MÉTODOS NUMÉRICOS

Facultad de Ingeniería

L.I. Victor Fernández Rosales

victorzel@[Link]
 Métodos numéricos 2015

Tabla de contenido
Introducción. ....................................................................................................................................... 4
Métodos numéricos............................................................................................................................ 5
Historia ............................................................................................................................................ 5
Objetivo de su utilización ................................................................................................................ 5
Razones por las cuales se estudian métodos numéricos ................................................................ 6
¿Dónde se utilizan? ......................................................................................................................... 6
Algoritmo......................................................................................................................................... 6
Propiedades que deben cumplir los algoritmos numéricos............................................................ 8
Convergencia ............................................................................................................................... 8
Estabilidad ................................................................................................................................... 8
Errores ................................................................................................................................................. 9
Sistemas numéricos......................................................................................................................... 9
Conversión de un número binario al sistema decimal ................................................................ 9
Conversión de números enteros del sistema decimal a binario ................................................. 9
Manejo de números en la computadora ...................................................................................... 10
Números enteros....................................................................................................................... 10
Números reales (punto flotante) .............................................................................................. 10
Causas de errores graves en computación ................................................................................... 11
Suma de números muy distintos en magnitud ......................................................................... 11
Resta de números casi iguales .................................................................................................. 11
Overflow y Underflow ............................................................................................................... 12
Tipos de errores ............................................................................................................................ 13
Error inherente .......................................................................................................................... 13
Error de redondeo ..................................................................................................................... 13
Error por truncamiento ............................................................................................................. 13
Estimación del error por métodos iterativos ................................................................................ 15
Ejercicios........................................................................................................................................ 17
Solución de ecuaciones algebraicas y trascendentes ...................................................................... 18
Método gráfico .............................................................................................................................. 19
Tipos de métodos .......................................................................................................................... 20
Métodos cerrados o acotados....................................................................................................... 20

1|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Método de la Bisección o Método de Bipartición del Intervalo ............................................... 21

Ejercicios.................................................................................................................................... 25
Método de la Regla Falsa o de la Falsa Posición ....................................................................... 26
Ejercicios........................................................................................................................................ 29
Métodos abiertos .......................................................................................................................... 30
Método del Punto Fijo............................................................................................................... 30
Ejercicios.................................................................................................................................... 34
Método de Newton-Raphson .................................................................................................... 35
Método de Newton-Raphson Modificado para el cálculo de raíces múltiples ......................... 38
Ejercicios.................................................................................................................................... 41
Método de la Secante ............................................................................................................... 42
Ejercicios.................................................................................................................................... 45
Método de Müller ..................................................................................................................... 46
Solución de ecuaciones algebraicas lineales simultaneas .............................................................. 48
Métodos directos .......................................................................................................................... 50
Método de Eliminación de Gauss.............................................................................................. 50
Método de Gauss-Jordan .......................................................................................................... 54
Ejercicios.................................................................................................................................... 59
Métodos Iterativos ........................................................................................................................ 60
Matriz diagonalmente dominante. ........................................................................................... 60
Método de Jacobi o de los desplazamientos simultáneos ........................................................ 60
Ejercicios.................................................................................................................................... 64
Método de Gauss –Seidel.......................................................................................................... 65
Ejercicios.................................................................................................................................... 68
Interpolación..................................................................................................................................... 69
Aproximación polinomial simple e interpolación ......................................................................... 70
Ejercicios.................................................................................................................................... 73
Polinomios de Lagrange ................................................................................................................ 74
Ejercicios.................................................................................................................................... 77
Polinomio de Newton (Diferencias divididas) ............................................................................... 78
Ejercicios.................................................................................................................................... 82
Integración numérica ....................................................................................................................... 83

2|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Fórmulas de integración de Newton-Cotes .................................................................................. 84

Regla del Trapecio ......................................................................................................................... 84
Ejercicios.................................................................................................................................... 87
Regla del Trapecio Compuesta ...................................................................................................... 88
Ejercicios.................................................................................................................................... 90
Regla de Simpson .......................................................................................................................... 91
Regla de Simpson 1/3 .................................................................................................................... 91
Ejercicios.................................................................................................................................... 93
Regla de Simpson 1/3 Compuesta ................................................................................................ 94
Ejercicios.................................................................................................................................... 96
Regla de Simpson 3/8 .................................................................................................................... 97
Ejercicios.................................................................................................................................... 99
Regla de Simpson 3/8 Compuesta .............................................................................................. 100
Ejercicios.................................................................................................................................. 102
Método de Romberg ................................................................................................................... 103
Ejercicios.................................................................................................................................. 106
Bibliografía ...................................................................................................................................... 107

3|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Introducción.
Al momento de aplicar las Matemáticas a situaciones del mundo real nos encontramos a
menudo con problemas que no pueden ser resueltos analíticamente o de manera exacta y
cuya solución debe ser abordada con ayuda de algún procedimiento numérico. A
continuación consideramos algunos problemas típicos, ya formulados matemáticamente,
para los cuales estudiaremos técnicas numéricas de solución.

Problema 1. Encontrar el área de la región comprendida entre las gráficas de: y=2senx, y=e-
x con x ∈ [0, π].

