0 2 0
f f )
f f (x x )
f
(x x ) (x x )
÷
÷ ÷
= =
÷ ÷

.
.
n ,..., 2 , 1 , 0 n
f = o

la complejidad de cálculo para o
n
, no permite expresar explícitamente este coeficiente, pero no es necesario,
pues se infiere fácilmente que si
0 0
f = o ,
1 , 0 1
f = o ,
2 , 1 , 0 2
f = o entonces
n ,..., 2 , 1 , 0 n
f = o . Así el polinomio de
interpolación de Newton es...
) x x ( ) x x )( x x ( f ... ) x x )( x x ( f ) x x ( f f ) x ( P
1 n 1 0 n ,..., 2 , 1 , 0 1 0 2 , 1 , 0 0 1 , 0 0 ÷
÷ · · · ÷ ÷ + + ÷ ÷ + ÷ + =

Los polinomios de interpolación de Newton salvan algunas dificultades que son propias de los métodos de in-
terpolación vistos anteriormente, especialmente del polinomio de interpolación de Lagrange. Entre sus carac-
terísticas favorables se pueden mencionar:
 La cantidad de cálculos necesarios para una interpolación es menor que en los métodos anteriores, y este
hecho se hace más notorio a medida que el orden del polinomio interpolador aumenta.
 La interpolación de un punto, fuera del intervalo de interpolación, no requiere del reinicio de todos los
cálculos nuevamente, sino que se puede utilizar lo ya hecho; cosa igual sucede si se aumentan o dismi-
nuyen el número de datos.
 La evaluación del error es más fácil.
El polinomio de interpolación de Newton de la manera más general se escribe como...
n n,n 1 i n,n 1,n 2 n n 1 n,n 1,n 2,...,m n n 1 m 1
P(x) f f (x x ) f (x x )(x x ) ... f (x x )(x x ) (x x )
+ + + + + + + ÷
= + ÷ + ÷ ÷ + + ÷ ÷ · · · ÷

donde P(x) es de grado (m – n) e interpola al conjunto de nodos x
i
, ubicados entre x
n
y x
m
(0 s n s m). Es impor-
tante recalcar que los nodos para este polinomio podrán ser equiespaciados o no.
Ejemplo 1.12
Para el siguiente conjunto de datos...
(1.12)
34 Interpolación Polinómica

i 0 1 2 3 4 5
x x
0
x
1
x
2
x
3
x
4
x
5

f f
0
f
1
f
2
f
3
f
4
f
5

generar los polinomios de interpolación de Newton para: a) i = 0,1,2,3,4 ; b) i =1,2.3,4,5 ; c) i = 2,3,4 ; d) i =
3,4,5 ; e) i = 4,5
La tabla de diferencias finitas divididas para el conjunto de datos es...
x
0
f
0

1 0
0,1
1 0
f f
f
x x
÷
=
÷

1,2 0,1
0,1,2
2 0
f f
f
x x
÷
=
÷

1,2,3 0,1,2
0,1,2,3
3 0
f f
f
x x
÷
=
÷

1,2,3,4 0,1,2,3
0,1,2,3,4
4 0
f f
f
x x
÷
=
÷

x
1
f
1

2 1
1,2
2 1
f f
f
x x
÷
=
÷

1 3
2 . 1 3 , 2
3 , 2 , 1
x x
f f
f
÷
÷
=
1 4
3 , 2 , 1 4 , 3 , 2
4 , 3 , 2 , 1
x x
f f
f
÷
÷
=
1 5
4 , 3 , 2 , 1 5 , 4 , 3 , 2
5 , 4 , 3 , 2 , 1
x x
f f
f
÷
÷
=
x
2
f
2

3 2
2,3
3 2
f f
f
x x
÷
=
÷

2 4
3 . 2 4 , 3
4 , 3 , 2
x x
f f
f
÷
÷
=
2 5
4 , 3 , 2 5 , 4 , 3
5 , 4 , 3 , 2
x x
f f
f
÷
÷
=

x
3
f
3

4 3
3,4
4 3
f f
f
x x
÷
=
÷

3 5
4 . 3 5 , 4
5 , 4 , 3
x x
f f
f
÷
÷
=

x
4
f
4

5 4
4,5
5 4
f f
f
x x
÷
=
÷



x
5
f
5


1,2,3,4,5 0,1,2,3,4
0,1,2,3,4,5
5 0
f f
f
x x
÷
=
÷

y los polinomios interpoladores son...
a)
) x x )( x x (
) x x )( x x ( f ) x x )( x x )( x x ( f ) x x )( x x ( f ) x x ( f f ) x P(
3 2
1 0 0,1,2,3,4 2 1 0 3 , 2 , 1 , 0 1 0 2 , 1 , 0 0 1 , 0 0
÷ ÷
÷ ÷ + ÷ ÷ ÷ + ÷ ÷ + ÷ + =

) x x )( x x )( x x )( x x (
) x x (
f f

) x x )( x x )( x x (
) x x (
f f
) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
3 2 1 0
0 4
3 , 2 , 1 , 0 4 , 3 , 2 , 1
2 1 0
0 3
2 , 1 , 0 3 , 2 , 1
1 0
0 2
1 , 0 2 , 1
0
0 1
0 1
0
÷ ÷ ÷ ÷
÷
÷
+ ÷ ÷ ÷
÷
÷
+ ÷ ÷
÷
÷
+ ÷
÷
÷
+ =

b)
) x x )( x x (
) x x )( x x ( f ) x x )( x x )( x x ( f ) x x )( x x ( f ) x x ( f f ) x P(
4 3
2 1 5 , 4 , 3 , 2 , 1 3 2 1 4 , 3 , 2 , 1 2 1 3 , 2 , 1 1 2 , 1 1
÷ ÷
÷ ÷ + ÷ ÷ ÷ + ÷ ÷ + ÷ + =

) x x )( x x )( x x )( x x (
) x x (
f f

) x x )( x x )( x x (
) x x (
f f
) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
4 3 2 1
1 5
4 , 3 , 2 , 1 5 , 4 , 3 , 2
3 2 1
1 4
3 , 2 , 1 4 , 3 , 2
2 1
1 3
2 , 1 3 , 2
1
1 2
1 2
1
÷ ÷ ÷ ÷
÷
÷
+ ÷ ÷ ÷
÷
÷
+ ÷ ÷
÷
÷
+ ÷
÷
÷
+ =

c)
35 Interpolación Polinómica

) x x )( x x ( f ) x x ( f f ) x P(
3 2 4 , 3 , 2 2 3 , 2 2
÷ ÷ + ÷ + =

) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
3 2
2 4
3 , 2 4 , 3
2
2 3
2 3
2
÷ ÷
÷
÷
+ ÷
÷
÷
+ =

d)
) x x )( x x ( f ) x x ( f f ) x P(
4 3 5 , 4 , 3 3 4 , 3 3
÷ ÷ + ÷ + =

) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
4 3
3 5
4 , 3 5 , 4
3
3 4
3 4
3
÷ ÷
÷
÷
+ ÷
÷
÷
+ =

e)
) x x ( f f ) x P(
4 5 , 4 4
÷ + =

) x x (
) x x (
f f
f ) x P(
4
4 5
4 5
4
÷
÷
÷
+ =

E Ej je em mp pl lo o 1 1. .1 13 3
En base a la siguiente tabla...
i 0 1 2 3 4 5
x 0.15 0.5 0.75 0.8 0.95 1.3
f 0.1494 0.4794 0.6816 0.7174 0.8134 0.9636
Hallar el valor de f para x = 0.32, x = 1.12 y x = 0.63 utilizando un polinomio de interpolación de Newton con
diferencias divididas ajustado a:
a.) i = 0, 1, 2, 3, 4, 5; b.) i = 2, 3, 4, 5; c.) i = 1, 2, 3.
Usar corte a 4 cifras significativas.
Se genera la tabla de diferencias divididas…
i x
i
f
i

[1]
I
f
[1]

| | 2
i
f
0 0.15 0.1494
0.4794 0.1494
0.5 0.15
0.9428
÷
=
÷

0.8088 0.9428
0.75 0.15
0.2233
÷
= ÷
÷

1 0.5 0.4794
0.6816 0.4794
0.75 0.5
0.8088
÷
=
÷

0.716 0.8088
0.8 0.5
0.3093 ÷
÷
=
÷

2 0.75 0.6816
0.7174 0.6816
0.8 0.75
0.716
÷
=
÷

0.64 0.716
0.95 0.75
0.38
÷
=
÷
÷
3 0.8 0.7174
0.8134 0.7174
0.95 0.
. 4
8
0 6
÷
=
÷

0.4291 0.64
1.3 0.8
0.4218 ÷
÷
=
÷

4 0.95 0.8134
0.9636 0.8134
1.3 0.95
0.4291
÷
=
÷

5 1.3 0.9636

| | 3
i
f
| | 4
i
f
| | 5
i
f
0.3093 0.2233
0.8 0.1
.13
5
0 23
÷ +
= ÷
÷
0.1571 0.1323
0.95 0.15
0.031
÷ +
=
÷
÷
0.1013 0.031
1.3 0.15
0.115
+
=
÷

36 Interpolación Polinómica

0.38 0.3093
0.95 0.5
0.1571
÷ +
= ÷
÷

0.076 0.1571
1.3 0.5
0.1013
÷ +
=
÷

0.4218 0.38
1.3 0.75
0.076
÷ +
=
÷
÷

y los polinomios de interpolación de Newton son...
a.)
1
P(x) 0.1494 0.9428(x 0.15) 0.2233(x 0.15)(x 0.5) 0.1323(x 0.15)(x 0.5)(x 0.75)
0.031(x 0.15)(x 0.5)(x 0.75)(x 0.8) 0.115(x 0.15)(x 0.5)(x 0.75)(x 0.8)(x 0.95)
= + ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ + ÷ ÷ ÷ ÷ ÷
1
P(0.32) 0.3154 =
1
P(0.63) 0.5889 =
1
P(1.12) 0.8993 =
b.)
2
P (x) 0.6816 0.716(x 0.75) 0.38(x 0.75)(x 0.8) 0.076(x 0.75)(x 0.8)(x 0.95) = + ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷

2
P (1.12) 0.9 =
c.)
3
P (x) 0.4794 0.8088(x 0.5) 0.3093(x 0.5)(x 0.75) = + ÷ ÷ ÷ ÷

3
P(0.63) 0.5893 =

Ejemplo 1.14
Para la siguiente tabla de datos:
x – 0.2 0 0.1 0.5 0.7
f(x) 0.7028 0.13534 – 0.14943 – 1.1518 – 1.4845
halle un polinomio de interpolación de segundo y otro de tercer grado que permitan obtener de forma aproxima-
da f(0.2). Utilice diferencias divididas.
La tabla de diferencias divididas es…
x
i
f
i
f
i
[1]
f
i
[2]
f
i
[3]
f
i
[4]

– 0.2 0.7028 – 2.8373 – 0.0347 1.0260 0.0036
0 0.13534 – 2.8477 0.6836 1.0293
0.1 – 0.14943 – 2.5059 1.4040
0.5 – 1.1518 – 1.6635
0.7 – 1.4845
Un polinomio de segundo grado que interpole a x = 0.2 es…
P(x) 0.14943 2.5059(x 0.1) 1.4040(x 0.1)(x 0.5) = ÷ ÷ ÷ + ÷ ÷
y uno de tercer grado es…
P(x) 0.13534 2.8477x 0.6836x(x 0.1) 1.0293x(x 0.1)(x 0.5) = ÷ + ÷ + ÷ ÷

la expresión para el polinomio de interpolación de Newton con nodos exclusivamente equiespaciados, de dis-
tancia h, utilizando (1.11), se transforma en...
37 Interpolación Polinómica

) x (x ) x x )( x (x
) (h n!
f
... ) x )(x x (x
) (h ! 2
f
) x (x
h
f
f P(x)
1 n 1 0
n
0
n
1 0
2
0
2
0
0
0 ÷
÷ · · · ÷ ÷
A
+ + ÷ ÷
A
+ ÷
A
+ =

o de forma general, para un conjunto de puntos ubicados entre x
n
y x
m
(0 s n s m), en un polinomio de grado (m
– n) dado por...
2 m n
n n n
n n n n 1 n n 1 m 1 2 m n
f f f
P(x) f (x x ) (x x )(x x ) ... (x x )(x x ) (x x )
h 2!(h ) (m n)!(h )
÷
+ + ÷ ÷
A A A
= + ÷ + ÷ ÷ + + ÷ ÷ · · · ÷
÷

denominado polinomio de interpolación de Newton con diferencias progresivas o polinomio de interpolación de
Newton–Gregory.
Ejemplo 1.15
En base a la siguiente tabla...
i 0 1 2 3 4 5 6
x 0.1 0.3 0.5 0.7 0.9 1.1 1.3
f 0.15 0.44 0.63 0.73 0.84 0.96 0.99
Encontrar el valor de f para x = 1, x = 0.45 y x = 0.12 mediante un polinomio de interpolación de Newton–
Gregory ajustado a:
a.) todos los datos; b.) i = 3, 4, 5, 6.
Usar redondeo a 7 cifras significativas.
Se genera la tabla de diferencias progresivas…
i x
i
f
i
Af
i

A
2
f
i

A
3
f
i

0 0.1 0.15 ÷ = 0.44 0.15 0.29 ÷ = ÷ 0.19 0.29 0.10 0.09 ( 0.10) 0.01 ÷ ÷ ÷ =

1 0.3 0.44 ÷ = 0.63 0.44 0.19 ÷ = ÷ 0.10 0.19 0.09 0.01 ( 0.09) 0.10 ÷ ÷ =

2 0.5 0.63 ÷ = 0.73 0.63 0.10 ÷ = 0.11 0.10 0.01 ÷ = 0.01 0.01 0

3 0.7 0.73 ÷ = 0.84 0.73 0.11 ÷ = 0.12 0.11 0.01 ÷ ÷ = ÷ 0.09 0.01 0.10

4 0.9 0.84 ÷ = 0.96 0.84 0.12 ÷ = ÷ 0.03 0.12 0.09
5 1.1 0.96 ÷ = 0.99 0.96 0.03
6 1.3 0.99

A
4
f
i

A
5
f
i

A
6
f
i

÷ = 0.10 0.01 0.09 ÷ ÷ = ÷ 0.10 0.09 0.19 0 ( 0.19 .1 ) 0 9 ÷ ÷ =
÷ = ÷ 0 0.10 0.10 0.10 ( ) 0 0.10 ÷ ÷ ÷ =
÷ ÷ ÷ = 0.10 0 0.10
los polinomios de interpolación de Newton son entonces...
a.) h = 0.3 – 0.1 = 0.5 – 0.3 = 0.7 – 0.5 = 0.9 – 0.7 = 1.1 – 0.9 = 1.3 – 1.1 = 0.2
1 2 3
4 5
6
0.29 0.10 0.01
P(x) 0.15 (x 0.1) (x 0.1)(x 0.3) (x 0.1)(x 0.3)(x 0.5)
0.2 2!(0.2) 3!(0.2)
0.09 0.19
(x 0.1)(x 0.3)(x 0.5)(x 0.7) (x 0.1)(x 0.3)(x 0.5)(x 0.7)(x 0.9)
4!(0.2) 5!(0.2)
0.19
(x 0.1)(x 0.
6!(0.2)
= + ÷ ÷ ÷ ÷ + ÷ ÷ ÷ +
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ +
÷ ÷ 3)(x 0.5)(x 0.7)(x 0.9)(x 1.1) ÷ ÷ ÷ ÷
(1.13)
(1.14)
38 Interpolación Polinómica

1
P(x) 0.15 1.45(x 0.1) 1.25(x 0.1)(x 0.3) 0.2083333(x 0.1)(x 0.3)(x 0.5)
2.34375(x 0.1)(x 0.3)(x 0.5)(x 0.7) 4.947917(x 0.1)(x 0.3)(x 0.5)(x 0.7)(x 0.9)
4.123264(x 0.1)(x 0.3)(x 0.5)(x 0.7)(x 0.9)(x 1
= + ÷ ÷ ÷ ÷ + ÷ ÷ ÷ +
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ +
÷ ÷ ÷ ÷ ÷ ÷ .1)
1
1
1
P(1) 0.9039550
P(0.45) 0.5951189
P(0.12) 0.1763624
=
=
=

b.)
2 2 3
0.11 0.01 0.10
P(x) 0.73 (x 0.7) (x 0.7)(x 0.9) (x 0.7)(x 0.9)(x 1.1)
0.2 2!(0.2) 3!(0.2)
= + ÷ + ÷ ÷ ÷ ÷ ÷ ÷
2
P(x) 0.73 0.55(x 0.7) 0.125(x 0.7)(x 0.9) 2.083333(x 0.7)(x 0.9)(x 1.1) = + ÷ + ÷ ÷ ÷ ÷ ÷ ÷
2
P(1) 0.905 =
1.5.1 POLINOMIO DE INTERPOLACIÓN DE NEWTON CON DERIVE 6.
Las siguientes líneas de programación
[2]
en Derive 6 presentan una utilidad para generar un polinomio de inter-
polación de Newton por diferencias divididas...
#1: Precision := Approximate
#2: “Generación de la tabla de diferencias divididas y progresivas para el conjunto de datos, d”
#3: DD(x, f, k) := VECTOR((f+(i + 1) – f+i)/(f+(i + k) – x+i), i, 1, DIM(x) – k)
#4: DD_(x, f) := ITERATES(DD(x, r, DIM(x) + 1 – DIM(r)), r, f, DIM(x) –1)
#5: DD_BLANCOS(x, f) := VECTOR(APPEND((DD_(x, f))+k, VECTOR("***", i, 1, k – 1)), k, 2, DIM(x))
#6: TABLA_DD(d) := APPEND(d, DD_BLANCOS(d+1, d+2))
#7: “Polinomio de interpolación de Newton por diferencias divididas
#8: PN1_DD(d, n, m, x) := VECTOR(PRODUCT(x – (TABLA_DD(d))+i+1, i, n, j), j, n, m – 1)
#9: PN2_DD(d, n, m, x) := (TABLA_DD(d))++[3, ..., 2 + m – n]+n
#10: PN_DD(d, n, m, x) := (TABLA_DD(d))+n+2 + PN1_DD(d, n, m, x)PN2_DD(d, n, m, x)
Ejemplo 1.16
Resolver el ejercicio 1.12 empleando Derive 6 con una precisión de 7 dígitos.
Derive 6 produce los siguientes resultados…
a.) La orden PN_DD([0.15, 0.5, 0.75, 0.8, 0.95, 1.3; 0.1494, 0.4794, 0.6816, 0.7174, 0.8134, 0.9636], 1, 6,
x), produce el polinomio…
5 4 3 2
0.1152921x 0.3942649x 0.3711869x 0.3333666x 1.090123x 0.007679653 ÷ + ÷ + ÷
sustituyendo x = 0.32, x = 0.63 y x = 1.12 se tiene respectivamente…
0.3154386
0.5889323
0.8993745

b.) La orden PN_DD([0.15, 0.5, 0.75, 0.8, 0.95, 1.3; 0.1494, 0.4794, 0.6816, 0.7174, 0.8134, 0.9636], 3, 6,
x), genera el polinomio…
3 2
0.075844131x 0.1903895x 1.147812x 0.04016882 ÷ ÷ + ÷
sustituyendo x = 1.12, resulta…
0.9
c.) La orden PN_DD([0.15, 0.5, 0.75, 0.8, 0.95, 1.3; 0.1494, 0.4794, 0.6816, 0.7174, 0.8134, 0.9636], 2, 4,
x), produce el polinomio…
39 Interpolación Polinómica

2
0.3093333x 1.195466x 0.04099999 ÷ + ÷
sustituyendo x = 0.63 se tiene…
0.5893692

1.6 ERROR EN POLINOMIOS DE INTERPOLACIÓN.
Si una función conocida f(x), se desea aproximar mediante un polinomio de interpolación P(x), surge un error
e(x) entre la función y el polinomio interpolador, el cual se define como...
e(x) f(x) P(x) = ÷
donde f(x) es la función de donde se extraen los datos (x
i
, f
i
) para la interpolación. En raras ocasiones es cono-
cida f(x), por lo cual es necesaria alguna forma alternativa de calcular o estimar el error de un polinomio de in-
terpolación.
Teorema(Error en un polinomio de interpolación). Sea f(x) una función continua y derivable, hasta el orden (n +
1) por lo menos, entonces para un ç cualquiera dentro del intervalo de interpolación [x
0
, x
n
], el error e(x) se pue-
de expresar como...
, ) x - (x
)! 1 n (
) ( f
P(x) f(x) (x) e
n
0 i
i
) 1 n (
[
=
+
+
ç
= ÷ =

En la fórmula para el error, si f(x) es un polinomio de grado n o menor, f
(n+1)
(ç) se anula y en ese caso el error
es 0; si esta no es la situación, la ecuación para el error es difícil evaluarla ya que es desconocido el valor exac-
to de ç, no obstante, cuando la (n + 1) ésima derivada esta acotada, es decir…
0 M donde M ) ( f
1) (n
> s ç
+

el error estimado o aproximado, e
ap
(x) es entonces...
n
i ap
i 0
M
e(x) f(x) P(x) (x x ) e (x)
(n 1)!
=
= ÷ s ÷ =
+
[

fórmula válida para cualquier valor de x que se encuentre entre x
0
y x
n
. Esta ecuación permite obtener la cota
máxima para el error.
La forma de distribución y la magnitud del error depende de los siguientes factores:
 Distribución de los nudos de interpolación.
 Tamaño del intervalo de interpolación, [x
0
, x
n
].
 Número de nodos de interpolación (u orden del polinomio de interpolación).
Si los nodos de interpolación están igualmente espaciados, el error tiende a distribuirse de forma tal que su
magnitud es pequeña en los alrededores del centro del intervalo pero crece de forma rápida al acercarse a los
extremos del mismo, hecho conocido con el nombre de fenómeno de Runge. La distribución de los nodos de in-
terpolación puede ser optimizada utilizando la interpolación con puntos de Chebyshev, método que distribuye la
magnitud del error de una manera más uniforme a lo largo del intervalo de interpolación, reduciendo los valores
máximos del error en los extremos.
Ejemplo 1.17
(1.15)
(1.16)
40 Interpolación Polinómica

Estudiar el comportamiento del error en un polinomio de interpolación, que resulte de la aproximación de la fun-
ción f(x) = cos(x
2
+1) desde 0 hasta 1 en distancias de 0.1. Emplear corte a 6 cifras significativas
Para empezar el estudio es necesario contar con la tabla de datos, la cual es...
x 0.1 0.2 0.3 0.4 0.5 0.6 0.7
f 0.540302 0.531860 0.506220 0.462485 0.399339 0.315322 0.209238 0.0807084

x 0.8 0.9 1
f – 0.0691484 – 0.236929 – 0.416146
Es necesario entonces contar con el objeto de análisis, el polinomio de interpolación. A través de la orden de
Derive 6 P_LAG([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1; 0.540302, 0.531860, 0.506220, 0.462485,
0.399339, 0.315322, 0.209238, 0.0807084, –0.0691484, –0.236929, –0.416146], x), se obtiene...
10 9 8 7 6
P(x) : 0.00557236x 0.0137833x 0.0531327x 0.03436911x 0.163270x
5 4 3 2
0.00970102x 0.267578x 0.000411552x 0.841435x 0.00000124909x
0.540302
= ÷ ÷ + ÷ + ÷
÷ ÷ ÷ ÷ +
por lo tanto la expresión para el error es...
2 10 9 8 7
e(x) : cos(x 1) 0.00557236x 0.0137833x 0.0531327x 0.03436911x
6 5 4 3 2
0.163270x 0.00970102x 0.267578x 0.000411552x 0.841435x
0.00000124909x 0.5403029
= + + + ÷ + ÷
+ + + + +
÷

Para visualizar el efecto del error es necesario graficarlo conjuntamente con el polinomio de interpolación, así…

Del gráfico se pueden observar las siguientes características:
 El error oscila.
 El fenómeno de Runge es evidente en los extremos del intervalo de interpolación.
 El error en los nodos de interpolación es nulo.
fenómeno de Runge
Centro del intervalo
1 0
(1×10
8
)e(x)
f(x)
41 Interpolación Polinómica

Seguidamente, se estimará la cota máxima de error...
Con ayuda de Derive 6, es posible calcular el valor absoluto de la onceava derivada de f(x) como…
(11) 3 8 4 2 8 4 2
f (x) 128x (16x 3960x 17325)sen(x 1) 3520x(16x 504x 189)cos(x 1) = ÷ + + ÷ ÷ + +
se grafica dicha expresión para determinar su cota máxima M…

por lo tanto...
ap
e(x) f(x) P(x) x(x 0.1)(x 0.2)(x 0.3)(x 0.4)(x 0.5)(x 0.6)(x 0.7)(x 0.8)(x 0.9)
1246577
(x 1) e (x)
(11)!
= ÷ s ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
÷ =

ap
e(x) 0.0312293 x(x 0.1)(x 0.2)(x 0.3)(x 0.4)(x 0.5)(x 0.6)(x 0.7)(x 0.8)(x 0.9)
(x 1) e (x)
s ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
÷ =

finalmente se traza la grafica para el error aproximado e
ap
(x)...

f
(11)
M =
42 Interpolación Polinómica

concluyéndose que e(x) s 0.000000130106.
De manera general, al disminuir el tamaño del intervalo de interpolación, también disminuye la magnitud del
error, y obviamente al aumentar el tamaño del intervalo también aumentará la magnitud del error, pudiendo ésta
inclusive superar al valor del polinomio interpolador.
Finalmente, si el tamaño del intervalo de interpolación permanece fijo y se incrementa el número de puntos de
interpolación a partir de un número pequeño de ellos, el valor máximo del error tiende a disminuir hasta un cierto
número de nodos, a partir del cual si se incrementa éste el error máximo puede comenzar a crecer, por lo que
se deduce que el aumentar el número de nodos de interpolación no garantiza el incremento en la precisión, pues
se presenta un fenómeno de oscilación que hace crecer el valor del error a tal punto que en conjunto con la
acumulación de errores de redondeo puede superar inclusive al valor del polinomio.
Ejemplo 1.18
Aproximar por interpolación polinomial la función
4
x
f(x)
1 x
=
+
en el intervalo [–1, 4], con los siguientes con-
juntos de nodos de interpolación:
i. {–1, –0.5, 0.5, 2, 4},
ii. {–1, –0.5, 0, 0.5, 1, 2, 3, 4}
iii. {–1, –0.5, 0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4}
Analizar el comportamiento del error.
Las tablas de datos (x
i
, f
i
) para cada conjunto de nodos de interpolación son…
x –1 –0.5 0.5 2 4
f 0.5 0.94117 0.94117 0.058823 0.0038910

x –1 –0.5 0 0.5 1 2 3 4
f 0.5 0.94117 0 0.94117 0.5 0.058823 0.012195 0.0038910

x –1 –0.5 0 0.5 1 1.5 2 2.5
f 0.5 0.94117 0 0.94117 0.5 0.16494 0.058823 0.024960

x 3 3.5 4
f 0.012195 0.0066197 0.0038910
Con dichos datos los polinomios de interpolación P
i
(x), P
ii
(x) y P
iii
(x) se escriben...
i
4 3 2
P(x) : 0.093842x 0.44678x 0.024147x 1.0528x 0.011902 = ÷ + + ÷
ii
7 6 5 4 3 2
P(x) : 0.016189x 0.13833x 0.30932x 0.17292x 0.99613x 0.034584x
1.1706x
= ÷ + + ÷ ÷ +

iii
10 9 8 7 6
P (x) : 0.00557236x 0.0137833x 0.0531327x 0.03436911x 0.163270x
5 4 3 2
0.00970102x 0.267578x 0.000411552x 0.841435x 0.00000124909x
0.540302
= ÷ ÷ + ÷ + ÷
÷ ÷ ÷ ÷ +
es necesario entonces efectuar las gráficas de los polinomios de interpolación para obtener una idea general de
lo que sucede al aumentar el número de puntos de interpolación…
43 Interpolación Polinómica


es evidente observar como al crecer el número de puntos de interpolación se mejora la aproximación de los po-
linomios a la función, excepto en el intervalo [–1, –0.5] donde se presenta una oscilación polinómica.
Las expresiones para los errores son...
i
x
4 3 2
e (x) : 0.267578x 0.000411552x 0.841435x 0.00000124909x
4
1 x
0.540302
= ÷ + ÷ ÷ +
+

ii
7 6 5 4 3
P(x) : 0.03436911x 0.163270x 0.00970102x 0.267578x 0.000411552x
2
0.841435x 0.00000124909x 0.540302
= + ÷ ÷ ÷
÷ ÷ +

iii
10 9 8 7 6
P (x) : 0.00557236x 0.0137833x 0.0531327x 0.03436911x 0.163270x
5 4 3 2
0.00970102x 0.267578x 0.000411552x 0.841435x 0.00000124909x
0.540302
= ÷ ÷ + ÷ + ÷
÷ ÷ ÷ ÷ +
y sus gráficas son…

oscilación polinómica
Pi(x)
Pii(x)
Piii(x)
f(x)
i
e (x)
ii
e (x)
iii
e (x)
44 Interpolación Polinómica

La gráfica confirma que el error disminuye a medida que el número de puntos de interpolación aumenta, excep-
to en el intervalo donde se presenta la oscilación polinómica. Aún así, el error presente en los extremos es supe-
rior al resto del intervalo de interpolación.
Un caso más crítico de oscilación polinómica lo muestra el siguiente ejemplo…
Ejemplo 1.19
Aproximar por interpolación polinomial la función
2
1
f(x)
1 x
=
+
en el intervalo [–5, 5], con los siguientes con-
juntos de puntos de interpolación:
i. {–5, –4, –1, 2, 4, 5},
ii. {–5, –4, –1, 0, 2, 3, 4, 5}
Analizar el comportamiento del error.
Sus tablas de datos (x
i
, f
i
) son…
x –5 –4 –1 2 4 5
f 0.038461 0.058823 0.5 0.2 0.058823 0.038461

x –5 –4 –1 0 2 3 4 5
f 0.038461 0.058823 0.5 0 0.2 0.1 0.058823 0.038461
y sus correspondientes polinomios de interpolación…
i
5 4 3 2
P(x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x
0.090498x 0.45701
= ÷ + + ÷ ÷
+

ii
7 6 5 4 3
P(x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x 0.090498x
2
0.45701x 1
= ÷ ÷ + +
÷ +

las gráficas de f(x) y los polinomios de interpolación anteriormente calculados, son…



Pi(x)
Pii(x)
f(x) oscilación polinómica
oscilación polinómica
45 Interpolación Polinómica

éstas muestran una gran influencia de oscilación polinómica en los extremos del intervalo de interpolación lo
que hará nada confiables los datos interpolados en estos intervalos. Los errores de interpolación para estos po-
linomios serán…
i
1
5 4 3 2
e (x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x
2
1 x
0.090498x 0.45701
= + ÷ ÷ + +
+
÷

ii
1
7 6 5 4 3
e (x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x 0.090498x
2
1 x
2
0.45701x 1
= ÷ + + ÷ ÷
+
+ ÷

y sus gráficas versus f(x) es…

resulta evidente que el error supera a f(x) en algunas regiones del intervalo de interpolación; esto confirma que
el aumentar el número de puntos de interpolación no siempre incrementa la precisión.
1.7 ERROR EN LOS POLINOMIOS DE INTERPOLACIÓN DE NEWTON.
Para los polinomios de interpolación de Newton existe una forma alternativa y más sencilla de expresar el error,
la cual la define el siguiente teorema...
Teorema. Sea f(x) una función continua y derivable hasta el orden (n + 1) inclusive, entonces para un polinomio
de interpolación de Newton, el error e(x) se puede expresar como...
| |
[
=
= ÷ =
n
0 i
i n 1 0
) x - (x x , x ,..., x , x f P(x) f(x) (x) e

para un valor arbitrario x = x
0
,x
1
,...,x
n
, siendo f[x
0
,x
1
,...,x
n
, x] la (n + 1) ésima diferencia finita dividida.
Si se toma un valor fijo x
n + 1
como por ejemplo un punto adicional de la tabla de datos, entonces la anterior ex-
presión se convierte en la relación aproximada...
| | ) x x ( ) x x )( x x ( f ) x - (x x , x ,..., x , x f (x) e
n 1 0 1 n , n ,..., 2 , 1 , 0
n
0 i
i 1 n n 1 0
÷ · · · ÷ ÷ = ~
+
=
+ [

(1.17)
i
e (x)
ii
e (x)
f(x)
46 Interpolación Polinómica

denominada regla del término siguiente, que muestra como el error aproximado de interpolación para un poli-
nomio de Newton por diferencias divididas está dado por el término (n + 1) ésimo del desarrollo de grado n. Si
bien la expresión (2.17) es válida para las diferencias divididas, se la puede también escribir en función de dife-
rencias progresivas como...
) x x ( ) x x )( x x (
h )! 1 n (
f
(x) e
n 1 0
1 n
0
1 n
÷ · · · ÷ ÷
+
A
~
+
+

Para las expresiones (1.17) y (1.18) se podría utilizar como punto adicional x
n+1
, ya sea un valor posterior a x
n
o
un anterior a x
0
, con el cual se construye las diferencias divididas o progresivas que requieren dichas fórmulas.
1.8 INTERPOLACIÓN CON RAÍCES O PUNTOS DE CHEBYSHEV. MINIMIZACIÓN DEL ERROR DE INTERPOLACIÓN.
En los métodos de interpolación revisados hasta aquí, el error se reparte de forma tal que toma valores máximos
cerca de los extremos del intervalo de interpolación; este comportamiento puede ser modificado si se escogen
los nodos de interpolación de manera que el error se distribuya uniformemente a lo largo de dicho intervalo.
Además, en este caso el error disminuirá considerablemente con respecto a los valores obtenidos en los méto-
dos vistos hasta ahora, lográndose con ello una minimización del error.
La minimización y repartición uniforme del error a lo largo del intervalo de interpolación se logra al tomar como
puntos de interpolación las raíces del denominado polinomio de Chebyshev.
Los polinomios de Chebyshev, T
n
(x) (donde n = 0,1,2,3,...) cuyo dominio de definición es [ 1,1], están dados
por la fórmula:
1,2,3,... , 0 n )) x arccos( n cos( ) x ( T
n
= · =

De esta definición, se puede establecer una fórmula recurrente para los polinomios de Chebyshev, así...
para n = 0, 1 )) x arccos( 0 cos( ) x ( T
0
= · =
para n = 1, x )) x arccos( 1 cos( ) x ( T
1
= · =
de la identidad trigonométrica...
| | o ÷ + o + = o o ) B A cos( ) B A cos(
2
1
) B cos( ) A cos(

con A = n, B = 1 y o = arccos(x), se obtiene...
|
| )) X arccos( ) 1 n cos((
)) x arccos( ) 1 n cos((
2
1
)) x ( cos(arccos )) x arccos( n cos(
÷
+ + = ·

rescribiendo la ecuación...
)) X arccos( ) 1 n cos(( x )) x arccos( n cos( 2 )) X arccos( ) 1 n cos((
)) x ( cos(arccos )) x arccos( n cos( 2 )) x arccos( ) 1 n cos((
÷ ÷ · = ÷
÷ · = +

pero, T
n+1
(x)=cos((n+1)arccos(x)) y T
n 1
(x)=cos((n ÷ 1)arccos(x)), entonces…
) x ( T ) x ( xT 2 ) x ( T
1 n n 1 n ÷ +
÷ =

fórmula recurrente que permite calcular el termino (n+1)÷ésimo en función de los términos n÷ésimo y
(1.18)
47 Interpolación Polinómica

(n÷1)÷ésimo. En base a ésta fórmula se pueden definir los polinomios de Chebyshev, de la siguiente manera...
) x ( T ) x ( xT 2 ) x ( T
. . . . . . . .
x 3 x 4 x ) 1 x 2 ( x 2 ) x ( T
1 x 2 1 ) x ( x 2 ) x ( T
x ) x ( T
1 ) x ( T
1 n n 1 n
3 2
3
2
2
1
0
÷ +
÷ =
÷ = ÷ ÷ =
÷ = ÷ =
=
=

se puede notar además que debido a la función coseno, –1 s T
n
(x) s 1, por lo que los polinomios de Chebyshev
se encuentran “encerrados” dentro de un cuadrado de coordenadas x = ± 1 e y = ± 1.
En Derive 6, existe la utilidad ORTH_POL.MTH contenida dentro del directorio MATH, que posee la función CHE-
BYCHEV_T(n, x), la cual calcula el n÷ésimo polinomio de Chebyshev. Así por ejemplo...
CHEBYCHEV_T(1, x) x =
2
CHEBYCHEV_T(2, x) 2x 1 = ÷
3
CHEBYCHEV_T(3, x) 4x 3x = ÷
4 2
CHEBYCHEV_T(4, x) 8x 8x 1 = ÷ +
5 3
CHEBYCHEV_T(5, x) 16x 20x 5x = ÷ +
Graficando estos polinomios se tiene…

Pero nos interesa de los polinomios de Chebyshev sus soluciones, pues éstas constituyen los nodos de interpo-
lación que distribuyen uniformemente el error y lo minimizan, entonces seguidamente se hallarán las raíces o
puntos de Chebyshev. Considérese...
0 ) x ( T
n
=

es decir, 0 )) x arccos( n cos( = ·
de donde... n 0,1,2,..., i
2 n 2
1 i 2
) x arccos( = t |
.
|

\
|
+
+
=
48 Interpolación Polinómica

o sea... n 0,1,2,..., i
2 n 2
1 i 2
cos x
i
=
(
¸
(

¸

t |
.
|

\
|
+
+
=
que es la fórmula para las raíces de Chebyshev en el intervalo [ 1,1]. Sin embargo rara vez, coincidirá el inter-
valo de las raíces con el intervalo de interpolación, por lo que es necesario acomodar la anterior fórmula para
que funcione dentro de cualquier intervalo [x
0
, x
n
]. Para lograr esto, considérese el siguiente cambio de varia-
ble...
n 0 n 0
(x x )x (x x )
z
2
÷ + +
=
donde,
0
n
z x si x 1
z x si x 1
= = ÷
= =

despejando x, se tiene...
n 0
n 0
2z (x x )
x
(x x )
÷ +
=
÷

y reemplazando en la fórmula para las raíces...
i n 0
n 0
2z (x x )
2i 1
cos
(x x ) 2n 2
÷ +
( + | |
= t
| (
+ +
\ . ¸ ¸

es decir...
n 0,1,2,..., i a b
2 n 2
1 i 2
cos ) a b (
2
1
z
i
=
(
(
¸
(

¸

+ +
(
¸
(

¸

t |
.
|

\
|
+
+
÷ =

que son las raíces de Chebyshev que se encuentran dentro del intervalo [x
0
, x
n
].
1.8.1 RAÍCES DE CHEBYSHEV CON DERIVE 6.
Es posible automatizar con Derive 6 el cálculo de las raíces z
i
de Chebyshev y los puntos de interpolación eva-
luados para una función f(x) en dichas raíces, mediante las siguientes líneas de programación...
#1: Precision := Approximate
#2: F(x) :=
#3: RAICES_CHEBYSHEV(x0, xn, n) := VECTOR([i, (1/2)((xn – x0)COS(((2i + 2)/(2n + 2))t) + xn + x0)], i, 0, n)
#4: DATOS(x0, xn, n) := VECTOR([RAICES_CHEBYSHEV(x0, xn, n)+i+2,F(RAICES_CHEBYSHEV(x0, xn, n)+i+2)], i, 1, n +
1)

49 Solución de ecuaciones no lineales

C CA AP PÍ ÍT TU UL LO O 2
2
S SO OL LU UC CI IÓ ÓN N D DE E E EC CU UA AC CI IO ON NE ES S N NO O L LI IN NE EA AL LE ES S

Las ecuaciones no lineales, en su mayoría, no poseen métodos exactos de obtención de raíces y en caso de
que éstos existan, muchas veces su proceso resulta de trámite muy engorroso. El objetivo del presente capítulo
es exponer al lector los principales métodos de solución de ecuaciones no lineales, que mediante una automati-
zación por computadora, resultan una alternativa muy eficaz.
Matemáticamente el problema lo establece el siguiente teorema...
Definición (Raíz de una ecuación). Sea y = f(x) una función dada, y sea x
r
un número real o complejo, entonces
si f(x
r
) = 0, entonces se dice que x
r
es una raíz o solución de f(x) = 0.
2.1 AISLAMIENTO DE RAICES.
El primer paso a darse para poder aplicar los métodos numéricos del presente capítulo es aislar el intervalo de
tal manera que exista una sola y única raíz. Analíticamente, se puede proceder a determinar dicho intervalo,
aunque en muchas ocasiones es necesario ayudarse de una aproximación gráfica.
De forma matemática el aislamiento de una raíz se fundamenta en el siguiente teorema…
Teorema (Teorema de Bolzano). Sea y = f(x) una función continua en el intervalo [a, c]. Si f(a)f(c) < 0, enton-
ces existe al menos un punto x
r
, tal que f(x
r
) = 0.
La interpretación geométrica del teorema de Bolzano se muestra en el siguiente gráfico...

Aunque el teorema anterior establece la condición necesaria para la existencia de por lo menos una raíz, deja
abierta la posibilidad de que exista más de una. Para descartar tal posibilidad y encontrar un intervalo que con-
tenga una y solo una raíz, es indispensable considerar el siguiente teorema...
Teorema (Existencia de una única raíz). Sea y = f(x) una función continua y derivable en el intervalo [a, c] con
f(a)f(c) < 0. Si el signo de f'(x) permanece constante en [a, c], entonces existe una única raíz o solución de f(x)
Fig. 2.1: Teorema de Bolzano
50 Solución de ecuaciones no lineales

= 0 en dicho intervalo.
Debido a que y = f(x) es continua y derivable en [a, c], se puede aplicar el teorema de Bolzano con lo que se
asegura la existencia de al menos una raíz. Por otro lado, dado que existe f'(x) y que tiene un valor constante,
entonces se garantiza que f(x) sea estrictamente creciente o decreciente en [a, c], lo que impide que la curva
pueda cortar al eje de las abscisas en más de un punto, permitiendo de esta forma la existencia de una sola y
única raíz.
2.2 APROXIMACIÓN GRÁFICA A LA SOLUCIÓN DE UNA ECUACIÓN.
Antes de utilizar un algoritmo numérico para encontrar la raíz de una ecuación es necesario previamente encon-
trar un primer intervalo de aproximación o una ó más aproximaciones a la raíz. Este proceso de “primera
aproximación” se lo puede lograr a partir del grafico de la curva cuya raíz se busca.
En Derive 6 el proceso de graficación es muy simple, para ello…
Paso 1: Se escribe la función en la forma y = f(x).
Paso 2: Se hace clic sobre la orden Window/New 2D–plot Window y luego sobre el icono
Paso 3: Entonces aparece la ventana de gráficos, que tiene el siguiente aspecto...

Paso 4: En dicha ventana se hace clic sobre la orden Insert/Plot (ó F4) y la gráfica automáticamente se dibuja.
Ejemplo 2.1
Graficar mediante Derive 6 la función y = sen(x) + e
-cos(x)
, y descubrir un intervalo donde exista raíz.
Se escribe y resalta la ecuación...

seguidamente se efectúa el proceso anteriormente indicado y se obtiene...
51 Solución de ecuaciones no lineales


Del gráfico se puede observar claramente que hay un intervalo de existencia de la raíz en [4, 5].

2.3 MÉTODOS CERRADOS.
Estos métodos de solución de ecuaciones no lineales encuentran una aproximación(valor cercano) a la raíz,
mediante procesos iterativos, partiendo de un intervalo cerrado el cual es reducido a otro, siempre dentro del an-
terior, que contenga la raíz en una vecindad tan pequeña como se desee.
2.3.1 MÉTODO DE BISECCIÓN.
Este es el método más simple, seguro y sólido, aunque no el más rápido, para hallar la raíz de una ecuación no
lineal. Para poder determinar la raíz de la ecuación es previamente necesario encontrar por aproximación gráfica
o aislamiento numérico el intervalo de ubicación de la misma.
A continuación se describe el método...
Supóngase que en el intervalo entre x = a y x = c, expresado [a, c], existe una sola
raíz, como se muestra en el siguiente gráfico...
52 Solución de ecuaciones no lineales


El método se fundamenta en el hecho de que existe una raíz en el intervalo [a, c], siempre y cuando los signos
de y = f(x) en los dos extremos del mismo sean contrarios, o bien que f(a) ó f(c) se anulen, es decir f(a)·f(c) s
0. El primer paso para utilizar este método consiste en bisecar o dividir por la mitad el intervalo [a, c], a saber
[a, b] y [b, c] donde b es el punto medio dado por
2
) c a (
b
+
= . Luego de verificar los signos de f(a)·f(b) y
f(b)·f(c) se ubica la mitad del intervalo que contiene la raíz. De esta manera, si f(a)·f(b) s 0, el intervalo [a, b]
contiene la raíz, caso contrario el intervalo [b, c] será el que la contenga. Encontrado el nuevo intervalo que con-
tiene la raíz se biseca de nuevo el mismo y se repite el proceso para hallar el nuevo intervalo que contiene la
raíz. Si se repite secuencialmente el proceso anterior, el intervalo de la raíz se vuelve cada vez más pequeño,
pudiéndose detener el proceso cuando la raíz (punto medio en cada bisección) se encuentre dentro de una tole-
rancia tol prefijada. Luego de haber realizado el proceso n veces el tamaño del intervalo tiene el tamaño
n
inicial
2
) a c ( ÷
. La tolerancia tol entonces debe cumplir entonces con la desigualdad
÷
s
inicial
n
(c a)
tol
2
, ó
÷ ÷
>
inicial
ln((c a) ) ln(tol)
n
ln(2)

Ejemplo 2.2
Encontrar las raíces de la ecuación f(x) = sen(x
2
÷ 2x) que se ubiquen en el intervalo [1, t], utilizando el méto-
do de bisección con una tolerancia de tol = 0.001. Redondear los cálculos a 6 cifras decimales.
Se procede a generar una tabla para aislar las posibles raíces contenidas en el intervalo [1, t]...
i x
i
f(x
i
)
1 1 – 0.841471
2 1.5 – 0.681631
3
2 0
a
c
y
x
f(c ) > 0
f(a) < 0
raíz
f(x)
Fig. 2.2: Método de bisección
53 Solución de ecuaciones no lineales

4 2.5 0.948985
5 3 0.141120
6 3.141593 – 0.430301
De la tabla se puede observar que una raíz se encuentra en x = 2 y la otra en el intervalo [3, t], pues en el se
produce un cambio en f(x) de positivo a negativo. Entonces se procederá a la búsqueda de esta última raíz...
i a b c f(a) f(b) f(c)
1 3 3.070796 3.141593 0.141120 – 0.146079 – 0.430301
2 3 3.035398 3.070796 0.141120 – 0.001252 – 0.146079
3 3 3.017699 3.035398 0.141120 0.070421 – 0.001252
4 3.017699 3.026549 3.035398 0.070421 0.034685 – 0.001252
5 3.026549 3.030974 3.035398 0.034685 0.016736 – 0.001252
6 3.030974 3.033186 3.035398 0.016736 0.007747 – 0.001252
7 3.033186 3.034292 3.035398 0.007747 0.003249 – 0.001252
8 3.034292 3.034845 3.035398 0.003249 0.000998 – 0.001252

i 1 2 3 4 5 6 7 8
Error absoluto --- 0.035398 0.017699 0.008850 0.004425 0.002212 0.001106 0.000553
Por lo tanto, la raíz para el intervalo [3, t] es x = 3.033186 por error relativo y x = 3.034845 por error absolu-
to.
Ejemplo 2.3
Hallar una raíz de la ecuación f(x) = x
4
÷ 3x
3
+ 3x – 1, utilizando el método de bisección con una tolerancia de
tol = 0.001. Emplear redondeo a 6 cifras decimales.
Como no se da en el problema un intervalo donde encontrar la raíz, se procede entonces a graficar la función
para aislar un intervalo de búsqueda de la raíz...
1 0 1 2 3
2
2
f x ( )
x
Se puede entonces tomar varias alternativas para intervalos de búsqueda, tomemos el intervalo [2, 3], y en él se
afinará el aislamiento de la posible raíz, mediante la siguiente tabla...
i x
i
f(x
i
)
1 2 – 3
2 2.2 – 2.918400
54 Solución de ecuaciones no lineales

3 2.4 – 2.094400
4 2.6 – 0.230400
5 2.8 3.009600
6 3 8
por lo que la raíz se halla en el intervalo [2.6, 2.8]. La tabla de búsqueda de dicha raíz es...
i a b c f(a) f(b) f(c)
1 2.6 2.7 2.8 – 0.230400 1.195100 3.009600
2 2.6 2.65 2.7 – 0.230400 0.436631 1.195100
3 2.6 2.625 2.65 – 0.230400 0.092041 0.436631
4 2.6 2.6125 2.625 – 0.230400 – 0.071904 0.092041
5 2.6125 2.61875 2.625 – 0.071904 0.009382 0.092041
6 2.6125 2.615625 2.61875 – 0.071904 – 0.031432 0.009382
7 2.615625 2.617188 2.61875 – 0.031432 – 0.011062 0.009382
8 2.617188 2.617969 2.61875 – 0.011062 – 0.000851 0.009382

i 1 2 3 4 5 6 7 8
Error absoluto --- 0.05 0.025 0.0125 0.00625 0.003125 0.001563 0.000781
Entonces la raíz para el intervalo [2.6, 2.8] es x = 2.617188 por error relativo y x = 2.617969 por error absolu-
to.
Ejemplo 2.4
Utilice el método de bisección para hallar la raíz de la ecuación x tan(x) = , contenida en el intervalo [4, 5],
con hasta 2 cifras decimales de precisión.
Se escribe la ecuación en la forma f(x) = 0, de donde f(x) x tan(x) 0 = ÷ = .
Se procede entonces al aislamiento de las posibles raíces…
x f(x)
4 4 tan(4) 2.842179 ÷ =
4.1 4.1 tan(4.1) 2.676474 ÷ =
4.2 4.2 tan(4.2) 2.422220 ÷ =
4.3 4.3 tan(4.3) 2.014152 ÷ =
4.4 4.4 tan(4.4 1.3 6 ) 0367 ÷ =
4.5 4.5 tan(4.5) 0.137332 ÷ ÷ =
4.6 4.6 tan(4.6) 4.260175 ÷ = ÷
4.7 4.7 tan(4.7) 76.012763 ÷ ÷ =
4.8 4.8 tan(4.8) 16.184871 ÷ =
4.9 4.9 tan(4.9) 10.167493 ÷ =
5 5 tan(5) 8.380515 ÷ =
El primer cambio de signo entre 4.4 y 4.5 corresponde a la presencia de la raíz, mientras que el segundo cam-
55 Solución de ecuaciones no lineales

bio, entre 4.7 y 4.8, se presenta en la asíntota
3
x
2
t
= y no corresponde a la presencia de una raíz.
Por lo tanto el intervalo de búsqueda de la raíz es [4.4, 4.5]
i a b c f(a) f(b) f(c)
1 4.4 4.45 4.5 + 0.726731 –
2 4.45 4.475 4.5 + 0.341933 –
3 4.475 4.4875 4.5 + 0.116078 –
4 4.4875 4.49375 4.5 + – 0.006887 –
5 4.4875 4.490625 4.49375 + 0.055491 –
6 4.490625 4.492188 4.49375 + 0.02451 –
7 4.492188 4.492969 4.49375 + 0.008875 –

i 1 2 3 4 5 6 7
Error absoluto --- 0.025 0.0125 0.00625 0.003125 0.001563 0.000781
La raíz pedida es 4.492969.
Comprobemos la no existencia de raíz en el intervalo [4.7, 4.8]:
i a b c f(a) f(b) f(c)
1 4.7 4.75 4.8 – 76.012763 31.325414 16.184871
2 4.7 4.725 4.75 – 76.012763 84.016526 31.325414
3 4.7 4.7125 4.725 – 76.012763 9012.129732 84.016526
4 4.7 4.70625 4.7125 – 76.012763 – 158.185203 9012.129732
5 4.70625 4.709375 4.7125 – 158.185203 – 327.076783 9012.129732
6 4.709375 4.710938 4.7125 – 327.076783 – 684.477771 9012.129732
7 4.710938 4.711719 4.7125 – 684.477771 – 1487.869069 9012.129732

i 1 2 3 4 5 6 7
Error absoluto --- 0.025 0.0125 0.00625 0.003125 0.001563 0.000781
Si bien se puede observar que el error disminuye como en la búsqueda del intervalo [4.4, 4.5], el valor de f(b)
en lugar de acercarse a cero crece (ya sea con valores negativos o positivos), lo que demuestra que el acerca-
miento al posible punto raíz no es más que un acercamiento al punto correspondiente a una asíntota.
2.3.1.1 MÉTODO DE BISECCIÓN UTILIZANDO DERIVE 6
Aislamiento de las raíces
Las instrucciones siguientes permiten en Derive 6 generar un rastreo de los intervalos posibles donde se pueden
hallar las raíces...
#1: F(x) :=
#2: AISL(in, fin, p) := VECTOR([x, SIGN(F(x))], x, in, fin, p)
Método de Bisección
Un programa en Derive 6 utilizando programación funcional para hallar la raíz de una ecuación por el método de
bisección utilizando el número de iteraciones n como criterio de paro, está dado por las siguientes instruccio-
nes...
56 Solución de ecuaciones no lineales

#1: F(x) :=
#2: BIS_AUX1(in, fin) := IF(F(in)F((in+fin)/2)<0, [in, (in+fin)/2], [(in+fin)/2, fin])
#3: BIS_AUX2(in, fin, n) := ITERATE(BIS_AUX1(v+1, v+2), v, [in, fin], n – 1)
#4: BISECCION(in, fin, n) := IF(F((in+fin)/2) = 0, [“raiz” ; (in+fin)/2], [“raíz”, “error” ; ((BIS_AUX2(in, fin, n)+1+
BIS_AUX2(in, fin, n)+2)/2, ABS(((BIS_AUX2(in, fin, n))+2 – (BIS_AUX2(in, fin, n))+1)/2)])
Un programa en Derive 6 utilizando programación procedural para hallar la raíz de una ecuación por el método
de bisección utilizando el número de iteraciones n como criterio de paro, está dado por las siguientes instruc-
ciones...
#1: F(x) :=
#2: BISECCION(in, fin, n) := PROG(i := 1, LOOP(r := (in+fin)/2, t := ABS((fin – in)/2), IF(F(r) = 0, RETURN [“raiz”, “er-
ror”; r, 0]), IF(i = n, RETURN [“raiz”, “error”; r, t]), IF(F(in)F(r) > 0, in := r, fin := r), i :+ 1))
2.3.2 MÉTODO DE FALSA POSICIÓN, DE LAS CUERDAS O REGULA FALSI.
Este método efectúa una aproximación a la raíz, mediante interpolación lineal, la que genera una cuerda, de ahí
su nombre extendido de método de las cuerdas. Considérese una función f(x) en el intervalo [a, c], en el cual
existe una raíz, es decir f(a)·f(c) s 0; entre los puntos extremos [a, f(a)] y [c, f(c)] se efectúa una interpolación
lineal generando una cuerda AC, como lo muestra el siguiente gráfico...

Dicha cuerda corta al eje x en el punto b, éste es la primera aproximación a la raíz exacta; por este punto se tra-
za una recta vertical hasta cortar la función f(x), es decir hasta generar el punto [b, f(b)]. Gracias a este punto la
curva queda cortada en dos segmentos uno de los cuales contendrá la raíz. Supóngase que el segmento entre
los puntos [b, f(b)] y [c, f(c)] (como se observa en el gráfico), contiene la raíz, entonces este segmento de cur-
va se vuelve a aproximar mediante interpolación lineal repitiendo el proceso explicado anteriormente; así se
hallará una segunda aproximación a la raíz. Este procedimiento se repite un número n de veces hasta que la di-
ferencia entre la n–ésima y la (n – 1)–ésima aproximaciones no superen una tolerancia prefijada tol. De lo expli-
cado se puede comprobar que el proceso es casi exactamente idéntico al método anterior, excepto por la forma
de determinar el punto intermedio b, que deja de ser una monótona bisección. El siguiente paso es determinar la
a
c
x
f(c) > 0
f(a) < 0
raíz
b
f(b) < 0
A
C
y
f(x)
Fig. 2.3: Método de falsa posición
57 Solución de ecuaciones no lineales

fórmula para el punto intermedio b. Considérese para ello los triángulos AAab y ACcb mostrados claramente en
el gráfico anterior; estos triángulos son semejantes entonces se puede establecer la relación...
a b
b c
) a ( f
) c ( f
÷
÷
=
÷

despejando de ésta b, se tiene...
) a ( f ) c ( f
) a ( cf ) c ( af
b
÷
÷
=
expresión que constituye la formula general para la aproximación a la raíz mediante el método de la falsa posi-
ción.
La desventaja de este método es que pueden aparecer extremos fijos, en donde uno de los extremos de las ite-
raciones no se mueve del punto original, por lo que las sucesivas aproximaciones a la raíz, convergen a la raíz
exacta solamente por un extremo. Los extremos fijos hacen más lenta la convergencia, especialmente cuando el
intervalo inicial es muy grande o cuando la función se desvía de manera significativa de la línea recta generada
en la interpolación lineal.
Ejemplo 2.5
Determinar las raíces de la ecuación ) x cos( e ) x ( f
3
x
÷ =
÷
que se ubiquen en el intervalo [0,2], utilizando el
método de la falsa posición con una tolerancia de 0.001.
Se procede a generar una tabla para aislar las posibles raíces contenidas en el intervalo...
i x
i
f(x
i
)
1 0 0
2 0.2 0.0119652
3 0.4 0.0169439
4 0.6 – 0.0196003
5 0.8 – 0.0974110
6 1 – 0.172422
7 1.2 – 0.184718
8 1.4 – 0.105654
9 1.6 0.0458384
10 1.8 0.230134
11 2 0.416482
De la tabla se puede observar que una raíz se encuentra en x = 0 y otras dos posibles raíces se hallan en los in-
tervalos [0.4, 0.6] y [1.4, 1.6]
Búsqueda de la raíz en el primer intervalo...
i a b c f(a) f(b) f(c)
1 0.4 0.492731 0.6 0.0169439 0.00620691 – 0.0196003
2 0.492731 0.518530 0.6 0.00620691 0.00131492 – 0.0196003
3 0.518530 0.523651 0.6 0.00131492 0.000243068 – 0.0196003
4 0.523651 0.524586 0.6 0.000243068 0.0000438128 – 0.0196003

58 Solución de ecuaciones no lineales

i 1 2 3 4
Error absoluto --- 0.092569 0.005121 0.000935
Ahora la raíz en el segundo intervalo...
i a b c f(a) f(b) f(c)
1 1.4 1.53948 1.6 – 0.105654 – 0.00528296 0.0458384
2 1.53948 1.54573 1.6 – 0.00528296 – 0.000171186 0.0458384
3 1.54573 1.54593 1.6 – 0.000171186 – 0.00000673644 0.0458384

i 1 2 3
Error absoluto --- 0.00625 0.0002
Las raíces son entonces x = 0.524586 y x = 1.54593.
Ejemplo 2.6
Encuentre la raíz de f(x) = sen(x) – x + 1 que se sabe está en 1 < x < 3, mediante el método de falsa posi-
ción. Utilice una tolerancia de 0.0001.
Se procede a generar una tabla para aislar la raíz contenidas en el intervalo dado...
i x
i
f(x
i
)
1 1 0.841470
2 1.2 0.732039
3 1.4 0.585449
4 1.6 0.399573
5 1.8 0.173847
6 2 – 0.0907025
7 2.2 – 0.391503
8 2.4 – 0.724536
9 2.6 – 1.08449
10 2.8 – 1.46501
11 3 – 1.85887
Entonces la raíz buscada se encuentra en el intervalo [1.8, 2], hallémosla...
i a b c f(a) f(b) f(c)
1 1.8 1.93142 2 0.173847 0.00425689 – 0.0907025
2 1.93142 1.93449 2 0.00425689 0.0000991965 – 0.0907025
3 1.93449 1.93456 2 0.0000991965 0.00000452348 – 0.0907025

i 1 2 3
Error absoluto --- 0.00307 0.00007
La raíz es x = 1.93456.
Ejemplo 2.7
Mediante el método de falsa posición encuentre una raíz de
3
f(x) x x 1 = ÷ ÷ , con hasta 3 cifras decimales de
precisión.
59 Solución de ecuaciones no lineales

1 0.5 0 0.5 1 1.5 2
2
2
4
f x ( )
1 ÷ 2
x
Del gráfico es fácil observar que la raíz se halla en el intervalo [1, 1.5].
i a b c f(a) f(b) f(c)
1 1 1.266667 1.5 – 1 – 0.234369 0.875
2 1.266667 1.315962 1.5 – 0.234369 – 0.037037 0.875
3 1.315962 1.323436 1.5 – 0.037037 – 0.005461 0.875
4 1.323436 1.324531 1.5 – 0.005461 – 0.000797 0.875
5 1.324531 1.324691 1.5 – 0.000797 – 0.000115 0.875

i 1 2 3 4 5
Error absoluto --- 0.049295 0.007474 0.001095 0.000160
La raíz pedida es 1.324691.
CARACTERÍSTICAS DE LOS MÉTODOS CERRADOS ESTUDIADOS: El siguiente cuadro muestra una serie de ca-
racterísticas que pueden servir para elegir uno de los métodos estudiados de acuerdo al contexto del problema...
Método de bisección Método de falsa posición
El método siempre halla la raíz, si ella se encuentra en
el intervalo de búsqueda utilizado.
El método siempre halla la raíz, si ella se encuentra en el
intervalo de búsqueda utilizado.
El método puede determinar una singularidad de la fun-
ción como raíz de la ecuación , por lo que es necesario
verificar que f(b) converja a 0.
El método puede determinar una singularidad de la fun-
ción como raíz de la ecuación , por lo que es necesario
verificar que f(b) converja a 0.
El método, en general, es lento en su convergencia
hacia la raíz. Este problema se puede minimizar si se
afina lo más posible el intervalo de búsqueda de la raíz,
antes de proceder a utilizar el método.
El método tiene una convergencia más rápida que el
método de bisección, siempre y cuando la función lineal
que interpola a f(x) y ésta sean muy próximos entre sí;
pero en general este método no es más rápido que el de
bisección, porque genera la aparición de un extremo fijo
que detiene su convergencia.
El método tiene una convergencia lineal El método tiene una convergencia lineal, aunque en algu-
nos casos, especialmente aquellos en los que la interpo-
lación lineal es muy cercana a la curva f(x), presenta una
convergencia mayor a la lineal.
2.4 MÉTODOS ABIERTOS.
Los métodos abiertos de solución de ecuaciones no lineales hallan una aproximación a la raíz, mediante proce-
sos iterativos, partiendo de una o más aproximaciones iniciales a la raíz. Sus valores obtenidos a partir de estas
60 Solución de ecuaciones no lineales

aproximaciones iniciales no se restringen a un intervalo cerrado como en los métodos anteriores, ello da el
nombre de “abiertos” a estos métodos.
2.4.1 MÉTODO DE NEWTON - RAPHSON O DE LAS TANGENTES.
Este método constituye uno de los más utilizados y basa su algoritmo en la aproximación a la raíz mediante la
tangente a la curva en un punto inicial de búsqueda.
Sea f(x) una función que contenga una raíz, como lo muestra el siguiente gráfico...


Se estima entonces un punto inicial de búsqueda, por ejemplo x
0
y se traza la tangente a f(x) que pase por el
punto (x
0
, f(x
0
));dicha tangente corta al eje x en el punto x
1
, que es la primera aproximación a la raíz exacta. Aho-
ra se toma como estimación de búsqueda al punto x
1
y se vuelve a repetir el procedimiento para encontrar las
siguientes aproximaciones x
2
, x
3
, ..., x
n
; el proceso se detendrá cuando la distancia entre dos aproximaciones
sucesivas x
n-1
y x
n
no superen una tolerancia prefijada tol. Existe una fórmula general para la aproximación n–
ésima (x
n
) a la raíz exacta, ésta se deducirá a continuación. Considérese el triángulo AAx
2
x
0
del gráfico anterior;
por trigonometría se puede establecer...
1 0
o
1 0
0
0
´
0 1
x x
) x ( f
x x
Ax
) x ( f ) x Ax tan(
÷
=
÷
= = Z , de donde...
) x ( f
) x ( f
x x
0
´
o
0 1
÷ = para el triángulo ABx
2
x
1
se puede establecer bajo la misma deducción que...
) x ( f
) x ( f
x x
1
´
1
1 2
÷ = y como el procedimiento genera triángulos de la misma especie, de manera general se tie-
ne...
n
n 1 n ´
n
f(x )
x x n 0,1,2,3,...
f (x )
+
= ÷ = Ésta es la fórmula general para la n–ésima aproximación a la raíz
exacta. Si bien el método es muy sencillo de aplicar, el método tiene dos inconvenientes: el cálculo de la prime-
Fig. 2.4: Método de Newton – Raphson
x
y
f(x)
X0
A
B
X1 X2
61 Solución de ecuaciones no lineales

ra derivada puede ser algo complicado y se requiere una buena estimación inicial, de otro modo, la solución ite-
rativa puede divergir o converger a una solución irrelevante; por otro lado, la velocidad de convergencia hacia la
raíz exacta del método es alta, en comparación a los métodos cerrados.
Ejemplo 2.8
Determinar las raíces de la ecuación ) x ( sen x ) x ( f
5
÷ = que se ubiquen en el intervalo [–1,1], utilizando el
método de las tangentes con una tolerancia de 0.00001.
Graficando f(x)...
1 0 1
5
5
f x ( )
x

Es muy fácil notar que posee una raíz en x = 0, y que las dos restantes se hallan en los intervalos [–1,0] y
[0,1].
La fórmula iterativa que se aplicará para este problema es
i
i 1 i i
i
f(x )
x x x
f (x )
+
= ÷ = ÷
'

5
i i
4
i i
x sen(x )
5x cos(x )
÷
÷

La primera raíz se halla muy cerca de –1, por lo que esta puede ser una buena aproximación a la primera raíz,
entonces el proceso iterativo es...
i x
i
f(x
i
) f’(x
i
)
0 – 1 – 0.1585290151 4.459697694
1 – 0.9644529683 – 0.01272220908 3.756210276
2 – 0.9610659883 – 0.0001072614342 3.692980193
3 – 0.9610369436 – 0.000000007766774559 3.692440754
4 – 0.9610369414 – 0.0000000003571252802 3.692440713

i 1 2 3 4 5
Error absoluto --- 0.0355470 0.00338697 0.0000290447 0.00000000219958
La segunda raíz se encuentra en cambio cerca de 1, por lo que este valor será una buena aproximación a dicha
raíz, así entonces...
i x
i
f(x
i
) f’(x
i
)
0 1 0.1585290151 4.459697694
1 0.9644529683 0.01272220908 3.756210276
2 0.9610659883 0.0001072614342 3.692980193
62 Solución de ecuaciones no lineales

3 0.9610369436 0.000000007766774559 3.692440754
4 0.9610369414 0.0000000003571252802 3.692440713

i 1 2 3 4 5
Error absoluto --- 0.0355470 0.00338697 0.0000290447 0.00000000219958
Las raíces son entonces x = – 0.9610369414 y x = 0.9610369414.
Ejemplo 2.9
Hallar una raíz de la ecuación f(x) = cot(x) + 3x, en el intervalo [0,4] utilizando el método de las tangentes con
una tolerancia de 0.00001.
Graficando la función…
0 2 4
10
10
f x ( )
3 t
x

se observa una raíz en el intervalo [2,4]. Se tomará un punto muy cercano a la raíz, x = 3, como aproximación
inicial.
La fórmula iterativa que se aplica a este problema es
+
= ÷ = ÷
'
i
i 1 i i
i
f(x )
x x x
f (x )

÷
÷
i i
2
i
cot(x ) 3x
1
3
sen (x )

Por lo tanto...
i x
i
f(x
i
) f’(x
i
)
0 3 1.984747448 – 47.21376835
1 3.042037471 – 0.8853610661 – 98.22960122
2 3.033024291 – 0.07549562518 – 82.17270712
3 3.032105547 – 0.0006539986341 – 80.75487484
4 3.032097448 – 0.00000001634703654 – 80.74253467

i 1 2 3 4 5
Error absoluto --- 0.0420374 0.00901318 0.000918744 0.000008099
entonces la raíz pedida es x = 3.032097448.
Ejemplo 2.10
Encuentre la raíz de
x 1 3
f(x) e 5x
÷
= ÷ con hasta 4 cifras decimales de precisión. ¿Cuántas iteraciones requerirá
el método de bisección para lograr la misma precisión?
asíntota
aproximación inicial
63 Solución de ecuaciones no lineales


El punto más adecuado para empezar el procedimiento es x = 1, así…
i x
i
f(x
i
) f’(x
i
)
0 1 – 4 – 14
1 0.7142857142 – 1.070680141 – 6.901583931
2 0.5591502914 – 0.2305996222 – 4.046246315
3 0.5021592917 – 0.02529061192 – 3.174617562
4 0.4941927850 – 0.0004562793948 – 3.060379018
5 0.4940436925 – 0.0000001578965366 – 3.058258837
6 0.4940436408 0.0000000002120244336 – 3.058258102

i 0 1 2 3 4
Error absoluto --- 0.285714286 0.155135423 0.056991000 0.007966507

i 5 6
Error absoluto 0.000149093 0.000000672
La raíz exacta a cuatro cifras decimales es 0.4940
El método de bisección en el intervalo [0, 1] requiere de…
inicial
ln((c a) ) ln(tol)
n
ln(2)
ln(1 0) ln(0.00001)
n 16.6 17
ln(2)
÷ ÷
>
÷ ÷
> = ~

es decir 17 o más iteraciones.
2.4.1.1 MÉTODO DE NEWTON-RAPHSON CON DERIVE 6.
Las siguientes líneas de programación en Derive 6 mediante programación funcional constituyen el método de
las tangentes para el cálculo de la raíz de una ecuación, utilizando el número de iteraciones n como criterio de
paro...
#1: F(x) :=
#2: APROX(in, n) := ITERATES(v – F(v)/F'(v), v, in, n)
#3: NEWTON(in, n) := [“raiz”, “error” ; (APROX(in, n))+n, ABS((APROX(in, n))+n – (APROX(in, n))+(n – 1))]
en cambio las siguientes líneas constituyen la programación procedural en Derive 6 para el cálculo de la raíz de
una ecuación mediante el método de Newton – Raphson, utilizando el número de iteraciones n como criterio de
paro...
64 Solución de ecuaciones no lineales

#1: F(x) :=
#2: NEWTON_(in, n) := PROG(i := 1, r := in, LOOP(r_ := r – F(r)/F’(r), t := ABS(r_ – r), IF(i = n, RETURN [“raíz”, “error”;
r_, t]), r := r_, i :+ 1))
2.4.2 MÉTODO DE LAS SECANTES.
Este método es una variante del anterior, pues la aproximación a la raíz se la efectúa mediante secantes a la
curva, en lugar de tangentes. Para construir la secante son necesarios dos puntos iniciales de búsqueda, y co-
mo se verá no es necesario el cálculo de la derivada, particularidad que simplifica los cálculos y hace de este
método más fácil de utilizar que el anterior.
Sea f(x) una función que contenga una raíz, como lo muestra el gráfico siguiente...

Se estiman entonces como puntos iniciales de búsqueda, x
0
y x
1
, seguidamente por dichos puntos se traza una
secante a f(x) que pase por los puntos (x
0
, f(x
0
)) y (x
1
, f(x
1
)); dicha secante corta al eje x en el punto x
2
, que es la
primera aproximación a la raíz exacta. Ahora se toma como estimaciones de búsqueda a los puntos x
1
y x
2
y se
vuelve a repetir el procedimiento para encontrar las siguientes aproximaciones x
3
, x
4
, ..., x
n
; el proceso se de-
tendrá cuando la distancia entre dos aproximaciones sucesivas x
n-1
y x
n
no superen una tolerancia prefijada tol.
Existe una fórmula general para la aproximación n–ésima (x
n
) a la raíz exacta, ésta se deducirá a continuación.
Considérese el triángulo AAx
2
x
0
que contiene en su interior al triángulo semejante ABx
2
x
1,
por semejanza se pue-
de establecer que...
2 1
2 0
1
0
1
0
x x
x x
) x ( f
) x ( f
Bx
Ax
÷
÷
= = , de donde...
) x ( f ) x ( f
) x ( f x ) x ( f x
x
0 1
0 1 1 0
2
÷
÷
= para la pareja de trián-
gulos ABx
3
x
1
y ACx
3
x
2
se puede establecer bajo la misma deducción que...
) x ( f ) x ( f
) x ( f x ) x ( f x
x
1 2
1 2 2 1
3
÷
÷
= y como el
procedimiento genera parejas de triángulos de la misma especie, de manera general se tiene...
n n 1 n 1 n
n 2
n 1 n
x f(x ) x f(x )
x n 0,1,2,3,4...
f(x ) f(x )
+ +
+
+
÷
= =
÷
Ésta es la fórmula general para la n–ésima aproximación a la
raíz exacta. El método es muy sencillo de aplicar, pero al igual que el método de las tangentes, su principal pro-
blema es que requiere buenas estimaciones iniciales, de otro modo, la solución iterativa puede divergir o con-
Fig. 2.5: Método de las secantes
65 Solución de ecuaciones no lineales

verger a una solución irrelevante. La velocidad de convergencia hacia la raíz exacta de éste método es algo me-
nor que la del método de Newton – Raphson, pero mayor que la de los anteriores. El segundo punto inicial de
búsqueda se puede establecer como
1 0
x x = + A donde A es un valor arbitrario muy pequeño, por ejemplo
podría ser A = 0.1
Ejemplo 2.11
Determinar las raíces de la ecuación ) x ( sen 5 e x ) x ( f
x 2
÷ + = que se ubiquen en el intervalo [0, 3], utili-
zando el método de las secantes con una tolerancia de 0.0001.
De una exploración gráfica...
1 0 1 2 3
5
5
f x ( )
x

se observa que en el intervalo pedido existen dos raíces ubicadas en [0, 1] y [2, 3].
La fórmula iterativa que se aplicará para este problema es...
n 1 n
n 1 n
x x 2 2
n n 1 n 1 n 1 n n
n 2
x x 2 2
n 1 n 1 n n
x ( x e sen(x )) x ( x e sen(x ))
x
( x e sen(x )) ( x e sen(x ))
+
+
+ + +
+
+ +
+ ÷ ÷ + ÷
=
+ ÷ ÷ + ÷

Tomándose como aproximaciones iniciales x
0
= 0 y x
1
= 0.1, se genera la siguiente tabla...
i x
i
f(x
i
)
0 0 1
1 0.1 0.5568494498
2 0.2256569465 0.02322391412
3 0.2311256618 0.0006856431217
4 0.2312920271 0.0000009698230056
5 0.2312922627 0.0000000002522049249


i 1 2 3 4 5 6
Error absoluto --- 0.1 0.125656 0.00563508 0.000166365 0.000000235600

En el intervalo [2, 3], para las aproximaciones iniciales x
0
= 2 y x
1
= 2.1, la tabla para el proceso iterativo es...

66 Solución de ecuaciones no lineales

i x
i
f(x
i
)
0 2 – 1.171719571
1 2.1 – 0.7697572352
2 2.291499840 0.1344009559
3 2.263033846 – 0.01067115809
4 2.265127736 – 0.0001228361095
5 2.265152119 0.0000001128807819

i 1 2 3 4 5 6
Error absoluto --- 0.1 0.191499 0.0284659 0.00209389 0.0000243829
entonces las raíces buscadas son x = 0.2312922627 y x = 2.265152119.
2.4.2.1 MÉTODO DE LAS SECANTES CON DERIVE 6.
Las siguientes líneas de programación en Derive 6 constituyen el método de las secantes para el cálculo de la
raíz de una ecuación mediante programación funcional y con el número de iteraciones n como criterio de paro...
#1: F(x) :=
#2: APROX(o, A, n) := ITERATE([v+2, (v+1F(v+2) – v+2F(v+1))/(F(v+2) – F(v+1))], v, [o, o + A], n – 1)
#3: SECANTE(o, A, n) := [“raíz”, “error” ; (APROX(o, A, n))+2, ABS((APROX(o, A, n))+2 – (APROX(o, A, n))+1)]
2.4.3 MÉTODO DE ITERACIÓN DE PUNTO FIJO O DE SUSTITUCIONES SUCESIVAS.
Este método se basa en un proceso iterativo mediante el cual sustituyendo una aproximación inicial n veces en
una misma ecuación, se llegará a una aproximación tan cercana como se desee de la raíz verdadera.
Supóngase que se tiene la ecuación f(x) = 0, y partiendo de ella se puede despejarla, de manera de escribirla en
la forma x = g(x). A partir de ésta ecuación se puede generar un proceso iterativo, empezando con una estima-
ción inicial x
0
de la raíz. Así... x
1
= g(x
0
) , x
2
= g(x
1
), x
3
= g(x
2
), .... , x
n
= g(x
n-1
). El valor x
n
será una aproxima-
ción más exacta a la raíz.. El proceso iterativo se detendrá cuando la distancia entre dos aproximaciones sucesi-
vas x
n-1
y x
n
no superen una tolerancia prefijada tol. Los sucesivos valores x
0
, x
1
, x
2
,x
3
, ..., x
n
si bien, en general,
se aproximan a la raíz existe la posibilidad de que también se alejen de ella, es decir de que diverjan. Si se quiere
que la sucesión de valores se aproxime a la raíz se debe cumplir que 1 ) x ´( g < para todos los valores de x en la
región de búsqueda de la raíz; si esta condición no se cumple el proceso de sustituciones sucesivas divergirá. El
método de sustituciones sucesivas y su convergencia o divergencia en base a la condición anteriormente dada,
se representa gráficamente, mediante el denominado diagrama de Cobweb, de convergencia ó divergencia o de
escalones. La raíz exacta es el punto en el cual x y g(x) se intersecan y el proceso de sustituciones sucesivas
tratará de llegar a este punto, cuando exista convergencia.
67 Solución de ecuaciones no lineales


Si 0 < g´(x) < 1, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustitucio-
nes sucesivas representado en la gráfica anterior muestra una convergencia hacia la raíz. En dicho caso la con-
vergencia es monótona y ocurre por el extremo del intervalo de búsqueda que contenía la aproximación inicial.
Si – 1 < g´(x) < 0, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustitucio-
nes sucesivas representado en la gráfica siguiente muestra también una aproximación hacia la raíz. En este caso
la convergencia es oscilante o alternada y ocurre por uno y otro extremo del intervalo de búsqueda que contenía
la aproximación inicial.
Ambos intervalos de la primera derivada de g(x) analizados anteriormente están contenidos en la condición,
1 ) x ´( g < . Resultará obvio que para valores que no cumplan esta condición se producirá un alejamiento o di-
vergencia de la raíz exacta.




Si g´(x) > 1, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustituciones su-
cesivas representado en la gráfica siguiente muestra una divergencia monótona de la raíz.

68 Solución de ecuaciones no lineales




Si g´(x) < – 1, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustituciones
sucesivas representado en la gráfica de abajo muestra una también una divergencia de la raíz, pero esta es al-
ternante.

Las siguientes líneas de programación en Derive 6 permiten crear una matriz de puntos que dibujan el diagrama
de Cobweb para el método de iteración de punto fijo
[3]
...
#1: COBWEB_AUX(v, g, x, n) := [[v+1, 0; v+1, v+2], VECTOR([v+r, v+(r + 1); v+(r + 1), v+(r + 1); v+(r + 1), v+(r +
2)], r, 1, n – 1)]
#2: COBWEB(g, x, in, n) := COBWEB_AUX(ITERATES(g, x, in, n), g, x, n)
Ejemplo 2.12
Determinar la raíz de la ecuación ) 1 x ( sen x ) x ( f
2
+ ÷ = que se ubica en el intervalo [0, 1], utilizando el méto-
do de sustituciones sucesivas con una tolerancia de 0.0001.
Primeramente se escribe la ecuación en la forma x = g(x), así x sen(x 1) = + ; a continuación se obtiene la
primera derivada de g(x) y se grafica ) x ´( g para ver si cumple la condición 1 ) x ´( g < ...
69 Solución de ecuaciones no lineales

1 0 1
1
1
1
x
g x ( )
d
d
x
de la gráfica se observa que la condición g (x) 1 ' < se cumple. Esto se puede verificar realizando el gráfico de
Cobweb con x
0
= 1...

El cálculo de la raíz entonces es...
i x
i
g(x
i
)
0 1 0.9535708819
1 0.9535708819 0.9631365028
2 0.9631365028 0.9612579363
3 0.9612579363 0.9616306269
4 0.9616306269 0.9615568349
5 0.9615568349 0.9615714513

i 1 2 3 4 5 6
Error absoluto --- 0.0464291 0.0095656 0.00187856 0.000372690 0.000073792
por lo que la raíz pedida es x = 0.9615568349.
Ejemplo 2.13
Encuentre la raíz de la ecuación
2
f(x) x cos(x) = ÷ contenida en el intervalo [0.5, 1] mediante el método de
iteración de punto fijo con 4 cifras decimales de precisión.
Se escribe la ecuación en la forma x = g(x)
70 Solución de ecuaciones no lineales

2
2
cos( ) 0
cos( )
cos( )
x x
x x
x x
÷ =
=
=

entonces…
( ) cos( ) g x x =

y
( )
( )
2 cos( )
sen x
g x
x
÷
' =

una tabla para g (x) ' , entre 0.5 y 1 produce:
x
i

i
g (x ) '
0.5 0.25588638369116888504
0.6 0.31076224819089528823
0.7 0.36831273140128669859
0.8 0.42971429180476252213
0.9 0.49676851807340434979
1 0.57238828862337537795
Lo cual demuestra que con este despeje el método va a converger.
i x
i
g(x
i
) error
1 0.5 0.9367937669 ------
2 0.9367937669 0.7696585012 0.4367937669
3 0.7696585012 0.8474363439 0.1671352657
4 0.8474363439 0.8135766709 0.07777784269
5 0.8135766709 0.8287964113 0.03385967299
6 0.8287964113 0.8220483178 0.01521974040
7 0.8220483178 0.8250588816 0.006748093499
8 0.8250588816 0.8237194383 0.003010563799
9 0.8237194383 0.8243161060 0.001339443299
10 0.8243161060 0.8240504594 0.0005966676999
11 0.8240504594 0.8241687585 0.0002656465998
12 0.8241687585 0.8241160826 0.0001182990998
13 0.8241160826 0.8241395391 0.00005267590000
14 0.8241395391 ------- 0.00002345650020
La raíz pedida es 0.8241395391; éste resultado se ha logrado luego de 14 iteraciones, demostrando con ello
que el método de iteraciones sucesivas es el más lento de los métodos abiertos.
71 Solución de ecuaciones no lineales

2.4.3.1 MÉTODO DE ITERACIÓN DE PUNTO FIJO CON DERIVE 6.
Las siguientes líneas de programación en Derive 6 conforman el método de sustituciones sucesivas para el
cálculo de la raíz de una ecuación, utilizando programación funcional y el número de iteraciones n como criterio
de paro...
#1: G(x) :=
#2: APROX(in, n) := ITERATES(G(x), x, in, n)
#3: SUST_SUC(in, n) := [“raíz”, “error” ; (APROX(in, n))+n, ABS((APROX(in, n))+n – (APROX(in, n))+(n – 1))]
CARACTERÍSTICAS DE LOS MÉTODOS ABIERTOS ESTUDIADOS: : El siguiente cuadro muestra una serie de carac-
terísticas que pueden servir para elegir uno de los métodos estudiados de acuerdo al contexto del problema...
Método de Newton - Raphson Método de las secantes
El método puede converger o divergir de la
raíz buscada
El método puede converger o divergir de la
raíz buscada
Es rápido en su convergencia hacia la raíz,
pues tiene convergencia cuadrática.
Es rápido en su convergencia hacia la raíz,
algo menor que el método de Newton –
Raphson, pues tiene convergencia casi
cuadrática.
Necesita de una sola aproximación inicial a la
raíz.
Necesita de dos aproximaciones iniciales a la
raíz, aunque se puede modificar de forma tal
que se requiera una sola aproximación inicial.
Una buena aproximación inicial a la raíz debe
estar lo más cerca de la misma.
Buenas aproximaciones iniciales a la raíz de-
ben estar lo más cerca de la misma.