Problema 2. Encontrar las raíces de la ecuación polinómica:

x5 + 11x4 − 21x3 − 10x2 − 21x − 5 = 0

Problema 3. Resolver los siguientes sistemas de ecuaciones:

a) El sistema lineal AX=b con:
2 −1 0 0 0 3
−1 2 −1 0 0 −2
𝐴= 0 −1 2 −1 0 𝐵= 2
0 0 −1 2 −1 −2
[0 0 0 −1 2] [1]
b) El sistema no-lineal
𝑥 2 + 𝑥𝑦 3 = 9
{ 2
3𝑥 𝑦 − 𝑦 3 = 4

Problema 4. Dada la siguiente tabla de datos correspondiente a una cierta función y = f(x),
xk -2 -1 0 1 2 3
f(xk) -5 1 1 1 7 25

Problema 5. Hallar el valor de cada una de las siguientes integrales:

𝜋
1 1 2 3
𝑠𝑒𝑛 𝑥 𝑥2
𝑠𝑒𝑛2 𝑥 1
∫ 𝑑𝑥 ∫ 𝑒 𝑑𝑥 ∫ √1 − 𝑑𝑥 (𝑒𝑙𝑖𝑝𝑡𝑖𝑐𝑎) ∫ 𝑑𝑥
𝑥 4 𝑙𝑛𝑥
0 0 0 2

En relación con los problemas anteriores, tenemos que:

En el problema 1, es necesario determinar los puntos de intersección de las gráficas de

y=2senx y y=e−x, para lo cual debemos resolver la ecuación 2senx = e−x y no disponemos
de un método algebraico para hacerlo.

En el problema 2, se trata de hallar los ceros de un polinomio de grado 5 y, como sabemos,

sólo se conocen métodos algebraicos para encontrar raíces de ecuaciones polinómicas de
grado menor o igual que 4.

En el problema 3, tenemos dos sistemas de ecuaciones: El de la parte a) es lineal y

conocemos métodos de solución (por ejemplo, el método de eliminación Gaussiana), sin

4|Página
Victor Fernández Rosales
 Métodos numéricos 2015

embargo, para sistemas de tamaño mayor, no sólo es conveniente sino necesario

implementar tales métodos a través del computador (método numérico). En la parte b)
tenemos un sistema no-lineal y no conocemos métodos algebraicos generales para
resolverlo.

El problema 4, se puede resolver analíticamente (por interpolación), sin embargo para

determinar los coeficientes de dichos polinomios existen técnicas que permiten
encontrarlos rápidamente y que pueden implementarse en el computador.

El problema 5, corresponde a integrales definidas cuyo integrando tiene antiderivada que

no es elemental.

Métodos numéricos
Es un procedimiento mediante el cual se obtiene, casi siempre de manera aproximada, la
solución de ciertos problemas realizando cálculos puramente aritméticos y lógicos
(operaciones aritméticas elementales, cálculo de funciones, consulta de una tabla de
valores, cálculo proposicional, etc.). Un tal procedimiento consiste en una lista finita de
instrucciones precisas que especifican una secuencia de operaciones algebraicas y lógicas
(algoritmo), que producen o bien una aproximación de la solución del problema (solución
numérica) o bien un mensaje. La eficiencia en el cálculo de dicha aproximación depende,
en parte, de la facilidad de implementación del algoritmo y de las características especiales
y limitaciones de los instrumentos de cálculo (los computadores). En general, al emplear
estos instrumentos de cálculo se introducen errores llamados de redondeo.

Historia
Antes del uso o aparición de la PC, había 3 métodos diferentes que se aplican a la solución
de problemas:

1. Usando métodos exactos o analíticos (éstos tienen un valor práctico limitado ya que
son aplicables a una clase limitada de problemas).
2. Para analizar el comportamiento de los sistemas se usaban soluciones gráficas
(resultados no muy precisos, tediosos y difíciles de implementar sin ayuda de una
PC).
3. Para implementar los métodos numéricos se utilizaban calculadoras manuales y
reglas de cálculo (son tediosos, lentos y no existen resultados consistentes). Antes
de la aparición y uso del PC se gastaba mucha energía en la técnica misma de
solución, en lugar de aplicarla sobre la definición del problema y su interpretación.

Objetivo de su utilización
El objetivo principal del análisis numérico es encontrar soluciones “aproximadas” a
problemas complejos utilizando sólo las operaciones más simples de la aritmética. Se

5|Página
Victor Fernández Rosales
 Métodos numéricos 2015

requiere de una secuencia de operaciones algebraicas y lógicas que producen la

aproximación al problema matemático.

Razones por las cuales se estudian métodos numéricos

 Son algoritmos que establecen la secuencia de soluciones de sistemas de ecuaciones
de gran tamaño, con características de ser no lineales y geométricas complicadas,
porque la mayor parte de los problemas reales tienen este comportamiento, y que
por lo general su solución es muy complicada a través de métodos analíticos.
 Es importante que el futuro ingeniero tenga los conocimientos básicos de los
métodos numéricos más comunes, ya que en el transcurso de su carrera, tendrá la
necesidad de usar software comercial o implementar su propio software, que
resuelvan los algoritmos de problemas reales y que estén basados sobre algún
método numérico.
 Con los métodos numéricos el ingeniero usará la computadora como herramienta,
el cual es uno de los propósitos, porque el profesionista debe de olvidarse de los
cálculos, y enfocarse en el diseño y planteamiento de la solución de los problemas.
 Proporciona una mayor comprensión de las matemáticas, ya que reducen las
matemáticas superiores a operaciones básicas simples.

¿Dónde se utilizan?
Los métodos numéricos pueden ser aplicados para resolver procedimientos matemáticos
en:
 Cálculo de derivadas
 Integrales
 Ecuaciones diferenciales
 Operaciones con matrices
 Interpolaciones
 Ajuste de curvas
 Polinomios, etc.

Algoritmo
Es una secuencia lógica de pasos necesarios para ejecutar una tarea específica tal como la
solución de un problema.

Características de los algoritmos

 Preciso: Definir de manera rigurosa, sin dar lugar a ambigüedades.
 Definido: Si se sigue un algoritmo dos veces, se obtendrá el mismo resultado.
 Finito: Debe terminar en algún momento.
 Puede tener cero o más elementos de entrada.
 Debe producir un resultado: Los datos de salida serán los resultados de efectuar las
instrucciones.

6|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Etapas para la solución de un problema

1. Análisis del problema, definición y delimitación (macro algoritmo). Considerar los
datos de entrada, el proceso que debe realizar la computadora y los datos de salida.
2. Diseño y desarrollo del algoritmo (se utiliza seudocódigo, escritura natural del
algoritmo, diagramas de flujo, etc.).
3. Prueba de escritorio. Seguimiento manual de los pasos descritos en el algoritmo. Se
hace con valores bajos y tiene como fin detectar errores.
4. Codificación. Selección de un lenguaje de programación y digitalización del
seudocódigo haciendo uso de la sintaxis y estructura gramatical del lenguaje
seleccionado.
5. Compilación o interpretación del programa. El software elegido convierte las
instrucciones escritas en el lenguaje a las comprendidas por la computadora.
6. Ejecución. El programa es ejecutado por la computadora para llegar a los resultados
esperados.
7. Depuración. (debug). Operación de detectar, localizar y eliminar errores de mal
funcionamiento del programa.
8. Evaluación de resultados. Obtenidos los resultados se los evalúa para verificar si son
correctos. (Un programa puede arrojar resultados incorrectos aun cuando su
ejecución no muestre errores)

Un algoritmo se puede representar mediante un diagrama de flujo la cual nos da una

representación gráfica en la cual se emplean bloques y flechas.

Diseño del Programa de

Problema
algoritmo computadora

Ejemplo:
Algoritmo para la solución de la suma de 2 números cualquiera.
1. Inicio
2. Solicitar el valor de a
3. Solicitar el valor de b
4. Sumar a con b y asignar a c la respuesta
5. Imprimir el valor de c
6. fin

7|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Propiedades que deben cumplir los algoritmos numéricos

Convergencia
Se entiende por convergencia la garantía de que, al realizar un número de repeticiones
(iteraciones), las aproximaciones obtenidas terminan por acercarse cada vez más al valor
verdadero.

Estabilidad
Cuando en un algoritmo o método numérico el crecimiento de los errores que traen los
datos es lineal, entonces se dice que el algoritmo o método numérico es estable y los
resultados que nos arroje serán válidos, por el contrario si el crecimiento del error es
exponencial entonces el algoritmo es inestable y no puede tomarse como válidos los
resultados obtenidos.

8|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Errores
Los métodos numéricos ofrecen soluciones aproximadas muy cercanas a las soluciones
exactas; la discrepancia entre una solución verdadera y una aproximada constituye un error,
por lo que es importante saber qué se entiende por aproximar y aprender a cuantificar los
errores para minimizarlos.

Sistemas numéricos
Conversión de un número binario al sistema decimal
Teniendo en cuenta el valor de cada dígito en su posición, que es el de una potencia de 2,
cuyo exponente es 0 en el bit situado más a la derecha, y se incrementa en una unidad
según vamos avanzando posiciones hacia la izquierda.
Ejemplos:
10110012= 1010102=
1x26 + 0x25+ 1x24+ 1x23+ 0x22+ 0x21+ 1x20= 1x25+ 0x24+ 1x23+ 0x22+ 1x21+ 0x20=
64 + 0 + 16 + 8 + 0 + 0 + 1 =8910 32 + 0 + 8 + 0 + 2 + 0 =4210

Conversión de números enteros del sistema decimal a binario

De una palabra de 16 bits el primero debe ser el signo donde (0) es positivo y (1) es negativo
y los 15 bits restantes son para el número, esto nos da un intervalo de:
0000000000000000 a 1111111111111111 que en decimal es de -32,767 a 32,767.
Método: Se realizan divisiones sucesivas por 2 y se escriben los restos obtenidos en cada
división en orden inverso al que han sido obtenidos. (Nota: el residuo se multiplica por 2
para sacar el resto).
Ejemplos: 4710= (en una palabra de 16 bits) =1011112
47/2 =23 resto 1
23/2 =11 resto 1
11/2 =5 resto 1
5/2 =2 resto 1
2/2 = 1 resto 0
1 / 2 = 0 resto 1
0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1

52510= (en una palabra de 16 bits) =10000011012

525/2 =262 resto 1
262/2 =131 resto 0
131/2 =65 resto 1
65/2 =32 resto 1
32/2 = 16 resto 0
16/2 = 8 resto 0
8/2 = 4 resto 0
4/2 = 2 resto 0
2/2 = 1 resto 0
1/2 = 0 resto 1
0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 1

9|Página
Victor Fernández Rosales
 Métodos numéricos 2015

Manejo de números en la computadora

Por razones prácticas, solo se puede manejarse una cantidad finita de bits para cada
número en una computadora, y esa cantidad o longitud varía de una maquina a otra.

Para una computadora dada, el número de bits generalmente se llama palabra. Las palabras
van de 8 hasta 64 bits, por ejemplo una palabra de 32 bits puede dividirse en 4 bytes (8 bites
cada una).

Números enteros
Cada palabra, cualquiera que sea su longitud, almacena un número, aunque en ciertas
circunstancias se usan varias palabras para contener un número. Por ejemplo, considérese
una palabra de 16 bits para almacenar números enteros. De los 16 bits, el primero
representa el signo del número; un cero es un signo más y un uno un signo menos. Los 15
bits restantes pueden usarse para guardar números binarios desde 0000000000000000
hasta 1111111111111111.