Método de iteración de punto fijo
El método puede converger o divergir de la raíz
buscada
Su convergencia será más rápida, cuanto más
g (x) ' sea próximo a 0.
Necesita de una sola aproximación inicial a la raíz.
Una buena aproximación inicial a la raíz es aquella
para la cual se cumple que
0
g (x ) 1 ' <

72 Diferenciación numérica

C CA AP PÍ ÍT TU UL LO O 3
3
D DI IF FE ER RE EN NC CI IA AC CI IÓ ÓN N N NU UM MÉ ÉR RI IC CA A

La derivada de una función en un punto es un procedimiento matemático de suma importancia, dentro de mu-
chas ciencias aplicadas, es por ello que es necesario implementar procedimientos numéricos que agiliten su
cálculo, tanto más que este es un requerimiento indispensable en la resolución de ecuaciones diferenciales.
En el presente capítulo se estudiarán los métodos para hallar la derivada a partir de un conjunto de datos, en los
cuales obviamente irá incluido el punto de cálculo de la derivada.
3.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS.
Este método consiste en utilizar un conjunto discreto de datos, con el objetivo de generar un polinomio de inter-
polación y a partir de éste obtener la derivada. Dependiendo de la disposición de los puntos del conjunto de da-
tos con respecto al punto de cálculo de la derivada, se pueden conseguir tres posibilidades que son:
 Aproximación por diferencias progresivas o hacia adelante.
 Aproximación por diferencias regresivas o hacia atrás, y
 Aproximación por diferencias centrales.
Revisemos cada una de ellas…
3.1.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS PROGRESIVAS Y REGRESIVAS.
Considérese los siguientes conjuntos de datos:
{ }
{ }
1 1
1
0 0
0 0 1
, x x
x ,
x x
x x x
÷ ÷
>
>

donde x
0
es el punto de cálculo de la derivada. El subíndice denota la posición relativa de x.
Si se evalúa una función f(x) en dichos conjuntos de datos se tiene…
{ }
{ }
1
1
0
0
f( ),f(x )
f(x ),f( )
x
x
÷

o de forma abreviada…
{ }
{ }
0 1
1 0
f ,f
f ,f
÷

Entonces con los conjuntos de datos…
x
0
x
1

f
0
f
1


x
–1
x
0

f
–1
f
0

73 Diferenciación numérica

Se procederá a hallar los polinomios de interpolación correspondientes mediante el método de Lagrange. Adi-
cionalmente se va a considerar que los puntos están equiespaciados, es decir, hay una distancia h entre ellos ó
0
1 0
1
h x
h
x
x x
÷
= ÷
= ÷
.
Para el primer conjunto de datos, los polinomios básicos de Lagrange o funciones de forma se escriben como...
1
0
1 0
(x x
x
)
L (x)
( x )
÷
=
÷

0
1
0 1
x (x )
L(x)
(x x )
÷
=
÷

por lo que el polinomio de interpolación será…
1 0
0 0
0 1
1 1
(x ) (x x )
p(x) f f
( x ) (x
x
x x )
÷ ÷
= +
÷ ÷

derivando esta expresión se tiene..
( )
( )
1
0
0
1
x
f f
dp
dx x
÷
=
÷

por lo que…
( )
( )
( )
0
1 0 1 0
0 0
x x 1 0
f f f f
df
f (x ) f
x dx x h
=
÷ ÷
' ' = = ~ =
÷

Para el segundo conjunto de datos…
0
0
0 1
(x )
L
x
x
(x)
(x )
÷
÷
=
÷

1
1
1 0
(x x )
L(x
( x ) x
)
÷
÷
÷
=
÷

por lo que el polinomio de interpolación será…
1
1 0
1 1
0
0 0
(x ) (x x )
p(x) f f
(x ) x x x ( )
x
÷
÷
÷ ÷
÷ ÷
= +
÷ ÷

derivando esta expresión se tiene..
( )
( )
0
1 0
1
f f
x
dp
dx x
÷
÷
÷
=
÷

por lo que…
( )
( )
( )
0
0
0 1 0 1
0 0
x x 1
f
x
f f f
df
f (x ) f
dx x h
÷ ÷
= ÷
÷ ÷
' ' = = ~ =
÷

La expresión (3.1) se denomina aproximación por diferencias progresivas o hacia delante, mientras que la ex-
presión (3.2) se llama aproximación por diferencias regresivas o hacia atrás.
(3.1)
(3.2)
74 Diferenciación numérica

Ejemplifiquemos el sentido geométrico de estas aproximaciones…
Considérese la función
2
f(x) x 1 = + , y supóngase que se desea calcular de manera aproximada f (1) ' , enton-
ces…
por diferencias progresivas el conjunto que se elegirá es…
x 1 2
f(x)
2
1 1 2 + =
2
2 1 5 + =
y por diferencias regresivas…
x 0 1
f(x)
2
0 1 1 + =
2
1 1 2 + =
las formulas para aproximación por diferencias progresivas y regresivas corresponden a los valores en x = 1 de
las rectas que se obtienen de las tablas, mientras que la derivada exacta es la línea tangente a f(x) en x = 1, es-
to se muestra en la gráfica siguiente:

Es obvio que si la distancia h entre los puntos x, disminuye las rectas para las diferencias progresivas y regresi-
vas se aproximarán más a la recta tangente que representa la derivada exacta, por lo que se podría suponer que
el error de aproximación se reduce al disminuir dicho valor.
Ejemplo 3.1
Determinar la primera derivada de
sen(x)
f(x) e = en x = 0, con h = 0.1 y h = 0.01 mediante aproximación por
diferencias progresivas y regresivas. Utilizar 10 cifras significativas.
Primeramente se genera ambas tablas de datos tanto para h = 0.1 como h = 0.01, así…
a.) h = 0.1 y diferencias progresivas
x 0 0.1
f(x)
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
Recta para diferen-
cias progresivas
y 3x 1 = ÷
Recta para dife-
rencias regresivas
y x 1 = +
Tangente a
2
f(x) x 1 = +
2
f(x) x 1 = +
75 Diferenciación numérica

( )
x 0
1.104986830 1
df
1.049868299
dx 0.1
=
÷
~ =
b.) h = 0.1 y diferencias regresivas
x – 0.1 0
f(x)
sen( 0.1)
e 0.9049881614
÷
=
sen(0)
e 1 =
( )
x 0
1 0.9049881614
df
0.9501183859
dx 0.1
=
÷
~ =
c.) h = 0.01 y diferencias progresivas
x 0 0.01
f(x)
sen(0)
e 1 =
sen(0.01)
e 1.010049998 =
( )
x 0
1.010049998 1
df
1.004999800
dx 0.01
=
÷
~ =
d.) h = 0.01 y diferencias regresivas
x – 0.01 0
f(x)
sen( 0.01)
e 0.9900499987
÷
=
sen(0)
e 1 =
( )
x 00
1 0.9900499987
df
0.9950001299
dx 0.01
=
÷
~ =
Siendo la derivada exacta 1, entonces el error en cada caso es.
a.) e 1 1.049868299 0.049868299 = ÷ =
b.) e 1 0.9501183859 0.0498816141 = ÷ =
c.) e 1 1.004999800 0.004999800 = ÷ =
d.) e 1 0.9950001299 0.0049998701 = ÷ =
Como se dijo al disminuir el valor de h, se observa que el error también disminuye.
El proceso estudiado para un conjunto de dos datos se puede aplicar a 3 o más datos generándose de dicha
forma formulas para diferencias progresivas y regresivas más exactas. Sin embargo al aumentar el número de
puntos el procedimiento se hace de trámite engorroso, por lo que vamos a utilizar Derive 5, para facilitar los
cálculos…
Considérese el conjunto de datos ( ) ( ) ( ) { }
2 0 0 1 1 2
,f , x ,f , x ,f x , separados una distancia h tal que
0 1
x h x = + y
0 2
x 2 x h = + , entonces va a generarse el polinomio de interpolación con Derive 5 mediante el proceso siguien-
te:
 Se ingresa la orden InputMode := Word para que admita variables de más de 1 carácter.
 Se define el polinomio de interpolación como p(x) : a x 2 b x c
.
= - + - + .
76 Diferenciación numérica

 Se establece el vector de condiciones de la interpolación [p(x0)=f0, p(x1)=f1, p(x2)=f2], que generará
un sistema de ecuaciones.
 Se resuelve el sistema obtenido, para las variables a, b y c, mediante la orden SOLVE([p(x0) = f0, p(x1)
= f1, p(x2) = f2], [a, b, c]).
 Se obtiene entonces el vector solución…



 Se substituye en el vector solución
0 1
x h x = + y
0 2
x 2 x h = + , lográndose simplificar la solución a…



 Entonces se reemplaza a, b y c en p(x), obteniéndose…


 Se deriva la expresión anterior…

 Finalmente se substituye x = x
0


Esta fórmula corresponde a la aproximación por diferencias progresivas con tres puntos y escrita con notación
formal se presenta como…
77 Diferenciación numérica

0
0 1 2
0 0
x x
3f 4f f df
f (x ) f
dx 2h
=
÷ +
' ' = = ~ ÷
De forma similar se pueden obtener la aproximación por diferencias regresivas para el conjunto de datos
( ) ( ) ( ) { }
2 2 1 1 0 0
x ,f , x ,f , ,f x
÷ ÷ ÷ ÷
con
1 0
x h x
÷
= ÷ y
2 0
x x 2h
÷
= ÷ , obteniéndose…
0
0 1 2
0 0
x x
3f 4f f df
f (x ) f
dx 2h
÷ ÷
=
÷ +
' ' = = ~
que corresponde a la aproximación por diferencias regresivas con tres puntos. Con estas aproximaciones se
disminuye el error como se va a demostrar mediante el siguiente ejemplo…
Ejemplo 3.2
Determinar la primera derivada de
sen(x)
f(x) e = en x = 0, con h = 0.1 y h = 0.01 mediante aproximación por
diferencias progresivas y regresivas en tres puntos. Utilizar 10 cifras significativas.
Primeramente se genera ambas tablas de datos tanto para h = 0.1 como h = 0.01, así…
a.) h = 0.1 y diferencias progresivas
x 0 0.1 0.2
f(x)
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
sen(0.2)
e 1.219778556 =
0
3(1) 4(1.104986830) (1.219778556)
f 1,00084382
2(0.1)
÷ +
' ~ ÷ =
b.) h = 0.1 y diferencias regresivas
x – 0.2 – 0.1 0
f(x)
sen( 0.2)
e 0.8198209380
÷
=
sen( 0.1)
e 0.9049881614
÷
=
sen(0)
e 1 =
0
3(1) 4(0.9049881614) (0.8198209380)
f 0.999341462
2(0.1)
÷ +
' ~ =
c.) h = 0.01 y diferencias progresivas
x 0 0.01 0.02
f(x)
sen(0)
e 1 =
sen(0.01)
e 1.010049998 =
sen(0.02)
e 1.020199979 =
0
3(1) 4(1.010049998) (1.020199979)
f 1.00000065
2(0.01)
÷ +
' ~ ÷ =
d.) h = 0.01 y diferencias regresivas
x – 0.02 – 0.01 0
f(x)
sen( 0.02)
e 0.9801999802
÷
=
sen( 0.01)
e 0.9900499987
÷
=
sen(0)
e 1 =
0
3(1) 4(0.9900499987) (0.9801999802)
f 0.99999927
2(0.01)
÷ +
' ~ =
Siendo la derivada exacta 1, entonces el error en cada caso es.
a.) e 1 1,00084382 0.00084382 = ÷ =
(3.3)
(3.4)
78 Diferenciación numérica

b.) e 1 0.999341462 0.000658538 = ÷ =
c.) e 1 1.00000065 0.00000065 = ÷ =
d.) e 1 0.99999927 0.00000073 = ÷ =
Es evidente que al considerar aproximaciones por diferencias en tres puntos el error ha disminuido de forma no-
toria.
La siguiente tabla resume las derivadas aproximadas por diferencias progresivas y regresivas para 2, 3 y 4
puntos
Aproximación por diferencias progresivas
2 puntos
1 0
0
f f
f
h
÷
' ~
3 puntos
0 1 2
0
3f 4f f
f
2h
÷ +
' ~ ÷
4 puntos
0 1 2 3
0
11f 18f 9f 2f
f
6h
÷ + ÷
' ~ ÷
Aproximación por diferencias regresivas
2 puntos
0 1
0
f f
f
h
÷
÷
' ~
3 puntos
0 1 2
0
3f 4f f
f
2h
÷ ÷
÷ +
' ~
4 puntos
0 1 2 3
0
11f 18f 9f 2f
f
6h
÷ ÷ ÷
÷ + ÷
' ~
3.1.2 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS CENTRALES.
Este método debe su nominación a que el punto donde se determina la primera derivada se halla en el centro de
un conjunto discreto de puntos equidistantes. De esta manera solamente se pueden obtener un conjunto de un
número impar de puntos, así…
{ }
1 0 1
x , , x 3 p s x unto
÷

{ }
2 1 0 1 2
x , x , , x , x 5 pu x ntos
÷ ÷

procediendo como en el anterior ítem, se deducen para las aproximaciones por diferencias centrales las siguien-
tes fórmulas…
Aproximación por diferencias centrales
3 puntos
1 1
0
f f
f
2h
÷
÷
' ~
79 Diferenciación numérica

5 puntos
2 1 1 2
0
f 8f 8f f
f
12h
÷ ÷
÷ + ÷
' ~
La aproximación por diferencias centrales usualmente produce resultados más exactos que la aproximación por
diferencias progresivas o regresivas con el mismo números de puntos, como lo demuestra el siguiente ejem-
plo…
Ejemplo 3.3
Determinar la primera derivada de
sen(x)
f(x) e = en x = 0, con h = 0.1 y h = 0.01 mediante aproximación por
diferencias centrales en tres puntos. Utilizar 10 cifras significativas.
a.) h = 0.1
x – 0.1 0 0.1
f(x)
sen( 0.1)
e 0.9049881614
÷
=
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
0
(1.104986830) (0.9049881614)
f 0.999993343
2(0.1)
÷
' ~ =
b.) h = 0.01
x – 0.01 0 0.01
f(x)
sen( 0.01)
e 0.9900499987
÷
=
sen(0)
e 1 =
sen(0.01)
e 1.010049998 =
0
(1.010049998) (0.9900499987)
f 0.999999965
2(0.01)
÷
' ~ ÷ =
Siendo la derivada exacta 1, entonces el error en cada caso es.
e 1 0.999993343 0.000006657 = ÷ =
e 1 0.999999965 0.000000035 = ÷ =

Este resultado es consistente con el hecho de que en un puntos equiespaciados la interpolación polinómica es
más exacta en la parte central del intervalo de interpolación y más errónea en los extremos.
3.1.3 DERIVADAS DE ORDEN SUPERIOR.
El procedimiento para hallar la segunda derivada o derivadas de orden superior es el mismo empleado en las
derivadas de primer orden, con la única salvedad de que si se desea calcular una derivada de orden n es nece-
sario contar con n + 1 puntos.
Así entonces, para hallar la segunda derivada es necesario tener tres puntos sea por diferencias hacia delante,
hacia atrás o centrales. Con la ayuda de Derive 5, se puede determinar las fórmulas para la segunda derivada,
las cuales se expresan en la siguiente tabla:
Aproximación por diferencias progresivas
3 puntos
0 1 2
0 2
f 2f f
f
h
÷ +
'' ~
80 Diferenciación numérica

Aproximación por diferencias regresivas
3 puntos
0 1 2
0 2
f 2f f
f
h
÷ ÷
÷ +
'' ~
Aproximación por diferencias centrales
3 puntos
1 0 1
0 2
f 2f f
f
h
÷
÷ +
'' ~

Ejemplo 3.4
Determinar la segunda derivada de
sen(x)
f(x) e = en x = 0, con h = 0.1 mediante aproximación por diferencias
progresivas, regresivas y centrales. Utilizar 10 cifras significativas.
a.) Diferencias progresivas, h = 0.1
x 0 0.1 0.2
f(x)
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
sen(0.2)
e 1.219778556 =
0 1 2
0 2
01 2
0
f 2f f
f
h
(1) 2(1.104986830) (1.219778556)
f
(0.1)
f 0.9804896
÷ +
'' ~
÷ +
'' ~
'' ~

El valor exacto es 1, por lo que…
e 1 0.9804896 0.0195104 = ÷ =
b.) Diferencias regresivas
x 0 – 0.1 – 0.2
f(x)
sen(0)
e 1 =
sen( 0.1)
e 0.9049881614
÷
=
sen( 0.2)
e 0.8198209380
÷
=
0 1 2
0 2
01 2
0
f 2f f
f
h
(1) 2(0.9049881614) (0.8198209380)
f
(0.1)
f 0.98446152
÷ ÷
÷ +
'' ~
÷ +
'' ~
'' ~

El valor exacto es 1, por lo que…
e 1 0.98446152 0.01553848 = ÷ =
el error es similar al obtenido por diferencias progresivas.
c.) Diferencias centrales
x – 0.1 0 0.1
f(x)
sen( 0.1)
e 0.9049881614
÷
=
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
81 Diferenciación numérica

0 1 2
0 2
01 2
0
f 2f f
f
h
(1.104986830) 2(1) (0.9049881614)
f
(0.1)
f 0.99749914
÷ ÷
÷ +
'' ~
÷ +
'' ~
'' ~

El valor exacto es 1, por lo que…
e 1 0.99749914 0.00250086 = ÷ =
el error ha mejorado con respecto a diferencias progresivas y regresivas.
3.2 ERROR EN DIFERENCIACIÓN NUMÉRICA.
El error en los métodos de derivación numérica se deduce en base a un análisis por series de Taylor.
Se deducirán dos casos en particular, el error en la primera derivada por diferencias progresivas con 2 y 3
puntos; los restantes casos se pueden analizar de una forma similar
Considérese la serie de Taylor siguiente…
0 0
2
0 0
h h
f( h) f( ) f ( ) x x x x f ( ) ...
1! 2!
' '' + = + + + , donde
0 1
x h x = +
despejando
0
f ( ) x ' …
0 0 0
0
x x f( h) f( ) f ( )
f ( ) h ...
h 2
x
x
'' + ÷
' = ÷ ÷
en forma simplificada se escribe…
1 0
0
0
f f
f O(h) ...
h
donde
h
O(h) f
2
÷
' = + +
'' = ÷

lo que demuestra que el error en la primera derivada por diferencias progresivas en dos puntos es de orden h.
Ahora considérense las series de Taylor siguientes…
0 0
2
0 0
h h
f( h) f( ) f ( ) x x x x f ( ) ...
1! 2!
' '' + = + + + , donde
0 1
x h x = +
0 0
2
0 0
h h
f( h) f( ) f ( ) x x x x f ( ) ...
1! 2!
' '' + = + + + , donde
0 1
x h x = +

El siguiente cuadro tabula el orden del error para las diferentes derivadas obtenidas anteriormente…
No. de puntos Aproximación por …
Orden de la
derivada
Orden del error
2 diferencias progresivas 1 O(h)
término dominante del
error (orden del error)
Primera derivada por
diferencias progresivas
82 Diferenciación numérica

3 diferencias progresivas 1 O(h
2
)
4 diferencias progresivas 1 O(h
3
)
2 diferencias regresivas 1 O(h)
3 diferencias regresivas 1 O(h
2
)
4 diferencias regresivas 1 O(h
3
)
3 diferencias centrales 1 O(h
2
)
5 diferencias centrales 1 O(h
4
)
3 diferencias progresivas 2 O(h)
3 diferencias regresivas 2 O(h)
3 diferencias centrales 2 O(h
2
)
El término O(h
n
) significa de forma práctica, que el número aproximado de cifras decimales exactas están dadas
por el resultado de h
n
. El siguiente ejemplo aclara este concepto…
Ejemplo 3.5
Determinar la primera derivada de
x
f(x) x = en x = 1.5, con 5 cifras decimales de precisión mediante diferen-
cias progresivas, regresivas y centrales.
a.) Diferencias progresivas
Para obtener 5 cifras decimales de precisión se utilizará la fórmula para 4 puntos con h = 0.01, pues en ese
caso el orden del error(número aproximado de cifras decimales de precisión) es
3 3
h (0.01) 0. 1 00000 = =
x 1.5 1.51 1.52 1.53
f(x)
1.5
1.5 1.837117307 =
1.51
1.51 1.863181616 =
1.52
1.52 1.889740860 =
1.53
1.53 1.916804803 =
1.5 1.51 1.52 1.53
1.5
1.5
1.5
11f 18f 9f 2f
f
6h
11(1.837117307) 18(1.863181616) 9(1.889740860) 2(1.916804803)
f
6(0.01)
f 58200 2. 9617
÷ + ÷
' ~ ÷
÷ + ÷
' ~ ÷
' ~

Este valor es confiable en un 100% hasta la quinta cifra decimal, las restantes podrían ser o no ser exactas. Pa-
ra corroborar esta afirmación se puede comparar con su valor exacto a 10 cifras significativas 2.582004274.
b.) Diferencias regresivas
Para obtener 5 cifras decimales de precisión se utilizará nuevamente la fórmula para 4 puntos con h = 0.01,
pues en ese caso el orden del error(número aproximado de cifras decimales de precisión) es
3 3
h (0.01) 0. 1 00000 = =
x 1.5 1.49 1.48 1.47
f(x)
1.5
1.5 1.837117307 =
1.49
1.49 1.811538381 =
1.48
1.48 1.786435493 =
1.47
1.47 1.761799498 =
83 Diferenciación numérica

0 1 2 3
1.5
1.5
1.5
11f 18f 9f 2f
f
6h
11(1.837117307) 18(1.811538381) 9(1.786435493) 2(1.761799498)
f
6(0.01)
f 58199 2. 9332
÷ ÷ ÷
÷ + ÷
' ~
÷ + ÷
' ~
' ~

e 2.582004274 2.581999332 0.0000 942 04 = ÷ =
El valor del error con respecto al valor exacto muestra la confiabilidad en las 5 cifras decimales(al efectuar el re-
dondeo).
b.) Diferencias centrales
Para obtener 5 cifras decimales de precisión se utilizará la fórmula para 3 puntos con h = 0.001, pues en ese
caso el orden del error(número aproximado de cifras decimales de precisión) es
2 2
h (0.001) 0. 1 00000 = =
x 1.499 1.5 1.501
f(x)
1.49
1.499 9 1.834537728 =
1.5
1.5 1.837117307 =
1.501
1.501 1.839701739 =
1 1
1.5
1.5
1.5
f f
f
2h
(1.839701739) (1.834537728)
f
2(0.001)
f 58200 2. 55
÷
÷
' ~
÷
' ~
' ~

Nuevamente es fácil observar la confiabilidad en las 5 cifras decimales de precisión al compararlas con el valor
exacto.
3.3 DERIVADAS NUMÉRICAS CON DERIVE 6.
Con la ayuda de la programación funcional de Derive 6 se puede escribir muy fácilmente una utilidad para todas
las derivadas numéricas estudiadas anteriormente. Esta utilidad se detalla a continuación…
#1: Precision := Approximate
#2: f(x) :=
#3: DDP2(x0, h) := (f(x0 + h) – f(x0))/h
#4: DDP3(x0, h) := – (3*f(x0) – 4*f(x0 + h) + f(x0 + 2*h))/(2*h)
#5: DDR2(x0, h) := (f(x0) – f(x0 – h))/h
#6: DDR3(x0, h) := (3*f(x0) – 4*f(x0 – h) + f(x0 – 2*h))/(2*h)
#7: DDC3(x0, h) := (f(x0 + h) – f(x0 – h))/(2*h)
#8: DDC5(x0, h) := (f(x0 – 2*h) – 8*f(x0 – h) + 8*f(x0 + h) – f(x0 + 2*h))/(12*h)
DDPn representa la primera derivada por diferencias progresivas en n puntos
DDRn representa la primera derivada por diferencias regresivas en n puntos
DDCn representa la primera derivada por diferencias centrales en n puntos
X0 es el punto en que se calcula la derivada con un tamaño de paso h.
Ejemplo 3.6
Determinar la primera derivada de
x
e
f(x)
cos(x) sen(x)
÷
=
÷
en x = 0.2, con 5 cifras decimales de precisión me-
diante las fórmulas de diferencias progresivas(2 y 3 puntos), regresivas(2 y 3 puntos) y centrales(3 y 5 puntos).
Se determina el tamaño de paso en cada caso…
84 Integración numérica

No. de
puntos
Aproximación por …
Orden del
error
h
2 diferencias progresivas O(h) 0.000001
3 diferencias progresivas O(h
2
) (0.001)
2
= 0.000001
2 diferencias regresivas O(h) 0.000001
3 diferencias regresivas O(h
2
) (0.001)
2
= 0.000001
3 diferencias centrales O(h
2
) (0.001)
2
= 0.000001
5 diferencias centrales O(h
4
) (0.01)
4
= 0.00000001
Se ingresan entonces las siguientes instrucciones…
f(x) :=(ê^(–x))/(cosx – sinx)
[DDP2(0.2,0.000001),DDP3(0.2,0.001),DDR2(0.2,0.000001),DDR3(0.2,0.001),DDC3(0.2,0.001),DDC5(0.2,0.
01)]
al simplificar se obtiene…

resultados que presentan cinco cifras decimales de precisión en todos los casos, redondeando para DDP3,
DDR2 y DDR3.
85 Integración numérica

C CA AP PÍ ÍT TU UL LO O 4
4
I IN NT TE EG GR RA AC CI IÓ ÓN N N NU UM MÉ ÉR RI IC CA A
La integración de una función es el proceso inverso a la derivación, pero mientras que la derivada de una fun-
ción es relativamente fácil de hallar y esta definida para toda función continua, la integral de una función no
siempre es sencillo determinarla, pues en un buen número de casos la integral de una función resulta ser una
función no elemental.
La integración numérica entonces proporciona métodos a través de los cuales es muy simple hallar la integral
de una función, considerando el significado geométrico que ella representa; así pues, la integral de una función
continua f(x) entre x = a y x = b, es el área bajo la curva f(x) entre x = a y x = b, como lo representa la figura
siguiente:

Bajo este enfoque es posible hallar una integral, para una función o un conjunto de datos, como se analizará a
continuación.
4.1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO
El método de los rectángulos consiste en aproximar una función mediante una serie de rectángulos de forma tal
que el área calculada para los mismos aproxime al área bajo la función. El siguiente esquema ejemplifica lo
mencionado…
a b
b
a
f(x)dx
}

86 Integración numérica



Al incrementar el número de rectángulos utilizados en la aproximación es evidente que el área total de los
mismos es más cercana a la integral, como lo muestra claramente el siguiente gráfico…

El método de los rectángulos considera entonces una serie de n rectángulos…

cuyas bases tienen una longitud h(
1 0
x x h ÷ = ,
2 1
x x h ÷ = ,
3 2
x x h ÷ = ,…,
n n 1
x x h
÷
÷ = ) y sus alturas son
Áreas en exc eso eliminadas al duplicar
el número de rectángulos.

x0 x1 x5

xn–3 xn
h h h h h h h h
… …
f(x0)
f(x1)
f(x2)
f(x3)
f(x4)
f(xn–3)
f(xn–2)
f(xn–1)
n rectángulos
Área aproximada por los rectángulos

Área bajo la c urva f(x)
87 Integración numérica


f(x
0
), f(x
1
), f(x
2
),…,f(x
n–1
) respectivamente. El area total de los rectángulos esta dada por…
n 1
rect 0 1 2 n 1 0 1 2 n 1 i
i 0
A hf(x ) hf(x ) hf(x ) ... hf(x ) h[f(x ) f(x ) f(x ) ... f(x )] h f(x )
÷
÷ ÷
=
= + + + + = + + + + =
¿

entonces…
n
0
x
n 1
i
i 0
x
f(x)dx h f(x ) R
÷
=
~ =
¿
}

fórmula que identifica al método de los rectángulos.
Si se considera que
1 0
x x h = + ,
2 0
x x 2h = + , … ,
n 0
x x nh = + , la expresión (4.1) se simplifica a…
( )
n
0
x
n
0
i 1
x
f(x)dx h f x (i 1)h R
=
~ + ÷ =
¿
}

expresión alternativa para el método de los rectángulos, útil en la programación del método.
Ejemplo 4.1
Calcular
1
sen(x)
0
e dx
}
mediante el método de los rectángulos con n = 10. Utilizar 10 cifras significativas.
La longitud h de la base de los rectángulos es
1 0
h 0.1
10
÷
= =
i x
i
f(x
i
)
0 0
sen(0)
e 1 =
1 0 + 0.1 = 0.1
sen(0.1)
1.1049 e 86830 =
2 0.1 + 0.1 = 0.2
sen(0.2)
1.2197 e 78556 =
3 0.2 + 0.1 = 0.3
sen(0.3)
1.3438 e 25243 =
4 0.3 + 0.1 = 0.4
sen(0.4)
1.4761 e 21946 =
5 0.4 + 0.1 = 0.5
sen(0.5)
1.6151 e 46296 =
6 0.5 + 0.1 = 0.6
sen(0.6)
1.7588 e 18845 =
7 0.6 + 0.1 = 0.7
sen(0.7)
1.9044 e 96534 =
8 0.7 + 0.1 = 0.8
sen(0.8)
2.0490 e 08650 =
9 0.8 + 0.1 = 0.9
sen(0.9)
2.1887 e 41912 =
9
i
i 0
f(x )
=
¿

15.66092481
1
sen(x)
10
0
e dx (0.1)(15.66092481)=1.566092481=R ~
}

El valor exacto de esta integral a 10 cifras significativas es 1.631869608, por lo que el error es…
e 1.631869608-1.566092481 0.065777127 = =
Del ejemplo se puede observar que a pesar de utilizar un buen número de rectángulos, apenas se obtuvo dos
(4.1)
(4.2)
88 Integración numérica


cifras significativas de precisión, lo que muestra que el método es lento.
Una corrección que mejora el método de los rectángulos generando el denominado método del punto medio se
va a analizar seguidamente…
Si en lugar de generar los rectángulos, formándolos a partir de los puntos extremos(x
i
, x
i+1
), se lo hace a partir
del punto medio (
i i 1
x x
2
+
+
), la precisión para un mismo número de rectangulos utilizados mejora
significativamente. Para esta disposición de los puntos se tiene…
0 1 1 2 n 1 n
med
n 1
0 1 1 2 n 1 n i i 1
i 0
x x x x x x
A hf hf ... hf
2 2 2
x x x x x x x x
h f f ... f h f
2 2 2 2
÷
÷
÷ +
=
+ + + | | | | | |
= + + +
| | |
\ . \ . \ .
( ( + + + + | | | | | | | |
= + + + =
( ( | | | |
\ . \ . \ . \ . ¸ ¸ ¸ ¸
¿

por lo que…
n
0
x
n 1
i i 1
i 0
x
x x
f(x)dx h f M
2
÷
+
=
( + | |
~ =
( |
\ . ¸ ¸
¿
}

expresión que define el método del punto medio.
Ejemplo 4.2
Calcular
1
sen(x)
0
e dx
}
mediante el método del punto medio con n = 10. Utilizar 10 cifras significativas.
La longitud h de la base de los rectángulos es
1 0
h 0.1
10
÷
= =
i x
i
i i 1
x x
2
+
+

i i 1
x x
f
2
+
+ | |
|
\ .

0 0 ----- -----
1 0 + 0.1 = 0.1
0 0.1
2
0.05
+
=
sen(0.05)
1.0512 e 49197 =
2 0.1 + 0.1 = 0.2
0.1 0.2
1
2
0. 5
+
=
sen(0.15)
1.1611 e 81629 =
3 0.2 + 0.1 = 0.3
0.2 0.3
2
2
0. 5
+
=
sen(0.25)
1.2806 e 96357 =
4 0.3 + 0.1 = 0.4
0.3 0.4
3
2
0. 5
+
=
sen(0.35)
1.4090 e 24762 =
5 0.4 + 0.1 = 0.5
0.4 0.5
4
2
0. 5
+
=
sen(0.45)
1.5449 e 09811 =
6 0.5 + 0.1 = 0.6
0.5 0.6
5
2
0. 5
+
=
sen(0.55)
1.6865 e 53721 =
7 0.6 + 0.1 = 0.7
0.6 0.7
6
2
0. 5
+
=
sen(0.65)
1.8315 e 93596 =
(4.3)
89 Integración numérica


8 0.7 + 0.1 = 0.8
0.7 0.8
7
2
0. 5
+
=
sen(0.75)
1.9771 e 15096 =
9 0.8 + 0.1 = 0.9
0.8 0.9
8
2
0. 5
+
=
sen(0.85)
2.1197 e 12370 =
10 0.9 + 0.1 = 1
0.9 1
2
0.95
+
=
sen(0.95)
2.2555 e 98853 =
10
i
i 0
f(x )
=
¿

16.31763539
1
sen(x)
10
0
e dx (0.1)(16.31763539)=1.631763539=M ~
}

El valor exacto de esta integral a 10 cifras significativas es 1.631869608, por lo que el error es…
e 1.631869608-1.631763539 0.000106069 = =
Como se observa la precisión es ahora mucho mejor que con el método de los rectángulos.
Una fórmula algo más util, especialmente en la programación del método del punto medio se obtiene al
considerar que
1 0
x x h = + ,
2 0
x x 2h = + , … ,
n 0
x x nh = + , de donde…
med 0 0 0
n
0 0 0 0
i 1
h 3h (2n 1)h
A hf x hf x ... hf x
2 2 2
h 3h (2n 1)h (2i 1)h
h f x f x ... f x h f x
2 2 2 2
=
÷ | | | | | |
= + + + + + +
| | |
\ . \ . \ .
( ( ÷ ÷ | | | | | | | |
= + + + + + + = +
( ( | | | |
\ . \ . \ . \ . ¸ ¸ ¸ ¸
¿

es decir…
n
0
x
n
0
i 1
x
(2i 1)h
f(x)dx h f x M
2
=
( ÷ | |
~ + =
( |
\ . ¸ ¸
¿
}

expresión alternativa para el método del punto medio
4.1.1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO CON DERIVE 6.
Utilizando programación funcional y esencialmente la función SUM, la automatización de éstos dos métodos
con Derive 6, es muy simple. Las siguientes líneas definen la programación de ambos métodos en base a las
expresiones (4.2) y (4.4)…
#1: F(x) :=
#2: RECT(in, fin, n) := ((fin–in)/n)SUM(F(in+(i–1)((fin–in)/n)),i ,1, n)
#3: MED(in, fin, n) := ((fin–in)/n)SUM(F(in+(2i–1)((fin–in)/(2n))),i ,1, n)
4.2 MÉTODO DE LOS TRAPECIOS.
Este método sigue un proceso muy similar al utilizado en diferenciación numérica, consistente en aproximar
mediante interpolación en este caso una malla de puntos de la función subintegral, para integrar dicho polinomio
y obtener una aproximación al valor exacto.
Una interpretación geométrica y su correspondiente deducción es más conveniente para este método,
dejándose una aplicación de la interpolación a métodos posteriores.
Considérese una malla de n intervalos equiespaciados donde se han construido n trapecios rectángulos…
(4.4)
90 Integración numérica



el área aproximada bajo la curva será la suma de todos los trapecios, así…
0 1 1 2 n 1 n
trap 0 1
n 1
2 n 1 n 0 n i
i 1
f(x ) f(x ) f(x ) f(x ) f(x ) f(x ) h
A h h ... h [f(x ) 2f(x )
2 2 2 2
h
2f(x ) ... 2f(x ) f(x )] f(x ) f(x ) 2 f(x )
2
÷
÷
÷
=
+ + + | | | | | |
= + + + = + +
| | |
\ . \ . \ .
(
+ + + = + +
(
¸ ¸
¿

entonces…
n
0
x
n 1
0 n i
i 1
x
h
f(x)dx f(x ) f(x ) 2 f(x ) T
2
÷
=
(
~ + + =
(
¸ ¸
¿
}

expresión que identifica al método de los trapecios.
Ejemplo 4.3
Calcular
1
sen(x)
0
e dx
}
mediante el método de los trapecios con n = 10. Utilizar 10 cifras significativas.
La longitud h de la base de los trapecios es
1 0
h 0.1
10
÷
= =
i X
extremos
x
intermedios
f(x
extremos
) f(x
intermedios
)
0 0 -----
sen(0)
e 1 = -----
1 ----- 0.1 -----
sen(0.1)
1.1049 e 86830 =
2 ----- 0.2 -----
sen(0.2)
1.2197 e 78556 =
3 ----- 0.3 -----
sen(0.3)
1.3438 e 25243 =
4 ----- 0.4 -----
sen(0.4)
1.4761 e 21946 =
5 ----- 0.5 -----
sen(0.5)
1.6151 e 46296 =
6 ----- 0.6 -----
sen(0.6)
1.7588 e 18845 =
7 ----- 0.7 -----
sen(0.7)
1.9044 e 96534 =
x0 x1 x2 xn–1 xn
h h h
h

f(xi)
f(xi+1)
n trapecios
xi xi+1
(4.5)
91 Integración numérica


8 ----- 0.8 -----
sen(0.8)
2.0490 e 08650 =
9 ----- 0.9 -----
sen(0.9)
2.1887 e 41912 =
10 1 -----
sen(1)
2.3197 e 76824 = -----
f(x)
¿

3.319776824 14.66092481
1
sen(x)
10
0
0.1
e dx 3.319776824+2(14.66092481) =1.632081322=T
2
| |
~ (
¸ ¸ |
\ .
}

El valor exacto de esta integral a 10 cifras significativas es 1.631869608, por lo que el error es…
e 1.631869608-1.6320813222 0.0002117142 = =
la precisión obtenida es similar a la del método del punto medio.
Considérese las dos siguientes disposiciones de puntos x para un mismo intervalo…








si sobre dichas mallas descansa una curva f(x) y a la misma se le aplica el método de los trapecios para hallar
2n
0
x
x
f(x)dx
}
, se tiene…
n 0 2n 2 4 6 8 2n 2
2h
T f(x ) f(x ) 2(f(x ) f(x ) f(x ) f(x ) ... f(x )) para los n intervalos
2
÷
= + + + + + + + (
¸ ¸
, y
2n 0 2n 1 2 3 4 2n 1
h
T f(x ) f(x ) 2(f(x ) f(x ) f(x ) f(x ) ... f(x )) para los 2n intervalos
2
÷
= + + + + + + + (
¸ ¸

aplicando además el método del punto medio al calcular la integral para la malla de n intervalos se obtiene…
n 1 3 5 7 9 2n 1
M 2h f(x ) f(x ) f(x ) f(x ) f(x ) ... f(x ) para los n intervalos
÷
= + + + + + + (
¸ ¸

sumando T
n
y M
n

n n 1 3 5 7 9 2n 1
0 2n 2 4 6 8 2n 2
0 2n 1 2 3 4 5 2n 1
M T 2h f(x ) f(x ) f(x ) f(x ) f(x ) ... f(x )
h f(x ) f(x ) 2f(x ) 2f(x ) 2f(x ) 2f(x ) ... 2f(x )
h f(x ) f(x ) 2(f(x ) f(x ) f(x ) f(x ) f(x ) ... f(x ))
÷
÷
÷
+ = + + + + + + + (
¸ ¸
+ + + + + + + = (
¸ ¸
+ + + + + + + + (
¸ ¸

resultado que corresponde a
2n
2T , de donde…
n n
2n
M T
T
2
+
=

x0 x2 x4 x6 x8 x10 x12 x14 x2n-1 . . . x1 x3 x5 x7 x9 x11 x13 x15 x2n
h h h h h h h h h h h h h h h h
2n intervalos
x0 x2 x4 x6 x8 x10 x12 x14 x2n . . . x2n-2
2h 2h 2h 2h 2h 2h 2h 2h
n intervalos
(4.6)
92 Integración numérica


esta expresión permite calcular la integral con el método de los trapecios para 2n intervalos en base a hallar úni-
camente la integral para n intervalos por el método del punto medio y el de los trapecios, método conocido co-
mo método de aceleración de la regla de los trapecios.
Ejemplo 4.4
Calcular
1
sen(x)
0
e dx
}
mediante el método de aceleración de los trapecios con n = 20. Utilizar 10 cifras significa-
tivas.
De los ejemplos 4.2 y 4.3 se tiene que…
M
10
= 1.631763539 , y
T
10
= 1.632081322 , entonces…
10 10
20
M T 1.631763539+1.632081322
T 1.6319224305
2 2
+
= = =
Considerando el valor exacto de esta integral a 10 cifras significativas como 1.631869608, el error es…
e 1.631869608-1.6319224305 0.0000528225 = =
La aplicación del método de la aceleración produce una mejora en la precisión, en base a resultados calculados.
Considerando que
1 0
x x h = + ,
2 0
x x 2h = + , … ,
n 1 0
x x (n 1)h
÷
= + ÷ , la fórmula del método de los
trapecios se puede escribir como…
( )
n
0
x
n 1
0 n 0
i 1
x
h
f(x)dx f(x ) f(x ) 2 f x ih T
2
÷
=
(
~ + + + =
(
¸ ¸
¿
}

4.2.1 MÉTODO DE LOS TRAPECIOS CON DERIVE 6.
Empleando programación funcional, la función SUM y la expresión (4.7), la automatización del método de los
trapecios es…
#1: F(x) :=
#2: TRAP(in, fin, n) := ((fin–in)/(2n))(F(in)+F(fin)+2SUM(F(in+i((fin–in)/n)),i ,1, n–1))
4.3 REGLAS DE SIMPSON.
Las reglas de Simpson, utilizan una interpolación de segundo y tercer grado sobre las cuales se obtienen las
respectivas aproximaciones mediante integración. La obtención de éstas fórmulas de forma manual es
sumamente largo, pero con la ayuda de Derive 6, el proceso toma pocos segundos.
4.3.1 REGLA DE 1/3 DE SIMPSON.
Se desea calcular la integral
2
0
x
x
f(x)dx
}
utilizando un polinomio interpolador de segundo orden p(x) en lugar de
la función subintegral f(x); para ello se debe disponer de tres puntos con los cuales construir p(x) tal como lo
muestra el siguiente gráfico...
(4.7)
93 Integración numérica



entonces…
 Se ingresa la orden InputMode := Word para que admita variables de más de 1 carácter.
 Se define el polinomio de interpolación como p(x) : a x 2 b x c
.
= - + - + .
 Se establece el vector de condiciones de la interpolación [p(x0)=f0, p(x1)=f1, p(x2)=f2], que generará
un sistema de ecuaciones.
 Se resuelve el sistema obtenido, para las variables a, b y c, mediante la orden SOLVE([p(x0) = f0, p(x1)
= f1, p(x2) = f2], [a, b, c]).
 Se obtiene entonces el vector solución…



 Se substituye en el vector solución
1 0
x x h = + y
2 0
x x 2h = + , lográndose simplificar la solución a…


x0 x1 x2
h h
f(x0)
f(x1)
f(x2)
p(x)
f(x)
94 Integración numérica



 Entonces se reemplaza a, b y c en p(x), obteniéndose…


 Se integra p(x) entre x
0
y x
0
+ 2h…


 y se obtiene finalmente…

es decir…
2
0
x
0 1 2
x
h
f(x)dx f(x ) 4f(x ) f(x )
3
~ + + (
¸ ¸ }

que es la expresión para el método de Simpson con aproximación cuadrática o regla de 1/3 de Simpson.
Para aproximar con un error menor el área calculada por este método, se puede subdividir a su vez cada
intervalo en dos subintervalos y proceder de la misma manera hasta obtener un número n par de intervalos.
Aplicando a cada pareja la ecuación anterior se obtiene...
( )
n
0
x
0 1 2 2 3 4 n 2 n 1 n
x
h
f(x)dx f(x ) 4f(x ) f(x ) f(x ) 4f(x ) f(x ) ... f(x ) 4f(x ) f(x )
3
÷ ÷
~ + + + + + + + + +
}

que simplificando resulta...
n
0
x
0 1 2 3 4 n 2 n 1 n
x
h
f(x)dx f(x ) 4f(x ) 2f(x ) 4f(x ) 2f(x ) ... 2f(x ) 4f(x ) f(x ) donde n es par
3
÷ ÷
~ + + + + + + + + (
¸ ¸ }

denominada regla compuesta de 1/3 de Simpson.
Esta expresión se puede simplificar como…
n
0
x
k k 1
1/ 3
0 n 2i 1 2i
i 1 i 1
x
h
f(x)dx f(x ) f(x ) 4 f(x ) 2 f(x ) =S donde n=2k
3
÷
÷
= =
(
~ + + +
(
¸ ¸
¿ ¿
}


(4.8)
95 Integración numérica


Ejemplo 4.5
Calcular
1
sen(x)
0
e dx
}
mediante el regla de 1/3 de Simpson con n = 10 intervalos. Utilizar 10 cifras significativas.
La longitud h de los intervalos es
1 0
h 0.1
10
÷
= =
i x
i
f(x
extremos
) f(x
pares
) f(x
no pares
)
0 0
sen(0)
e 1 = ----- -----
1 0.1 ----- -----
sen(0.1)
1.1049 e 86830 =
2 0.2 -----
sen(0.2)
1.2197 e 78556 = -----
3 0.3 ----- -----
sen(0.3)
1.3438 e 25243 =
4 0.4 -----
sen(0.4)
1.4761 e 21946 = -----
5 0.5 ----- -----
sen(0.5)
1.6151 e 46296 =
6 0.6 -----
sen(0.6)
1.7588 e 18845 = -----
7 0.7 ----- -----
sen(0.7)
1.9044 e 96534 =
8 0.8 -----
sen(0.8)
2.0490 e 08650 = -----
9 0.9 ----- -----
sen(0.9)
2.1887 e 41912 =
10 1
sen(1)
2.3197 e 76824 = ----- -----
f(x)
¿

3.319776824 6.503727998 8.157196817
1
sen(x) 1/ 3
10
0
0.1
e dx 3.319776824+4(8.157196817)+2(6.503727998) =1.631867336=S
3
~ (
¸ ¸ }

El valor exacto de esta integral a 10 cifras significativas es 1.631869608, por lo que el error es…
e 1.631869608-1.631867336 0.000002272 = =
la precisión es casi el doble que el método de los trapecios, con el mismo número de intervalos.
Un método de aceleración para la regla de 1/3 de Simpson es también posible, y su demostración se deja al lec-
tor. Se tiene que…
1/ 3 n n
2n
2M T
S
3
+
=

Ejemplo 4.6
Calcular
1
sen(x)
0
e dx
}
mediante el método de aceleración de la regla de 1/3 de Simpson con n = 20 intervalos.
Utilizar 10 cifras significativas.
De los ejemplos 4.2 y 4.3 se tiene que…
M
10
= 1.631763539 , y
T
10
= 1.632081322 , entonces…
(4.9)
96 Integración numérica


1/ 3 10 10
20
2M T 2(1.631763539)+1.632081322
S 1.631869467
3 3
+
= = =
Considerando el valor exacto de esta integral a 10 cifras significativas como 1.631869608, el error es…
e 1.631869608-1.631869467 0.000000141 = =
Nuevamente, la aplicación del método de la aceleración produce una mejora en la precisión, en base a resulta-
dos calculados.
4.3.2 REGLA DE 3/8 DE SIMPSON.
Ahora se desea calcular la integral
3
0
x
x
f(x)dx
}
utilizando un polinomio interpolador de tercer orden p(x) en lugar
de la función subintegral f(x); para ello se debe disponer de cuatro puntos con los cuales construir p(x) tal como
lo muestra el siguiente gráfico...

siguiendo el mismo procedimiento empleado en la regla de 1/3 de Simpson se obtiene…
3
0
x
0 1 2 3
x
3h
f(x)dx f(x ) 3f(x ) 3f(x ) f(x )
8
~ + + + (
¸ ¸ }

expresión que determina el método de Simpson con aproximación cúbica o regla de 3/8.
Para aproximar con un error menor el área calculada por este método, se puede subdividir a su vez cada
intervalo en tres subintervalos y proceder de la misma manera hasta obtener un número n(multiplo de 3) de
intervalos. Aplicando a trio de intervalos la ecuación anterior se obtiene...
n
0
x
0 1 2 3 3 4 5 6
x
n 3 n 2 n 1 n
3h
f(x)dx f(x ) 3f(x ) 3f(x ) f(x ) f(x ) 3f(x ) 3f(x ) f(x )
8
... f(x ) 3f(x ) 3f(x ) f(x ) n es un valor multiplo de 3
÷ ÷ ÷
~ + + + + + + + +
¸
+ + + + (
¸
}

que simplificando resulta...
( )
n
0
x
0 1 2 3 4 5 6 n 3 n 2 n 1 n
x
3h
f(x)dx f(x ) 3f(x ) 3f(x ) 2f(x ) 3f(x ) 3f(x ) 2f(x ) ... 2f(x ) 3f(x ) 3f(x ) f(x )
8
÷ ÷ ÷
~ + + + + + + + + + + +
}

x0 x1 x2
h h
f(x0)
f(x1) f(x2)
p(x)
f(x)
x3
h
f(x2)
97 Integración numérica


fórmula denominada regla compuesta de 3/8 de Simpson.
Esta expresión se puede simplificar como…
n
0
x
k k 1
3/ 8
0 n 3i 2 3i 1 3i
i 1 i 1
x
3h
f(x)dx f(x ) f(x ) 3 f(x ) f(x ) 2 f(x ) =S donde n=3k
8
÷
÷ ÷
= =
(
~ + + + + (
¸ ¸ (
¸ ¸
¿ ¿
}


Ejemplo 4.7
Calcular
0.9
sen(x)
0
e dx
}
mediante el regla de 3/8 de Simpson con n = 9 intervalos. Utilizar 10 cifras significativas.
La longitud h de los intervalos es
0.9 0
h 0.1
9
÷
= =
i x
i
f(x
extremos
) f(x
múltiplos de 3
) f(x
no múltiplos de 3
)
0 0
sen(0)
e 1 = ----- -----
1 0.1 ----- -----
sen(0.1)
1.1049 e 86830 =
2 0.2 ----- -----
sen(0.2)
1.2197 e 78556 =
3 0.3 -----
sen(0.3)
1.3438 e 25243 = -----
4 0.4 ----- -----
sen(0.4)
1.4761 e 21946 =
5 0.5 ----- -----
sen(0.5)
1.6151 e 46296 =
6 0.6 -----
sen(0.6)
1.7588 e 18845 = -----
7 0.7 ----- -----
sen(0.7)
1.9044 e 96534 =
8 0.8 ----- -----
sen(0.8)
2.0490 e 08650 =
9 0.9
sen(0.9)
2.1887 e 41912 = ----- -----
f(x)
¿

3.188741912 3.102644088 9.369538812
0.9
sen(x) 3/ 8
9
0
3(0.1)
e dx 3.319776824+2(3.102644088)+3(9.369538812) =1.406349244=S
8
~ (
¸ ¸ }

El valor exacto de esta integral a 10 cifras significativas es 1.406354371, por lo que el error es…
e 1.406354371-1.406349244 0.000005127 = =
la precisión es similar a la regla de 1/3 de Simpson.
4.3.3 REGLAS DE SIMPSON UTILIZANDO DERIVE 6.
Con programación funcional, la función SUM y las expresiones (4.8) y (4.10), modificadas de la siguiente
forma…
n
0
x
k k 1
1/ 3
0 n 0 0
i 1 i 1
x
h
f(x)dx f(x ) f(x ) 4 f(x (2i 1)h) 2 f(x (2i)h) =S donde n=2k
3
÷
= =
(
~ + + + ÷ + +
(
¸ ¸
¿ ¿
}


n
0
x
k k 1
3/ 8
0 n 0 0 0
i 1 i 1
x
3h
f(x)dx f(x ) f(x ) 3 f(x (3i 2)h) f(x (3i 1)h) 2 f(x (3i)h) =S donde n=3k
8
÷
= =
(
~ + + + ÷ + + ÷ + + (
¸ ¸ (
¸ ¸
¿ ¿
}

la automatización de los métodos de Simpson es…
(4.10)
(4.8a)
(4.10a)
98 Integración numérica


#1: F(x) :=
#2: SIMP13(in, fin, n) := ((fin–in)/(3n))(F(in)+F(fin)+4SUM(F(in+(2i–1)((fin–in)/n)),i ,1 ,n/2) + 2SUM( F(in+(2i)((fin–
in)/n)),i ,1 , n/2–1))
#3: SIMP38(in, fin, n) := (3(fin–in)/(8n))(F(in)+F(fin)+3SUM(F(in+(2i–2)((fin–in)/n))+ F(in+(2i–1)((fin–in)/n)),i ,1 ,n/3)
+ 2SUM( F(in+(2i)((fin–in)/n)),i ,1 , n/3–1))
En base a la expresión (4.9) y los programas para el método del punto medio y de los trapecios, la regla de 1/3
de Simpson se puede automatizar como…
#4: SIMP13_(in, fin, n) := (2MED(in, fin, n/2)+ TRAP(in, fin, n/2))/3
4.4 FÓRMULAS DE NEWTON – COTES.
Las fórmulas de Newton–Cotes son una generalización de las fórmulas del trapecio y de Simpson, es decir, una
aproximación por polinomios interpoladores de cualquier grado para hallar una estimación de las integrales
numéricas. El siguiente cuadro resume las fórmulas de Newton–Cotes hasta el orden 5.
n Regla Fórmula
1 Trapecios
1
0
x
0 1
x
h
f(x)dx f(x ) f(x )
2
~ + (
¸ ¸ }

2 Simpson 1/3
2
0
x
0 1 2
x
h
f(x)dx f(x ) 4f(x ) f(x )
3
~ + + (
¸ ¸ }

3 Simpson 3/8
3
0
x
0 1 2 3
x
3h
f(x)dx f(x ) 3f(x ) 3f(x ) f(x )
8
~ + + + (
¸ ¸ }

4 Boole
4
0
x
0 1 2 3 4
x
2h
f(x)dx 7f(x ) 32f(x ) 12f(x ) 32f(x ) 7f(x )
45
~ + + + + (
¸ ¸ }

5
5
0
x
0 1 2 3 4 5
x
5h
f(x)dx 19f(x ) 75f(x ) 50f(x ) 50f(x ) 75f(x ) 19f(x )
288
~ + + + + + (
¸ ¸ }

4.5 ERROR EN MÉTODOS DE INTEGRACIÓN.
El error de los métodos de integración se deduce en base a un análisis por series de Taylor, cuyo análisis no se
va a detallar en este texto. El siguiente cuadro define la expresiones del error para los métodos estudiados
anteriormente…
Regla Orden Error estimado o aproximado
Rectángulos O(h)
n
0
x
2
n
x
nh
e f(x)dx R
2
= ÷ s o
}
, donde o es el valor máximo que to-
ma la primera derivada en el intervalo [x
o
, x
n
] de integración, es de-
cir, f '(x) s o para [x
o
, x
n
].
Punto medio O(h
2
)
n
0
x
3
n
x
nh
e f(x)dx M
24
= ÷ s o
}
, donde o es el valor máximo que
toma la segunda derivada en el intervalo [x
o
, x
n
] de integración, es
99 Integración numérica


decir, f ''(x) s o para [x
o
, x
n
].
Trapecios O(h
2
)
n
0
x
3
n
x
nh
e f(x)dx T
12
= ÷ s o
}
, donde o es el valor máximo que to-
ma la segunda derivada en el intervalo [x
o
, x
n
] de integración, es de-
cir, f ''(x) s o para [x
o
, x
n
].
Simpson 1/3 O(h
4
)
n
0
x
5
1/ 3
n
x
nh
e f(x)dx S
180
= ÷ s o
}
, donde o es el valor máximo que
toma la cuarta derivada en el intervalo [x
o
, x
n
] de integración,
es decir,
(4)
f (x) s o para [x
o
, x
n
].
Simpson 3/8 O(h
4
)
n
0
x
5
3/ 8
n
x
nh
e f(x)dx S
80
= ÷ s o
}
, donde o es el valor máximo que
toma la cuarta derivada en el intervalo [x
o
, x
n
] de integración, es de-
cir,
(4)
f (x) s o para [x
o
, x
n
].
De la tabla se puede observar que los métodos del punto medio y trapecios, así como las reglas de Simpson
tienen un error del mismo orden lo que significa que van a producir un número semejante de cifras decimales de
precisión.
Ejemplo 4.8
Calcular
1
sen(x)
0
e dx
}
mediante:
a.) Método de los rectángulos con n = 10,
b.) Método del punto medio con n = 10.
c.) La regla de los trapecios con n = 10.
d.) La regla de 1/3 de Simpson con n = 10.
e.) La regla de 3/8 de Simpson con n = 9.
Utilizar 10 cifras significativas. Además en cada caso estimar los errores, comparándolos con los valores de
error exacto.
Los ejemplos 4.1, 4.2, 4.3, 4.5 y 4.7 generaron los siguientes resultados…
n Método Valor aproximado de la integral Error exacto
10 Rectángulos 1.566092481 0.065777127
10 Punto medio 1.631763539 0.000106069
10 Trapecios 1.632081322 0.0002117142
100 Integración numérica


10 Simpson 1/3 1.631867336

0.000002272
9 Simpson 3/8 1.406349244 0.000005127
Se procederá ahora a la estimación para ello es necesario determinar el máximo valor que toman la primera, se-
gunda y cuarta derivadas de
sen(x)
f(x) e = en el intervalo [0, 1], para ello deduzcamos dichas derivadas y grafi-
quémoslas en el intervalo mencionado…
sen(x)
sen(x) 2
(4) sen(x) 4 2
f (x) e cos(x)
f (x) e cos (x) sen(x)
f (x) e cos (x) cos (x)(6sen(x) 7) sen(x) 3
' =
( '' = ÷
¸ ¸
( = ÷ + + +
¸ ¸


valor máximo o
valor máximo o
101 Integración numérica



La siguiente tabla calcula los valores de error estimado para cada caso…
n Método Error estimado Error exacto
10 Rectángulos
2 2
est
nh (10)(0.1)
e 1.47 735
2
0
2
0. = o = = 657 0.0 77127
10 Punto medio
3 3
est
nh (10)(0.1)
e 1.275 0.0 53125
24 24
00 = o = = 10 0.000 6069
10 Trapecios
3 3
est
nh (10)(0.1)
e 1.27 0 5 10625
12 1
.00
2
= o = = 211 0.000 7142
10 Simpson 1/3
5 5
est
nh (10)(0.1)
e 5.73 0.0 31833
180 1 0
0000
8
= o = = 0.000002272
9 Simpson 3/8
5 5
est
nh (9)(0.1)
e 5.73 644625
80 8
0.0 000
0
0 = o = = 0.000005127
Como se puede verificar en todos los casos e
est
> e
exacto
, lo cual demuestra que el error estimado es conserva-
dor.
Ejemplo 4.9
Determine el valor de h necesario para calcular
0.8
x
0
sen(e )dx
}
, mediante el método de los trapecios con hasta
dos cifras decimales de precisión y calcule el valor de la integral. Para los cálculos considere o = 5.284.
3
nh 0.8 0
0.001, pero h
12 n
÷
o = =
3
0.8
n
n
5.284 0.001
12
| |
|
\ .
=
valor máximo o
102 Integración numérica


2
0.512
n
5.284 0.001
12
=
2
0.512
5.284 0.001
12n
=
2
(0.512)(5.284)
n
12(0.001)
=
(0.512)(5.284)
n 15.01 15
12(0.001)
= = ~

0.8
h 0.0533333
15
= =

i x
i
f(x
extremos
) f(x
intermedios
)
0 0 0.84147098
1 0.053333333 0.86979228
2 0.106666667 0.89683556
3 0.16 0.92211469
4 0.213333333 0.94506624
5 0.266666667 0.96504242
6 0.32 0.98130479
7 0.373333333 0.99301922
8 0.426666667 0.99925301
9 0.48 0.99897512
10 0.533333333 0.99106099
11 0.586666667 0.97430344
12 0.64 0.94743192
13 0.693333333 0.90914242
14 0.746666667 0.85814088
15 0.8 0.79320348
f(x)
¿
1,63467447 26,5029659
0.8
x
0
0.053333333
sen(e )dx (1.63467447 26.5029 0.7 659) 0337072
2
5 ~ + =
}

El valor exacto es 0.7507863514, lo cual demuestra de la exactitud de por lo menos dos cifras decimales como
se pidió.
4.6 INTEGRACIÓN DE ROMBERG.
El método de Romberg es un procedimiento para mejorar el resultado de una integral numérica en base a
103 Integración numérica


considerar el error cometido, y utilizarlo como fuente para aumentar la precisión.
La integral exacta, se puede expresar, para el método de los trapecios, como…
b
ex
a
I f(x)dx T e = = +
}

donde I
ex
es el valor exacto de la integral, T es el valor aproximado obtenido mediante la aplicación del método
de los trapecios a n intervalos y e es el error exacto cometido. Tanto T como e dependen del valor h, por lo que
la anterior expresión se puede reescribir como…
ex
I T(h) e(h) = +
Si se calcula una misma integral con dos valores diferentes de h, por ejemplo h
1
y h
2
, se tiene…
ex 1 1 2 2
I T(h ) e(h ) T(h ) e(h ) (A) = + = +
por otro lado se tiene que el error para el método de los trapecios se puede escribir como…
3 2
nh (b a)h
e(h)
12 12
÷
~ o = o
si se considera que o es un valor constante para el intervalo de integración [a, b], entonces…
2
1 1
2
2 2
e(h ) h
e(h ) h
~
rearreglando la anterior ecuación…
2
1
1 2
2
h
e(h ) e(h )
h
| |
~
|
\ .

y reemplazando en la expresión (A)…
2
1
1 2 2 2
2
h
T(h ) e(h ) T(h ) e(h )
h
| |
+ ~ +
|
\ .

resolviendo para e(h
2
)…
2
1
2 2 2 1
2
2 1 1 2
2 2 2
1 1
2 2
h
e(h ) e(h ) T(h ) T(h )
h
T(h ) T(h ) T(h ) T(h )
e(h )
h h
1 1
h h
| |
÷ ~ ÷
|
\ .
÷ ÷
~ =
| | | |
÷ ÷
| |
\ . \ .

por lo que…
2 2
1 2 2 1 1 2
ex 2 2 2 2
2 1
1
2
ex 2 2
T(h ) T(h ) h T(h ) h T(h )
I T(h ) (B)
h h
h
1
h
I T(h ) e(h )
÷ ÷
~ + =
÷
| |
÷
|
\ .
~ +

104 Integración numérica


la precisión mediante esta estimación de la integral exacta es mejor que la obtenida aplicando la simple regla de
trapecios con n intervalos. Si se considera que
1
2 1
h b a
h , donde h
2 n
÷
= = , entonces se obtiene…
2
2 1
1 1 2 1 2
ex 2
2 1
1
ex 2 2 1 2
h 1
T(h ) h T(h ) T(h ) T(h )
4 4
I
1
h
1
h
4
4
4 1
I T(h ) T(2h ) R(h )
3 3
÷ ÷
~ =
÷
÷
~ ÷ =

Ejemplo 4.10
Mejorar la precisión de
1
sen(x)
0
e dx
}
mediante el empleo de h
1
= 0.1, h
2
= 0.05. Utilizar 10 cifras significativas.
Para h
1
= 0.1, se tiene n = 10, con h
2
= 0.05 , n = 20. Utilizando la función TRAP(in, fin, n), se obtiene…
T
10
= 1.632081322
T
20
= 1.631922431
y…
1
sen(x)
2 2
0
4 1 4 1
e dx T(h ) T(2h ) (1.631922431) (1.632081322) 1.631869467
3 3 3 3
~ ÷ = ÷ =
}

El valor exacto de esta integral a 10 cifras significativas es 1.631869608, por lo que el error es…
e 1.631869608-1.631869467 0.000000141 = =
la precisión respecto a T
20
(0.000052823) ha mejorado.
La expresión (B) anterior, aumenta el orden del error de O(h
2
) a O(h
4
) al sustituir
1
2
h
h
2
= , y de O(h
2
) a O(h
6
) al
sustituir
1
2
h
h
4
= , obteniendose en este último caso la expresión…
ex 2 2 2 2
16 1
I T(h ) T(2h ) R (h )
15 15
~ ÷ =
El siguiente cuadro resumen este procedimiento de reducción de h y aumento de orden…
k
1
h
2
h
Integral de Romberg
2
O(h )
1
1,1
h
1,1
1,2
h
h
2
=
1 1,2 1,2 1,2
4 1
R(h ) T(h ) T(2h )
3 3
= ÷
4
1,2
O(h )
2
2,1 1,2
h h =
2,1 1,2
2,2
h h
h
2 2
= =
2 2,2 1 2,2 1 2,2
16 1
R (h ) R(h ) R(2h )
15 15
= ÷
6
2,2
O(h )
3
3,1 2,2
h h =
3,1 2,2
3,2
h h
h
2 2
= =
3 3,2 2 3,2 2 3,2
64 1
R (h ) R (h ) R (2h )
63 63
= ÷
8
3,2
O(h )
105 Integración numérica


4
4,1 3,2
h h =
4,1 3,2
4,2
h h
h
2 2
= =
4 4,2 3 4,2 3 4,2
256 1
R (h ) R (h ) R (2h )
255 255
= ÷
10
4,2
O(h )
Este proceso se puede generalizar por la expresión…
k b
k 1 k,2 k 1 k,2
k k,2 0 k
a
4 R (h ) R (2h )
f(x)dx R(h ) donde R T(regla trapezoidal)
4 1
÷ ÷
÷
~ = =
÷
}

conocida como Integral de Romberg. La aplicación sucesiva de este procedimiento se conoce como método de
integración de Romberg. El orden del error cometido por la expresión (4.11) es
2k 2
2
O(h )
+
.
En lugar de los valores para h, es más conveniente generar las Integrales de Romberg mediante el uso del
número de intervalos n, el siguiente cuadro muestra el proceso…
n Trapecios R
1
R
2
R
3
Orden del error
O(h
4
) O(h
6
) O(h
8
)
n T
n ---- ---- ----
2n T
2n 1,n 2n n
4 1
R T T
3 3
= ÷
---- ----
4n T
4n 1,2n 4n 2n
4 1
R T T
3 3
= ÷
2,n 1,2n 1,n
16 1
R R R
15 15
= ÷
----
8n T
8n 1,4n 8n 4n
4 1
R T T
3 3
= ÷
2,2n 1,4n 1,2n
16 1
R R R
15 15
= ÷
3,n 2,2n 2,n
64 1
R R R
63 63
= ÷
16n T
16n
1,8n 16n 8n
4 1
R T T
3 3
= ÷

2,4n 1,8n 1,4n
16 1
R R R
15 15
= ÷
3,2n 2,4n 2,2n
64 1
R R R
63 63
= ÷
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n Trapecios R
4
. . .
Orden del error
O(h
10
)
. . .
n T
n ----
. . .
2n T
2n ----
. . .
4n T
4n ----
. . .
8n T
8n ----
. . .
16n T
16n
4,n 3,2n 3,n
256 1
R R R
255 255
= ÷

. . .
.
.
.
.
.
.
.
.
.

(4.11)
106 Integración numérica



Ejemplo 4.11
Mejorar la precisión de
1
sen(x)
0
e dx
}
mediante el método de integración de Romberg a partir de h
1
= 0.1, hasta
lograr 10 cifras significativas de precisión.
k
1
h
1
n
2
h
2
n
2k 2
k,2
O(h )
+

Cifras significativas de precisión
(aprox.)
1
1,1
h 0.1 =
10
1,2
0.1
h 0.05
2
= = 20
4
1,2
O(h )
4
(0.05) . 0 0000 5 062 =
2
2,1 1,2
h h 0.05 = = 20
2,2
0.05
h 0.025
2
= =
40
6
2,2
O(h )
6
0 0000 (0.025 000 ) . 4 0024 =

entonces la integral de Romberg, para k = 2, es…
2 1
1 2,2 1 2,2 1 2,2 1 2,2 sen(x) 1 1
2
0
4 R(h ) R(2h ) 16R(h ) R(2h ) 16R(0.025) R(0.05)
e dx
15 15 4 1
÷ ÷ ÷
~ = =
÷
}

donde
1,2
1,2
1,2
1 2,2 1
1
h
4T T(h )
h 2
R(h ) R
2 3
4T(0.025) T(0.05)
R(0.025)
3
| |
÷
|
| |
\ .
= =
|
\ .
÷
=
, y
( )
( )
1,2 1,2 1,2
1 2,2 1 1 1,2
1
4T h T(2h ) h
R(2h ) R 2 R h
2 3
4T(0.05) T(0.1)
R(0.05)
3
÷
| |
= = =
|
\ .
÷
=

h = 0.1, corresponde a n = 10 intervalos,
h = 0.05, corresponde a n = 20 intervalos, y
h = 0.025, corresponde a n = 40 intervalos
entonces…
40 20
1
4T T
R(0.025)
3
÷
=
20 10
1
4T T
R(0.05)
3
÷
=
Utilizando la función TRAP(in, fin, n), se obtiene…
T
10
= 1.632081322
T
20
= 1.631922431
T
40
= 1.631882807
10 cifras significativas
de precisión
107 Integración numérica


40 20
1
4T T 4(1.631882807) 1.631922431
R(0.025) 1.631869599
3 3
÷ ÷
= = =
20 10
1
4T T 4(1.631922431) 1.632081322
R(0.05) 1.631869467
3 3
÷ ÷
= = =
finalmente,…
1
sen(x) 1 1
0
16R(0.025) R(0.05) 16(1.631869599) 1.631869467
e dx 1.631869608
15 15
÷ ÷
~ = =
}

La integral exacta a 10 cifras significativas de precisión calculada con Derive 5 es 1.631869608, que coincide
exactamente con el valor obtenido mediante el método de integración de Romberg.
La resolución se puede realizar también mediante el esquema de n, así…
n Trapecios R
1
Orden del error
10 1.632081322
---- ----
20 1.631922431
1,10
1,10
4 1
R (1.631922431) (1.632081322)
3 3
R 1.631869467
= ÷
=

4
20
1 0
h
0 00000
20
. 625
÷ | |
= =
|
\ .

40 1.631882807

1,20
1,20
4 1
R (1.631882807) (1.631922431)
3 3
R 1.631869599
= ÷
=

4
40
1 0
h
40
. 3906 0 000000 25
÷ | |
= =
|
\ .


n R
2
Orden del error
10
---- ----
20
---- ----
40
1,20
1,20
16 1
R (1.631869599) (1.631869467)
15 15
R 1.631869608
= ÷
=

6
40
0 0000
1 0
h
40
. 244140 00 625 000
÷ | |
= =
|
\ .



Ejemplo 4.12
La concentración C, en gramos/litro, de una medicina para la alergia en el cuerpo esta modelada por:
2
C(t) 12 6.69ln(t 4t 6) = ÷ ÷ + 0 s t s 4
donde t es el tiempo en horas desde que la medicina se toma. Encontrar el nivel promedio de concentración en
el cuerpo en un período de 4 horas, usando:
a.) La regla trapezoidal con n = 6
b.) La regla trapezoidal con n = 12
c.) Estimar una valor más exacto del nivel utilizando el método de Romberg.
10 cifras significativas
de precisión
108 Integración numérica


a.) La longitud h de la base de los trapecios es
4 0 2
h
6 3
÷
= =
i X
extremos
x
intermedios
f(x
extremos
) f(x
intermedios
)
0 0 -----
2
12 6.69ln(0 4(0)
0.01312915088
6) ÷ ÷ +
=

-----
1 ----- 2/3 -----
2
12 6.69ln((2/ 3) 4(2
3.1
/
0
3)
80 0 1
6
5
)
8 2
÷ ÷ +
=

2 ----- 4/3 -----
2
12 6.69ln((4/ 3) 4(4
6.0
/
2
3)
03 8 0
6
4
)
5 9
÷ ÷ +
=

3 ----- 2 -----
2
12 6.69ln(2 4(2)
7.3628
6
53
)
4 62
÷ ÷ +
=

4 ----- 8/3 -----
2
12 6.69ln((8/ 3) 4(8
6.0
/
2
3)
03 8 0
6
4
)
5 9
÷ ÷ +
=

5 ----- 10/3 -----
2
12 6.69ln((10/ 3) 4(1
3.10808051
0 6)
2
/ 3) ÷ ÷ +
=

6 4 -----
2
12 6.69ln(4 4(4)
0.01312915088
6) ÷ ÷ +
=

-----
f(x)
¿

0.02625830177 25.61972320
4
6
0
2/ 3
C(t)dt 0.02625830177+2(25.61972320) =17.08856823=T
2
| |
~ (
¸ ¸ |
\ .
}

b.) La longitud h de la base de los trapecios es
4 0 1
h
12 3
÷
= =

i X
extremos
x
intermedios
f(x
extremos
) f(x
intermedios
)
0 0 -----
2
12 6.69ln(0 4(0)
0.01312915088
6) ÷ ÷ +
=

-----
1 ----- 1/3 -----
2
12 6.69ln((1/ 3) 4(1
1.5
/
3
3)
70 3 4
6
6
)
0 8
÷ ÷ +
=

2 ----- 2/3 -----
2
12 6.69ln((2/ 3) 4(2
3.1
/
0
3)
80 0 1
6
5
)
8 2
÷ ÷ +
=

3 ----- 1 -----
2
12 6.69ln(1 4(1)
4.6502
6
37
)
8 88
÷ ÷ +
=

4 ----- 4/3 -----
2
12 6.69ln((4/ 3) 4(4
6.0
/
2
3)
03 8 0
6
4
)
5 9
÷ ÷ +
=

5 ----- 5/3 -----
2
12 6.69ln((5/ 3) 4(5
7.0
/
0
3)
11 5 5
6
6
)
3 1
÷ ÷ +
=

6 ----- 2 -----
2
12 6.69ln(2 4(2)
7.3628
6
53
)
4 62
÷ ÷ +
=

7 ----- 7/3 -----
2
12 6.69ln((7/ 3) 4(7
7.0
/
0
3)
11 5 5
6
6
)
3 1
÷ ÷ +
=

8 ----- 8/3 -----
2
12 6.69ln((8/ 3) 4(8
6.0
/
2
3)
03 8 0
6
4
)
5 9
÷ ÷ +
=

109 Integración numérica


9 ----- 3 -----
2
12 6.69ln(3 4(3)
4.6502
6
37
)
8 88
÷ ÷ +
=

10 ----- 10/3 -----
2
12 6.69ln((10/ 3) 4(1
3.10808051
0 6)
2
/ 3) ÷ ÷ +
=

11 ----- 11/3 -----
2
12 6.69ln((11/ 3) 4(1
1.53700364
1 6)
8
/ 3) ÷ ÷ +
=

12 4 -----
2
12 6.69ln(4 4(4)
0.01312915088
6) ÷ ÷ +
=

-----
f(x)
¿

0.02625830177 51.99656938
4
12
0
1/ 3
C(t)dt 0.02625830177+2(51.99656938) =17.33656617=T
2
| |
~ (
¸ ¸ |
\ .
}

c.) Por el método de Romberg, con h
1
= 2/3 y h
2
= h
1
/2 = 1/3
1
4T(1/ 3) T(2/ 3) 4(17.33656617) (17.08856823)
R(1/ 3) 17.41923215
3 3
÷ ÷
= = =
resultado que tiene una precisión mínima de
4
(1/ 3) . 12345 1 0 0 6790 = , es decir, por lo menos la primera cifra
decimal es exacta.
El valor exacto a 10 cifras decimales es 17.41917543, por lo que en realidad el valor corregido de Romberg esta
generando…
e 17.41917543-17.41923215 . 0 000 72 056 = =
4 cifras decimales exactas.