Ejemplo:
-12510= -11111012

1 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1

Números reales (punto flotante)

Para almacenar un número real se emplea en su representación binaria, llamada de punto
flotante la notación.

0.d1d2d3d4d5d6d7d8 X 2 d´1 d’2 d’3 d’4 d’5 d’6 d’7

Donde d1=1 y dj y d’ j con i=2,… 8 y j=1,2,…,7 pueden ser ceros o unos, y se guarda en una
palabra.

En los bits del 1 al 7 se almacena el exponente de la base 2 y en los 8 bits restantes la

fracción.

Según en el lenguaje de los logaritmos, la fracción es llamada mantisa y el exponente

característica.

10 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejemplo:
-125.3210= -1111101.0101000111101012

Normalizado queda (en base a la especificación de IEEE 754):

-.1111101010100011110101 X 2 + 111 (7 en binario, que fue el corrimiento del punto a la izquierda)

bits truncados en el almacenamiento

Signo mantisa (número)

Característica positiva (exponente)

1 0 0 0 0 1 1 1 1 1 1 1 1 0 1 0
Característica Mantisa

Causas de errores graves en computación

Suma de números muy distintos en magnitud

Ejemplo:
0.002 =0.2000 x 10-2
600 =0.6000 x 103

Números normalizados
.000002 x 103
+ .600000 x 103
.600002 x 103
Como solo se puede manejar 4 dígitos, los últimos 2 son eliminados y la suma es .6000 x
103, por lo que la suma nunca se realizó.

Resta de números casi iguales

Ejemplo:
.2145 x 100
- .2144 x 100
.0001 x 100
Que normalizado el resultado es: 0.1 x 10-3

Como solo existe un digito significativo se sugiere no confiar en su exactitud.

11 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Overflow y Underflow
Con frecuencia una operación aritmética con 2 números válidos da como resultado un
número tan grande o tan pequeño que la computadora no puede manejarlo.
Ejemplo:
0.5000 x 108
x 0.2000x 109
0.1000 x 1017

El producto es muy grande y no puede almacenarse porque la característica requiere 3

dígitos y se produce un overflow.

El underflow puede aparecer en la multiplicación o división, y por lo general no es tan serio

como el overflow; las computadoras casi nunca envían mensajes de underflow.

Ejemplo en Matlab:
Cuando se suma 10,000 veces 0.0001 con él mismo, debe resultar 1; sin embargo, el número
0.0001 en binario resulta en una sucesión infinita de ceros y unos que se trunca al ser
almacenada en una palabra de memoria, con lo que se perderá información y el resultado
de la suma ya no será 1.

function error=error()
% function para demostrar el error
format long
s=0;
for i=1:10000
s=s+0.0001;
end
disp(s)

s=1;
for i=1:10000
s=s+0.0001;
end
disp(s)

s=1000;
for i=1:10000
s=s+0.0001;
end
disp(s)

s=10000;
for i=1:10000
s=s+0.0001;
end
disp(s)

12 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

end
Resultados:
0.999999999999906
1.999999999999890
1.000999999999749e+003
1.000099999999293e+004

Tipos de errores
Error inherente
En muchas ocasiones, los datos con que se inician los cálculos contienen un cierto error
debido a que se han obtenido mediante la medida experimental de una determinada
magnitud física. Así por ejemplo, el diámetro de la sección de una varilla de acero
presentaría un error según se haya medido con una cinta métrica o con un pie de rey. A este
tipo de error se le denomina error inherente.

Error de redondeo
Como no es posible guardar un número binario de longitud infinita o un número de más
dígitos de los que posee la mantisa de la computadora que se está empleando, se almacena
sólo un número finito de estos dígitos; como consecuencia, se comete automáticamente un
pequeño error, conocido como error de redondeo, que al repetirse muchas veces puede
llegar a ser considerable.

Error por truncamiento

Los errores por truncamiento ocurren cuando un número, cuya parte fraccionaria está
constituida por un número infinito de dígitos, requiere ser representado numéricamente
en forma aproximada, utilizando un número de cifras significativas.
Por ejemplo 3.1416 es una buena aproximación del número π, pero el valor exacto no puede
ser expresado numéricamente por completo, pues consta de un número infinito de dígitos:
3.1415926535…; lo mismo ocurre con el 2.7183 para el número e, el 1.4142 para √2, y el
0.333333 para 1/3.

Sin embargo, todos los números, ya sean enteros, racionales o irracionales, pueden ser
representados a través de formulaciones matemáticas exactas, utilizando series infinitas;
obviamente, las representaciones numéricas acotadas a un determinado número de cifras
significativas, son aproximaciones numéricas que llevan implícitos errores por
truncamiento.

Por ejemplo, los números 1, 1/3 y e pueden expresarse matemáticamente, de manera

exacta, a través de las siguientes series infinitas:

1=1/2 + 1/4 + 1/8 + 1/16 + 1/32 + 1/64 +…

1/3= 3/10 + 3/100 + 3/1000 + 3/10000 + 3/1000000 +…
e=1/0! + 1/1! + 1/2! + 1/3! + 1/4! + 1/5! +…

13 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Para ambos tipos de errores la relación entre el resultado exacto, o verdadero y el

aproximado está dado por:

valor verdadero = valor aproximado – error

El error numérico o error verdadero se define como:

𝐸𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 [𝐸𝑟𝑟𝑜𝑟 𝑛𝑢𝑚é𝑟𝑖𝑐𝑜]

El error relativo porcentual se define como:

𝑒𝑟𝑟𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜
𝐸𝑟 = 100% [𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙]
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜

Ejemplo:
Calcular el error numérico y error relativo porcentual de un terreno:
Se mide un terreno con un flexómetro y nos da las siguientes medidas: base=215 mts. y de
altura=105 mts.
Posteriormente se mide el mismo terreno con un teodolito y nos da las siguientes medidas:
base=217 mts y de altura 108 mts.

𝐸𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 Altura

Et = 217-215 = 2 mts.
Base
𝑒𝑟𝑟𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜
𝐸𝑟 = 100%
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜

2
𝐸𝑟 = 100% = 0.9216%
217

Ejemplo:
Suponga que se tiene que medir la longitud de un puente y la de un remache, y se obtiene
9,999 y 9 cm respectivamente. Si los valores verdaderos son 10,000 y 10 cm, calcule:

a) el error numérico
b) el error relativo porcentual en cada caso:

Solución:
a) El error numérico en la medición del puente es: Et= 10,000 - 9,999 = 1 cm
y en la del remache es de: Et = 10 - 9 =1 cm.

b) El error relativo porcentual para el puente es:

1
𝐸𝑟 = 100% = 0.01%
10,000

14 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

y para el remache es de:

1
𝐸𝑟 = 100% = 10%
10
Por tanto, aunque ambas medidas tienen un error numérico de 1 cm, el error relativo
porcentual del remache es mucho mayor. Se concluye entonces que se ha hecho un buen
trabajo en la medición del puente; mientras que la estimación para el remache dejó mucho
que desear.

Estimación del error por métodos iterativos

Uno de los retos que enfrentan los métodos numéricos es el de determinar estimaciones
del error en ausencia del conocimiento de los valores verdaderos. Por ejemplo, ciertos
métodos numéricos usan un método iterativo para calcular los resultados. En tales métodos
se hace una aproximación considerando la aproximación anterior. Este proceso se efectúa
varias veces, o de forma iterativa, para calcular en forma sucesiva, esperando cada vez
mejores aproximaciones. En tales casos, el error a menudo se calcula como la diferencia
entre la aproximación previa y la actual. Por tanto, el error aproximado porcentual está
dado por:

𝒂𝒑𝒓𝒐𝒙𝒊𝒎𝒂𝒄𝒊ó𝒏 𝒂𝒄𝒕𝒖𝒂𝒍 − 𝒂𝒑𝒓𝒐𝒙𝒊𝒎𝒂𝒄𝒊ó𝒏 𝒂𝒏𝒕𝒆𝒓𝒊𝒐𝒓

𝑬𝒂 = | | 𝟏𝟎𝟎 % [𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙]
𝒂𝒑𝒓𝒐𝒙𝒊𝒎𝒂𝒄𝒊ó𝒏 𝒂𝒄𝒕𝒖𝒂𝒍

Un caso muy interesante es una investigación que realiza Scarborough 1966, en que
determinó el número de cifras significativas que contiene el error como: Si reemplazamos
el Error esperado (Es) en la ecuación obtendremos el número de cifras significativas en que
es confiable el valor aproximado obtenido.

𝑬𝒔 = (𝟎. 𝟓 𝒙 𝟏𝟎𝟐−𝒏 )% 𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑒𝑐𝑖𝑚𝑎𝑙𝑒𝑠 [𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜]

Planteamiento del problema: En matemáticas con frecuencia las funciones se representan

mediante series infinitas. Por ejemplo, el cálculo exacto de la función exponencial de un
número mediante la Serie de Taylor requiere infinitos sumandos.

𝑥2 𝑥3 𝑥𝑛
𝑒𝑥 = 1 + 𝑥 + + +. . +
2! 3! 𝑛!

Así cuantos más términos se le agreguen a la serie, la aproximación será cada vez más una
mejor estimación del valor verdadero de ex.

Ejemplo:
Si calculamos la serie anterior con el valor de e con x=0.5 para la función con un error menor
al 0.05.

15 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Calculando el error numérico y el error aproximado porcentual (Ea) empezando con el 1er
termino y posteriormente agregando más términos (1º, 2º, 3º, etc.) hasta que el valor
absoluto del valor aproximado sea menor al criterio prestablecido, que es que contemple 5
cifras significativas.

Solución:

e0.5= 1.648721

En primer lugar la ecuación del error esperado (Es) se emplea para determinar el criterio de
error que asegura que un resultado sea correcto en al menos tres cifras significativas:

Es= (0.5 x 10 2-5) %= 0.5 x 10-3= 0.05%

para x=0.5

1er termino: 𝑒 0.5 = 1 =1

(1−0)
𝐸𝑎 = 1 ∗ 100% = 1% = 100

2o termino: 𝑒 0.5 = 1 + 𝑥 =
𝑒 0.5 = 1 + 0.5 = 𝟏. 𝟓
(1.5−1)
𝐸𝑎 = 1.5 ∗ 100% = 0.3333% = 33.333

𝑥2
3er termino: 𝑒 0.5 = 1 + 𝑥 + =
2!
(0.5)2
𝑒 0.5 = 1 + 0.5 + = 𝟏. 𝟔𝟐𝟓
2!
(1.625−1.5)
𝐸𝑎 = ∗ 100% = 0.0769% = 7.692
1.625

𝑥2 𝑥3
4o termino: 𝑒 0.5 = 1 + 𝑥 + + =
2! 3!
(0.5)2 (0.5)3
𝑒 0.5 = 1 + 0.5 + + = 𝟏. 𝟔𝟒𝟓𝟖𝟑𝟑𝟑𝟑𝟑
2! 3!
(1.645833333−1.625)
𝐸𝑎 = ∗ 100% = 0.0127% = 1.266
1.645833333