110 Ecuaciones diferenciales ordinarias


C CA AP PÍ ÍT TU UL LO O 5
5
E EC CU UA AC CI IO ON NE ES S D DI IF FE ER RE EN NC CI IA AL LE ES S O OR RD DI IN NA AR RI IA AS S
Las ecuaciones diferenciales son expresiones matemáticas, donde a más de las variables usuales x, y, z…etc.,
aparecen derivadas de cualquier orden de una variable respecto de otras, así por ejemplo…
2
dy
ysen(x) z y
dx
+ = ÷
si únicamente están presentes las variables x(variable independiente) y y(variable dependiente) y una o más de-
rivadas de cualquier orden de y respecto de x, la ecuación se denomina ecuación diferencial ordinaria; además
el orden de la derivada más alta define el orden de la ecuación diferencial, así…
2
2
3
3
2
y
2
sen(x) cos(y) Ec. dif. ordinaria de 1er orden
dy
x y x y Ec. d
dy
dx
d y
dx
d y
if. ordinaria de 2do orden
dx
dy
e x y 1 Ec. dif. ordinaria d
d
e 3er orden
dx x
+ =
+ ÷ =
+ = +

Las ecuaciones aparecen de forma natural al generar un modelo de un fenómeno de la vida real en cualquier
ciencia aplicada, por lo que su resolución es vital para definir el modelo. A pesar de ello es posible resolver
analíticamente sólo algunos pocos tipos de ecuaciones diferenciales por lo que se hace absolutamente necesa-
rio el conocimiento de métodos numéricos que permitan resolver ecuaciones diferenciales. De aquí en adelante
se nominará como ecuación diferencial a una ecuación diferencial ordinaria y se tratarán en este capítulo solo
ecuaciones diferenciales ordinarias de primer orden.
5.1 SOLUCIÓN GENERAL Y PARTICULAR DE UNA ECUACIÓN DIFERENCIAL
Toda ecuación diferencial presenta dos tipos de soluciones: una solución general y una particular; la primera
proviene de integrar la ecuación diferencial y obtener la solución en función de la o las constantes de integra-
ción, el siguiente ejemplo aclara esta situación…
Ejemplo 5.1
Hallar la solución general de la ecuación diferencial
2
dy
x
dx
=
Si se despejan las diferenciales de la derivada se tiene…
2
dy x dx =
integrando a cada lado de la expresión…
2
dy x dx =
} }

resolviendo las integrales indefinidas…
111 Álgebra Lineal Numérica


3
3
3
x
y A B
3
x
y B A
3
x
y C
3
+ = +
= + ÷
= +

por lo que la solución general de la ecuación diferencial dada es
3
y C
x
3
= + , siendo C una constante cuales-
quiera.
Si a más de solamente la ecuación diferencial se conoce una o más parejas de valores (x, y), llamadas condi-
ciones iniciales, tal que a través de ellas se pueda determinar el valor de la constante de integración, la solución
general pasará a denominarse solución particular, así para el ejemplo anterior…
Ejemplo 5.2
Hallar la solución particular de la ecuación diferencial
2
dy
x
dx
= , si y = 2 para x = 1.
Dado que la solución general es
3
x
y C
3
= + , entonces sustituyendo en ella x = 1, y = 2, se tiene…
3
(1)
2 C
3
1
2 C
3
1 5
C 2
3 3
= +
= +
= ÷ =

por lo que la solución particular en este caso es
3
y
5 x
3 3
= + .
Los métodos numéricos requieren del conocimiento de las condiciones iniciales para su ejecución. En el pre-
sente texto se van a revisar únicamente métodos numéricos de resolución de ecuaciones diferenciales de primer
orden.
5.2 MÉTODOS DE EULER
Son los métodos más simples, compactos aunque menos precisos y utilizan aproximaciones por diferencias
para las derivadas. Los métodos de Euler son:
 Método de Euler hacia adelante.
 Método de Euler hacia atrás, y
 Método de Euler modificado.
Seguidamente se analiza cada uno…
5.2.1 MÉTODOS DE EULER HACIA ADELANTE Y HACIA ATRÁS
Considérese la ecuación diferencial de primer orden
dy
f(x,y)
dx
= , si se substituye en ella la primera derivada su
112 Álgebra Lineal Numérica


aproximación por diferencias hacia adelante (Ec. (3.1)), dada por…
i 1 i
i 1 i
y y dy
, con h x x
dx h
+
+
÷
~ = ÷
entonces se obtiene la expresión…
i 1 i
y y
f(x,y)
h
+
÷
~
de donde,
i 1 i i i
y y hf(x ,y )
+
~ +
ecuación que aplicada de forma iterativa, a partir de las condiciones iniciales (x
0
, y
0
), permite hallar el conjunto
solución { }
0 1 2
y ,y ,y ,... para la ecuación diferencial dada, tal como lo muestra el siguiente ejemplo…
Ejemplo 5.3
Hallar la solución de la ecuación diferencial
dy
xy
dx
= para el intervalo [1, 2] , si y
0
= 2 para x
0
= 1, mediante
el método de Euler hacia adelante. Compare dicha solución con la solución exacta expresada mediante
2
x 1
2
y(x) 2e
÷
= . Utilice h = 0.2
0
y 2 = para x
0
= 1
1 0 0 0
y y h(x y ) 2 (0.2)(1)( 2. ) 4 2 ~ + = + = para x
1
= 1.2
2 1 1 1
y y h(x y ) 2.4 (0.2)(1.2)(2.4 2.97 ) 6 ~ + = + = para x
2
= 1.4
3 2 2 2
y y h(x y ) 2.976 (0.2)(1.4)(2.976) 3.80928 ~ + = + = para x
3
= 1.6
4 3 3 3
y y h(x y ) 3.80928 (0.2)(1.6)(3.80 5 928) .0282496 ~ + = + = para x
4
= 1.8
5 4 4 4
y y h(x y ) 5.0282496 (0.2)(1.8)(5.02824 6.83841945 96) 6 ~ + = + = para x
5
= 2
la solución aproximada está dada por la tabla…

i x
i
y
i
0 1 2
1 1.2 2.4
2 1.4 2.976
3 1.6 3.80928
4 1.8 5.0282496
5 2 6.838419456
Graficando la solución aproximada y la solución exacta se tiene…
(5.1)
113 Álgebra Lineal Numérica



es de notar que mientras se incrementa xi, la solución aproximada se aleja más de la exacta.
Si en lugar de emplear la aproximación por diferencias hacia adelante se utiliza la aproximación por diferencias
hacia atrás, expresada mediante…
i i 1
i i 1
y y dy
, con h x x
dx h
÷
÷
÷
~ = ÷
se tiene,
i i 1
y y
f(x,y)
h
÷
÷
~
de donde,
i 1 i i i
y y hf(x ,y )
÷
~ ÷
expresión que aplicada iterativamente a partir de las condiciones iniciales (x
0
, y
0
), permite hallar el conjunto so-
lución { }
0 1 2
y , y , y ,...
÷ ÷
para la ecuación diferencial dada, tal como lo muestra el siguiente ejemplo…
Ejemplo 5.4
Hallar la solución de la ecuación diferencial
dy
xy
dx
= para el intervalo [0,1] , si y
0
= 2 para x
0
= 1, mediante el
método de Euler hacia atrás. Compare dicha solución con la solución exacta expresada mediante
2
x 1
2
y(x) 2e
÷
= . Utilice h = 0.2
0
y 2 = para x
0
= 1
1 0 0 0
y y h(x y ) 2 (0.2)(1)( ) . 2 1 6
÷
~ ÷ = ÷ = para x
1
= 0.8
Solución exacta
Solución aproximada
(5.2)
114 Álgebra Lineal Numérica


2 1 1 1
y y h(x y ) 1.6 (0.2)(0.8)(1 1.34 .6 4 )
÷ ÷ ÷ ÷
~ ÷ = ÷ = para x
2
= 0.6
3 2 2 2
y y h(x y ) 1.344 (0.2)(0.6)(1.344) 1.18272
÷ ÷ ÷ ÷
~ ÷ = ÷ = para x
3
= 0.4
4 3 3 3
y y h(x y ) 1.18272 (0.2)(0.4)(1.18272) 1.0881024
÷ ÷ ÷ ÷
~ ÷ = ÷ = para x
4
= 0.2
5 4 4 4
y y h(x y ) 1.0881024 (0.2)(0.2)(1.0881024) 1.044578304
÷ ÷ ÷ ÷
~ ÷ = ÷ = para x
5
= 0
la solución aproximada está dada por la tabla…
i x
i
y
i
0 1 2
1 0.8 1.6
2 0.6 1.344
3 0.4 1.18272
4 0.2 1.0881024
5 0 1.044578304
Graficando la solución aproximada y la solución exacta se tiene…

nuevamente la diferencia entre solución aproximada y exacta se incrementa al ir avanzando en el proceso iterati-
vo.
La precisión mejora en los métodos de Euler hacia adelante y hacia atrás si se reduce el tamaño del paso(h),
como lo comprueban los siguientes ejemplos…
Ejemplo 5.5
Mejore la precisión del ejemplo 5.3 tomando un valor de h = 0.1
Para el ejemplo 5.3…
Solución exacta
Solución aproximada
115 Álgebra Lineal Numérica


0
y 2 = para x
0
= 1
1 0 0 0
y y h(x y ) 2 (0.1)(1)( 2. ) 2 2 ~ + = + = para x
1
= 1.1
2 1 1 1
y y h(x y ) 2.2 (0.1)(1.1)(2.2 2.44 ) 2 ~ + = + = para x
2
= 1.2
3 2 2 2
y y h(x y ) 2.442 (0.1)(1.2)(2.442) 2.73504 ~ + = + = para x
3
= 1.3
4 3 3 3
y y h(x y ) 2.73504 (0.1)(1.3)(2.73 3 504) .0905952 ~ + = + = para x
4
= 1.4
5 4 4 4
y y h(x y ) 3.0905952 (0.1)(1.4)(3.09059 3.52327852 52) 8 ~ + = + = para x
5
= 1.5
6 5 5 5
y y h(x y ) 3.523278528 (0.1)(1.5)(3.5232785 4.051 2 7 8) 703072 ~ + = + = para x
6
= 1.6
7 6 6 6
y y h(x y ) 4.0517703072 (0.1)(1.6)(4.0517703 4.700053556 072 4 ) ~ + = + = para x
7
= 1.7
8 7 7 7
y y h(x y ) 4.7000535564 (0.1)(1.7)(4.7000535 5.499062660 564 9 ) ~ + = + = para x
8
= 1.8
9 8 8 8
y y h(x y ) 5.4990626609 (0.1)(1.8)(5.4990626 6.488893939 609 9 ) ~ + = + = para x
9
= 1.9
9 8 8 8
y y h(x y ) 6.4888939399 (0.1)(1.9)(6.4888939 7.721783788 399 5 ) ~ + = + = para x
10
= 2
las soluciones aproximadas anterior y actual así como la solución exacta están dadas por la siguiente tabla…
i x
i
y
i
(h = 0.2) y
i
(h = 0.1) y
i
(exacta)
0 1 2 2 2
1 1.1 --- 2.2 2.2214212207
2 1.2 2.4 2.442 2.4921534611
3 1.3 --- 2.73504 2.8239798393
4 1.4 2.976 3.0905952 3.2321488043
5 1.5 --- 3.523278528 3.7364919148
6 1.6 3.80928 4.0517703072 4.3629445309
7 1.7 --- 4.7000535564 5.1456267571
8 1.8 5.0282496 5.4990626609 6.1297084065
9 1.9 --- 6.4888939399 7.3753781874
10 2 6.838419456 7.7217837885 8.9633781406
La tabla muestra una mejoría evidente al reducir el valor de h, aunque como antes al aumentar el proceso iterati-
vo el error también se incrementa. Para aumentar aún más la precisión es necesario reducir todavía el valor de
h, lo que hace del método no tan práctico.
Finalmente, graficando las soluciones aproximadas y la solución exacta se tiene…
116 Álgebra Lineal Numérica



que confirma lo deducido en la tabla.
5.2.2 MÉTODO DE EULER MODIFICADO
El método de Euler si bien es simple, sien embargo, requiere de un valor de h muy pequeño para ser preciso lo
que conlleva una gran cantidad de cálculos, es entonces necesario buscar una alternativa para mejorar dicha si-
tuación; esa alternativa es el método que se desarrollará seguidamente…
Considérese la ecuación diferencial de primer orden
dy
f(x,y)
dx
= , y en ella se procede a efectuar la integración
como sigue…
i 1 i 1
i i
y x
y x
dy
f(x,y)
dx
dy f(x,y)dx
dy f(x,y)dx
+ +
=
=
=
} }

aplicando el método de los trapecios a
i 1
i
x
x
f(x,y)dx
+
}
, se tiene…
i 1
i
x
i 1 i i i i 1 i 1
x
h
y y f(x,y)dx f(x ,y ) f(x ,y )
2
+
+ + +
÷ = ~ + (
¸ ¸ }

es decir,
i 1 i i i i 1 i 1
h
y y f(x ,y ) f(x ,y )
2
+ + +
~ + + (
¸ ¸

en esta última expresión se aplica el método de Euler hacia delante a
i 1
y
+
, en el miembro derecho y se tiene fi-
Solución exacta
Solución aproximada (h = 0.1)
Solución aproximada (h = 0.2)
117 Álgebra Lineal Numérica


nalmente…
i 1 i i i i 1 i i i
h
y y f(x ,y ) f(x ,y hf(x ,y ))
2
+ +
~ + + + (
¸ ¸

ecuación que se aplica iterativamente, y se escribe de manera simplificada como…
i 1 i 1 2
1 i i
2 i 1 i i i
h
y y k k donde
2
k f(x ,y )
k f(x ,y hf(x ,y ))
+
+
~ + + (
¸ ¸
=
= +

A continuación se ejemplifica este método…
Ejemplo 5.6
Hallar la solución de la ecuación diferencial
dy
xy
dx
= para el intervalo [1, 2] , si y
0
= 2 para x
0
= 1, utilizando
el método de Euler modificado. Compare dicha solución con la solución aproximada dada por el método de Eu-
ler hacia adelante y con la solución exacta expresada por la ecuación
2
x 1
2
y(x) 2e
÷
= . Utilice h = 0.2
Para la ecuación diferencial dada se tiene que…
1 i i
2 i 1 i i i
k x y
k x (y hx y )
+
=
= +

así entonces…
0
y 2 = para x
0
= 1
( ) ( )
1 0 0 0 1 0 0 0
h 0.2
y y x y x y hx y 2 (1)(2) 1.2 2 (0.2)(1)(2)
2 2
2.488 ( ( ~ + + + = + + + =
¸ ¸ ¸ ¸
para x
1
= 1.2
( ) ( )
2 1 1 1 2 1 1 1
2
h 0.2
y y x y x y hx y 2.488 (1.2)(2.488) 1.4 2.488 (0.2)(1.2)(2.488
3.218476
)
2 2
para 8 x 1 .4
( ( ~ + + + = + + +
¸ ¸ ¸ ¸
= =

( ) (
)
3 2 2 2 3 2 2 2
3
h 0.2
y y x y x y hx y 3.2184768 (1.4)(3.2184768) 1.6 3.2184768
2 2
(0.2)(1.4)(3.21 4.32820 84768) para x 1.6 76006
( ~ + + + = + + +
¸ ¸ ¸
( = =
¸

( ) (
)
4 3 3 3 4 3 3 3
4
h 0.2
y y x y x y hx y 4.3282076006 (1.6)(4.3282076006) 1.8 4.3282076006
2 2
(0.2)(1.6)(4.3 6. 282076006) pa 0491029426 ra x 1.8
( ~ + + + = + +
¸ ¸ ¸
( + = =
¸
( ) (
)
5 4 4 4 5 4 4 4
5
h 0.2
y y x y x y hx y 6.0491029426 (1.8)(6.0491029426) 2 6.0491029426
2 2
(0.2)(1.8)(6.0491029426) para 8.7832 x 974727 2
( ~ + + + = + +
¸ ¸ ¸
( + = =
¸
las solución aproximada por este método así como el de Euler hacia adelante y la solución exacta están dadas
por la siguiente tabla…

(5.3)
118 Álgebra Lineal Numérica


i x
i
y
i
(E. adelante) y
i
(E. modificado) y
i
(exacta)
0 1 2 2 2
1 1.2 2.4 2.488 2.4921534611
2 1.4 2.976 3.2184768 3.2321488043
3 1.6 3.80928 4.3282076006 4.3629445309
4 1.8 5.0282496 6.0491029426 6.1297084065
5 2 6.838419456 8.7832974727 8.9633781406
es fácilmente observable que el método de Euler modificado da una solución bastante precisa aún más que
aquella de Euler con paso h = 0.1. El gráfico siguiente confirma lo dicho…

la solución dada por el método de Euler modificado prácticamente se confunde con la solución exacta.
5.2.3 ERROR EN LOS MÉTODOS DE EULER
El error en los métodos de Euler puede ser tratado muy minuciosamente con la ayuda de Series de Taylor, más
ese estudio sale fuera del alcance introductorio de este texto y es más útil en todo caso revisar las consecuen-
cias prácticas de dicho análisis.
En el error en ecuaciones diferenciales ordinarias (EDO) es útil diferenciar dos clases de errores existentes, a
saber…
 Error local y
 Error global
Error local es el cometido durante un paso del proceso iterativo, desde y
i
hasta y
i + 1
, mientras que el error global
es el error acumulada en y
i
, debido a todos los pasos previos. El error global en x
i
, es…
global exacto aproximado
i i i
e y y = ÷
Solución exacta
Solución aproximada (Euler
modificado)
Solución aproximada (Euler
hacia adelante)
119 Álgebra Lineal Numérica


donde
exacto
i
y es el valor generado por la solución exacta y
aproximado
i
y es el valor dado por el método numérico
en estudio. El error local puede ser medido únicamente en la primera iteración del proceso, ya que en las subsi-
guientes se acumula error generando el error global.
Un teorema importante del análisis numérico válido para EDO, afirma que si el error local es del orden O(h
p+1
)
entonces el error global, para valores pequeños de h, será del orden O(h
p
), es decir…
global exacto aproximado p
i i i
e y y ch donde c es una constante que no
depende de h
= ÷ ~

Para los métodos de Euler, el orden del error local y global, lo muestra la siguiente tabla…
Método
Orden del error
Error local Error global
Euler hacia adelante O(h
2
) O(h)
Euler hacia atrás O(h
2
) O(h)
Euler modificado O(h
3
) O(h
2
)
Los siguientes ejemplos estudian el error local y global.
Ejemplo 5.7
Encuentre la solución aproximada para y(1.2) en la ecuación diferencial…
2 2
dy
x sen(y )
dx
= +
si y(1) = 0, utilizando el método de Euler hacia adelante con h = 0.2, h = 0.1, h = 0.05 y h = 0.01. Analice
además el error local y global. El valor exacto a siete cifras decimales es y(1.2) = 0.2463119
i x
i
y
i
(h = 0.2) y
i
(h = 0.1) y
i
(h = 0.05) y
i
(h = 0.01)
0 1 0 0 0 0
1 1.01 --- --- --- 0.01
2 1.02 --- --- --- 0.020202
3 1.03 --- --- --- 0.03061008120
4 1.04 --- --- --- 0.04122845097
5 1.05 --- --- 0.05 0.05206144882
6 1.06 --- --- --- 0.06311355273
7 1.07 --- --- --- 0.07438938583
8 1.08 --- --- --- 0.08589372335
9 1.09 --- --- --- 0.09763150000
10 1.1 --- 0.1 0.1052499998 0.1096078176
11 1.11 --- --- --- 0.1218279535
12 1.12 --- --- --- 0.1342973685
13 1.13 --- --- --- 0.1470217166
14 1.14 --- --- --- 0.1600068536
15 1.15 --- --- 0.1663038666 0.1732588475
16 1.16 --- --- --- 0.1867839887
(5.4)
120 Álgebra Lineal Numérica


17 1.17 --- --- --- 0.2005888006
18 1.18 --- --- --- 0.2146800507
19 1.19 --- --- --- 0.2290647628
20 1.2 0.2 0.2219999833 0.2338115391 0.2437502287
El error local se puede verificar donde exista un solo paso, es decir con h = 0,2; en este caso el orden es de
O(h
2
), o sea (0.2)
2
= 0.04, por lo que debe existir una sola cifra decimal exacta, y en efecto para h = 0.2 se
tiene y(1.2) = 0.2, entonces..
local
1.2
e 0.2463119 0.2 0. 46 9 0 311 = ÷ =
lo que corrobora la única cifra decimal exacta.
En los demás casos se presenta error global cuyo número mínimo de cifras decimales exactas lo determina el
siguiente cuadro y se compara con los valores calculados…
h Orden del error global, O(h)
Valores calcula-
dos
Error global
0.1 Ninguna cifra decimal exacta 0.2219999833
global
1.2
e 0.2463119 0.2220000
0. 3119 024
= ÷ =
=

0.05 Una cifra decimal exacta como mínimo 0.2338115391
global
1.2
e 0.2463119 0.2338115
0. 5004 012
= ÷ =
=

0.01 Una cifra decimal exacta como mínimo 0.2437502287
global
1.2
e 0.2463119 0.2437502
0. 5617 002
= ÷ =
=

En los casos de h = 0.1 y h = 0.01, el orden del error previsto es conservador respecto de lo obtenido.
Ejemplo 5.8
Encuentre la solución aproximada para y(0.5) en la ecuación diferencial…
dy
x ln(y)
dx
= +
si y(0) = 1, utilizando el método de Euler modificado con h = 0.5, h = 0.1 y h = 0.05. Analice además el error
local y global. El valor exacto a siete cifras decimales es y(0.5) = 1.1476682.
i x
i
y
i
(h = 0.5) y
i
(h = 0.1) y
i
(h = 0.05)
0 0 1 1 1
1 0.05 --- --- 1.00125
2 0.1 --- 1.005 1.005126360
3 0.15 --- --- 1.011762404
4 0.2 --- 1.021018370 1.021296066
5 0.25 --- --- 1.033868815
6 0.3 --- 1.049168174 1.049624418
7 0.35 --- --- 1.068707581
8 0.4 --- 1.090599472 1.091262494
9 0.45 --- --- 1.117431341
10 0.5 1.125 1.146455331 1.147352815
El error local se verifica con h = 0,5; en este caso el orden es de O(h
3
), o sea (0.5)
3
= 0.125, por lo que no de-
121 Álgebra Lineal Numérica


be existir una sola cifra decimal exacta como mínimo, sin embargo para h = 0.5 se tiene y(0.5) = 1.125, en-
tonces..
local
0.5
e 1.1476682 1.125 0. 22 2 0 668 = ÷ =
existiendo una cifra decimal exacta.
Para los otros valores de h se presenta error global cuyo número mínimo de cifras decimales exactas lo deter-
mina el siguiente cuadro y se compara con los valores calculados…
h h
2
Orden del error global, O(h
2
)
Valores calcula-
dos
Error global
0.1 0.01 Una cifra decimal exacta (mínimo) 1.146455331
global
0.5
e 1.1476682 1.1464553
0. 2129 001
= ÷ =
=

0.05 0.0025 Dos cifras decimales exactas (mínimo) 1.147352815
global
0.5
e 1.1476682 1.1473528
0. 3154 000
= ÷ =
=

En ambos casos el orden del error previsto es conservador respecto de lo obtenido.
La expresión (5.4) se puede utilizar para mejorar el valor de una estimación de y
i
, en base a cálculos previos
como lo demuestra el siguiente ejemplo…
Ejemplo 5.9
Encuentre la solución aproximada para y(1.3) en la ecuación diferencial…
2
dy
x y
dx
= +
si y(1) = 0, utilizando el método de Euler hacia adelante con h = 0.05 y h = 0.025. Mejore las anteriores esti-
maciones. El valor de y(1.3) a siete cifras decimales es 0.4592940

i x
i
y
i
(h = 0.05) y
i
(h = 0.025)
0 1 0 0
1 1.025 --- 0.025
2 1.05 0.05 0.051890625
3 1.075 --- 0.08075039062
4 1.1 0.107625 0.1116597753
5 1.125 --- 0.1447012697
6 1.15 0.17350625 0.1799594265
7 1.175 --- 0.2175209121
8 1.2 0.2483065625 0.2574745599
9 1.225 --- 0.2999114239
10 1.25 0.3327218906 0.3449248345
11 1.275 --- 0.3926104554
12 1.3 0.4274829851 0.4430663418
Ambos resultados tienen como mínimo una cifra decimal exacta, lo cual es fácilmente corroborable en base al
valor exacto.
122 Álgebra Lineal Numérica


Por la relación (5.4), se tiene que…
aprox(h 0.05)
1.3 1.3
y y ch (A)
=
~ +
para h = 0.05, y
aprox(h 0.025)
1.3 1.3
aprox(h 0.025)
1.3 1.3
h
y y c
2
2y 2y ch (B)
=
=
~ +
~ +

para h = 0.025. Restando (B) – (A) se tiene…
aprox(h 0.025) aprox(h 0.05)
1.3 1.3 1.3
y 2y y
= =
~ ÷
que da una estimación más exacta que las anteriores, así…
1.3
y 2(0.4430663418) (0.4274829851) 0.4586496985 ~ ÷ =
ésta última estimación es exacta a 3 cifras decimales.
5.3 MÉTODOS DE TAYLOR
Estos métodos utilizan el desarrollo de la serie de Taylor(ver Apéndice B) como instrumento para resolver la
ecuación diferencial
dy
y f(x,y)
dx
' = = y la precisión del método dependerá del número de términos tomados de
la serie.
La serie de Taylor se puede escribir como…
2 3
1 1
f(x h) f(x) hf (x) h f (x) h f (x) ...
2! 3!
' '' ''' + = + + + +
usando y en lugar de f, x
i
por x y x
i+1
en vez de x + h, se convierte en…
2 3
i 1 i i i í
1 1
y(x ) y(x ) hy (x ) h y (x ) h y (x ) ...
2! 3!
+
' '' ''' = + + + +
o de forma abreviada,
2 3
i 1 i i i i
1 1
y y hy h y h y ... (A)
2! 3!
+
' '' ''' = + + + +
tomando los dos primeros términos de la serie (A), se tiene..
i 1 i i
y y hy
+
' ~ +
pero
i i i
y f(x ,y ) ' = , por lo que
i 1 i i i
y y hf(x ,y )
+
~ +
expresión que corresponde al método por serie de Taylor de primer orden(ST1) y que no es sino el conocido
método de Euler. Tomando los 3, 4 y 5 términos de la serie se tiene…
123 Álgebra Lineal Numérica


2
i 1 i i i
2 3
i 1 i i i i
2 3 4
(4)
i 1 i i i i i
h
y y hy y Metodo de serie de Taylor de 2do. orden(ST2)
2
h h
y y hy y y Metodo de serie de Taylor de 3er. orden(ST3)
2 6
h h h
y y hy y y y Metodo de serie de Taylo
2 6 24
+
+
+
' '' ~ + +
' '' ''' ~ + + +
' '' ''' ~ + + + + r de 4to. orden(ST4)

Estos métodos involucran el calculo por derivación implícita de las derivadas de orden 2, 3, 4, … tal como lo
muestra el siguiente ejemplo…
Ejemplo 5.10
Encuentre la solución aproximada para y(1.3) en la ecuación diferencial…
2
dy
x y
dx
= +
si y(1) = 0, utilizando ST2 y ST4 con h = 0.1. El valor de y(1.3) a siete cifras decimales es 0.4592940
derivando implícitamente…
2
i i i
i i i
i i
(4)
i i
y x y
y 2x y
y 2 y
y y
' = +
'' ' = +
''' '' = +
''' =

(a) Empleando ST2…
2
1 0 0 0
h
y y hy y
2
' '' ~ + +
con
0
2 2
0 0 0
0 0 0
y 0
y x y (1) 0 1
y 2x y 2(1) 1 3
=
' = + = + =
'' ' = + = + =

por lo que…
2 2
1 0 0 0
h (0.1)
y y hy y 0 (0.1)(1) (3)
2
0.11
2
5 ' '' ~ + + = + + = para x
1
= 1.1
2
2 1 1 1
h
y y hy y
2
' '' ~ + +
con
1
2 2
1 1 1
1 1 1
y 0.115
y x y (1.1) 0.115 1.325
y 2x y 2(1.1) 1.325 3.525
=
' = + = + =
'' ' = + = + =

por lo que…
2 2
2 1 1 1
h (0.1)
y y hy y 0.115 (0.1)(1.325) (3.525)
2 2
0.265125 ' '' ~ + + = + + = para x
2
= 1.2
(5.5)
124 Álgebra Lineal Numérica


finalmente…
2
3 2 2 2
h
y y hy y
2
' '' ~ + +
con
2
2 2
2 2 2
2 2 2
y 0.265125
y x y (1.2) 0.265125 1.705125
y 2x y 2(1.2) 1.705125 4.105125
=
' = + = + =
'' ' = + = + =

por lo que…
2 2
3 2 2 2
h (0.1)
y y hy y 0.265125 (0.1)(1.705125) (4.105125) 0.45616
2
31
2
' '' ~ + + = + + = para x
3
= 1.3
el error es…
global
1.3
e 0.4592940 0.4561631 0. 309 0031 = ÷ =
lo que muestra la existencia de dos cifras decimales exactas.
(a) Empleando ST4…
2 3 4
(4)
1 0 0 0 0 0
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
con
0
2 2
0 0 0
0 0 0
0 0
(4)
0 0
y 0
y x y (1) 0 1
y 2x y 2(1) 1 3
y 2 y 2 3 5
y y 5
=
' = + = + =
'' ' = + = + =
''' '' = + = + =
''' = =

entonces
2 3 4 2 3 4
(4)
1 0 0 0 0 0
h h h (0.1) (0.1) (0.1)
y y hy y y y 0 (0.1)(1) (3) (5) (5)
2
0.1158542
6 24 2 6 24
' '' ''' ~ + + + + = + + + + = para
x
1
= 1.1
2 3 4
(4)
2 1 1 1 1 1
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
con
1
2 2
1 1 1
1 1 1
1 1
(4)
1 1
y 0.1158542
y x y (1.1) 0.1158542 1.3258542
y 2x y 2(1.1) 1.3258542 3.5258542
y 2 y 2 3.5258542 5.5258542
y y 5.5258542
=
' = + = + =
'' ' = + = + =
''' '' = + = + =
''' = =

entonces
125 Álgebra Lineal Numérica


2 3 4 2
(4)
2 1 1 1 1 1
3 4
h h h (0.1)
y y hy y y y 0.1158542 (0.1)(1.3258542) (3.5258542)
2 6 24 2
(0.1) (0.1)
(5.5258542) (5.5258542)
6 24
0.2670129
' '' ''' ~ + + + + = + + +
+ =

para x
1
= 1.2
2 3 4
(4)
3 2 2 2 2 2
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
con
2
2 2
2 2 2
2 2 2
2 2
(4)
2 2
y 0.2670129
y x y (1.2) 0.2670129 1.7070129
y 2x y 2(1.2) 1.7070129 4.1070129
y 2 y 2 4.1070129 6.1070129
y y 6.1070129
=
' = + = + =
'' ' = + = + =
''' '' = + = + =
''' = =

entonces
2 3 4 2
(4)
3 2 2 2 2 2
3 4
h h h (0.1)
y y hy y y y 0.2670129 (0.1)(1.7070129) (4.1070129)
2 6 24 2
(0.1) (0.1)
(6.1070129) (6.1070129)
6 24
0.4592925
' '' ''' ~ + + + + = + + +
+ =

para x
1
= 1.3
el error es…
global
1.3
e 0.4592940 0.4592925 0. 15 00000 = ÷ =
lo que muestra la existencia de cinco cifras decimales exactas.
Como resulta evidente los métodos de series de Taylor de mayor orden producen mejores resultados, aunque a
costa de un mayor número de cálculos.
5.3.1 ERROR EN LOS MÉTODOS DE TAYLOR
El orden del error en los métodos de series de Taylor se resume en el siguiente cuadro…
Método
Orden del error
Error local Error global
ST1(Método de Euler) O(h
2
) O(h)
ST2 O(h
3
) O(h
2
)
ST3 O(h
4
) O(h
3
)
ST4 O(h
5
) O(h
4
)
El siguiente ejemplo ilustra el uso que se puede hacer del orden del error en los métodos de Taylor…
Ejemplo 5.10
Encuentre la solución aproximada para y(1.2) en la ecuación diferencial…
126 Álgebra Lineal Numérica


dy
x y
dx
= +
si y(1) = 0, utilizando cualquier método por series de Taylor. El resultado debe poseer cinco cifras decimales
exactas.
Utilizando ST4, el error global es O(h
4
), entonces…
h = 0.1 (0.1)
4
= 0.0001 Se obtienen un mínimo de 3 cifras decimales exactas
h = 0.05 (0.05)
4
= 0.00000625 Se obtienen un mínimo de 5 cifras decimales exactas
por lo que la elección adecuada es h = 0.05.
derivando implícitamente…
i i i
i i
i i
(4)
i i
y x y
y 1 y
y y
y y
' = +
'' ' = +
''' '' =
''' =

2 3 4
(4)
1 0 0 0 0 0
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
0
0 0 0
0 0
0 0
(4)
0 0
y 0
y x y 1 0 1
y 1 y 1 1 2
y y 2
y y 2
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2 3 4
(4)
1 0 0 0 0 0
h h h (0.05) (0.05) (0.05)
y y hy y y y 0 (0.05)(1) (2) (2) (2)
2 6
0.052542
24 2 6 2
1
4
9 ' '' ''' ~ + + + + = + + + + =
para x
1
= 1.05
2 3 4
(4)
2 1 1 1 1 1
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
1
1 1 1
1 1
1 1
(4)
1 1
y 0.05254219
y x y 1.05 0.05254219 1.10254219
y 1 y 1 1.10254219 2.10254219
y y 2.10254219
y y 2.10254219
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2
(4)
2 1 1 1 1 1
3 4
h h h (0.05)
y y hy y y y 0.05254219 (0.05)(1.10254219) (2.10254219)
2 6 24 2
(0.05) (0.05)
(2.10254219) (2.10254219)
6
0.11034183
24
' '' ''' ~ + + + + = + + +
+ =

para x
2
= 1.1
2 3 4
(4)
3 2 2 2 2 2
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
127 Álgebra Lineal Numérica


2
2 2 2
2 2
2 2
(4)
2 2
y 0.11034183
y x y 1.1 0.11034183 1.21034183
y 1 y 1 1.21034183 2.21034183
y y 2.21034183
y y 2.21034183
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2
(4)
3 2 2 2 2 2
3 4
h h h (0.05)
y y hy y y y 0.11034183 (0.05)(1.21034183) (2.21034183)
2 6 24 2
(0.05) (0.05)
(2.21034183) (2.21034183)
6
0.17366847
24
' '' ''' ~ + + + + = + +
+ + =

para x
3
= 1.15
2 3 4
(4)
4 3 3 3 3 3
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
3
3 3 3
3 3
3 3
(4)
3 3
y 0.17366847
y x y 1.15 0.17366847 1.32366847
y 1 y 1 1.32366847 2.32366847
y y 2.32366847
y y 2.32366847
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2
(4)
4 3 3 3 3 3
3 4
h h h (0.05)
y y hy y y y 0.17366847 (0.05)(1.32366847) (2.32366847)
2 6 24 2
(0.05) (0.05)
(2.32366847) (2.32366847)
6
0.24280549
24
' '' ''' ~ + + + + = + +
+ + =

para x
4
= 1.2
El valor exacto a 8 cifras decimales exactas es 0.24280552, por lo que…
global
1.2
e 0.24280552 0.2428054 0000000 9 0. 3 = ÷ =
lo que muestra que el resultado obtenido tiene como mínimo 5 cifras decimales exactas(en realidad existen 7 ci-
fras decimales exactas).
Nuevamente se comprueba que trabajar con el orden del error para determinar el número de cifras exactas lleva
a cálculos por el lado conservador del análisis numérico.
5.4 MÉTODOS DE RUNGE–KUTTA
Una de las dificultades del uso de los métodos por series de Taylor, es el empleo de la derivación implícita, ésta
no esta presente en los métodos de Runge–Kutta cuya deducción matemática sale fuera del alcance de este li-
bro, por lo que no se van a detallar.
5.4.1 MÉTODO DE RUNGE–KUTTA DE TERCER ORDEN
El método de Runge–Kutta de tercer orden(RK3), para la ecuación diferencial
dy
y f(x,y)
dx
' = = se define me-
diante…
i 1 i 1 2 3
1
y y (k 4k k )
6
+
~ + + +

128 Álgebra Lineal Numérica


donde…
1 i i
2 i i 1
3 i i 2 1
k hf(x ,y )
1 1
k hf x h,y k
2 2
k hf(x h,y 2k k )
=
| |
= + +
|
\ .
= + + ÷

El siguiente ejemplo muestra el uso de este procedimiento…
Ejemplo 5.11
Encuentre la solución aproximada para y(1.4) en la ecuación diferencial…
dy
x y
dx
= +
si y(1) = 0, utilice el método RK3 con h = 0.1. La respuesta exacta a 8 cifras decimales es 0.63848116.
Se empleara…
i 1 i 1 2 3
1
y y (k 4k k )
6
+
~ + + +
con
( )
1 i i i i
1
2 i i 1 i i
3 i i 2 1 i i 2 1
k hf(x ,y ) 0.1( x y )
k 1 1
k hf x h,y k 0.1 x 0.05 y
2 2 2
k hf(x h,y 2k k ) 0.1 x 0.1 y 2k k
= = +
| |
| |
= + + = + + + |
|
|
\ .
\ .
= + + ÷ = + + + ÷

Así entonces…
1 0 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 0 0
1
2
3 2 1
k 0.1( x y ) 0.1( 1 0) 0.1
k 0.1
k 0.1 1 0.05 0 0.1 1 0.05 0 0.12483019
2 2
k 0.1 1 0.1 0 2k k 0.1 1 0.1 0 2(0.12483019) 0.1 0.14356685
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + ÷ = + + + ÷ =

1
1
y 0 (0.1 4(0.12483019) 0.1435668 0.12381 6 ) 4 5
6
0 ~ + + + = para x
1
= 1.1
2 1 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 1 1
1
2
3 2 1
k 0.1( x y ) 0.1( 1.1 0.12381460) 0.14006818
k 0.14006818
k 0.1 1.1 0.05 0.12381460 0.1 1 0.05 0 0.15126630
2 2
k 0.1 1.1 0.1 0.12381460 2k k 0.1 1 0.1 0 2(0.15126630) 0.14006818
0.163049
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + ÷ = + + + ÷
= 60

(5.6)
129 Álgebra Lineal Numérica


2
1
y 0.12381460 (0.14006818 4(0.15126630) 0.16304960) 0.27 1 4
6
5 78 3 ~ + + + = para x
2
= 1.2
3 2 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 2 2
1
2
3 2 1
k 0.1( x y ) 0.1( 1.2 0.27517843) 0.16200196
k 0.16200196
k 0.1 1.2 0.05 0.27517843 0.1 1 0.05 0 0.17148417
2 2
k 0.1 1.2 0.1 0.27517843 2k k 0.1 1 0.1 0 2(0.17148417) 0.16200196
0.181556
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + ÷ = + + + ÷
= 04

3
1
y 0.27517843 (0.16200196 4(0.17148417) 0.18155604) 0.44 7 9
6
6 60 0 ~ + + + = para x
3
= 1.3
4 3 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 3 3
1
2
3 2 1
k 0.1( x y ) 0.1( 1.3 0.44676090) 0.18085772
k 0.18085772
k 0.1 1.3 0.05 0.44676090 0.1 1 0.05 0 0.18948273
2 2
k 0.1 1.3 0.1 0.44676090 2k k 0.1 1 0.1 0 2(0.18948273) 0.18085772
0.198625
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + ÷ = + + + ÷
= 31

4
1
y 0.44676090 (0.18085772 4(0.18948273) 0.19862531) 0.63 3 8
6
6 29 9 ~ + + + = para x
4
= 1.4
el error es entonces…
global
1.4
e 0.63848116 0.6363298 0 9 0. 21512 0 7 = ÷ =
lo que indica la presencia de 2 cifras decimales exactas.
5.4.2 MÉTODO DE RUNGE–KUTTA DE CUARTO ORDEN
El método de Runge–Kutta de cuarto orden(RK4), para la ecuación diferencial
dy
y f(x,y)
dx
' = = generalmente
el más utilizado de estos métodos se define mediante…
i 1 i 1 2 3 4
1
y y (k 2k 2k k )
6
+
~ + + + +

donde…
1 i i
2 i i 1
3 i i 2
4 i i 3
k hf(x ,y )
1 1
k hf x h,y k
2 2
1 1
k hf x h,y k
2 2
k hf(x h,y k )
=
| |
= + +
|
\ .
| |
= + +
|
\ .
= + +

El siguiente ejemplo ilustra este método…
(5.7)
130 Álgebra Lineal Numérica


Ejemplo 5.12
Encuentre la solución aproximada para y(1.3) en la ecuación diferencial…
2
dy
x y
dx
= ÷
si y(1) = 0, utilice el método RK4 con h = 0.1. La respuesta exacta a 8 cifras decimales es 0.33427343.
Se utilizara…
i 1 i 1 2 3 4
1
y y (k 2k 2k k )
6
+
~ + + + +
con
2
1 i i i i
2
2 i i 1 i i 1
2
3 i i 2 i i 2
2
4 i i 3 i i 3
k hf(x ,y ) 0.1(x y )
1 1 h 1
k hf x h,y k 0.1 x y k
2 2 2 2
1 1 h 1
k hf x h,y k 0.1 x y k
2 2 2 2
k hf(x h,y k ) 0.1(x h (y k ) )
= = ÷
| |
| | | |
= + + = + ÷ + |
| |
|
\ . \ .
\ .
| |
| | | |
= + + = + ÷ + |
| |
|
\ . \ .
\ .
= + + = + ÷ +

entonces…
1 0 1 2 3 4
1
y y (k 2k 2k k )
6
~ + + + +
2
1 0 0
2
2 0 0 1
2
3 0 0 2
2
4 0 0 3
k 0.1(x y ) 0.1
h 1
k 0.1 x y k 0.10475
2 2
h 1
k 0.1 x y k 0.10472569
2 2
k 0.1(x h (y k ) ) 0.10890325
= ÷ =
| |
| |
= + ÷ + = |
|
|
\ .
\ .
| |
| |
= + ÷ + = |
|
|
\ .
\ .
= + ÷ + =

1 0 1 2 3 4
1
y y (k 2k 2k 0.1046424 )
6
4 k ~ + + + + = para x
1
= 1.1
2 1 1 2 3 4
1
y y (k 2k 2k k )
6
~ + + + +
2
1 1 1
2
2 1 1 1
2
3 1 1 2
2
4 1 1 3
k 0.1(x y ) 0.10890410
h 1
k 0.1 x y k 0.11246888
2 2
h 1
k 0.1 x y k 0.11241186
2 2
k 0.1(x h (y k ) ) 0.11528874
= ÷ =
| |
| |
= + ÷ + = |
|
|
\ .
\ .
| |
| |
= + ÷ + = |
|
|
\ .
\ .
= + ÷ + =

131 Álgebra Lineal Numérica


2 1 1 2 3 4
1
y y (k 2k 2k 0.2169683 )
6
1 k ~ + + + + = para x
2
= 1.2
3 2 1 2 3 4
1
y y (k 2k 2k k )
6
~ + + + +
2
1 2 2
2
2 2 2 1
2
3 2 2 2
2
4 2 2 3
k 0.1(x y ) 0.11529248
h 1
k 0.1 x y k 0.11745869
2 2
h 1
k 0.1 x y k 0.11739908
2 2
k 0.1(x h (y k ) ) 0.11881984
= ÷ =
| |
| |
= + ÷ + = |
|
|
\ .
\ .
| |
| |
= + ÷ + = |
|
|
\ .
\ .
= + ÷ + =

3 2 1 2 3 4
1
y y (k 2k 2k 0.3342729 )
6
5 k ~ + + + + = para x
3
= 1.3
el error es…
global
1.4
e 0.33427343 0.3342729 0 5 0. 48 00000 = ÷ =
lo que indica la presencia de 6 cifras decimales exactas.
5.4.3 ERROR EN LOS MÉTODOS DE RUNGE–KUTTA
El orden del error en los métodos de Runge–Kutta se resume a continuación…
Método
Orden del error
Error local Error global
RK3 O(h
4
) O(h
3
)
RK4 O(h
5
) O(h
4
)
Se deja al lector comprobar con el ejemplo anterior el orden de error indicado
5.5 MÉTODOS DE SOLUCIÓN DE EDOs DE PRIMER ORDEN CON DERIVE 6
Derive 5, dentro del archivo de utilidad Ode_appr.mth, posee dos funciones correspondientes a los métodos de
Euler y RK4, para solución de ecuaciones diferenciales ordinarias de primer orden.
EULER_ODE(f, x, y, x0, y0, h, n) se aproxima a un vector de n + 1 puntos de la solución de la ecuación
dy
y f(x,y)
dx
' = = con y = y0 en x = x0 empezando con x = x0 y usando un paso de h.
RK([f], [x, y], [x0, y0], h, n) usa el método de Runge-Kutta de cuarto orden(RK4) para aproximar la solución de
la ecuación
dy
y f(x,y)
dx
' = = con y = y0 en x = x0 empezando con x = x0, h es el paso y n es el número de
iteraciones. RK devuelve una matriz de puntos con n + 1 aproximaciones.
Ejemplo 5.13
Encuentre la solución aproximada para y(1.6) en la ecuación diferencial…
132 Álgebra Lineal Numérica


2 2
dy
x y
dx
= ÷
si y(1) = 2, utilice el método de Euler y RK4 con h = 0.1 y h = 0.05. Utilice las funciones EULER y RK.
Se carga la utilidad Ode_appr.mth…

Se escriben las funciones de acuerdo a lo pedido…
EULER_ODE(x^2–y^2, x, y, 1, 2, 0.1, 6)
RK([x^2–y^2f], [x, y], [1, 2], 0.1, 6)
EULER_ODE(x^2–y^2, x, y, 1, 2, 0.05, 12)
RK([x^2–y^2f], [x, y], [1, 2], 0.05, 12)
Luego de aproximar se obtiene…


133 Álgebra Lineal Numérica



y,

5.6 APLICACIONES
Las EDOs de primer orden tienen numerosas aplicaciones, aquí se revisarán unos pocos ejemplos de ello…
Ejemplo 5.14
Física. Un paracaidista se lanza de un aeroplano y antes de abrir su paracaídas el arrastre debido a la resistencia
del aire es proporcional a
1.5
v . Por ello la ecuación del movimiento del paracaidista esta dada por
1.5
dv
g kv
dt
= ÷ donde k = 0.05, g = 9.8 m/s
2
y v(0) = 0. Determinar la velocidad del paracaidista cada me-
dio segundo.
Se utiliza RK, mediante la orden RK([9.8–0.05*v^1.5], [t, v], [0, 0], 0.5, 98), obteniendose…

134 Álgebra Lineal Numérica


t(s) v(m/s) t(s) v(m/s) t(s) v(m/s)
0 0 17 33.71332297 34 33.74197427
0.5 4.793106301 17.5 33.71893344 34.5 33.74197768
1 9.219965304 18 33.72344609 35 33.74198042
1.5 13.17437709 18.5 33.72707569 35.5 33.74198263
2 16.62786062 19 33.72999499 36 33.74198440
2.5 19.59312055 19.5 33.73234298 36.5 33.74198583
3 22.10583387 20 33.73423145 37 33.74198698
3.5 24.21303637 20.5 33.73575032 37.5 33.74198790
4 25.96561345 21 33.73697192 38 33.74198864
4.5 27.41364417 21.5 33.73795443 38.5 33.74198924
5 28.60373270 22 33.73874463 39 33.74198972
5.5 29.57768156 22.5 33.73938018 39.5 33.74199011
6 30.37203125 23 33.73989133 40 33.74199042
6.5 31.01812723 23.5 33.74030244 40.5 33.74199067
7 31.54248246 24 33.74063308 41 33.74199087
7.5 31.96728292 24.5 33.74089900 41.5 33.74199103
8 32.31094043 25 33.74111288 42 33.74199116
8.5 32.58863623 25.5 33.74128489 42.5 33.74199126
9 32.81282445 26 33.74142324 43 33.74199135
9.5 32.99368113 26.5 33.74153450 43.5 33.74199142
10 33.13949459 27 33.74162399 44 33.74199147
10.5 33.25699858 27.5 33.74169596 44.5 33.74199151
11 33.35165286 28 33.74175385 45 33.74199155
11.5 33.42787713 28.5 33.74180040 45.5 33.74199158
12 33.48924458 29 33.74183784 46 33.74199159
12.5 33.53864104 29.5 33.74186796 46.5 33.74199159
13 33.57839529 30 33.74189218 47 33.74199159
13.5 33.61038534 30.5 33.74191165 47.5 33.74199159
14 33.63612489 31 33.74192732 48 33.74199159
14.5 33.65683349 31.5 33.74193992
15 33.67349334 32 33.74195005
15.5 33.68689528 32.5 33.74195820
16 33.69767595 33 33.74196476
16.5 33.70634774 33.5 33.74197003

Un gráfico de la tabla anterior se muestra a continuación…
135 Álgebra Lineal Numérica



el gráfico muestra la presencia de una velocidad constante a partir de los 46 s. aproximadamente, ésta es la
llamada velocidad terminal.
Ejemplo 5.14
Crecimiento poblacional. Un ecologista introduce 100 aves con el objeto de combatir una plaga de insectos. La
experiencia muestra que el número N de las mismas puede ser modelado por la ecuación diferencial
1.9
dN
0.89N 0.003N
dt
= ÷ donde t está en meses. El ecologista afirma que no hay peligro de que las aves se
conviertan en una plaga ¿Por qué?
Nuevamente se utiliza RK, mediante la orden RK([0.89–0.003*N^1.9], [t, N], [0, 100], 1, 29), obteniendose…
t(mes) N t(mes) N t(mes) N
0 100 10 557.6407007 20 558.4252736
1 188.0985332 11 558.0710982 21 558.4254248
2 300.5228543 12 558.2655348 22 558.4254930
3 405.0082009 13 558.3533244 23 558.4255237
4 477.7947448 14 558.3929520 24 558.4255376
5 519.1559280 15 558.4108376 25 558.4255439
6 540.0513810 16 558.4189097 26 558.4255467
7 549.9938562 17 558.4225527 27 558.4255480
8 554.5912846 18 558.4241968 28 558.4255484
9 556.6891718 19 558.4249388 29 558.4255484
Un gráfico de la tabla anterior es…
velocidad terminal
136 Álgebra Lineal Numérica



Este gráfico al igual que la tabla muestran que el número de aves se estabiliza en 558 a partir de 1 año aproxi-
madamente de introducidas las aves, lo cual justifica la aseveración del ecologista que el crecimiento poblacio-
nal de las aves no constituye un problema de generación de plagas.
Ejemplo 5.14
Ley de enfriamiento de Newton. Una taza de café que se halla inicialmente a 100°C, se enfría de acuerdo a la
ecuación diferencial
dT
0.03(T 20)
dt
= ÷ ÷ donde T es la temperatura en °C y t es el tiempo en minutos. Des-
pués de 20 minutos cual es la temperatura del café.
Las órdenes
CaseMode := Sensitive
RK([–0.03(T–20)], [t, T], [0, 100], 1, 20)
generan la tabla…
t(min) T(°C) t(min) T(°C) t(min) T(°C)
0 100 7 84.84673977 14 72.56374573
1 97.63564269 8 82.93022898 15 71.01025228
2 95.34116271 9 81.07035966 16 69.50267150
3 93.11449486 10 79.26545777 17 68.03964647
4 90.95363499 11 77.51389880 18 66.61986036
5 88.85663818 12 75.81410622 19 65.24203527
6 86.82161699 13 74.16455010 20 63.90493106
cuyo gráfico es…
137 Álgebra Lineal Numérica



El café se encuentra a una temperatura aproximada de 63.90°C después de 20 minutos.
5.7 SOLUCIÓN DE SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS
Los métodos numéricos empleados para resolver ecuaciones diferenciales ordinarias individuales se pueden
emplear en la resolución de sistemas de ecuaciones diferenciales ordinarias con valor inicial. Se considerará a
continuación los sistemas de ecuaciones diferenciales de primer orden.
Considérese el siguiente sistema de dos ecuaciones diferenciales de primer orden…
dx
f(t, x,y)
dt
dy
g(t, x,y)
dt
=
=
(A)
con las condiciones iniciales…
0 0 0 0
x(t ) x , y(t ) y = = (B)
Una solución del sistema dado es un par de funciones derivables x(t) e y(t) tales que cuando t, x(t) e y(t) se sus-
tituyen en f(t,x,y) y g(t,x,y), el resultado es igual a
dx
dt
y
dy
dt
respectivamente, es decir…
0
0
0 0 0
t t
0 0 0
t t
dx
f(t , x ,y )
dt
dy
g(t , x ,y )
dt
=
=
=
=

Por ejemplo considérese el sistema de ecuaciones diferenciales…
138 Álgebra Lineal Numérica


dx
x 2y
dt
dy
3x 2y
dt
= +
= +

con condiciones iniciales
x(0) 6
y(0) 4
= ¦
´
=
¹
; la solución del problema de valor inicial es…
4t t
4t t
x(t) 4e 2e
y(t) 6e 2e
÷
÷
= +
= ÷

lo que se puede verificar sustituyendo directamente
dx
dt
,
dy
dt
, x(t) e y(t) en el sistema, así pues…
4t t
4t t
4t t 4t t 4t t 4t t
dx x(t ) y(t ) x(t ) 2y(t )
dt
4t t 4t t 4t t 4t t
dy x(t ) y(t ) 3x(t ) 2y(t
dt
dx
16e 2e
dt
dy
24e 2e
dt
16e 2e 4e 2e 2(6e 2e ) 16e 2e
24e 2e 3(4e 2e ) 2(6e 2e ) 24e 2e
÷
÷
÷ ÷ ÷ ÷
+
÷ ÷ ÷ ÷
+
= ÷
= +
÷ = + + ÷ = ÷
+ = + + ÷ = +
   
  
)


Se puede determinar una solución numérica del sistema (A) con condiciones iniciales (B) en un intervalo dado
a t b s s considerando las diferenciales…
dx f(t, x,y)dt y dy g(t, x,y)dt = = (C)
El método de Euler para resolver este problema es fácil de formular, así: Sustituyendo en (C) los diferenciales
por incrementos
k 1 k
dt t t
+
= ÷ ,
k 1 k
dx x x
+
= ÷ y
k 1 k
dy y y
+
= ÷ se obtiene…
k 1 k k k k k 1 k
k 1 k k k k k 1 k
x x f(t , x ,y )(t t )
y y g(t , x ,y )(t t )
+ +
+ +
÷ ~ ÷
÷ ~ ÷

Si se divide el intervalo en n subintervalos de anchura
b a
h
n
÷
= , y empleando los puntos
k 1 k
t t h
+
= + como
nodos, se obtienen las siguientes fórmulas recursivas…
k 1 k
k 1 k k k k
k 1 k k k k
t t h
x x hf(t , x ,y )
y y hg(t , x ,y ) para k 1,2,3,...,n 1
+
+
+
= +
= +
= + = ÷

Para conseguir un grado de precisión razonablemente mejor, es necesario utilizar un método de orden mayor,
por ejemplo el método de Runge-Kutta de orden 4, mediante el empleo de este método, las ecuaciones para el
sistema dado se transforman en…
139 Álgebra Lineal Numérica


k 1 k 1 2 3 4
k 1 k 1 2 3 4
h
x x (f 2f 2f f )
6
h
y y (g 2g 2g g )
6
+
+
= + + + +
= + + + +
(D)
donde…
( ) ( )
1 k k k 1 k k k
2 k k 1 k 1 2 k k 1 k 1
3 k k 2 k 2 3 k k 2 k 2
4 k k 3 k 3 4 k k 3 k 3
f f(t , x ,y ) g g(t , x ,y )
h h h h h h
f f t , x f ,y g g g t , x f ,y g
2 2 2 2 2 2
h h h h h h
f f t , x f ,y g g g t , x f ,y g
2 2 2 2 2 2
f f t h, x hf ,y hg g g t h, x hf ,y hg
= =
| | | |
= + + + = + + +
| |
\ . \ .
| | | |
= + + + = + + +
| |
\ . \ .
= + + + = + + +

Ejemplo 5.15
Empléese el método de Runge-Kutta de cuarto orden para hallar la solución numérica del sistema…
dx
x 2y
dt
dy
3x 2y
dt
x(0) 6
con
y(0) 4
= +
= +
= ¦
´
=
¹

en el intervalo [0.0, 0.2], tomando diez subintervalos con tamaño de paso h = 0.002
Hallamos los nodos del intervalo, así entonces…
0
1
9
0
1
t h
2
t h
10
t h
t 0.0
t 0.0 0.02 0.02
t 0.02 0.02 0.04
.
.
.
t 0.18 0.02 0.20
+
+
+
=
= + =
= + =
= + =




Para el primer cálculo se tiene
1
t 0.02 = y las operaciones intermedias necesarias para obtener
1
x e
1
y son…
k k
1
x 2y
f f(0.00,6.0,4.0) 6.0 2(4.0) 14.0
+
= = + =


0 1
h 0.02
x f 6.00 14.0 6.14
2 2
+ = + =
140 Álgebra Lineal Numérica


k 1 k 1
2
h h
x f 2 y g
2 2
f f(0.01,6.14,4.26) 6.14 2(4.26) 14.66
| |
+ + +
|
\ .
= = + =


0 2
h 0.02
x f 6.00 14.66 6.1466
2 2
+ = + =
k 2 k 2
3
h h
x f 2 y g
2 2
f f(0.01,6.1466,4.2694) 6.1466 2(4.2694) 14.6854
| |
+ + +
|
\ .
= = + =


0 3
x hf 6.00 (0.02)(14.6854) 6.293708 + = + =
( )
k 3 k 3
4
x hf 2 y hg
f f(0.02,6.293708,4.539572) 6.293708 2(4.539572) 15.372852
+ + +
= = + =


k k
1
3x 2y
g f(0.00,6.0,4.0) 3(6.0) 2(4.0) 26.0
+
= = + =


0 1
h 0.02
y g 4.00 26.0 4.26
2 2
+ = + =
k 1 k 1
2
h h
3 x f 2 y g
2 2
g g(0.01,6.14,4.26) 3(6.14) 2(4.26) 26.94
| | | |
+ + +
| |
\ . \ .
= = + =


0 2
h 0.02
y g 4.00 26.94 4.2694
2 2
+ = + =
k 2 k 2
3
h h
3 x f 2 y g
2 2
g f(0.01,6.1466,4.2694) 3(6.1466) 2(4.2694) 26.9786
| | | |
+ + +
| |
\ . \ .
= = + =


0 3
y hg 4.00 (0.02)(26.9786) 4.539572 + = + =
( ) ( )
k 3 k 3
4
3 x hf 2 y hg
g f(0.02,6.293708,4.539572) 3(6.293708) 2(4.539572) 27.960268
+ + +
= = + =


Utilizando los valores calculados en las expresiones (D) se tiene…
1 0 1 2 3 4
1 0 1 2 3 4
h 0.02
x x (f 2f 2f f ) 6 [14.0 (2)(14.66) (2)(14.6854) 15.372852] 6.29354551
6 6
h 0.02
y y (g 2g 2g g ) 4 [26.0 (2)(26.94) (2)(26.9786) 27.960268] 4.53932490
6 6
= + + + + = + + + + =
= + + + + = + + + + =

Los cálculos en los demás nodos se determinan de manera similar y se presentan en la siguiente tabla…
K
k
t
k
x
k
y
0 0.00 6.00000000 4.00000000
1 0.02 6.29354551 4.53932490
2 0.04 6.61562213 5.11948599
141 Álgebra Lineal Numérica


3 0.06 6.96852528 5.74396525
4 0.08 7.35474319 6.41653305
5 0.10 7.77697287 7.14127221
6 0.12 8.23813750 7.92260406
7 0.14 8.74140523 8.76531667
8 0.16 9.29020955 9.67459538
9 0.18 9.88827138 10.6560560
10 0.20 10.5396230 11.7157807


142 Álgebra Lineal Numérica


C CA AP PÍ ÍT TU UL LO O 6
6
A AL LG GE EB BR RA A L LI IN NE EA AL L N NU UM MÉ ÉR RI IC CA A
Algunos de los procedimientos estudiados en el Álgebra Lineal como la resolución de sistemas de ecuaciones
lineales pueden ser tratados desde el punto de vista del análisis numérico, desarrollando métodos que facilitan el
cálculo especialmente cuando la presencia de números en punto flotante involucran al error por redondeo.
En el presente capítulo se desarrollarán únicamente métodos numéricos para solución de sistemas de ecuacio-
nes lineales.
6.1 MÉTODO DE ELIMINACIÓN DE GAUSS CON PIVOTEO PARCIAL
El error por redondeo puede tener un efecto determinante durante la solución de un sistema de ecuaciones linea-
les por el método de eliminación de Gauss, como lo muestra el siguiente ejemplo…
Ejemplo 6.1
Utilizando el método de eliminación de Gauss, resuelva el siguiente sistema redondeando a tres cifras significa-
tivas después de cada cálculo intermedio. La solución exacta es x = 1, y = 1, z = 1.
0.007x 61.20y 0.093z 61.3
4.810x 5.92y 1.110z 0.0
81.400x 1.12y 1.180z 83.7
+ + =
÷ + =
+ + =

Se forma la matriz aumentada del sistema…
0.007 61.20 0.093 61.3
4.810 5.92 1.110 0.0
81.400 1.12 1.180 83.7
(
(
÷
(
(
¸ ¸
dividiendo la primera fila por 0.007…
1 8742.857 13.286 8757.143
4.810 5.92 1.110 0.0
81.400 1.12 1.180 83.7
(
(
÷
(
(
¸ ¸
restando 4.810 veces la fila 2 de la 1…
1 8742.857 13.286 8757.143
0 42059.062 62.796 42121.858
81.400 1.12 1.180 83.7
(
(
÷ ÷ ÷
(
(
¸ ¸
restando 81.400 veces la fila 3 de la 1…
1 8742.857 13.286 8757.143
0 42059.062 62.796 42121.858
0 711667.439 1080.300 712747.740
(
(
÷ ÷ ÷
(
(
÷ ÷ ÷
¸ ¸
dividiendo la segunda fila por –42059.062…
1 8742.857 13.286 8757.143
0 1 0.00149 1.001
0 711667.439 1080.300 712747.740
(
(
(
(
÷ ÷ ÷
¸ ¸
restando –711667.439 veces la fila 3 de la 2…
143 Álgebra Lineal Numérica


1 8742.857 13.286 8757.143
0 1 0.00149 1.001
0 0 19.916 368.634
(
(
(
(
÷ ÷
¸ ¸
dividiendo la tercera fila por –19.916…
1 8742.857 13.286 8757.143
0 1 0.00149 1.001
0 0 1 18.509
(
(
(
(
¸ ¸

por sustitución inversa…
z = 18.509 , e 1 18.509 17.509 = ÷ =
y = 1.001 – 0.00149(18.509) = 0.973, e 1 0.973 0.027 = ÷ =
x = 8757.143 – 13.286(18.509) – 8742.857(0.973) = 4.433, e 1 4.433 3.433 = ÷ =
es evidente que la respuesta obtenida esta con error excesivamente grande gracias a la acumulación del error
por redondeo durante las operaciones intermedias.
Un método para minimizar el error por redondeo y obtener soluciones aproximadas razonables, es el que se va a
revisar seguidamente y que se lo conoce como Eliminación Gaussiana con pivoteo parcial. Este método toma en
consideración el siguiente procedimiento…
1. Se encuentra la entrada en la primera columna con el mayor valor absoluto, y se utiliza esa entrada como
pivote para la eliminación.
2. Se efectúa un intercambio de filas con aquella que contenga el pivote para ubicarla como primera fila.
3. Se divide la primera fila por el pivote (este paso será innecesario si el pivote es 1).
4. Se utiliza operaciones elementales por filas para reducir a cero las entradas bajo el pivote.
A continuación se vuelve a ejecutar el mismo procedimiento eliminando la fila y columna del pivote.
El siguiente ejemplo muestra este procedimiento…
Ejemplo 6.2
Utilizando el método de eliminación de Gauss con pivoteo parcial, resuelva el siguiente sistema redondeando a
tres cifras significativas después de cada cálculo intermedio. La solución exacta es x = 1, y = 1, z = 1.
0.007x 61.20y 0.093z 61.3
4.810x 5.92y 1.110z 0.0
81.400x 1.12y 1.180z 83.7
+ + =
÷ + =
+ + =

Se forma la matriz aumentada del sistema…
0.007 61.20 0.093 61.3
4.810 5.92 1.110 0.0
81.400 1.12 1.180 83.7
(
(
÷
(
(
¸ ¸
81.400 será el pivote por ser la entrada de mayor valor absoluto, entonces
se intercambian primera y tercera fila…
pivote
144 Álgebra Lineal Numérica


81.400 1.12 1.180 83.7
4.810 5.92 1.110 0.0
0.007 61.20 0.093 61.3
(
(
÷
(
(
¸ ¸
se divide la primera fila por 81.400…
1 0.0138 0.0145 1.028
4.810 5.92 1.110 0.0
0.007 61.20 0.093 61.3
(
(
÷
(
(
¸ ¸
se resta la segunda fila de 4.810 veces la primera…
1 0.0138 0.0145 1.028
0 5.986 1.040 4.945
0.007 61.20 0.093 61.3
(
(
÷ ÷
(
(
¸ ¸
se resta la tercera fila de 0.007 veces la primera…
1 0.0138 0.0145 1.028
0 5.986 1.040 4.945
0 61.20 0.0929 61.293
(
(
÷ ÷
(
(
¸ ¸
61.20 será el siguiente pivote por lo que se intercambia segunda y tercera
filas…
1 0.0138 0.0145 1.028
0 61.20 0.0929 61.293
0 5.986 1.040 4.945
(
(
(
(
÷ ÷
¸ ¸
se divide la segunda fila por 61.20…
1 0.0138 0.0145 1.028
0 1 0.00152 1.002
0 5.986 1.040 4.945
(
(
(
(
÷ ÷
¸ ¸
se resta la tercera fila de –5.986 veces la segunda…
1 0.0138 0.0145 1.028
0 1 0.00152 1.002
0 0 1.049 1.053
(
(
(
(
¸ ¸
se divide la tercera fila por 1.049…
1 0.0138 0.0145 1.028
0 1 0.00152 1.002
0 0 1 1.004
(
(
(
(
¸ ¸

por sustitución inversa…
z = 1.004, e 1 1.004 0.004 = ÷ =
y = 1.002 – 0.00152(1.004) = 1.000, e 1 1.000 0.000 = ÷ =
x = 1.028 – 0.0145(1.004) – 0.0138(1.000) = 1.000, e 1 1.000 0.000 = ÷ =
Es evidente la mejoría con respecto a la respuesta del ejemplo 6.1
Este es un método directo, pues su resultado se obtiene gracias a la ejecución de un determinado proceso sin
recurrir a un refinamiento del mismo. Este tipo de métodos son poco prácticos, pues algunos sistemas muy
sensibles al error por redondeo denominados problemas mal condicionados no pueden ser tratados por este
procedimiento, tal como lo ejemplifica el siguiente caso…
pivote
145 Álgebra Lineal Numérica


Ejemplo 6.3
Utilizando el método de eliminación de Gauss con pivoteo parcial, resuelva el siguiente sistema redondeando a
tres cifras significativas después de cada cálculo intermedio. La solución exacta es x = 10820, y = –10818.
x y 2
600
x y 20
601
+ =
+ =

Se forma la matriz aumentada del sistema…
1 1 2
1 0.998 20
(
(
¸ ¸
restamos la segunda fila de la primera…
1 1 2
0 0.002 18
(
(
÷
¸ ¸
se divide la segunda fila por –0.002…
1 1 2
0 1 9000
(
(
÷
¸ ¸

por sustitución inversa…
y = –9000,
10818 9000
e 100 16.8%
10818
÷ +
= =
÷

x = 2 – (–9000) = 9002,
10820 9002
e 100 16.8%
10820
÷
= =
el porcentaje de error es significativo a pesar de haberse empleado el método de Gauss con pivoteo parcial.
6.2 MÉTODOS ITERATIVOS PARA SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES
Este tipo de métodos envuelven el uso de procesos iterativos, los que permiten el refinamiento del resultado.
Los dos más importantes métodos iterativos a revisarse son…
 Método de Jacobi, y
 Método de Gauss–Seidel
6.2.1 MÉTODO DE JACOBI
Este método requiere de dos suposiciones básicas: (a) El sistema dado por…
11 1 12 2 1n n 1
21 1 22 2 2n n 2
n1 1 n2 2 nn n n
a x a x ... a x b
a x a x ... a x b
.
.
.
a x a x ... a x b
+ + + =
+ + + =
+ + + =

deberá poseer solución única y (2) La matriz de coeficientes del sistema no debe poseer ceros sobre la diagonal
principal, y en caso de que ello ocurra deberá realizarse intercambio de filas o columnas para evitarlo. Bajo es-
tas condiciones podemos resolver secuencialmente cada una de las n ecuaciones del sistema para x
1
, x
2
, …, x
n

146 Álgebra Lineal Numérica


como se muestra…
1 1 12 2 13 3 1n n
11
1
x (b a x a x ... a x )
a
= ÷ ÷ ÷ ÷

2 2 21 1 23 3 2n n
22
1
x (b a x a x ... a x )
a
.
.
.
= ÷ ÷ ÷ ÷

n n n1 1 n2 2 n,n 1 n 1
nn
1
x (b a x a x ... a x )
a
÷ ÷
= ÷ ÷ ÷ ÷

Entonces bajo una aproximación inicial (x
1
, x
2
, x
3
, . . ., x
n
) se puede iniciar un proceso iterativo con el sistema
(6.1) tal como lo muestra el siguiente ejemplo…
Ejemplo 6.4
Utilizando el método de Jacobi y la aproximación inicial (x
1
, x
2
, x
3
, . . ., x
n
) = (0, 0, 0, . . ., 0), resuelva el si-
guiente sistema redondeando los resultados a tres cifras significativas.
1 2 3
1 2 3
1 3
4x x x 7
x 7x 2x 2
3x 4x 11
+ + =
÷ + = ÷
+ =

Se escribe el sistema en la forma…
3 2
1
1
2 3
3 1
x x 7
x
4 4 4
x 2 2
x x
7 7 7
11 3
x x
4 4
= ÷ ÷
= + +
= ÷

la primera iteración produce…
1
2
3
7 0 0
x 1.75
4 4 4
2 0 2
x 0 0.286
7 7 7
11 3
x 0 2.75
4 4
~ ÷ ÷ =
~ + + =
~ ÷ =

la segunda iteración…
1
2
3
7 0.286 2.75
x 0.991
4 4 4
2 1.75 2
x (2.75) 1.322
7 7 7
11 3
x (1.75) 1.438
4 4
~ ÷ ÷ =
~ + + =
~ ÷ =

siguiendo el proceso iterativo se genera la siguiente tabla…
(6.1)
147 Álgebra Lineal Numérica


n 0 1 2 3 4 5 6
x
1
0 1.75 0.991 1.060 1.039 1.009 1.009
x
2
0 0.286 1.322 0.838 1.011 0.993 0.993
x
3
0 2.75 1.438 2.007 1.955 1.971 1.993

n 7 8 9 10 11 12
x
1
1.003 1.002 1.001 1.000 1.000 1.000
x
2
0.999 0.999 0.999 0.999 0.999 0.999
x
3
1.993 1.997 1.999 1.999 1.999 1.999
A tres cifras significativas la solución es…
x
1
= 1.000
x
2
= 0.999
x
3
= 1.999
Observando la tendencia, la respuesta exacta posiblemente sea x
1
= 1, x
2
= 1 y x
3
= 2.
Los métodos iterativos pueden diverger, como lo muestra el siguiente ejemplo…
Ejemplo 6.5
Utilizando el método de Jacobi y la aproximación inicial (x
1
, x
2
, x
3
, . . ., x
n
) = (0, 0, 0, . . ., 0), resuelva el si-
guiente sistema redondeando los resultados a tres cifras significativas.
1 2 3
1 2
2 3
x 3x x 5
3x x 5
x 2x 1
+ ÷ =
÷ =
+ =

Se escribe el sistema en la forma…
1 2 3
2 1
2
3
x 5 3x x
x 3x 5
x 1
x
2 2
= ÷ +
= ÷
= ÷

Aplicando el proceso iterativo de Jacobi, al sistema anterior se obtiene la siguiente tabla…
n 0 1 2 3 4 5 6
x
1
0 5 20.5 – 22 – 169 190.25 1577
x
2
0 – 5 10 56.5 – 71 – 512 565.75
x
3
0 0.5 3 – 4.5 – 27.75 36 256.5
lo que confirma la divergencia del proceso.
6.2.2 MÉTODO DE GAUSS–SEIDEL
Este método es una modificación de anterior, la que permite que el método sea ligeramente más efectivo y re-
quiere un poco menos de iteraciones para obtener el mismo grado de precisión que el método de Jacobi.
En el método de Gauss–Seidel se utilizan los valores de x
i
en cada fórmula al tiempo en que se generan sin es-
perar que termine una iteración completa, así entonces una vez calculado x
1
, este se aplica en x
2
y a su vez es-
148 Álgebra Lineal Numérica


tos valores se utilizan para hallar x
3
. El siguiente ejemplo ilustra lo mencionado…
Ejemplo 6.4
Utilizando el método de Gauss–Seidel y la aproximación inicial (x
1
, x
2
, x
3
, . . ., x
n
) = (0, 0, 0, . . ., 0), resuelva el
siguiente sistema redondeando los resultados a tres cifras significativas.
1 2 3
1 2 3
1 3
4x x x 7
x 7x 2x 2
3x 4x 11
+ + =
÷ + = ÷
+ =

Nuevamente se escribe el sistema en la forma…
3 2
1
1
2 3
3 1
x x 7
x
4 4 4
x 2 2
x x
7 7 7
11 3
x x
4 4
= ÷ ÷
= + +
= ÷

la primera iteración produce…
1
7 0 0
x 1.75
4 4 4
~ ÷ ÷ =
2
2 1.75 2
x 0 0.536
7 7 7
~ + + =
3
11 3
x (1.75) 1.438
4 4
~ ÷ =
es de notar que en la formula de x
2
no se utilizo x
1
= 0 , sino el valor de x
1
calculado y lo mismo sucedió al
hallar x
3
.
la segunda iteración es…
1
7 0.536 1.438
x 1.257
4 4 4
~ ÷ ÷ =
2
2 1.257 2
x 1.438 0.876
7 7 7
~ + + =
3
11 3
x (1.257) 1.807
4 4
~ ÷ =
Continuando con el proceso iterativo de Gauss–Seidel, se obtiene la siguiente tabla…
n 0 1 2 3 4 5 6
x
1
0 1.75 1.257 1.079 1.026 1.008 1.003
x
2
0 0.536 0.876 0.956 0.987 0.996 0.999
x
3
0 1.438 1.807 1.941 1.981 1.994 1.998

n 7 8
x
1
1.000 1.000
149 Álgebra Lineal Numérica


x
2
0.999 0.999
x
3
1.999 1.999
A tres cifras significativas el resultado es…
x
1
= 1.000
x
2
= 0.999
x
3
= 1.999
Con respecto al método de Jacobi se han efectuado 4 iteraciones menos.
Tanto el método de Jacobi , como el de Gauss–Seidel pueden divergir, sin embargo existe una manera de evitar
dicha divergencia y asegurar la convergencia de ambos métodos para ello se va a revisar la siguiente definición
importante…
Definición (Matriz de diagonal estrictamente dominante). Una matriz A de orden n, se denomina de diagonal es-
trictamente dominante si el valor absoluto de cada entrada de la diagonal principal es mayor que la suma de los
valores absolutos de las restantes entradas en la misma fila, así…
11 12 13 1n
22 21 23 2n
nn n1 n2 n,n 1
a a a ... a
a a a ... a
.
.
.
a a a ... a
÷
> + + +
> + + +
> + + +

La matriz A de coeficientes de un sistema de ecuaciones lineales en algunos casos puede convertirse en una
matriz de diagonal estrictamente dominante, mediante intercambio de filas y/o columnas, como lo muestra el si-
guiente ejemplo…
Ejemplo 6.5
Determinar si la matriz de coeficientes del siguiente sistema de ecuaciones lineales es de diagonal estrictamente
dominante, y en caso de no serlo convertirla mediante intercambio de filas.
1 2 3
1 2 3
2 3
9x 6x x 2
2x 3x 2x 2
6x 4x 1
+ ÷ = ÷
÷ + =
+ = ÷

La matriz de coeficientes del sistema es…
9
3
4
6 1
2 7
0 6
÷ (
(
÷
(

¸ ¸
÷
(

9 6 1 > + ÷ 2 3 7 ÷ > + ÷ / 4 6 0 > + /
por lo que la matriz no es de diagonal estrictamente dominante, pero intercambiando segunda y tercera filas se
tiene…
(6.2)
150 Álgebra Lineal Numérica


9
6
7
6 1
0 4
2 3
÷ (
(
(

÷
(
÷
¸ ¸
, entonces…
9 6 1 > + ÷ 6 0 4 > + 2 7 3 ÷ > + ÷
y la matriz es de diagonal estrictamente dominante.
El siguiente teorema mostrado aquí sin demostración asegura la convergencia en los métodos de Jacobi y
Gauss-Seidel para sistemas con matriz de coeficientes de diagonal estrictamente dominante…
Teorema (Convergencia de los métodos de Jacobi y Gauss–Seidel). Si la matriz de coeficientes A de un sistema
de ecuaciones lineales es de diagonal estrictamente dominante, entonces el sistema dado por Ax = b, tiene una
solución única a la cual los métodos de Jacobi y Gauss–Seidel convergerán para cualquier aproximación inicial.
El siguiente ejercicio ejemplifica lo anteriormente mencionado…
Ejemplo 6.6
Resolver el siguiente sistema por lo métodos de Jacobi y Gauss–Seidel con tres cifras significativas de preci-
sión.
1 2
1 2 3
1 3
2x 3x 7
x 3x 10x 9
3x x 13
÷ = ÷
+ ÷ =
+ =

La matriz de coeficientes del sistema es…
2
3
1
3 0
1 10
3 0
÷ (
(
÷
(
(
¸ ¸

se comprueba si va a existir convergencia o no…
2 3 0 > ÷ + / 3 1 10 > + ÷ / 1 3 0 > + /
entonces el sistema no es convergente.
se intercambia segunda y tercera filas…
2 3 0
3 0 1
1 3 10
÷ (
(
(
(
÷
¸ ¸
, seguidamente se intercambian primera y segunda filas…
3
3
10
0 1
2 0
1 3
(
(
(
(
¸ ¸
÷
÷

se comprueba nuevamente la convergencia…
3 0 1 > + 2 3 0 ÷ > + 1 10 3 ÷ > +
entonces ahora es convergente el sistema…
(6.3)
151 Álgebra Lineal Numérica


1 3
1 2
1 2 3
3x x 13
2x 3x 7
x 3x 10x 9
+ =
÷ = ÷
+ ÷ =

a partir de éste se genera el sistema…
3
1
1
2
1 2
3
x 13
x
3 3
2x 7
x
3 3
x 3x 9
x
10 10 10
= ÷
= +
= ÷ + +

aplicando el método de Jacobi al mismo se tiene…
n 0 1 2 3 4 5 6
x
1
0 4.333 4.633 4.256 3.957 3.949 3.984
x
2
0 2.333 5.222 5.422 5.170 4.971 4.966
x
3
0 – 0.9 0.233 1.13 1.152 1.047 0.986

n 7 8 9 10 11
x
1
4.005 4.004 4.001 4.000 4.000
x
2
4.990 5.003 5.003 5.000 5.000
x
3
0.988 0.997 1.001 1.000 1.000
y mediante Gauss–Seidel se logra…
n 0 1 2 3 4 5
x
1
0 4.333 3.967 4.003 4.000 4.000
x
2
0 5.222 4.978 5.002 5.000 5.000
x
3
0 1.1 0.99 1.001 1.000 1.000

por lo que la solución a tres cifras significativas es…
x
1
= 4.000
x
2
= 5.000
x3 = 1.000
Si bien el teorema (6.3) asegura la convergencia en caso de matrices de coeficientes con diagonal estrictamente
dominante, esto no es condición necesaria para la convergencia, pues existen sistemas que si bien no tienen
matrices de coeficientes con diagonal estrictamente dominante sin embargo convergen. Se deja al lector de-
mostrar que ello ocurre en el caso del sistema…
1 2 3
1 2 3
1 2 3
4x 2x 2x 0
x 3x x 7
3x x 4x 5
+ ÷ =
÷ ÷ =
÷ + =

Los métodos de Jacobi y Gauss–Seidel, puede ser tratados de una forma más compacta y útil de forma matri-
cial como se explicará a continuación..
152 Álgebra Lineal Numérica


Se empieza expresando la matriz de coeficientes del sistema A en la forma..
A L D U = + +
donde D es una matriz diagonal, L una triangular inferior y U una triangular superior. El siguiente ejemplo mues-
tra esta descomposición…
2 1 5 0 0 0 0 2 1 5
1 3
0 0
1 3 2 0 0 0 0 0 0
4 1 6 0 0 0 0
2
4 1 6 0 0
A L D U
÷ ( ( ( (
( ( ( (
÷ ÷ = + +
( ( ( (
( ( ( (
¸ ¸ ¸ ¸ ¸ ¸ ¸ ¸
=
÷
+
÷
+
÷

el sistema a resolverse Ax = b, puede expresarse entonces como…
(L D U)x b + + =
si se despeja Dx…
Dx (L U)x b = ÷ + +
que en forma desarrollada se presenta así…
11 1 1 12 2 13 3 1n n
a x b a x a x ... a x = ÷ ÷ ÷ ÷
22 2 2 21 1 23 3 2n n
a x b a x a x ... a x
.
.
.
= ÷ ÷ ÷ ÷

nn n n n1 1 n2 2 n,n 1 n 1
a x b a x a x ... a x
÷ ÷
= ÷ ÷ ÷ ÷
finalmente despejando x,
1
x D (L U)x b
÷
= ÷ + + (
¸ ¸

entonces el método de Jacobi se puede escribir como…
i 1 i
1
x F(x ), donde
F(x) D (L U)x b
+
÷
=
= ÷ + + (
¸ ¸

es de notar que para que exista D
–1
, d
ii
= 0, lo que explica la suposición (2) del método de Jacobi.
La descripción matricial del método de Gauss–Seidel a partir de la expresión anterior es…
actual 1 actual anterior
x D Lx Ux b
÷
( = ÷ ÷ +
¸ ¸

resolviendo para
actual
x …
actual actual anterior
actual anterior
Dx Lx Ux b
(L D)x Ux b
+ = ÷ +
+ = ÷ +

por lo que la expresión final para el método de Gauss–Seidel es…
i 1 i
1
x F(x ), donde
F(x) (L D) Ux b
+
÷
=
= + ÷ + (
¸ ¸

(6.4)
(6.5)
153 Álgebra Lineal Numérica


La expresiones (6.4) y (6.5) nos sirven para programar los métodos de Jacobi y Gauss–Seidel.
6.3 MÉTODOS DE JACOBI Y GAUSS–SEIDEL CON DERIVE 6
Utilizando la expresiones (6.4) y (6.5) y mediante PROGRAMACIÓN FUNCIONAL los métodos de Jacobi y
Gauss-Seidel se implementan mediante las siguientes líneas de programación…
#1: Precision := Approximate
#2: Notation := Decimal
#3: A :=
#4: b :=
#5: L := VECTOR(VECTOR(IF(i > j, ELEMENT(A, i, j), 0), j, 1, DIM(A)), i, 1, DIM(A))
#6: U := VECTOR(VECTOR(IF(i < j, ELEMENT(A, i, j), 0), j, 1, DIM(A)), i, 1, DIM(A))
#7: D := VECTOR(VECTOR(IF(i = j, ELEMENT(A, i, j), 0), j, 1, DIM(A)), i, 1, DIM(A))
#8: f(v) := (D^–1)(– (L + U)v + b)
#9: f_(v) := ((L + D)^(–1))(– Uv + b)
#10: JACOBI(v0, n) := ITERATES(f(v), v, v0, n)
#11: GAUSS_SEIDEL(v0, n) := ITERATES(f_(v), v, v0, n)
A es la matriz de coeficientes del sistema, b es el vector de terminos libres escrito en la forma [b
1
, b
2
, … , b
n
] ,
n el número de iteraciones y v0 el vector inicial generalmente [0, 0, …]
6.4 APLICACIONES
Los sistemas de ecuaciones lineales y su resolución tienen mucha aplicación en varias ciencias, tal como lo
demuestran los siguientes ejemplos…
Ejemplo 6.7
Ajuste polinomial por mínimos cuadrados. El distribuidor de un nuevo modelo de automóvil ha obtenido los si-
guientes datos…
Número de semanas luego de la
presentación del auto
Ingresos brutos por semana (en
millones de dólares)
1 0.8
2 0.5
3 3.2
4 4.3
5 4
6 5.1
7 4.3
8 3.8
9 1.2
10 0.8
Sean i los ingresos brutos por semana(en millones de dólares), t semanas después de la presentación del auto.
(a) Determinar un polinomio cuadrático de mínimos cuadrados para los datos dados, y (b) Utilice dicho polino-
mio para estimar los ingresos brutos 12 semanas después de la presentación del auto.
El ajuste polinomial por mínimos cuadrados se define como un polinomio de grado m, que mejor se ajusta a un
conjunto de n puntos dados. El problema se define matemáticamente así…
El polinomio de ajuste por mínimos cuadrados de grado m para el conjunto de puntos {(x
1
, y
1
), (x
2
, y
2
), . . ., (x
n
,
y
n
)} esta dado por…
154 Álgebra Lineal Numérica


m m 1 2
m m 1 2 1 0
y a x a x ... a x a x a
÷
÷
= + + + + +
donde los coeficientes a
i
, se determinan del siguiente sistema de m + 1 ecuaciones lineales…
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 m
0 i 1 i 2 i m i
2 3 m 1
i 0 i 1 i 2 i m i i
2 3 4 m 2 2
i 0 i 1 i 2 i m i i
m m 1 m 2 2m m
i 0 i 1 i 2 i m i i
na x a x a ... x a y
x a x a x a ... x a x y
x a x a x a ... x a x y
.
.
.
x a x a x a ... x a x y
+
+
+ +
+ + + + =
+ + + + =
+ + + + =
+ + + + =
¿ ¿ ¿ ¿
¿ ¿ ¿ ¿ ¿
¿ ¿ ¿ ¿ ¿
¿ ¿ ¿ ¿ ¿

para el caso de un polinomio cuadrático se tiene…
2
2 1 0
y a x a x a = + +
con…
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2
0 i 1 i 2 i
2 3
i 0 i 1 i 2 i i
2 3 4 2
i 0 i 1 i 2 i i
na x a x a y
x a x a x a x y
x a x a x a x y
+ + =
+ + =
+ + =
¿ ¿ ¿
¿ ¿ ¿ ¿
¿ ¿ ¿ ¿

Graficando la distribución de datos del ejemplo…

es fácil notar que un polinomio de segundo grado se ajusta correctamente a la misma; este polinomio será…
2
2 1 0
( ) a a a = + + i t t t
con
(6.4)
155 Álgebra Lineal Numérica


i
2 2 2 2 2 2 2 2 2 2 2
i
3 3 3 3 3 3 3 3 3 3 3
i
4 4 4 4 4 4 4 4 4 4 4
i
i
i i
n 10
1 2 3 4 5 6 7 8 9 10 55
1 2 3 4 5 6 7 8 9 10 385
1 2 3 4 5 6 7 8 9 10 3025
1 2 3 4 5 6 7 8 9 10 25333
0.8 0.5 3.2 4.3 4 5.1 4.3 3.8 1.2 0.8 28
=
= + + + + + + + + + =
= + + + + + + + + + =
= + + + + + + + + + =
= + + + + + + + + + =
= + + + + + + + + + =
¿
¿
¿
¿
¿
¿
t
t
t
t
i
t i
2 2 2 2 2 2 2 2 2 2
i i
(1)0.8 (2)0.5 (3)3.2 (4)4.3 (5)4 (6)5.1 (7)4.3 (8)3.8 (9)1.2 (10)0.8 158.5
(1 )0.8 (2 )0.5 (3 )3.2 (4 )4.3 (5 )4 (6 )5.1 (7 )4.3 (8 )3.8 (9 )1.2 (10 )0.8
1015.1
= + + + + + + + + + =
= + + + + + + + + +
=
¿
2
t i

por lo que para hallar i(t) es necesario resolver…
0 1 2
0 1 2
0 1 2
10a 55a 385a 28
55a 385a 3025a 158.5
385a 3025a 25333a 1015.1
+ + =
+ + =
+ + =

Se va a utilizar el método de eliminación de Gauss con pivoteo parcial. La matriz aumentada del sistema es…
10 55 385 28
55 385 3025 158.5
385 3025 25333 1015.1
(
(
(
(
¸ ¸
intercambiando primera con tercera fila…
385 3025 25333 1015.1
55 385 3025 158.5
10 55 385 28
(
(
(
(
¸ ¸
dividiendo la primera fila por 385…
1 7.857 65.8 2.637
55 385 3025 158.5
10 55 385 28
(
(
(
(
¸ ¸
restando 55 veces la fila 2 de la 1 y 10 veces la fila 3 de la 1…
1 7.857 65.8 2.637
0 47.135 594 13.465
0 23.57 273 1.63
(
(
÷ ÷
(
(
÷ ÷
¸ ¸
dividiendo la segunda fila por – 47.135…
1 7.857 65.8 2.637
0 1 12.602 0.286
0 23.57 273 1.63
(
(
÷
(
(
÷ ÷
¸ ¸
restando –23.57 veces la fila 3 de la 2…
1 7.857 65.8 2.637
0 1 12.602 0.286
0 0 24.029 5.111
(
(
÷
(
(
÷
¸ ¸
dividiendo la tercera fila por 24.029…
1 7.857 65.8 2.637
0 1 12.602 0.286
0 0 1 0.213
(
(
÷
(
(
÷
¸ ¸

por sustitución inversa…
156 Álgebra Lineal Numérica


a
2
= –0.213 ; a
1
= –0.286 – (12.602)(–0.213) = 2.398 ; a
0
= 2.637 – (65.8)(–0.213) – (7.857)(2.398) = –
2.189, entonces…
(a)
2
( ) 0.213 2.398 2.189 = ÷ + ÷ i t t t
La gráfica del polinomio de ajuste y los datos es…

(b)
2
(12) 0.213(12) 2.398(12) 2.189 4.085 ÷ = ÷ + ÷ = i
El valor negativo indica que se en lugar de ingresos existen pérdidas a las 12 semanas.
Ejemplo 6.8
Distribución de temperatura en una placa cuadrangular. Una placa metálica cuadrangular tiene una temperatura
constante sobre cada uno de sus cuatro bordes, como lo muestra la figura. Utilice un enrejado 4×4 para
aproximar la distribución de temperatura en el interior de la placa. Asuma que la temperatura en cada punto in-
terior es el promedio de la temperatura en los cuatro puntos contiguos.