𝑥2 𝑥3 𝒙𝟒
5o termino: 𝑒 0.5 = 1 + 𝑥 + + + =
2! 3! 4!
(0.5)2 (0.5)3 (0.5)4
𝑒 0.5 = 1 + 0.5 + + + = 𝟏. 𝟔𝟒𝟖𝟒𝟑𝟕𝟓𝟎𝟎
2! 3! 4!
(1.648437500−1.645833333)
𝐸𝑎 = ∗ 100% = 0.00158% = 0.158
1.648437500

𝑥2 𝑥3 𝒙𝟒 𝒙𝟓
6o termino: 𝑒 0.5 = 1 + 𝑥 + + + + =
2! 3! 4! 5!
(0.5)2 (0.5)3 (0.5)4 (0.5)5
𝑒 0.5 = 1 + 0.5 + 2! 3!
+ + 4!
+ 5!
= 𝟏. 𝟔𝟒𝟖𝟔𝟗𝟕𝟗𝟏𝟕
(1.648697917−1.648437500)
𝐸𝑎 = ∗ 100% = 0.000158% = 0.016
1.648697917

16 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Términos Resultado Ea (%) Es(%)

1 1 100 0.05
2 1.5 33.3
3 1.625 7.69
4 1.645833333 1.27
5 1.648437500 0.158
6 1.648697917 0.0158

Así después de usar seis términos, el error aproximado porcentual (Ea) =0.0158 es menor
que el error esperado (Es)=0.05 y el cálculo termina.

Ejercicios.
1. Convierta los siguientes números decimales a los sistemas con base 2.
a) 536 b) 923 c) 1536

2. Convierta los siguientes números dados en binario a sistema decimal.

a) 1000 b)10101 c)111111

3. Calcule el valor de e a la -8.3 para la función:

𝑥2 𝑥3
𝑒 −𝑥 = 1 − 𝑥 + − +..
2! 3!
y
1 1
𝑒 −𝑥 = 𝑥 = 𝑥2 𝑥3
𝑒 1+𝑥+ + +⋯
2 3!

Compare con el valor verdadero de 4,023.87239 y comente los resultados. Use 25

términos para evaluar cada serie.

17 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Solución de ecuaciones algebraicas y trascendentes

Antes de la llegada de las computadoras digitales se disponía de una serie de métodos para
encontrar las raíces de ecuaciones algebraicas y trascendentes. En algunos casos las raíces
−𝑏±√𝑏 2 −4𝑎𝑐
se obtenían con métodos directos, como se hace con la ecuación 𝑥 = para
2𝑎
resolver f(x)= ax2+ bx + c=0

Sin embargo existen ecuaciones como está, que se resuelven directamente y aparecen
muchas más en las que no es posible encontrar solución. Por ejemplo, incluso una función
tan simple como f(x)= e-x –x no se puede resolver en forma analítica. En tales casos, la única
alternativa es una técnica con solución aproximada.

Un método para obtener una solución aproximada consiste en graficar la función para
determinar dónde cruza el eje de las x. Este punto, que representa el valor de x para el cual
f(x)=0 es la raíz.

Aunque los métodos gráficos son útiles en la obtención de estimaciones de las raíces, tienen
el inconveniente de que son poco precisos.

Otro método es el de prueba y error. Esta técnica consiste en elegir un valor de x y evaluar
si f(x) es cero. Si no es así se hace otra elección y se evalúa nuevamente f(x) para determinar
si el valor ofrece una mejor aproximación de la raíz. El proceso se repite hasta que se
obtenga un valor que proporcione una f(x) cercana a cero; por lo tanto se crearon métodos
más exactos y fáciles de adoptarlos a las computadoras, reduciendo así el tiempo en
encontrar la solución y en la exactitud de estos.

Una función dada por y= f(x) es algebraica si se puede expresar de la siguiente manera:

fnyn + fn-1yn-1 + … + f1y + f0 = 0 donde las f son polinomios en x

los polinomios son un caso simple

f(x)= a0 + a1x + a2x2 + … + anxn donde las a son constantes

Ejemplos:
f(x)= 1 - 2.5x + 7x2
f(x)= 3x2 - x3 + 7x5

Una función transcendental es una función que no es algebraica, incluye funciones

trigonométricas, exponenciales, logarítmicas y otras menos familiares por ejemplo:
2
𝑓(𝑥) = 𝑙𝑛 𝑥 − 1, 𝑓(𝑥) = 𝑒 −0.2𝑥 𝑦 𝑓(𝑥) = 𝑆𝑒𝑛 (3𝑥 − 0.5)

Los métodos estándar para encontrar raíces, en general caen en dos áreas de problemas
parecidas en principio, pero fundamentalmente diferentes.

18 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

1. La determinación de raíces reales de ecuaciones algebraicas y transcendentales:

Están diseñadas para determinar el valor de una raíz simple de acuerdo a un
conocimiento previo de suposición aproximada.
2. La determinación de todas las raíces reales y complejas de un polinomio: Están
diseñados específicamente para polinomios, determinan sistemáticamente todas
las raíces en lugar de una, dada una aproximación según una posición.

Método gráfico
Un método simple para obtener una aproximación a la raíz de la ecuación y observar en
donde cruza el eje X. Este punto que representa el valor de x para el cual f(x)=0 proporciona
la aproximación inicial de la raíz.