Punto Ecuación de temperatura
1
2 4
1
100 100 T T
T
4
+ + +
=
100°C
100°C 0°C
0°C
1 2 3
4 5 6
7 8 9
157 Álgebra Lineal Numérica


2
1 3 5
2
100 T T T
T
4
+ + +
=
3
2 6
3
0 100 T T
T
4
+ + +
=
4
1 5 7
4
100 T T T
T
4
+ + +
=
5
2 4 6 8
5
T T T T
T
4
+ + +
=
6
3 5 9
6
0 T T T
T
4
+ + +
=
7
4 8
7
100 0 T T
T
4
+ + +
=
8
5 7 9
8
0 T T T
T
4
+ + +
=
9
6 8
9
0 0 T T
T
4
+ + +
=
este sistema se va a resolver por el método de Gauss–Seidel, obteniéndose la siguiente tabla…
T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
T
9

0 0 0 0 0 0 0 0 0
50 37.5 34.375 37.5 18.75 13.2812 34.375 13.2812 6.64062
68.75 55.4687 42.1875 55.4687 34.375 20.8007 42.1875 20.8007 10.4003
77.7343 63.5742 46.0937 63.5742 42.1875 24.6704 46.0937 24.6704 12.3352
81.7871 67.5170 48.0468 67.5170 46.0937 26.6189 48.0468 26.6189 13.3094
83.7585 69.4747 49.0234 69.4747 48.0468 27.5949 49.0234 27.5949 13.7974
84.7373 70.4519 49.5117 70.4519 49.0234 28.0831 49.5117 28.0831 14.0415
85.2259 70.9402 49.7558 70.9402 49.5117 28.3272 49.7558 28.3272 14.1636
85.4701 71.1844 49.8779 71.1844 49.7558 28.4493 49.8779 28.4493 14.2246
85.5922 71.3065 49.9389 71.3065 49.8779 28.5103 49.9389 28.5103 14.2551
85.6532 71.3675 49.9694 71.3675 49.9389 28.5409 49.9694 28.5409 14.2704
85.6837 71.3980 49.9847 71.3980 49.9694 28.5561 49.9847 28.5561 14.2780
85.6990 71.4133 49.9923 71.4133 49.9847 28.5637 49.9923 28.5637 14.2818
85.7066 71.4209 49.9961 71.4209 49.9923 28.5676 49.9961 28.5676 14.2838
85.7104 71.4247 49.9980 71.4247 49.9961 28.5695 49.9980 28.5695 14.2847
85.7123 71.4266 49.9990 71.4266 49.9980 28.5704 49.9990 28.5704 14.2852
85.7133 71.4276 49.9995 71.4276 49.9990 28.5709 49.9995 28.5709 14.2854
85.7138 71.4280 49.9997 71.4280 49.9995 28.5711 49.9997 28.5711 14.2855
85.7140 71.4283 49.9998 71.4283 49.9997 28.5713 49.9998 28.5713 14.2856
85.7141 71.4284 49.9999 71.4284 49.9998 28.5713 49.9999 28.5713 14.2856
85.7142 71.4285 49.9999 71.4285 49.9999 28.5713 49.9999 28.5713 14.2856
85.7142 71.4285 49.9999 71.4285 49.9999 28.5714 49.9999 28.5714 14.2857
85.7142 71.4285 49.9999 71.4285 49.9999 28.5714 49.9999 28.5714 14.2857
Los resultados se obtuvieron truncando las cifras decimales a cuatro cifras significativas.
158 Álgebra Lineal Numérica




159 Breve Introducción a Derive 6


A AP PÉ ÉN ND DI IC CE E A
A
B BR RE EV VE E I IN NT TR RO OD DU UC CC CI IÓ ÓN N A A D DE ER RI IV VE E 6 6
Desde fines de la década de los años 60 y principios de los 70, empezaría, especialmente en Estados Unidos,
una tendencia que hoy ha cambiado la forma de enseñar las matemáticas, esto es el desarrollo de programas
denominados Sistemas de Álgebra Computacional (Computer Algebra Systems). Estos programas tuvieron co-
mo objetivo permitir que cálculos simbólicos, por ejemplo...

=
÷
÷
÷
+
+
+ y 2 x
2
y 4 x
y 6 x
y 2 x
3
2 2
=
+ ÷
+ ÷ + + ÷
=
÷
÷
+ ÷
+
+
+ ) y 2 x )( y 2 x (
) y 2 x ( 2 y 6 x ) y 2 x ( 3
y 2 x
2
) y 2 x )( y 2 x (
y 6 x
y 2 x
3

y 2 x
2
) y 2 x )( y 2 x (
y 4 x 2
) y 2 x )( y 2 x (
y 4 x 2 y 6 x y 6 x 3
+
=
+ ÷
÷
=
+ ÷
÷ ÷ + + ÷

de trámite engorroso, la mayoría de las veces, se conviertan en un trabajo para el computador y no para el
científico, el ingeniero, el estudiante o el profesor. Así las personas dedicadas al manejo de las matemáticas o
sus aplicaciones, gastarían su tiempo en analizar el problema y su planteamiento y no en resolver los tediosos
cálculos matemáticos que este involucre. Pero estos sistemas llegaron aún mas lejos, pues se convirtieron en
programas que no solo manejaron el simbolismo matemático sino también la programación y aún proporciona-
ron el uso de capacidades graficas (en dos y tres dimensiones), permitiendo el análisis casi integral de las ma-
temáticas.
Entre algunos de los Sistemas de Álgebra Computacional (CAS, por sus siglas inglesas) más destacados se
pueden mencionar MATLAB, MAPLE, MATHEMATICA, DERIVE, MATHCAD. El presente texto se dedicará exclu-
sivamente al manejo de Derive, por ser un Sistema de Álgebra Computacional compacto, de fácil manejo y uno
de los más populares.
DERIVE, nació a partir de muMATH, un programa desarrollado en lenguaje LISP por David Stoutemyer y Albert
Rich. Al igual que muMATH, Derive se escribió en LISP y desde sus inicios se caracterizó por ser un sistema
muy compacto (su versión 5 ocupa 4.8 MB aproximadamente) y de capacidad simbólica, numérica y gráfica
bastante amplia, cubriendo las matemáticas desde el nivel preparatorio hasta el universitario.
A.1 INSTALACIÓN, INICIO Y BREVE DESCRIPCIÓN DE DERIVE.
Su versión 5 se instala a partir del archivo SETUP.EXE (contenido en un CD proporcionado por el fabricante),
siendo necesario como mínimo aproximadamente 5 MB de capacidad en disco duro, Windows 95, 98, 2000,
Millenium o XP y si estos sistemas operativos funcionan correctamente con la memoria RAM de que disponga,
no se preocupe entonces por la RAM, pues será más que suficiente para que pueda utilizar DERIVE sin proble-
mas.
Al instalarse Derive 6, colocará el icono de acceso directo en el escritorio de Windows, a partir del cual hacien-
do doble clic, se puede ingresar a la ventana de trabajo de Derive 6, también se puede ingresar, alternativamen-
te, por Inicio/Programas/Derive 6/Derive 6.
160 Breve introducción a Derive 6


Para introducir las expresiones y órdenes de que dispone el programa se presiona Editar(Autor)/Expresión...(ó
F2), con lo que el cursor se ubica en el cuadro de comandos como lo muestra la figura siguiente...

donde se teclea las instrucciones que una vez introducidas se escriben en la pantalla principal, en notación ma-
temática tradicional. Así si se escribe (x+y)/2, Derive 6 presentará...

El orden de precedencia de los operadores es igual a la de cualquier lenguaje de programación(potenciación ^,
división /, multiplicación *, resta –, suma +). A cada expresión ingresada Derive 6 le asigna un número #n, en
estricto orden ascendente, esto facilita la escritura de fórmulas. Derive 6 posee además de una pantalla de tra-
bajo matemático (denominada ventana de Álgebra) otra dos ventanas para el manejo de gráficos en dos y tres
dimensiones (llamadas ventanas 2D y 3D). Para una descripción completa de todos los operadores y funciones
que dispone Derive 6, el lector debe remitirse al Manual del Usuario, o a la Ayuda en línea del programa; sin em-
bargo a continuación se revisarán algunas órdenes que son muy útiles en nuestro trabajo con el análisis numé-
rico.
A.2 SIMPLIFICACIÓN Y APROXIMACIÓN
Derive 6 puede fácilmente simplificar, si es posible, una expresión que ha sido ingresada. Todas las simplifica-
ciones, por defecto, son efectuadas de forma exacta, así por ejemplo si se ingresa el valor 12 , Derive 6 lo
simplifica a 2 3 . Derive 6 cuenta con varias opciones de simplificación, que se ubican en el menú Simplificar,
entre ellas se pueden mencionar...
 Normal
161 Breve introducción a Derive 6


 Expandir
 Factorizar
 Aproximar
La opción Basic sirve para simplificar expresiones sobre las cuales se han aplicado funciones incorporadas por
Derive 6 u operaciones elementales como sumas, restas, multiplicaciones, divisiones y potenciaciones, así por
ejemplo si se desea evaluar la derivada de
3
x , se debe introducir la expresión DIF(x^3, x, 1), que queda indi-
cada como...

sin presentar de manera explicita el resultado, para observar éste, se elige la opción Simplicar/Normal...(ó
CTRL+B, ó ) obteniéndose...

La opción Expandir toma una expresión ingresada y la expande o desarrolla, de esta forma una expresión como
2
(x y) + , mediante la opción Simplificar/Expandir...(ó CTRL+E) se convertirá en
2 2
x 2xy y + + .
La opción Factor toma una expresión ingresada y la factora a su mínima expresión, así la expresión
2 2
x y ÷ ,
mediante la opción Simplificar/Factorizar...(ó CTRL+F) se expresará como (x y)(x y) + ÷ .
Aunque valores numéricos son manejados por defecto en forma exacta pueden ser también expresados en for-
ma aproximada mediante la opción Simplificar/Aproximar...(ó CTRL+G, ó ) , así pues el valor 12 median-
te esta opción se expresará como 3.46410 en lugar de su forma exacta 2 3 .
A.3 SUSTITUCIÓN
Una opción muy útil en Derive 6, es la posibilidad que tiene el usuario de efectuar la sustitución de una variable
dentro de una expresión por otra variable u otra expresión, así por ejemplo supóngase que dentro de la expre-
sión
2 2
x z
x z
+
+
, se quiere obtener el valor de la misma cuando x = 1 y z = 2, entonces se procede como a con-
tinuación se detalla...
 Se introduce la expresión.
 Se hace clic en la opción Simplificar/Sustituir Variable...(ó CTRL+W ó ) y aparece el cuadro de diálo-
go...

162 Breve introducción a Derive 6


 Entonces se hace clic sobre cada variable para seleccionarla y se introduce en la casilla Nuevo Valor los
valores 1 y 2 respectivamente, obteniéndose al hacer clic sobre el botón Simplificar...

Además de introducir valores numéricos se pueden también introducir valores literales.
Por otro lado pueden sustituirse dentro de una expresión compleja valores numéricos o literales no solamente
para variables sino para expresiones completas, por ejemplo en la expresión
2 2 2
(x 1) (y z)(x 1)
(x 1) y z
÷ + + ÷
÷ + +
, se desea
sustituir (x – 1) por el valor de 2, entonces...
 Se introduce la expresión.
 Se hace clic sobre la expresión (x – 1) para seleccionarla.
 Seguidamente se hace clic en la opción Simplificar/Sustituir Subexpresión... (ó CTRL+T) y aparece el
cuadro de diálogo...

Entonces se escribe el valor 2 y se selecciona la opción Todos, para indicar que se va a sustituir el valor indica-
do en todas las expresiones (x – 1), obteniéndose al hacer clic sobre el botón Simplificar...

A.4 VECTORES Y MATRICES
Derive 6 es un asistente matemático que puede trabajar muy fácilmente con vectores y matrices tanto en forma
simbólica como numérica. El paquete maneja esencialmente vectores fila y una matriz la construye como un
vector columna de vectores fila. En Derive 6 se puede introducir una matriz de dos maneras diferentes, veamos
como se procede de la primera forma:
 Se hace clic sobre la opción Editar(Autor)/Matriz..., entonces se presenta el siguiente cuadro de diálogo:

163 Breve introducción a Derive 6


 En esta ventana se introduce el numero de filas y columnas que se desea para la matriz y se presiona Sí.
 Aparece entonces el siguiente cuadro de diálogo...

donde cada casillero de introducción de datos debe ser llenado desde el teclado por la entrada correspondiente,
luego de lo cual la matriz se presentará así...

Como se dijo, Derive 6 considera una matriz como un vector de vectores, así por ejemplo la matriz anterior es
para Derive 6 un vector formado de tres vectores fila, es decir...
1 3 1
4 5 3
0

2 3
÷ ÷ (
¸ ¸
(
¸ ¸
÷
(
(
(

¸
¸ ¸
(
¸
(
(

por ello para introducir una matriz, se puede editarla como un vector de vectores, lo cual nos lleva a la segunda
forma de introducir una matriz:
Se hace clic sobre el cuadro de comandos y se introduce desde el teclado la expresión [[1,–3,–1],
[4,5,3],[0,2,–3]] ó [1,–3,–1;4,5,3;0,2,–3]. Es de notar que cada elemento del vector fila se separa con una co-
ma y en la segunda opción cada vector fila del siguiente mediante un punto y coma. También se puede asociar
un nombre cualquiera, por ejemplo A, a una matriz, mediante el signo igual para definición (:=), así por ejemplo
para la anterior matriz se hace clic en el cuadro de comandos y se introduce la expresión A := [1,3,–
1;4,5,3;0,2,–3] obteniéndose...

Delante de cada expresión introducida, DERIVE escribe un número consecutivo, este hecho resulta importante
cuando se quiere utilizar una expresión en cálculos posteriores. Se pueden extraer entradas mediante la notación
NOMBRE+i+j donde como se ha descrito antes i representa a la fila y j a la columna; para lograr ello se escribe
el nombre y los subíndices de la entrada en el cuadro de comandos...

164 Breve introducción a Derive 6


al presionar ENTER se tiene como resultado...

También se pueden extraer elementos de una matriz mediante la expresión ELEMENT(M, i, j) donde M es la ma-
triz de la que se quiere extraer el elemento de la fila i y columna j; generalmente en M se indica el número (#_)
asignado a la matriz cuyo elemento se desea extraer. Para el ejemplo anterior la expresión ELEMENT(#2,2,3)
arroja el mismo resultado.
La dimensión de un vector o matriz es el número de elementos del vector o el número de vectores que confor-
man la matriz; este parámetro es fácilmente extraíble de una matriz creada en Derive 6, para ello se utiliza la ex-
presión DIMENSION(M) o DIM(M) siendo obviamente M la matriz o vector de la que se quiere extraer su dimen-
sión. Para la matriz del ejemplo anterior se tiene...

de donde…

lo que indica que la matriz A esta formada de tres vectores fila.
A.5 PROGRAMACIÓN CON DERIVE 6.

A.5.1 PROGRAMACIÓN FUNCIONAL
Derive 6 basa su capacidad de programación en la programación funcional, mediante algunas funciones entre
las cuales cabe mencionar...
 ITERATE e ITERATES.
 IF.
 VECTOR.
 SUM y PRODUCT.
A.5.1.1 PROCESOS ITERATIVOS Y LAS FUNCIONES ITERATES E ITERATE
Un proceso iterativo es aquel en el cual se obtiene una aproximación actual a partir de otra anterior. A continua-
ción analicemos un ejemplo...
Supóngase que se tiene f(x) 10 x = ÷ , y se quiere hallar los primeros cuatro valores numéricos que se ob-
tengan iterativamente para f(x) a partir de x = 0(valor de inicio), entonces...

Por lo que los valores son: 3.16227766, 2.614903887, 2.717553332, 2.698600872. El proceso calculó un
i x
i
f(xi)
1 0 f(0) 10 0 3.16227766 = ÷ =
2 3.16227766 f(3.16227766) 10 3.16227766 2.614903887 = ÷ =
3 2.614903887 f(2.614903887) 10 2.614903887 2.717553332 = ÷ =
4 2.717553332 f(2.717553332) 10 2.717553332 2.698600872 = ÷ =
165 Breve introducción a Derive 6


nuevo valor a partir de uno anterior, por lo tanto se trata de un proceso iterativo. Cada nuevo valor obtenido es
una iteración, y la función f(x) que se utilizó en los cálculos se conoce como fórmula de iteración.
La orden de Derive 6, ITERATES(f, x, a, n), donde f representa la fórmula de iteración, x la variable de iteración,
a el valor de inicio y n el número de iteraciones, automatiza un proceso iterativo, así para el ejemplo anterior...

da como resultado un vector que contiene las cuatro primeras iteraciones para el ejemplo que se calculo ante-
riormente.
Si se quiere obtener únicamente el último valor del proceso iterativo, se utiliza la orden ITERATE(f, x, a, n), don-
de los parámetros tienen el mismo significado anterior. Así para el ejemplo anterior...

A.5.1.2 FUNCIÓN CONDICIONAL IF
Derive 6 posee la función de decisión IF, que tiene la siguiente estructura IF(Condición_lógica, Verdadero, Falso,
Duda). La condición lógica o prueba de decisión puede ser una expresión que permita decidir sobre una alterna-
tiva a tomar, dependiendo de si la condición es verdadera o falsa. Si la prueba no es ni verdadera ni falsa, la op-
ción a tomar se escribirá a continuación de dichas opciones. Seguidamente se analiza un ejemplo...
Se desea crear una función SIGNO(x), que produzca el valor de 1, en caso de que se x sea un real positivo, –1
en caso contrario y 0 si no se puede dilucidar su signo. Esta función es...

los resultados para –7.5, 6 y ±5, serán entonces...

Al igual que en cualquier lenguaje de programación se pueden anidar las funciones de decisión IF, así por ejem-
plo se desea que en el ejemplo anterior para el caso de x = 0, la función arroje el comentario “no tiene signo”,
entonces...

los resultados para –7.5, 6, ±5 y 0 son...

166 Breve introducción a Derive 6


Se puede observar que en la condición lógica se puede utilizar operadores lógicos, como en el caso anterior el
operador . (y lógico). Para conocer los operadores lógicos disponibles puede consultar la ayuda en línea o el
manual del usuario.
A.5.1.3 FUNCIÓN VECTOR
Derive 6 además puede construir vectores o matrices bajo un patrón, para ello dispone de la orden VECTOR,
cuya estructura es VECTOR(F(x), x, a, b, p), donde F(x) es la función generadora del vector o matriz, x la varia-
ble de la función generadora, a el valor de inicio, b el valor final y p es el paso entre a y b. Supóngase que se
quiere generar el vector 1 3 5 7 (
¸ ¸
, entonces la expresión será...

que al simplificarse genera...

la variable p es alternativa, pues si no se la escribe Derive 6 toma p = 1.
Mediante la anidación de VECTOR se puede crear una matriz, así por ejemplo supóngase que se quiere construir
la matriz
1 3 5
3 5 7
5 7 9
(
(
(
(
¸ ¸
, entonces la instrucción es...

donde la función VECTOR interna genera los elementos de cada fila y la función VECTOR externa genera las co-
lumnas.
A.5.1.4 SUMATORIA Y PRODUCTO ITERADO – FUNCIONES SUM Y PRODUCT
Es muy frecuente encontrar en análisis numérico, procesos que involucren sumatorias y productos iterados ta-
les como:
n
i 0 1 2 n
i 0
a a a a ... a
=
= + + + +
¿
(Sumatoria)
n
i 0 1 2 n
i 0
a a a a a
=
= · · ·
[
(Producto iterado)
Derive 6 incluye entre sus funciones incorporadas, las funciones SUM y PRODUCT que corresponden a las for-
mulaciones anteriores, su sintaxis son:
SUM(F(i),i, in, fin, p), donde F(i) corresponde a la expresión sobre la cual se va a efectuar la sumatoria, i el índi-
ce de la sumatoria, in el valor de inicio, fin el valor final y p el paso utilizado entre dos valores consecutivos de i.
PRODUCT(F(i), i, in, fin, p), donde la notación es idéntica al caso de la función SUM.
Supóngase que se desean calcular
5
i 0
i
i 2
=
+
¿
y
i 8
i 1
i 0
e
+
=
[
, entonces...

dará como resultado…
167 Breve introducción a Derive 6



y,

producirá...

la variable p, se utilizará en casos en que el índice no varíe en una unidad, así por ejemplo supóngase que se
desea evaluar la suma de los números impares menores o iguales a 11, entonces...

dará por resultado...

Derive 6 utiliza la programación funcional, es decir, construye los diferentes módulos de un programa en base a
definición de funciones. Veamos un ejemplo...
Ejemplo A.1
Construir un programa que calcule la matriz adjunta de una matriz de datos:
(
(
(
(
(
(
¸
(

¸

=
nn 3 n 2 n 1 n
n 3 33 32 31
n 2 23 22 21
n 1 13 12 11
a ... a a a
... ... ... ... ...
a ... a a a
a ... a a a
a ... a a a
A
.
Se procederá bajo el siguiente algoritmo funcional:
1. Se construirá una función que calcule el menor
ij
M .
2. Seguidamente se construirá una función que calcule el cofactor
i j
ij ij
A ( 1) M
+
= ÷ , correspondiente al menor
ij
M .
3. Finalmente en base a las dos funciones definidas anteriormente se elaborará una función final para el cálculo
de la adjunta de A.
Las funciones para cada paso del algoritmo son...
#1: MENOR(A, i, j) := DELETE_ELEMENT(DELETE_ELEMENT(A, i)`, j)`
#2: COFACTOR(A, i, j) := ((–1)^(i + j))DET(MENOR(A, i, j))
#3: ADJ(A) := VECTOR(VECTOR(COFACTOR(A, i, j), i, DIMENSION(A)), j, DIMENSION(A))
La función DELETE_ELEMENT(A, i), elimina la fila i–ésima de la matriz A y la función DET(A) calcula el determi-
nante de la matriz A.
La primera función MENOR(A, i, j) elimina la fila i y columna j de la matriz de datos A(de orden n), generando el
menor correspondiente(una matriz de orden n – 1). La segunda función utiliza la anterior, obteniendo su deter-
168 Breve introducción a Derive 6


minante y multiplicándolo por el término
j i
) 1 (
+
÷
para producir el respectivo cofactor. La tercera y última función
se basa a su vez en la anterior, para elaborar la matriz adjunta de a, mediante una función VECTOR anidada.
A.5.2 PROGRAMACIÓN PROCEDURAL
Derive 6 ha incorporado además funciones que realizan la ejecución de un proceso mediante procedimientos
secuenciales, es decir, efectúan programación por procedimientos o procedural; estas estructuras de control o
lazos son...
 PROG.
 LOOP.
A.5.2.1 FUNCIÓN PROG
Esta función tiene la estructura PROG(s1,s2,s3,….,sn) y permite ejecutar secuencialmente las instrucciones s1,
s2, s3, …, sn.
A.5.2.2 FUNCIÓN LOOP
Esta función tiene la estructura LOOP(s1,s2,s3,….,sn) y permite ejecutar secuencialmente las instrucciones s1,
s2, s3, …, sn y repetir la secuencia hasta que en una de dichas instrucciones se cumpla un EXIT o un RETURN
que permita terminar su ejecución. La orden EXIT obliga al programa a salir de la ejecución de la función LOOP y
continuar con la ejecución de las secuencias más externas LOOP o PROG. La función RETURN también obliga al
programa a terminar la ejecución del lazo LOOP presentando un resultado, por lo que generalmente debe consti-
tuir la finalización del programa.
En los siguientes ejemplos se aclarará el uso de estas estructuras de control…
Ejemplo A.2
Construir un programa que calcule la suma de los n primeros números pares.
Se procederá bajo el siguiente algoritmo:
1. Se inicializan los valores de tres variables, un contador c a 1, un generador de los números pares p a 2 y la
suma de los pares s a 0.
2. Una estructura de control ira actualizando el contador, el generador de los números pares y la suma de los
mismos hasta alcanzar el resultado con los n números pares pedidos
El programa para este algoritmo es:
#1: SUM(n) := PROG(c := 1, p := 2, s := 0, LOOP(IF(c > n, EXIT), s :+ p, p :+ 2, c :+ 1), s)
Se diseño el programa de esta forma con el objetivo de mostrar el uso del comando EXIT. La estructura de con-
trol más externa PROG, controla la ejecución secuencial de las asignaciones c := 1 , p := 2, s := 0, LOOP(IF(c
> n, EXIT), s :+p, p :+2, c :+1) y s. La estructura más interna de control LOOP(IF(c > n, EXIT), s :+p, p :+2,
c :+1) actualiza los valores de c, p y s hasta alcanzar la suma de los n números pares pedidos luego de lo cual
ejecuta la orden EXIT que le permite terminar la ejecución de LOOP y concluir con la presentación del resultado
s.
Ejemplo A.3
169 Breve introducción a Derive 6


Construir un programa que calcule el producto de los n primeros números pares.
Se procederá bajo el siguiente algoritmo:
1. Se inicializan los valores de tres variables, un contador c a 1, un generador de los números pares p a 2 y el
producto de los pares m a 1.
2. Una estructura de control ira actualizando el contador, el generador de los números pares y el producto de los
mismos hasta alcanzar el resultado con los n números pares pedidos
El programa para este algoritmo es:
#1: MULT(n) := PROG(c := 1, p := 2, m := 1, LOOP(IF(c > n, RETURN [“n”, “producto” ; n, m]), m :- p, p :+ 2, c :+
1))
Se diseño el programa de esta forma con el objetivo de mostrar el uso del comando RETURN. La estructura de
control más externa PROG, controla la ejecución secuencial de las asignaciones c := 1 , p := 2, m := 1 y LO-
OP(IF(c > n, RETURN[“n”,”producto”;n,m]), m :-p, p :+2, c :+1). La estructura más interna de control LO-
OP(IF(c > n, RETURN[“n”,”producto”;n,m]), m :-p, p :+2, c :+1), actualiza los valores de c, p y m hasta al-
canzar el producto de los n números pares pedidos luego de lo cual ejecuta la orden RETURN que le permite
terminar la ejecución de LOOP y del programa presentando el resultado con la estructura...
n producto
n m
(
(
¸ ¸

A.6 GENERACIÓN DE UNA UTILIDAD
Al escribir en Derive 6 un programa o implementación para generar un determinado método numérico, el autor
desearía poder guardarlo para utilizarlo en otro momento. Para ello Derive 6 puede almacenar una implementa-
ción dentro de un archivo de extensión .MTH y además cuando el usuario lo requiera puede cargar este archivo
en memoria para usar las funciones incorporadas en el mismo sin tener la molestia de que aparezca todo lo es-
crito en el documento. Esto es conocido en Derive 6 como “Cargar una utilidad”, y para ello debe efectuarse el
procedimiento descrito a continuación:
 Se guarda el programa o implementación generada en un archivo de extensión MTH.
 Para cargarlo como utilidad, se hace clic en Archivo/Leer/Utilidades..., entonces aparecerá el siguiente
cuadro de diálogo:

170 Breve introducción a Derive 6


En este se busca el nombre del archivo que contenga la utilidad requerida y se hace clic en Abrir.
 Inmediatamente Derive 6 cargará en memoria dicho archivo y el usuario podrá utilizar las funciones defi-
nidas en él como si fuesen funciones incorporadas al programa.
Como complemento se dan algunos ejercicios sobre programación y precisión en Derive 6…
A.4 – A.5 PROGRAMACIÓN FUNCIONAL
A.4. Generar en DERIVE 5 la matriz
n
0 0
n
1 1
n
n n
1 x ... x
1 x ... x
. . ... .
1 x ... x
(
(
(
(
(
(
¸ ¸
, con la ayuda de una función VECTOR anidada.
Para representar un subíndice en Derive 5 por ejemplo x
i
, se escribe x↓i. Entonces la función que la llamaremos
MATRIZ, y que genera la matriz pedida es:
MATRIZ(n) := VECTOR(VECTOR ((x↓i)ˆj, j, 0, n), i, 0, n)
A.5. Genere una función en Derive 5 para calcular el vector de n iteraciones para F(x), empezando en a.
El programa funcional es:
ITER(F, a, n) := ITERATES(F, x, a, n)
Así para la función
1
F(x) :
2
1 x
=
+
, empezando en x = 0 y con 7 iteraciones se tiene:

en modo exacto, y

en modo aproximado.
A.6 – A.7 PROGRAMACIÓN PROCEDURAL
A.6. Escriba un programa para obtener el cociente y el resto de dos números enteros positivos, aplicando el
método de restas sucesivas.
El método de restas sucesivas permite llegar a calcular el resto de una división de números enteros mediante la
aplicación sucesiva de la resta. El siguiente ejemplo lo explica:
Para hallar el residuo de 10/3, se tiene:
10 – 3 = 7
7 – 3 = 4
4 – 3 = 1 → El proceso se detiene cuando el resto (1) es menor que el divisor (3)
Por lo tanto 1 es el resto y 3(número de restas efectuadas) es el cociente.
El programa procedural escrito en una sola línea es:
COC_REST(D, d) := PROG(C := 0, R := D, LOOP(IF(R < d, RETURN ["RESTO", "COCIENTE"; R, C]), R :– d, C :+ 1))
El programa escrito en forma indentada y la explicación de su funcionamiento es:
COC_REST(D, d) := Argumentos de la función: D = dividendo, d = divisor
Prog
171 Breve introducción a Derive 6


C := 0 Inicialización del contador del número de restas efectuadas
R := D Asignación al resto del valor del dividendo para iniciar las restas sucesivas
Loop
If R < d Condición para defenecer el proceso y retornar el resultado
RETURN ["RESTO", "COCIENTE"; R, C] Salida
Re (
(
¸ ¸
sto Cociente
R C

R :- d Proceso de restas sucesivas (resto)
C :+ 1 Actualización del contador de restas efectuadas (cociente)
A.7. Escriba un programa para obtener el máximo común divisor de dos números enteros positivos, aplicando el
algoritmo de Euclides.
El algoritmo de Euclides permite hallar el MCD mediante divisiones sucesivas de números enteros positivos,
como lo muestra el siguiente ejemplo:
Para hallar el MCD de 6 y 15, entonces:

15 / 6 → Cociente = 2; Resto = 3 (divisor en la siguiente división)
6 / 3 → Cociente = 2; Resto = 0
El ultimo divisor bajo el cual se obtuvo el resto nulo, es decir 3 es el MCD
El programa procedural constará de dos funciones, una para el cálculo del resto, y la otra para el cálculo del
MCD:
#1: RESTO(D, d) := PROG(C := 0, R := D, LOOP(IF(R < d, RETURN R), R :– d, C :+ 1))
#2: MCD(a, b) := PROG(IF(a > b, [D := a, d := b], [D := b, d := a]), LOOP(IF(d = 0, RETURN D), R := RESTO(D, d), D
:= d, d := R))
El programa escrito en forma indentada y la explicación de su funcionamiento es:
RESTO(D, d) :=
Prog
C := 0
R := D
Loop
If R < d
RETURN R
R :- d
C :+ 1
MCD(a, b) := Argumentos de la función: números a y b enteros positivos
Prog
If a > b
[D := a, d := b]
[D := b, d := a]
Loop
If d = 0 → Condición para defenecer el proceso y retornar el resultado
RETURN D → Salida del último divisor (D := d) como el MCD
R := RESTO(D, d) → Calcula el resto de la división D/d
D := d → Asigna al divisor de una división como dividendo de la siguiente
d := R → Asigna al resto de una división como divisor de la siguiente
A.8 PRECISIÓN EN DERIVE 6
A.8. Con un ejemplo de cálculo de una expresión se va a mirar el efecto de la precisión en un resultado.
Ingresamos la expresión
( )
1 1 2 + + ÷ ÷ x x x x x

Variante del programa 1, para el cálc ulo del resto.
Lazo de decisión para asignar al mayor valor como divi-
dendo (D) y al menor como divisor (d)
dividendo en la siguiente división
172 Breve introducción a Derive 6


Se substituye 1000000 para x utilizando Simplificar/Sustituir variable… o el botón tal como se muestra:

luego de hacer clic en Sí, se obtiene


aproximando este resultado con se tiene

La aproximación da un valor de cero sin embargo al simplificar bajo el modo exacto no se obtuvo ese valor por
lo tanto la aproximación es sospechosa. En efecto se la precisión de Derive 6 en este cálculo es insuficiente pa-
ra mostrar el verdadero resultado para ello vamos a cambiar los dígitos de precisión de 10 a 15, mediante el
comando:

entonces volvemos a aproximar la expresión obteniendo esta vez

lo que demuestra que con 10 dígitos de precisión en esta operación Derive 6 cometió un error al obtener el re-
sultado en punto flotante. El origen de este error esta en la resta de valores muy cercanos como lo va a demos-
trar el propio programa con el siguiente desarrollo:
Regresamos a la precisión con 10 dígitos al escribir el comando PrecisionDigits := 10.
A partir de la expresión:

seleccionamos ‹(1000000 + 1), ‹(1000000 - 1) y 2·‹1000000 sucesivamente, a la vez que sim-
plificamos cada subexpresión con desde la barra de botones, obteniendo:


se puede observar que el resultado dentro del paréntesis da 0 lo cual obviamente explica el resultado final de 0
al aproximar la expresión.
173 Series de Taylor


A AP PÉ ÉN ND DI IC CE E B
B
S SE ER RI IE ES S D DE E T TA AY YL LO OR R

El éxito de los métodos numéricos consiste en la aproximación y sustitución de funciones complicadas
por otras de fácil manejo. Muchas funciones, tales como sen(x), cos(x), ln(x), etc., pueden ser aproximadas y
sustituidas mediante una suma infinita de términos denominada serie de Taylor, la cual por su sencillez es más
apropiada para su utilización en el campo del análisis numérico.
B.1 SERIES DE TAYLOR Y MACLAURIN.
Teorema de Taylor. Sea f(x) una función continua y derivable hasta el orden n, en cierto intervalo que contiene al
punto x = c, entonces f(x) se puede expresar como:
) c ( f
! n
) c x (
... ) c ( f
! 3
) c x (
) c ( f
! 2
) c x (
) c ( f
! 1
) c x (
) c ( f ) x ( f
) n (
n 3 2
÷
+ + ' ' '
÷
+ ' '
÷
+ '
÷
+ =

Una función real f(x), puede ser escrita mediante un polinomio de grado menor o igual a n, en la forma...
2 3 n
0 1 2 3 n
f(x) a a x a x a x ... a x = + + + + +
donde los coeficientes a
0
, a
1
, a
2
, a
3
, ... son constantes que no dependen de la variable x. El problema es deter-
minar los valores de dichos coeficientes para expresar con exactitud el polinomio.
Tómese la expresión (B.1) y hágase en ella x = 0...
0
f(0) a =
con lo cual se ha determinado a
0
, pues al conocerse f(x), también se conoce su valor en un punto dado. Por
otro lado, calcúlense las n sucesivas derivadas, es decir...
2 n 1
1 2 3 n
f (x) a 2a x 3a x ... na x ...
÷
' = + + + + +
n 2
2 3 n
f (x) 2a 6a x ... n(n 1)a x ...
÷
'' = + + + ÷ +
n 3
3 n
f (x) 6a ... n(n 1)(n 2)a x ...
÷
''' = + + ÷ ÷ +
……………………………………………
(n)
n
f (x) n!a ... = +
entonces si se sustituye x = 0 en todas ellas se obtiene...
1 1
f (0) a 1!a ' = =
2 2
f (0) 2a 2!a '' = =
3 3
f (0) 6a 3!a ''' = =
.........................
(n)
n
f (0) n!a =
despejando de las ecuaciones (B.3), a
0
, a
1
, a
2
, a
3
, ... , y sustituyendo estos valores en f(x) se obtiene...
2 3 n
(n)
x x x x
f(x) f(0) f (0) f (0) f (0) ... f (0)
1! 2! 3! n!
' '' ''' = + + + + +
fórmula que expresa a f(x) como un polinomio en x, y todos los coeficientes son derivadas calculadas en el
punto x = 0; este tipo de polinomio se denomina serie de Maclaurin ó fórmula de Maclaurin.
(B.1)
(B.2)
(B.4)
(B.3)
174 Series de Taylor


Pero existen funciones reales, como ln(x), que en el punto x = 0 no está definida; resulta entonces conveniente
aproximar ésta y otras funciones, que se hallan en el mismo caso, mediante un polinomio cuyas constantes se
puedan determinar en base a un punto cualquiera c, diferente al que genera el problema. Téngase en cuenta en-
tonces, el polinomio siguiente...
2 3 n
0 1 2 3 n
f(x c) a a (x c) a (x c) a (x c) ... a (x c) ÷ = + ÷ + ÷ + ÷ + + ÷
realizando un proceso similar al que se efectuó para deducir la serie de Maclaurin, se obtiene el polinomio...
2 3 n
(n)
(x c) (x c) (x c) (x c)
f(x) f(c) f (c) f (c) f (0) ... f (c)
1! 2! 3! n!
÷ ÷ ÷ ÷
' '' ''' = + + + + +
denominado serie de Taylor ó fórmula de Taylor.
Se puede observar de la última ecuación, que la fórmula de Maclaurin es simplemente un caso particular de la
fórmula de Taylor, cuando en ésta c = 0. La fórmula de Taylor asegura una aproximación bastante razonable de
la función f(x) en cierto entorno (entiéndase como pequeño intervalo) alrededor del punto c, es decir en el inter-
valo [c ÷ o, c + o] (o>0), mientras que la fórmula de Maclaurin hace lo mismo alrededor del punto c = 0, o
sea en el intervalo [÷o, o]; este intervalo se denomina intervalo de convergencia.
B.2 SERIES DE TAYLOR Y MACLAURIN CON RESTO EN FORMA DE LAGRANGE.
Teorema (Resto para la Serie de Taylor). Sea f(x) una función continua y derivable hasta el orden n + 1, en cier-
to intervalo que contiene al punto x = c, y sea ç un punto cualquiera tal que x< ç <c (ó c<ç<x) entonces f(x)
se puede expresar como…
2 3 n
(n)
(x c) (x c) (x c) (x c)
f(x) f(c) f (c) f (c) f (c) ... f (c) R
1! 2! 3! n!
÷ ÷ ÷ ÷
' '' ''' = + + + + + +
n
(n 1)
(x c)
donde R f ( )
(n 1)!
ç
+
÷
=
+

Al aproximar una función real f(x), mediante las fórmulas de Taylor o Maclaurin, el orden del polinomio puede
ser un valor entero cualquiera, pero dado que es imposible escribir un infinito número de términos del polinomio,
es necesario entonces utilizar un número finito de términos, dígase n, surgiendo entonces un error debido a los
términos no considerados o truncados del polinomio (desde el término (n + 1)÷ésimo en adelante). Este error,
está representado mediante el llamado término complementario, residuo o resto de la serie, representado por R.
La serie de Taylor expresada en función del resto R, se escribe...
2 3 n
(n)
(x c) (x c) (x c) (x c)
f(x) f(c) f (c) f (c) f (0) ... f (c) R
1! 2! 3! n!
÷ ÷ ÷ ÷
' '' ''' = + + + + + +
donde todos los términos luego del (n + 1)–ésimo término han sido sustituidos por el resto. El resto de una se-
rie de Taylor se puede expresar como...
n 1
(n 1)
(x c)
R f ( ) donde c x si x c ; x c si x c
(n 1)!
+
+
÷
= ç < ç < > < ç < <
+

denominado resto en forma de Lagrange. Análogamente la fórmula de Maclaurin con resto en forma de Lagran-
ge, se escribirá...
2 3 n
(n)
x x x x
f(x) f(0) f (0) f (0) f (0) ... f (0) R
1! 2! 3! n!
' '' ''' = + + + + + +
con
(B.5)
(B.6)
(B.7)
175 Series de Taylor


n 1
(n 1)
(x)
R f ( ) donde 0 x si x 0 ; x 0 si x 0
(n 1)!
+
+
= ç < ç < > < ç < <
+

sin embargo, el valor ç de (B.7) y (B.8) es imposible determinarlo de forma precisa, aunque se lo puede estimar
considerando que el valor absoluto de la (n + 1)–ésima derivada de ç está acotado, es decir...
(n 1)
f ( ) M donde M 0
+
ç s >
y entonces...
n 1
M
R (x c) ...para la formula de Taylor
(n 1)!
+
s ÷
+

n 1
M
R x ...para la formula de Maclaurin
(n 1)!
+
s
+

El resto representa el error de truncamiento en las formulas de Taylor (ó Maclaurin), y éste puede ser únicamen-
te estimado más no calculado de manera exacta. El error de truncamiento puede presentarse en cualquier pro-
ceso matemático de infinitos términos en el cual se truncan o cortan los mismos.
B.3 FORMA ALTERNATIVA PARA LA SERIE DE TAYLOR Y EL RESTO.
Si en la serie de Taylor, expresada por (B.6), se sustituye h = x – c, ésta se simplifica a...
2 3 n
(n)
h h h h
f(c h) f(c) f (c) f (c) f (c) ... f (c) R
1! 2! 3! n!
' '' ''' + = + + + + + +
donde el resto de la serie está dado por
n 1
(n 1)
h
R f (c h) donde 0 1
(n 1)!
+
+
= + , s , s
+

debido a que , es difícil de calcular con exactitud, pues se encuentra dentro de un intervalo, a menudo se toma
, = 0, con lo que...
n 1
(n 1)
h
R f (c)
(n 1)!
+
+
~
+

siendo la expresión (B.13), una forma aproximada y más cómoda de calcular el error de truncamiento para la
serie de Taylor, y representa el término dominante((n + 1)–ésimo término) del conjunto de términos eliminados.
B.4 SERIES DE TAYLOR Y MACLAURIN CON DERIVE 6.
Derive 6 incluye una opción para el cálculo de funciones mediante series de Taylor y Maclaurin, la cual se en-
cuentra bajo la orden Polinomios de Taylor... del menú Cálculo. Para desarrollar una función en una serie de
Taylor…
Paso 1: Se escribe la función que se va a desarrollar en serie de Maclaurin.
2
SIN(x) COS(x 1) + +
Paso 2: Se hace clic sobre la opción Cálculo/Polinomios de Taylor..., entonces aparece el cuadro de diálogo...
(B.8)
(B.9)
(B.10)
(B.11)
(B.12)
(B.13)
176 Series de Taylor



Aquí, se debe elegir la variable sobre la cual se va a desarrollar la serie, el punto alrededor del cual se estructu-
rará la misma y el orden de aproximación (potencia del término a partir del cual se va a tomar el resto).
Paso 3: Finalmente, se hace clic sobre el botón Simplificar y se obtendrá...
4 5 3
(2 x )COS(1) x x
2
x SIN(1) x
2 120 6
÷
÷ + ÷ +
que es la expresión para la serie de Maclaurin pedida.
Ejemplo B.1
Mediante Derive 6 desarrollar en serie de Maclaurin, la función f(x) = sen(x + 1). Utilizar 4, 5 y 6 términos del
desarrollo, luego graficar la función así como sus correspondientes desarrollos.
Definición de la función:
SIN(x+1)
Serie de Maclaurin con 4 términos: Cálculo/Polinomios de Taylor...(Variable = x, Punto = 0, Grado = 3)
2 2
x(6 x )COS(1) (2 x )SIN(1)
6 2
÷ ÷
+
entonces, expandiendo los términos mediante la orden Simplificar/Expandir...
3 2
x COS(1) x SIN(1)
xCOS(1) SIN(1)
6 2
÷ + ÷ +
Serie de Maclaurin con 5 términos: Cálculo/Polinomios de Taylor...(Variable = x, Punto = 0, Grado = 4)
2 4 2
x(6 x )COS(1) x x
1 SIN(1)
6 24 2
÷
+ ÷ +
| |
|
|
\ .

entonces, expandiendo los términos mediante la orden Simplificar/Expandir...
3 4 2
x COS(1) x SIN(1) x SIN(1)
xCOS(1) SIN(1)
6 24 2
÷ + + ÷ +
Serie de Maclaurin con 6 términos: Cálculo/Polinomios de Taylor...(Variable = x, Punto = 0, Grado = 5)
5 3 4 2
x x x x
x COS(1) 1 SIN(1)
120 6 24 2
÷ + + ÷ +
| | | |
| |
| |
\ . \ .

entonces, expandiendo los términos mediante la orden Simplificar/Expandir...
5 3 4 2
x COS(1) x COS(1) x SIN(1) x SIN(1)
xCOS(1) SIN(1)
120 6 24 2
÷ + + ÷ +
177 Series de Taylor


En el gráfico las series de Maclaurin se nominan como: g(x)(serie de Maclaurin con 4 términos), h(x)(serie de
Maclaurin con 5 términos), k(x) (serie de Maclaurin con 6 términos) y la función como f(x); estos gráficos se
definen en un intervalo alrededor de x = 0; también se podrá notar que alrededor del punto x = 0 los desarrollos
y la función f(x) tienen un cierto intervalo de convergencia de radio aproximadamente igual a 1.
3 2 1 0 1 2 3
4
2
2
f x ( )
g x ( )
h x ( )
k x ( )
x


Ejemplo B.2
Con la ayuda de Derive 6 expresar en serie de Taylor la función |
.
|

\
|
+
+
=
2
x 1
x 1
ln ) x ( f , alrededor del punto x = 1,
determinar además el error de truncamiento aproximado y el error de truncamiento exacto. Utilizar hasta la po-
tencia x
4
del desarrollo.
Se definen la función, el punto alrededor del cual se desarrolla la serie(x = c) y el orden(n), de la siguiente ma-
nera: Cálculo/Polinomios de Taylor...(ln((1 + x)/(1 + x^2)), Variable = x, Punto = 0, Grado = 5) y se obtie-
ne...
4 3 2
(x 1)(54x 351x 929x 1141x 29)
960
÷ ÷ + ÷ +

luego se realiza la sustitución x = h + 1(Simplificar/Sustituir Variable...(Variables = x , Nuevo Valor = h + 1)),
y expandiendo(Simplificar/Expandir...) los términos se obtiene...
5 4 3 2
9h 9h 5h h h
160 64 24 8 2
÷ + ÷ ÷
Las siguientes líneas de programación en Derive 6, permiten determinar para cualquier serie de Taylor o Ma-
claurin el error de truncamiento aproximado((1.13)) y el error de truncamiento exacto(f(x) – Serie de Taylor para
n términos); para ello se debe introducir la función que se aproxima mediante la serie, el punto alrededor del cual
se desarrolla la serie(x = c) y el orden del término en que se trunca la serie(n)...
#1: F(x):=
#2: ET_APROX(x, c, n) := TAYLOR(F(x), x, c, n + 1) ÷ TAYLOR(F(x), x, c, n)
#3: ET_EXACT(x, c, n) := F(x) ÷ TAYLOR(F(x), x, c, n)
178 Series de Taylor


Para el problema presente, se utilizan las líneas anteriores(ingresando
1 x
F(x) : ln
2
1 x
| |
+
=
|
\ + .
, x = 1 y n = 4) pa-
ra obtener...
4 3 2
9(x 1)(x 4x 6x 4x 1)
ET_APROX(x,1, 4)
160
4 3 2
x 1 9x 37x 51x 15x 5
ET_EXACT(x,1, 4) LN
2
64 48 32 16 192
x 1
÷ ÷ + ÷ +
=
+
= + ÷ + ÷ ÷
+
| |
|
\ .

Del gráfico f(x), st(x) vs. x, se puede observar que la función f(x) y la serie que la aproxima st(x) coinciden en un
intervalo que va desde x = 0.6 hasta x = 1.4, aproximadamente; este intervalo es el radio de convergencia de la
serie.
1 0 1 2 3
4
3
2
1
1
f x ( )
s x ( )
x


Ejemplo B.3
Utilizando la serie de Maclaurin calcular el valor de cos(10°) con una precisión de hasta 0.0001. Emplee Derive
6.
Cálculo del número de términos del desarrollo de Maclaurin, en base a la fórmula de acotamiento del resto R...
|f
(n+1)
(ç)|s M = 1, pues la (n + 1)÷ésima derivada de cos(x) pueden ser ±cos(x) ó ±sen(x), que son acotadas
en 1, por lo que...

0.0001
1 n
18 1)! (n
1
R s
+
|
.
|

\
| t
+
s

es decir...

0.0001
1 n
18 1)! (n
1
s
+
|
.
|

\
| t
+

dado que resolver la desigualdad analíticamente es algo difícil, se utiliza una solución iterativa, la cual se obtiene
mediante las siguientes líneas de programación en Derive 6...
#1: R(n):=
#2: N(in, fin,o):=VECTOR(i, i, in, fin, o)
179 Series de Taylor


#3: SOL(in, fin, o):=VECTOR([(N(in, fin, o))+i, R((N(in, fin, o))+i)], i, 1, DIM(N(in, fin, o)))
entonces,
n 1
1
R(n) :
(n 1)! 16
3 0.0000386632
1 0.0152308
2 0.000886096
SOL(1,5,1)
4 0.0000013496
5 0.0000000392583
+
t
=
+
| |
|
\ .
(
(
(
( =
(
(
(
¸ ¸

se puede observar que el valor n que cumple la desigualdad es n = 3, por lo tanto se desarrolla la serie de Ma-
claurin de cos(x) hasta el orden de aproximación 3, así…
2
x
COS(x) : 1
2
= ÷
y el valor aproximado buscado es...
COS : 0.984769
18
=
t | |
|
\ .



La segunda columna muestra los valores de R(n)
para los valores de n de la primera columna
180 Bibliografía y referencias


B BI IB BL LI IO OG GR RA AF FÍ ÍA A Y Y R RE EF FE ER RE EN NC CI IA AS S

BIBLIOGRAFÍA.
1. Learning Numerical Analysis through DERIVE, Etchells T. / Berry J., Ed. Chartwell–Bratt
2. Numerical Analysis via DERIVE, Schonefeld S., Ed. Mathware.
3. Métodos Numéricos para Ingenieros, Chapra S. / Canale R., Ed. Mc. Graw–Hill.
4. Introduction to Derive 5, Kutzler B. / Kokol–Voljc V., Texas Instruments Inc.
5. Métodos Numéricos aplicados con software, Nakamura S., Ed. Prentice–Hall.
6. Análisis Numérico con Aplicaciones, Gerald C. / Wheatley P., Ed. Prentice–Hall.
7. Métodos Numéricos aplicados a la Ingeniería, Nieves A. / Domínguez F., Ed. C.E.C.S.A.
8. Análisis Numérico y visualización gráfica con MATLAB, Nakamura S., Ed. Prentice–Hall.
9. Análisis Numérico, Un enfoque práctico, Maron M. / López R., Ed. C.E.C.S.A.
10. Análisis Numérico, Scheid F., Ed. Mc.Graw–Hill.
11. Introducción a los Métodos Numéricos, Samarski A., Ed. Mir.
12. Métodos Numéricos, Volkov E., Ed. Mir.
13. Learning Diferential Equations through DERIVE, Lowe B. / Berry J., Ed. Chartwell–Bratt
14. Learning Mathematics through DERIVE, Graham E. /Watkins A.J.P / Berry J., Ed. Chartwell–Bratt
NOTAS Y REFERENCIAS.
[1] La notación
[n]
i
f indica de forma muy compacta la n-esima diferencia dividida para el dato x
i
.
[2] Estas líneas de programación fueron ampliadas a partir de aquellas tomadas del texto “Numerical Analysis via DERIVE” de S. Schonefeld, Ed.
MathWare, 1ra. Edición, 1997, pág. 111.
[3] Tomado de “Learning Numerical Análisis through DERIVE “de Terence Etchells & John Berry, Ed. Chartwell–Bratt, 1997, pág. 53




181 Índice Alfabético


Í ÍN ND DI IC CE E A AL LF FA AB BÉ ÉT TI IC CO O

A
Aislamiento de raíces ...................................................... 49
Ajuste polinomial por mínimos cuadrados ................... 153
Algebra lineal numérica – aplicaciones ........................ 153
Aproximación gráfica a una raíz ..................................... 50
Aproximación por diferencias progresivas o hacia
adelante...................................................................... 73
Aproximación por diferencias regresivas o hacia atrás . 73
B
Base ................................................................................ 10
Bit 11
C
Cifras decimales ............................................................. 14
Cifras significativas ......................................................... 14
Condición inicial de una ecuación diferencial ............. 111
Convergencia en métodos de Jacobi y Gauss–Seidel 150
Convergencia en procesos iterativos ............................... 7
D
Derivadas de orden superior .......................................... 79
Diagrama de convergencia ó divergencia . Véase Método
de iteración de punto fijo, diagrama de Cobweb
Diagrama de escalones ...... Véase Método de iteración de
punto fijo, diagrama de Cobweb
Diferencia finita hacia adelante ....................................... 30
Diferencia progresiva ............ Véase Diferencia finita hacia
adelante
Diferenciación numérica, aproximación por diferencias72,
83
Diferenciación numérica, aproximación por diferencias
centrales ..................................................................... 78
Diferenciación numérica, aproximación por diferencias
progresivas ................................................................ 72
Diferenciación numérica, aproximación por diferencias
regresivas ................................................................... 72
Diferencias fdivididas ...................................................... 28
E
Ecuaciones diferenciales ordinarias de primer orden –
aplicaciones ..................................................... 133, 137
Épsilon de una computadora ......................................... 13
Error de truncamiento ................................................... 175
Error en los métodos de Euler ..................................... 118
Error en los métodos de Runge–Kutta ......................... 131
Error en los métodos de Taylor .................................... 125
Error en métodos de integración ............................. 81, 98
Error en polinomios de interpolación ............................. 39
Error en polinomios de interpolación de Newton .......... 45
Errores de redondeo ...................................................... 10
Errores en Análisis Numérico. .......................................... 8
Existencia de una raíz, teorema de Bolzano .................. 49
Exponente ....................................................................... 10
F
Fenómeno de Runge ...................................................... 39
Fórmula iterativa ................................................................ 6
Fórmulas de Newton–Cotes ........................................... 98
Fuentes de error por redondeo ...................................... 13
Función condicional IF .................................................. 165
Función de forma .. Véase Polinomio básico de Lagrange
Función LOOP ............................................................... 168
Función PROG .............................................................. 168
Función VECTOR .......................................................... 166
Funciones ITERATE e ITERATES ................................. 164
Funciones SUM y PRODUCT ....................................... 166
G
Generación de utilidades en Derive 6 .......................... 169
I
Instalación e inicio de Derive 6 ..................................... 159
Integración de Romberg ............................................... 102
Integración Numérica, reglas de Simpson ..................... 92
Interpolación con raíces o puntos de Chebyshev .......... 46
Interpolación lineal .......................................................... 22
Interpolación lineal con Derive 6 .................................... 23
Interpolación polinómica ................................................ 20
Interpolación polinómica por el método general ........... 20
Interpolación polinómica por serie de potencias ..... Véase
Interpolación polinómica por el método general
Interpolación polinómica, nodos de interpolación ......... 20
M
Mantisa ............................................................................ 10
Matriz de diagonal estrictamente dominante ............... 149
Método de aceleración del método de trapecios .......... 92
método de aceleración para la regla de 1/3 de Simpson
.................................................................................... 95
Método de bisección ...................................................... 51
Método de bisección con Derive 6 ................................. 55
Método de eliminación de Gauss con pivoteo parcial . 142
Método de Euler hacia adelante ................................... 111
Método de Euler modificado ........................................ 116
Método de falsa posición ................................................ 56
Método de iteración de punto fijo ................................... 66
Método de iteración de punto fijo con Derive 6 ............. 71
Método de iteración de punto fijo, diagrama de Cobweb
.................................................................................... 66
Método de las cuerdas .. Véase Método de falsa posición
Método de las secantes .................................................. 64
Método de las secantes con Derive 6 ............................ 66
Método de las tangentes ....... Véase Método de Newton–
Raphson
182 Índice Alfabético


Método de los rectángulos ............................................. 85
Método de los rectangulos utilizando Derive 6 .............. 89
Método de los trapecios ................................................. 89
Método de los trapecios utilizando Derive 6 .................. 92
Método de Newton–Raphson ......................................... 60
Método de Newton-Raphson con Derive 6 .................... 63
Método de Runge–Kutta de cuarto orden .................... 129
Método de Runge–Kutta de tercer orden ..................... 127
Método de sustituciones sucesivas ...... Véase Método de
iteración de punto fijo
Método del punto medio ................................................ 85
Método del punto medio utilizando Derive 6 ................. 89
Métodos abiertos ............................................................ 59
Métodos abiertos, características diferenciativas .......... 71
Métodos cerrados ........................................................... 51
Métodos cerrados, características diferenciativas ......... 59
Métodos de Euler.......................................................... 111
Métodos de Runge–Kutta ............................................. 127
Métodos de solución de EDOs con Derive 6 ............... 131
Métodos de Taylor ........................................................ 122
Minimización del error de interpolación .................... Véase
Interpolación con raíces o puntos de Chebyshev
N
Número de punto flotante ............................................... 10
Número de punto flotante, forma normalizada .............. 10
Número de punto flotante, precisión .............................. 11
O
Orden EXIT .................................................................... 168
Orden RETURN ............................................................. 168
Overflow, zona de .......... Véase Zona de desbordamiento
P
Parte fraccionaria ........................................ Véase Mantisa
Polinomio básico de Lagrange....................................... 25
Polinomio de interpolación de Lagrange ....................... 25
Polinomio de interpolación de Lagrange con Derive 6 . 27
Polinomio de interpolación de Newton .......................... 32
Polinomio de interpolación de Newton con Derive 6..... 38
Polinomio de interpolación de Newton con diferencias
progresivas ................................................................ 37
Polinomio de interpolación de Newton–Gregory ...... Véase
Polinomio de interpolación de Newton con diferencias
progresivas
Polinomio de interpolación por el método general con
Derive 6 ...................................................................... 21
Precisión en Derive 6 ...................................................... 17
Proceso iterativo ............................................................... 6
Programación con Derive 6 .......................................... 164
Programación funcional con Derive 6 .......................... 164
Programación procedural en Derive 6.......................... 168
R
Raices de Chebyshev con Derive 6 ................................ 48
Raíz de una ecuación ...................................................... 49
Regla de 1/3 de Simpson ............................................... 92
Regla de 3/8 de Simpson ............................................... 96
Reglas de Simpson utilizando Derive 6 .......................... 97
Regula Falsi .................... Véase Método de falsa posición
S
Serie de Taylor, intervalo de convergencia .................. 174
Serie de Taylor, teorema del resto ............................... 174
Series de Taylor y Maclaurin......................................... 173
Series de Taylor y Maclaurin con Derive 6 ................... 175
Series de Taylor y Maclaurin con resto en forma de
Lagrange. ................................................................. 174
Series de Taylor y resto, forma alternativa ................... 175
Simplificación y aproximación con Derive 6 ................. 160
Solución de sistemas de ecuaciones lineales, método
directo ....................................................................... 144
Solución de sistemas de ecuaciones lineales, problema
mal condicionado ..................................................... 144
Solución de sistemas de ecuaciones lineales–método de
Gauss–Seidel ........................................................... 147
Solución de sistemas de ecuaciones lineales–método de
Jacobi ....................................................................... 145
Solución de sistemas de ecuaciones lineales–métodos
iterativos ................................................................... 145
Solución general de una ecuación diferencial ............. 110
Solución particular de una ecuación diferencial .......... 110
Sustitución de variables en Derive 6 ............................ 161
T
Teorema de Bolzano ....................................................... 49
Teorema de Taylor. ....................................................... 173
U
Underflow, zona de ...................... Véase Zona de agujero
V
Vectores y matrices en Derive 6 ................................... 162
Velocidad de convergencia en procesos iterativos ......... 7
Z
Zona de agujero .............................................................. 12
Zona de desbordamiento ............................................... 12

2 Prólogo

PRÓLOGO

Los Métodos Numéricos, constituyen una herramienta fundamental en la generación de algoritmos computacionales y una técnica mediante la cual se resuelven problemas matemáticos, que no tienen solución analítica, frecuentes en las ciencias aplicadas y en todos los campos de la Ingeniería y la Tecnología. El presente texto explica en detalle una gran parte de los métodos del Análisis Numérico, poniendo énfasis en la ejemplificación de los mismos y en la programación con la ayuda del sistema de álgebra computacional Derive 6 y el software MathCAD, aunque el uso de los mismos no es obligatorio al lector, el cual puede hacer uso ya sea de otros sistemas CAS o lenguajes de programación(MATLAB, MATHEMATICA, MAPLE, C, Fortran, etc.). El capítulo 0 introduce al lector en los errores y su uso dentro del Análisis Numérico, pues al ser los métodos numéricos “aproximaciones” a lo exacto incurrirán en errores que deberán ser cuantificados para evitar que su presencia influya de forma negativa en un resultado. Además los errores constituyen uno de los parámetros fundamentales para identificar las fortalezas y debilidades de un método numérico y su análisis puede llevar a mejorar su rendimiento. El capítulo 1 trata la interpolación polinómica, elemento indispensable en la predicción de resultados así como para la generación de métodos numéricos para otros campos como la diferenciación e integración numérica. El capítulo 2 estudia la solución de las ecuaciones no lineales, pues algoritmos numéricos en este campo son indispensables dado que no existen soluciones analíticas exactas para la mayoría de ecuaciones no lineales, excepto para muy pocas de ellas, y aún para ecuaciones polinómicas sólo existen soluciones analíticas exactas para ecuaciones de cuarto grado o inferior. Muchos problemas de las ciencias aplicadas llevan la resolución de una ecuación lineal, por lo que este tema es de irrenunciable análisis para los métodos numéricos. Los capítulos 3 y 4 revisan los temas del cálculo numérico, dado que las derivadas e integrales numéricas son de vital importancia dentro del estudio de las ecuaciones diferenciales, tema este último que es uno de los puntos culminantes del Análisis Numérico y es revisado en el capítulo 5. El capítulo 6, revisa brevemente algunos métodos numéricos del Álgebra Lineal, exclusivamente en la solución de sistemas de ecuaciones lineales. Finalmente el Apéndice A, da una breve descripción de Derive 6 y en el Apéndice B una revisión de las series de Taylor, elemento básico en el análisis del error por truncamiento. El contenido del texto es suficiente para un curso de un semestre de Métodos Numéricos, pudiendo quedar a discreción del profesor la elección del orden de los temas a tratarse de acuerdo a su experiencia docente. La mayoría de los cálculos numéricos en los problemas del texto fueron realizados con la ayuda de una calculadora gráfica TI – 92 Plus, así como los gráficos provienen de los sistemas CAS Derive 6 y MathCAD. Espero que el texto sea una fuente invalorable de consulta para quienes esperan obtener de los Métodos Numéricos una fuente de información valiosa para sus posteriores estudios en campos especializados de la Ingeniería y la Tecnología. Cualquier comentario, consejo o sugerencia remitirlo al e-mail jecheverriayanez@yahoo.es Quito, Marzo 2010

3 Contenido

CONTENIDO
PRÓLOGO ........................................................................................................................................................... 2 CONTENIDO ........................................................................................................................................................ 3 CAPÍTULO 0 .................................................................................................................................................... 6 PROCESOS ITERATIVOS Y ERRORES EN ANÁLISIS NUMÉRICO ............................................................. 6 0.1 PROCESOS ITERATIVOS. ...........................................................................................................................6 0.2 ERRORES EN ANÁLISIS NUMÉRICO. ........................................................................................................8 0.2.1 ERRORES DE REDONDEO Y NÚMEROS DE PUNTO FLOTANTE ....................................................10 0.2.2 FUENTES DE ERROR POR REDONDEO...........................................................................................13 0.2.3 CIFRAS DECIMALES Y CIFRAS SIGNIFICATIVAS. .............................................................................14 0.3 PRECISIÓN EN DERIVE 6. ........................................................................................................................17 CAPÍTULO 1 .................................................................................................................................................. 20 INTERPOLACIÓN POLINÓMICA .................................................................................................................. 20 1.1 INTERPOLACIÓN POLINÓMICA POR EL MÉTODO GENERAL O DE SERIE DE POTENCIAS .................20 1.1.1 POLINOMIO DE INTERPOLACIÓN POR EL MÉTODO GENERAL CON DERIVE 6................................21 1.2 INTERPOLACIÓN LINEAL.........................................................................................................................22 1.2.1 INTERPOLACIÓN LINEAL CON DERIVE 6. .......................................................................................23 1.3 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE. ................................................................................25 1.3.1 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE CON DERIVE 6.................................................27 1.4 DIFERENCIAS DIVIDIDAS. ........................................................................................................................28 1.5 POLINOMIO DE INTERPOLACIÓN DE NEWTON. ....................................................................................32 1.5.1 POLINOMIO DE INTERPOLACIÓN DE NEWTON CON DERIVE 6.....................................................38 1.6 ERROR EN POLINOMIOS DE INTERPOLACIÓN. .....................................................................................39 1.7 ERROR EN LOS POLINOMIOS DE INTERPOLACIÓN DE NEWTON. .......................................................45 1.8 INTERPOLACIÓN CON RAÍCES O PUNTOS DE CHEBYSHEV. MINIMIZACIÓN DEL ERROR DE INTERPOLACIÓN. ..........................................................................................................................................46 1.8.1 RAÍCES DE CHEBYSHEV CON DERIVE 6..........................................................................................48 CAPÍTULO 2 .................................................................................................................................................. 49 SOLUCIÓN DE ECUACIONES NO LINEALES ............................................................................................. 49 2.1 AISLAMIENTO DE RAICES. ......................................................................................................................49 2.2 APROXIMACIÓN GRÁFICA A LA SOLUCIÓN DE UNA ECUACIÓN. .........................................................50 2.3 MÉTODOS CERRADOS. ...........................................................................................................................51 2.3.1 MÉTODO DE BISECCIÓN. ................................................................................................................51 2.3.1.1 MÉTODO DE BISECCIÓN UTILIZANDO DERIVE 6 ....................................................................55 2.3.2 MÉTODO DE FALSA POSICIÓN, DE LAS CUERDAS O REGULA FALSI. ..........................................56 2.4 MÉTODOS ABIERTOS. .............................................................................................................................59 2.4.1 MÉTODO DE NEWTON - RAPHSON O DE LAS TANGENTES. ..........................................................60 2.4.1.1 MÉTODO DE NEWTON-RAPHSON CON DERIVE 6. ..................................................................63 2.4.2 MÉTODO DE LAS SECANTES. ..........................................................................................................64 2.4.2.1 MÉTODO DE LAS SECANTES CON DERIVE 6. .........................................................................66 2.4.3 MÉTODO DE ITERACIÓN DE PUNTO FIJO O DE SUSTITUCIONES SUCESIVAS. ............................66 2.4.3.1 MÉTODO DE ITERACIÓN DE PUNTO FIJO CON DERIVE 6. .....................................................71 CAPÍTULO 3 .................................................................................................................................................. 72 DIFERENCIACIÓN NUMÉRICA .................................................................................................................... 72 3.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS. ............................................................................72 3.1.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS PROGRESIVAS Y REGRESIVAS. ..................72 3.1.2 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS CENTRALES.................................................78 3.1.3 DERIVADAS DE ORDEN SUPERIOR. ................................................................................................79

...........................2 MÉTODO DE RUNGE–KUTTA DE CUARTO ORDEN.........160 A.............................................166 A..............................................................102 CAPÍTULO 5 ........................................................................................................................................................................................................................... .... 159 A...................................................................1 SOLUCIÓN GENERAL Y PARTICULAR DE UNA ECUACIÓN DIFERENCIAL ...........................1 PROGRAMACIÓN FUNCIONAL .....3 REGLAS DE SIMPSON UTILIZANDO DERIVE 6...............2....................................................4....................................153 APÉNDICE A................ .................................................4 MÉTODOS DE RUNGE–KUTTA .........................................................................................1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO ....................................................2 FUNCIÓN CONDICIONAL IF .............................127 5.......................................................5 ERROR EN MÉTODOS DE INTEGRACIÓN...................98 4.................1 INSTALACIÓN....137 CAPÍTULO 6 .......5 PROGRAMACIÓN CON DERIVE 6...........................................................................................................................................................................................................5 MÉTODOS DE SOLUCIÓN DE EDOs DE PRIMER ORDEN CON DERIVE 6 .................................162 A.............................................1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO CON DERIVE 6.......................................118 5...........................2.......................................................1 MÉTODO DE LOS TRAPECIOS CON DERIVE 6......131 5..................122 5...........125 5............................. ........................................................................................................................................164 A... 142 6.........1 REGLA DE 1/3 DE SIMPSON.............................................2 ERROR EN DIFERENCIACIÓN NUMÉRICA.145 6.......................1 PROCESOS ITERATIVOS Y LAS FUNCIONES ITERATES E ITERATE ......................... 142 ALGEBRA LINEAL NUMÉRICA .........................2 MÉTODO DE EULER MODIFICADO ............................................................................................................................................ ...................................................................3................................................................................................................159 A......... .........2 MÉTODOS ITERATIVOS PARA SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES ................111 5.......................5....................2.............1 MÉTODOS DE EULER HACIA ADELANTE Y HACIA ATRÁS ...................................4 APLICACIONES .........83 CAPÍTULO 4 ....... .......................................................................2 MÉTODOS DE EULER ...........................3 MÉTODOS DE TAYLOR .............................6 APLICACIONES .........4 FÓRMULAS DE NEWTON – COTES.....................1 MÉTODO DE RUNGE–KUTTA DE TERCER ORDEN .....5.................7 SOLUCIÓN DE SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS ...................................85 4........................3.......................................................3..164 A...................................131 5.......3 MÉTODOS DE JACOBI Y GAUSS–SEIDEL CON DERIVE 6 .....................................5.........3 ERROR EN LOS MÉTODOS DE EULER ...................................... .................................... ..........................................................................................4...................................................................................96 4.....................................................................3 REGLAS DE SIMPSON..............2...................................................6 INTEGRACIÓN DE ROMBERG............................... 159 BREVE INTRODUCCIÓN A DERIVE 6 ..................4 Contenido 3...129 5............................................................................................................................................................ 85 INTEGRACIÓN NUMÉRICA ...................................................................................................4.........................................................................1 ERROR EN LOS MÉTODOS DE TAYLOR ...................................111 5................................................................................147 6....133 5...3 SUSTITUCIÓN ........................................... 110 5..........98 4............................................................5.............. ........................97 4...............................................................................................................92 4.................... ........1.....................116 5.1.............2 MÉTODO DE LOS TRAPECIOS...2 REGLA DE 3/8 DE SIMPSON...................3 DERIVADAS NUMÉRICAS CON DERIVE 6..........................................................................................5...........................................161 A................... .........................2 MÉTODO DE GAUSS–SEIDEL .....................................110 5.............................................164 A..........................................2 SIMPLIFICACIÓN Y APROXIMACIÓN ...........4 SUMATORIA Y PRODUCTO ITERADO – FUNCIONES SUM Y PRODUCT .................3 FUNCIÓN VECTOR ...................142 6...........127 5.............................................................1.......................................2...........................................................89 4...89 4...............................................1 MÉTODO DE JACOBI ...............1..........................92 4............................1......... 85 4........................... INICIO Y BREVE DESCRIPCIÓN DE DERIVE.............................................. 110 ECUACIONES DIFERENCIALES ORDINARIAS .............................................................1 MÉTODO DE ELIMINACIÓN DE GAUSS CON PIVOTEO PARCIAL ...........3....................................................................4 VECTORES Y MATRICES ............81 3..153 6......92 4...............................2.............................................................166 .............................................................................................3 ERROR EN LOS MÉTODOS DE RUNGE–KUTTA ................................165 A........................................145 6...

...6 GENERACIÓN DE UNA UTILIDAD .................. ...........175 BIBLIOGRAFÍA Y REFERENCIAS ...........................................................2.1 FUNCIÓN PROG...................................174 B............... ... 173 B..................168 A....................................................................... ........................................................................1 SERIES DE TAYLOR Y MACLAURIN.................................180 ÍNDICE ALFABÉTICO...................................................................................................3 FORMA ALTERNATIVA PARA LA SERIE DE TAYLOR Y EL RESTO...............................................2..........................................................................5...............................................173 B......................................................................................... .................................. .....................................................................................168 A...........169 APÉNDICE B.....................................175 B...........2 FUNCIÓN LOOP ...................................................................................5....................................................................................................................................................... 181 ...................5 Contenido A...................................5...................................2 SERIES DE TAYLOR Y MACLAURIN CON RESTO EN FORMA DE LAGRANGE................................................................4 SERIES DE TAYLOR Y MACLAURIN CON DERIVE 6..................................................................................................180 NOTAS Y REFERENCIAS......... .......................................... 173 SERIES DE TAYLOR ..168 A.................................................................2 PROGRAMACIÓN PROCEDURAL ................................ 180 BIBLIOGRAFÍA..

6 Procesos iterativos y errores en Métodos Numéricos

CAPÍTULO
PROCESOS ITERATIVOS Y ERRORES EN MÉTODOS NUMÉRICOS

0

Los métodos numéricos al consistir de aproximaciones bastante confiables, pero aproximaciones al fin, incurren en errores propios de lo no exacto. El presente capítulo tiene como objetivo analizar estos errores pues, en base a ellos, se podrá escoger un método y no otro, así como cuantificar la precisión de los resultados que se obtengan en cada uno de los métodos numéricos que se estudien a lo largo del texto.

0.1 PROCESOS ITERATIVOS.
Un proceso iterativo es el uso de una fórmula para generar de forma secuencial valores a partir de uno o más valores iniciales, así entonces…

(0.1)

x i1  f(x i )

i  0,1 ,2,3...

El siguiente ejemplo aclarará este concepto... Ejemplo 0.1 Determinar los primeros cuatro valores numéricos que se obtengan mediante un proceso iterativo para

f(x)  esen(x )  2 , a partir de x0 = 3 como valor de inicio.
El proceso iterativo va a generarse mediante: x i1  esen( xi )  2 con i = 0,1,2,…, es decir
x 1  e sen( x 0 )  2 x 2  esen( x1 )  2 x 3  e sen( x 2 )  2 …

serán los sucesivos valores a obtenerse. Los cálculos indicados se resumen en la siguiente tabla… i
0 1 2 3 4

xi
x0 = 3 (valor inicial) x1 =  0.848436 x2 = 1.52775 x3 = 1.63177 x4 = 1.63143

f(xi)
e
e
sen(3)  2  0.848436

sen( 0.848436 ) sen( 1.52775 ) sen( 1.63177 )

 2  1.52775  2  1.63177  2  1.63143

Primera iteración Segunda iteración Tercera iteración Cuarta iteración

e e

Los valores pedidos son: 0.848436, 1.52775, 1.63177 y 1.63143. Cada nuevo valor obtenido se denomina iteración, y la función f(x) que se utilizó en los cálculos se conoce como fórmula de iteración o iterativa. Ejemplo 0.2 Genere un proceso iterativo para la fórmula con 3 cifras decimales de precisión. El proceso iterativo se va a generar mediante: x bla…
i 1  cos(x )  1 , y en base a él se obtiene la siguiente tai
cos(x)  1 , empezando con x0 = 0, hasta obtener un resultado

7 Procesos iterativos y errores en Métodos Numéricos i 0 1 2 3 4 5 6 7 8 9 xi 0 1.41421 1.07515 1.21474 1.16128 1.18244 1.17417 1.17742 1.17614 1.17664 f(xi)
cos(0)  1  1.41421 cos(1.41421  1  1.07515 ) cos(1.07515)  1  1.21474 cos(1.21474)  1  1.16128 cos(1.16128)  1  1.18244 cos(1.18244)  1  1.17417 cos(1.17417)  1  1.17742 cos(1.17742)  1  1.17614 cos(1.17614)  1  1.17664

La respuesta con tres cifras decimales de precisión es 1.176. Los procesos iterativos tienen dos características importantes que vale la pena resaltar, estas son: (a) Convergencia, y (b) Velocidad de convergencia. Se dice que un proceso iterativo es convergente cuando la secuencia de iteraciones tiende a un valor definido al incrementarse hacia el infinito el número de las mismas; por otro lado la velocidad de convergencia se mide por el número de iteraciones con el cual se logra un valor con cierto nivel de precisión(número de cifras decimales repetidas), así entonces a mayor número de iteraciones menor velocidad de convergencia y viceversa. Ejemplo 0.3 Determine si el proceso iterativo para f(x) 
1 , iniciando con x0 = 1, converge o no. (x  1 2 )

El proceso iterativo es x i 1  i xi i xi i xi 0 1 8 0.475931 15 0.465141 1 0.25

1 . Las 20 primeras iteraciones para este proceso son… (1 x i )2

2 0.64 9 0.459058 16 0.465845

3 0.37180 10 0.469737 17 0.465398

4 0.531394 11 0.462936 18 0.465682

5 0.426409 12 0.467250 19 0.465501

6 0.491487 13 0.464506 20 0.465616

7 0.449532 14 0.466249

La tendencia del proceso muestra que las iteraciones tienden a un valor determinado, el cual a tres cifras decimales repetidas es 0.465, por lo que el proceso es convergente. Ejemplo 0.4 Determine si el proceso iterativo para f(x)  (x  1 2 , iniciando con x0 = 2, converge o no. )

8 Procesos iterativos y errores en Métodos Numéricos El proceso iterativo x i 1  (x i  1 2 , genera la siguiente tabla con las 8 primeras iteraciones… ) i xi 0 2 1 1 2 0 3 1 4 0 5 1 6 0 7 1

las iteraciones alternan su valor entre 0 y 1, no pudiendo establecerse un valor determinado; ésta se denomina una divergencia alternante. El análisis de la velocidad de convergencia es necesario también realizarlo en base a los resultados numéricos obtenidos, como en el siguiente ejemplo… Ejemplo 0.5 De los procesos iterativos para f(x)  gente, si ambos inician con x0 = 1. Las procesos iterativas son: x i 1  nes… i xi i xi i yi i yi 0 1 7 0.670472 0 1 7 0.401033 1 0.5 8 0.689878 1 0.268941 8 0.401064 2 0.8 3 0.609756 9 0.677538 2 0.433167 9 0.401057 3 0.393370 10 0.401058 4 0.728968 10 0.685374 4 0.402906 5 0.400614 6 0.401165 5 0.652100 6 0.701061
1 1 y y i 1  y , con ellos se obtiene para las 10 primeras iteraciox12  1 e i 1 1 1 y f(y)  y determinar cuál es el más rápidamente convere 1 x 1
2

el segundo proceso iterativo tiene mayor velocidad de convergencia, porque al mismo número de iteraciones que el primero logra un resultado con mayor número de cifras decimales repetidas(exactas).

0.2 ERRORES EN MÉTODOS NUMÉRICOS.
Los métodos numéricos tienen como base principal de su manejo el análisis de los errores, pues al usar métodos numéricos su inexactitud lleva a la pregunta ¿con cuanta exactitud se ha obtenido la respuesta? Planteada la interrogante, aquí se inicia el estudio del error en al análisis numérico… El error absoluto entre dos valores, de manera general, se puede cuantificar por la relación:

(0.2)

e  xX

donde e representa el error absoluto, x el valor exacto y X el valor aproximado. Esta formulación es algo incompleta, pues no considera el orden de magnitud de la variable cuyo error se evalúa. A continuación un ejemplo demuestra la importancia de relacionar el error absoluto con la magnitud exacta de la variable medida…

(0. según los valores obtenidos para el error absoluto. Si bien se ha utilizado en las fórmulas (0.. y 280 cm. Los errores de toma de datos dependen del manejo de la obtención de datos requeridos para un procedimiento .6 En la medición de la longitud de un perno y un eje. En estos procesos entonces las expresiones (0.9 Procesos iterativos y errores en Métodos Numéricos Ejemplo 0. se han obtenido los valores aproximados de 18 cm. se puede escribir como.. es decir. del perno o del eje? Los errores absolutos cometidos en su fabricación son...3) los términos valor exacto y aproximado. eeje  280  278  2 cm eperno  20  18  2 cm Así. (0. Eeje  280  278 100  0. ¿Cuál es el error más significativo.6) e  x  X  tol ea  x i 1  x i  tol Ea  E xX 100  tol x para procesos iterativos x i 1  x i 100  tol x i 1 Los errores más significativos. en el resultado de cualquier método numérico se debe tomar en cuenta que e  tol o E  tol .2) y (0. se tiene.. El error relativo porcentual E.. pues al dividir las dos expresiones para su valor exacto. intuitivamente se infiere que ello no es cierto.5) (0. donde tol representa un valor positivo muy pequeño considerado como valor de toleran- cia.. Errores de toma de datos. pero según los planos de construcción sus medidas exactas deberían ser 20 cm. presentes en el análisis numérico pueden clasificarse bajo uno de estos tipos:    Errores de redondeo. Como principio fundamental. Un método numérico se detiene cuando el error absoluto o relativo porcentual (o aproximados para procesos iterativos) no superan el valor tol.2) y (0..3) E xX 100 x este error pone en evidencia su verdadera magnitud en relación a lo medido. ambos casos producen errores de igual magnitud. de tolerancia fijado previamente. y multiplicarlas por 100(para obtener un valor porcentual de error). Sin embargo.714% 280 Eperno  20  18 100  10% 20 resultados que muestran que el error cometido en la construcción del eje es menos significativo. con el objeto de relacionarlas con la magnitud de lo medido.4) ea  x i 1  x i Ea  x i 1  x i 100% x i 1 donde el subíndice a en las fórmulas aclara que se trata de un valor de error aproximado. Errores de truncamiento. y 278 cm.3) se transforman en.. muchos métodos numéricos utilizan procesos iterativos en los cuales x se substituye por xi+1 que representa la iteración actual y X se substituye por xi que representa la iteración anterior.. (0.

.. Un número binario en notación base 10 o decimal se puede expresar como: (0. entonces es necesario reemplazar el conjunto infinito de los números reales con un conjunto finito de números enteros y decimales.7) donde r es 0 ó 1.. ganándose de esta forma una cifra decimal más. representado en punto flotante a 4 cifras deci21 males es 0. El número k de dígitos de base b que se emplean en la representación de un número en punto flotante es llamada precisión. i = 1.789 se puede representar como 0. Una forma matemática más explícita de la expresión (0.  dk bk y da la magnitud de la mantisa. 1 23  0  22  1 21  1 20  11 . Así por ejemplo el número . equivale a.0476100 y representado en punto flotante normalizado a 4 cifras decimales es 0.d1d2 . en base binaria.dk )b   bexp      m donde s representa el signo (0 para +y 1 para ). De esta forma... al igual que en el sistema decimal. di . se dice entonces que se halla en for1  0.. en base decimal y el número 1101. la cual se puede expresar genéricamente como. (0. b la base en la cual se representa el número y exp el exponente. En la siguiente sección se analizará los errores de redondeo.dk )b corresponde a.. (0.d1d2 . los seres humanos. Al no poder trabajar con la infinita cantidad de cifras enteras así como con la también infinita cantidad de decimales que tiene un número real...2. r  2n  r  2n1  .dk )b  d1 b 1  d2 b 2  . un número real se puede expresar en la computadora en la forma denominada número de punto flotante. así por ejemplo el número 1011 será distinto del número 1101. en el cual un número está representado por los dígitos 0 y 1..236789103 en punto flotante.. tienen un valor posicional que permite expresar una cantidad cualquiera. (0...d1d2 .9)  s  (. la precisión simple utiliza k = 6 ó 7 dígitos.2.10 Procesos iterativos y errores en Métodos Numéricos numérico determinado y en todo caso son en la mayoría de las veces inevitables y muy difíciles de cuantificar..... Si ésta se representa siempre con d1  0. la ma normalizada.. produciéndose entonces los errores por redondeo. Éstos.. en base binaria.k son los k dígitos en base b(por ejemplo 0 y 1 para base 2) y exp el exponente. A diferencia de nosotros. en base decimal Ahora bien.10) (.  r  21  r  20 Así el numero 1011... pues los dígitos a pesar de ser los mismos ( tres unos y un cero) se encuentran en diferente posición. 1 23  1 22  0  21  1 20  13 .4761101.. La expresión (..047619. equivale a.1 ERRORES DE REDONDEO Y NÚMEROS DE PUNTO FLOTANTE Los errores de redondeo son los producidos por la limitada capacidad del computador para representar las cifras tanto enteras como decimales de un número real. el número 236.8) m  bexp donde m representa la mantisa o parte fraccionaria.. las computadoras utilizan para la representación numérica el sistema de numeración de base dos o binario. 0. posponiéndose el análisis de los errores de truncamiento para los métodos numéricos donde éste sea aplicable..8) se puede escribir como..

Cualquier computadora representa la información mediante el uso de bits(0 ó 1).100)2  1 0 0 1  2  3  1 2 1  0  2 2  0  2 3   (0. por lo que de acuerdo a lo indicado la estructura de un número en punto flotante en la computadora hipotética de 7 bits sería como lo muestra la gráfica… signo del exponente 0 1 21 1 20 1 2–1 1 2–2 1 2–3 1 signo de la magnitud del magnitud de la exponente mantisa mantisa Fig. Lamentablemente resulta imposible que la mantisa contenga todos los dígitos necesarios para representar con exactitud un número de punto flotante.75)10 2 2 4 2 1 1 1 7  2  3  1 2 1  1 2 2  1 2 3   (0.101 2  ) (.110)2  (. de acuerdo a la exactitud deseada para el resultado de un problema en particular. Emplear el primer bit para el signo de la mantisa. y d3 = 0 ó 1 y exp = –(11)2 = –(3)10.1 Representación de un número de punto flotante en una computadora hipotética matemáticamente se pueden escribir como… (. +(11)2 = +(3)10. los siguientes tres bits para el signo y la magnitud del exponente y los tres restantes para la magnitud de la mantisa. +(10)2 = +(2)10.5)10 2 2 2 2 (. –(01)2 = – (1)10.d1d2 d3 )2  2exp si en esta computadora hipotética(lo que ocurre generalmente en las computadoras reales) se escribe siempre en forma normalizada d1  0.7 Determinar el conjunto de números de punto flotante que podría representar una computadora hipotética que almacena en memoria la información usando un conjunto de 7 bits(llamado usualmente longitud total).11 Procesos iterativos y errores en Métodos Numéricos precisión doble k = 13 ó 14 dígitos y la precisión extendida k = 19 ó 20 dígitos. –(10)2 = –(2)10. todas en base 10. (00)2 = (0)10. por lo que d2. siendo necesario utilizar una precisión determinada. 0.625)10 2 22 23 8 1 1 0 3  2  3  1 2 1  1 2 2  0  2 3   (0.875)10 2 2 8 2 Combinando las magnitudes de las mantisas con respectiva base y exponentes se tiene un conjunto de números de punto flotante mostrados en la siguiente tabla… . +(01)2 = +(1)10. Las magnitudes de mantisa posibles entonces son: (.111 2  ) 1 0 1 5    1 2 1  0  2 2  1 2 3   (0. El siguiente ejemplo muestra la representación finita en números de punto flotante en base 2(como trabaja la computadora) para una computadora ideal simple y su equivalencia de representación en base 10(como entiende el ser humano)… Ejemplo 0.

0. en base 10. 0.110)2  2 3  0.101 2  2 0  ) 0. 0.111 2  2 1  ) 0.111 2  (0.110)2  2 2  (.  0.100)2  23  4 0.100)2  (0.110)2  22  3 (. 2.  Entre el 0 y el número más pequeño(sea positivo o negativo).110)2  23  6 0.111 2  23  ) 7 entonces el conjunto de valores.078125 (. 0.111 2  22  ) 3. 3.5 (. 0.4 Zona de desbordamiento o de overflow Zona de desbordamiento . 0. 4.5.110)2  2 1  0.125 (.100)2  21  1 (.75)10 (.5)10 (.100)2  2 1  0.625)10 ) (.111 2  2 3  ) 0.100)2  2 3  0.09375 (.25.101 2  23  ) 5 0. 2.110)2  21  1.101 2  2 1  ) 0. 0.0625.5 (. 1. 5.5. 1.21875 (.09375.15625 (. 1. 0.101 2  2 3  ) 0.21875. representados por la computadora hipotética del ejercicio es… 0. 0.4375 (.109375 (.25 (.1875.5 (.125. 0.110)2  (0.100)2  2 2  0.0625 Fig.100)2  2 0  0.15625.1875 (.101 2  22  ) 2. 0.110)2  2 0  0. 0.625 (. 6.5. 0.0625 (. existe una zona sin puntos denominada zona de agujero(ó zona de underflow) como lo muestra la siguiente figura… – 0.2 Distribución de números de punto flotante en una computadora Algunas características de este conjunto finito de números de punto flotante son…  Existe una mayor densidad de puntos en la cercanía a 0.75 (.375.625.25.12 Procesos iterativos y errores en Métodos Numéricos (.111 2  2 0  ) 0.875 (.  0.75.75 (. Un gráfico en la recta real grafica los puntos(en rojo) o números manejados por la computadora hipotética de longitud total 7 bits… Fig. 3.101 2  2 2  ) (.5 (.111 2  21  ) 1.75. 1. mientras que hacia el infinito(positivo o negativo) ésta disminuye.101 2  21  ) 1.875. 0. 0.5.3125.4375.25 (. 0.0625 Zona de agujero  0 Zona de agujero 0.3125 (. 0.109375.078125.101 2  (0.100)2  22  2 (.111 2  2 2  ) e = –(11)2 = –(3)10 e = –(10)2 = –(2)10 e = –(01)2 = –(1)10 e = (000)2 = (0)10 e = +(01)2 = +(1)10 e = +(10)2 = +(2)10 e = +(11)2 = +(3)10 (. 7 un total de 57 números que en la computadora hipotética de 7 bits representan a todos los números reales.375 (.3 Zona de agujero o de underflow Entre el número más grande(sea positivo o negativo) y el infinito(positivo o negativo) existe una zona sin puntos denominada zona de desbordamiento (ó zona de overflow) como lo muestra la siguiente figura… – –7 0 7  Zona de desbordamiento Fig.875)10 ) (.

456723 y obtener el resultado con cinco cifras significativas de precisión. entonces se procede de la siguiente forma… 0..2. entonces se procederá así. así pues… 0. se desea restar 3. el número positivo más pequeño posible.2389 a 0. es obvio que el error de redondeo se acumulará pudiendo convertirse en un error significativo en el resultado final.34567  10 1  0.456789 de 3. Más aún es posible que la suma.01. para evitar ello es necesario realizar la operación al doble de precisión. tal que sumado a 1 produce el siguiente número consecutivo(diferente de 1 para dicha precisión) se denomina el épsilon de la com. Los errores por redondeo se presentan en cualquier operación aritmética con números de punto flotante. Para visualizar sin confusión las fuentes de error en el redondeo de números de punto flotante se usará siempre la base 10.00000234 y obtener el resultado a cinco dígitos significativos de precisión.3. que como se verá más adelante en algunos casos se hace muy significativo.. y cualquier número que rebase el valor máximo(7 ó –7) provocará en la computadora hipotética un mensaje de error de overflow.00000  10 -1 . Ahora.00000234. Supóngase que se desea sumar los números 45.2 FUENTES DE ERROR POR REDONDEO.13 Procesos iterativos y errores en Métodos Numéricos Si se quisiese almacenar el número 0.45238002 34  10 2 El mismo error surge si se resta un número pequeño de otro grande. Existe un intervalo de discontinuidad entre dos números  y  que son consecutivos en el conjunto de números representables por la computadora.. a cinco dígitos de precisión el sumar 45.00000002 34  10 2 0. i  1 guiente es    .25(el más cercano que posee el conjunto de números de punto flotante de la computadora hipotética) incurriendo en un error absoluto de 0. Para una determinada precisión.34567  10 -1 0.00000  10 2 0.238 y 0.26 en esta computadora hipotética.. pero se hacen especialmente notables en los siguientes casos:   Adición de un número pequeño a otro grande o resta de un número pequeño de otro grande. .45238  10 2  0. ¡aquí aparece el error por redondeo!.45238  10 2 entonces para una suma. Si un método numérico posee varias operaciones de esta clase. es decir. multiplicación o división de números reales produzca un error de redondeo ¿podría explicarse el porqué?¿píenselo? Lo analizado anteriormente para una computadora hipotética ocurre con cualquier computadora real de forma tal que al efectuar operaciones entre números de punto flotante con una precisión dada se produce un error de redondeo. Resta de números muy cercanos.2.2389 a 0. 0. 0. entonces el intervalo entre un número real cualquiera y el siputadora y está dado por   2 i .4523800000  10 2  0. éste se representaría como 0. Por otro lado cualquier número que se quiera representar y que caiga en la zona de agujero será representado por la computadora hipotética con el 0. . resulta como sumar 45. es decir se pierden cifras decimales del segundo sumando. resta.. diez dígitos significativos para obtener el valor correcto.

. Como se ha visto un número obtenido de una computadora.00001% 1356. Los números así expresados se . obteniéndose en dicho caso. de acuerdo a la precisión establecida. la acumulación de errores de redondeo de este tipo.3456789  10 1  0. x1  (1357)  (1357)2  4(1 ) 1357  1356.999 2 2 (1357)  (1357)2  4(1 ) 1357  1356.000737 lo que muestra la magnitud del error en el segundo resultado.000 100  100% 0. Este error se puede evitar de dos formas.2.000737 2 2 x2  por lo tanto. para la computadora el resultado es 0.0000066  10 -1 que da el resultado correcto...8 Resolver la ecuación x 2  1357x  1  0 . E1  1356.. tomando como valor exacto los resultados obtenidos con seis cifras decimales de precisión.000737  0.999263 2 2 (1357)  (1357)2  4(1 ) 1357  1356. lo cual obviamente no es así. para evitar las perdida de las cifras decimales que dan el valor verdadero..3456723  10 -1 0. en la mayoría de los casos.999263 E2  0. Para este proceso numérico por ejemplo se podría cuantificar el error cometido. con tres dígitos significativos de precisión. en este caso. entonces es necesario trabajar el número con cierta cantidad de cifras decimales. los errores relativos porcentuales para cada resultado son. 0.998526 )(1   1356.14 Procesos iterativos y errores en Métodos Numéricos es decir.999 )(1   0. es decir. 0.999263  1356. Un procedimiento numérico que se enmarca dentro de este último tipo de error es la resolución aproximada por fórmula de una ecuación de segundo grado.000 2 2 x2  el primer resultado es relativamente más correcto. es necesario aumentar la precisión a siete dígitos.3 CIFRAS DECIMALES Y CIFRAS SIGNIFICATIVAS.998526 )(1   0..999 100  0. no puede ser expresado con todas las cifras decimales para poder afirmar que sea exacto. puede arrojar una solución poco confiable. Se procede de la siguiente forma: x1  (1357)  (1357)2  4(1 ) 1357  1356. pues la cercanía de los valores en la resta. produce un error de redondeo que genera un valor erróneo. no así el segundo. aumentando la precisión o racionalizando la expresión para x2 y con ello eliminar la fuente de error(la resta de números cercanos).999 )(1   1356. Igualmente que en el caso anterior. como lo muestra el siguiente ejemplo… Ejemplo 0.

. 25..24507.23500106 y 0. y E xX 100  (0. Como se vio en la sección 0.235000106.5  102 k )% x i 1 para un método numérico iterativo. pues expresados en forma normalizada a 4 cifras decimales de precisión producen 0. 4. así por ejemplo los números 0.3017. Cifras significativas son los dígitos que se hallan a continuación del punto decimal de un número de punto flotante en su forma normalizada. 0. el principio aplicable a la cuantificación del error relativo porcentual (o porcentual aproximado) era E  tol ó Ea  tol y para el error absoluto(ó absoluto aproximado) e  tol ó ea  tol .3024 y el segundo 4.0346 y 0. entonces el valor o número aproximado(iteración anterior para los métodos iterativos) tiene al menos k cifras decimales correctas con respecto al valor exacto(iteración actual para los métodos iterativos). La misma regla de redondeo que se utilizo para cifras decimales se puede aplicar a las cifras significativas y el mismo criterio de igualdad que se empleo para cifras decimales es aplicable a las cifras significativas.4321104 respectivamente. así por ejemplo todos los siguientes números tienen 4 cifras significativas. Si se desea aproximar a 4 y 5 cifras decimales de precisión respectivamente los anteriores números se puede proceder de dos maneras distintas: (a) Cortar los números a 4 y 5 cifras decimales. De forma práctica.30167 son iguales si se redondean a 3 cifras decimales de precisión.245073 tienen 5 y 6 cifras decimales de precisión respectivamente.235106.01342 .5  10 k para un método numérico en general. así por ejemplo 4.03456 y 0.5x10 k ) .11) e  x  X  0. pues el primero da 4.15 Procesos iterativos y errores en Métodos Numéricos denominan números o valores aproximados(correspondiente a X como se definió en (0. 0. así por ejemplo el número 235000 puede tener 3. 0.12) ea  x i 1  x i  0.0345 y 0. Ahora se puede profundizar en dicho principio afirmando que si tol  (0. pues dan como resultado 4. se puede afirmar que las cifras significativas representan el número de cifras confiables que se pueden utilizar en un número aproximado.06. Entonces un criterio de cuantificación del error en los métodos numéricos para detener su proceso de ejecución es.1)).30235 y 4. 5 ó 6 cifras significativas dependiendo de las siguientes formas normalizadas 0. En el caso de números enteros que posean acumulación de ceros a su derecha el número de cifras significativas puede diferir para un mismo número.2506102. y son de esta manera como se obtienen los resultados en los métodos numéricos.5  10 k Ea  x i 1  x i 100  (0. pero no se dijo mucho acerca del valor que se fija para tol. 4321. 0.1342101. Dos números aproximados son iguales si al redondearse al mismo número de cifras decimales de precisión son idénticos.302 en ambos casos.24507 y para el segundo caso se transforman en 0.. 0.5x102 k )% . entonces el valor o número aproximado(iteración anterior para los métodos iterativos) obtenido mediante el método numérico aplicado tiene al menos k cifras significativas correctas con respecto al valor exacto(iteración actual para los métodos iterativos) y si tol  (0. Para el primer caso los números se convierten en 0. Cifras decimales son todos los dígitos que se hallan a continuación del punto decimal en un número de punto flotante. y si la última cifra decimal es 5 o superior a 5 se redondea hacia el valor inmediatamente superior. pero son diferentes si se redondean a 4 cifras decimales de precisión.2350106. Para redondear las cifras decimales se tiene en cuenta la siguiente regla: si la última cifra decimal es inferior a 5 se redondea hacia el valor inmediatamente inferior. (0.5  102 k )% x (0.2. ó (b) Redondear los números a 4 y 5 cifras decimales.

e  0.11).05)(0.05% 0.) x  0.3459 100  0. En este caso x y X coinciden en 4 cifras decimales exactas (4.. e  2.10 ¿En que rango debe hallarse el valor aproximado X.0025365  0.35678 confirman el principio expresado mediante la relación (0. 0..000011078 100 de donde resolviendo la desigualdad.454545.3459  0.  0.11).0025365 X  0.05 E 2.454545.05% 0..5.. Determinar además el error absoluto y relativo cometido en cada caso.. e  0..0024674  0. i.9 Para las siguientes parejas de números. determinar con cuantas cifras decimales exactas y con cuantas cifras significativas exactas X aproxima a x.46%  (0.. con 3 cifras significativas? Por la expresión (0. nuevamente se confirma la relación (0.022156  X 100  (0. se tiene.  0. Ejemplo 0..5  10 1  0.01088  0.) x  5 11 X  2.11).0025365  0..3459 X  0.022156 es decir..0024674 Para este caso x y X coinciden en 1 cifra decimal exacta(3) y en 2 cifras significativas exactas(2 y 3) y.5  102  2 )%  0..022156.5  102 1)%  5% 0..16 Procesos iterativos y errores en Métodos Numéricos Ejemplo 0.5  10 4  0...35678  2.5  102  4 )%  0..000000454  0.0 y 2) y en 1 cifra significativa exactas(2) siendo.45455 iii.5  10 3  0.0025365 y también se vuelve a verificar la relación (0.72%  (0.) x  2..45455  0.454545.35678  2.35678 ii..0000691  0.022156  X  (0.4 y 5) y en 4 cifras significativas exactas(4. E 0.00005 E 0.001%  (0.11). Aquí x y X coinciden en 3 cifras decimales exactas (0.45455 100  0. . para que se aproxime a x = 0..5% 2.0024674 100  2.5  102  3 )%  0.0005 E 0.022156 )  0.5.4 y 5) además.

5  10 2 k )  log10 (0. se tiene xi+1 = x6 = 2.5)  2  log10 (0.022144922  X  0. i xi 0 3 1 2.12).4753532325 6 2.4753532325  2.4753677501.5)  2  k  log10 (0.5 2 2.000011078 0. Derive 6 posee tres formas de precisión para trabajar con números en cálculos numéricos u operaciones aritméticas. Por otro lado para x5 y x6.022156  0.5  10 2 k  0.4753532211 0.5)  2  k  log10 (0.4753532211 y xi = x5 = 2.00058648 598475) k  log10 (0.11 Como resultados de un método numérico iterativo se obtienen los siguientes valores(redondeados a su última cifra decimal). Ejemplo 0.4753677501 5 2.4753532325..00000046 054890831) k  log10 (0.93071236 60 por lo tanto x4 tiene al menos k = 4 cifras significativas exactas con respecto a x5. estas son:  Precisión en modo exacto.00000046 054890831) k  8.03569424 71 por lo tanto x5 tiene al menos k = 8 cifras significativas exactas con respecto a x6.12)..00058648 598475 tomando logaritmos en base 10 en cada extremo de la desigualdad.3 PRECISIÓN EN DERIVE 6.5  102 k 2.5  10 2 k  0.4753532211 2.4938315715 3 2.4753532325 0. 0... entonces por la expresión (0.022167078 cualquier número dentro de este rango tendrá por lo menos 3 cifras significativas con respecto a x = 0. log10 (0.4753532325 100  0.5  102 k 2. Ea  2...022156... log10 (0. entonces por la expresión (0.022156  0. Para x4 y x5.00058648 598475) k  4.4753532211 Determinar el número de cifras significativas que se obtienen para x4 – x5 y x5 – x6..00000046 054890831) log10 (0.00058648 598475) log10 (0..00000046 054890831 tomando logaritmos en base 10 en cada extremo de la desigualdad.4759527368 4 2.17 Procesos iterativos y errores en Métodos Numéricos 0. Ea  2.4753677501 100  0. se tiene xi+1 = x5 = 2.000011078  X  0. .4753532325 y xi = x4 = 2.5  10 2 k )  log10 (0.5)  2  log10 (0.

18 Procesos iterativos y errores en Métodos Numéricos   Precisión en modo aproximado.. es decir.2360 respectivamente.. la precisión en modo exacto 100000 2 12 .1354678. así por ejemplo para efectos de cálculo aritmético 2 será 2 y no 1.5 se expresa como es la precisión por defecto en Derive 6..023456 y 0.. Derive 6 en este caso utiliza mucha más memoria para almacenar los números racionales. .. . . Nótese que Derive 6 considera el corte para las cifras significativas y no para las cifras decimales y además no utiliza redondeo. como fracciones y todas las operaciones realizadas se realizan utilizando aritmética racional. Derive 6 trata a los números decimales e irracionales de acuerdo a la precisión en modo aproximado y a los números expresados como fracciones en precisión en modo exacto. Derive 6 corta un número de acuerdo al número de cifras significativas indicadas en la casilla de selección Dígitos: así entonces los números 2.285679 y 13 5 serán expresados en modo mixto (con Dígitos: 5) como 12 ... 4.00012325 respectivamente. Los tres modos de precisión se pueden obtener mediante la orden Definir/Preferencias de Simplificación. 0.0001232597.02345676. En la zona Precisión. aparecen las casillas de selección: Modo: para escoger el modo de precisión (Aproximado = Approximate.414213... Precisión en modo mixto. En la precisión en modo aproximado. se puede expresar el resultado en modo .. La precisión en modo exacto significa que Derive 6 trabaja los números irracionales en modo exacto. Exacto = Exact y Mixto = Mixed). del cuadro de diálogo anterior.1354 . los cuales son expresados en forma de cociente entre enteros. en cuyo caso aparece el cuadro de diálogo.34657 como . Para la precisión en modo mixto.2856 13 y 2. así en modo exacto 1.. y Dígitos: para elegir el número de cifras significativas con las cuales van a trabajar los modos Exacto y Mixto (Derive 6 trabaja con 10 cifras significativas por defecto). 0. A pesar de encontrarse elegida la opción de precisión en modo exacto. de esta forma los números 234657 3 o 2.. 4. 0. se expresan en modo aproximado con Dígitos: 5 como 2. Derive 6 almacena internamente todos los números reales como enteros o como un cociente entre enteros.

#1: (n) := VECTOR([i..5 0.2..19 Procesos iterativos y errores en Métodos Numéricos aproximado.0000305175.0078125   0. y tomando n = 18. La siguiente función (n).. determina un vector en el cual aparecen todos los posibles valores de épsilon (valores que cumplen con 1 +   1)..00390625  0. n) Para una precisión de modo aproximado con Dígitos: 6. "posible ". 2^(–i). "***")].0004882 81   0. IF(1 + 2^(–i)  1. el más pequeño y el correcto obviamente es 0. obviamente el más pequeño de ellos será el correcto.000122070  0.0625  0.03125   0. si se selecciona el número y se hace clic sobre el botón Ejemplo 0. Se definió al épsilon de la máquina como el número más pequeño  = 2  i. 1. esto quiere decir que a partir de este valor para la precisión con 6 dígitos cualquier valor mayor sumado a 1 dará como resultado un número diferente de 1.IF(1 + 2^(–i)  1.3.0000305175   ***  ***   ***  0. tal que 1 +   1.00195312   0. que permita determinar el épsilon de la máquina para una precisión dada.25 De los posibles valores de . i = 1.12 Escribir una función en Derive 6. 1 2  3 4  5 6 7  8 9  (18)   10  11  12 13 14  15 16  17 18  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  p osib le  no es  no es  no es     0... i. la función produce el vector.000976562  0. " no es ").125   0.0000610351  0. .000244140  0..015625 0.

existe un único polinomio P(x) de grado n.2.1 INTERPOLACIÓN POLINÓMICA POR EL MÉTODO GENERAL O DE SERIE DE POTENCIAS El polinomio P(x) se puede expresar mediante un polinomio de grado n... < xn < b..  1 x n x n2   (1. se multiplica ambos lados de la ecuación matricial (1.    fn  f  XA 1 x 0 x 0 2  1 x1 x12 X . f0    f f   1 . Una vez determinado P(x). como.. x2.. entre dos conjuntos de igual número de datos. fi). . f0. x 0n   . Con ello en mente.1) el siguiente sistema de ecuaciones. a cada punto (xi.. Aplicando la condición fi = P(xi)..    an  Para escribir el polinomio (1... xn. debe hallarse A dados f y X.. X 1f  X 1XA entonces… . f1. El objetivo es encontrar cualquier valor de la función dentro del intervalo en que se hallan los valores del argumento. .. x n3 .n Los valores xi. el cual cumple la condición.. aunque también la interpolación polinómica es básica en posteriores capítulos. .1 . ..2. uno especifica el argumento y el otro su correspondiente función... que representan a una función y su correspondiente conjunto de (n + 1) valores del argumento x0..  an(x 0 )n (1. se obtiene f0  a0  a1(x 0 )  a2 (x 0 )2  a3 (x 0 )3  . tal que: a < x0 < x1 < x2 < ....20 Interpolación Polinómica CAPÍTULO INTERPOLACIÓN POLINÓMICA 1 Este capítulo va a estudiar el problema de la interpolación polinómica.  an(x n )n que expresado matricialmente es. P(x)  a0  a1x  a2 x 2  ... . x nn   a0    a A   1  . es posible hallar el valor del mismo para un argumento xr (a< xr < b). .1)..3) por X1.. Dado un conjunto de (n + 1) valores. (1....  an x n donde ai son los coeficientes por determinarse.. se denominan nodos o puntos de interpolación.3) donde x 03 x13 . x1n  .2) f1  a0  a1(x1)  a2 (x1)2  a3 (x1)3  ..  an(x1)n . Este resultado es una aproximación a fr.fn .. . i = 1.n.. que consiste en hallar una dependencia funcional de tipo polinómico. obteniéndose. fi  P(x i ) i  0.   . . fn  a0  a1(x n )  a2 (x n )2  a3 (x n )3  . 1. x1. Definición (Interpolación Polinómica)..... f2...

1 x0 1 x1 . x1 .27 0 1 1       1 0 0   1 1. por programación funcional..29   1 3. an es único y el polinomio P(x) también..6 1 1 0   0 1 4 0.714285 0        1 3.96      (b) Se calcula su matriz inversa.1.4 5.7 7. #1: Precision := Approximate #2: “Matriz X.714285 0     0 0 2.6 12.2) es.3 1.63 2.310559 0. d” #3: X_(d) := VECTOR(VECTOR((d1i)^n.32  1 1. DIM(d`)  1). DIM(d`)) #4: “Matriz A = X^(–1)f” #5: A(d) := (X_(d)^(–1))d2 #6: “Polinomio de interpolación por el método general” #7: P_MG(d. construida a partir del conjunto de datos.7 4.69 1 0 0  1 1. i.3 1.6 3. xn n n  n  x i j i  xj  0 xi  xj 2 3 y por lo tanto el conjunto solución a0.714285 0   0 1 4 0. .6 4. x0 .54 Por el método general encontrar los coeficientes del polinomio de interpolación ajustado a dichos valores.69    0 1 4 0. seguidamente determinar f para x = 2.69 X-1  1 2.96 0 0 1 0 2.2..714285 0.69 1 0 0   1 1. .07 0.3 11.6 12. xn 3 3 . 1. Utilizar corte a 6 cifras decimales (a) Se forma la matriz X… 1 1.27 1 0 1 0 2. i. esto se puede verificar fácilmente al observar que el determinante de la matriz de coeficientes(conocido usualmente en el Álgebra Lineal como determinante de Vandermonde) del sistema de ecuaciones lineales (1.29 0 1 0   0 1. DIM(d)) Ejemplo 1. 1 xn x0 x1 . En Derive 6.18 3..3 1. x f 1. a1.3 1.3 1.3 1. 1. n.3 1. xn 2 2 x0 x1 .. .714285 0. X–1… 1 0 0 1 1.642857 1. x) := A(d)VECTOR(x^(i – 1).3 3..62  1 3. es factible crear un archivo de utilidad para el cálculo del polinomio de interpolación mediante el método general. Se definió al polinomio P(x) como único. 0. Las siguientes líneas de programación conforman el mencionado archivo.21 Interpolación Polinómica (1..7 2.714285 0. . para escribir P(x).4) A  X1f expresión que permite calcular A.69     X  1 2. .72   1 2.5 y x = 3.642857 1 0 0 1 0. 1.79365 0.483091     .69 1 0 0   1 1..3 11.1 Dado el conjunto de datos.7 7.1 POLINOMIO DE INTERPOLACIÓN POR EL MÉTODO GENERAL CON DERIVE 6.

2.79365 0.70238095x  10 Su gráfica es… 20 2 0 2 4 6 8 P(x) 20 40 1.79365 0.888888 1.932367  4.956521 3.310559 0.932367    0.714285 1..3 0 0. –9].483091       3. Es muy simple deducir la ecuación para este método de interpolación en base a lo desarrollado para el método general..79365 0. Ejecutando la función P_MG([0. 10.932367   0 1 0 1.888888 1.2)  4.380434x  0.100683 P(3.888888 1.956521 3.310559 0.. 5.483091  4.018633 3.379378 Ejemplo 1.003105       finalmente… P(x)  3.79365 0. 7.54  0. x) el polinomio obtenido es.130186  A   1.956521 3.956521 3. Utilizar una precisión de 10 cifras significativas.43928571x 2  15.22 Interpolación Polinómica  1 1.310559 0.714285 1. el polinomio de interpolación expresado por el método general es una función lineal y la interpolación entre dichos puntos se denomina interpolación lineal.695652  X   1.63  3.2 Empleando Derive 5.816425   1 0 0 3.475155 1. .888888 1.18   0.483091    -1 (c) Los coeficientes del polinomio de interpolación son entonces…  3.714285 1.5)  4. 2.411904761x 3  14.695652  3. P(2. para el conjunto de datos.310559 0. 0.695652   0 1 0 1.018633 3.003105x 2 y. Al elegir dos puntos para efectuar una interpolación.130186  0.018633 3.341269 0. 6. P(x)  0. x f 0 10 2 7 5 0 6 2 7 9 Escribir y graficar un polinomio de interpolación de grado 4 mediante el método general..2464285714x 4  3.483091  0 0 1 0. 7.2 INTERPOLACIÓN LINEAL.380434        0.932367      0 0 1 0.

.5 mediante interpolación lineal. por lo que la ecuación corresponde a una línea recta… PL (x)  A  Bx (1. a0  fi  fi 1  fi xi x i 1  x i a1  fi 1  fi x i 1  x i (1. En Derive 5.7). fi y fi+1. xi+1 . mediante programación funcional.. x) := #31 + (#32)x Ejemplo 1. (1.8)  x f  x i fi 1   fi 1  fi  PL (x)   i 1 i  x  x i 1  x i   x i 1  x i  que es la fórmula para la interpolación lineal....5) de donde despejando a0 y a1..1 INTERPOLACIÓN LINEAL CON DERIVE 6.. (d2(i+1) – d2i)/(d1(i+1) –d1i)] #4: INT_LINEAL(d.2. fi  a0  a1x i fi 1  a0  a1x i 1 (1. se tiene. x f 0 10 2 7 5 0 6 2 7 9 Calcular el valor de f para x = 3 y x = 6. i.6) por lo que.... (1.23 Interpolación Polinómica así… Sean los puntos xi y xi+1 correspondientes a fi y fi+1. d” #3: [(d1(i+1)d2i – d1id2(i+1))/(d1(i+1) – d1i).7) PL (x)  fi  fi 1  fi f f x i  i 1 i x x i 1  x i x i 1  x i reacomodando los términos la expresión (1.9) donde  x f  x i fi 1  A   i 1 i   x i 1  x i  y  f f  B   i 1 i   x i 1  x i  1. así como para toda un conjunto de ellos. están dados por..3 Para el conjunto de datos dado por. #1: Precision := Approximate #2: “Ecuación de interpolación lineal para parejas de datos consecutivos i e i + 1 de un conjunto de datos. Para x = 3… i xi fi 0 2 7 3 ? 1 5 0  x f  x 0 f1   f1  f0  35 7  (5)(7)  (2)(0)   0  7  PL (x)   1 0  x      5 2x  3  3 x 52      x1  x 0   x1  x 0  . en ésta los valores xi . la utilidad expresada por las siguientes líneas de programación permite determinar el polinomio de interpolación lineal para una pareja de puntos. son datos conocidos. los coeficientes de interpolación a0 y a1..

x f 1. 5.5 0 6 2 6. mediante la instrucción INT_LINEAL([1.5 ? 1 7 –9   (7)(2)  (6)(9)   9  2  x      7  6  x  68  11x 76      Ejemplo 1. 4. x). 2.07].5 para x  4.5 y x = 4. 5.3. Además graficar el polinomio de interpolación lineal. 4. 3. da… 3.5… i xi fi  x f  x 0 f1   f1  f0 PL (x)   1 0   x1  x 0   x1  x 0 PL (3)  68  11(6. 2.6 4.6.18.2 2.3. 3.101428 Para x = 4.18.63.54.2001552795x 3  1.459375 La instrucción P_MG([1.204346273x+5.18 3.047842236 4.54. General 3.63.6.7.7. 4.3.119285714 substituyendo x = 2. utilizando la instrucción INT_LINEAL([1. x).3928571428x  3. da… 4.101428 Error absoluto -----0. 4.2. Lineal 2. el valor de f para x = 2.07 Calcular.2 3. se obtiene… L 2 (x)  1. 1.3. 4. 2.150956 Int.5.6.2.63..54375x  10.2 4. 3. resulta… 4.150956517 para x  2.524285714x 2  3.18. 5. 2. Para x = 2.7 4. 4. x). 3..659348447 que substituyendo para x = 2. el polinomio de interpolación obtenido por el método general y los puntos (x.07]. Lineal 3.5 4. se obtiene… L1(x)  0.047842 Int. 3. 3. utilizando Derive 5.54 5.053585 M.5 4.3 mediante interpolación lineal y compararlos con los valores obtenidos mediante el polinomio de interpolación por el método general.5)  3.5.5 y x = 4. 2.459375 Error absoluto ----0.691581 . 3.54.24 Interpolación Polinómica 35 7 14  (3)   4.666666 3 3 3 PL (3)  Para x = 6.0975 substituyendo x = 4.07]. f).3.3. genera… P(x)  0.3 Los valores calculados por interpolación lineal y el método general se comparan en la siguiente tabla… M.63 2.3 3.4 Para el conjunto de datos.2.7. General x f 2. 2.

ni el término (xi – xi) en el denominador.3 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE. (x1. L i (x)  (x  x 0 )(x x1)    (x  xi  1)(x xi  1)    (x  xn )  (xi  x 0 )(xi  x1)    (xi  xi  1)(xi  xi  1)    (xi  xn )  (x  x ). Resulta evidente que Li(x) es un polinomio de grado n y que.. j0 ji i j n (x  x j ) i  0. éste último por obvias razones. yn). Es sencillo comprobar que el polinomio de interpolación de Lagrange cumple la definición de interpolación polinomial.2.10) L i (x i )  1 L i (x j  x i )  0 Teorema. Sea un conjunto de (n + 1) puntos (x0. Definición (Polinomio básico de Lagrange o función de forma).  fnLn(x)   fLi (x) 1 i i 0 n llamado polinomio de interpolación de Lagrange. Ejemplo 1. Sea un conjunto de (n + 1) nodos de interpolación x1. llamado polinomio básico de Lagrange o función de forma se define por.x2. (xn. mediante el método denominado de Lagrange. P(x)  f0L 0 (x)  fL1(x)  .. pues la propiedad (1...5 Para el conjunto de datos. n Nótese que el polinomio básico de Lagrange no contiene el término (x – xi) en el numerador. es conveniente estudiar un método más fácil de determinarlo sin tener que resolver el sistema f = XA. entonces el polinomio Li(x).y0) . (1.......y1)...3 4  2 L2(x) L1(x) P(x) 0 1 2 3 4 5 6 1. .. Éste se halla de una manera más directa y sencilla....xn..1..10) de los polinomios básicos de Lagrange así lo permite..5 4. entonces el polinomio de interpolación para dicho conjunto de datos se puede escribir como.25 Interpolación Polinómica Graficando… 6 2.1.. A pesar de que el polinomio de interpolación es único como se explico al final de la sección 1...

P(x)  (x  x1)(x  x 2 )(x  x 3 )(x  x 4 )(x  x 5 ) (x 0  x1)(x 0  x 2 )(x 0  x 3 )(x 0  x 4 )(x 0  x 5 ) f2  f4  f0  (x  x 0 )(x  x 2 )(x  x 3 )(x  x 4 )(x  x 5 ) (x1  x 0 )(x1  x 2 )(x1  x 3 )(x1  x 4 )(x1  x 5 ) f3  f5 f1  (x  x 0 )(x  x1)(x  x 3 )(x  x 4 )(x  x 5 ) (x 2  x 0 )(x 2  x1)(x 2  x 3 )(x 2  x 4 )(x 2  x 5 ) (x  x 0 )(x  x1)(x  x 2 )(x  x 3 )(x  x 5 ) (x 4  x 0 )(x 4  x1)(x 4  x 2 )(x 4  x 3 )(x 4  x 5 ) (x  x 0 )(x  x1)(x  x 2 )(x  x 4 )(x  x 5 ) (x 3  x 0 )(x 3  x1)(x 3  x 2 )(x 3  x 4 )(x 3  x 5 ) (x  x 0 )(x  x1)(x  x 2 )(x  x 3 )(x  x 4 ) (x 5  x 0 )(x 5  x1)(x 5  x 2 )(x 5  x 3 )(x 5  x 4 ) es fácil notar que el orden del polinomio es n = 5. L 0 (x)  L 1 (x)  L 2 (x)  L 3 (x)  L 4 (x)  L 5 (x)  ( x  x 1 )( x  x 2 )( x  x 3 )( x  x 4 )( x  x 5 ) ( x 0  x 1 )( x 0  x 2 )( x 0  x 3 )( x 0  x 4 )( x 0  x 5 ) ( x  x 0 )( x  x 2 )( x  x 3 )( x  x 4 )( x  x 5 ) ( x 1  x 0 )( x 1  x 2 )( x 1  x 3 )( x 1  x 4 )( x 1  x 5 ) ( x  x 0 )( x  x 1 )( x  x 3 )( x  x 4 )( x  x 5 ) ( x 2  x 0 )( x 2  x 1 )( x 2  x 3 )( x 2  x 4 )( x 2  x 5 ) ( x  x 0 )( x  x 1 )( x  x 2 )( x  x 4 )( x  x 5 ) ( x 3  x 0 )( x 3  x 1 )( x 3  x 2 )( x 3  x 4 )( x 3  x 5 ) ( x  x 0 )( x  x 1 )( x  x 2 )( x  x 3 )( x  x 5 ) ( x 4  x 0 )( x 4  x 1 )( x 4  x 2 )( x 4  x 3 )( x 4  x 5 ) ( x  x 0 )( x  x 1 )( x  x 2 )( x  x 3 )( x  x 4 ) ( x 5  x 0 )( x 5  x 1 )( x 5  x 2 )( x 5  x 3 )( x 5  x 4 ) y el polinomio de interpolación de Lagrange es.6 Encontrar el polinomio de interpolación mediante el método de Lagrange. para el siguiente conjunto de datos: x y L0 (x)  L1(x)  L2 (x)  L3 (x)  0 –2 1 –1 3 0 7 5 9 –3 (x  1 x  3)(x  7)(x  9) )( (x  1 x  3)(x  7)(x  9) )(  (0  1  3)(0  7)(0  9) )(0 189 (x  0)(x  3)(x  7)(x  9) (x  0)(x  3)(x  7)(x  9)  (1 0)(1 3)(1 7)(1 9) 96 (x  0)(x  1 x  7)(x  9) )( (x  0)(x  1 x  7)(x  9) )(  (3  0)(3  1  7)(3  9) )(3 144 (x  0)(x  1 x  3)(x  9) )( (x  0)(x  1 x  3)(x  9) )(  (7  0)(7  1  3)(7  9) )(7 336 . Los polinomios básicos de Lagrange o funciones de forma se escriben como....26 Interpolación Polinómica i x f 0 x0 f0 1 x1 f1 2 x2 f2 3 X3 f3 4 x4 f4 5 x5 f5 Determinar el polinomio de interpolación de Lagrange. Ejemplo 1..

1. DIM(d`)) #4: “Todas las funciones de forma para el conjunto de datos” #5: FUNC_FORMA(d.1180. La orden P_LAG([1. dentro de la utilidad que contiene la función P_LAG(d. 1.0488. 1.1180.0488.0954. 1. 1.(x – d1i)/(d1j – d1i). in. #8: “Generación de los nodos de interpolación” #9: X_(in.2.. 1.DIM(d`)) #6: “Polinomio de interpolación de Lagrange” #7: P_LAG(d. 1. 1. 1.1180 1.22x 4  2689.3. 1.025. DIM(X_(in.1402 Con Derive 5.1.15 1.05 1. y calcular el valor de f para argumentos desde 1 a 1. 1.0724. (X_(in. 1.8887x6  613. VECTOR(P_LAG(d. 1.1.1402].3.0247. 0. 1.7 En la siguiente tabla se dan los valores de y  x redondeados hasta cuatro cifras decimales.1). se introducen las siguientes líneas. fin.3. fin.1 1. 1.3 con pasos de 0. 1.0954 1.3. x) := FUNC_FORMA(d. 1. in.15.05. ))i). 1. 1.27 Interpolación Polinómica (x  0)(x  1 x  3)(x  7) )( (x  0)(x  1 x  3)(x  7) )(  (9  0)(9  1  3)(9  7) )(9 864 L4 (x)  entonces. ) := [X_(in. x) := PRODUCT(IF(i  j. ).1402].25 1.. x).. 1. fin.3 1. 1. 1. 1. 1. i. ) #10: “Polinomio de Lagrange para el conjunto de nodos anterior” #11: P_LAG_(d. x). x)d2 Ejemplo 1..3 con pasos de 0. fin.0724 1. (x  1 x  3)(x  7)(x  9) )( (x  0)(x  3)(x  7)(x  9) (x  0)(x  1 x  7)(x  9) )( (2)  (1  ) (0)  189 96 144 (x  0)(x  1 x  3)(x  9) )( (x  0)(x  1 x  3)(x  7) )( (5)  (3) 336 864 2(x  1 x  3)(x  7)(x  9) )( 5 x(x  1 x  3)(x  9) )( x(x  3)(x  7)(x  9) P(x)     189 96 336 3 x(x  1 x  3)(x  7) )(  864 P(x)  1.53x3  2307. ) := VECTOR(i.81x  199. En Derive 5 las siguientes líneas de programación permiten determinar el polinomio de interpolación de Lagrange para una serie de datos. 1. ).25.0488 1. 1. x) genera el polinomio… 88.05. para argumentos desde 1 a 1. Utilizar precisión de 6 dígitos.0247. j.05. fin.. fin. j.2 1. 1.1 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE CON DERIVE 6.67x2  1054.. in.0724.0954. i. )))]` La nueva orden P_LAG_([1. fin.15.25. 1.896 Para evaluar el polinomio de interpolación de Lagrange dentro del conjunto de datos pedidos. 1. i.025) genera el vector… . 1.332x 5  1760. #1: Precision := Approximate #2: “Función de forma j–ésima” #3: FUNC_FORMA_J(d. x f 1 1 1. x) := VECTOR(FUNC_FORMA_J(d.j. hallar el polinomio de interpolación de Lagrange.2.0247 1. y luego se aplica la nueva función P_LAG_(d. 1.

f(x0)). (x2.. .125  1.2.xi1]  f[xi+1]  f[xi ] xi1  x1  f(xi+1)  f(xi ) xi1  xi i  0..1. los correspondientes valores del polinomio de interpolación de Lagrange.. entonces la relación.2.x i n ]  f[x i 1.n...3  1  1.25 1.06067  1. para los puntos xi. .025   1..08396   1...4 DIFERENCIAS DIVIDIDAS. y la columna 2. (x1.. f[xn ]  f(xn ) La diferencia dividida de orden 1 para los puntos xi y xi+1 es… f[xi . f[x i . f(xn)) son… f[x 0 ]  f(x 0 ) f[x1 ]  f(x1) f[x 2 ]  f(x 2 ) . para el punto xi es… f[xi ]  f(xi ) i  0..x i  2 . (xn..10673   1.xn ]  f(xn )  f(xn1) xn  xn1 La diferencia dividida de orden 2.075  1.x i  2 . las (n + 1) diferencias divididas de orden 0 para el conjunto de (n +1) puntos (x0.1402   En la columna 1 se muestran los valores desde 1 hasta 1. xi+1 y xi+2 se escribirá.2. f(x2)).x i  2 .03680  1.n por lo tanto.12919   1.1 .x 2 ]  f(x 2 )  f(x1) x 2  x1 . f(x1)). f[xn1.1  1.175   1... 1.3 en pasos de 0.225   1.275   1..118  1..2.05  1.0724   1... . Sea un conjunto de (n + 1) nodos de interpolación xi para i = 0.28 Interpolación Polinómica  1 1. por lo que es necesario analizarla con mayor profundidad.. Las siguientes expresiones desarrollan en detalle la notación indicial de la definición anterior… La diferencia dividida de orden 0.x i 1.1 ...0488   1. Esta definición es bastante genérica.. Definición (Diferencias divididas)...x i (n1) ] x i n  x i se conoce como la diferencia dividida de n ésimo orden..n por lo que las n diferencias divididas de orden 1 se pueden expresar como..0954  1...x1]  f(x1)  f(x 0 ) x1  x 0 f[x1.1.….x i n ]  f[x i . f[x 0 ......025.x i 1.2 1. y considérese además sus correspondientes valores para la función dados por f(xi) con i = 0.n.0247   1. . .01247   1.15  1...

4 3 f0.4 4 f0.x 2 ] x 3  x1 .xi 2 .x1. Ejemplo 1.n entonces las (n – 1) diferencias divididas de orden 2 serán..3 f1... Ejemplo 1. f[x 0 .xn ]  f[xn2 . xi+1.…..x 2 ]  f[x 0 ..xin ]  fi.. f(x2)).i 2.x 2 ]  f[x1..29 Interpolación Polinómica f[xi+1.3 f2.xi1. xi+2 ..xi1] xi 2  xi f[xi . f(x0)). Es importante resaltar que la notación indicial de las diferencias divididas.....3. f(x4)).3. Los siguientes ejemplos aclaran la definición de diferencias divididas.4 2 f0.xn1] en consecuencia la única diferencia dividida de orden n para los puntos xi. xi+n se escribirá de acuerdo a la definición dada..2.2 f1. (x3.xi2 ]  f[xi .x 2 .8 Escribir mediante notación indicial todas las diferencias divididas para el conjunto de puntos (x0.xn1.2 f2..4 Si bien la notación puede ser confusa.x 3 ]  f[x1.xn ]  f[xn1.3.1 . el siguiente ejemplo numérico muestra cuan sencillo es el cálculo de las 8 La correspondiente tabla de diferencias divididas es. .9 Determinar todas las diferencias divididas para el siguiente conjunto de datos… i x f 0 0 10 1 1 8 2 2 2 3 3 0 f0 = f(x0) f1 = f(x1) f2 = f(x2) f3 = f(x3) f4 = f(x4) 1 f0.3 f3.2. f(x1)).1. la siguiente tabla resume las diferencias pedidas… Nodo / Orden x0 x1 x2 x3 x4 diferencias divididas. (x2..x1] x2  x0 xn  xn  2 f[x1. es una nomenclatura nemónica que ayuda a recordar fácilmente la correcta expresión para una diferencia dividida de cualquier orden... f(x3)) y (x4.in entonces. f[xn 2 .xi1.x 3 ]  f[x 2 .xi 2 ]  i  0.2.2. Considérese la siguiente simplificación de nomenclatura… f[xi ..1. (x1.1 f1.1.i1.2.

.  2 fi  fi 1  fi i  0. pues la columna correspondiente a la diferencia de segundo orden da una constante (– 2) y la columna de la diferencia de tercer orden se anula.2.x i n ]  nfi n!(hn ) i  0.. i+3 2  (2) 0 30 1 1 8 10  (6)  2 3 1 2 3 2 3 2 8 Este procedimiento de cálculo se puede extender para un conjunto de cualquier número de datos. i =0.2.n La diferencia progresiva de orden 2 se escribirá.. x i  2 . Algunas características importantes de las diferencias divididas son.n). la columna para la diferencia de orden m se convierte en una constante y la columna para la diferencia de orden (m + 1) se anula. Cuando entre los nodos de interpolación existe una distancia idéntica h ( h  x i1  x i ....30 Interpolación Polinómica i 0 xi 0 fi 10 fi..1 . 6 de segundo orden. cuya estructura se va a detallar y ejemplificar a continuación. 4 de cuarto orden.. ésta característica permite reconocer el orden del polinomio del cual se extrajeron los datos. así en el último ejemplo se puede decir que los datos xi y fi provienen de un polinomio de segundo grado..1 .. i+2 6  (2)  2 20 fi. así... entonces las diferencias divididas se pueden expresar como. 3 de quinto orden.. 5 de tercer orden. i+1.1 .x i 1.…. La diferencia finita progresiva(llamada usualmente diferencia progresiva) de orden 0 es…  0 fi  f(x i ) i  0..2.2. i+2.. en base a una tabla de diferencias...n donde  n fi es la denominada diferencia finita hacia adelante o diferencia finita progresiva de orden n. i+1. Si los datos (xi.. i+1 8  10  2 1 0 28  6 2 1 8  2  10 32 fi..2.n La diferencia progresiva de orden 1 es… fi   0 fi 1   0 fi  f(x i+1)  f(x i ) i  0. en la tabla de diferencias para un conjunto de 8 datos por ejemplo. su número disminuye en uno...   La resta del último y primero subíndices representa el orden de la diferencia..  A medida que aumenta el orden de una diferencia. existirán: 7 diferencias de primer orden. (1.11) f[x i .1...n entonces la diferencia progresiva de orden n se expresa como… ..1 .. 2 de sexto orden y 1 de séptimo orden. fi) se toman de un polinomio p(x) de orden m.

La siguiente tabla resume las diferencias pedidas… Δ 0f i Δ f i Δ 2f i Δ 3f i Δ 4f i x0 f0 = f(x0)  0 f1   0 f 0  f(x1 )  f ( x0 )  f 0  0 f2  0 f1  f(x 2 )  f(x1)  f1  0 f3  0 f2  f(x 3 )  f(x 2 )  f2  0 f4  0 f3  f(x 4 )  f(x 3 )  f3 f1  f 0   2 f 0  2 f1   2 f0   3 f0  3 f1   3 f0   4 f0 x1 f1 = f(x1) f2  f1  2 f1 f3  f2  2 f2  2 f2   2 f1   3 f1 x2 f2 = f(x2) x3 x4 Ejemplo 1. Ejemplo 1. además al igual que las diferencias finitas divididas su número disminuye en 1 al ... (x2.. para calcular de una manera más simple las diferencias divididas. aunque es condición indispensable para emplearlas el tener nodos equiespaciados.1 . lo que las hace más útiles. El exponente que poseen el símbolo  de las diferencias finitas progresivas es nada más una indicación de su orden. f(x3)) y (x4. i 0 1 2 3 xi 3 5 7 9 Δ 0f i Δ f i Δ 2f i Δ 3f i 2 –4 1 4  2  6 1  (4)  5 5  (6)  11 13  11  24 8  5  13 7  1  8 7 Como se observa.2.31 Interpolación Polinómica nfi  n1fi 1  n1fi i  0.11 f3 = f(x3) f4 = f(x4) Determinar todas las diferencias progresivas para el siguiente conjunto de datos… i x f(x) 0 3 10 1 5 8 2 7 2 3 9 8 La correspondiente tabla de diferencias finitas progresivas es. (x3. f(x0)).10 Escribir mediante notación indicial todas las diferencias progresivas para el conjunto de puntos equiespaciados (x0. (x1.n Si se tienen nodos equiespaciados se pueden utilizar las diferencias progresivas mediante el segundo miembro de la expresión (1. f(x1)). f(x2))... el cálculo de las diferencias finitas progresivas es aún más simple que el de las diferencias finitas divididas.11). f(x4))..

 0  f(x 0 )  f0 1  f1  f0 x1  x 0  f0.. P( x )   0   1 ( x  x 0 )   2 ( x  x 0 )( x  x 1 )  .1.1. fn).... P(x 0 )  f0 P(x 1)  f1 P(x 2 )  f2 .2 ( x  x 0 )( x  x 1 )  . P(x n )  fn entonces.   n ( x  x 0 )( x  x 1 )    ( x  x n 1 ) donde los coeficientes 0. para lo cual considérese que el polinomio de interpolación de Newton se puede expresar genéricamente como....1.32 Interpolación Polinómica aumentar el orden y presentan la misma característica mencionada anteriormente para datos tomados de un polinomio.2.   n (x n  x 0 )(x n  x 1)    (x n  x n1)  fn de las anteriores expresiones es notorio que los coeficientes 0. f1)..1 .....5 POLINOMIO DE INTERPOLACIÓN DE NEWTON.2. A fin de encontrar dichos coeficientes se va a utilizar la definición de la interpolación polinomial según el cual debe cumplirse que. de forma tal que se obtiene.. procediendo consecutivamente de esta forma hasta hallar todos los coeficientes.2.. 1.. (x1..n se pueden calcular de forma recursiva.. .. P(x 0 )   0  f0 P(x 1)   0   1(x 1  x 0 )  f1 P(x 2 )   0   1(x 2  x 0 )   2 (x 2  x 0 )(x 2  x 1)  f2 P(x n )   0   1(x n  x 0 )   2 (x n  x 0 )(x n  x 1)  . Teorema...  f0. se halla 1 y a partir de éste y 0 se encuentra 2.n ( x  x 0 )(x  x 1 )    ( x  x n 1 ) Es indispensable comprobar que la expresión anterior es correcta.. f0)... (xn. P( x )  f0  f0...... Para un conjunto de (n + 1) puntos (x0...1 ( x  x 0 )  f0.1. el polinomio de interpolación de Newton esta dado por... pues conocido 0 = f0.n deben determinarse.

n 2 (x  xn )(x  xn1)  .1. Así el polinomio de interpolación de Newton es.  n  f0.m (x  xn )(x  xn1)    (x  xm 1) donde P(x) es de grado (m – n) e interpola al conjunto de nodos xi..2 .2.. Ejemplo 1.  1  f0. .2 ( x  x 0 )( x  x 1 )  ..1. y este hecho se hace más notorio a medida que el orden del polinomio interpolador aumenta.2. P( x )  f0  f0. fuera del intervalo de interpolación. cosa igual sucede si se aumentan o disminuyen el número de datos.1 ( x  x 0 )  f0.  La interpolación de un punto. sino que se puede utilizar lo ya hecho.1 (x 2  x 0 ) (x 2  x 0 )  f0. pues se infiere fácilmente que si  0  f0 .n1(x  xi )  fn. Entre sus características favorables se pueden mencionar:  La cantidad de cálculos necesarios para una interpolación es menor que en los métodos anteriores. no permite expresar explícitamente este coeficiente.n 2...n1.  fn.1..n1.1. ubicados entre xn y xm (0  n  m). ..n ( x  x 0 )(x  x 1 )    ( x  x n 1 ) Los polinomios de interpolación de Newton salvan algunas dificultades que son propias de los métodos de interpolación vistos anteriormente....n .2..1 .... especialmente del polinomio de interpolación de Lagrange..2  f0..33 Interpolación Polinómica f1  f0 x1  x 0 f2  f0  2    (x 2  x 0 )  (f2  f0 )(x 1  x 0 )  (f1  f0 )(x 2  x 0 ) (x 2  x 0 )(x 2  x 1)(x 1  x 0 )  (x 2  x 0 )(x 2  x 1)  (f2  f1  f1  f0 )(x 1  x 0 )  (f1  f0 )(x 2  x 1  x 1  x 0 ) (x 2  x 0 )(x 2  x 1)(x 1  x 0 ) (x 2  x 0 )(x 2  x 1)(x 1  x 0 ) (f2  f1)(x 1  x 0 ) (x 2  x 1)(x 1  x 0 )  (f2  f1)(x 1  x 0 )  (f1  f0 )(x 1  x 0 )  (f1  f0 )(x 2  x 1)  (f1  f0 )(x 1  x 0 )  (f1  f0 )(x 2  x 1) (x 2  x 1)(x 1  x 0 )   (f2  f1)(x 1  x 0 )  (f1  f0 )(x 2  x 1) (x 2  x 0 )(x 2  x 1)(x 1  x 0 ) (f2  f1)  (x 2  x 1)   (x 2  x 0 )(x 2  x 1)(x 1  x 0 ) (x 2  x 1)(x 1  x 0 ) (f1  f0 ) (x 1  x 0 )  f1..  2  f0....2 entonces  n  f0. (1.  La evaluación del error es más fácil. El polinomio de interpolación de Newton de la manera más general se escribe como.. no requiere del reinicio de todos los cálculos nuevamente...  f0.n la complejidad de cálculo para n...1.12 Para el siguiente conjunto de datos..1.12) P(x)  fn  fn. pero no es necesario. Es importante recalcar que los nodos para este polinomio podrán ser equiespaciados o no.

3 ( x  x 1 )( x  x 2 )  f1.2.2.1 f1.2.1..5  f2.3.4 x 5  x1 x1 f1 f1.1.4 ( x  x 0 )( x  x 1 ) ( x  x 2 )( x  x 3 ) P( x )  f0  f1.4 (x 5  x 1 ) c) .4  f2.3.3  f2  f1 x 2  x1 f3  f2 x3  x2 x2 f2 x3 f3 f3.3.1.2  f2.3.1.1.3.3 x 4  x1 f3.4.3.3 x4  x0 f2.2.2 f1  f0 (x  x 0 )  ( x  x 0 )( x  x 1 )  ( x  x 0 )( x  x 1 )( x  x 2 )  (x 1  x 0 ) (x 2  x 0 ) (x 3  x 0 ) ( x  x 0 )( x  x 1 )( x  x 2 )( x  x 3 ) f1.1  f1  f0 x1  x 0 f0.3 (x 4  x 0 ) b) P( x )  f1  f1.1 ( x  x 0 )  f0.4. a) P( x )  f0  f0.2.1.1 x2  x0 f2.3 x4  x2 f0.2.3.3  f0.4. e) i = 4.3  f1.4.2.2.4.4 .3.5  f1.2.4  f1.4.3.2.3.1.4.4.5 ( x  x 1 )( x  x 2 ) ( x  x 3 )( x  x 4 ) P( x )  f1  f2.3.2.2.4.4  f1.3 f2  f1 (x  x 1 )  ( x  x 1 )( x  x 2 )  ( x  x 1 )( x  x 2 )( x  x 3 )  (x 2  x 1 ) (x 3  x 1 ) (x 4  x 1 ) ( x  x 1 )( x  x 2 )( x  x 3 )( x  x 4 ) f2.4  f1.1.4  f2.4.3.2. c) i = 2. x0 f0 f0.2  f1..3.4  f0.4 ( x  x 1 )( x  x 2 )( x  x 3 )  f1.3.2 f2.4  f4.2.4  f0.1.4 .3 ( x  x 0 )( x  x 1 )( x  x 2 )  f0.3.2.2  f0.5  f1.4 x5  x2 f0.5 La tabla de diferencias finitas divididas para el conjunto de datos es.4 x5  x0 y los polinomios interpoladores son.3..4.2 ( x  x 0 )( x  x 1 )  f0.3.34 Interpolación Polinómica i x f 0 x0 f0 1 x1 f1 2 x2 f2 3 x3 f3 4 x4 f4 5 x5 f5 generar los polinomios de interpolación de Newton para: a) i = 0.3  f1.2. b) i =1.3.3.3.2  f0.2.2.2.2.2.5 .2.1.3.2 x 3  x0 f2.2.5  f1.3  f0.3.5  f1.5  f3.2.2 ( x  x 1 )  f1.3..1. d) i = 3.4  f1.1.3  f2.3  f1.2.4 x5  x3 x4 x5 f4 f5 f0.5  f4  f3 x4  x3 f5  f4 x5  x4 f3.5  f4.5 .1.5  f1.2 x 3  x1 f3.5  f0.

1323  0.031 0. 3.13 En base a la siguiente tabla.1013  0. 2.4794 0.75 0.95  0..716  0..7174  0.75 0.75 0.6816 3 0.716 0.3  0.3 0.115 1.1571  0.75  0.64  0.4291  0.5  0.2233  0.4218 1.5  f3.8  0.4794  0.8  0.716  0.4 ( x  x 3 )  f3. 2.63 utilizando un polinomio de interpolación de Newton con diferencias divididas ajustado a: a.12 y x = 0.031  0.) i = 2.15 .9636 3 fi  4 fi  5 fi  fI[1] [1] 2 fi  0.) i = 1.9636 Hallar el valor de f para x = 0.15 0. c. x = 1.8088  0.4 f4  f3 (x  x 3 )  ( x  x 3 )( x  x 4 ) (x 4  x 3 ) (x 5  x 3 ) f3.95  0.4291 1.95 0.8134  0.2233 0.4 ( x  x 2 )( x  x 3 ) P( x )  f2  d) P( x )  f3  f3. 3.32. 4.8134  0.6816 0.1323 0.3093  0.9428 0.7174 0.95 1.) i = 0.3  0. Se genera la tabla de diferencias divididas… i 0 1 2 3 4 5 xi 0.8 0.15 0.8134 0.3  0.4794  0.9428  0.5 ( x  x 4 ) P( x )  f4  f5  f4 (x  x 4 ) (x 5  x 4 ) Ejemplo 1. 3.8088 0.4  f2.75  0.3.1494  0.7174 4 0. b.35 Interpolación Polinómica P( x )  f2  f2.8  0.95  0.8 0.9636  0.95 0.8088  0.38 0.5 0.5 ( x  x 3 )( x  x 4 ) P( x )  f3  f4.4.3 fi 0. Usar corte a 4 cifras significativas.8134 5 1. 1. 5. 4.75 0.3 ( x  x 2 )  f2. i x f 0 0.3 f3  f2 (x  x 2 )  ( x  x 2 )( x  x 3 ) (x 3  x 2 ) (x 4  x 2 ) e) P( x )  f4  f4.3093 0.7174  0.6816  0.1494 1 0.6816  0.5 0. 5.64  0.5 0.15 0.64 0.15 0.5 0.1494 0.15 0.15 0.8 0.4794 2 0.8 0.

12)  0.031  0.5 y los polinomios de interpolación de Newton son.7 fi 0.5) ) )(x la expresión para el polinomio de interpolación de Newton con nodos exclusivamente equiespaciados.) P3 (x)  0.1  1.14943 0.8)  0.32)  0.0260 1.95) P2 (1.5059 – 1. de distancia h.6816  0.4845 halle un polinomio de interpolación de segundo y otro de tercer grado que permitan obtener de forma aproximada f(0.9 c.. a.15)  0.1  1.0293x(x  0.8477x  0.8088(x  0.5)(x  0.5)(x  0.6635 fi[2] – 0.1571 0.4040(x  0.6836 1.1  0.1  0.3  0.1518 0.3154 1 P(0.4218  0.1571  0.1 – 0.6836x(x  0.1 0.0347 0.0293 fi[4] 0.38  0..38  0.4794  0.75) P3 (0.15)(x  0.7 – 1..5 – 1.8477 – 2.15)(x  0.8373 – 2.5)  0.95  0.75 0.75)(x  0.13534  2.75)(x  0.14 Para la siguiente tabla de datos: x f(x) – 0.7028 0 0..1323(x  0.076  0.5) ) )(x y uno de tercer grado es… P(x)  0.8)  0.3  0.75)(x  0.3093(x  0.) P(x)  0.3093  0.15)(x  0.5)(x  0.75)  0.8993 1 b. se transforma en.0036 Un polinomio de segundo grado que interpole a x = 0.63)  0.1518 – 1. Utilice diferencias divididas.8)(x  0.5)  0.5059(x  0.2 es… P(x)  0.13534 0.115(x  0.4040 fi[3] 1.15)(x  0.63)  0.12)  0.14943 – 1.38(x  0.95) (x P(0.14943  2.1013 1.2).36 Interpolación Polinómica 0.4845 fi[1] – 2.076(x  0.1494  0.7028 0. La tabla de diferencias divididas es… xi – 0.9428(x  0.5 0.5893 Ejemplo 1.5889 1 P(1.5 0.076 1.2233(x  0. utilizando (1.8)(x  0.11). .716(x  0.13534 – 0.2 0 0.75)(x  0.5)(x  0.) P2 (x)  0.75)  1 0.2 0.

1  0.2)6 . Ejemplo 1.7 – 0. i x f 0 0.5 = 0.1 0.2)5 0.37 Interpolación Polinómica f0 2 f0 n f0 (x  x 0 )  (x  x 0 )(x  x 1 )  .96  0.10 0.19 (x  0.10  0  0.10 0.10  0.2)3 0.19  0.3 = 0.73  0.7 0.10 0.7 = 1..45 y x = 0.3 0.9 – 0.99 Encontrar el valor de f para x = 1.10 4 f i 0.73 4 0.2 2!(0.10  (0.1 = 0.7)(x  0.01 0.14) P(x)  fn  fn  2 fn mn fn (x  xn )  (x  xn )(x  xn1)  .5)  )(x 1 0.3)(x  0.  (x  x 0 )( x  x 1 )    (x  x n 1 ) h 2! (h 2 ) n! (h n ) (1.9 1.11 0.12 mediante un polinomio de interpolación de Newton– Gregory ajustado a: a.63  0.09  0..11  0.96  0.09 2 f i 0.19 0.19 (x  0. (1.09  (0.7)(x  0.1 – 0.84 5 1.2) 5!(0.3)(x  0.1 0.01  0 0. b.1  0.9 = 1.73  0.3)(x  0.73 0.5 0.2 0.9)(x  1..13) P(x)  f0  o de forma general.84 0.01  0.29 0.99 0.09 0.3 0.1  0. Se genera la tabla de diferencias progresivas… i 0 1 2 3 4 5 6 xi 0.63 0.5)(x  0.19 0  0.44 2 0.7)  )(x (x  0.44 0.5)(x  0.1  ) (x  0.10 0.1 )(x ) 6!(0.19  0.) h = 0.10  0.15  (x  0.5 – 0.) i = 3.15 En base a la siguiente tabla.1 = 0.11 0.15 0.29 0.10)  0 6 f i 0  (0..1 1.01 3 f i 0.5 0.10  0.3)(x  0.12  0.09)  0.  (x  xn )(x  xn1)    (x  xm1) 2 h 2!(h ) (m  n)!(hmn ) denominado polinomio de interpolación de Newton con diferencias progresivas o polinomio de interpolación de Newton–Gregory. Usar redondeo a 7 cifras significativas.3)  )(x (x  0.63  0..15  0.3 0.09  0.5)(x  0.12 0.63 3 0.09 5 f i 0.3 – 1.01 0.1  0.12  0. en un polinomio de grado (m – n) dado por..96 6 1. 4.7 0. x = 0. 5.44  0.1  0.96 0.10)  0. 6.84  0.10 0.3 fi 0.03 fi 0..84  0.15 1 0..10  0.03  0.3 – 0. a.29  0.10 los polinomios de interpolación de Newton son entonces.01 0.01 P(x)  0..1 0.) todos los datos. para un conjunto de puntos ubicados entre xn y xm (0  n  m).10  0.9)  )(x 4 4!(0.99  0.2)2 3!(0.01  0.44  0.9 0.19)  0.09 0.19 0..01  (0.

1 )(x ) P(1  0. resulta… 0. DIM(x) – k) #4: DD_(x. 0. 0.6816.1  0.2083333(x  0. 1. 0.45)  0.125(x  0. DIM(x) + 1 – DIM(r)).95.9)(x  1.7)(x  0. 0.5.9)(x  1.7)(x  0.63 y x = 1.1763624 1 b.11 0.9)  )(x 4. d2)) #7: “Polinomio de interpolación de Newton por diferencias divididas #8: PN1_DD(d. x) := VECTOR(PRODUCT(x – (TABLA_DD(d))i1.3942649x 4  0.) La orden PN_DD([0. m. 0.15.3. m.8993745 b.5951189 1 P(0. 0. x) := (TABLA_DD(d))[3. d” #3: DD(x.04016882 sustituyendo x = 1.9)(x  1. m..3)(x  0.7)  (x  0.75. x)PN2_DD(d. DD_BLANCOS(d1.8134.1494.1 POLINOMIO DE INTERPOLACIÓN DE NEWTON CON DERIVE 6.5)(x  0. 0.9)  2.2)3 P2 (x)  0.6816. 0.1  0. n.1  1.7)(x  0.5.5)  ) )(x )(x 1 )(x 2.3333666x 2  1.090123x  0. n.3)(x  0.8. i.1903895x 2  1.3.12 empleando Derive 6 con una precisión de 7 dígitos.3)(x  0.9636]. f) := VECTOR(APPEND((DD_(x.147812x  0.5889323 0.15  1.) La orden PN_DD([0.34375(x  0.1 ) 2 0. 0.10 (x  0. 2. 1. j.9 c.3)(x  0. DIM(x) –1) #5: DD_BLANCOS(x.7)(x  0. f. x). n.12)  0. 1.5)(x  0.8134..9636].2) 3!(0.3. 0. 3.1152921x 5  0. f) := ITERATES(DD(x.075844131x 3  0.9)  (x  0. DIM(x)) #6: TABLA_DD(d) := APPEND(d.7)(x  0. 0.5)(x  0.1  0. f. 0. j).73  0.73  0.. 1.8. x) Ejemplo 1.6816.4794.) P2 (x)  0. 0. 1. . 0. 6. m. genera el polinomio… 0.007679653 sustituyendo x = 0.4794.1  0. #1: Precision := Approximate #2: “Generación de la tabla de diferencias divididas y progresivas para el conjunto de datos. 0. n.15. 0. 4.3711869x 3  0.45(x  0. 1.12 se tiene respectivamente… 0.7174.01 0. 0. i.947917(x  0..1  0.75. 0. 6.4794. 0.1 ) P2 (1  0.7)  0.38 Interpolación Polinómica P(x)  0. 2.7)  4.7174. r.5. Derive 6 produce los siguientes resultados… a. x = 0.123264(x  0. k) := VECTOR((f(i + 1) – fi)/(f(i + k) – xi). m.75.7174. 0. produce el polinomio… 0.8. 0. k – 1)).95. 0.32. x).25(x  0.9636]. 0.3)  0. n.9039550 1 ) P(0.8134.1494.3154386 0. produce el polinomio… ..2 2!(0. VECTOR("***".15. m – 1) #9: PN2_DD(d.905 ) 1. 0.55(x  0.1494. 0. 2 + m – n]n #10: PN_DD(d. i.16 Resolver el ejercicio 1. 0.) La orden PN_DD([0.7)(x  0. r. f))k.083333(x  0. n. 0.12. Las siguientes líneas de programación[2] en Derive 6 presentan una utilidad para generar un polinomio de interpolación de Newton por diferencias divididas. 0. 0.95. n. k.5. 0. x) := (TABLA_DD(d))n2 + PN1_DD(d. x).

6 ERROR EN POLINOMIOS DE INTERPOLACIÓN. (1.. se desea aproximar mediante un polinomio de interpolación P(x). i i 0 n En la fórmula para el error. por lo cual es necesaria alguna forma alternativa de calcular o estimar el error de un polinomio de interpolación. Si una función conocida f(x).  Número de nodos de interpolación (u orden del polinomio de interpolación). es decir… f (n 1) ()  M donde M  0 el error estimado o aproximado. Sea f(x) una función continua y derivable.  Tamaño del intervalo de interpolación.. En raras ocasiones es conocida f(x).15) e(x)  f(x)  P(x) donde f(x) es la función de donde se extraen los datos (xi. (1. el error tiende a distribuirse de forma tal que su magnitud es pequeña en los alrededores del centro del intervalo pero crece de forma rápida al acercarse a los extremos del mismo. si f(x) es un polinomio de grado n o menor.. fi) para la interpolación. si esta no es la situación.63 se tiene… 0. Ejemplo 1. el cual se define como.. Esta ecuación permite obtener la cota máxima para el error. el error e(x) se puede expresar como. reduciendo los valores máximos del error en los extremos. Si los nodos de interpolación están igualmente espaciados. La distribución de los nodos de interpolación puede ser optimizada utilizando la interpolación con puntos de Chebyshev.x ). f(n+1)() se anula y en ese caso el error es 0. eap(x) es entonces.04099999 sustituyendo x = 0.195466x  0. método que distribuye la magnitud del error de una manera más uniforme a lo largo del intervalo de interpolación.. hasta el orden (n + 1) por lo menos.16) e(x)  f(x)  P(x)   (x  x i ) i 0 n M  eap (x) (n  1 )! fórmula válida para cualquier valor de x que se encuentre entre x0 y xn. entonces para un  cualquiera dentro del intervalo de interpolación [x0. no obstante. e(x)  f(x)  P(x)  f (n 1) () (n  1)!  (x . La forma de distribución y la magnitud del error depende de los siguientes factores:  Distribución de los nudos de interpolación.17 .3093333x 2  1. surge un error e(x) entre la función y el polinomio interpolador. xn]. xn]. hecho conocido con el nombre de fenómeno de Runge.39 Interpolación Polinómica 0.5893692 1. Teorema(Error en un polinomio de interpolación).. la ecuación para el error es difícil evaluarla ya que es desconocido el valor exacto de . [x0. cuando la (n + 1) ésima derivada esta acotada.

0.00970102x 5  0. 0.0807084. –0.1 0. así… fenómeno de Runge (1108)e(x) f(x) 0 Centro del intervalo 1 Del gráfico se pueden observar las siguientes características:    El error oscila.03436911x7  ) 0.2. –0. 0.841435x 2  0. el polinomio de interpolación.540302 por lo tanto la expresión para el error es.5 0.416146].0137833x 9  0. 0.5403029 Para visualizar el efecto del error es necesario graficarlo conjuntamente con el polinomio de interpolación.0691484 0.416146 0.03436911x7  0. x). 0.209238.9.506220.531860.506220 0.9 – 0.236929 Es necesario entonces contar con el objeto de análisis. x f x f 0.0691484.399339 0.462485.540302 0.. 0. 0.2 0.00000124909x  0. 0.4.267578x 4  0.000411552x 3  0.236929. El error en los nodos de interpolación es nulo.0531327x 8  0.1. 0.00557236x10  0.399339. 0. Emplear corte a 6 cifras significativas Para empezar el estudio es necesario contar con la tabla de datos.6 0.0137833x 9  0.163270x6  0.163270x6  0. 0. se obtiene.315322 0.841435x 2  0. 0.00000124909x  0. .00970102x 5  0. e(x): cos(x 2  1  0. A través de la orden de Derive 6 P_LAG([0.3. 0.8 – 0. 0.00557236x10  0.. que resulte de la aproximación de la función f(x) = cos(x2+1) desde 0 hasta 1 en distancias de 0.40 Interpolación Polinómica Estudiar el comportamiento del error en un polinomio de interpolación.0807084 0..6. El fenómeno de Runge es evidente en los extremos del intervalo de interpolación.531860 0.5.1.. 1.209238 0.3 0.462485 1 – 0. 0.7 0.7. –0.4 0. la cual es.8.540302.000411552x 3  0..0531327x 8  0.315322. 0.267578x 4  0. P(x): 0..

e(x)  f(x)  P(x)  x(x  0..2)(x  0.9) )(x (x  1  eap (x) ) finalmente se traza la grafica para el error aproximado eap(x).4)(x  0.41 Interpolación Polinómica Seguidamente.3)(x  0. .6)(x  0.8)(x  0.5)(x  0.6)(x  0.0312293 x(x  0.7)(x  0.1  0.3)(x  0.7)(x  0. se estimará la cota máxima de error. Con ayuda de Derive 6.2)(x  0.. es posible calcular el valor absoluto de la onceava derivada de f(x) como… f(11)(x)  128x 3 (16x 8  3960x 4  17325)sen(x 2  1  3520x(16x 8  504x 4  189)cos(x 2  1 ) ) se grafica dicha expresión para determinar su cota máxima M… M= f(11) por lo tanto...9) )(x (x  1 ) 1246577  eap (x) (11 )! e(x)  0.5)(x  0.8)(x  0..4)(x  0.1  0..

058823 1. con los siguientes con1 x 4 Con dichos datos los polinomios de interpolación Pi(x).00970102x 5  0.0528x  0. también disminuye la magnitud del error.0066197 0.00000124909x  0.03436911x7  0.94117 3.0038910 1 0.5 0.5.012195 –0.011902 i Pii (x): 0.99613x 3  0..0137833x 9  0.016189x7  0.0038910 2 0. Las tablas de datos (xi.94117 –0.5 –1 0.5.093842x 4  0. al disminuir el tamaño del intervalo de interpolación.5.94117 –0. 1.267578x 4  0.5 0.5 0. fi) para cada conjunto de nodos de interpolación son… x f x f x f x f –1 0.163270x6  0. ii.058823 0. De manera general.5 0. 3.024960 x en el intervalo [–1.5 0. –0. 2.44678x 3  0. 4}. 2.{–1.94117 4 0.000411552x 3  0.1706x Piii (x): 0. pues se presenta un fenómeno de oscilación que hace crecer el valor del error a tal punto que en conjunto con la acumulación de errores de redondeo puede superar inclusive al valor del polinomio.94117 0. 0.00557236x10  0.13833x6  0.18 Aproximar por interpolación polinomial la función f(x)  juntos de nodos de interpolación: i.16494 3 0.012195 2 0.5 2 0. P(x): 0. 0.5. –0.94117 0 0 0 0 4 0.5. 4} Analizar el comportamiento del error.42 Interpolación Polinómica concluyéndose que e(x)  0.5. si el tamaño del intervalo de interpolación permanece fijo y se incrementa el número de puntos de interpolación a partir de un número pequeño de ellos.5 0. pudiendo ésta inclusive superar al valor del polinomio interpolador.5 1 0.034584x 2  1..5 0.024147x 2  1.058823 4 0.30932x 5  0. 0.5 0.5. 2. a partir del cual si se incrementa éste el error máximo puede comenzar a crecer. 2. Pii(x) y Piii(x) se escriben.5. 3.5.17292x 4  0. 4].540302 es necesario entonces efectuar las gráficas de los polinomios de interpolación para obtener una idea general de lo que sucede al aumentar el número de puntos de interpolación… . y obviamente al aumentar el tamaño del intervalo también aumentará la magnitud del error. –0. el valor máximo del error tiende a disminuir hasta un cierto número de nodos. 4} iii.5 0.000000130106.5 –1 0.5 3 0. 0. 1.{–1.0531327x 8  0. Finalmente. 0. 3. 1. por lo que se deduce que el aumentar el número de nodos de interpolación no garantiza el incremento en la precisión.{–1.0038910 2.841435x 2  0. Ejemplo 1.