Ejemplo:
Utilizar el Método gráfico para encontrar la raíz de la ecuación: f(x)=e-x-x

x f(x) resultado
0.4
-0.4 1.89 e + 0.4=1.89
-0.2 1.42 e0.2 + 0.2=-1.42
0 1.00 e0 + 0=1.00
0.2 0.62 e-0.2 – 0.2=0.62
0.3 0.44 e-0.3 – 0.3=0.44
0.4 0.27 e-0.4 – 0.4=0.27
0.5 0.11 e-0.5 -0.5=0.11
0.6 -0.05 e-0.6 – 0.6=-0.05

2.00

1.50

1.00
f(x)
0.50

0.00
-0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
-0.50

La raíz se encuentra en: x= 0.56

Las técnicas graficas tienen un valor práctico limitado, ya que no son precisas, estas solo se
usarán para obtener las aproximaciones, las cuales se pueden ocupar como valores iniciales
en los métodos numéricos.

19 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Las interpretaciones geométricas además de aproximar a la raíz, son herramientas

importantes en el aislamiento de las propiedades de las funciones previendo las fallas de
los métodos numéricos, en general si f(x1) y f(xu) tienen signos opuestos existe un número
impar de raíces dentro del intervalo definido por los mismos, si f(xi) y f(xy) tienen el mismo
signo, no hay raíces o existe un número par de ellas entre los valores dados.
Por medio de las computadoras se puede acelerar las soluciones aproximadas y obtener sus
características, disminuyendo el tiempo y la exactitud que se si hacen de forma manual.

Tipos de métodos
𝐵𝑖𝑠𝑒𝑐𝑐𝑖ó𝑛
Cerradas o acotados: {
𝐹𝑎𝑙𝑠𝑎 𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛
(Requieren de dos valores de
x que encierren a la raíz)

𝑃𝑢𝑛𝑡𝑜𝑓𝑖𝑗𝑜
𝑁𝑒𝑤𝑡𝑜𝑛 − 𝑅𝑎𝑝ℎ𝑠𝑜𝑛
Abiertos: {
𝑆𝑒𝑐𝑎𝑛𝑡𝑒
𝑀𝑢𝑙𝑙𝑒𝑟
(Requieren de un valor de x o dos pero
que no necesariamente encierren a la raíz)

Métodos cerrados o acotados

Son métodos que aprovechan el hecho de que una función en forma típica cambia de signo
en la vecindad de una raíz, ya que necesitan de 2 valores iniciales para la raíz. Como su
nombre indica, esto valores deben “encerrar” o estar sobre cualquier lado de la raíz.
Emplean diferentes estrategias para reducir sistemáticamente el tamaño del intervalo y así
converger a la respuesta correcta.

Ejercicio para resolver en clase:

Graficar la función: f(x)=sen10x + cos3x desde x = [-1:0.2:0.8] en Excel y Matlab.

20 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de la Bisección o Método de Bipartición del Intervalo

Éste se clasifica como un método de acotamiento. Es aplicable a ecuaciones de la forma
f(x)=0, cuando es posible encontrar dos valores limitantes xa y xb tales que la función f(x)
cambia de signo una vez para valores x en el intervalo (xa ≤ x ≤ xb). Por consiguiente los
valores limitantes acotan la raíz.

𝒙𝒂 + 𝒙𝒃
𝒙𝒓 = ( ) [𝐵𝑖𝑠𝑒𝑐𝑐𝑖ó𝑛]
𝟐

En cada iteración el tamaño del intervalo se reduce a la mitad después de n iteraciones, el

intervalo original se habrá reducido 2n veces.

y f(x)
f(xb)

f(xr1)
xa=xa1 xr2 xr3 xr
x
xr1 Xb=xb1
f(xr3)
f(xr2)
f(xa) xa1 xr1 xb1
xa2 xr2 xb2
xa3 xr3 xb3

Algoritmo:
1. Elijase los valores iniciales xa y xb de tal manera que la función cambie de signo sobre
el intervalo, esto se puede verificar asegurándose de que:
f(xa).f(xb)<0
2. La primera aproximación a la raíz se determina como:
xr=(xa-xb)/2
3. Realice las siguientes evaluaciones y determine en que sub intervalo se ubica la raíz.
Si f(xa).f(xr)<0 entonces la raíz se encuentra dentro del primer sub intervalo, por lo
tanto resuélvase xb=xr y continuase con el paso 4.

Si f(xa).f(xr) >0 entonces la raíz se encuentra en el segundo sub intervalo, por lo tanto
resuélvase xa=xr y continuase con el paso 4.

Si f(xa).f(xr)=0 entonces la raíz es igual a xr y se terminan los cálculos.

4. Calcule una nueva aproximación a la raíz como en el paso 2.

21 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

5. Asegúrese que la nueva aproximación es tan exacta como se desea, si es así

entonces los cálculos terminan, de lo contrario regrese al paso 3.

Ejemplo:
Determinar por el método de la bisección la raíz de la siguiente función:
f(x)= e-x –x, tomando 5 decimales.

𝐸𝑠 = (0.5 𝑥 102−𝑛 )%
Es = (0.5 x 102-5)% = (0.5 x 10-3)% = 0.0005%= 0.05

Método de sustitución
x f(x) resultado
-1 3.7183 exp(1) +1=3.7183
-0.5 2.1487 exp(0.5) +0.5=2.1487
0 1 exp(0) -0=1
0.5 0.1065 exp(-0.5) -0.5=0.1065
1 -0.6321 exp(-1) -1=-0.6321
1.5 -1.2769 exp(-1.5) -1.5=-1.2769