000411552x 3  0.540302 Piii (x): 0.03436911x7  0.00000124909x  0.267578x 4  0.00970102x 5  0.267578x 4  0.540302 Pii (x): 0.00970102x 5  0.43 Interpolación Polinómica Pi(x) Pii(x) f(x) Piii(x) oscilación polinómica es evidente observar como al crecer el número de puntos de interpolación se mejora la aproximación de los polinomios a la función..03436911x7  0.841435x 2  0. Las expresiones para los errores son.841435x 2  0. –0.0137833x 9  0.00557236x10  0.267578x 4  0.163270x6  0.0531327x 8  0.540302 y sus gráficas son… ei (x) eii (x) eiii (x) .841435x 2  0.00000124909x  0.5] donde se presenta una oscilación polinómica. excepto en el intervalo [–1.000411552x 3  0. ei (x): x 1 x 4  0.00000124909x  0..163270x6  0.000411552x 3 0.

el error presente en los extremos es superior al resto del intervalo de interpolación.058823 –4 0. 0.00090498x 4  0. son… oscilación polinómica Pi(x) f(x) Pii(x) oscilación polinómica .038461 3 0.44 Interpolación Polinómica La gráfica confirma que el error disminuye a medida que el número de puntos de interpolación aumenta. 5} Analizar el comportamiento del error. 4. fi) son… x f x f –5 0.058823 –1 0. 4. 2. 3. Un caso más crítico de oscilación polinómica lo muestra el siguiente ejemplo… Ejemplo 1. –1.2 5 0. excepto en el intervalo donde se presenta la oscilación polinómica.038461 –5 0. {–5. 5]. Sus tablas de datos (xi.039367x 4  0.0092760x 3  0.00022624x7  0.038461 –4 0. –4. con los siguientes con1 x 2 y sus correspondientes polinomios de interpolación… P(x): 0.058823 2 0.090498x 3 0. –1.039367x 2  i 0.038461 1 en el intervalo [–5. Aún así.2 0 0 4 0.1 4 0.090498x  0. {–5.45701x 2  1 las gráficas de f(x) y los polinomios de interpolación anteriormente calculados. ii. –4. 5}.45701 Pii (x): 0.0092760x 5  0.058823 5 0.5 –1 0.00090498x6  0.5 2 0. 2.00022624x 5  0.19 Aproximar por interpolación polinomial la función f(x)  juntos de puntos de interpolación: i.

..090498x  0. Sea f(x) una función continua y derivable hasta el orden (n + 1) inclusive..1...7 ERROR EN LOS POLINOMIOS DE INTERPOLACIÓN DE NEWTON. entonces la anterior expresión se convierte en la relación aproximada.. Para los polinomios de interpolación de Newton existe una forma alternativa y más sencilla de expresar el error.. (1.n 1 ( x  x 0 )( x  x 1 )    ( x  x n ) .. la cual la define el siguiente teorema..x )  f i i 0 n 0. x n . entonces para un polinomio de interpolación de Newton.. x] la (n + 1) ésima diferencia finita dividida.. x 1 ...00022624x7  0.039367x 2  0.00090498x6  0.n. siendo f[x0.17) e(x)  fx 0 .. Teorema. e(x)  f(x)  P(x)  fx 0 . Los errores de interpolación para estos polinomios serán… ei (x): 1 1 x 2  0..00022624x 5  0.. x n .. esto confirma que el aumentar el número de puntos de interpolación no siempre incrementa la precisión.xn..x ) i i0 n para un valor arbitrario x  x0.0092760x 3  0.x1.090498x 3 0. el error e(x) se puede expresar como..45701 eii (x): 1 1 x 2  0..x1.2..00090498x 4  0..xn. x   (x . 1.0092760x 5  0. x n 1   (x .039367x 4  0. x 1 .. Si se toma un valor fijo xn + 1 como por ejemplo un punto adicional de la tabla de datos..45 Interpolación Polinómica éstas muestran una gran influencia de oscilación polinómica en los extremos del intervalo de interpolación lo que hará nada confiables los datos interpolados en estos intervalos..45701x 2  1 y sus gráficas versus f(x) es… eii (x) f(x) ei (x) resulta evidente que el error supera a f(x) en algunas regiones del intervalo de interpolación..

3. Además. cos( A) cos(B)  1 cos( A  B)  cos( A  B) 2 con A = n. ya sea un valor posterior a xn o un anterior a x0. con el cual se construye las diferencias divididas o progresivas que requieren dichas fórmulas.17) es válida para las diferencias divididas.. para n = 1.2. para n = 0. que muestra como el error aproximado de interpolación para un polinomio de Newton por diferencias divididas está dado por el término (n + 1) ésimo del desarrollo de grado n. este comportamiento puede ser modificado si se escogen los nodos de interpolación de manera que el error se distribuya uniformemente a lo largo de dicho intervalo. cos((n  1) arccos( x ))  2 cos(n  arccos( x )) cos(arccos( x ))  cos((n  1) arccos(X))  2 cos(n  arccos( x))x  cos((n  1) arccos(X)) pero. así.) cuyo dominio de definición es [ 1.1. (1.46 Interpolación Polinómica denominada regla del término siguiente.18) e(x)  n 1 f0 (n  1)! h n 1 ( x  x 0 )( x  x 1 )    ( x  x n ) Para las expresiones (1.2.. se la puede también escribir en función de diferencias progresivas como.. lográndose con ello una minimización del error.. De esta definición. el error se reparte de forma tal que toma valores máximos cerca de los extremos del intervalo de interpolación. En los métodos de interpolación revisados hasta aquí... T0 ( x )  cos(0  arccos( x ))  1 T1 ( x)  cos(1 arccos( x))  x de la identidad trigonométrica. Si bien la expresión (2. Tn(x) (donde n = 0. Tn+1(x)=cos((n+1)arccos(x)) y Tn 1(x)=cos((n 1)arccos(x)). B = 1 y  = arccos(x). cos(n  arccos( x)) cos(arccos( x))  cos((n  1) arccos( X )) 1 cos((n  1) arccos( x))  2 rescribiendo la ecuación..8 INTERPOLACIÓN CON RAÍCES O PUNTOS DE CHEBYSHEV.3.17) y (1. MINIMIZACIÓN DEL ERROR DE INTERPOLACIÓN. Los polinomios de Chebyshev.. se puede establecer una fórmula recurrente para los polinomios de Chebyshev. La minimización y repartición uniforme del error a lo largo del intervalo de interpolación se logra al tomar como puntos de interpolación las raíces del denominado polinomio de Chebyshev..18) se podría utilizar como punto adicional xn+1... en este caso el error disminuirá considerablemente con respecto a los valores obtenidos en los métodos vistos hasta ahora.1. 1. están dados por la fórmula: Tn ( x)  cos(n  arccos( x)) n  0.... se obtiene... entonces… Tn 1 ( x )  2xTn ( x)  Tn 1 ( x ) fórmula recurrente que permite calcular el termino (n+1)ésimo en función de los términos nésimo y .1].

x)  4x 3  3x CHEBYCHEV _ T(4.. . En base a ésta fórmula se pueden definir los polinomios de Chebyshev. CHEBYCHEV _ T(2...1.. . CHEBYCHEV _ T(1 x)  x . x)  16x 5  20x 3  5x Graficando estos polinomios se tiene… Pero nos interesa de los polinomios de Chebyshev sus soluciones.. –1  Tn(x)  1.. Considérese.MTH contenida dentro del directorio MATH..47 Interpolación Polinómica (n1)ésimo. que posee la función CHEBYCHEV_T(n.. .. x)  8x 4  8x 2  1 CHEBYCHEV _ T(5. cos(n  arccos( x))  0  2i  1  arccos( x)     2n  2  i  0.. de la siguiente manera. T0 ( x)  1 T1 ( x)  x T2 ( x)  2x( x )  1  2x 2  1 T3 ( x)  2x(2x 2  1)  x  4 x 3  3 x . x). Tn ( x )  0 es decir. la cual calcula el nésimo polinomio de Chebyshev. x)  2x 2  1 CHEBYCHEV _ T(3. En Derive 6. n .. . Tn1 ( x)  2xTn ( x )  Tn1 ( x) se puede notar además que debido a la función coseno. entonces seguidamente se hallarán las raíces o puntos de Chebyshev. pues éstas constituyen los nodos de interpolación que distribuyen uniformemente el error y lo minimizan. existe la utilidad ORTH_POL. de donde.2. por lo que los polinomios de Chebyshev se encuentran “encerrados” dentro de un cuadrado de coordenadas x =  1 e y =  1. . .. . Así por ejemplo.

n)i2. 2z i  (x n  x 0 ) (x n  x 0 )  2i  1    cos     2n  2   es decir..1... 1.. n + 1) .48 Interpolación Polinómica  2i  1   x i  cos    2n  2   o sea.. xn.... xn].. n) #4: DATOS(x0. (1/2)((xn – x0)COS(((2i + 2)/(2n + 2))) + xn + x0)].8.. 0. zi    2i  1   1    b  a  (b  a) cos  2   2n  2     i  0..2. Es posible automatizar con Derive 6 el cálculo de las raíces zi de Chebyshev y los puntos de interpolación evaluados para una función f(x) en dichas raíces.1.1 RAÍCES DE CHEBYSHEV CON DERIVE 6.. z z  x0 z  xn si si x  1 x 1 (x n  x 0 )x  (x n  x 0 ) 2 donde. mediante las siguientes líneas de programación. n) := VECTOR([RAICES_CHEBYSHEV(x0. n) := VECTOR([i. i. #1: Precision := Approximate #2: F(x) := #3: RAICES_CHEBYSHEV(x0.2. x  2z  (x n  x 0 ) (x n  x 0 ) y reemplazando en la fórmula para las raíces. n)i2)]. coincidirá el intervalo de las raíces con el intervalo de interpolación. n que es la fórmula para las raíces de Chebyshev en el intervalo [ 1... xn. Para lograr esto. Sin embargo rara vez. n que son las raíces de Chebyshev que se encuentran dentro del intervalo [x0. 1. i  0. i...F(RAICES_CHEBYSHEV(x0... despejando x. xn]. xn. xn. se tiene. considérese el siguiente cambio de variable. por lo que es necesario acomodar la anterior fórmula para que funcione dentro de cualquier intervalo [x0...1].

La interpretación geométrica del teorema de Bolzano se muestra en el siguiente gráfico.. no poseen métodos exactos de obtención de raíces y en caso de que éstos existan. Teorema (Existencia de una única raíz). aunque en muchas ocasiones es necesario ayudarse de una aproximación gráfica. entonces si f(xr) = 0. entonces existe al menos un punto xr. 2.1: Teorema de Bolzano Aunque el teorema anterior establece la condición necesaria para la existencia de por lo menos una raíz. c].. 2.. Fig. Analíticamente. Si f(a)f(c) < 0.. Sea y = f(x) una función dada.. Para descartar tal posibilidad y encontrar un intervalo que contenga una y solo una raíz. y sea xr un número real o complejo. Sea y = f(x) una función continua y derivable en el intervalo [a. es indispensable considerar el siguiente teorema.49 Solución de ecuaciones no lineales CAPÍTULO SOLUCIÓN DE ECUACIONES NO LINEALES 2 Las ecuaciones no lineales. Si el signo de f(x) permanece constante en [a. De forma matemática el aislamiento de una raíz se fundamenta en el siguiente teorema… Teorema (Teorema de Bolzano). Sea y = f(x) una función continua en el intervalo [a. se puede proceder a determinar dicho intervalo. Definición (Raíz de una ecuación). muchas veces su proceso resulta de trámite muy engorroso. en su mayoría. entonces se dice que xr es una raíz o solución de f(x) = 0. c] con f(a)f(c) < 0. entonces existe una única raíz o solución de f(x) .1 AISLAMIENTO DE RAICES. deja abierta la posibilidad de que exista más de una. tal que f(xr) = 0. que mediante una automatización por computadora. resultan una alternativa muy eficaz. c]. El objetivo del presente capítulo es exponer al lector los principales métodos de solución de ecuaciones no lineales. El primer paso a darse para poder aplicar los métodos numéricos del presente capítulo es aislar el intervalo de tal manera que exista una sola y única raíz.. Matemáticamente el problema lo establece el siguiente teorema.

. se puede aplicar el teorema de Bolzano con lo que se asegura la existencia de al menos una raíz.1 Graficar mediante Derive 6 la función y = sen(x) + e-cos(x). c]. En Derive 6 el proceso de graficación es muy simple. Ejemplo 2.. Antes de utilizar un algoritmo numérico para encontrar la raíz de una ecuación es necesario previamente encontrar un primer intervalo de aproximación o una ó más aproximaciones a la raíz. y descubrir un intervalo donde exista raíz. dado que existe f(x) y que tiene un valor constante. entonces se garantiza que f(x) sea estrictamente creciente o decreciente en [a... Por otro lado. seguidamente se efectúa el proceso anteriormente indicado y se obtiene. c]. Debido a que y = f(x) es continua y derivable en [a. lo que impide que la curva pueda cortar al eje de las abscisas en más de un punto. permitiendo de esta forma la existencia de una sola y única raíz..50 Solución de ecuaciones no lineales = 0 en dicho intervalo. que tiene el siguiente aspecto.. Se escribe y resalta la ecuación.2 APROXIMACIÓN GRÁFICA A LA SOLUCIÓN DE UNA ECUACIÓN. Este proceso de “primera aproximación” se lo puede lograr a partir del grafico de la curva cuya raíz se busca. 2. Paso 2: Se hace clic sobre la orden Window/New 2D–plot Window y luego sobre el icono Paso 3: Entonces aparece la ventana de gráficos.. Paso 4: En dicha ventana se hace clic sobre la orden Insert/Plot (ó F4) y la gráfica automáticamente se dibuja. para ello… Paso 1: Se escribe la función en la forma y = f(x).

aunque no el más rápido. siempre dentro del anterior. expresado [a.. 2. partiendo de un intervalo cerrado el cual es reducido a otro. existe una sola raíz. Para poder determinar la raíz de la ecuación es previamente necesario encontrar por aproximación gráfica o aislamiento numérico el intervalo de ubicación de la misma.3. 5]. seguro y sólido. Supóngase que en el intervalo entre x = a y x = c. como se muestra en el siguiente gráfico. c]. que contenga la raíz en una vecindad tan pequeña como se desee..51 Solución de ecuaciones no lineales Del gráfico se puede observar claramente que hay un intervalo de existencia de la raíz en [4. para hallar la raíz de una ecuación no lineal. Estos métodos de solución de ecuaciones no lineales encuentran una aproximación(valor cercano) a la raíz..1 MÉTODO DE BISECCIÓN. 2.3 MÉTODOS CERRADOS.. . Este es el método más simple. mediante procesos iterativos. A continuación se describe el método.

caso contrario el intervalo [b. c]. si f(a)f(b)  0. b] contiene la raíz.52 Solución de ecuaciones no lineales y f(x) Fig.681631 0 . c] será el que la contenga.. ]. ]. o bien que f(a) ó f(c) se anulen. es decir f(a)f(c)  0. c]. Encontrado el nuevo intervalo que contiene la raíz se biseca de nuevo el mismo y se repite el proceso para hallar el nuevo intervalo que contiene la raíz. a saber [a. el intervalo [a.2: Método de bisección raíz f(c)  0 a c f(a) < 0 x El método se fundamenta en el hecho de que existe una raíz en el intervalo [a. De esta manera. Redondear los cálculos a 6 cifras decimales.841471 – 0. pudiéndose detener el proceso cuando la raíz (punto medio en cada bisección) se encuentre dentro de una tolerancia tol prefijada. utilizando el método de bisección con una tolerancia de tol = 0. El primer paso para utilizar este método consiste en bisecar o dividir por la mitad el intervalo [a. i 1 2 3 xi 1 1. Se procede a generar una tabla para aislar las posibles raíces contenidas en el intervalo [1. el intervalo de la raíz se vuelve cada vez más pequeño. Luego de verificar los signos de f(a)f(b) y 2 f(b)f(c) se ubica la mitad del intervalo que contiene la raíz. Luego de haber realizado el proceso n veces el tamaño del intervalo tiene el tamaño (c  a) inicial 2 n n . 2.2 Encontrar las raíces de la ecuación f(x) = sen(x2  2x) que se ubiquen en el intervalo [1. ó 2n ln((c  a)inicial )  ln(tol) ln(2) Ejemplo 2.. La tolerancia tol entonces debe cumplir entonces con la desigualdad (c  a)inicial  tol .5 2 f(xi) – 0. Si se repite secuencialmente el proceso anterior.001. siempre y cuando los signos de y = f(x) en los dos extremos del mismo sean contrarios. c] donde b es el punto medio dado por b  (a  c ) . b] y [b.

utilizando el método de bisección con una tolerancia de tol = 0. se procede entonces a graficar la función para aislar un intervalo de búsqueda de la raíz.002212 f(c) – 0.001252 – 0.141120 0.000998 6 0. Emplear redondeo a 6 cifras decimales.430301 – 0.030974 3.146079 – 0.035398 3.001.034292 3.3 Hallar una raíz de la ecuación f(x) = x4  3x3 + 3x – 1.141120 – 0.141120 0.2 f(xi) –3 – 2.033186 por error relativo y x = 3.001252 7 0.5 3 3.948985 0.034292 b 3.070796 3.001252 – 0.035398 3.001252 – 0.034845 por error absoluto.033186 3.035398 3.035398 3. i 1 2 3 4 5 6 7 8 a 3 3 3 3..001106 8 0.035398 3.016736 0.141120 0. y en él se afinará el aislamiento de la posible raíz..070421 0. 3]. tomemos el intervalo [2.918400 . i 1 2 xi 2 2.007747 0.026549 3.017699 3. pues en el se produce un cambio en f(x) de positivo a negativo.146079 – 0.017699 3.000553 i Error absoluto Por lo tanto.430301 De la tabla se puede observar que una raíz se encuentra en x = 2 y la otra en el intervalo [3.016736 0...070796 3.001252 – 0. mediante la siguiente tabla.035398 c 3. ]. Entonces se procederá a la búsqueda de esta última raíz.034685 0..034685 0. Como no se da en el problema un intervalo donde encontrar la raíz.003249 4 0.003249 0.034845 1 --2 0. Ejemplo 2.070421 0.035398 3 0. la raíz para el intervalo [3. ] es x = 3..008850 5 0.141593 3.035398 3.026549 3.001252 0.007747 0.004425 f(b) – 0.017699 f(a) 0.53 Solución de ecuaciones no lineales 4 5 6 2.033186 3.030974 3.001252 – 0. 2 f ( x) 1 0 1 2 3 2 x Se puede entonces tomar varias alternativas para intervalos de búsqueda.141593 0.

.6.615625 2.2)  2.6 2. Ejemplo 2.230400 3.092041 0.031432 – 0.195100 0.011062 5 0.6  tan(4. 2.7)  76.094400 – 0.617969 1 --2 0.617188 – 2.031432 – 0.65 2.6 2.625 2.676474 ) 4.092041 0.54 Solución de ecuaciones no lineales 3 4 5 6 i 1 2 3 4 5 6 7 8 2.4 2.8]. La tabla de búsqueda de dicha raíz es.617969 por error absoluto.009600 8 b 2.61875 2.8 2.003125 7 0. contenida en el intervalo [4.230400 – 0.422220 4.303676 4.5)  0.4  tan(4.230400 – 0.4 4.7 2.7  tan(4.6)  4..230400 – 0.009600 1.5 corresponde a la presencia de la raíz. con hasta 2 cifras decimales de precisión.071904 – 0.00625 f(b) 1.4 Utilice el método de bisección para hallar la raíz de la ecuación x  tan(x) .7 2.6125 2.6 2.1  2.184871 4.009382 – 0.014152 4.195100 0.230400 – 0.617188 2.9 5 f(x) 4  tan(4)  2.0125 f(a) – 0.071904 – 0. Se procede entonces al aislamiento de las posibles raíces… x 4 4.8] es x = 2.5  tan(4.05 i Error absoluto Entonces la raíz para el intervalo [2.167493 5  tan(5)  8.092041 – 0.380515 El primer cambio de signo entre 4.436631 0.625 2.3 4.1 4.001563 f(c) 3.4)  1.8 3 a 2.65 2.6125 2.012763 4.6 2.8  tan(4.011062 – 0.6 2.260175 4.617188 por error relativo y x = 2. mientras que el segundo cam- .6.615625 2.137332 4.61875 por lo que la raíz se halla en el intervalo [2.071904 0.009382 0. Se escribe la ecuación en la forma f(x) = 0.4 y 4.61875 2.9  tan(4.1 tan(4.6125 2.025 4 0.009382 8 0.842179 4.8)  16.2  tan(4.9)  10.000851 6 0. 5].000781 2.6 4.61875 3 0.8 4.009382 0.7 4. de donde f(x)  x  tan(x)  0 .5 4.3)  2. 2. c 2.2 4.3  tan(4.436631 0.625 2.

726731 0. x.7125 4.129732 9012.00625 0.016526 9012.184871 31.55 Solución de ecuaciones no lineales 3 y no corresponde a la presencia de una raíz.711719 1 --2 0.477771 4 0.8.725 4.4 4. fin..477771 – 1487.475 4.008875 6 0.4.8]: i 1 2 3 4 5 6 7 a 4.7 4.492188 4.076783 – 684.00625 5 0.5 4.49375 4.02451 0.70625 4.492969. 2.710938 b 4.4875 4.012763 – 76.076783 – 684.4.5].129732 9012.185203 – 327. #1: F(x) := #2: AISL(in.7 y 4.003125 f(b) 0. 4.025 c 4.475 4.055491 0. el valor de f(b) en lugar de acercarse a cero crece (ya sea con valores negativos o positivos).025 c 4.325414 84.000781 La raíz pedida es 4.012763 – 76.116078 – 0.49375 4.7125 4.7 4.012763 – 158.0125 4 f(a) + + + + + + + 5 0.4875 4..1 MÉTODO DE BISECCIÓN UTILIZANDO DERIVE 6 Aislamiento de las raíces Las instrucciones siguientes permiten en Derive 6 generar un rastreo de los intervalos posibles donde se pueden hallar las raíces.49375 4.7 4. Comprobemos la no existencia de raíz en el intervalo [4.001563 7 f(c) – – – – – – – i Error absoluto 0. fin.5] i 1 2 3 4 5 6 7 a 4.8 4.129732 – 158.7125 4.710938 4. lo que demuestra que el acercamiento al posible punto raíz no es más que un acercamiento al punto correspondiente a una asíntota.001563 f(c) 16. p) := VECTOR([x.5 4. se presenta en la asíntota x  Por lo tanto el intervalo de búsqueda de la raíz es [4.5 4. está dado por las siguientes instrucciones.341933 0..012763 – 76.75 4.49375 3 0. 4.492188 b 4.869069 6 0.45 4.492969 1 --2 0.725 4.75 4.7 4.4875 4.185203 – 327.45 4.5 4.325414 84.490625 4.1. 2 bio.7. SIGN(F(x))].006887 0.003125 f(b) 31. in.3.7125 3 0. p) Método de Bisección Un programa en Derive 6 utilizando programación funcional para hallar la raíz de una ecuación por el método de bisección utilizando el número de iteraciones n como criterio de paro.709375 4.000781 i Error absoluto Si bien se puede observar que el error disminuye como en la búsqueda del intervalo [4.016526 9012.129732 9012. 4. .129732 7 0.0125 f(a) – 76.490625 4.709375 4..7125 4. entre 4.70625 4.

excepto por la forma de determinar el punto intermedio b. fin. (in+fin)/2]. t := ABS((fin – in)/2). 0]). fin. es decir hasta generar el punto [b. (in+fin)/2]. y C Fig. [“raíz”. fin. i :+ 1)) 2. n) := ITERATE(BIS_AUX1(v1. IF(i = n. r. fin := r). El siguiente paso es determinar la . n) := IF(F((in+fin)/2) = 0. r. por este punto se traza una recta vertical hasta cortar la función f(x). DE LAS CUERDAS O REGULA FALSI. [(in+fin)/2. c]. v. v2).. De lo explicado se puede comprobar que el proceso es casi exactamente idéntico al método anterior. f(b)] y [c. 2.. ((BIS_AUX2(in. f(c)] se efectúa una interpolación lineal generando una cuerda AC. n))1)/2)]) Un programa en Derive 6 utilizando programación procedural para hallar la raíz de una ecuación por el método de bisección utilizando el número de iteraciones n como criterio de paro. [in. [“raiz” . RETURN [“raiz”. in := r.. Este procedimiento se repite un número n de veces hasta que la diferencia entre la n–ésima y la (n – 1)–ésima aproximaciones no superen una tolerancia prefijada tol. contiene la raíz. fin. n))2 – (BIS_AUX2(in. “error”. fin]) #3: BIS_AUX2(in. como lo muestra el siguiente gráfico. mediante interpolación lineal.56 Solución de ecuaciones no lineales #1: F(x) := #2: BIS_AUX1(in. #1: F(x) := #2: BISECCION(in. está dado por las siguientes instrucciones. RETURN [“raiz”. LOOP(r := (in+fin)/2. es decir f(a)f(c)  0. f(b)]. IF(F(r) = 0. la que genera una cuerda. entre los puntos extremos [a. f(c)] (como se observa en el gráfico).2 MÉTODO DE FALSA POSICIÓN.. Considérese una función f(x) en el intervalo [a. “error” . “error”. que deja de ser una monótona bisección. ABS(((BIS_AUX2(in. f(a)] y [c.3: Método de falsa posición f(c)  0 a b c f(b) < 0 raíz x A f(a) < 0 f(x) Dicha cuerda corta al eje x en el punto b. en el cual existe una raíz. Gracias a este punto la curva queda cortada en dos segmentos uno de los cuales contendrá la raíz. de ahí su nombre extendido de método de las cuerdas. fin) := IF(F(in)F((in+fin)/2)<0. fin. n – 1) #4: BISECCION(in. t]). fin. fin]. éste es la primera aproximación a la raíz exacta. n) := PROG(i := 1. Este método efectúa una aproximación a la raíz. entonces este segmento de curva se vuelve a aproximar mediante interpolación lineal repitiendo el proceso explicado anteriormente. IF(F(in)F(r) > 0. así se hallará una segunda aproximación a la raíz.3. [in. fin. n)1+ BIS_AUX2(in. n)2)/2. Supóngase que el segmento entre los puntos [b.

0169439 0.4 0. i 1 2 3 4 a 0.523651 0..00620691 0. b af(c)  cf(a) f( c )  f( a ) expresión que constituye la formula general para la aproximación a la raíz mediante el método de la falsa posición.518530 0.8 1 1. i 1 2 3 4 5 6 7 8 9 10 11 xi 0 0.0119652 0. estos triángulos son semejantes entonces se puede establecer la relación.105654 0.492731 0..000243068 0. 0.523651 b 0.00131492 0.172422 – 0.184718 – 0.518530 0.6] Búsqueda de la raíz en el primer intervalo.6 1. por lo que las sucesivas aproximaciones a la raíz.0196003 . utilizando el 3 método de la falsa posición con una tolerancia de 0..0458384 0. 1.416482 De la tabla se puede observar que una raíz se encuentra en x = 0 y otras dos posibles raíces se hallan en los intervalos [0...0000438128 f(c) – 0.00131492 0.0974110 – 0.6 f(a) 0.492731 0.524586 c 0. convergen a la raíz exacta solamente por un extremo.4.4 1.2 0.6 0. especialmente cuando el intervalo inicial es muy grande o cuando la función se desvía de manera significativa de la línea recta generada en la interpolación lineal. La desventaja de este método es que pueden aparecer extremos fijos. Ejemplo 2. Los extremos fijos hacen más lenta la convergencia.2 1.6 0.4 0.6 0..230134 0.0196003 – 0.. en donde uno de los extremos de las iteraciones no se mueve del punto original.0196003 – 0.8 2 f(xi) 0 0.00620691 0.6 0.57 Solución de ecuaciones no lineales fórmula para el punto intermedio b.0196003 – 0..5 Determinar las raíces de la ecuación f( x)  e  x  cos( x) que se ubiquen en el intervalo [0. Se procede a generar una tabla para aislar las posibles raíces contenidas en el intervalo.0169439 – 0.4.000243068 f(b) 0. se tiene.6] y [1.0196003 – 0.001.2]. Considérese para ello los triángulos Aab y Ccb mostrados claramente en el gráfico anterior. f( c ) cb   f( a ) b  a despejando de ésta b.

58 Solución de ecuaciones no lineales i Error absoluto 1 --2 0.000171186 f(b) – 0....6 2.93449 1.00425689 0.0001.399573 0.00307 3 c 2 2 2 f(a) 0.841470 0.93142 1.6 1.6 1.8 1.173847 0.391503 – 0. i 1 2 3 4 5 6 7 8 9 10 11 xi 1 1.6 3 f(a) – 0. Ejemplo 2..00425689 0.00000673644 f(c) 0.092569 3 0.732039 0.724536 – 1.2 1.4 2.6 1.46501 – 1.85887 Entonces la raíz buscada se encuentra en el intervalo [1.54573 b 1.105654 – 0. i 1 2 3 a 1.00007 . 1 --- b 1. mediante el método de falsa posición.00528296 – 0.54593.7 Mediante el método de falsa posición encuentre una raíz de f(x)  x 3  x  1 .00528296 – 0. hallémosla.53948 1.54593 1 2 c 1.93142 1.173847 – 0.08449 – 1.8 2 2.585449 0.000935 Ahora la raíz en el segundo intervalo.53948 1.0000991965 0.54573 1. 2].93449 i Error absoluto La raíz es x = 1..00000452348 f(c) – 0.8.0002 Error absoluto Las raíces son entonces x = 0.524586 y x = 1.2 2.00625 0. i 1 2 3 a 1.93456 2 0.0907025 – 0.0458384 0.0000991965 f(b) 0.8 3 f(xi) 0..6 Encuentre la raíz de f(x) = sen(x) – x + 1 que se sabe está en 1 < x < 3.0907025 0.93456.005121 4 0.0458384 i --0.0907025 – 0. Utilice una tolerancia de 0. con hasta 3 cifras decimales de precisión.000171186 – 0. Se procede a generar una tabla para aislar la raíz contenidas en el intervalo dado.0907025 – 0.0458384 0.4 1.4 1. Ejemplo 2.

324531 b 1.5 1. si ella se encuentra en el el intervalo de búsqueda utilizado. El método puede determinar una singularidad de la fun.875 0.000797 – 0. Sus valores obtenidos a partir de estas . El método tiene una convergencia más rápida que el método de bisección.323436 1.324691 1 --2 0. porque genera la aparición de un extremo fijo que detiene su convergencia. aunque en algunos casos. verificar que f(b) converja a 0. CARACTERÍSTICAS DE LOS MÉTODOS CERRADOS ESTUDIADOS: El siguiente cuadro muestra una serie de características que pueden servir para elegir uno de los métodos estudiados de acuerdo al contexto del problema.234369 – 0.324531 1.000160 f(c) 0. partiendo de una o más aproximaciones iniciales a la raíz.005461 – 0.5].. Método de bisección Método de falsa posición El método siempre halla la raíz.234369 – 0.007474 f(a) –1 – 0. por lo que es necesario verificar que f(b) converja a 0. pero en general este método no es más rápido que el de bisección.037037 – 0.875 0.5 0 0.5 2 2 x Del gráfico es fácil observar que la raíz se halla en el intervalo [1. El método tiene una convergencia lineal. El método tiene una convergencia lineal 2. presenta una convergencia mayor a la lineal.005461 – 0.323436 1. Este problema se puede minimizar si se afina lo más posible el intervalo de búsqueda de la raíz.875 i Error absoluto La raíz pedida es 1.000115 5 0.315962 1. 1.5 1. en general.049295 c 1. i 1 2 3 4 5 a 1 1.El método puede determinar una singularidad de la función como raíz de la ecuación .5 1..4 MÉTODOS ABIERTOS.5 1.5 3 0. es lento en su convergencia hacia la raíz. intervalo de búsqueda utilizado.324691.5 1 1.266667 1. mediante procesos iterativos.59 Solución de ecuaciones no lineales 1 4 2 2 f (x) 1 0. si ella se encuentra en El método siempre halla la raíz.000797 4 0. por lo que es necesario ción como raíz de la ecuación . El método.001095 f(b) – 0.875 0. siempre y cuando la función lineal que interpola a f(x) y ésta sean muy próximos entre sí. Los métodos abiertos de solución de ecuaciones no lineales hallan una aproximación a la raíz. antes de proceder a utilizar el método.875 0.315962 1.266667 1. especialmente aquellos en los que la interpolación lineal es muy cercana a la curva f(x).037037 – 0.

dicha tangente corta al eje x en el punto x1.. ésta se deducirá a continuación. el método tiene dos inconvenientes: el cálculo de la prime- .1 MÉTODO DE NEWTON .  x 0  x1 x 0  x1 para el triángulo Bx2x1 se puede establecer bajo la misma deducción que.60 Solución de ecuaciones no lineales aproximaciones iniciales no se restringen a un intervalo cerrado como en los métodos anteriores. y Fig. y como el procedimiento genera triángulos de la misma especie.2... el proceso se detendrá cuando la distancia entre dos aproximaciones sucesivas xn-1 y xn no superen una tolerancia prefijada tol..... Ahora se toma como estimación de búsqueda al punto x1 y se vuelve a repetir el procedimiento para encontrar las siguientes aproximaciones x2. de manera general se tien  0. que es la primera aproximación a la raíz exacta.. como lo muestra el siguiente gráfico... f(x0)). ello da el nombre de “abiertos” a estos métodos. 2. Considérese el triángulo Ax2x0 del gráfico anterior. Ésta es la fórmula general para la n–ésima aproximación a la raíz ne. por trigonometría se puede establecer. 2. Este método constituye uno de los más utilizados y basa su algoritmo en la aproximación a la raíz mediante la tangente a la curva en un punto inicial de búsqueda. xn1  xn  f(xn ) f´ (xn ) exacta.3.. por ejemplo x0 y se traza la tangente a f(x) que pase por el punto (x0.RAPHSON O DE LAS TANGENTES. Si bien el método es muy sencillo de aplicar.1... xn. Existe una fórmula general para la aproximación n– ésima (xn) a la raíz exacta.. de donde. . x1  x 0  x 2  x1  f( x o ) f ´ (x 0 ) f( x 1 ) f´ (x1) tan(Ax 1x 0 )  f ´ ( x 0 )  Ax 0 f( x o ) .4.4: Método de Newton – Raphson A B x X2 X1 X0 f(x) Se estima entonces un punto inicial de búsqueda... x3. Sea f(x) una función que contenga una raíz.

459697694 3.459697694 3..9644529683 0.9610659883 – 0.692440754 3..692980193 .01272220908 – 0.0355470 f(xi) – 0.1].00001.00338697 4 0.1]. Graficando f(x)..0001072614342 – 0. por lo que este valor será una buena aproximación a dicha raíz.9610369414 1 --2 0.8 Determinar las raíces de la ecuación f( x )  x 5  sen( x) que se ubiquen en el intervalo [–1.692440713 5 0. La fórmula iterativa que se aplicará para este problema es x i 1  x i  f(x i ) x i5  sen(x i )  xi  f (x i ) 5x i4  cos(x i ) La primera raíz se halla muy cerca de –1. entonces el proceso iterativo es. 5 f( x) 1 0 1 5 x Es muy fácil notar que posee una raíz en x = 0. de otro modo. y que las dos restantes se hallan en los intervalos [–1.. utilizando el método de las tangentes con una tolerancia de 0.0000290447 f’(xi) 4.756210276 3.01272220908 0..1585290151 0. i 0 1 2 3 4 i Error absoluto xi –1 – 0. la solución iterativa puede divergir o converger a una solución irrelevante.61 Solución de ecuaciones no lineales ra derivada puede ser algo complicado y se requiere una buena estimación inicial. así entonces. la velocidad de convergencia hacia la raíz exacta del método es alta. Ejemplo 2. i 0 1 2 xi 1 0.000000007766774559 – 0. en comparación a los métodos cerrados.9610369436 – 0.9644529683 – 0.1585290151 – 0.0001072614342 f’(xi) 4.692980193 3..9610659883 f(xi) 0.756210276 3.00000000219958 La segunda raíz se encuentra en cambio cerca de 1.0] y [0.0000000003571252802 3 0. por lo que esta puede ser una buena aproximación a la primera raíz. por otro lado.

000000007766774559 0.9 Hallar una raíz de la ecuación f(x) = cot(x) + 3x. Graficando la función… aproximación inicial 10 3 f ( x) 0 2 4 asíntota 10 x se observa una raíz en el intervalo [2.0000290447 3.22960122 – 82.00000001634703654 3 0.692440754 3.21376835 – 98.0006539986341 – 0.9610369414 1 --2 0.9610369414. Ejemplo 2.00000000219958 Las raíces son entonces x = – 0.032097448.9610369414 y x = 0.032105547 3.000918744 f’(xi) – 47..10 Encuentre la raíz de f(x)  e x 1  5x 3 con hasta 4 cifras decimales de precisión. en el intervalo [0.62 Solución de ecuaciones no lineales 3 4 i Error absoluto 0.00901318 4 0.4]. x = 3. como aproximación inicial.032097448 1 --2 0. Ejemplo 2. i 0 1 2 3 4 i Error absoluto xi 3 3.0420374 f(xi) 1.17270712 – 80.9610369436 0.033024291 3. ¿Cuántas iteraciones requerirá el método de bisección para lograr la misma precisión? .042037471 3.07549562518 – 0.0355470 0. La fórmula iterativa que se aplica a este problema es x i 1  x i  f(x i ) cot(x i )  3x i  xi  1 f (x i ) 3 sen2 (x i ) Por lo tanto.74253467 5 0.000008099 entonces la raíz pedida es x = 3.984747448 – 0.00001..4] utilizando el método de las tangentes con una tolerancia de 0.8853610661 – 0.00338697 4 0.0000000003571252802 3 0. Se tomará un punto muy cercano a la raíz.75487484 – 80.692440713 5 0.

4941927850 0.060379018 – 3.2305996222 – 0.174617562 – 3. “error” .285714286 f(xi) –4 – 1. n))(n – 1))] en cambio las siguientes líneas constituyen la programación procedural en Derive 6 para el cálculo de la raíz de una ecuación mediante el método de Newton – Raphson.0000000002120244336 2 0.000000672 La raíz exacta a cuatro cifras decimales es 0.4940436408 0 --5 1 0..000149093 0.. #1: F(x) := #2: APROX(in. (APROX(in.5591502914 0.6  17 ln(2) es decir 17 o más iteraciones. n))n.4. así… i 0 1 2 3 4 5 6 i Error absoluto xi 1 0.1 MÉTODO DE NEWTON-RAPHSON CON DERIVE 6. v..4940436925 0.070680141 – 0.63 Solución de ecuaciones no lineales El punto más adecuado para empezar el procedimiento es x = 1.5021592917 0.02529061192 – 0.058258102 4 0. Las siguientes líneas de programación en Derive 6 mediante programación funcional constituyen el método de las tangentes para el cálculo de la raíz de una ecuación.. n) := [“raiz”.007966507 i Error absoluto 0.1. ABS((APROX(in.00001 ) n  16. 1] requiere de… ln((c  a)inicial )  ln(tol) ln(2) ln(1 0)  ln(0. in. n) := ITERATES(v – F(v)/F'(v). n))n – (APROX(in. n) #3: NEWTON(in.4940 El método de bisección en el intervalo [0.056991000 f’(xi) – 14 – 6. utilizando el número de iteraciones n como criterio de paro.155135423 6 3 0.901583931 – 4.058258837 – 3.7142857142 0.046246315 – 3.0004562793948 – 0. n 2.0000001578965366 0. utilizando el número de iteraciones n como criterio de paro. .

. seguidamente por dichos puntos se traza una secante a f(x) que pase por los puntos (x0. x 3  procedimiento genera parejas de triángulos de la misma especie. f(x0)) y (x1. x0 y x1. Ahora se toma como estimaciones de búsqueda a los puntos x1 y x2 y se vuelve a repetir el procedimiento para encontrar las siguientes aproximaciones x3.1 . de donde. por semejanza se puede establecer que. LOOP(r_ := r – F(r)/F’(r). Ax 0 Bx 1  f( x 0 ) x 0  x 2 x f( x )  x 1f( x 0 ) . el proceso se detendrá cuando la distancia entre dos aproximaciones sucesivas xn-1 y xn no superen una tolerancia prefijada tol. 2. que es la primera aproximación a la raíz exacta. Este método es una variante del anterior.. en lugar de tangentes. n) := PROG(i := 1. El método es muy sencillo de aplicar.. .. IF(i = n.2... xn. de manera general se tiene. pues la aproximación a la raíz se la efectúa mediante secantes a la curva. pero al igual que el método de las tangentes. Sea f(x) una función que contenga una raíz. r_. r := r_. dicha secante corta al eje x en el punto x2. su principal problema es que requiere buenas estimaciones iniciales.3.. ésta se deducirá a continuación.. x 2  0 1 para la pareja de trián f( x 1 ) x1  x 2 f( x 1 )  f( x 0 ) x 1 f( x 2 )  x 2 f( x 1 ) y como el f( x 2 )  f( x 1 ) gulos Bx3x1 y Cx3x2 se puede establecer bajo la misma deducción que.5: Método de las secantes Se estiman entonces como puntos iniciales de búsqueda. Para construir la secante son necesarios dos puntos iniciales de búsqueda. x4. i :+ 1)) 2. t]). f(x1)).64 Solución de ecuaciones no lineales #1: F(x) := #2: NEWTON_(in. Fig. la solución iterativa puede divergir o con- .. “error”.4..4. y como se verá no es necesario el cálculo de la derivada.. Considérese el triángulo Ax2x0 que contiene en su interior al triángulo semejante Bx2x1...2 MÉTODO DE LAS SECANTES.. particularidad que simplifica los cálculos y hace de este método más fácil de utilizar que el anterior. r := in. t := ABS(r_ – r).. Existe una fórmula general para la aproximación n–ésima (xn) a la raíz exacta. Ésta es la fórmula general para la n–ésima aproximación a la raíz exacta. xn 2  xn f(xn1)  xn1f(xn ) f(xn1)  f(xn ) n  0. de otro modo. RETURN [“raíz”. como lo muestra el gráfico siguiente.

65 Solución de ecuaciones no lineales
verger a una solución irrelevante. La velocidad de convergencia hacia la raíz exacta de éste método es algo menor que la del método de Newton – Raphson, pero mayor que la de los anteriores. El segundo punto inicial de búsqueda se puede establecer como x1  x 0   donde  es un valor arbitrario muy pequeño, por ejemplo podría ser  = 0.1 Ejemplo 2.11 Determinar las raíces de la ecuación f( x)  x 2  e x  5sen( x ) que se ubiquen en el intervalo [0, 3], utilizando el método de las secantes con una tolerancia de 0.0001. De una exploración gráfica...
5

f ( x)

1

0

1

2

3

5 x

se observa que en el intervalo pedido existen dos raíces ubicadas en [0, 1] y [2, 3]. La fórmula iterativa que se aplicará para este problema es...
xn 2  xn ( xn12  exn1  sen(xn1))  xn1( xn2  exn  sen(xn )) ( xn12  exn1  sen(xn1))  ( xn2  exn  sen(xn ))

Tomándose como aproximaciones iniciales x0 = 0 y x1 = 0.1, se genera la siguiente tabla... i 0 1 2 3 4 5 i Error absoluto xi 0 0.1 0.2256569465 0.2311256618 0.2312920271 0.2312922627
1 --2 0.1

f(xi) 1 0.5568494498 0.02322391412 0.0006856431217 0.0000009698230056 0.0000000002522049249
3 0.125656 4 0.00563508 5 0.000166365 6 0.000000235600

En el intervalo [2, 3], para las aproximaciones iniciales x0 = 2 y x1 = 2.1, la tabla para el proceso iterativo es...

66 Solución de ecuaciones no lineales
i 0 1 2 3 4 5 i Error absoluto xi 2 2.1 2.291499840 2.263033846 2.265127736 2.265152119
1 --2 0.1

f(xi) – 1.171719571 – 0.7697572352 0.1344009559 – 0.01067115809 – 0.0001228361095 0.0000001128807819
3 0.191499 4 0.0284659 5 0.00209389 6 0.0000243829

entonces las raíces buscadas son x = 0.2312922627 y x = 2.265152119.

2.4.2.1 MÉTODO DE LAS SECANTES CON DERIVE 6.
Las siguientes líneas de programación en Derive 6 constituyen el método de las secantes para el cálculo de la raíz de una ecuación mediante programación funcional y con el número de iteraciones n como criterio de paro...
#1: F(x) := #2: APROX(, , n) := ITERATE([v2, (v1F(v2) – v2F(v1))/(F(v2) – F(v1))], v, [,  + ], n – 1) #3: SECANTE(, , n) := [“raíz”, “error” ; (APROX(, , n))2, ABS((APROX(, , n))2 – (APROX(, , n))1)]

2.4.3 MÉTODO DE ITERACIÓN DE PUNTO FIJO O DE SUSTITUCIONES SUCESIVAS.
Este método se basa en un proceso iterativo mediante el cual sustituyendo una aproximación inicial n veces en una misma ecuación, se llegará a una aproximación tan cercana como se desee de la raíz verdadera. Supóngase que se tiene la ecuación f(x) = 0, y partiendo de ella se puede despejarla, de manera de escribirla en la forma x = g(x). A partir de ésta ecuación se puede generar un proceso iterativo, empezando con una estimación inicial x0 de la raíz. Así... x1 = g(x0) , x2 = g(x1), x3 = g(x2), .... , xn = g(xn-1). El valor xn será una aproximación más exacta a la raíz.. El proceso iterativo se detendrá cuando la distancia entre dos aproximaciones sucesivas xn-1 y xn no superen una tolerancia prefijada tol. Los sucesivos valores x0, x1, x2,x3, ..., xn si bien, en general, se aproximan a la raíz existe la posibilidad de que también se alejen de ella, es decir de que diverjan. Si se quiere que la sucesión de valores se aproxime a la raíz se debe cumplir que g´( x)  1 para todos los valores de x en la región de búsqueda de la raíz; si esta condición no se cumple el proceso de sustituciones sucesivas divergirá. El método de sustituciones sucesivas y su convergencia o divergencia en base a la condición anteriormente dada, se representa gráficamente, mediante el denominado diagrama de Cobweb, de convergencia ó divergencia o de escalones. La raíz exacta es el punto en el cual x y g(x) se intersecan y el proceso de sustituciones sucesivas tratará de llegar a este punto, cuando exista convergencia.

67 Solución de ecuaciones no lineales

Si 0 < g´(x) < 1, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustituciones sucesivas representado en la gráfica anterior muestra una convergencia hacia la raíz. En dicho caso la convergencia es monótona y ocurre por el extremo del intervalo de búsqueda que contenía la aproximación inicial. Si – 1 < g´(x) < 0, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustituciones sucesivas representado en la gráfica siguiente muestra también una aproximación hacia la raíz. En este caso la convergencia es oscilante o alternada y ocurre por uno y otro extremo del intervalo de búsqueda que contenía la aproximación inicial. Ambos intervalos de la primera derivada de g(x) analizados anteriormente están contenidos en la condición,
g´( x)  1 . Resultará obvio que para valores que no cumplan esta condición se producirá un alejamiento o di-

vergencia de la raíz exacta.

Si g´(x) > 1, en todos los puntos del intervalo de búsqueda de la raíz, entonces el proceso de sustituciones sucesivas representado en la gráfica siguiente muestra una divergencia monótona de la raíz.

v(r + 1)... . utilizando el método de sustituciones sucesivas con una tolerancia de 0. n) Ejemplo 2. v(r + 1). v(r + 1). g. v1. 1. n) := COBWEB_AUX(ITERATES(g.a continuación se obtiene la primera derivada de g(x) y se grafica g´( x) para ver si cumple la condición g´( x)  1 . v(r + 1). r. v2]. v(r + 2)]. in. entonces el proceso de sustituciones sucesivas representado en la gráfica de abajo muestra una también una divergencia de la raíz. Primeramente se escribe la ecuación en la forma x = g(x). x. VECTOR([vr. x. pero esta es alternante. #1: COBWEB_AUX(v.12 Determinar la raíz de la ecuación f( x)  x 2  sen( x  1) que se ubica en el intervalo [0.. Las siguientes líneas de programación en Derive 6 permiten crear una matriz de puntos que dibujan el diagrama de Cobweb para el método de iteración de punto fijo[3]. en todos los puntos del intervalo de búsqueda de la raíz.. in. 1]. 0.68 Solución de ecuaciones no lineales Si g´(x) < – 1. n) := [[v1. n). n – 1)] #2: COBWEB(g. así x  sen(x  1) . x. g.0001. x.

Ejemplo 2.9631365028 0..9535708819 0.0464291 g(xi) 0.9535708819 0.9616306269 0.9615568349.00187856 5 0. Se escribe la ecuación en la forma x = g(x) . 1] mediante el método de iteración de punto fijo con 4 cifras decimales de precisión..9615714513 3 0. i 0 1 2 3 4 5 i Error absoluto xi 1 0.69 Solución de ecuaciones no lineales 1 1 d dx g ( x) 1 0 1 1 x de la gráfica se observa que la condición g(x)  1 se cumple.5.9616306269 0.000073792 por lo que la raíz pedida es x = 0.9612579363 0.9615568349 0.9612579363 0.. Esto se puede verificar realizando el gráfico de Cobweb con x0 = 1.9631365028 0.9615568349 1 --2 0.13 Encuentre la raíz de la ecuación f(x)  x 2  cos(x) contenida en el intervalo [0.000372690 6 0. El cálculo de la raíz entonces es.0095656 4 0..

001339443299 0.8243161060 0.8241687585 0.42971429180476252213 0. demostrando con ello que el método de iteraciones sucesivas es el más lento de los métodos abiertos.4367937669 0. éste resultado se ha logrado luego de 14 iteraciones.7696585012 0.25588638369116888504 0.8240504594 0.8474363439 0. i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 xi 0.8287964113 0.8135766709 0.8241395391 ------error -----0.8220483178 0.0002656465998 0.07777784269 0.8241687585 0.8474363439 0.8241160826 0.8241160826 0.1671352657 0.8243161060 0.00005267590000 0.8135766709 0.70 Solución de ecuaciones no lineales x 2  cos(x)  0 x 2  cos(x) x  cos(x) entonces… g(x)  cos(x) y g(x)   sen(x) 2 cos(x) una tabla para g(x) .8241395391 g(xi) 0.8241395391.8250588816 0.5 y 1 produce: xi 0.01521974040 0.9367937669 0.9 1 g(x i ) 0.8287964113 0.003010563799 0.7696585012 0.006748093499 0.6 0.8240504594 0.5 0.57238828862337537795 Lo cual demuestra que con este despeje el método va a converger.0005966676999 0.8237194383 0. entre 0.8250588816 0.8237194383 0.03385967299 0.9367937669 0. .36831273140128669859 0.0001182990998 0.31076224819089528823 0.8220483178 0.5 0.49676851807340434979 0.8 0.7 0.00002345650020 La raíz pedida es 0.

(APROX(in. Las siguientes líneas de programación en Derive 6 conforman el método de sustituciones sucesivas para el cálculo de la raíz de una ecuación. n) := ITERATES(G(x). “error” .1 MÉTODO DE ITERACIÓN DE PUNTO FIJO CON DERIVE 6. Buenas aproximaciones iniciales a la raíz deben estar lo más cerca de la misma. Es rápido en su convergencia hacia la raíz. utilizando programación funcional y el número de iteraciones n como criterio de paro. n))(n – 1))] CARACTERÍSTICAS DE LOS MÉTODOS ABIERTOS ESTUDIADOS: El siguiente cuadro muestra una serie de carac: terísticas que pueden servir para elegir uno de los métodos estudiados de acuerdo al contexto del problema. Método de iteración de punto fijo El método puede converger o divergir de la raíz buscada Su convergencia será más rápida.Raphson Método de las secantes El método puede converger o divergir de la El método puede converger o divergir de la raíz buscada raíz buscada Es rápido en su convergencia hacia la raíz. Necesita de una sola aproximación inicial a la raíz.71 Solución de ecuaciones no lineales 2. x. pues tiene convergencia casi cuadrática. Una buena aproximación inicial a la raíz debe estar lo más cerca de la misma..4.. Raphson. Una buena aproximación inicial a la raíz es aquella para la cual se cumple que g (x 0 )  1 . aunque se puede modificar de forma tal raíz.3. in.. n))n.. ABS((APROX(in. cuanto más g(x) sea próximo a 0. Método de Newton . n) := [“raíz”. #1: G(x) := #2: APROX(in. que se requiera una sola aproximación inicial. Necesita de una sola aproximación inicial a la Necesita de dos aproximaciones iniciales a la raíz. algo menor que el método de Newton – pues tiene convergencia cuadrática. n))n – (APROX(in. n) #3: SUST_SUC(in.

f(x1) f(x 1). Considérese los siguientes conjuntos de datos: x 0 . El subíndice denota la posición relativa de x. x1 x 1.1. x 0  x1  x 0 x 0  x 1 donde x0 es el punto de cálculo de la derivada.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS PROGRESIVAS Y REGRESIVAS. con el objetivo de generar un polinomio de interpolación y a partir de éste obtener la derivada. En el presente capítulo se estudiarán los métodos para hallar la derivada a partir de un conjunto de datos. Revisemos cada una de ellas… 3. y Aproximación por diferencias centrales. Aproximación por diferencias regresivas o hacia atrás. es por ello que es necesario implementar procedimientos numéricos que agiliten su cálculo. Dependiendo de la disposición de los puntos del conjunto de datos con respecto al punto de cálculo de la derivada.f1 f1.1 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS.72 Diferenciación numérica CAPÍTULO DIFERENCIACIÓN NUMÉRICA 3 La derivada de una función en un punto es un procedimiento matemático de suma importancia. 3.f(x 0 ) o de forma abreviada… f0 . se pueden conseguir tres posibilidades que son:    Aproximación por diferencias progresivas o hacia adelante. dentro de muchas ciencias aplicadas. tanto más que este es un requerimiento indispensable en la resolución de ecuaciones diferenciales. Este método consiste en utilizar un conjunto discreto de datos. en los cuales obviamente irá incluido el punto de cálculo de la derivada.f0  Entonces con los conjuntos de datos… x0 f0 x–1 f–1 x1 f1 x0 f0 . Si se evalúa una función f(x) en dichos conjuntos de datos se tiene… f(x 0 ).

es decir. hay una distancia h entre ellos ó h  x1  x 0 h  x 0  x 1 .2) se llama aproximación por diferencias regresivas o hacia atrás. mientras que la expresión (3. Para el primer conjunto de datos. Adicionalmente se va a considerar que los puntos están equiespaciados. L 0 (x)  L1(x)  (x  x1) (x 0  x1) (x  x 0 ) (x1  x 0 ) por lo que el polinomio de interpolación será… p(x)  (x  x 0 ) (x  x1) f0  f1 (x 0  x1) (x1  x 0 ) derivando esta expresión se tiene.1) se denomina aproximación por diferencias progresivas o hacia delante..73 Diferenciación numérica Se procederá a hallar los polinomios de interpolación correspondientes mediante el método de Lagrange. los polinomios básicos de Lagrange o funciones de forma se escriben como... . f  f  dp  0 1 dx  x 0  x 1  por lo que… (3.1) df dx Para el segundo conjunto de datos… L 0 (x)  L1(x)  (x  x 0 ) (x 1  x 0 ) (x  x 1) (x 0  x 1)   f(x 0 )  f0  x  x0  x1  x 0   f1  f0    f1  f0  h por lo que el polinomio de interpolación será… p(x)  (x  x 0 ) (x  x 1) f1  f0 (x 1  x 0 ) (x 0  x 1) derivando esta expresión se tiene. f  f  dp  1 0 dx  x1  x 0  por lo que… (3..2) df dx   f (x 0 )  f0  x  x0  x 0  x 1   f0  f1    f0  f1  h La expresión (3.

disminuye las rectas para las diferencias progresivas y regresivas se aproximarán más a la recta tangente que representa la derivada exacta.74 Diferenciación numérica Ejemplifiquemos el sentido geométrico de estas aproximaciones… Considérese la función f(x)  x 2  1 .1 y h = 0. con h = 0.1 esen(0. Utilizar 10 cifras significativas.01 mediante aproximación por diferencias progresivas y regresivas.1)  1. por lo que se podría suponer que el error de aproximación se reduce al disminuir dicho valor. y supóngase que se desea calcular de manera aproximada f(1 . mientras que la derivada exacta es la línea tangente a f(x) en x = 1. esto se muestra en la gráfica siguiente: f(x)  x 2  1 Tangente a f(x)  x 2  1 Recta para diferencias regresivas y  x 1 Recta para diferencias progresivas y  3x  1 Es obvio que si la distancia h entre los puntos x.01.104986830 f(x) .1 y diferencias progresivas x 0 esen(0)  1 0.1 como h = 0. Ejemplo 3. enton) ces… por diferencias progresivas el conjunto que se elegirá es… x 1 1  1 2 2 2 2 1 5 2 f(x) y por diferencias regresivas… x 0 0  1 1 2 1 1  1 2 2 f(x) las formulas para aproximación por diferencias progresivas y regresivas corresponden a los valores en x = 1 de las rectas que se obtienen de las tablas.1 Determinar la primera derivada de f(x)  esen(x) en x = 0. así… a.) h = 0. Primeramente se genera ambas tablas de datos tanto para h = 0.

9950001299  0.) e  1 1.) e  1 1.9950001299 0. Sin embargo al aumentar el número de puntos el procedimiento se hace de trámite engorroso.01)  1.01 esen(0.) h = 0. para facilitar los cálculos… Considérese el conjunto de datos  x 0 .01 y diferencias progresivas x 0 esen(0)  1 0.9501183859  0.1 c.9049881614   0.) e  1 0. se observa que el error también disminuye.f2  . a.f1  .01 d.049868299  0.010049998 f(x) df dx  x 0 1. por lo que vamos a utilizar Derive 5.010049998  1  1.01 esen(0.0498816141 c.01 y diferencias regresivas x – 0. entonces va a generarse el polinomio de interpolación con Derive 5 mediante el proceso siguien- te:   Se ingresa la orden InputMode := Word para que admita variables de más de 1 carácter. entonces el error en cada caso es.) e  1 0.1 y diferencias regresivas x – 0.) h = 0.  x 2 .0049998701 Como se dijo al disminuir el valor de h.9049881614 1  x 0 1 0.004999800  0.1 e sen( 0.049868299 b.1 b.104986830  1  1.) h = 0.1) 0 e sen(0) f(x) df dx  0. . separados una distancia h tal que x1  x 0  h y x 2  x 0  2h .9900499987 0 esen(0)  1 f(x) df dx  x  00 1 0.01)  0.01 Siendo la derivada exacta 1.f0  .9900499987   0.004999800 d. El proceso estudiado para un conjunto de dos datos se puede aplicar a 3 o más datos generándose de dicha forma formulas para diferencias progresivas y regresivas más exactas. Se define el polinomio de interpolación como p(x) : a  x  2  b  x  c .004999800 0.049868299 0.75 Diferenciación numérica df dx  x 0 1.9501183859 0.  x1.

mediante la orden SOLVE([p(x0) = f0. b y c en p(x).76 Diferenciación numérica  Se establece el vector de condiciones de la interpolación [p(x0)=f0. [a. que generará un sistema de ecuaciones. b. c]). b y c. p(x2) = f2]. p(x1) = f1. p(x1)=f1. para las variables a. lográndose simplificar la solución a…  Entonces se reemplaza a.  Se obtiene entonces el vector solución…  Se substituye en el vector solución x1  x 0  h y x 2  x 0  2h . obteniéndose…  Se deriva la expresión anterior…  Finalmente se substituye x = x0… Esta fórmula corresponde a la aproximación por diferencias progresivas con tres puntos y escrita con notación formal se presenta como… .  Se resuelve el sistema obtenido. p(x2)=f2].

2 e sen( 0.2) – 0.1 e sen( 0.3)   f(x 0 )  f0   x  x0 De forma similar se pueden obtener la aproximación por diferencias regresivas para el conjunto de datos  x (3.f2  .1 y h = 0.1 y diferencias regresivas x – 0.01 ) Siendo la derivada exacta 1.00084382 2(0.1 como h = 0.00000065 2(0.9801999802  0.219778556) ) 1 .2)  1.2 esen(0.00084382 .01 ) d.02)  1.4) 2 . así… a.9900499987 1 3(1  4(0. Utilizar 10 cifras significativas.999341462 2(0.9801999802) )  0. Primeramente se genera ambas tablas de datos tanto para h = 0.010049998)  (1.) h = 0.99999927 2(0.f1  .77 Diferenciación numérica df dx 3f0  4f1  f2 2h (3.) h = 0.9049881614 1 3(1  4(0.00084382  0.1 y diferencias progresivas x 0 esen(0)  1 0. con h = 0.01 e sen(0.02 e sen(0.) h = 0.) e  1 1 .9900499987)  (0. a.01) 0 e sen(0) f(x)  f0   0.01)  1.1 ) c.  x 1.01 e sen( 0.02) – 0.010049998 0.01 mediante aproximación por diferencias progresivas y regresivas en tres puntos.1) 0 e sen(0) f(x)  f0   0.) h = 0. Con estas aproximaciones se disminuye el error como se va a demostrar mediante el siguiente ejemplo… Ejemplo 3.8198209380) )  0.020199979 f(x)  f0   3(1  4(1.1 esen(0.104986830)  (1.  x 0 .1 ) b.1)  1.02 e sen( 0.9049881614)  (0.f0  con x 1  x 0  h y x 2  x 0  2h .2 Determinar la primera derivada de f(x)  esen(x) en x = 0.01 y diferencias progresivas x 0 e sen(0)  1 0. entonces el error en cada caso es.01.104986830 0.219778556 f(x)  f0   3(1  4(1. obteniéndose… df dx   f(x 0 )  f0  x  x0 3f0  4f1  f2 2h que corresponde a la aproximación por diferencias regresivas con tres puntos.01 y diferencias regresivas x – 0.8198209380  0.020199979) )  1.

x 0 . Este método debe su nominación a que el punto donde se determina la primera derivada se halla en el centro de un conjunto discreto de puntos equidistantes. La siguiente tabla resume las derivadas aproximadas por diferencias progresivas y regresivas para 2.78 Diferenciación numérica b. x 0 .2 DERIVADAS POR APROXIMACIÓN DE DIFERENCIAS CENTRALES. se deducen para las aproximaciones por diferencias centrales las siguien- Aproximación por diferencias centrales 3 puntos  f0  f1  f1 2h . así… x 1. x 1. x1.x 2  tes fórmulas… 5 puntos … procediendo como en el anterior ítem.999341462  0.00000065 d.1.) e  1 1.00000065  0.99999927  0.) e  1 0. De esta manera solamente se pueden obtener un conjunto de un número impar de puntos.000658538 c.) e  1 0.00000073 Es evidente que al considerar aproximaciones por diferencias en tres puntos el error ha disminuido de forma notoria.x1 3 puntos x 2 . 3 y 4 puntos Aproximación por diferencias progresivas 2 puntos  f0   f0    f0   f1  f0 h 3 puntos 3f0  4f1  f2 2h 4 puntos 110  18f1  9f2  2f3 f 6h Aproximación por diferencias regresivas 2 puntos  f0   f0   f0  f0  f1 h 3 puntos 3f0  4f1  f2 2h 4 puntos 110  18f1  9f2  2f3 f 6h 3.

01) f(x)  f0    0.) h = 0.) h = 0.01 x – 0.999999965  0.9049881614 0 e sen(0)  1 0. se puede determinar las fórmulas para la segunda derivada.104986830)  (0. El procedimiento para hallar la segunda derivada o derivadas de orden superior es el mismo empleado en las derivadas de primer orden.999993343  0. hacia atrás o centrales. como lo demuestra el siguiente ejemplo… Ejemplo 3.999999965 2(0.1 e sen(0.01 ) Siendo la derivada exacta 1. Así entonces.79 Diferenciación numérica f2  8f1  8f1  f2 12h 5 puntos  f0  La aproximación por diferencias centrales usualmente produce resultados más exactos que la aproximación por diferencias progresivas o regresivas con el mismo números de puntos.9900499987  1.3 DERIVADAS DE ORDEN SUPERIOR.010049998 (1.01 mediante aproximación por diferencias centrales en tres puntos.9900499987)  0. entonces el error en cada caso es.1 ) b. con h = 0.01 1 e sen(0.104986830 f(x)  f0  (1. Utilizar 10 cifras significativas. e  1 0.1 y h = 0.01 e sen( 0. las cuales se expresan en la siguiente tabla: Aproximación por diferencias progresivas 3 puntos  f0  f0  2f1  f2 h2 . Con la ayuda de Derive 5. 3.1 x – 0.3 Determinar la primera derivada de f(x)  esen(x) en x = 0.1)  0.999993343 2(0.1)  1.9049881614)  0. a.01) 0 e sen(0) 0.000006657 e  1 0.010049998)  (0. con la única salvedad de que si se desea calcular una derivada de orden n es necesario contar con n + 1 puntos.1 e sen(0. para hallar la segunda derivada es necesario tener tres puntos sea por diferencias hacia delante.000000035 Este resultado es consistente con el hecho de que en un puntos equiespaciados la interpolación polinómica es más exacta en la parte central del intervalo de interpolación y más errónea en los extremos.1.

219778556) )  f0  1 (0. h = 0.9804896  0. a. Utilizar 10 cifras significativas.1) f(x)  0. por lo que… e  1 0.104986830  1.0195104 b.104986830 .8198209380 f(x)  f0  f0  2f1  f2 h2 (1  2(0.1 e sen( 0.1 1 e sen(0. con h = 0.9049881614)  (0.9049881614 – 0.1 mediante aproximación por diferencias progresivas.104986830)  (1.219778556 f0  2f1  f2 h2 (1  2(1.1 x 0 e sen(0) 0.9804896 f0 El valor exacto es 1.2 e sen(0.1 2 )  f0  0.1 2 )   0.8198209380) )  f0  1 (0.2) f(x)  f0   1. por lo que… e  1 0.80 Diferenciación numérica Aproximación por diferencias regresivas 3 puntos  f0  f0  2f1  f2 h2 Aproximación por diferencias centrales 3 puntos  f0  f1  2f0  f1 h2 Ejemplo 3.1 e sen(0.9049881614  1.98446152  0. c.) Diferencias regresivas x 0 e sen(0)  1 – 0.4 Determinar la segunda derivada de f(x)  esen(x) en x = 0. regresivas y centrales.1) 0.1) 0 e sen(0) 0.1)  0.2)  0.01553848 el error es similar al obtenido por diferencias progresivas.1 1 e sen(0.2 e sen(0.) Diferencias progresivas.98446152 El valor exacto es 1.) Diferencias centrales x – 0.

Se deducirán dos casos en particular.99749914  f0  El valor exacto es 1... El error en los métodos de derivación numérica se deduce en base a un análisis por series de Taylor.2 ERROR EN DIFERENCIACIÓN NUMÉRICA. por lo que… e  1 0. el error en la primera derivada por diferencias progresivas con 2 y 3 puntos.99749914  0. . . h 2 término dominante del error (orden del error) f1  f0  O(h)  .104986830)  2(1  (0. de puntos 2 Aproximación por … diferencias progresivas Orden de la derivada 1 Orden del error O(h) ...... los restantes casos se pueden analizar de una forma similar Considérese la serie de Taylor siguiente… h h2 f(x 0  h)  f(x 0 )  f (x 0 )  f (x 0 )  . 3. Ahora considérense las series de Taylor siguientes… h h2 f(x 0  h)  f(x 0 )  f (x 0 )  f (x 0 )  . .... h donde h  O(h)   f0 2  f0  lo que demuestra que el error en la primera derivada por diferencias progresivas en dos puntos es de orden h.1 2 )  f0  0.00250086 el error ha mejorado con respecto a diferencias progresivas y regresivas.81 Diferenciación numérica f0  2f1  f2 h2 (1.9049881614) )  f0  1 (0. donde x1  x 0  h 1! 2! despejando f(x 0 ) … Primera derivada por diferencias progresivas en forma simplificada se escribe… f(x 0 )  f(x 0  h)  f(x 0 ) f (x 0 )  h  . donde x1  x 0  h 1! 2! h h2 f(x 0  h)  f(x 0 )  f (x 0 )  f (x 0 )  . donde x1  x 0  h 1! 2! El siguiente cuadro tabula el orden del error para las diferentes derivadas obtenidas anteriormente… No.

761799498 f(x) . las restantes podrían ser o no ser exactas.5   6(0.52  1.51 1.51 1. pues en ese caso el orden del error(número aproximado de cifras decimales de precisión) es h3  (0.5  1.521. a.837117307 1.863181616)  9(1. con 5 cifras decimales de precisión mediante diferencias progresivas.481.582009617 Este valor es confiable en un 100% hasta la quinta cifra decimal. b.52  2f1.889740860)  2(1.5 1.51.49 1.916804803 f(x)  f1.82 Diferenciación numérica 3 4 2 3 4 3 5 3 3 3 diferencias progresivas diferencias progresivas diferencias regresivas diferencias regresivas diferencias regresivas diferencias centrales diferencias centrales diferencias progresivas diferencias regresivas diferencias centrales 1 1 1 1 1 1 1 2 2 2 O(h2) O(h3) O(h) O(h2) O(h3) O(h2) O(h4) O(h) O(h) O(h2) El término O(hn) significa de forma práctica.5.863181616 1.53  1.01 3  0.53 f 6h 11 (1.48  1.000001 ) x 1.52 1. Para corroborar esta afirmación se puede comparar con su valor exacto a 10 cifras significativas 2.51  1.01 3  0.) Diferencias progresivas Para obtener 5 cifras decimales de precisión se utilizará la fórmula para 4 puntos con h = 0.48 1.5 1.51.811538381 1.5  18f1.5  1.786435493 1.531.47  1.53 1.01.5  2. El siguiente ejemplo aclara este concepto… Ejemplo 3. pues en ese caso el orden del error(número aproximado de cifras decimales de precisión) es h3  (0.5   111.491. que el número aproximado de cifras decimales exactas están dadas por el resultado de hn. regresivas y centrales.49  1.837117307)  18(1.471.5 Determinar la primera derivada de f(x)  x x en x = 1.01.582004274.837117307 1.47 1.51  9f1.916804803)  f1.) Diferencias regresivas Para obtener 5 cifras decimales de precisión se utilizará nuevamente la fórmula para 4 puntos con h = 0.01 )  f1.000001 ) x 1.889740860 1.

h) := (f(x0 – 2*h) – 8*f(x0 – h) + 8*f(x0 + h) – f(x0 + 2*h))/(12*h) DDPn representa la primera derivada por diferencias progresivas en n puntos DDRn representa la primera derivada por diferencias regresivas en n puntos DDCn representa la primera derivada por diferencias centrales en n puntos X0 es el punto en que se calcula la derivada con un tamaño de paso h.837117307 1. pues en ese caso el orden del error(número aproximado de cifras decimales de precisión) es h2  (0.837117307)  18(1.) Diferencias centrales Para obtener 5 cifras decimales de precisión se utilizará la fórmula para 3 puntos con h = 0.2. Con la ayuda de la programación funcional de Derive 6 se puede escribir muy fácilmente una utilidad para todas las derivadas numéricas estudiadas anteriormente.581999332  f1.839701739 f(x)  f1.5  1.01 )  f1.839701739)  (1.499 1. h) := (3*f(x0) – 4*f(x0 – h) + f(x0 – 2*h))/(2*h) #7: DDC3(x0.501 1.499  1.786435493)  2(1.6 Determinar la primera derivada de f(x)  e x en x = 0.5820055 Nuevamente es fácil observar la confiabilidad en las 5 cifras decimales de precisión al compararlas con el valor exacto.51.001.5  2.5 1.834537728 1.501 1.811538381  9(1.501  1. Esta utilidad se detalla a continuación… #1: Precision := Approximate #2: f(x) := #3: DDP2(x0.000001 ) x 1. b. Se determina el tamaño de paso en cada caso… .5  f1  f1 2h (1. h) := (f(x0) – f(x0 – h))/h #6: DDR3(x0.834537728)  f1.4991. h) := (f(x0 + h) – f(x0))/h #4: DDP3(x0. Ejemplo 3.761799498) )  f1. h) := (f(x0 + h) – f(x0 – h))/(2*h) #8: DDC5(x0.5  2(0. regresivas(2 y 3 puntos) y centrales(3 y 5 puntos).83 Diferenciación numérica 110  18f1  9f2  2f3 f 6h 11 (1. h) := – (3*f(x0) – 4*f(x0 + h) + f(x0 + 2*h))/(2*h) #5: DDR2(x0.5  e  2.001 )  f1.3 DERIVADAS NUMÉRICAS CON DERIVE 6.5  2.581999332  0.001 2  0.5  6(0. 3. con 5 cifras decimales de precisión mecos(x)  sen(x) diante las fórmulas de diferencias progresivas(2 y 3 puntos).000004942 El valor del error con respecto al valor exacto muestra la confiabilidad en las 5 cifras decimales(al efectuar el redondeo).582004274  2.

0.DDR3(0.0.2.001).000001).00000001 Se ingresan entonces las siguientes instrucciones… f(x) :=(ê^(–x))/(cosx – sinx) [DDP2(0.000001 (0. DDR2 y DDR3.0.2.DDC5(0.000001 (0.2.DDC3(0.001).000001 0.01)4 = 0. .2.0.001)2 = 0.001).001)2 = 0.0.2.84 Integración numérica No.0.000001 (0.000001).DDR2(0. 01)] al simplificar se obtiene… resultados que presentan cinco cifras decimales de precisión en todos los casos.DDP3(0.001)2 = 0.000001 (0. de puntos 2 3 2 3 3 5 Orden del error O(h) O(h2) O(h) O(h2) O(h2) O(h4) Aproximación por … diferencias progresivas diferencias progresivas diferencias regresivas diferencias regresivas diferencias centrales diferencias centrales h 0.2. redondeando para DDP3.

La integración numérica entonces proporciona métodos a través de los cuales es muy simple hallar la integral de una función.1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO El método de los rectángulos consiste en aproximar una función mediante una serie de rectángulos de forma tal que el área calculada para los mismos aproxime al área bajo la función.85 Integración numérica CAPÍTULO INTEGRACIÓN NUMÉRICA 4 La integración de una función es el proceso inverso a la derivación. como lo representa la figura siguiente: b  f(x)dx a a b Bajo este enfoque es posible hallar una integral. considerando el significado geométrico que ella representa. así pues. El siguiente esquema ejemplifica lo mencionado… . pues en un buen número de casos la integral de una función resulta ser una función no elemental. como se analizará a continuación. 4. la integral de una función no siempre es sencillo determinarla. para una función o un conjunto de datos. la integral de una función continua f(x) entre x = a y x = b. es el área bajo la curva f(x) entre x = a y x = b. pero mientras que la derivada de una función es relativamente fácil de hallar y esta definida para toda función continua.

x n  x n1  h ) y sus alturas son .….86 Integración numérica Área aproximada por los rectángulos Área bajo la curva f(x) Al incrementar el número de rectángulos utilizados en la aproximación es evidente que el área total de los mismos es más cercana a la integral. x 3  x 2  h . El método de los rectángulos considera entonces una serie de n rectángulos… f(xn–1) f(xn–2) f(xn–3) f(x1) f(x0) f(x4) f(x3) f(x2) … x0 x1 … x5 … xn–3 … xn h h h h h n rectángulos h h h cuyas bases tienen una longitud h( x1  x 0  h . como lo muestra claramente el siguiente gráfico… Áreas en exceso eliminadas al duplicar el número de rectángulos. x 2  x1  h .

758818845 e sen(0.566092481=R10 e 0 sen(x) El valor exacto de esta integral a 10 cifras significativas es 1.2 + 0.1 = 0.6 + 0.6 0.1 0.1 = 0. El area total de los rectángulos esta dada por… Arect  hf(x 0 )  hf(x1)  hf(x 2 )  .9 1 e sen(0.1 + 0.66092481 dx (0.5 0..3 + 0.1 = 0.5 + 0.2) x0  f(x)dx h f  x i 1 n 0  (i  1   R )h expresión alternativa para el método de los rectángulos. … .7 + 0. la expresión (4.4)  1.566092481  0.1)  1.3 0.f(xn–1) respectivamente.1 Calcular  esen(x)dx mediante el método de los rectángulos con n = 10.8 0.615146296 e sen(0..8)  2.476121946 e sen(0.66092481)=1.  f(x n1)]  h f(x i ) i 0 n 1 entonces… xn (4.343825243 e sen(0. 0 1 La longitud h de la base de los rectángulos es h  i xi 1 0  0.4 0.631869608.1 = 0.7)  1. x n  x 0  nh .2)  1..1 = 0..1 = 0.631869608-1. útil en la programación del método.188741912  f(x ) i0 1 i 9 15.049008650 e sen(0.4 + 0. apenas se obtuvo dos .3)  1.1 )(15.87 Integración numérica f(x0).065777127 Del ejemplo se puede observar que a pesar de utilizar un buen número de rectángulos.….8 + 0. Si se considera que x1  x 0  h .6)  1.904496534 e sen(0.219778556 e sen(0. Utilizar 10 cifras significativas.2 0.104986830 e sen(0.  hf(x n1)  h[f(x 0 )  f(x1)  f(x 2 )  .1 = 0.1) x0  f(x)dx h f(x i )  R i 0 n 1 fórmula que identifica al método de los rectángulos. x 2  x 0  2h .1 10 f(xi) e sen(0) 0 1 2 3 4 5 6 7 8 9 0 0 + 0. f(x2). por lo que el error es… e  1.9)  2.1 = 0. Ejemplo 4. f(x1).1) se simplifica a… xn (4.1 = 0.5)  1.7 0.

lo que muestra que el método es lento.4 0.280696357 e sen(0.4  0.3  0.1 0.25)  1.3  0.1 = 0. Para esta disposición de los puntos se tiene…  x  x1   x1  x 2   x n1  x n  Amed  hf  0   hf    .2 Calcular  esen(x)dx mediante el método del punto medio con n = 10.1 = 0.409024762 e sen(0.45 2 0.3) x0  f(x)dx h  f     n1  x i  x i 1     M 2  i0 expresión que define el método del punto medio. se lo hace a partir del punto medio ( x i  x i 1 ).88 Integración numérica cifras significativas de precisión.1 = 0.15 2 0.5 0. formándolos a partir de los puntos extremos(xi.4 + 0..6 + 0.051249197 i xi x i  x i 1 2 0 1 2 3 4 5 6 7 0 0 + 0.2 + 0..686553721 e sen(0.544909811 e sen(0.65 2 e sen(0. la precisión para un mismo número de rectangulos utilizados mejora 2 significativamente.2 0.25 2 0.831593596 .15)  1.7  0.1 = 0.1 + 0. 0 1 La longitud h de la base de los rectángulos es h  1 0  0.5  0.3 + 0.1 = 0. xi+1).5 + 0. Ejemplo 4.05 2 0.5  0.4  0.  f     h  f   2    i 0  2    2   2  por lo que… xn (4.45)  1.1 = 0.55)  1.6 0..161181629 e sen(0..1 0.7 ----0  0.3 0.6  0.35)  1.1  0.1 10  x  x i 1  f i  2   ----e sen(0. Utilizar 10 cifras significativas.65)  1.2  0.35 2 0.1 = 0.6  0.  hf   2  2     2    x  x1   x1  x 2   n1  x i  x i 1    x n1  x n    h f  0   f   . Una corrección que mejora el método de los rectángulos generando el denominado método del punto medio se va a analizar seguidamente… Si en lugar de generar los rectángulos.05)  1.55 2 0.2  0.

por lo que el error es… e  1. especialmente en la programación del método del punto medio se obtiene al considerar que x1  x 0  h .1 = 1 e sen(0.631763539=M10 El valor exacto de esta integral a 10 cifras significativas es 1. x n  x 0  nh .85 2 0.4)… #1: F(x) := #2: RECT(in.75)  1.2) y (4.75 2 0.631763539  0.8 0. n) #3: MED(in.1 )(16. fin.7  0. n) := ((fin–in)/n)SUM(F(in+(2i–1)((fin–in)/(2n))).977115096 e sen(0.7 + 0.9 0.i .. Utilizando programación funcional y esencialmente la función SUM.95)  2. x 2  x 0  2h .95 2 8 9 10 0.255598853  f(x ) i0 i 10 16. dejándose una aplicación de la interpolación a métodos posteriores. Una interpretación geométrica y su correspondiente deducción es más conveniente para este método.4) x0  f(x)dx h  f  x   i 1  n  0  (2i  1   )h M 2   expresión alternativa para el método del punto medio 4. n) := ((fin–in)/n)SUM(F(in+(i–1)((fin–in)/n)).. es muy simple.i . consistente en aproximar mediante interpolación en este caso una malla de puntos de la función subintegral.9 + 0.89 Integración numérica 0.1 = 0.631869608-1.119712370 e sen(0.631869608. de donde… h 3h  (2n  1  )h    Amed  hf  x 0    hf  x 0    . Una fórmula algo más util. para integrar dicho polinomio y obtener una aproximación al valor exacto. n) 4. Este método sigue un proceso muy similar al utilizado en diferenciación numérica.8 + 0.8  0.31763539)=1.9  1  0.1.31763539 e 0 1 sen(x) dx (0. la automatización de éstos dos métodos con Derive 6..1. … .1 MÉTODO DE LOS RECTÁNGULOS Y DEL PUNTO MEDIO CON DERIVE 6..8  0.85)  2. Las siguientes líneas definen la programación de ambos métodos en base a las expresiones (4.2 MÉTODO DE LOS TRAPECIOS.1.1 = 0. fin.9  0. Considérese una malla de n intervalos equiespaciados donde se han construido n trapecios rectángulos… .  hf  x 0   2 2  2       n  h  3h  (2n  1   )h (2i  1   )h   h f  x 0    f  x 0    .000106069 Como se observa la precisión es ahora mucho mejor que con el método de los rectángulos.  f  x 0    h  f  x 0  2   2  2  2       i 1  es decir… xn (4.

3 0.. Ejemplo 4.3)  1. 0 1 La longitud h de la base de los trapecios es h  i Xextremos xintermedios 1 0  0.476121946 e sen(0.343825243 e sen(0.7 ----------------------------- .4)  1.3 Calcular  esen(x)dx mediante el método de los trapecios con n = 10. Utilizar 10 cifras significativas.5) n 1 h  f(x)dx  f(x 0 )  f(x n )  2 f(x i )  T  2 i 1  x0 xn expresión que identifica al método de los trapecios.  2f(x n1)  f(x n )]  f(x 0 )  f(x n )  2 f(x i ) 2 i 1  entonces… (4.1)  1..219778556 e sen(0.4 0. así…  f(x )  f(x1)   f(x1)  f(x 2 )   f(x n1)  f(x n )  h Atrap  h  0   h   .1 0..5)  1.6)  1.904496534 0 1 2 3 4 5 6 7 0 ----------------------------- ----0.615146296 e sen(0.  h    [f(x 0 )  2f(x1)  2 2 2     2   n 1 h  2f(x 2 )  .5 0.7)  1.2 0..6 0.90 Integración numérica f(xi+1) f(xi) xi h xi+1 x0 h x1 h x2 … xn–1 h xn n trapecios el área aproximada bajo la curva será la suma de todos los trapecios.2)  1.1 10 f(xextremos) e sen(0)  1 f(xintermedios) ----e sen(0.104986830 e sen(0.758818845 e sen(0.

Considérese las dos siguientes disposiciones de puntos x para un mismo intervalo… h h h h h h h h h h h h h h h .  f(x 2n1))  2 Mn  2h f(x1)  f(x 3 )  f(x 5 )  f(x 7 )  f(x 9 )  ..66092481)=1.631869608..8)  2. . por lo que el error es… e  1.  f(x 2n1)   para los n intervalos . se tiene… Tn  2h f(x 0 )  f(x 2n )  2(f(x 2 )  f(x 4 )  f(x 6 )  f(x 8 )  .  f(x 2n1))   resultado que corresponde a 2T2n ..  2f(x 2n 2 )    h f(x 0 )  f(x 2n )  2(f(x1)  f(x 2 )  f(x 3 )  f(x 4 )  f(x 5 )  ..9)  2.91 Integración numérica 8 9 10 --------1 0. ..  f(x 2n 2 ))  2  h f(x 0 )  f(x 2n )  2(f(x1)  f(x 2 )  f(x 3 )  f(x 4 )  . h x2n-1 x2n x0 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 2n intervalos 2h x0 x2 2h x4 2h x6 2h x8 2h x10 2h x12 2h x14 2h ..66092481  f(x) e 0 1 sen(x) 3...9 ------------e sen(1)  2. x2n-2 x2n n intervalos si sobre dichas mallas descansa una curva f(x) y a la misma se le aplica el método de los trapecios para hallar x 2n x0  f(x)dx .0002117142 la precisión obtenida es similar a la del método del punto medio.  f(x 2n1)    h f(x 0 )  f(x 2n )  2f(x 2 )  2f(x 4 )  2f(x 6 )  2f(x 8 )  .632081322=T10  2  El valor exacto de esta integral a 10 cifras significativas es 1.6320813222  0.319776824+2(14. y para los 2n intervalos T2n  aplicando además el método del punto medio al calcular la integral para la malla de n intervalos se obtiene… para los n intervalos sumando Tn y Mn… Mn  Tn  2h f(x1)  f(x 3 )  f(x 5 )  f(x 7 )  f(x 9 )  ...6) T2n  Mn  Tn 2 ..319776824  0. de donde… (4.8 0..631869608-1.188741912 ----14..049008650 e sen(0..1 dx      3.319776824 e sen(0.

631869608-1. x 2  x 0  2h .6319224305  0. utilizan una interpolación de segundo y tercer grado sobre las cuales se obtienen las respectivas aproximaciones mediante integración. fin. el error es… e  1. x n1  x 0  (n  1 . método conocido como método de aceleración de la regla de los trapecios.3 se tiene que… M10 = 1.2.632081322   1. para ello se debe disponer de tres puntos con los cuales construir p(x) tal como lo muestra el siguiente gráfico. Ejemplo 4.6319224305 2 2 Considerando el valor exacto de esta integral a 10 cifras significativas como 1. . la automatización del método de los trapecios es… #1: F(x) := #2: TRAP(in.7) 4.7).2 y 4. la función SUM y la expresión (4.i . pero con la ayuda de Derive 6. Utilizar 10 cifras significa0 1 tivas.1 REGLA DE 1/3 DE SIMPSON.4 Calcular  esen(x)dx mediante el método de aceleración de los trapecios con n = 20. Empleando programación funcional. De los ejemplos 4.3 REGLAS DE SIMPSON. y T10 = 1. la fórmula del método de los )h trapecios se puede escribir como… n 1 h  f(x)dx  f(x 0 )  f(x n )  2 f  x 0  ih   T  2 i 1  x0 xn (4. n–1)) 4. Considerando que x1  x 0  h . entonces… T20  M10  T10 1.632081322 . x2 Se desea calcular la integral x0  f(x)dx utilizando un polinomio interpolador de segundo orden p(x) en lugar de la función subintegral f(x). Las reglas de Simpson. el proceso toma pocos segundos.. en base a resultados calculados.1.631763539 .0000528225 La aplicación del método de la aceleración produce una mejora en la precisión.3. 4..631763539+1. n) := ((fin–in)/(2n))(F(in)+F(fin)+2SUM(F(in+i((fin–in)/n)).92 Integración numérica esta expresión permite calcular la integral con el método de los trapecios para 2n intervalos en base a hallar únicamente la integral para n intervalos por el método del punto medio y el de los trapecios. La obtención de éstas fórmulas de forma manual es sumamente largo. … .631869608.1 MÉTODO DE LOS TRAPECIOS CON DERIVE 6.

para las variables a. b y c. lográndose simplificar la solución a… . p(x2)=f2]. p(x2) = f2]. [a.  Se resuelve el sistema obtenido. que generará un sistema de ecuaciones. c]).93 Integración numérica f(x) p(x) f(x1) f(x0) f(x2) x0 h x1 h x2 entonces…    Se ingresa la orden InputMode := Word para que admita variables de más de 1 carácter. p(x1)=f1.  Se obtiene entonces el vector solución…  Se substituye en el vector solución x1  x 0  h y x 2  x 0  2h . Se define el polinomio de interpolación como p(x) : a  x  2  b  x  c . p(x1) = f1. b. Se establece el vector de condiciones de la interpolación [p(x0)=f0. mediante la orden SOLVE([p(x0) = f0.

xn x0   f(x)dx  3 f(x h 0 )  4f(x1)  2f(x 2 )  4f(x 3 )  2f(x 4 )  . se puede subdividir a su vez cada intervalo en dos subintervalos y proceder de la misma manera hasta obtener un número n par de intervalos. Para aproximar con un error menor el área calculada por este método. b y c en p(x).  f(x n 2 )  4f(x n1)  f(x n ) que simplificando resulta. xn x0  f(x)dx  3  f(x h 0 )  4f(x1)  f(x 2 )  f(x 2 )  4f(x 3 )  f(x 4 )  ... Aplicando a cada pareja la ecuación anterior se obtiene..8) xn x0  f(x)dx  3 f(x  h 0 k k 1  )  f(x n )  4 f(x 2i 1)  2 f(x 2i ) =S1/3 i 1 i 1  donde n=2k . obteniéndose…  Se integra p(x) entre x0 y x0 + 2h…  y se obtiene finalmente… es decir… x2 x0   f(x)dx  3 f(x h 0 )  4f(x1)  f(x 2 )  que es la expresión para el método de Simpson con aproximación cuadrática o regla de 1/3 de Simpson.94 Integración numérica  Entonces se reemplaza a. Esta expresión se puede simplificar como… (4......  2f(x n 2 )  4f(x n1)  f(x n )  donde n es par denominada regla compuesta de 1/3 de Simpson.

Se tiene que… (4. De los ejemplos 4.6 0.319776824 dx  0.6 Calcular S1/ 3  2n 2Mn  Tn 3 e 0 1 sen(x) dx mediante el método de aceleración de la regla de 1/3 de Simpson con n = 20 intervalos.219778556 ------------------------------------e sen(1)  2.5 0.000002272 la precisión es casi el doble que el método de los trapecios.157196817)+2(6.631867336=S1/ 3 10  3  El valor exacto de esta integral a 10 cifras significativas es 1.615146296 ----e sen(0.5)  1.7 0.9) Ejemplo 4.1 3.157196817  f(x) e 0 1 sen(x) 3.049008650 ----e sen(0. con el mismo número de intervalos. Utilizar 10 cifras significativas.1 0.9)  2.104986830 f(xextremos) e sen(0) 0 1 2 3 4 5 6 7 8 9 10 0 0.188741912 --------6.3 0. Un método de aceleración para la regla de 1/3 de Simpson es también posible.1 10 f(xpares) f(xno pares) ----e sen(0.8)  2.2 0.631867336  0.7)  1.319776824 ----e sen(0.631763539 .3) ----e sen(0.8 0.95 Integración numérica Ejemplo 4.5 Calcular  esen(x)dx mediante el regla de 1/3 de Simpson con n = 10 intervalos. y su demostración se deja al lector.4 0. 0 1 La longitud h de los intervalos es h  i xi 1 0  0.1)  1. Utilizar 10 cifras significativas.503727998)=1.476121946  1.2)  1. y T10 = 1.503727998 ----8.3 se tiene que… M10 = 1.904496534 ----e sen(0. entonces… .758818845 ----e sen(0.6)  1.4)  1.9 1 1 --------e sen(0. por lo que el error es… e  1.631869608-1.2 y 4.343825243 ----e sen(0.632081322 .631869608.319776824+4(8.

000000141 Nuevamente.. xn x0  f(x)dx  3h f(x 0 )  3f(x1)  3f(x 2 )  f(x 3 )  f(x 3 )  3f(x 4 )  3f(x 5 )  f(x 6 )  8  n es un valor multiplo de 3 ...  2f(xn 3 )  3f(xn 2 )  3f(xn1)  f(xn ) 8 .631869608. Para aproximar con un error menor el área calculada por este método. Aplicando a trio de intervalos la ecuación anterior se obtiene..631869467 3 3 S1/ 3  20 Considerando el valor exacto de esta integral a 10 cifras significativas como 1.2 REGLA DE 3/8 DE SIMPSON. f(x) p(x) f(x0) x0 h f(x1) f(x2) f(x2) x2 x3 h x1 h siguiendo el mismo procedimiento empleado en la regla de 1/3 de Simpson se obtiene… x3 x0  f(x)dx  3h f(x 0 )  3f(x1)  3f(x 2 )  f(x 3 )  8  expresión que determina el método de Simpson con aproximación cúbica o regla de 3/8. en base a resultados calculados.631869608-1...632081322   1...  f(x n 3 )  3f(x n 2 )  3f(x n1)  f(x n )  que simplificando resulta..3.96 Integración numérica 2M10  T10 2(1. la aplicación del método de la aceleración produce una mejora en la precisión. el error es… e  1.. se puede subdividir a su vez cada intervalo en tres subintervalos y proceder de la misma manera hasta obtener un número n(multiplo de 3) de intervalos. 4. x3 Ahora se desea calcular la integral x0  f(x)dx utilizando un polinomio interpolador de tercer orden p(x) en lugar de la función subintegral f(x).631763539)+1.631869467  0. para ello se debe disponer de cuatro puntos con los cuales construir p(x) tal como lo muestra el siguiente gráfico. xn x0  f(x)dx  3h  f(x 0 )  3f(x1)  3f(x 2 )  2f(x 3 )  3f(x 4 )  3f(x 5 )  2f(x 6 )  .

319776824+2(3. por lo que el error es… e  1.7 0. Esta expresión se puede simplificar como… xn (4.102644088 ----9.3 REGLAS DE SIMPSON UTILIZANDO DERIVE 6.9 x0  f(x)dx  k k 1 3h   3/8   f(x 0 )  f(x n )  3 f(x 3i  2 )  f(x 3i 1)  2 f(x 3i ) =S 8  i 1 i 1  donde n=3k Calcular e 0 sen(x) dx mediante el regla de 3/8 de Simpson con n = 9 intervalos.219778556 f(xextremos) e sen(0)  1 0 1 2 3 4 5 6 7 8 9 0 0.9 3.10). Utilizar 10 cifras significativas.615146296 --------e sen(0.5)  1.406354371.4)  1.5 0. La longitud h de los intervalos es h  i xi 0.2 0.1 9 f(xmúltiplos de 3) f(xno múltiplos de 3) ----e sen(0.3)  1. 4.6 0.97 Integración numérica fórmula denominada regla compuesta de 3/8 de Simpson. la función SUM y las expresiones (4.406349244  0.758818845 ----e sen(0.3 0.104986830 e sen(0.188741912 e 0 sen(x) dx  3(0.369538812)=1.8 0.369538812  f(x) 0.2)  1.7 0.4 0.9  0  0.9)  2.406354371-1.000005127 la precisión es similar a la regla de 1/3 de Simpson.10a) x0  f(x)dx  k k 1 3h   3/8 )h)  f(x 0 )  f(x n )  3 f(x 0  (3i  2)h)  f(x 0  (3i  1   2 f(x 0  (3i)h) =S 8  i 1 i 1  donde n=3k la automatización de los métodos de Simpson es… .6)  1.904496534 e sen(0.476121946 e sen(0.10) Ejemplo 4.102644088)+3(9.1 0.7)  1.188741912 ----e sen(0.9 ------------e sen(0. modificadas de la siguiente forma… xn (4.8)  2.406349244=S9  8  El valor exacto de esta integral a 10 cifras significativas es 1.343825243 --------------------------------e sen(0. Con programación funcional.8) y (4.8a) xn x0  f(x)dx  3 f(x  h 0 k k 1  )  f(x n )  4 f(x 0  (2i  1  2 f(x 0  (2i)h) =S1/3 )h) i 1 i 1  donde n=2k (4.3.1 ) 3/8 3.049008650 ------------3.1)  1.

n) := (2MED(in. El siguiente cuadro resume las fórmulas de Newton–Cotes hasta el orden 5.i .i . n/2))/3 4. fin. n/2–1)) #3: SIMP38(in.5 ERROR EN MÉTODOS DE INTEGRACIÓN.n/3) + 2SUM( F(in+(2i)((fin–in)/n)). fin. fin.1 . n) := (3(fin–in)/(8n))(F(in)+F(fin)+3SUM(F(in+(2i–2)((fin–in)/n))+ F(in+(2i–1)((fin–in)/n)). Las fórmulas de Newton–Cotes son una generalización de las fórmulas del trapecio y de Simpson.4 FÓRMULAS DE NEWTON – COTES. xn] de integración.i . donde  es el valor máximo que to2 ma la primera derivada en el intervalo [xo . n/2)+ TRAP(in. una aproximación por polinomios interpoladores de cualquier grado para hallar una estimación de las integrales numéricas. fin.n/2) + 2SUM( F(in+(2i)((fin– in)/n)). xn]. Punto medio O(h2) e xn x0  f(x)dx  Mn  nh3  . cuyo análisis no se va a detallar en este texto.1 . f '(x)   para [xo . es decir.9) y los programas para el método del punto medio y de los trapecios. El siguiente cuadro define la expresiones del error para los métodos estudiados anteriormente… Regla Orden e xn Error estimado o aproximado Rectángulos O(h) x0  f(x)dx  R n  nh2  . El error de los métodos de integración se deduce en base a un análisis por series de Taylor. es decir. donde  es el valor máximo que 24 toma la segunda derivada en el intervalo [xo . xn] de integración. n 1 Regla x1 Fórmula   f(x)dx  2 f(x h h )  f(x1)  Trapecios x2 0 x0 2 Simpson 1/3 x3 x0   f(x)dx  3 f(x 0 )  4f(x1)  f(x 2 )  3 Simpson 3/8 x4 x0  f(x)dx  2h 3h f(x 0 )  3f(x1)  3f(x 2 )  f(x 3 )  8  4 Boole x5 x0   f(x)dx  45 7f(x 5h 0 )  32f(x1)  12f(x 2 )  32f(x 3 )  7f(x 4 )  5 x0   f(x)dx  288 19f(x 0 )  75f(x1)  50f(x 2 )  50f(x 3 )  75f(x 4 )  19f(x 5 )  4.1 .i .1 . n) := ((fin–in)/(3n))(F(in)+F(fin)+4SUM(F(in+(2i–1)((fin–in)/n)). fin. es .98 Integración numérica #1: F(x) := #2: SIMP13(in. n/3–1)) En base a la expresión (4. la regla de 1/3 de Simpson se puede automatizar como… #4: SIMP13_(in.

f(4)(x)   para [xo . 4. es decir.065777127 0. xn]. donde  es el valor máximo que 80 toma la cuarta derivada en el intervalo [xo . Además en cada caso estimar los errores. Ejemplo 4. es decir. 4. f ''(x)   para [xo . b. comparándolos con los valores de error exacto. f ''(x)   para [xo . e.99 Integración numérica decir. así como las reglas de Simpson tienen un error del mismo orden lo que significa que van a producir un número semejante de cifras decimales de precisión.566092481 1. 4.7 generaron los siguientes resultados… n 10 10 10 Método Rectángulos Punto medio Trapecios Valor aproximado de la integral 1. donde  es el valor máximo que to12 ma la segunda derivada en el intervalo [xo . xn] de integración.) La regla de 3/8 de Simpson con n = 9.) Método del punto medio con n = 10. xn 3/8  f(x)dx  Sn  e Simpson 3/8 O(h4) x0 nh5  . f(4)(x)   para [xo . donde  es el valor máximo que 180 Simpson 1/3 O(h ) 4 toma la cuarta derivada en el intervalo [xo . De la tabla se puede observar que los métodos del punto medio y trapecios. Los ejemplos 4. e Trapecios O(h2) xn x0  f(x)dx  T n  nh3  . d. xn] de integración. xn].2. es decir.) La regla de 1/3 de Simpson con n = 10. e xn 1/ 3  f(x)dx  Sn  x0 nh5  .) Método de los rectángulos con n = 10. xn].) La regla de los trapecios con n = 10. xn].631763539 1. Utilizar 10 cifras significativas.000106069 0.5 y 4.8 Calcular  esen(x)dx mediante: 0 1 a.1. c. xn] de integración.3.0002117142 .632081322 Error exacto 0.

100 Integración numérica 10 9 Simpson 1/3 Simpson 3/8 1.000002272 0. para ello deduzcamos dichas derivadas y grafiquémoslas en el intervalo mencionado… f(x)  esen(x) cos(x) f(x)  esen(x) cos2 (x)  sen(x)   f(4)(x)  esen(x) cos4 (x)  cos2 (x)(6sen(x)  7)  sen(x)  3    valor máximo  valor máximo  .406349244 0. 1].000005127 Se procederá ahora a la estimación para ello es necesario determinar el máximo valor que toman la primera.631867336 1. segunda y cuarta derivadas de f(x)  esen(x) en el intervalo [0.

73  0.8  0 n  0.101 Integración numérica valor máximo  La siguiente tabla calcula los valores de error estimado para cada caso… n 10 Método Rectángulos eest  eest  eest  eest  Error estimado nh2 (10)(0.8 Determine el valor de h necesario para calcular  sen(e )dx .1 5 )  5.8  n   n  5.0002117142 10 Simpson 1/3 nh5 (10)(0. 12 3 pero h 0.1 3 )  1.0010625 12 12 0.73  0.47  0.275  0.001 12 .0735 2 2 Error exacto 0. nh3   0.00053125 24 24 nh3 (10)(0. Para los cálculos considere  = 5.000002272 9 Simpson 3/8 eest  0.275  0.9 0. mediante el método de los trapecios con hasta x 0 dos cifras decimales de precisión y calcule el valor de la integral.001 .284.000106069 10 Trapecios 0.1 5 )  5.0000031833 180 180 nh5 (9)(0.1 3 )  1.000005127 Como se puede verificar en todos los casos eest > eexacto.284  0. lo cual demuestra que el error estimado es conservador.1 2 )  1.065777127 10 Punto medio nh3 (10)(0. Ejemplo 4.00000644625 80 80 0.

213333333 0.750337072 2 El valor exacto es 0.6 INTEGRACIÓN DE ROMBERG.01  15 12(0.64 0.99925301 0.94506624 0.5029659)  0. lo cual demuestra de la exactitud de por lo menos dos cifras decimales como se pidió.001 12 0.001 ) 0.586666667 0.693333333 0.94743192 0.8 1.512 5.8 f(xextremos) 0.89683556 0. 4.32 0. El método de Romberg es un procedimiento para mejorar el resultado de una integral numérica en base a .97430344 0.512 n2 5.90914242 0.79320348  f(x) 0.106666667 0.5029659  sen(e )dx  x 0 0.0533333 15 n h i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 xi 0 0.053333333 (1.99301922 0.373333333 0.86979228 0.84147098 f(xintermedios) 0.98130479 0.99106099 0.284)  15.63467447  26.512)(5.533333333 0.63467447 26.85814088 0.48 0.512)(5.284  0.001 12n2 n2  (0.102 Integración numérica 0.746666667 0.16 0.99897512 0.284) 12(0.96504242 0.426666667 0.001 ) (0.284  0.92211469 0.8  0.053333333 0.7507863514.266666667 0.

y utilizarlo como fuente para aumentar la precisión. La integral exacta. b]. como… Iex   f(x)dx  T  e a b donde Iex es el valor exacto de la integral. se puede expresar. se tiene… Iex  T(h1)  e(h1)  T(h2 )  e(h2 ) (A) por otro lado se tiene que el error para el método de los trapecios se puede escribir como… e(h)  nh3 (b  a)h2   12 12 si se considera que  es un valor constante para el intervalo de integración [a. por lo que la anterior expresión se puede reescribir como… Iex  T(h)  e(h) Si se calcula una misma integral con dos valores diferentes de h. Tanto T como e dependen del valor h.103 Integración numérica considerar el error cometido. por ejemplo h1 y h2. T es el valor aproximado obtenido mediante la aplicación del método de los trapecios a n intervalos y e es el error exacto cometido. entonces… 2 e(h1) h1  2 e(h2 ) h2 rearreglando la anterior ecuación… h  e(h1)  e(h2 ) 1   h2  2 y reemplazando en la expresión (A)… h  T(h1)  e(h2 ) 1   T(h2 )  e(h2 )  h2  2 resolviendo para e(h2)… h  e(h2 ) 1   e(h2 )  T(h2 )  T(h1)  h2  T(h2 )  T(h1) T(h1)  T(h2 ) e(h2 )   2 2  h1   h1  1     1  h2   h2  2 por lo que… Iex  T(h2 )  e(h2 ) Iex  T(h2 )  T(h1)  T(h2 ) h  1  1   h2  2  2 2 h2 T(h1)  h1 T(h2 ) 2 h2  h1 2 (B) . para el método de los trapecios.

2 ) 3 3 O(h2 ) O(h1. Si se considera que h2  h1 ba .631922431 y… e 0 1 sen(x) dx  4 1 4 1 T(h2 )  T(2h2 )  (1.1.2 )  R1(2h2.2 8 ) 2 h2.05. 0 1 Para h1 = 0.2 ) 15 15 64 1 R2 (h3.05 . h2 = 0.1 2 16 1 R1(h2.2 )  4 1 T(h1.2 )  R2 (2h3.2 h2 h1.1.26 ) O(h3.10 Mejorar la precisión de  esen(x)dx mediante el empleo de h1 = 0.1  h2. se obtiene… T10 = 1.1  h1.2 4 ) O(h2.1 2  h1.2 )  R3 (h3.631869608.104 Integración numérica la precisión mediante esta estimación de la integral exacta es mejor que la obtenida aplicando la simple regla de trapecios con n intervalos.1 2 h3. y de O(h2) a O(h6) al 2 Iex  16 1 T(h2 )  T(2h2 )  R2 (h2 ) 15 15 El siguiente cuadro resumen este procedimiento de reducción de h y aumento de orden… k 1 h1 h1.1 h2.000000141 la precisión respecto a T20(0.2 ) 63 63 3  .632081322 T20 = 1.2 )  T(2h1. por lo que el error es… e  1. n).632081322)  1. entonces se obtiene… 2 n Iex Iex 2 h1 1 2 T(h1)  h1 T(h2 ) T(h )  T(h2 ) 4 4 1   2 1 h1 2 1  h1 4 4 4 1  T(h2 )  T(2h2 )  R1(h2 ) 3 3 Ejemplo 4.2 h3.000052823) ha mejorado.2 )  R2 (h2. fin. Utilizando la función TRAP(in. con h2 = 0. donde h1  .2  h1. n = 20. obteniendose en este último caso la expresión… 4 h1 .631869467 ) 3 3 3 3 El valor exacto de esta integral a 10 cifras significativas es 1.2 2 h2. aumenta el orden del error de O(h2) a O(h4) al sustituir h2  sustituir h2  h1 .2  h2. La expresión (B) anterior.631922431  (1. Utilizar 10 cifras significativas.631869608-1. se tiene n = 10.631869467  0.2 2 Integral de Romberg R1(h1.2  h3.

es más conveniente generar las Integrales de Romberg mediante el uso del número de intervalos n. Trapecios R2. .4n  R1.2 ) 4k  1  Rk (hk. . . . . el siguiente cuadro muestra el proceso… n Trapecios Orden del error n 2n Tn T2n T4n R1 O(h4) ---R2 O(h6) ------R3 O(h8) ------- R1. . .n  256 1 R3. La aplicación sucesiva de este procedimiento se conoce como método de integración de Romberg. .105 Integración numérica h4. . . .n  R1. . .2 2 256 1 R3 (h4. . .4n  R1. 2 En lugar de los valores para h.2 ) 255 255 4 h4.8n  4 1 T2n  Tn 3 3 4 1 T4n  T2n 3 3 4 1 T8n  T4n 3 3 4 1 T16n  T8n 3 3 .2 ) donde R0  T(regla trapezoidal) conocida como Integral de Romberg.n 255 255 .11) es O(h2k  2 ) . .2n 63 63 . . Orden del error n 2n 4n 8n 16n . .4n 15 15 .4n  R3.2 )  R3 (2h4. .2n  R1.n 63 63 64 1 R2.1  h3.2n  R1.2   R4 (h4.n  64 1 R2.8n  R1.2 h4. .2 )  Rk 1(2hk. . Tn T2n T4n T8n T16n . .2n  R2.n  R2. . .2 )  O(h4.2n 15 15 16 1 R1. . R4 O(h10) ------------- 4n R2. .2n  16 1 R1. T16n . . . .2n  n . . . .1 2 h3. 16n . . . .n 15 15 16 1 R1. El orden del error cometido por la expresión (4.210 ) Este proceso se puede generalizar por la expresión… (4.4n  R2. R4. .11) b  f(x)dx  a 4k Rk 1(hk. .2n  R3. . ---- 8n T8n R3.

05) R1(0. es… sen(x)  e dx  0 1 42 R1(h2.1  0.632081322 T20 = 1.1 ) R1(0.05)  4T40  T20 3 4T20  T10 3 Utilizando la función TRAP(in.) (0. fin.025)  R1(0.11 Mejorar la precisión de e 0 1 sen(x) dx mediante el método de integración de Romberg a partir de h1 = 0.2   T(2h1.05)  T(0.2 4 ) O(h2.2  0.05) 15 donde h  4T  1.1. corresponde a n = 40 intervalos entonces… R1(0.05)4  0.05 0.2 )  R1(2h2. corresponde a n = 20 intervalos.2 )  h  R1(2h2.1.00000625 (0. para k = 2.1  0.05)  3 h = 0.025.05  0.05.025)  3 4T h1.631922431 T40 = 1.2 2k  2 ) O(h1. k h1 h1.2 )  R1  2 1.05 2 n2 O(hk.025)  T(0.2   T(h1.2 ) 2  h  R1(h2.1 n1 h2 h1.2 ) 4 1 2  16R1(h2.2 ) 15  16R1(0.025)  R1(0.2   R1 h1.2    .000000000244 1 2 10 20 20 40 h2. h = 0. y h = 0.26 ) Cifras significativas de precisión (aprox.2 )  R1(2h2.2  0. corresponde a n = 10 intervalos.631882807 . hasta lograr 10 cifras significativas de precisión.025)6  0.2   3  2  4T(0.2  h2.2 )  R1  1. se obtiene… T10 = 1. n).106 Integración numérica Ejemplo 4.025 2 10 cifras significativas de precisión entonces la integral de Romberg.y 3  2  4T(0.1  h1.

631922431 ) 3 3  1.632081322) ) 3 3  1. .632081322 R1. así… n 10 Trapecios 1. usando: a.631882807)  (1.20 n 10 20 R2 ------- Orden del error ------ 1 0  h40      40  0.631869467 3 3 finalmente.) La regla trapezoidal con n = 6 b.20 R1.631869608 15 15 La integral exacta a 10 cifras significativas de precisión calculada con Derive 5 es 1. Encontrar el nivel promedio de concentración en el cuerpo en un período de 4 horas.631922431  (1.631882807 R1.631869467   1.631869599 3 3 R1(0.000000390625 4 4 20 1.025)  R1(0.) La regla trapezoidal con n = 12 c.631869599)  (1. de una medicina para la alergia en el cuerpo esta modelada por: C(t)  12  6.025)  R1(0.632081322 )   1.631869599)  1.631882807)  1.631869608. en gramos/litro.10 R1 ---4 1 (1.10  R1.000000000244140625 6 40 R1.05) 16(1.631922431   1. que coincide exactamente con el valor obtenido mediante el método de integración de Romberg.20 16 1  (1.05)  4T20  T10 4(1.12 La concentración C.631869599 Orden del error --- 1 0  h20      20  0.631922431 40 1.631869608 10 cifras significativas de precisión Ejemplo 4.69ln(t2  4t  6) 0t4 donde t es el tiempo en horas desde que la medicina se toma. La resolución se puede realizar también mediante el esquema de n.) Estimar una valor más exacto del nivel utilizando el método de Romberg.107 Integración numérica 4T40  T20 4(1.… e 0 1 sen(x) dx  16R1(0.00000625  1 0  h40      40  0.20  R1.631869467) 15 15  1.631922431  1.631869467 4 1 (1.

69ln(22  4(2)  6)  7.69ln((5 / 3)2  4(5 / 3)  6)  7.69ln(42  4(4)  6)  0.69ln(12  4(1  6) )  4.001135651 12  6.362845362 12  6.020358409 12  6.69ln((1/ 3)2  4(1/ 3)  6)  1.02625830177+2(25.020358409 12  6.020358409 0 1 2 3 4 5 6 7 8 0 --------------------------------- ----1/3 2/3 1 4/3 5/3 2 7/3 8/3 --------------------------------- .01312915088 f(xintermedios) ----12  6.650283788 12  6.61972320)=17.69ln(22  4(2)  6)  7.108 Integración numérica 40 2  6 3 f(xextremos) 12  6.69ln((7 / 3)2  4(7 / 3)  6)  7.01312915088 ----25.08856823=T6  2   40 1  12 3 b.69ln((10 / 3)2  4(10 / 3)  6)  3.537003648 12  6.108080512 12  6.61972320  f(x)  C(t)dt    0 4 0.01312915088 a.69ln((8 / 3)2  4(8 / 3)  6)  6.108080512 0 1 2 3 4 5 6 0 --------------------4 ----2/3 4/3 2 8/3 10/3 ----- --------------------12  6.69ln(02  4(0)  6)  0.001135651 12  6.69ln((2 / 3)2  4(2 / 3)  6)  3.) La longitud h de la base de los trapecios es h  i Xextremos xintermedios f(xextremos) 12  6.69ln((2 / 3)2  4(2 / 3)  6)  3.02625830177  2/3  0.69ln((4 / 3)2  4(4 / 3)  6)  6.020358409 12  6.108080512 12  6.69ln((8 / 3)2  4(8 / 3)  6)  6.) La longitud h de la base de los trapecios es h  i Xextremos xintermedios f(xintermedios) ----12  6.69ln(02  4(0)  6)  0.362845362 12  6.69ln((4 / 3)2  4(4 / 3)  6)  6.

) Por el método de Romberg.69ln(32  4(3)  6)  4.41917543-17.69ln(42  4(4)  6)  0.537003648 9 10 11 12 ------------4 3 10/3 11/3 ----- ------------12  6. por lo menos la primera cifra decimal es exacta.41917543. es decir. El valor exacto a 10 cifras decimales es 17.02625830177+2(51.33656617)  (17.01234567901.41923215 3 3 resultado que tiene una precisión mínima de (1/ 3)4  0.99656938  f(x) 0. por lo que en realidad el valor corregido de Romberg esta generando… e  17. con h1 = 2/3 y h2 = h1/2 = 1/3 R1(1/ 3)  4T(1/ 3)  T(2 / 3) 4(17.109 Integración numérica 12  6.99656938)=17. .69ln((11/ 3)2  4(11/ 3)  6)  1.02625830177  C(t)dt    0 4  1/ 3  0.00005672 4 cifras decimales exactas.08856823)   17.108080512 12  6.41923215  0.650283788 12  6.33656617=T12  2   c.01312915088 ----51.69ln((10 / 3)2  4(10 / 3)  6)  3.

5.1 Hallar la solución general de la ecuación diferencial dy  x2 dx Si se despejan las diferenciales de la derivada se tiene… dy  x 2 dx integrando a cada lado de la expresión…  dy   x dx 2 resolviendo las integrales indefinidas… . ordinaria de 1er orden dx dy d2 y x 2 y  x 2  y Ec. ordinaria de 2do orden dx dx d3 y dy  ey  x 2 y  1 Ec. así por ejemplo… dy  ysen(x)  z 2  y dx 5 Las ecuaciones diferenciales son expresiones matemáticas. dif.. así… dy  sen(x)  cos(y) Ec. la primera proviene de integrar la ecuación diferencial y obtener la solución en función de la o las constantes de integración. y. De aquí en adelante se nominará como ecuación diferencial a una ecuación diferencial ordinaria y se tratarán en este capítulo solo ecuaciones diferenciales ordinarias de primer orden. además el orden de la derivada más alta define el orden de la ecuación diferencial. si únicamente están presentes las variables x(variable independiente) y y(variable dependiente) y una o más derivadas de cualquier orden de y respecto de x. ordinaria de 3er orden dx dx 3 Las ecuaciones aparecen de forma natural al generar un modelo de un fenómeno de la vida real en cualquier ciencia aplicada. A pesar de ello es posible resolver analíticamente sólo algunos pocos tipos de ecuaciones diferenciales por lo que se hace absolutamente necesario el conocimiento de métodos numéricos que permitan resolver ecuaciones diferenciales. z…etc.1 SOLUCIÓN GENERAL Y PARTICULAR DE UNA ECUACIÓN DIFERENCIAL Toda ecuación diferencial presenta dos tipos de soluciones: una solución general y una particular. por lo que su resolución es vital para definir el modelo. donde a más de las variables usuales x. el siguiente ejemplo aclara esta situación… Ejemplo 5. dif. la ecuación se denomina ecuación diferencial ordinaria.110 Ecuaciones diferenciales ordinarias CAPÍTULO ECUACIONES DIFERENCIALES ORDINARIAS aparecen derivadas de cualquier orden de una variable respecto de otras. dif.

2 MÉTODOS DE EULER Son los métodos más simples. En el presente texto se van a revisar únicamente métodos numéricos de resolución de ecuaciones diferenciales de primer orden. Método de Euler hacia atrás.y) . entonces sustituyendo en ella x = 1. la solución general pasará a denominarse solución particular.111 Álgebra Lineal Numérica x3 B 3 yA y x3 B A 3 x3 y C 3 por lo que la solución general de la ecuación diferencial dada es y  quiera.1 MÉTODOS DE EULER HACIA ADELANTE Y HACIA ATRÁS Considérese la ecuación diferencial de primer orden dy  f(x. dx Dado que la solución general es y  x3  C . y = 2.2. compactos aunque menos precisos y utilizan aproximaciones por diferencias para las derivadas.2 Hallar la solución particular de la ecuación diferencial dy  x 2 . Seguidamente se analiza cada uno… 5. así para el ejemplo anterior… Ejemplo 5. 3 3 Los métodos numéricos requieren del conocimiento de las condiciones iniciales para su ejecución. siendo C una constante cuales3 Si a más de solamente la ecuación diferencial se conoce una o más parejas de valores (x. x3  C . y Método de Euler modificado. si se substituye en ella la primera derivada su dx . Los métodos de Euler son:    Método de Euler hacia adelante. llamadas condiciones iniciales. si y = 2 para x = 1. y). 5. tal que a través de ellas se pueda determinar el valor de la constante de integración. se tiene… 3 (1 3 ) C 3 1 2  C 3 1 5 C 2  3 3 2 por lo que la solución particular en este caso es y  x3 5  .

Utilice h = 0.80928)  5. tal como lo muestra el siguiente ejemplo… Ejemplo 5.80928 5.2)(1.4 y 3  y 2  h(x 2 y 2 )  2. 2] . (5.838419456 para x5 = 2 la solución aproximada está dada por la tabla… i xi yi 0 1 2 3 4 5 1 1. mediante dx el método de Euler hacia adelante..0282496 6.6)(3.0282496 para x4 = 1. si y0 = 2 para x0 = 1.y1. y0)..0282496)  6.4 para x1 = 1. (3..y i ) ecuación que aplicada de forma iterativa.y 2 .8 2 2 2.4  (0. dada por… dy y i 1  y i .y) h de donde.976)  3.8)(5.1)).2)(2.976 3. permite hallar el conjunto solución y 0 .976  (0.1) y i 1  yi  hf(x i .80928 para x3 = 1.976 para x2 = 1.2 1.6 y 4  y 3  h(x 3 y 3 )  3.8 y 5  y 4  h(x 4 y 4 )  5.2 y 0  2 para x0 = 1 y1  y 0  h(x 0 y 0 )  2  (0.4 2.  dx h entonces se obtiene la expresión… con h  x i 1  x i y i 1  yi  f(x. Compare dicha solución con la solución exacta expresada mediante y(x)  2e x 2 1 2 .0282496  (0.838419456 Graficando la solución aproximada y la solución exacta se tiene… .3 Hallar la solución de la ecuación diferencial dy  xy para el intervalo [1. a partir de las condiciones iniciales (x0.6 1.2)(1.2 )( y 2  y1  h(x1y1)  2.80928  (0.2)(1 2)  2.2)(1.4 1.4)(2.112 Álgebra Lineal Numérica aproximación por diferencias hacia adelante (Ec. para la ecuación diferencial dada.4)  2.2)(1.

y0). permite hallar el conjunto solución y 0 .113 Álgebra Lineal Numérica Solución exacta Solución aproximada es de notar que mientras se incrementa xi. tal como lo muestra el siguiente ejemplo… Ejemplo 5. expresada mediante… dy y i  y i 1 . con h  x i  x i 1 y i  yi 1  f(x..y i ) expresión que aplicada iterativamente a partir de las condiciones iniciales (x0. la solución aproximada se aleja más de la exacta.2)(1 2)  1. si y0 = 2 para x0 = 1..1] . (5.8 )( . Utilice h = 0. Compare dicha solución con la solución exacta expresada mediante y(x)  2e x 2 1 2 ..4 Hallar la solución de la ecuación diferencial dy  xy para el intervalo [0.y) h de donde.y 2 .6 para x1 = 0.  dx h se tiene.2 y 0  2 para x0 = 1 y 1  y 0  h(x 0 y 0 )  2  (0. para la ecuación diferencial dada.2) y i 1  y i  hf(x i .y 1. Si en lugar de emplear la aproximación por diferencias hacia adelante se utiliza la aproximación por diferencias hacia atrás. mediante el dx método de Euler hacia atrás.

344)  1.6  (0.4)(1.2 y 5  y 4  h(x 4 y 4 )  1.6 0.6 1.2 0 2 1.1 Para el ejemplo 5.2)(0.0881024 1.2)(0.18272  (0.4 0.2)(0.2)(1.18272 para x3 = 0.0881024 para x4 = 0.5 Mejore la precisión del ejemplo 5.0881024)  1.0881024  (0.114 Álgebra Lineal Numérica y 2  y 1  h(x 1y 1)  1.4 y 4  y 3  h(x 3 y 3 )  1.344 para x2 = 0.3 tomando un valor de h = 0.044578304 Graficando la solución aproximada y la solución exacta se tiene… Solución exacta Solución aproximada nuevamente la diferencia entre solución aproximada y exacta se incrementa al ir avanzando en el proceso iterativo.18272)  1.3… .344 1.6)(1.6)  1.2)(0.044578304 para x5 = 0 la solución aproximada está dada por la tabla… i xi yi 0 1 2 3 4 5 1 0.8 0.6 y 3  y 2  h(x 2 y 2 )  1.344  (0. como lo comprueban los siguientes ejemplos… Ejemplo 5. La precisión mejora en los métodos de Euler hacia adelante y hacia atrás si se reduce el tamaño del paso(h).18272 1.8)(1.

4 1.523278528 4.1297084065 7.5)(3. graficando las soluciones aproximadas y la solución exacta se tiene… .4888939399 7.8)(5.4990626609 6.4888939399 para x9 = 1.1 )(1.7000535564 5.1 )(2.6 y7  y6  h(x 6 y6 )  4.0282496 --6.80928 --5.442)  2. lo que hace del método no tan práctico.9 y 9  y 8  h(x 8 y 8 )  6.523278528  (0.1 )(1.4 y 5  y 4  h(x 4 y 4 )  3.976 --3.4)(3.1 )(2)  2.9633781406 La tabla muestra una mejoría evidente al reducir el valor de h.5 1.9)(6.1 1.1 )(1.1 )(1.2  (0.2 2.4 --2.1 )(1.0905952)  3.0905952 3.4888939399)  7.7 1.8 y 9  y 8  h(x 8 y 8 )  5.2) yi (h = 0.1 )(1 y 2  y1  h(x1y1)  2.442 2.3 1.7000535564  (0.3753781874 8.4921534611 2.3629445309 5.73504)  3.7000535564)  5.1 y 3  y 2  h(x 2 y 2 )  2.0517703072)  4.1456267571 6.523278528 para x5 = 1.4990626609 para x8 = 1.9 2 2 --2.1 )(1.73504  (0.442  (0.0517703072  (0.6 1.8239798393 3.2 1.4888939399  (0.1 )(1. Finalmente.73504 para x3 = 1.2)(2.523278528)  4.7217837885 para x10 = 2 las soluciones aproximadas anterior y actual así como la solución exacta están dadas por la siguiente tabla… i xi yi (h = 0.2214212207 2.2 para x1 = 1.2 )(1.8 1.3 y 4  y 3  h(x 3 y 3 )  2.115 Álgebra Lineal Numérica y 0  2 para x0 = 1 y1  y 0  h(x 0 y 0 )  2  (0.1) yi (exacta) 0 1 2 3 4 5 6 7 8 9 10 1 1. aunque como antes al aumentar el proceso iterativo el error también se incrementa.1 )(1.0905952  (0.838419456 2 2.442 para x2 = 1.7)(4. Para aumentar aún más la precisión es necesario reducir todavía el valor de h.5 y6  y 5  h(x 5 y 5 )  3.7000535564 para x7 = 1.2)  2.7217837885 2 2.7 y 8  y7  h(x 7 y7 )  4.7364919148 4.73504 3.0517703072 4.0517703072 para x6 = 1.6)(4.4990626609)  6.2321488043 3.0905952 para x4 = 1.3)(2.4990626609  (0.

y)dx aplicando el método de los trapecios a xi  f(x.y) .2 MÉTODO DE EULER MODIFICADO El método de Euler si bien es simple. es entonces necesario buscar una alternativa para mejorar dicha situación.y )  f(x i i h i 1 .y)dx  2 f(x . xi   f(x.2.1) Solución aproximada (h = 0. 5. sien embargo. esa alternativa es el método que se desarrollará seguidamente… Considérese la ecuación diferencial de primer orden como sigue… dy  f(x.y i 1)  2 en esta última expresión se aplica el método de Euler hacia delante a y i 1 .y) dx dy  f(x.y)dx yi 1 dy  f(x.y i )  f(x i 1.116 Álgebra Lineal Numérica Solución exacta Solución aproximada (h = 0.2) que confirma lo deducido en la tabla. y en ella se procede a efectuar la integración dx yi x i 1  dy  x i 1 xi  f(x. requiere de un valor de h muy pequeño para ser preciso lo que conlleva una gran cantidad de cálculos. se tiene… x i 1 y i 1  y i  es decir.y i 1)  h y i 1  y i  f(x i . en el miembro derecho y se tiene fi- .y)dx .

y i ))  2 ecuación que se aplica iterativamente.2)(1.y i )  f(x i 1.3282076006) 1.2  x 3 y 3  x 4  y 3  hx 3 y 3    4.6  y3  y2  h 0.2184768)   4.8  y4  y3  h 0.2)(1.488)  1.4 h 0.6  3.2 )(2) )(2)    2 2  h 0.0491029426  (1.0491029426)  2  6.6 Hallar la solución de la ecuación diferencial dy  xy para el intervalo [1.488 para x1 = 1.2184768 para x 2  1.2)(2.3) A continuación se ejemplifica este método… Ejemplo 5.3282076006 para x 3  1. Utilice h = 0. y se escribe de manera simplificada como… h y i 1  y i  k1  k 2   2 k1  f(x i .2)(2.2)(1.y i  hf(x i .4)(3.2  x 0 y 0  x1  y 0  hx 0 y 0    2  (1  1.0491029426)   8.yi )) donde (5.488)     2 2   3. Compare dicha solución con la solución aproximada dada por el método de Euler hacia adelante y con la solución exacta expresada por la ecuación y(x)  2e Para la ecuación diferencial dada se tiene que… k1  x i y i k 2  x i 1(y i  hx i y i ) x 2 1 2 .488  (1.y i ) k 2  f(x i 1. 2] .8)(6.3282076006)   6. utilizando dx el método de Euler modificado.6)(4.0491029426 para x 4  1.3282076006  (1.3282076006   2 2  (0. si y0 = 2 para x0 = 1.2184768  (1.2184768    2 2  (0.2)(1.0491029426  2 2  (0.7832974727 para x 5  2  y5  y4  las solución aproximada por este método así como el de Euler hacia adelante y la solución exacta están dadas por la siguiente tabla… .2  x 2 y 2  x 3  y 2  hx 2 y 2    3.2  2  (0.488  (0.2  x 4 y 4  x 5  y 4  hx 4 y 4    6.2  x1y1  x 2  y1  hx1y1    2.117 Álgebra Lineal Numérica nalmente… h y i 1  y i  f(x i .2 así entonces… y 0  2 para x0 = 1 y1  y 0  y 2  y1  h 0.4)(3.y i  hf(x i .8  4.2184768) 1.6)(4.8)(6.4  2.2)(1    2.

4921534611 3.4 1.3282076006 6.8 2 2 2.1. mientras que el error global es el error acumulada en yi.976 3.2184768 4. En el error en ecuaciones diferenciales ordinarias (EDO) es útil diferenciar dos clases de errores existentes.6 1. desde yi hasta yi + 1. El gráfico siguiente confirma lo dicho… Solución exacta Solución aproximada (Euler modificado) Solución aproximada (Euler hacia adelante) la solución dada por el método de Euler modificado prácticamente se confunde con la solución exacta.488 3.2 1. a saber…   Error local y Error global Error local es el cometido durante un paso del proceso iterativo. es… eglobal  y iexacto  y iaproximado i . más ese estudio sale fuera del alcance introductorio de este texto y es más útil en todo caso revisar las consecuencias prácticas de dicho análisis.118 Álgebra Lineal Numérica i xi yi (E. adelante) yi (E.0491029426 8.80928 5.1297084065 8.2. debido a todos los pasos previos. El error global en xi.2321488043 4.3 ERROR EN LOS MÉTODOS DE EULER El error en los métodos de Euler puede ser tratado muy minuciosamente con la ayuda de Series de Taylor. 5.7832974727 2 2. modificado) yi (exacta) 0 1 2 3 4 5 1 1.838419456 2 2.3629445309 6.9633781406 es fácilmente observable que el método de Euler modificado da una solución bastante precisa aún más que aquella de Euler con paso h = 0.0282496 6.4 2.

será del orden O(hp).01 1.119 Álgebra Lineal Numérica donde y exacto es el valor generado por la solución exacta y yaproximado es el valor dado por el método numérico i i en estudio.08589372335 0.09 1.2) = 0.12 1.4) eglobal  y iexacto  yiaproximado  chp i donde c es una constante que no depende de h Para los métodos de Euler.01) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 1. Analice además el error local y global.03 1.04122845097 0.2) yi (h = 0.1218279535 0.2) en la ecuación diferencial… Orden del error Error local O(h2) O(h2) O(h3) Error global O(h) O(h) O(h2) dy  x 2  sen(y 2 ) dx si y(1) = 0.2. Un teorema importante del análisis numérico válido para EDO. Ejemplo 5.020202 0.1732588475 0. h = 0.06 1.16 0 --------------------------------- 0 ------------------0. El error local puede ser medido únicamente en la primera iteración del proceso.1) yi (h = 0.2463119 i xi yi (h = 0.06311355273 0.05206144882 0.01 0.1 ------------- 0 --------0.05) yi (h = 0.05 y h = 0. utilizando el método de Euler hacia adelante con h = 0.05 --------0. es decir… (5.02 1.15 1.05 1.11 1. h = 0.14 1.13 1.07438938583 0.1470217166 0.01.04 1.1. el orden del error local y global.07 1. afirma que si el error local es del orden O(hp+1) entonces el error global. para valores pequeños de h. El valor exacto a siete cifras decimales es y(1.7 Encuentre la solución aproximada para y(1.08 1.1 1.1096078176 0.03061008120 0.1342973685 0. lo muestra la siguiente tabla… Método Euler hacia adelante Euler hacia atrás Euler modificado Los siguientes ejemplos estudian el error local y global.1867839887 .09763150000 0. ya que en las subsiguientes se acumula error generando el error global.1052499998 --------0.1663038666 --- 0 0.1600068536 0.

00125 1.2005888006 0.2219999833 Error global global e1.2 0.2 ------0.0463119 lo que corrobora la única cifra decimal exacta.05 0.2.3 0.0125004 global e1.033868815 1.05) 0 1 2 3 4 5 6 7 8 9 10 0 0.120 Álgebra Lineal Numérica 17 18 19 20 1.2463119  0.021296066 1.2  0.2  0.1 y h = 0.2463119  0. Ejemplo 5.15 0.021018370 --1.2220000   0. Analice además el error local y global.01 Una cifra decimal exacta como mínimo 0.2 se tiene y(1.125.2338115  0.2219999833 ------0..2  0.2338115391  0. entonces. O(h) Ninguna cifra decimal exacta Valores calculados 0.0025617 En los casos de h = 0.2290647628 0.049624418 1.19 1.25 0.8 Encuentre la solución aproximada para y(0.2) = 0.5) = 1. local e1.091262494 1.45 0.068707581 1. utilizando el método de Euler modificado con h = 0. o sea (0. el orden del error previsto es conservador respecto de lo obtenido. por lo que debe existir una sola cifra decimal exacta.147352815 El error local se verifica con h = 0.2)2 = 0.17 1.1) yi (h = 0. i xi yi (h = 0.01.4 0.2  0. es decir con h = 0.2 ------0.5) en la ecuación diferencial… dy  x  ln(y) dx si y(0) = 1. o sea (0.2338115391 0.1476682.5.005126360 1.2  0.1 y h = 0.1 Orden del error global.2437502287  0. y en efecto para h = 0.2437502287 El error local se puede verificar donde exista un solo paso.2463119  0.117431341 1.049168174 --1.05 Una cifra decimal exacta como mínimo 0. en este caso el orden es de O(h2).05.2146800507 0.2437502  0.18 1. en este caso el orden es de O(h3).35 0. h = 0.0243119 global e1.5)3 = 0.5) yi (h = 0. por lo que no de- . El valor exacto a siete cifras decimales es y(0.005 --1.1 0.2463119  0.011762404 1.5 1 ------------------1.125 1 --1.5.146455331 1 1. En los demás casos se presenta error global cuyo número mínimo de cifras decimales exactas lo determina el siguiente cuadro y se compara con los valores calculados… h 0.2.090599472 --1.04.

1116597753 0.05 0. O(h2) Una cifra decimal exacta (mínimo) Valores calculados 1.2483065625 --0.05 --0. lo cual es fácilmente corroborable en base al .4430663418 Ambos resultados tienen como mínimo una cifra decimal exacta.05 1.2574745599 0.025 0. entonces.4) se puede utilizar para mejorar el valor de una estimación de yi.1476682  1.1473528  0.125 1.3449248345 0. Mejore las anteriores estimaciones.3) en la ecuación diferencial… dy  x2  y dx si y(1) = 0.175 1.9 Encuentre la solución aproximada para y(1.125  0. elocal  1.025) 0 1 2 3 4 5 6 7 8 9 10 11 12 valor exacto. utilizando el método de Euler hacia adelante con h = 0.121 Álgebra Lineal Numérica be existir una sola cifra decimal exacta como mínimo.146455331 Error global eglobal  1.3327218906 --0.125.05 y h = 0.275 1.01 Orden del error global.075 1.15 1.2175209121 0.0226682 0.1476682  1.5 existiendo una cifra decimal exacta.1464553  0.25 1.3) a siete cifras decimales es 0.5  0.2999114239 0.051890625 0. 1 1.1 1. en base a cálculos previos como lo demuestra el siguiente ejemplo… Ejemplo 5.3 0 --0.. La expresión (5.17350625 --0.1 h2 0.1799594265 0.5) = 1. sin embargo para h = 0.1476682  1.0025 Dos cifras decimales exactas (mínimo) 1.025 1.107625 --0.2 1.08075039062 0.5 se tiene y(0.0003154 0.025. El valor de y(1.05) yi (h = 0.225 1.1447012697 0.4274829851 0 0.3926104554 0.4592940 i xi yi (h = 0. Para los otros valores de h se presenta error global cuyo número mínimo de cifras decimales exactas lo determina el siguiente cuadro y se compara con los valores calculados… h 0.5  0.0012129 eglobal  1.147352815 En ambos casos el orden del error previsto es conservador respecto de lo obtenido.

.025. 5. Restando (B) – (A) se tiene… aprox(h aprox(h y1.3  ch (B) para h = 0. Tomando los 3. se tiene. y aprox(h y1..3  2y1.05)  ch (A) para h = 0. se tiene que… aprox(h y1.025)  y1. así… y1.4). 2! 3! (A) tomando los dos primeros términos de la serie (A).3  y1. xi por x y xi+1 en vez de x + h.05.05) que da una estimación más exacta que las anteriores. 2! 3! dy  f(x. y i 1  y i  hyi pero y  f(x i .4586496985 ) ésta última estimación es exacta a 3 cifras decimales.3  0..3  0.4274829851  0.025)  c 2y1.3 MÉTODOS DE TAYLOR Estos métodos utilizan el desarrollo de la serie de Taylor(ver Apéndice B) como instrumento para resolver la ecuación diferencial y  la serie.. y i 1  y i  hy i  h2 y i 1 1  h3 yi  .3  0.4430663418)  (0. se convierte en… y(x i 1)  y(x i )  hy (x i )  h2 y(x i ) 1 1  h3 y(x í )  .y) y la precisión del método dependerá del número de términos tomados de dx usando y en lugar de f.025)  2y1.y i ) expresión que corresponde al método por serie de Taylor de primer orden(ST1) y que no es sino el conocido método de Euler.122 Álgebra Lineal Numérica Por la relación (5.3  y1. por lo que i y i 1  yi  hf(x i .... La serie de Taylor se puede escribir como… f(x  h)  f(x)  hf (x)  h2 f (x) 1 1  h3 f (x)  .3  0. 2! 3! o de forma abreviada.3  2(0. 4 y 5 términos de la serie se tiene… .yi ) .3 h 2 aprox(h  0.

3) en la ecuación diferencial… dy  x2  y dx si y(1) = 0.325)  (3.525 ) h2  y1 2 por lo que…  y 2  y1  hy1  h2 (0.1  1.1 )  )(1 (3)  0. 4.4592940 derivando implícitamente… y  x i 2  y i i y  2x i  y i i y  2  y i i y(4)  y i i (a) Empleando ST2… y1  y 0  hy  0 h2 y 0 2 con y0  0 y  x 0 2  y 0  (1 2  0  1 ) 0 ) y  2x 0  y  2(1  1  3 0 0 por lo que… y1  y 0  hy   0 h2 (0. orden(ST4) 2 6 24 Estos métodos involucran el calculo por derivación implícita de las derivadas de orden 2.115 para x1 = 1.325  3.1 0 2 2  y 2  y1  hy1  con y1  0.2 2 2 .123 Álgebra Lineal Numérica h2 yi Metodo de serie de Taylor de 2do. El valor de y(1.325   y1  2x1  y1  2(1.1.115  ) y1  x12  y1  (1.3) a siete cifras decimales es 0. utilizando ST2 y ST4 con h = 0. … tal como lo y i 1  y i  hyi  (5.525)  0.1 )(1.115  1. orden(ST2) 2 h2 h3 y i 1  y i  hy  y  y Metodo de serie de Taylor de 3er.1 2 )  y1  0.1 2  0.265125 para x2 = 1.1 2 ) y  0  (0.5) muestra el siguiente ejemplo… Ejemplo 5. 3. orden(ST3) i i i 2 6 h2 h3 h4 (4) y i 1  y i  hy i  y i  y i yi Metodo de serie de Taylor de 4to.10 Encuentre la solución aproximada para y(1.115  (0.

4592940  0.105125)  0.1158542  1.1 3 ) (0.1  y 2  y1  hy1  h2 h3 h4 (4)   y1  y1  y1 2 6 24 con y1  0.1 )  )(1 (3)  (5)  (5)  0.1 2 ) y   0.705125  4.705125)  (4.265125 y  x 2 2  y 2  (1.5258542  5.2)  1.1158542  y1  x12  y1  (1.3258542 )   y1  2x1  y1  2(1.1 2 ) (0.4561631  0.1 )(1.4561631 para x3 = 1.2)2  0.1  1.1158542 0 0 2 6 24 2 6 24 para x1 = 1.1 2  0.3258542  3.5258542 entonces .1 4 ) y  y  y 0  0  (0.705125 2 y  2x 2  y  2(1.3  0.0031309 lo que muestra la existencia de dos cifras decimales exactas.5258542 (4)  y1  y1  5.5258542 )   y1  2  y1  2  3.265125  (0.3 2 2 2 el error es… global e1.105125 2 2 h2 y 2 2 por lo que… y 3  y 2  hy   2 h2 (0.124 Álgebra Lineal Numérica finalmente… y 3  y 2  hy  2 con y 2  0.265125  1. (a) Empleando ST4… y1  y 0  hy   0 h2 h3 h4 (4) y  y  y0 0 0 2 6 24 con y0  0 y  x 0 2  y 0  (1 2  0  1 ) 0 ) y  2x 0  y  2(1  1  3 0 0 y  2  y  2  3  5 0 0 y(4)  y  5 0 0 entonces y1  y 0  hy   0 h2 h3 h4 (4) (0.

1070129 2 2 entonces h2 h3 h4 (4) (0.5258542)  0.1070129  6.125 Álgebra Lineal Numérica h2 h3 h4 (4) (0. Como resulta evidente los métodos de series de Taylor de mayor orden producen mejores resultados.1 2 )   y1  y1  y1  0.3258542)  (3.7070129)  (4.5258542)  (5.1070129 2 2 y  2  y  2  4.1158542  (0.1 4 ) (5.1 4 ) (6.1 3 ) (0.1 ERROR EN LOS MÉTODOS DE TAYLOR El orden del error en los métodos de series de Taylor se resume en el siguiente cuadro… Método ST1(Método de Euler) ST2 ST3 ST4 Orden del error Error local O(h2) O(h3) O(h4) O(h5) Error global O(h) O(h2) O(h3) O(h4) El siguiente ejemplo ilustra el uso que se puede hacer del orden del error en los métodos de Taylor… Ejemplo 5.1070129)  0.2)  1.7070129  4.1 )(1.2) en la ecuación diferencial… .7070129 2 y  2x 2  y  2(1.2)2  0.2670129 y  x 2 2  y 2  (1.2670129  1.4592925  0. aunque a costa de un mayor número de cálculos.1 )(1.1 2 ) y  y  y 2  0.3.4592940  0.0000015 lo que muestra la existencia de cinco cifras decimales exactas. 5.1070129 2 2 y(4)  y  6.1070129)  2 2 2 6 24 2 (0.10 Encuentre la solución aproximada para y(1.1070129)  (6.1 3 ) (0.2 y 3  y 2  hy   2 h2 h3 h4 (4) y  y  y2 2 2 2 6 24 con y 2  0.5258542)  2 6 24 2 (0.3 el error es… global e1.2670129 6 24  y 2  y1  hy1  para x1 = 1.2670129  (0.4592925 6 24 y 3  y 2  hy  2 para x1 = 1.3  0.

126 Álgebra Lineal Numérica dy  xy dx
si y(1) = 0, utilizando cualquier método por series de Taylor. El resultado debe poseer cinco cifras decimales exactas. Utilizando ST4, el error global es O(h4), entonces… h = 0.1 h = 0.05 (0.1)4 = 0.0001 Se obtienen un mínimo de 3 cifras decimales exactas (0.05)4 = 0.00000625 Se obtienen un mínimo de 5 cifras decimales exactas

por lo que la elección adecuada es h = 0.05. derivando implícitamente…
y  x i  y i i y  1 y i i y  y i i y(4)  y i i

y1  y 0  hy   0
y0  0 y  x 0  y 0  1 0  1 0 y  1 y  1 1  2 0 0 y  y  2 0 0 y(4)  y  2 0 0

h2 h3 h4 (4) y  y  y0 0 0 2 6 24

y1  y 0  hy   0

h2 h3 h4 (4) (0.05)2 (0.05)3 (0.05)4 y   y  y 0  0  (0.05)(1  ) (2)  (2)  (2)  0.05254219 0 0 2 6 24 2 6 24 h2 h3 h4 (4)   y1  y1  y1 2 6 24

para x1 = 1.05
 y 2  y1  hy1 
y1  0.05254219  y1  x1  y1  1.05  0.05254219  1.10254219   y1  1 y1  1 1.10254219  2.10254219   y1  y1  2.10254219
(4)  y1  y1  2.10254219

h2 h3 h4 (4) (0.05)2   y1  y1  y1  0.05254219  (0.05)(1.10254219)  (2.10254219)  2 6 24 2 (0.05)3 (0.05)4 (2.10254219)  (2.10254219)  0.11034183 6 24

 y 2  y1  hy1 

para x2 = 1.1
y 3  y 2  hy   2 h2 h3 h4 (4) y  y  y2 2 2 2 6 24

127 Álgebra Lineal Numérica
y 2  0.11034183 y  x 2  y 2  1.1 0.11034183  1.21034183 2 y  1 y  1 1.21034183  2.21034183 2 2 y  y  2.21034183 2 2 y(4)  y  2.21034183 2 2

h2 h3 h4 (4) (0.05)2 y  y  y 2  0.11034183  (0.05)(1.21034183)  (2.21034183) 2 2 2 6 24 2 (0.05)3 (0.05)4 (2.21034183)  (2.21034183)  0.17366847  6 24 y 3  y 2  hy  2

para x3 = 1.15
y 4  y 3  hy   3
y 3  0.17366847 y  x 3  y 3  1.15  0.17366847  1.32366847 3 y  1 y  1 1.32366847  2.32366847 3 3 y  y  2.32366847 3 3 y(4)  y  2.32366847 3 3

h2 h3 h4 (4) y  y  y3 3 3 2 6 24

h2 h3 h4 (4) (0.05)2 y  y  y 3  0.17366847  (0.05)(1.32366847)  (2.32366847) 3 3 2 6 24 2 (0.05)3 (0.05)4 (2.32366847)  (2.32366847)  0.24280549  6 24 y 4  y 3  hy  3

para x4 = 1.2 El valor exacto a 8 cifras decimales exactas es 0.24280552, por lo que…
global e1.2  0.24280552  0.24280549  0.00000003

lo que muestra que el resultado obtenido tiene como mínimo 5 cifras decimales exactas(en realidad existen 7 cifras decimales exactas). Nuevamente se comprueba que trabajar con el orden del error para determinar el número de cifras exactas lleva a cálculos por el lado conservador del análisis numérico.

5.4 MÉTODOS DE RUNGE–KUTTA
Una de las dificultades del uso de los métodos por series de Taylor, es el empleo de la derivación implícita, ésta no esta presente en los métodos de Runge–Kutta cuya deducción matemática sale fuera del alcance de este libro, por lo que no se van a detallar.

5.4.1 MÉTODO DE RUNGE–KUTTA DE TERCER ORDEN
El método de Runge–Kutta de tercer orden(RK3), para la ecuación diferencial y  diante…
1 y i 1  y i  (k1  4k 2  k 3 ) 6 dy  f(x,y) se define medx

128 Álgebra Lineal Numérica
donde… k1  hf(x i ,y i )
1 1   k 2  hf  x i  h,y i  k1  2 2   k 3  hf(x i  h,y i  2k 2  k1)

(5.6)

El siguiente ejemplo muestra el uso de este procedimiento… Ejemplo 5.11 Encuentre la solución aproximada para y(1.4) en la ecuación diferencial…

dy  x y dx
si y(1) = 0, utilice el método RK3 con h = 0.1. La respuesta exacta a 8 cifras decimales es 0.63848116. Se empleara…

1 y i 1  y i  (k1  4k 2  k 3 ) 6
con
k1  hf(x i ,y i )  0.1 x i  y i ) (  k  1 1   k 2  hf  x i  h,y i  k1   0.1 x i  0.05  y i  1   2 2  2    k 3  hf(x i  h,y i  2k 2  k1)  0.1

x i  0.1  y i  2k 2  k1

Así entonces…
1 y1  y 0  (k1  4k 2  k 3 ) 6 k1  0.1 x 0  y 0 )  0.1 1  0)  0.1 ( (   k  0.1  k 2  0.1 1 0.05  0  1   0.1 1 0.05  0    0.12483019   2 2     

k 3  0.1 1 0.1  0  2k 2  k1  0.1 1 0.1  0  2(0.12483019)  0.1  0.14356685

1 y1  0  (0.1 4(0.12483019)  0.14356685)  0.12381460 para x1 = 1.1 6
1 y 2  y1  (k1  4k 2  k 3 ) 6
k1  0.1 x1  y1 )  0.1 1.1  0.12381460)  0.14006818 ( (   k  0.14006818  k 2  0.1 1.1 0.05  0.12381460  1   0.1 1 0.05  0    0.15126630    2 2     k 3  0.1 1.1 0.1  0.12381460  2k 2  k1  0.1 1 0.1  0  2(0.15126630)  0.14006818  0.16304960

1  0  2(0.4.1  0.05  0    0.129 Álgebra Lineal Numérica 1 y 2  0.12381460  (0.3  0.17148417)  0.18085772  k 2  0. para la ecuación diferencial y  el más utilizado de estos métodos se define mediante… 1 y i 1  y i  (k1  2k 2  2k 3  k 4 ) 6 dy  f(x. 5.18948273)  0.1 1.3  0.y i  k 2  2 2   k 4  hf(x i  h.1  0  2(0.27517843)  0.1 1.18085772  0.1 x 2  y 2 )  0.14006818  4(0.19862531  0.15126630)  0.18948273    2 2     k 3  0.44676090  2k 2  k1  0.05  0.05  0.y) generalmente dx donde… k1  hf(x i .18085772 ( (   k  0.1 1.27517843  1   0.2  0.1 1.44676090)  0.17148417)  0.16304960)  0.y i  k 3 ) El siguiente ejemplo ilustra este método… .2  0.18948273)  0.2 6 1 y 3  y 2  (k1  4k 2  k 3 ) 6 k1  0.16200196  k 2  0.19862531 1 y 4  0.1 1 0.27517843  2k 2  k1  0.18155604     1 y 3  0.4 ) 6     el error es entonces… global e1.1 x 3  y 3 )  0.27517843  (0.00215127 lo que indica la presencia de 2 cifras decimales exactas.1 1 0.17148417    2 2     k 3  0.y i ) (5.1 1 0.63632989  0.18155604)  0.4  0.18085772  4(0.7) 1 1   k 2  hf  x i  h.63848116  0.44676090  (0.44676090 para x3 = 1.27517843 para x2 = 1.16200196  0.3 6 1 y 4  y 3  (k1  4k 2  k 3 ) 6 k1  0.2 MÉTODO DE RUNGE–KUTTA DE CUARTO ORDEN El método de Runge–Kutta de cuarto orden(RK4).44676090  1   0.1 1.63632989 para x4 = 1.1  0.y i  k1  2 2   1 1   k 3  hf  x i  h.3  0.05  0    0.1 1.1 1 0.2  0.16200196  4(0.16200196 ( (   k  0.

y i  k 3 )  0.1 1  h  (y1  k 3 ) )  0.33427343.1 1  y12 )  0. utilice el método RK4 con h = 0.1 x 0    y 0  k1    0.1 0  y 0 2 )  0.11528874 (x .1 (x 2  h  1   k 2  0.1 x 0    y 0  k 2    0.10890325 (x 1 y1  y 0  (k1  2k 2  2k 3  k 4 )  0.10475  2  2     2  h  1   k 3  0.1.130 Álgebra Lineal Numérica Ejemplo 5.1 6 1 y 2  y1  (k1  2k 2  2k 3  k 4 ) 6 k1  0.12 Encuentre la solución aproximada para y(1.yi )  0.y i  k 2   0. Se utilizara… 1 y i 1  y i  (k1  2k 2  2k 3  k 4 ) 6 con k1  hf(x i .1 i  h  (y i  k 3 )2 ) (x entonces… 1 y1  y 0  (k1  2k 2  2k 3  k 4 ) 6 k1  0.y i  k1   0.1 i  y i 2 ) (x 2  1 1  h  1    k 2  hf  x i  h.1 x i    y i  k 2    2 2  2  2      k 4  hf(x i  h.10472569  2  2     2 k 4  0.3) en la ecuación diferencial… dy  x  y2 dx si y(1) = 0.1 x i    y i  k1    2 2  2  2      2  1 1  h  1    k 3  hf  x i  h. La respuesta exacta a 8 cifras decimales es 0.10464244 para x1 = 1.10890410 (x 2  h  1   k 2  0.1 0  h  (y 0  k 3 ) )  0.1 x1    y1  k1    0.1 x1    y1  k 2    0.11241186  2  2     2 k 4  0.11246888  2  2     2  h  1   k 3  0.

1 2  y 2 2 )  0.11529248 (x 2  h  1   k 2  0.3 ERROR EN LOS MÉTODOS DE RUNGE–KUTTA El orden del error en los métodos de Runge–Kutta se resume a continuación… Método RK3 RK4 Orden del error Error local O(h4) O(h5) Error global O(h3) O(h4) Se deja al lector comprobar con el ejemplo anterior el orden de error indicado 5. x0.1 2  h  (y 2  k 3 ) )  0.33427343  0. y0. Ejemplo 5. para solución de ecuaciones diferenciales ordinarias de primer orden. y.1 x 2    y 2  k 2    0.33427295  0. RK devuelve una matriz de puntos con n + 1 aproximaciones.1 x 2    y 2  k1    0.6) en la ecuación diferencial… . y0].11745869  2  2     2  h  1   k 3  0.131 Álgebra Lineal Numérica 1 y 2  y1  (k1  2k 2  2k 3  k 4 )  0.2 6 1 y 3  y 2  (k1  2k 2  2k 3  k 4 ) 6 k1  0.11881984 (x 1 y 3  y 2  (k1  2k 2  2k 3  k 4 )  0.y) con y = y0 en x = x0 empezando con x = x0 y usando un paso de h.4  0.3 6 el error es… global e1. h.13 Encuentre la solución aproximada para y(1.00000048 lo que indica la presencia de 6 cifras decimales exactas.11739908  2  2     2 k 4  0. n) se aproxima a un vector de n + 1 puntos de la solución de la ecuación y  dy  f(x. y]. dentro del archivo de utilidad Ode_appr. [x. x. EULER_ODE(f. dx RK([f].21696831 para x2 = 1. h.33427295 para x3 = 1.5 MÉTODOS DE SOLUCIÓN DE EDOs DE PRIMER ORDEN CON DERIVE 6 Derive 5.4. [x0. h es el paso y n es el número de dx iteraciones. n) usa el método de Runge-Kutta de cuarto orden(RK4) para aproximar la solución de la ecuación y  dy  f(x. 5.y) con y = y0 en x = x0 empezando con x = x0.mth. posee dos funciones correspondientes a los métodos de Euler y RK4.

[x. 6) EULER_ODE(x^2–y^2. y]. 2].1 y h = 0. x. 0. [x. Utilice las funciones EULER y RK.05. 2]. [1. x. y]. y. 12) Luego de aproximar se obtiene… . 0.05. utilice el método de Euler y RK4 con h = 0.05. 0. 12) RK([x^2–y^2f].1. y. 0. 1. 2. 1. 2.1. Se carga la utilidad Ode_appr.132 Álgebra Lineal Numérica dy  x 2  y2 dx si y(1) = 2.mth… Se escriben las funciones de acuerdo a lo pedido… EULER_ODE(x^2–y^2. 6) RK([x^2–y^2f]. [1.

133 Álgebra Lineal Numérica y. mediante la orden RK([9. v].05*v^1. g = 9.14 Física. [t.6 APLICACIONES Las EDOs de primer orden tienen numerosas aplicaciones. 98). Un paracaidista se lanza de un aeroplano y antes de abrir su paracaídas el arrastre debido a la resistencia del aire es proporcional a v1.05. Determinar la velocidad del paracaidista cada medt dio segundo.5 . 5. 0]. obteniendose… .5. Por ello la ecuación del movimiento del paracaidista esta dada por dv  g  kv1. Se utiliza RK.8 m/s2 y v(0) = 0.5]. aquí se revisarán unos pocos ejemplos de ello… Ejemplo 5.8–0.5 donde k = 0. 0. [0.

5 2 2.5 48 v(m/s) 33.74189218 33.5 37 37.74199126 33.5 38 38.74199116 33.74199158 33.5 42 42.74198440 33.5 39 39.5 21 21.74199067 33.74180040 33.5 16 16.5 24 24.74198263 33.42787713 33.74199103 33.01812723 31.74030244 33.74199011 33.73938018 33.5 8 8.5 41 41.5 6 6.74199159 33.63612489 33.73874463 33.74198698 33.74199159 Un gráfico de la tabla anterior se muestra a continuación… .35165286 33.5 12 12.74199135 33.74191165 33.74089900 33.5 15 15.5 33 33.5 18 18.73697192 33.48924458 33.74169596 33.13949459 33.58863623 32.5 9 9.72707569 33.74198972 33.96561345 27.5 v(m/s) 33.74111288 33.74199151 33.57839529 33.72344609 33.5 35 35.17437709 16.74196476 33.5 46 46.5 28 28.74198042 33.74063308 33.61038534 33.71893344 33.74193992 33.74175385 33.74199147 33.219965304 13.62786062 19.74198790 33.74192732 33.134 Álgebra Lineal Numérica t(s) 0 0.60373270 29.5 4 4.73795443 33.5 7 7.73989133 33.73575032 33.74198864 33.71332297 33.74195820 33.74199159 33.73234298 33.53864104 33.793106301 9.5 40 40.5 31 31.74197003 t(s) 34 34.5 1 1.5 27 27.5 13 13.74195005 33.54248246 31.37203125 31.74186796 33.67349334 33.96728292 32.74199159 33.31094043 32.72999499 33.57768156 30.5 26 26.74197427 33.5 47 47.21303637 25.74199042 33.5 43 43.74153450 33.5 14 14.74142324 33.5 5 5.5 3 3.74162399 33.74199087 33.5 20 20.10583387 24.74198924 33.25699858 33.74199155 33.41364417 28.5 11 11.5 19 19.73423145 33.5 25 25.74183784 33.74197768 33.5 10 10.5 44 44.69767595 33.74198583 33.74199159 33.5 23 23.81282445 32.5 32 32.5 22 22.68689528 33.5 36 36.70634774 t(s) 17 17.74199142 33.5 v(m/s) 0 4.5 45 45.65683349 33.74128489 33.59312055 22.5 30 30.5 29 29.99368113 33.

14 Crecimiento poblacional.2655348 558.89N  0.135 Álgebra Lineal Numérica velocidad terminal el gráfico muestra la presencia de una velocidad constante a partir de los 46 s.3533244 558. Ejemplo 5. aproximadamente.4255439 558.89–0. N].4255484 Un gráfico de la tabla anterior es… .4255237 558.003N1.0710982 558. [0. 100]. 1.6407007 558.003*N^1.4254248 558. ésta es la llamada velocidad terminal.1559280 540.4108376 558.9938562 554.4249388 t(mes) 20 21 22 23 24 25 26 27 28 29 N 558.3929520 558.4255376 558.4225527 558.4254930 558.4255484 558. 29).4255467 558.4189097 558.0082009 477. [t. obteniendose… t(mes) 0 1 2 3 4 5 6 7 8 9 N 100 188. Un ecologista introduce 100 aves con el objeto de combatir una plaga de insectos.0513810 549.5912846 556. mediante la orden RK([0. El ecologista afirma que no hay peligro de que las aves se dt conviertan en una plaga ¿Por qué? Nuevamente se utiliza RK. La experiencia muestra que el número N de las mismas puede ser modelado por la ecuación diferencial dN  0.4252736 558.9 donde t está en meses.7947448 519.4241968 558.4255480 558.5228543 405.6891718 t(mes) 10 11 12 13 14 15 16 17 18 19 N 557.0985332 300.9].

95363499 88. 100]. [t.84673977 82. 1.01025228 69. Ejemplo 5.85663818 86.16455010 t(min) 14 15 16 17 18 19 20 T(C) 72. se enfría de acuerdo a la ecuación diferencial dT  0. [0.61986036 65.82161699 t(min) 7 8 9 10 11 12 13 T(C) 84. Una taza de café que se halla inicialmente a 100C.63564269 95.56374573 71.24203527 63. T].136 Álgebra Lineal Numérica Este gráfico al igual que la tabla muestran que el número de aves se estabiliza en 558 a partir de 1 año aproximadamente de introducidas las aves.51389880 75. Desdt pués de 20 minutos cual es la temperatura del café.34116271 93.81410622 74.90493106 . Las órdenes CaseMode := Sensitive RK([–0.26545777 77. lo cual justifica la aseveración del ecologista que el crecimiento poblacional de las aves no constituye un problema de generación de plagas.03964647 66.03(T  20) donde T es la temperatura en C y t es el tiempo en minutos.50267150 68.93022898 81.07035966 79. 20) generan la tabla… t(min) 0 1 2 3 4 5 6 cuyo gráfico es… T(C) 100 97.14 Ley de enfriamiento de Newton.03(T–20)].11449486 90.

7 SOLUCIÓN DE SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS Los métodos numéricos empleados para resolver ecuaciones diferenciales ordinarias individuales se pueden emplear en la resolución de sistemas de ecuaciones diferenciales ordinarias con valor inicial. es decir… dt dt dx dt dy dt  f(t 0 .x.x. x(t) e y(t) se sustituyen en f(t.x 0 .y) dt dy  g(t.x.x 0 .y 0 ) t  t0 Por ejemplo considérese el sistema de ecuaciones diferenciales… . 5.90C después de 20 minutos.137 Álgebra Lineal Numérica El café se encuentra a una temperatura aproximada de 63.y 0 ) t  t0  g(t 0 .x.y) y g(t. el resultado es igual a dx dy y respectivamente. Considérese el siguiente sistema de dos ecuaciones diferenciales de primer orden… dx  f(t. y(t 0 )  y 0 (B) Una solución del sistema dado es un par de funciones derivables x(t) e y(t) tales que cuando t. Se considerará a continuación los sistemas de ecuaciones diferenciales de primer orden.y).y) dt con las condiciones iniciales… (A) x(t 0 )  x 0 .

la solución del problema de valor inicial es… y(0)  4 x(t)  4e4t  2e t y(t)  6e4t  2e t lo que se puede verificar sustituyendo directamente dx dy . es necesario utilizar un método de orden mayor. y empleando los puntos t k 1  t k  h como n t k 1  t k  h x k 1  x k  hf(t k .x k . . por ejemplo el método de Runge-Kutta de orden 4.3.x k . las ecuaciones para el sistema dado se transforman en… . así: Sustituyendo en (C) los diferenciales por incrementos dt  t k 1  t k . dx  x k 1  x k y dy  yk 1  yk se obtiene… x k 1  x k  f(t k .yk ) para k  1.x. se obtienen las siguientes fórmulas recursivas… ba .138 Álgebra Lineal Numérica dx  x  2y dt dy  3x  2y dt con condiciones iniciales   x(0)  6 .y)dt y dy  g(t.y)dt (C) El método de Euler para resolver este problema es fácil de formular..2.. así pues… dt dt dx  16e4t  2e t dt dy  24e4t  2e t dt 16e4t t  4e4t  t  2(6e4t  t )  16e4t  t   2e    2e     2e     2e  dx dt x(t) y(t) x(t) 2y(t) 24e4t  t  3(4e4t  t )  2(6e4t  t )  24e4t  t   2e    2e     2e     2e  dy dt x(t) y(t) 3x(t) 2y(t ) Se puede determinar una solución numérica del sistema (A) con condiciones iniciales (B) en un intervalo dado a  t  b considerando las diferenciales… dx  f(t..n  1 Para conseguir un grado de precisión razonablemente mejor.x k .x k .yk )(t k 1  t k ) Si se divide el intervalo en n subintervalos de anchura h  nodos.x.. mediante el empleo de este método.y k ) yk 1  yk  hg(t k .yk )(t k 1  t k ) yk 1  yk  g(t k . x(t) e y(t) en el sistema.

yk  hg3  Ejemplo 5.02  0.yk  g1  g2  g  t k  .02   t0 h t 2  0.x k  f2 .02 y las operaciones intermedias necesarias para obtener x 1 e y1 son… f1  f(0.x k  hf3 .02   t9 h Para el primer cálculo se tiene t 1  0.15 Empléese el método de Runge-Kutta de cuarto orden para hallar la solución numérica del sistema… dx  x  2y dt dy  3x  2y dt  x(0)  6 con  y(0)  4 en el intervalo [0.yk  g2  g3  g  t k  .00.00  14.2].02 x 0  f1  6.0.x k  f2 .y k  g1  2 2 2  2 2 2    h h h  h h h    f3  f  t k  .6.18  0.x k  f1.0     x k  2yk h 0.14 2 2 .0  6.4. 0.0)  6.02   t1  h .x k .yk ) h h h  h h h    f2  f  t k  .yk  hg3  g4  g  t k  h.04   0. t 10  0.0. así entonces… t 0  0.x k  f1.02   0.139 Álgebra Lineal Numérica h x k 1  x k  (f1  2f2  2f3  f4 ) 6 h yk 1  yk  (g1  2g2  2g3  g4 ) 6 donde… (D) f1  f(t k .yk ) g1  g(t k .0   0. . .0 t 1  0.x k .20   0.002 Hallamos los nodos del intervalo.0  2(4.0)  14.x k  hf3 .y k  g2  2 2 2  2 2 2    f4  f  t k  h. tomando diez subintervalos con tamaño de paso h = 0.

2694)  14.4.6854)  15.66)  (2)(14.01.293708 f4  f(0.2694)  3(6.6854)  6.00  14.6.94   2(4.04 xk 6.14  2(4.2694 2 2 g3  f(0.66  6.26)  6.94  4.140 Álgebra Lineal Numérica f2  f(0.26)  14.9786)  4.14.960268   2(4.372852]  6.6.0)  26.6.0)   3x k  2yk h 0.2694)   h   h   3 x k  f2   2 yk  g2  2   2   y 0  hg3  4.61562213 yk 4.01.00000000 6.94)  (2)(26.9786   2(4.26)  3(6.02)(14.6.0)  3(6.4.00  (0.4.66     h h   xk  f1  2 yk  g1  2 2   h 0.293708)  27.00  26.293708.02 y 0  g2  4.02 y 0  g1  4.539572)  15.01.539572 g4  f(0.293708.53932490 5.14)  26.26)   h   h   3 x k  f1   2 yk  g1  2   2   h 0.4.372852  x k  hf3  2 yk  hg3  g1  f(0.1466  2(4.00  (0.53932490 6 6 Los cálculos en los demás nodos se determinan de manera similar y se presentan en la siguiente tabla… K 0 1 2 tk 0.539572)   3 x k  hf3   2 yk  hg3  Utilizando los valores calculados en las expresiones (D) se tiene… h 0.1466.6.02)(26.6854    h h   x k  f2  2 yk  g2  2 2   x 0  hf3  6.02 y1  y 0  (g1  2g2  2g3  g4 )  4  [26.539572)  3(6.960268]  4.4.02.0  (2)(14.11948599 .00  26.9786)  27.02 0.02.00.00 0.0.01.1466)  26.293708  2(4.02 x 0  f2  6.0  (2)(26.539572)  6.14.6.26 2 2 g2  g(0.2694)  6.4.00000000 4.1466.1466 2 2 f3  f(0.29354551 6 6 h 0.29354551 6.02 x 1  x 0  (f1  2f2  2f3  f4 )  6  [14.0  4.0   2(4.4.6.

76531667 9.74140523 9.92260406 8.6560560 11.20 6.29020955 9.74396525 6.14127221 7.12 0.08 0.16 0.96852528 7.5396230 5.77697287 8.7157807 .18 0.35474319 7.06 0.141 Álgebra Lineal Numérica 3 4 5 6 7 8 9 10 0.14 0.10 0.88827138 10.41653305 7.23813750 8.67459538 10.

resuelva el siguiente sistema redondeando a tres cifras significativas después de cada cálculo intermedio.143  1   0 1 0.7 Se forma la matriz aumentada del sistema…  0.20y  0.439 1080.062…   0 711667.12 1. La solución exacta es x = 1. 0. como lo muestra el siguiente ejemplo… Ejemplo 6.7   8742.143   1   0 42059.300 712747.3 4.0  dividiendo la primera fila por 0.110z  0.740    8742.858  restando 81.400  1.1 MÉTODO DE ELIMINACIÓN DE GAUSS CON PIVOTEO PARCIAL El error por redondeo puede tener un efecto determinante durante la solución de un sistema de ecuaciones lineales por el método de eliminación de Gauss.400x  1.12 1.92 1.1 Utilizando el método de eliminación de Gauss.796 42121.810 5.796 42121.300 712747.857 13. z = 1.286 8757.810 5.439 veces la fila 3 de la 2…  0 711667.92 1. y = 1.400 1.12 1.093z  61.001   restando –711667. desarrollando métodos que facilitan el cálculo especialmente cuando la presencia de números en punto flotante involucran al error por redondeo.857 13.180 83.20 0.062 62.062 62.093 61.007x  61.7    8742.142 Álgebra Lineal Numérica CAPÍTULO ALGEBRA LINEAL NUMÉRICA 6 Algunos de los procedimientos estudiados en el Álgebra Lineal como la resolución de sistemas de ecuaciones lineales pueden ser tratados desde el punto de vista del análisis numérico.143  1   0 42059.110 0.857 13.400 veces la fila 3 de la 1…   81.00149 1.110 0.180 83.740    .12y  1.007…  81.810 veces la fila 2 de la 1…   81.439 1080.810x  5.3     4. En el presente capítulo se desarrollarán únicamente métodos numéricos para solución de sistemas de ecuaciones lineales.858  dividiendo la segunda fila por –42059.286 8757.7    8742.007 61.92y  1.400 1.180z  83.180 83.286 8757.0 81.857 13.0  restando 4.286 8757. 6.143   1   4.

2 Utilizando el método de eliminación de Gauss con pivoteo parcial.20 0.286 8757. Se encuentra la entrada en la primera columna con el mayor valor absoluto.433  3. Se utiliza operaciones elementales por filas para reducir a cero las entradas bajo el pivote.433 es evidente que la respuesta obtenida esta con error excesivamente grande gracias a la acumulación del error por redondeo durante las operaciones intermedias. Un método para minimizar el error por redondeo y obtener soluciones aproximadas razonables.916 368.12 1.143    1 0.12y  1.509    por sustitución inversa… z = 18.180 83.0 81. La solución exacta es x = 1.400 1.810 5.509 . 4. e  1 4.007 61. e  1 18.857 13.3     4. Se efectúa un intercambio de filas con aquella que contenga el pivote para ubicarla como primera fila.20y  0.00149 1. Este método toma en consideración el siguiente procedimiento… 1.286(18. z = 1.634     1 8742. resuelva el siguiente sistema redondeando a tres cifras significativas después de cada cálculo intermedio.180z  83.093 61.973  0.400x  1. 3.143 Álgebra Lineal Numérica  1 8742.001  0 0 0 1 18.973) = 4.0  81. entonces  81.001  dividiendo la tercera fila por –19.92 1.509  17. Se divide la primera fila por el pivote (este paso será innecesario si el pivote es 1).509 y = 1.857(0.509) – 8742. 2. y = 1.509) = 0.110 0. e  1 0.400 será el pivote por ser la entrada de mayor valor absoluto.3 4.143 – 13. 0.001 – 0.093z  61. El siguiente ejemplo muestra este procedimiento… Ejemplo 6.810x  5.973. A continuación se vuelve a ejecutar el mismo procedimiento eliminando la fila y columna del pivote.286 8757.916… 0 0 0 19.007x  61. es el que se va a revisar seguidamente y que se lo conoce como Eliminación Gaussiana con pivoteo parcial. y se utiliza esa entrada como pivote para la eliminación.433.7    pivote se intercambian primera y tercera fila… .00149 1.857 13.110z  0.92y  1.143    1 0.00149(18.7 Se forma la matriz aumentada del sistema…  0.027 x = 8757.

7     4.028     0 5.004    por sustitución inversa… z = 1.0929 61.040 4.0145 1.110 0. Este tipo de métodos son poco prácticos.0138(1.0138 0.12 1.093 61.293    pivote filas…  1 0.0  se resta la segunda fila de 4.0145 1.0138 0.293  se divide la segunda fila por 61. e  1 1.0138 0. tal como lo ejemplifica el siguiente caso… .0145(1.810 veces la primera…  4.810 5.144 Álgebra Lineal Numérica 81.0145 1.945  61.000 x = 1.92 1.0  se divide la primera fila por 81.028    1 0.00152 1.000.000) = 1.028 – 0. pues su resultado se obtiene gracias a la ejecución de un determinado proceso sin recurrir a un refinamiento del mismo.00152(1.002  se divide la tercera fila por 1.400…  0.028    1 0.20 0.945     1 0.049 1.004) = 1.028    1 0.000 Es evidente la mejoría con respecto a la respuesta del ejemplo 6.986 1.810 5.20 0.20…  0 5.007 veces la primera…  0  0.00152 1.028   1   0.049… 0 0 0 1.007 61.053     1 0.002 – 0.004  0.028     0 61.000  0.004 y = 1.0145 1.002  0 0 0 1 1.040 4.028   1   5.0138 0.945  se resta la tercera fila de 0.986 veces la segunda… 0  0 5.986 1.20 será el siguiente pivote por lo que se intercambia segunda y tercera  0 61.3     1 0.0145 1.180 83.20 0.110  0.007 61.000  0.004) – 0.20 0.945     1 0.20 0.093 61.0138 0. e  1 1.0145 1.92 1. pues algunos sistemas muy sensibles al error por redondeo denominados problemas mal condicionados no pueden ser tratados por este procedimiento.040 4.093 61.400 1.040 4.986 1.00152 1.0929 61.0145 1. e  1 1.3    0.002  se resta la tercera fila de –5.007 61.3    0.0138 0.004.0138 0.986 1.000.1 Este es un método directo.

2.002…  0 0. Bajo estas condiciones podemos resolver secuencialmente cada una de las n ecuaciones del sistema para x1. los que permiten el refinamiento del resultado.2 MÉTODOS ITERATIVOS PARA SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES Este tipo de métodos envuelven el uso de procesos iterativos... xn . an1x1  an2 x 2  .8% 10820 x = 2 – (–9000) = 9002. 6..  ann x n  bn deberá poseer solución única y (2) La matriz de coeficientes del sistema no debe poseer ceros sobre la diagonal principal. x2..  a1n x n  b1 a21x1  a22 x 2  . resuelva el siguiente sistema redondeando a tres cifras significativas después de cada cálculo intermedio. . e  10818  9000 100  16.8% 10818 10820  9002 100  16.. y Método de Gauss–Seidel 6.  a2n x n  b2 . …. y en caso de que ello ocurra deberá realizarse intercambio de filas o columnas para evitarlo. La solución exacta es x = 10820..002 18  2  1 1   0 1 9000  por sustitución inversa… y = –9000.3 Utilizando el método de eliminación de Gauss con pivoteo parcial.998 20  1 2 1   se divide la segunda fila por –0.1 MÉTODO DE JACOBI Este método requiere de dos suposiciones básicas: (a) El sistema dado por… a11x1  a12 x 2  . Los dos más importantes métodos iterativos a revisarse son…   Método de Jacobi. . y = –10818.145 Álgebra Lineal Numérica Ejemplo 6. e  el porcentaje de error es significativo a pesar de haberse empleado el método de Gauss con pivoteo parcial. xy 2 x 600 y  20 601 Se forma la matriz aumentada del sistema… 1 2 1   restamos la segunda fila de la primera… 1 0.

. xn) = (0.. . . 4x1  x 2  x 3  7 x1  7x 2  2x 3  2 3x1  4x 3  11 Se escribe el sistema en la forma… 7 x2 x3   4 4 4 2 x1 2 x2    x3 7 7 7 11 3 x 3   x1 4 4 x1  la primera iteración produce… 7 0 0    1.  a2n x n ) a22 (6. x2. . 0.991 4 4 4 2 1. .146 Álgebra Lineal Numérica como se muestra… x1  x2  1 (b1  a12 x 2  a13 x 3  .1) .4 Utilizando el método de Jacobi y la aproximación inicial (x1.286 7 7 7 11 3 x 3   0  2. xn) se puede iniciar un proceso iterativo con el sistema (6. . resuelva el siguiente sistema redondeando los resultados a tres cifras significativas.75 4 4 4 2 0 2 x 2    0  0.. x3. ..  a1n x n ) a11 1 (b2  a21x1  a23 x 3  . .1) tal como lo muestra el siguiente ejemplo… Ejemplo 6. .. 0.286 2. .75)  1.75)  1.75 4 4 x1  la segunda iteración… 7 0. ..75    0.322 x2   7 7 7 11 3 x 3   (1. xn  1 (bn  an1x1  an2 x 2  .n1x n1) ann Entonces bajo una aproximación inicial (x1. 0). x2. ...75 2  (2..438 4 4 x1  siguiendo el proceso iterativo se genera la siguiente tabla… .  an. x3.

999 3 1.000 x2 = 0.999 1. 0.999 4 1.5 lo que confirma la divergencia del proceso. x2.999 6 1.001 0.009 0.999 1.000 0.060 0.5 4 – 169 – 71 – 27.75 256.2. la que permite que el método sea ligeramente más efectivo y requiere un poco menos de iteraciones para obtener el mismo grado de precisión que el método de Jacobi. . este se aplica en x2 y a su vez es- .009 0. x3.999 1. En el método de Gauss–Seidel se utilizan los valores de xi en cada fórmula al tiempo en que se generan sin esperar que termine una iteración completa. .007 10 1. 0.999 1. xn) = (0.999 1.003 0. .147 Álgebra Lineal Numérica n x1 x2 x3 n x1 x2 x3 0 0 0 0 7 1.5 10 3 3 – 22 56. como lo muestra el siguiente ejemplo… Ejemplo 6.75 8 1.000 0.999 5 1.999 Observando la tendencia.999 1. Los métodos iterativos pueden diverger.993 1.5 Utilizando el método de Jacobi y la aproximación inicial (x1.75 0. al sistema anterior se obtiene la siguiente tabla… n x1 x2 0 0 0 1 5 –5 2 20. x2 = 1 y x3 = 2.999 x3 = 1. .75 5 190.002 0.955 11 1.011 1.838 2.997 2 0. . resuelva el siguiente sistema redondeando los resultados a tres cifras significativas.991 1.5 x3 0 0.. x1  3x 2  x 3  5 3x1  x 2  5 x 2  2x 3  1 Se escribe el sistema en la forma… x1  5  3x 2  x 3 x 2  3x1  5 x3  1 x2  2 2 Aplicando el proceso iterativo de Jacobi.039 1. la respuesta exacta posiblemente sea x1 = 1. 6. .993 1 1.322 1.993 1.2 MÉTODO DE GAUSS–SEIDEL Este método es una modificación de anterior.5 – 4. 0). así entonces una vez calculado x1.438 9 1.971 12 1.993 A tres cifras significativas la solución es… x1 = 1.25 – 512 36 6 1577 565.000 0..286 2.

987 1. 0). .996 1.981 5 1.999 1. 0. sino el valor de x1 calculado y lo mismo sucedió al hallar x3.438  0.000 1 1.026 0.807 4 4 Continuando con el proceso iterativo de Gauss–Seidel.000 2 1. .536 7 7 7 11 3  (1. x3. . se obtiene la siguiente tabla… n x1 x2 x3 n x1 0 0 0 0 7 1.75 0.079 0.257 2   1. x2.876 7 7 7 11 3  (1.75 2   0  0.956 1.257 4 4 4 x2  x3  2 1. xn) = (0.4 Utilizando el método de Gauss–Seidel y la aproximación inicial (x1.807 3 1.438    1.003 0.536 1.536 1. .438 8 1.941 4 1. la segunda iteración es… x1  7 0. .75 4 4 4 2 1.257 0. El siguiente ejemplo ilustra lo mencionado… Ejemplo 6...438 4 4 es de notar que en la formula de x2 no se utilizo x1 = 0 .75)  1. 4x1  x 2  x 3  7 x1  7x 2  2x 3  2 3x1  4x 3  11 Nuevamente se escribe el sistema en la forma… 7 x2 x3   4 4 4 2 x1 2 x2    x3 7 7 7 11 3 x 3   x1 4 4 x1  la primera iteración produce… x1  x2  x3  7 0 0    1.994 6 1.008 0. .876 1.257)  1. 0. resuelva el siguiente sistema redondeando los resultados a tres cifras significativas.148 Álgebra Lineal Numérica tos valores se utilizan para hallar x3.998 .

2) La matriz A de coeficientes de un sistema de ecuaciones lineales en algunos casos puede convertirse en una matriz de diagonal estrictamente dominante.999 Con respecto al método de Jacobi se han efectuado 4 iteraciones menos.  an.. 9x1  6x 2  x 3  2 2x1  3x 2  2x 3  2 6x 2  4x 3  1 La matriz de coeficientes del sistema es…  9 6 1   2 3 7  0 6 4    9  6  1 3  2  7  4  60  por lo que la matriz no es de diagonal estrictamente dominante. .. se denomina de diagonal estrictamente dominante si el valor absoluto de cada entrada de la diagonal principal es mayor que la suma de los valores absolutos de las restantes entradas en la misma fila..  a1n a22  a21  a23  . Tanto el método de Jacobi .. sin embargo existe una manera de evitar dicha divergencia y asegurar la convergencia de ambos métodos para ello se va a revisar la siguiente definición importante… Definición (Matriz de diagonal estrictamente dominante). como lo muestra el siguiente ejemplo… Ejemplo 6.999 A tres cifras significativas el resultado es… x1 = 1. y en caso de no serlo convertirla mediante intercambio de filas. mediante intercambio de filas y/o columnas.999 1. así… a11  a12  a13  . como el de Gauss–Seidel pueden divergir.  a2n .999 0. pero intercambiando segunda y tercera filas se tiene… .n1 (6. Una matriz A de orden n.999 x3 = 1.000 x2 = 0.149 Álgebra Lineal Numérica x2 x3 0. .. ann  an1  an2  .5 Determinar si la matriz de coeficientes del siguiente sistema de ecuaciones lineales es de diagonal estrictamente dominante.999 1..

3) de ecuaciones lineales es de diagonal estrictamente dominante. 2x1  3x 2  7 x1  3x 2  10x 3  9 3x1  x 3  13 La matriz de coeficientes del sistema es… 2 3 0     1 3 10  3 0 1    se comprueba si va a existir convergencia o no… 2  3  0  3  1  10  1 3  0  entonces el sistema no es convergente. El siguiente ejercicio ejemplifica lo anteriormente mencionado… Ejemplo 6.6 Resolver el siguiente sistema por lo métodos de Jacobi y Gauss–Seidel con tres cifras significativas de precisión. entonces… 2 3 7    9  6  1 6  04 7  2  3 y la matriz es de diagonal estrictamente dominante. entonces el sistema dado por Ax = b.150 Álgebra Lineal Numérica  9 6 1   0 6 4  . Si la matriz de coeficientes A de un sistema (6. tiene una solución única a la cual los métodos de Jacobi y Gauss–Seidel convergerán para cualquier aproximación inicial. seguidamente se intercambian primera y segunda filas… 3 0  1 3 10    1  3 0   2 3 0   1 3 10    se comprueba nuevamente la convergencia… 3  0 1 3  2  0 10  1  3 entonces ahora es convergente el sistema… . El siguiente teorema mostrado aquí sin demostración asegura la convergencia en los métodos de Jacobi y Gauss-Seidel para sistemas con matriz de coeficientes de diagonal estrictamente dominante… Teorema (Convergencia de los métodos de Jacobi y Gauss–Seidel). se intercambia segunda y tercera filas… 2 3 0    1  .

170 1.99 3 4.003 5.000 5.333 5.333 2.966 0.9 8 4.151 Álgebra Lineal Numérica 3x1  x 3  13 2x1  3x 2  7 x1  3x 2  10x 3  9 a partir de éste se genera el sistema… 13 x 3  3 3 2x1 7  x2  3 3 9 x1 3x 2  x3    10 10 10 x1  aplicando el método de Jacobi al mismo se tiene… n x1 x2 x3 n x1 x2 x3 0 0 0 0 7 4.13 10 4.949 4.000 1.000 5.003 0.001 5.004 5.000 x3 = 1.967 4.001 3 4.988 1 4.003 1.000 5 4.256 5.000 5.000 4 3.002 1.957 5.986 y mediante Gauss–Seidel se logra… n x1 x2 x3 0 0 0 0 1 4..233 9 4.333 – 0. Se deja al lector demostrar que ello ocurre en el caso del sistema… 4x1  2x 2  2x 3  0 x1  3x 2  x 3  7 3x1  x 2  4x 3  5 Los métodos de Jacobi y Gauss–Seidel.000 Si bien el teorema (6.971 1. pues existen sistemas que si bien no tienen matrices de coeficientes con diagonal estrictamente dominante sin embargo convergen.000 x2 = 5.000 5 3.000 1.222 0.222 1.3) asegura la convergencia en caso de matrices de coeficientes con diagonal estrictamente dominante.000 5.001 4 4. .000 1.978 0.633 5.984 4.005 4. esto no es condición necesaria para la convergencia.152 11 4.422 1.990 0. puede ser tratados de una forma más compacta y útil de forma matricial como se explicará a continuación.000 1.047 6 3.1 2 3.997 2 4.000 por lo que la solución a tres cifras significativas es… x1 = 4.

El siguiente ejemplo muestra esta descomposición…  2 1 5   0 0 0   2 0 0  0 1 5   1 3 2    1 0 0    0 3 0   0 0 2           4 1 6   4 1 0   0 0 6  0 0 0          A  L D U el sistema a resolverse Ax = b. lo que explica la suposición (2) del método de Jacobi.4) x i 1  F(x i ). 1 donde F(x)  D (L  U)x  b   es de notar que para que exista D–1.  a2n x n .152 Álgebra Lineal Numérica Se empieza expresando la matriz de coeficientes del sistema A en la forma. dii  0. . x  D1 (L  U)x  b   entonces el método de Jacobi se puede escribir como… (6.  an.. 1 donde F(x)  (L  D) Ux  b   .. La descripción matricial del método de Gauss–Seidel a partir de la expresión anterior es… x actual  D1  Lx actual  Ux anterior  b    resolviendo para x actual … Dx actual  Lx actual  Ux anterior  b (L  D)x actual  Ux anterior  b por lo que la expresión final para el método de Gauss–Seidel es… (6. ann x n  bn  an1x1  an2 x 2  .. A  L DU donde D es una matriz diagonal.5) x i 1  F(x i ).n1x n1 finalmente despejando x. .  a1n x n a22 x 2  b2  a21x1  a23 x 3  .... L una triangular inferior y U una triangular superior.. puede expresarse entonces como… (L  D  U)x  b si se despeja Dx… Dx  (L  U)x  b que en forma desarrollada se presenta así… a11x1  b1  a12 x 2  a13 x 3  .

. n) #11: GAUSS_SEIDEL(v0.8 Sean i los ingresos brutos por semana(en millones de dólares). n) A es la matriz de coeficientes del sistema. 0. ELEMENT(A. v0. (x2. … .1 4. b2. DIM(A)) #6: U := VECTOR(VECTOR(IF(i < j.5) nos sirven para programar los métodos de Jacobi y Gauss–Seidel. v. …] 6. . v. j).. (xn. tal como lo demuestran los siguientes ejemplos… Ejemplo 6. n) := ITERATES(f(v). 1. j.4) y (6. i. DIM(A)). y1). (a) Determinar un polinomio cuadrático de mínimos cuadrados para los datos dados. . 1. El ajuste polinomial por mínimos cuadrados se define como un polinomio de grado m.3 3. 1. ELEMENT(A. 0). 1. DIM(A)) #7: D := VECTOR(VECTOR(IF(i = j. j). bn] . DIM(A)). El problema se define matemáticamente así… El polinomio de ajuste por mínimos cuadrados de grado m para el conjunto de puntos {(x1. yn)} esta dado por… . n) := ITERATES(f_(v). y2). 1. i. ELEMENT(A.5) y mediante PROGRAMACIÓN FUNCIONAL los métodos de Jacobi y Gauss-Seidel se implementan mediante las siguientes líneas de programación… #1: Precision := Approximate #2: Notation := Decimal #3: A := #4: b := #5: L := VECTOR(VECTOR(IF(i > j.153 Álgebra Lineal Numérica La expresiones (6. t semanas después de la presentación del auto.8 1. 6. 0).5 3. 1.7 Ajuste polinomial por mínimos cuadrados. i.2 0. n el número de iteraciones y v0 el vector inicial generalmente [0.4 APLICACIONES Los sistemas de ecuaciones lineales y su resolución tienen mucha aplicación en varias ciencias. v0. j. b es el vector de terminos libres escrito en la forma [b1.2 4. 0). El distribuidor de un nuevo modelo de automóvil ha obtenido los siguientes datos… Número de semanas luego de la presentación del auto 1 2 3 4 5 6 7 8 9 10 Ingresos brutos por semana (en millones de dólares) 0.4) y (6. DIM(A)). y (b) Utilice dicho polinomio para estimar los ingresos brutos 12 semanas después de la presentación del auto.3 MÉTODOS DE JACOBI Y GAUSS–SEIDEL CON DERIVE 6 Utilizando la expresiones (6. i. i.8 0. DIM(A)) #8: f(v) := (D^–1)(– (L + U)v + b) #9: f_(v) := ((L + D)^(–1))(– Uv + b) #10: JACOBI(v0. i. j). que mejor se ajusta a un conjunto de n puntos dados.3 4 5. j.

   x  a na0    x i  a1  2 0 i 1 3 2 m i 2 i 3 m1 i i 2 i 2 4 m 2 i 0 i 1 i 2 i m   yi   x i yi   x i 2 yi . . este polinomio será… i(t)  a2 t 2  a1t  a0 con ...    x  a   x  a    x  a    x  a  . m m  x a   x a   x m m 1 i 0 i 1 m 2 i a 2  ....   x  a 2m i .   x im y i m para el caso de un polinomio cuadrático se tiene… y  a2 x 2  a1x  a0 con…  x a   y  x  a   x  a   x a   x y  x  a   x  a   x a   x y na0    x i  a1  2 0 0 i i 1 1 3 2 i 2 i 3 i i i 2 i i 2 4 2 i 2 i i Graficando la distribución de datos del ejemplo… es fácil notar que un polinomio de segundo grado se ajusta correctamente a la misma...154 Álgebra Lineal Numérica y  am x m  am1x m1  .    x  a   x  a    x  a    x  a  .  a2 x 2  a1x  a0 donde los coeficientes ai..4)   x  a  . se determinan del siguiente sistema de m + 1 ecuaciones lineales… (6...

5  intercambiando primera con tercera fila…  385 3025 25333 1015.857 65.8 2.155 Álgebra Lineal Numérica n  10  t  1 2  3  4  5  6  7  8  9  10  55  t  1  2  3  4  5  6  7  8  9  10  385  t  1  2  3  4  5  6  7  8  9  10  3025  t  1  2  3  4  5  6  7  8  9  10  25333  i  0.57 273 1.5  restando 55 veces la fila 2 de la 1 y 10 veces la fila 3 de la 1… 10 55 385 28    65.8  (9)1.857   1 12.857 65.3  (5)4  (6)5.8  0.63    65.3  4  5.1    55 385 3025 158.637   1 7.602 0.8 i i i i 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 2 3 4 i i i 2 2 2 2 2 2 2 2 2 2 2 i i  1015.5  (3 )3.029… 0 0 0 24.286  dividiendo la tercera fila por 24.1 4.63    2.2  (10)0.637     55 385 3025 158.286  restando –23.1 por lo que para hallar i(t) es necesario resolver… 10a0  55a1  385a2  28 55a0  385a1  3025a2  158.8  158.8  28  t i  (1)0.2  (4)4.5  (3)3.3  (8 )3.57 veces la fila 3 de la 2… 0  0 23.602 0.8 2.5  3.135…  0 23.8   1 12.3  (5 )4  (6 )5.857 65.1 Se va a utilizar el método de eliminación de Gauss con pivoteo parcial.5 385a0  3025a1  25333a2  1015.637   1 7.2  (4 )4.8  (2 )0.1    385 3025 25333 1015.8  (2)0.3  3.2  (10 )0.8  1.8   1 12.029 5.637   1 7.3  (8)3.1 (7)4.57 273 1.286  0 0 0 1 0.602 0.465  dividiendo la segunda fila por – 47.111   2.1 (7 )4.8 2.637   1 7.8  (9 )1.213    por sustitución inversa… .5  t i  (1 )0.857    0 47.5  dividiendo la primera fila por 385…  10 55 385 28     1 7.2  4.135 594 13.2  0. La matriz aumentada del sistema es… 55 385 28   10    55 385 3025 158.

entonces… (a) i(t)  0.8)(–0.213t 2  2.085 El valor negativo indica que se en lugar de ingresos existen pérdidas a las 12 semanas.213(12)2  2. Una placa metálica cuadrangular tiene una temperatura constante sobre cada uno de sus cuatro bordes.398(12)  2.213) = 2.602)(–0.398 .156 Álgebra Lineal Numérica a2 = –0.189  4.398t  2. a0 = 2.189 La gráfica del polinomio de ajuste y los datos es… (b) i(12)  0.637 – (65. 100C 1 2 3 100C 4 5 6 0C 7 8 9 0C Punto 1 Ecuación de temperatura T1  100  100  T2  T4 4 . Utilice un enrejado 44 para aproximar la distribución de temperatura en el interior de la placa.8 Distribución de temperatura en una placa cuadrangular. a1 = –0.857)(2.398) = – 2. como lo muestra la figura. Ejemplo 6.286 – (12.189. Asuma que la temperatura en cada punto interior es el promedio de la temperatura en los cuatro puntos contiguos.213 .213) – (7.

2855 14.0831 28.9847 49.9998 49.4493 28.5704 28.4519 70.0937 48.5949 28.4133 71.2780 14.7558 49.9990 49.5676 28.4284 71.8007 24.1636 14. .0234 49.3980 71.9998 49.5714 Los resultados se obtuvieron truncando las cifras decimales a cuatro cifras significativas.9997 49.8779 49. obteniéndose la siguiente tabla… T1 0 50 68.7558 49.4285 49.4285 49.5170 69.3352 13.5922 85.5713 28.2857 85.3065 71.0415 14.5709 28.75 34.375 42.9694 49.9694 49.4701 85.9923 49.4276 71.9999 49.6704 26.5695 28.9980 49.5637 28.0468 49.7104 85.9999 49.5713 28.5409 28.6189 27.5713 28.4283 71.3094 13.9990 49.5103 28.1844 71.4747 70.4493 28.9694 49.157 Álgebra Lineal Numérica 100  T1  T3  T5 4 0  100  T2  T6 4 100  T1  T5  T7 4 T2  T4  T6  T8 4 0  T3  T5  T9 4 2 3 4 5 6 7 8 9 T2  T3  T4  T5  T6  T7  100  0  T4  T8 4 0  T5  T7  T9 4 0  0  T6  T8 4 T8  T9  este sistema se va a resolver por el método de Gauss–Seidel.4519 70.5561 28.9998 49.6532 85.7066 85.2259 85.375 42.5713 28.2854 14.9997 49.5676 28.2847 14.4280 71.7974 14.9999 28.0468 49.5711 28.9389 49.4285 71.9402 71.5409 28.4247 71.9961 49.5 55.7123 85.9999 49.0937 48.5713 28.9999 T6 0 13.2856 14.4284 71.2818 14.2704 14.3065 71.75 77.5714 T9 0 6.4687 63.9995 49.5637 28.0234 49.6990 85.5 55.7585 84.4247 71.6189 27.9997 49.4747 70.9389 49.9999 49.9923 49.375 42.9980 49.2856 14.5561 28.7142 T2 0 37.9389 49.9923 49.0831 28.2852 14.9995 49.9980 49.0937 48.3272 28.5695 28.8779 49.5713 28.3272 28.5714 49.5742 67.5117 49.5714 T7 0 34.0234 49.4687 63.7142 85.7140 85.5709 28.7142 71.9961 49.4285 T5 0 18.9999 T4 0 37.5704 28.2812 20.7373 85.9999 49.2856 14.9402 71.5742 67.7343 81.9999 71.4276 71.5103 28.4266 71.3980 71.4209 71.4209 71.7558 49.3675 71.7133 85.4280 71.8007 24.9847 49.1875 46.5117 49.6704 26.7141 85.2838 14.7871 83.6837 85.8779 49.5170 69.2812 20.4266 71.2857 14.7138 85.1875 46.9995 49.2246 14.0468 49.64062 10.4285 71.4285 T3 0 34.9990 49.9999 28.5949 28.9961 49.2551 14.3675 71.5711 28.4003 12.1844 71.9999 T8 0 13.5117 49.4133 71.4283 71.9847 49.1875 46.

158 Álgebra Lineal Numérica .

DERIVE.. por Inicio/Programas/Derive 6/Derive 6. cubriendo las matemáticas desde el nivel preparatorio hasta el universitario.1 INSTALACIÓN. de fácil manejo y uno de los más populares. Su versión 5 se instala a partir del archivo SETUP. colocará el icono de acceso directo en el escritorio de Windows. . el estudiante o el profesor. gastarían su tiempo en analizar el problema y su planteamiento y no en resolver los tediosos cálculos matemáticos que este involucre. nació a partir de muMATH. numérica y gráfica bastante amplia. El presente texto se dedicará exclusivamente al manejo de Derive.8 MB aproximadamente) y de capacidad simbólica. Entre algunos de los Sistemas de Álgebra Computacional (CAS. INICIO Y BREVE DESCRIPCIÓN DE DERIVE. se puede ingresar a la ventana de trabajo de Derive 6. MAPLE. se conviertan en un trabajo para el computador y no para el científico. pues se convirtieron en programas que no solo manejaron el simbolismo matemático sino también la programación y aún proporcionaron el uso de capacidades graficas (en dos y tres dimensiones). una tendencia que hoy ha cambiado la forma de enseñar las matemáticas. especialmente en Estados Unidos. Al igual que muMATH. siendo necesario como mínimo aproximadamente 5 MB de capacidad en disco duro. el ingeniero.EXE (contenido en un CD proporcionado por el fabricante). Derive se escribió en LISP y desde sus inicios se caracterizó por ser un sistema muy compacto (su versión 5 ocupa 4. MATHEMATICA.. empezaría. la mayoría de las veces. esto es el desarrollo de programas denominados Sistemas de Álgebra Computacional (Computer Algebra Systems). Estos programas tuvieron como objetivo permitir que cálculos simbólicos. MATHCAD. un programa desarrollado en lenguaje LISP por David Stoutemyer y Albert Rich. por ejemplo. Así las personas dedicadas al manejo de las matemáticas o sus aplicaciones. Al instalarse Derive 6. por sus siglas inglesas) más destacados se pueden mencionar MATLAB. 3 x  6y 2 3 x  6y 2 3( x  2y )  x  6y  2( x  2y)        x  2y x 2  4 y 2 x  2y x  2y ( x  2y )(x  2y ) x  2y ( x  2y )(x  2y ) 3 x  6 y  x  6 y  2x  4 y 2x  4 y 2   ( x  2y)( x  2y ) ( x  2y)( x  2y ) x  2y de trámite engorroso. 2000. no se preocupe entonces por la RAM. DERIVE.159 Breve Introducción a Derive 6 APÉNDICE BREVE INTRODUCCIÓN A DERIVE 6 A Desde fines de la década de los años 60 y principios de los 70. también se puede ingresar. alternativamente. por ser un Sistema de Álgebra Computacional compacto. Windows 95. pues será más que suficiente para que pueda utilizar DERIVE sin problemas. A. Millenium o XP y si estos sistemas operativos funcionan correctamente con la memoria RAM de que disponga. Pero estos sistemas llegaron aún mas lejos. 98. a partir del cual haciendo doble clic. permitiendo el análisis casi integral de las matemáticas.

A cada expresión ingresada Derive 6 le asigna un número #n.. multiplicación *. que se ubican en el menú Simplificar. Derive 6 cuenta con varias opciones de simplificación. o a la Ayuda en línea del programa. una expresión que ha sido ingresada. el lector debe remitirse al Manual del Usuario. son efectuadas de forma exacta. donde se teclea las instrucciones que una vez introducidas se escriben en la pantalla principal..160 Breve introducción a Derive 6 Para introducir las expresiones y órdenes de que dispone el programa se presiona Editar(Autor)/Expresión. Derive 6 presentará.. así por ejemplo si se ingresa el valor 12 . Derive 6 posee además de una pantalla de trabajo matemático (denominada ventana de Álgebra) otra dos ventanas para el manejo de gráficos en dos y tres dimensiones (llamadas ventanas 2D y 3D). entre ellas se pueden mencionar. si es posible... esto facilita la escritura de fórmulas. Así si se escribe (x+y)/2... sin embargo a continuación se revisarán algunas órdenes que son muy útiles en nuestro trabajo con el análisis numérico. suma +).  Normal . El orden de precedencia de los operadores es igual a la de cualquier lenguaje de programación(potenciación ^. Derive 6 lo simplifica a 2 3 . división /. en notación matemática tradicional. resta –. A.(ó F2). por defecto.. Para una descripción completa de todos los operadores y funciones que dispone Derive 6. en estricto orden ascendente.2 SIMPLIFICACIÓN Y APROXIMACIÓN Derive 6 puede fácilmente simplificar. Todas las simplificaciones. con lo que el cursor se ubica en el cuadro de comandos como lo muestra la figura siguiente.

(ó CTRL+W ó go....   Se introduce la expresión. Aunque valores numéricos son manejados por defecto en forma exacta pueden ser también expresados en forma aproximada mediante la opción Simplificar/Aproximar. es la posibilidad que tiene el usuario de efectuar la sustitución de una variable dentro de una expresión por otra variable u otra expresión.. así pues el valor 12 median- te esta opción se expresará como 3. ) y aparece el cuadro de diálo- . ó ) ... restas. La opción Factor toma una expresión ingresada y la factora a su mínima expresión. 1)..3 SUSTITUCIÓN Una opción muy útil en Derive 6. se debe introducir la expresión DIF(x^3. que queda indicada como.(ó CTRL+E) se convertirá en x 2  2xy  y 2 . de esta forma una expresión como (x  y)2 ..161 Breve introducción a Derive 6    Expandir Factorizar Aproximar La opción Basic sirve para simplificar expresiones sobre las cuales se han aplicado funciones incorporadas por Derive 6 u operaciones elementales como sumas.. así la expresión x 2  y 2 .. entonces se procede como a conx2  z2 tinuación se detalla. se elige la opción Simplicar/Normal. x... sin presentar de manera explicita el resultado.. ó ) obteniéndose. divisiones y potenciaciones.(ó CTRL+B. mediante la opción Simplificar/Expandir.(ó CTRL+F) se expresará como (x  y)(x  y) . para observar éste. Se hace clic en la opción Simplificar/Sustituir Variable.46410 en lugar de su forma exacta 2 3 . La opción Expandir toma una expresión ingresada y la expande o desarrolla.. así por ejemplo supóngase que dentro de la expresión xz .. mediante la opción Simplificar/Factorizar..(ó CTRL+G... A. multiplicaciones. así por ejemplo si se desea evaluar la derivada de x 3 . se quiere obtener el valor de la misma cuando x = 1 y z = 2.

.. obteniéndose al hacer clic sobre el botón Simplificar. se desea 2 2 2 (x  1  y  z ) Entonces se escribe el valor 2 y se selecciona la opción Todos.    Se introduce la expresión... para indicar que se va a sustituir el valor indicado en todas las expresiones (x – 1). Se hace clic sobre la expresión (x – 1) para seleccionarla. El paquete maneja esencialmente vectores fila y una matriz la construye como un vector columna de vectores fila.. entonces. Por otro lado pueden sustituirse dentro de una expresión compleja valores numéricos o literales no solamente para variables sino para expresiones completas.162 Breve introducción a Derive 6  Entonces se hace clic sobre cada variable para seleccionarla y se introduce en la casilla Nuevo Valor los valores 1 y 2 respectivamente. (ó CTRL+T) y aparece el cuadro de diálogo. por ejemplo en la expresión sustituir (x – 1) por el valor de 2.... En Derive 6 se puede introducir una matriz de dos maneras diferentes. entonces se presenta el siguiente cuadro de diálogo: . obteniéndose al hacer clic sobre el botón Simplificar. Seguidamente se hace clic en la opción Simplificar/Sustituir Subexpresión.. veamos como se procede de la primera forma:  Se hace clic sobre la opción Editar(Autor)/Matriz.. Además de introducir valores numéricos se pueden también introducir valores literales. (x  1  (y  z)(x  1 ) ) ....4 VECTORES Y MATRICES Derive 6 es un asistente matemático que puede trabajar muy fácilmente con vectores y matrices tanto en forma simbólica como numérica. A.

.. para lograr ello se escribe el nombre y los subíndices de la entrada en el cuadro de comandos.163 Breve introducción a Derive 6   En esta ventana se introduce el numero de filas y columnas que se desea para la matriz y se presiona Sí. lo cual nos lleva a la segunda forma de introducir una matriz: Se hace clic sobre el cuadro de comandos y se introduce desde el teclado la expresión [[1. luego de lo cual la matriz se presentará así. Delante de cada expresión introducida. .– 1. También se puede asociar un nombre cualquiera.0.5.–3]] ó [1.2.–3].5. se puede editarla como un vector de vectores.3.4.4. así por ejemplo para la anterior matriz se hace clic en el cuadro de comandos y se introduce la expresión A := [1..–1. DERIVE escribe un número consecutivo. Aparece entonces el siguiente cuadro de diálogo. mediante el signo igual para definición (:=). este hecho resulta importante cuando se quiere utilizar una expresión en cálculos posteriores...3].–3. es decir...[0.5.0. donde cada casillero de introducción de datos debe ser llenado desde el teclado por la entrada correspondiente. Se pueden extraer entradas mediante la notación NOMBREij donde como se ha descrito antes i representa a la fila y j a la columna.–1].–3] obteniéndose.2. 1 3 1      3  4 5     0 2 3    por ello para introducir una matriz.2. a una matriz.–3.3.. por ejemplo A... Derive 6 considera una matriz como un vector de vectores. Como se dijo. Es de notar que cada elemento del vector fila se separa con una coma y en la segunda opción cada vector fila del siguiente mediante un punto y coma. así por ejemplo la matriz anterior es para Derive 6 un vector formado de tres vectores fila.3. [4.

717553332 Por lo que los valores son: 3.     ITERATE e ITERATES. VECTOR. mediante algunas funciones entre las cuales cabe mencionar. SUM y PRODUCT. i. j) donde M es la matriz de la que se quiere extraer el elemento de la fila i y columna j...16227766)  10  3.. para ello se utiliza la expresión DIMENSION(M) o DIM(M) siendo obviamente M la matriz o vector de la que se quiere extraer su dimensión..614903887 f(xi) f(0)  10  0  3.614903887 f(2.3) arroja el mismo resultado. A. La dimensión de un vector o matriz es el número de elementos del vector o el número de vectores que conforman la matriz.698600872.164 Breve introducción a Derive 6 al presionar ENTER se tiene como resultado. Para el ejemplo anterior la expresión ELEMENT(#2.16227766 2. generalmente en M se indica el número (#_) asignado a la matriz cuyo elemento se desea extraer. Supóngase que se tiene f(x)  10  x . 2.. y se quiere hallar los primeros cuatro valores numéricos que se obtengan iterativamente para f(x) a partir de x = 0(valor de inicio).16227766  2. A. IF. 2.717553332.698600872 2.614903887  2...1.16227766. de donde… lo que indica que la matriz A esta formada de tres vectores fila.2. entonces..16227766 f(3. i 1 2 3 4 xi 0 3. 2.5. A.. Para la matriz del ejemplo anterior se tiene. El proceso calculó un .614903887)  10  2. A continuación analicemos un ejemplo. este parámetro es fácilmente extraíble de una matriz creada en Derive 6.614903887. También se pueden extraer elementos de una matriz mediante la expresión ELEMENT(M.5.717553332 f(2.5 PROGRAMACIÓN CON DERIVE 6.717553332)  10  2..1 PROCESOS ITERATIVOS Y LAS FUNCIONES ITERATES E ITERATE Un proceso iterativo es aquel en el cual se obtiene una aproximación actual a partir de otra anterior.717553332  2.1 PROGRAMACIÓN FUNCIONAL Derive 6 basa su capacidad de programación en la programación funcional.

6 y 5... los resultados para –7. donde f representa la fórmula de iteración. la opción a tomar se escribirá a continuación de dichas opciones. La condición lógica o prueba de decisión puede ser una expresión que permita decidir sobre una alternativa a tomar.. n).2 FUNCIÓN CONDICIONAL IF Derive 6 posee la función de decisión IF.. Seguidamente se analiza un ejemplo.. Cada nuevo valor obtenido es una iteración. Así para el ejemplo anterior. –1 en caso contrario y 0 si no se puede dilucidar su signo. Esta función es. Duda). los resultados para –7.. n). que tiene la siguiente estructura IF(Condición_lógica. a. a el valor de inicio y n el número de iteraciones. dependiendo de si la condición es verdadera o falsa. Si la prueba no es ni verdadera ni falsa.. da como resultado un vector que contiene las cuatro primeras iteraciones para el ejemplo que se calculo anteriormente.. Al igual que en cualquier lenguaje de programación se pueden anidar las funciones de decisión IF. Si se quiere obtener únicamente el último valor del proceso iterativo. donde los parámetros tienen el mismo significado anterior.165 Breve introducción a Derive 6 nuevo valor a partir de uno anterior. la función arroje el comentario “no tiene signo”. Verdadero. automatiza un proceso iterativo. por lo tanto se trata de un proceso iterativo. Falso. y la función f(x) que se utilizó en los cálculos se conoce como fórmula de iteración. Se desea crear una función SIGNO(x).. a. 6. así por ejemplo se desea que en el ejemplo anterior para el caso de x = 0. x..1.. se utiliza la orden ITERATE(f. que produzca el valor de 1. x. A.. La orden de Derive 6.. ITERATES(f. en caso de que se x sea un real positivo.5.. . entonces. 5 y 0 son. así para el ejemplo anterior. x la variable de iteración. serán entonces.5.5.

166 Breve introducción a Derive 6
Se puede observar que en la condición lógica se puede utilizar operadores lógicos, como en el caso anterior el operador  (y lógico). Para conocer los operadores lógicos disponibles puede consultar la ayuda en línea o el manual del usuario.

A.5.1.3 FUNCIÓN VECTOR
Derive 6 además puede construir vectores o matrices bajo un patrón, para ello dispone de la orden VECTOR, cuya estructura es VECTOR(F(x), x, a, b, p), donde F(x) es la función generadora del vector o matriz, x la variable de la función generadora, a el valor de inicio, b el valor final y p es el paso entre a y b. Supóngase que se quiere generar el vector 1 3 5 7 , entonces la expresión será...  

que al simplificarse genera...

la variable p es alternativa, pues si no se la escribe Derive 6 toma p = 1. Mediante la anidación de VECTOR se puede crear una matriz, así por ejemplo supóngase que se quiere construir
 1 3 5   la matriz  3 5 7  , entonces la instrucción es... 5 7 9  

donde la función VECTOR interna genera los elementos de cada fila y la función VECTOR externa genera las columnas.

A.5.1.4 SUMATORIA Y PRODUCTO ITERADO – FUNCIONES SUM Y PRODUCT
Es muy frecuente encontrar en análisis numérico, procesos que involucren sumatorias y productos iterados tales como:

a
i 0 n i 0

n

i

 a0  a1  a2  ...  an (Sumatoria)  a0 a1a2    an (Producto iterado)

a
mulaciones anteriores, su sintaxis son:

i

Derive 6 incluye entre sus funciones incorporadas, las funciones SUM y PRODUCT que corresponden a las for-

SUM(F(i),i, in, fin, p), donde F(i) corresponde a la expresión sobre la cual se va a efectuar la sumatoria, i el índice de la sumatoria, in el valor de inicio, fin el valor final y p el paso utilizado entre dos valores consecutivos de i. PRODUCT(F(i), i, in, fin, p), donde la notación es idéntica al caso de la función SUM. Supóngase que se desean calcular

i2
i0

5

i

y

e
i 0

8

i i 1

, entonces...

dará como resultado…

167 Breve introducción a Derive 6

y,

producirá...

la variable p, se utilizará en casos en que el índice no varíe en una unidad, así por ejemplo supóngase que se desea evaluar la suma de los números impares menores o iguales a 11, entonces...

dará por resultado...

Derive 6 utiliza la programación funcional, es decir, construye los diferentes módulos de un programa en base a definición de funciones. Veamos un ejemplo... Ejemplo A.1 Construir un programa que calcule la matriz adjunta de una matriz de datos:
a 11 a  21 A  a 31   ... a n1 
a 12 a 22 a 32 ... a n2 a 13 a 23 a 33 ... a n3 ... a 1n  ... a 2n   ... a 3n   ... ...  ... a nn  .

Se procederá bajo el siguiente algoritmo funcional: 1. Se construirá una función que calcule el menor Mij . 2. Seguidamente se construirá una función que calcule el cofactor Aij  (1 i  j Mij , correspondiente al menor )
Mij .

3. Finalmente en base a las dos funciones definidas anteriormente se elaborará una función final para el cálculo de la adjunta de A. Las funciones para cada paso del algoritmo son...
#1: MENOR(A, i, j) := DELETE_ELEMENT(DELETE_ELEMENT(A, i)`, j)` #2: COFACTOR(A, i, j) := ((–1)^(i + j))DET(MENOR(A, i, j)) #3: ADJ(A) := VECTOR(VECTOR(COFACTOR(A, i, j), i, DIMENSION(A)), j, DIMENSION(A))

La función DELETE_ELEMENT(A, i), elimina la fila i–ésima de la matriz A y la función DET(A) calcula el determinante de la matriz A. La primera función MENOR(A, i, j) elimina la fila i y columna j de la matriz de datos A(de orden n), generando el menor correspondiente(una matriz de orden n – 1). La segunda función utiliza la anterior, obteniendo su deter-

168 Breve introducción a Derive 6
i j minante y multiplicándolo por el término (1) para producir el respectivo cofactor. La tercera y última función

se basa a su vez en la anterior, para elaborar la matriz adjunta de a, mediante una función VECTOR anidada.

A.5.2 PROGRAMACIÓN PROCEDURAL
Derive 6 ha incorporado además funciones que realizan la ejecución de un proceso mediante procedimientos secuenciales, es decir, efectúan programación por procedimientos o procedural; estas estructuras de control o lazos son...   PROG. LOOP.

A.5.2.1 FUNCIÓN PROG
Esta función tiene la estructura PROG(s1,s2,s3,….,sn) y permite ejecutar secuencialmente las instrucciones s1, s2, s3, …, sn.

A.5.2.2 FUNCIÓN LOOP
Esta función tiene la estructura LOOP(s1,s2,s3,….,sn) y permite ejecutar secuencialmente las instrucciones s1, s2, s3, …, sn y repetir la secuencia hasta que en una de dichas instrucciones se cumpla un EXIT o un RETURN que permita terminar su ejecución. La orden EXIT obliga al programa a salir de la ejecución de la función LOOP y continuar con la ejecución de las secuencias más externas LOOP o PROG. La función RETURN también obliga al programa a terminar la ejecución del lazo LOOP presentando un resultado, por lo que generalmente debe constituir la finalización del programa. En los siguientes ejemplos se aclarará el uso de estas estructuras de control… Ejemplo A.2 Construir un programa que calcule la suma de los n primeros números pares. Se procederá bajo el siguiente algoritmo: 1. Se inicializan los valores de tres variables, un contador c a 1, un generador de los números pares p a 2 y la suma de los pares s a 0. 2. Una estructura de control ira actualizando el contador, el generador de los números pares y la suma de los mismos hasta alcanzar el resultado con los n números pares pedidos El programa para este algoritmo es:
#1: SUM(n) := PROG(c := 1, p := 2, s := 0, LOOP(IF(c > n, EXIT), s :+ p, p :+ 2, c :+ 1), s)

Se diseño el programa de esta forma con el objetivo de mostrar el uso del comando EXIT. La estructura de control más externa PROG, controla la ejecución secuencial de las asignaciones c := 1 , p := 2, s := 0, LOOP(IF(c > n, EXIT), s :+p, p :+2, c :+1) y s. La estructura más interna de control LOOP(IF(c > n, EXIT), s :+p, p :+2, c :+1) actualiza los valores de c, p y s hasta alcanzar la suma de los n números pares pedidos luego de lo cual ejecuta la orden EXIT que le permite terminar la ejecución de LOOP y concluir con la presentación del resultado s. Ejemplo A.3

se hace clic en Archivo/Leer/Utilidades. p :+2. m := 1 y LOOP(IF(c > n. p :+ 2.”producto”.n. Para cargarlo como utilidad. n. p := 2. m :p.MTH y además cuando el usuario lo requiera puede cargar este archivo en memoria para usar las funciones incorporadas en el mismo sin tener la molestia de que aparezca todo lo escrito en el documento. p y m hasta alcanzar el producto de los n números pares pedidos luego de lo cual ejecuta la orden RETURN que le permite terminar la ejecución de LOOP y del programa presentando el resultado con la estructura. un contador c a 1. 2. p := 2. RETURN [“n”. La estructura de control más externa PROG. actualiza los valores de c. m := 1.. el generador de los números pares y el producto de los mismos hasta alcanzar el resultado con los n números pares pedidos El programa para este algoritmo es: #1: MULT(n) := PROG(c := 1. RETURN[“n”. y para ello debe efectuarse el procedimiento descrito a continuación:   Se guarda el programa o implementación generada en un archivo de extensión MTH.m]). c :+1). La estructura más interna de control LOOP(IF(c > n. p :+2. un generador de los números pares p a 2 y el producto de los pares m a 1.n.. n producto    m n  A.”producto”. m]).. c :+1).. Se inicializan los valores de tres variables.6 GENERACIÓN DE UNA UTILIDAD Al escribir en Derive 6 un programa o implementación para generar un determinado método numérico. Para ello Derive 6 puede almacenar una implementación dentro de un archivo de extensión . entonces aparecerá el siguiente cuadro de diálogo: . Una estructura de control ira actualizando el contador. Esto es conocido en Derive 6 como “Cargar una utilidad”. el autor desearía poder guardarlo para utilizarlo en otro momento. Se procederá bajo el siguiente algoritmo: 1. RETURN[“n”. c :+ 1)) Se diseño el programa de esta forma con el objetivo de mostrar el uso del comando RETURN. m : p. controla la ejecución secuencial de las asignaciones c := 1 . m :p.m]). LOOP(IF(c > n.. “producto” .169 Breve introducción a Derive 6 Construir un programa que calcule el producto de los n primeros números pares.

LOOP(IF(R < d.5 PROGRAMACIÓN FUNCIONAL 1 x 0  1 x1 A. y en modo aproximado. R :– d. empezando en a. se escribe x↓i. R := D. ..4 – A. a.. Escriba un programa para obtener el cociente y el resto de dos números enteros positivos. x.6. Genere una función en Derive 5 para calcular el vector de n iteraciones para F(x). d) := PROG(C := 0. n) := ITERATES(F. Como complemento se dan algunos ejercicios sobre programación y precisión en Derive 6… A.. n). x n  0 n . x n  n Para representar un subíndice en Derive 5 por ejemplo xi. . d) := Prog Argumentos de la función: D = dividendo. Entonces la función que la llamaremos MATRIZ. n) A.. A. C :+ 1)) El programa escrito en forma indentada y la explicación de su funcionamiento es: COC_REST(D. El programa funcional es: ITER(F. se tiene: 10 – 3 = 7 7–3=4 4 – 3 = 1 → El proceso se detiene cuando el resto (1) es menor que el divisor (3) Por lo tanto 1 es el resto y 3(número de restas efectuadas) es el cociente. R. El siguiente ejemplo lo explica: Para hallar el residuo de 10/3. aplicando el método de restas sucesivas.6 – A.170 Breve introducción a Derive 6 En este se busca el nombre del archivo que contenga la utilidad requerida y se hace clic en Abrir. x1  .   . 0. RETURN ["RESTO".. j..  Inmediatamente Derive 6 cargará en memoria dicho archivo y el usuario podrá utilizar las funciones definidas en él como si fuesen funciones incorporadas al programa.4. El programa procedural escrito en una sola línea es: COC_REST(D. 0..  1 x n  . con la ayuda de una función VECTOR anidada.5. C]). Generar en DERIVE 5 la matriz  . a. empezando en x = 0 y con 7 iteraciones se tiene: en modo exacto. "COCIENTE". . d = divisor . n) Así para la función F(x) : 1 1 x 2 .7 PROGRAMACIÓN PROCEDURAL A.. i. y que genera la matriz pedida es: MATRIZ(n) := VECTOR(VECTOR ((x↓i)ˆj. El método de restas sucesivas permite llegar a calcular el resto de una división de números enteros mediante la aplicación sucesiva de la resta.

Ingresamos la expresión x x  x 1 x 1 2 x  . d). d := R)) El programa escrito en forma indentada y la explicación de su funcionamiento es: RESTO(D. una para el cálculo del resto.7. como lo muestra el siguiente ejemplo: Para hallar el MCD de 6 y 15. R := D. es decir 3 es el MCD El programa procedural constará de dos funciones. d := b] dendo (D) y al menor como divisor (d) [D := b. aplicando el algoritmo de Euclides. para el cálculo del resto. b) := PROG(IF(a > b.d C :+ 1 MCD(a. [D := a. d := a]). d := b]. R := RESTO(D. Escriba un programa para obtener el máximo común divisor de dos números enteros positivos. [D := b. LOOP(IF(d = 0. R < d RETURN R R :. D := d.8 PRECISIÓN EN DERIVE 6 A. y la otra para el cálculo del MCD: #1: RESTO(D. LOOP(IF(R < d. Con un ejemplo de cálculo de una expresión se va a mirar el efecto de la precisión en un resultado. d) := PROG(C := 0. entonces: dividendo en la siguiente división 15 / 6 → Cociente = 2. d := a] Loop If d = 0 → Condición para defenecer el proceso y retornar el resultado RETURN D → Salida del último divisor (D := d) como el MCD R := RESTO(D. Resto = 0 El ultimo divisor bajo el cual se obtuvo el resto nulo. R :– d. C :+ 1)) #2: MCD(a. Resto = 3 (divisor en la siguiente división) 6/3 → Cociente = 2.171 Breve introducción a Derive 6 C := 0 Inicialización del contador del número de restas efectuadas R := D Asignación al resto del valor del dividendo para iniciar las restas sucesivas Loop If R < d Condición para defenecer el proceso y retornar el resultado Re sto Cociente RETURN ["RESTO". Prog C := R := Loop If d) := 0 D Variante del programa 1. RETURN R). "COCIENTE". RETURN D). El algoritmo de Euclides permite hallar el MCD mediante divisiones sucesivas de números enteros positivos. d) → Calcula el resto de la división D/d D := d → Asigna al divisor de una división como dividendo de la siguiente d := R → Asigna al resto de una división como divisor de la siguiente A.8. C] Salida   C  R  R :.d Proceso de restas sucesivas (resto) C :+ 1 Actualización del contador de restas efectuadas (cociente) A. R. b) := Argumentos de la función: números a y b enteros positivos Prog If a > b Lazo de decisión para asignar al mayor valor como divi[D := a.

1) y 2·‹1000000 sucesivamente. se obtiene aproximando este resultado con se tiene La aproximación da un valor de cero sin embargo al simplificar bajo el modo exacto no se obtuvo ese valor por lo tanto la aproximación es sospechosa. a la vez que simplificamos cada subexpresión con desde la barra de botones. obteniendo: se puede observar que el resultado dentro del paréntesis da 0 lo cual obviamente explica el resultado final de 0 al aproximar la expresión. El origen de este error esta en la resta de valores muy cercanos como lo va a demostrar el propio programa con el siguiente desarrollo: Regresamos a la precisión con 10 dígitos al escribir el comando PrecisionDigits := 10. ‹(1000000 .172 Breve introducción a Derive 6 Se substituye 1000000 para x utilizando Simplificar/Sustituir variable… o el botón tal como se muestra: luego de hacer clic en Sí. mediante el comando: entonces volvemos a aproximar la expresión obteniendo esta vez lo que demuestra que con 10 dígitos de precisión en esta operación Derive 6 cometió un error al obtener el resultado en punto flotante. . En efecto se la precisión de Derive 6 en este cálculo es insuficiente para mostrar el verdadero resultado para ello vamos a cambiar los dígitos de precisión de 10 a 15. A partir de la expresión: seleccionamos ‹(1000000 + 1).

El problema es determinar los valores de dichos coeficientes para expresar con exactitud el polinomio... puede ser escrita mediante un polinomio de grado menor o igual a n.... y sustituyendo estos valores en f(x) se obtiene. a3 . calcúlense las n sucesivas derivadas.. ..  f(n)(0) 1! 2! 3! n! fórmula que expresa a f(x) como un polinomio en x. f(n)(0)  n!an despejando de las ecuaciones (B.... a0. Muchas funciones.1) y hágase en ella x = 0. pueden ser aproximadas y sustituidas mediante una suma infinita de términos denominada serie de Taylor.. Sea f(x) una función continua y derivable hasta el orden n... a3 .. B.173 Series de Taylor APÉNDICE SERIES DE TAYLOR B El éxito de los métodos numéricos consiste en la aproximación y sustitución de funciones complicadas por otras de fácil manejo..... la cual por su sencillez es más apropiada para su utilización en el campo del análisis numérico..  nan x n1  ... también se conoce su valor en un punto dado.. .. Por otro lado.. es decir. f(0)  a1  1!a1 f(0)  2a2  2!a2 (B... (B. f(x)  a1  2a2 x  3a3 x 2  .. )a (B. a1.3). pues al conocerse f(x)... (B. y todos los coeficientes son derivadas calculadas en el punto x = 0..  f (c)  f (c)  n! 3! 2! 1 ! Una función real f(x). Tómese la expresión (B.2) f(x)  6a3  .1 SERIES DE TAYLOR Y MACLAURIN..4) x x2 x3 xn f(x)  f(0)  f (0)  f (0)  f (0)  ... entonces f(x) se puede expresar como: f( x )  f( c )  ( x  c) n (n ) ( x  c) 3 ( x  c) 2 ( x  c) f (c ) f (c)  . en cierto intervalo que contiene al punto x = c... ... f(0)  a0 con lo cual se ha determinado a0.... a1. este tipo de polinomio se denomina serie de Maclaurin ó fórmula de Maclaurin. a2.  n(n  1  2)an x n 3  ...  an x n donde los coeficientes a0.. cos(x).. son constantes que no dependen de la variable x. en la forma. ln(x).. a2. Teorema de Taylor.. f(x)  2a2  6a3 x  ... tales como sen(x). )(n …………………………………………… f(n)(x)  n!an  .  n(n  1 n x n 2  .1) f(x)  a0  a1x  a2 x 2  a3 x 3  .. etc...... .. entonces si se sustituye x = 0 en todas ellas se obtiene..3) f(0)  6a3  3!a3 ....

o sea en el intervalo [. este intervalo se denomina intervalo de convergencia...  f(n)(0)  R 1! 2! 3! n! con ..6) (x  c) (x  c)2 (x  c)3 (x  c)n  f (c)  f (0)  . está representado mediante el llamado término complementario. el polinomio siguiente.. Análogamente la fórmula de Maclaurin con resto en forma de Lagrange.. es decir en el intervalo [c  . se obtiene el polinomio. La serie de Taylor expresada en función del resto R.. pero dado que es imposible escribir un infinito número de términos del polinomio.xc si xc denominado resto en forma de Lagrange. c + ] (>0)..2 SERIES DE TAYLOR Y MACLAURIN CON RESTO EN FORMA DE LAGRANGE. ]. se escribirá. que en el punto x = 0 no está definida. como ln(x). (B. mediante un polinomio cuyas constantes se puedan determinar en base a un punto cualquiera c.. que la fórmula de Maclaurin es simplemente un caso particular de la fórmula de Taylor. Teorema (Resto para la Serie de Taylor).  f(n)(c) 1! 2! 3! n! denominado serie de Taylor ó fórmula de Taylor. El resto de una serie de Taylor se puede expresar como.174 Series de Taylor Pero existen funciones reales.. y sea  un punto cualquiera tal que x<  <c (ó c<<x) entonces f(x) se puede expresar como… f(x)  f(c)  (x  c) (x  c)2 (x  c)3 (x  c)n (n) f (c)  f (c)  f (c)  ..  an(x  c)n realizando un proceso similar al que se efectuó para deducir la serie de Maclaurin. resulta entonces conveniente aproximar ésta y otras funciones.... se escribe. dígase n. (B. el orden del polinomio puede ser un valor entero cualquiera.  f (c)  R 1! 2! 3! n! donde R (x  c)n (n1) f ( ) (n  1 )! Al aproximar una función real f(x).5) (x  c) (x  c)2 (x  c)3 (x  c)n f(x)  f(c)  f (c)  f (c)  f (0)  . que se hallan en el mismo caso... es necesario entonces utilizar un número finito de términos.  f(n)(c) R f(x)  f(c)  f (c) 1! 2! 3! n! donde todos los términos luego del (n + 1)–ésimo término han sido sustituidos por el resto. representado por R. Este error. cuando en ésta c = 0.. mediante las fórmulas de Taylor o Maclaurin.. (B. residuo o resto de la serie. B. en cierto intervalo que contiene al punto x = c. diferente al que genera el problema. La fórmula de Taylor asegura una aproximación bastante razonable de la función f(x) en cierto entorno (entiéndase como pequeño intervalo) alrededor del punto c. Se puede observar de la última ecuación.. surgiendo entonces un error debido a los términos no considerados o truncados del polinomio (desde el término (n + 1)ésimo en adelante). Sea f(x) una función continua y derivable hasta el orden n + 1.. x x2 x3 xn f(x)  f(0)  f (0)  f (0)  f (0)  ..7) R (x  c)n1 (n1) f () (n  1 )! donde cx si xc. f(x  c)  a0  a1(x  c)  a2 (x  c)2  a3 (x  c)3  . mientras que la fórmula de Maclaurin hace lo mismo alrededor del punto c = 0. Téngase en cuenta entonces.

x0 si x0 sin embargo... B. entonces aparece el cuadro de diálogo.. f(n1)()  M donde M0 (B.... Derive 6 incluye una opción para el cálculo de funciones mediante series de Taylor y Maclaurin. Para desarrollar una función en una serie de Taylor… Paso 1: Se escribe la función que se va a desarrollar en serie de Maclaurin.13) hn1 R  f(n1)(c) (n  1 )! siendo la expresión (B. es decir. ésta se simplifica a.6).175 Series de Taylor (x)n1 (n1) f () (n  1 )! (B... Si en la serie de Taylor.3 FORMA ALTERNATIVA PARA LA SERIE DE TAYLOR Y EL RESTO.para la formula de Maclaurin (n  1 )! R  El resto representa el error de truncamiento en las formulas de Taylor (ó Maclaurin)..8) R donde 0x si x0. aunque se lo puede estimar considerando que el valor absoluto de la (n + 1)–ésima derivada de está acotado.7) y (B.9) y entonces.13). a menudo se toma  = 0... El error de truncamiento puede presentarse en cualquier proceso matemático de infinitos términos en el cual se truncan o cortan los mismos. y éste puede ser únicamente estimado más no calculado de manera exacta.8) es imposible determinarlo de forma precisa. B. pues se encuentra dentro de un intervalo.. el valor  de (B.. (B. .para la formula de Taylor (n  1 )! M R  x n1 .10) M (x  c)n1 ..12) hn1 R  f(n1)(c  h) (n  1 )! donde 0   1 debido a que  es difícil de calcular con exactitud. una forma aproximada y más cómoda de calcular el error de truncamiento para la serie de Taylor. ) SIN(x)  COS(x 2  1 Paso 2: Se hace clic sobre la opción Cálculo/Polinomios de Taylor. se sustituye h = x – c.11) donde el resto de la serie está dado por (B. del menú Cálculo.  f(n)(c)  R 1! 2! 3! n! (B.. con lo que.... la cual se encuentra bajo la orden Polinomios de Taylor. (B. y representa el término dominante((n + 1)–ésimo término) del conjunto de términos eliminados. expresada por (B. h h2 h3 hn f(c  h)  f(c)  f (c)  f(c)  f (c)  .4 SERIES DE TAYLOR Y MACLAURIN CON DERIVE 6....

176 Series de Taylor Aquí. se hace clic sobre el botón Simplificar y se obtendrá.1 Mediante Derive 6 desarrollar en serie de Maclaurin.. Punto = 0. 5 y 6 términos del desarrollo. Utilizar 4. expandiendo los términos mediante la orden Simplificar/Expandir... (2  x 4 )COS(1 ) 2  x 2 SIN(1  ) x5 120  x3 6 x que es la expresión para la serie de Maclaurin pedida. Paso 3: Finalmente.(Variable = x.. x 5COS(1 ) 120  x 3COS(1 ) 6 )  xCOS(1  x 4 SIN(1 ) 24  x 2 SIN(1 ) 2 )  SIN(1 ..(Variable = x... luego graficar la función así como sus correspondientes desarrollos.. Grado = 4)  x(6  x 2 )COS(1  x 4 x 2 ) )    1 SIN(1  24 2  6   entonces. Punto = 0. Grado = 5)  x5 x3   x4 x2     x  COS(1     1 SIN(1 ) )  120 6   24 2      entonces.  x 3COS(1 ) 6  xCOS(1  ) x 2 SIN(1 ) 2  SIN(1 ) Serie de Maclaurin con 5 términos: Cálculo/Polinomios de Taylor....... expandiendo los términos mediante la orden Simplificar/Expandir. Ejemplo B.  x 3COS(1 ) 6 )  xCOS(1  x 4 SIN(1 ) 24  x 2 SIN(1 ) 2 )  SIN(1 Serie de Maclaurin con 6 términos: Cálculo/Polinomios de Taylor. la función f(x) = sen(x + 1).(Variable = x. Punto = 0. Definición de la función: SIN(x+1) Serie de Maclaurin con 4 términos: Cálculo/Polinomios de Taylor. Grado = 3) x(6  x 2 )COS(1 (2  x 2 )SIN(1 ) )  6 2 entonces. expandiendo los términos mediante la orden Simplificar/Expandir. el punto alrededor del cual se estructurará la misma y el orden de aproximación (potencia del término a partir del cual se va a tomar el resto). se debe elegir la variable sobre la cual se va a desarrollar la serie.

Grado = 5) y se obtiene. Utilizar hasta la potencia x4 del desarrollo. x. Variable = x. estos gráficos se definen en un intervalo alrededor de x = 0. 9h5 160  9h4 64  5h3 24  h2 8  h 2 Las siguientes líneas de programación en Derive 6. n) := TAYLOR(F(x). (x  1 )(54x 4  351x 3  929x 2  1141x  29) 960 luego se realiza la sustitución x = h + 1(Simplificar/Sustituir Variable. c. Punto = 0. n) #3: ET_EXACT(x.13)) y el error de truncamiento exacto(f(x) – Serie de Taylor para n términos). Nuevo Valor = h + 1)). #1: F(x):= #2: ET_APROX(x..) los términos se obtiene. y expandiendo(Simplificar/Expandir. n) . de la siguiente manera: Cálculo/Polinomios de Taylor.. n + 1)  TAYLOR(F(x). 2 f ( x) g ( x) h ( x) k( x) 3 2 1 0 1 2 3 2 4 x Ejemplo B. alrededor del punto x = 1.2  1 x  Con la ayuda de Derive 6 expresar en serie de Taylor la función f( x )  ln  .. para ello se debe introducir la función que se aproxima mediante la serie....177 Series de Taylor En el gráfico las series de Maclaurin se nominan como: g(x)(serie de Maclaurin con 4 términos). c.. n) := F(x)  TAYLOR(F(x). permiten determinar para cualquier serie de Taylor o Maclaurin el error de truncamiento aproximado((1.(ln((1 + x)/(1 + x^2)). c. x. x.. también se podrá notar que alrededor del punto x = 0 los desarrollos y la función f(x) tienen un cierto intervalo de convergencia de radio aproximadamente igual a 1. k(x) (serie de Maclaurin con 6 términos) y la función como f(x). el punto alrededor del cual se desarrolla la serie(x = c) y el orden del término en que se trunca la serie(n).. c. 2  1 x  determinar además el error de truncamiento aproximado y el error de truncamiento exacto. Se definen la función. el punto alrededor del cual se desarrolla la serie(x = c) y el orden(n)... h(x)(serie de Maclaurin con 5 términos)..(Variables = x . c.

4)  x 1  37x 3 51x 2 15x 5      2  1 64 48 32 16 192 x 160 9x 4 Del gráfico f(x). Emplee Derive 6. Cálculo del número de términos del desarrollo de Maclaurin. fin. i. 1      (n 1)!  18  n1  0. la cual se obtiene mediante las siguientes líneas de programación en Derive 6. se utiliza una solución iterativa.. R  1      (n 1)!  18  n1  0.. se puede observar que la función f(x) y la serie que la aproxima st(x) coinciden en un intervalo que va desde x = 0. 1 1 0 1 2 3 f ( x) s ( x) 1 2 3 4 x Ejemplo B.1  .4.6 hasta x = 1.):=VECTOR(i. ) .. st(x) vs... in.0001 es decir. en base a la fórmula de acotamiento del resto R.. x = 1 y n = 4) pa 1 x 2  ra obtener. x...178 Series de Taylor  1 x  Para el problema presente.. #1: R(n):= #2: N(in.0001 dado que resolver la desigualdad analíticamente es algo difícil.3 Utilizando la serie de Maclaurin calcular el valor de cos(10) con una precisión de hasta 0. ET _ APROX(x. este intervalo es el radio de convergencia de la serie. por lo que. |f(n+1)()| M = 1.1  LN  . que son acotadas en 1.. fin.0001.4) 9(x  1 4  4x 3  6x 2  4x  1 )(x ) ET _ EXACT(x. pues la (n + 1)ésima derivada de cos(x) pueden ser cos(x) ó sen(x). se utilizan las líneas anteriores(ingresando F(x): ln   . aproximadamente.

))) entonces. DIM(N(in.984769  18  .000886096    SOL(1 )  3 . R((N(in.0152308 1  2 0.179 Series de Taylor #3: SOL(in.. fin.0000000392583    R(n) : 1 n1 La segunda columna muestra los valores de R(n) para los valores de n de la primera columna se puede observar que el valor n que cumple la desigualdad es n = 3. i. ))i.0000013496  4  5 0. fin. ):=VECTOR([(N(in..     (n  1  16  )! 0. 1. así… COS(x) : 1  x2 2 y el valor aproximado buscado es. por lo tanto se desarrolla la serie de Maclaurin de cos(x) hasta el orden de aproximación 3. COS     : 0. ))i)].0000386632    0.5.1 0. fin. fin.

A. 111. Mir. 10. Schonefeld S. Ed. 1997. Mc. Prentice–Hall. / Kokol–Voljc V. Introducción a los Métodos Numéricos. [1] La notación fi[n] indica de forma muy compacta la n-esima diferencia dividida para el dato xi. 1.A. Análisis Numérico y visualización gráfica con MATLAB.180 Bibliografía y referencias BIBLIOGRAFÍA Y REFERENCIAS BIBLIOGRAFÍA. / Wheatley P. Ed. Ed. Ed. Gerald C. Ed. Maron M. Ed. Nakamura S. Mir. Ed. Prentice–Hall.. Nakamura S. Nieves A. [2] Estas líneas de programación fueron ampliadas a partir de aquellas tomadas del texto “Numerical Analysis via DERIVE” de S.. Introduction to Derive 5. Métodos Numéricos. C. Análisis Numérico con Aplicaciones. Learning Diferential Equations through DERIVE.C. Chartwell–Bratt Numerical Analysis via DERIVE.S. Ed. Análisis Numérico. pág.E. / Berry J. 3..C. Métodos Numéricos aplicados a la Ingeniería. Lowe B. 12. Learning Numerical Analysis through DERIVE.. 2. Ed. 53 .. 5. Etchells T. Mathware. Métodos Numéricos aplicados con software. Chapra S. MathWare.. C.S. /Watkins A. Ed. Chartwell–Bratt NOTAS Y REFERENCIAS. 1997. Prentice–Hall. Ed. [3] Tomado de “Learning Numerical Análisis through DERIVE “de Terence Etchells & John Berry.J. Ed. / López R. 9. Un enfoque práctico.. Schonefeld. 8. Volkov E..P / Berry J.. pág. Edición. Métodos Numéricos para Ingenieros. Kutzler B.Graw–Hill. Ed. Texas Instruments Inc. Ed. 4. Análisis Numérico..E. 11. Mc. 13. 7. / Domínguez F. Chartwell–Bratt 14. / Canale R. Graw–Hill.. Learning Mathematics through DERIVE. 1ra. Samarski A. Ed. Graham E.. / Berry J. Chartwell–Bratt. Scheid F.. 6..

. 14 Cifras significativas .................................................. 10 F Fenómeno de Runge ..... 22 Interpolación lineal con Derive 6 ..................... 83 Diferenciación numérica..... 81...................................................... 39 Fórmula iterativa . 92 Interpolación con raíces o puntos de Chebyshev ..................... Véase Polinomio básico de Lagrange Función LOOP ................................................................... 66 Método de iteración de punto fijo con Derive 6 ................... 39 Error en polinomios de interpolación de Newton ......... Véase Método de iteración de punto fijo.......................................................................................... 168 Función PROG ....................................... 137 Épsilon de una computadora ............................................................................ 166 Funciones ITERATE e ITERATES ............................................................. aproximación por diferencias regresivas ....................................................................................................................181 Índice Alfabético ÍNDICE ALFABÉTICO A Aislamiento de raíces..................... 50 Aproximación por diferencias progresivas o hacia adelante.......................... 73 Aproximación por diferencias regresivas o hacia atrás ...... 23 Interpolación polinómica ........................................................ 66 Método de las cuerdas ............................................................................................................................................................ 71 Método de iteración de punto fijo............................................................................... nodos de interpolación .......... 166 B Base ......... 49 Ajuste polinomial por mínimos cuadrados..................... aproximación por diferencias centrales .......... 10 Bit 11 C Cifras decimales ....... aproximación por diferencias72..................................................... 72 Diferenciación numérica............ 125 Error en métodos de integración .. 30 Diferencia progresiva ................. 66 Método de las tangentes .. 73 Existencia de una raíz................................................................................... 6 Fórmulas de Newton–Cotes ....................... 98 Fuentes de error por redondeo ........................... 20 Interpolación polinómica por serie de potencias ......................... 169 I Instalación e inicio de Derive 6 ............ 153 Algebra lineal numérica – aplicaciones ................... 56 Método de iteración de punto fijo ................................. 46 Interpolación lineal ....................... 92 método de aceleración para la regla de 1/3 de Simpson .................................................. 131 Error en los métodos de Taylor ...... 45 Errores de redondeo ................. 118 Error en los métodos de Runge–Kutta ...................... ..................................... aproximación por diferencias progresivas ............................... 168 Función VECTOR ............................................................. 13 Función condicional IF ........... 102 Integración Numérica... 165 Función de forma .................. 20 D Derivadas de orden superior ......................................................... 98 Error en polinomios de interpolación .............. 111 Método de Euler modificado ............ reglas de Simpson ........... 49 Exponente ...................... 95 Método de bisección ....................... Véase Interpolación polinómica por el método general Interpolación polinómica............................... 142 Método de Euler hacia adelante ............. diagrama de Cobweb .......................................................................................................... 10 Matriz de diagonal estrictamente dominante .. 153 Aproximación gráfica a una raíz ......................................... Véase Diferencia finita hacia adelante Diferenciación numérica.......................... 72 Diferencias fdivididas .. 159 Integración de Romberg ................ 164 Funciones SUM y PRODUCT ................... 10 Errores en Análisis Numérico............... 14 Condición inicial de una ecuación diferencial ................................................. diagrama de Cobweb Diagrama de escalones ..... 8 ........................................................... Véase Método de iteración de punto fijo........................................ 78 Diferenciación numérica.............................................................. 133....... 64 Método de las secantes con Derive 6 .......................................................... 7 G Generación de utilidades en Derive 6 ..... 28 M Mantisa .... teorema de Bolzano ..... 149 Método de aceleración del método de trapecios ............................................................ Véase Método de falsa posición Método de las secantes ................ 79 Diagrama de convergencia ó divergencia ............................................ 13 Error de truncamiento ............................................................................... 55 Método de eliminación de Gauss con pivoteo parcial ....................... 51 Método de bisección con Derive 6 ............................................... 116 Método de falsa posición ................... 111 Convergencia en métodos de Jacobi y Gauss–Seidel 150 Convergencia en procesos iterativos ... 175 Error en los métodos de Euler ..................... diagrama de Cobweb Diferencia finita hacia adelante...... Véase Método de Newton– Raphson E Ecuaciones diferenciales ordinarias de primer orden – aplicaciones ............................................................ 20 Interpolación polinómica por el método general ....................................

. 175 Simplificación y aproximación con Derive 6.................................. 129 Método de Runge–Kutta de tercer orden......................................................... 127 Métodos de solución de EDOs con Derive 6 ..... Véase Mantisa Polinomio básico de Lagrange.................................. 174 Series de Taylor y Maclaurin......... 174 Serie de Taylor.......................................................... 49 Regla de 1/3 de Simpson . 89 Métodos abiertos .................. forma alternativa ...... 164 Programación funcional con Derive 6 .. 48 Raíz de una ecuación................................... características diferenciativas ............................................................................................. 131 Métodos de Taylor ............ 51 Métodos cerrados........................................ 175 Series de Taylor y Maclaurin con resto en forma de Lagrange...................... intervalo de convergencia ............................ 145 Solución de sistemas de ecuaciones lineales–métodos iterativos .Véase Polinomio de interpolación de Newton con diferencias progresivas Polinomio de interpolación por el método general con Derive 6 .............. 85 Método del punto medio utilizando Derive 6 ...................... 10 Número de punto flotante...................... Véase Zona de agujero V Vectores y matrices en Derive 6 ........ 173 U Underflow................................................... 89 Método de los trapecios ..................... 144 Solución de sistemas de ecuaciones lineales................... zona de .................... 122 Minimización del error de interpolación ......... 59 Métodos de Euler............ precisión . 168 Orden RETURN ............................................... 6 Programación con Derive 6 .............................. 92 Método de Newton–Raphson .................. 17 Proceso iterativo .................................................................................. 85 Método de los rectangulos utilizando Derive 6 .. 173 Series de Taylor y Maclaurin con Derive 6 ................................. 97 Regula Falsi ............................................................................................................................. forma normalizada ............................................... problema mal condicionado ............ 27 Polinomio de interpolación de Newton .... 38 Polinomio de interpolación de Newton con diferencias progresivas .... Véase Zona de desbordamiento P Parte fraccionaria ....................... teorema del resto . 160 Solución de sistemas de ecuaciones lineales............................................. 144 Solución de sistemas de ecuaciones lineales–método de Gauss–Seidel ........................................... ...................................... 111 Métodos de Runge–Kutta ... Véase Método de iteración de punto fijo Método del punto medio ................ 174 Series de Taylor y resto............... 25 Polinomio de interpolación de Lagrange ....................................................................................................................................... 21 Precisión en Derive 6 ................................... 11 O Orden EXIT................................................................................ 110 Solución particular de una ecuación diferencial . 162 Velocidad de convergencia en procesos iterativos ................................ 25 Polinomio de interpolación de Lagrange con Derive 6 .......................................................................... 37 Polinomio de interpolación de Newton–Gregory ........... ...... zona de ....................... 7 Z Zona de agujero .................................................... 127 Método de sustituciones sucesivas ..................... 89 Método de los trapecios utilizando Derive 6 ............................................................ 12 .... 92 Regla de 3/8 de Simpson ........ 164 T Teorema de Bolzano ................................................................................................ 96 Reglas de Simpson utilizando Derive 6 .. 49 Teorema de Taylor.................. 59 Métodos abiertos....... 10 Número de punto flotante................................................... características diferenciativas ......182 Índice Alfabético Método de los rectángulos ............................................................................ 60 Método de Newton-Raphson con Derive 6 .............................................................................................. 168 Overflow............................................... Véase Método de falsa posición S Serie de Taylor...............................................Véase Interpolación con raíces o puntos de Chebyshev Programación procedural en Derive 6.................................................... 168 R Raices de Chebyshev con Derive 6 ......................... 145 Solución general de una ecuación diferencial ........................... método directo .. 71 Métodos cerrados .............. 110 Sustitución de variables en Derive 6 ................. 63 Método de Runge–Kutta de cuarto orden ......... 32 Polinomio de interpolación de Newton con Derive 6.......................... 161 N Número de punto flotante..... 147 Solución de sistemas de ecuaciones lineales–método de Jacobi ...... 12 Zona de desbordamiento .........................................

Sign up to vote on this title
UsefulNot useful