f(xa)* f(xa)*
f(xa)*
iter xa xb xr f(xa) f(xr) f(xr)<0 f(xr)>0 Ea(%) Es(%)
f(xr)=0
xb=xr xa=xr
1 0.5 1 0.75 0.10653 -0.277633 si no no 100 0.05
2 0.5 0.75 0.625 0.10653 -0.089738 si no no 20
3 0.5 0.625 0.5625 0.10653 0.007282 no si no 11.11111
4 0.5625 0.625 0.59375 0.00728 -0.041497 si no no 5.263157
5 0.5625 0.59375 0.57812 0.00728 -0.017175 si no no 2.702702
6 0.5625 0.57812 0.57031 0.00728 -0.004963 si no no 1.369863
7 0.5625 0.57031 0.56640 0.00728 0.001155 no si no 0.689655
8 0.5664 0.57031 0.56835 0.00115 -0.001905 si no no 0.343642
9 0.5664 0.56835 0.56738 0.00115 -0.000375 si no no 0.172117
10 0.5664 0.56738 0.56689 0.00115 0.000389 no si no 0.086132
11 0.5668 0.56738 0.56713 -13.5061 -13.50290 no si no 0.043047

f(x)= e-x –x xr = (xa+xb) Ea = |aproximación actual – aproximación anterior| 100 %

2 aproximación actual

Iteración 1
xr= (0.5+1)/2 = 0.75
f(xa)=e-0.5 -0.5= 0.1065
f(xr)=e-0.75 – 0.75 = -0.2776
Ea =|(0.75-0)/0.75| % = 1% = 100

22 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Iteración 2
xr= (0.5 + 0.75)/2 = 0.625
f(xa)=e-0.5 -0.5 = 0.1065
f(xr)=e-0.625 – 0.625 = -0.0.897
Ea =|(0.625 – 0.75)/0.625| % = 0.2000% = 20.00

Iteración 3
xr= (0.5 + 0.625)/2 = 0.5625
f(xa)=e-0.5 -0.5 = 0.1065
f(xr)=e-0.5625 – 0.5625 = 0.0073
Ea =|(0.5625 – 0.625)/0.5625| % =0.1111% = 11.11

Iteración 4
xr= (0.5625 + 0.625)/2 = 0.5938
f(xa)=e-0.5625 -0.5625 = 0.0073
f(xr)=e-0.5938 – 0.5938 = -0.0416
Ea =|(0.5938 - 0.5625)/0.5938| % =0.0527% = 5.27

Iteración 5
xr= (0.5625 + 0.5938)/2 = 0.5781
f(xa)=e-0.5625 -0.5625 = 0.0073
f(xr)=e-0.5781 – 0.5781 = -0.0171
Ea =|(0.5781 -0.5938)/0.5781| % = 0.0272% = 2.72

Nota: Se continúan las iteraciones hasta que Ea<= 0.05

Algoritmo en Matlab para el Método de la Bisección

function biseccion=biseccion()
% función para calcular la raíz por medio del método de bisección
clc;
f =input('Dame la función : ','s');
xa =input('Dame el intervalo inferior :');
xb =input('Dame el intervalo superior :');
err =input('Dame el porciento de error :');
f =inline(f);
ezplot(f), grid on
% axis([xa xb -10 310]); % Asigna los límites de los ejes
% xlabel('pies'); % Asigna la etiqueta en el eje x
% ylabel('pies'); % Asigna la etiqueta en el eje y
erro=100;
xr =0;
i =0;
if f(xa)*f(xb)<0
while erro>err
i=i+1;
ea=xr;
xr=(xa + xb)/2;
if f(xa)*f(xr)>0
xa=xr;

23 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

else
xb=xr;
end
erro=abs(((ea-xr)/xr)*100);
end
else
fprintf('No existe la raíz en el intervalo')
end
fprintf('\n\nResultado de la raíz=%12.6f en %4d iteraciones\n',xr,i);
end

Solución en Matlab
Dame la función: exp(-x) -x
Dame el intervalo inferior: 0.5
Dame el intervalo superior: 1
Dame el porciento de error: 0.05

Resultado de la raíz: 0.567139 en 11 iteraciones

exp(-x)-x

200

150

100

50

-6 -4 -2 0 2 4 6
x

24 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.

1. Determinar por el Método de la Bisección la raíz de las siguientes funciones:

f(x)= x3 + 2x2 +10x -20, tomando 5 decimales.
f(x)= -0.5x2+2.5x+4.5, tomando 5 decimales.
f(x)= Sen(x) + 0.8 Cos(x) en [2,3] con 5 decimales.
f(x)= x2-4x+3.5-In(x) en [1,3] con 5 decimales.
f(x)= (x-2.1)2-7xCos(x) en [1,2] con 5 decimales.

2. Un nuevo centro de diversiones cuesta $10 millones de pesos y produce una

ganancia de $2 millones. Si la deuda se debe pagar en 10 años ¿a qué tasa de interés
debe hacerse el préstamo? El costo actual (P), el pago anual (A) y la tasa de interés
(x) se relacionan entre sí mediante la siguiente formula:

𝑃 (1 + 𝑥)𝑛 − 1
=
𝐴 𝑥 ∗ (1 + 𝑥)𝑛

Sustituyendo datos y simplificando resulta lo siguiente:

(1 + 𝑥)10 − 1
𝑓(𝑖) = −5=0
𝑥 ∗ (1 + 𝑥)10
Calcúlese x (interés) usando el Método de Bisección (a = 0.1 y b = 0.2)

3. Cuando se requiere encontrar la acidez de una solución de hidróxido de magnesio

en ácido clorhídrico, se obtiene la siguiente ecuación:
f(x)=x3+3.6x2-36.4

Donde x es la concentración del ion hidrógeno. Encuentre la concentración del ion

hidrogeno para una solución saturada (la acidez es igual a cero).

4. Suponga que un objeto de masa m se deja caer desde una altura S0 que es la altura
del objeto con respecto al suelo, a los t segundos viene dada por:

𝑚𝑔 𝑚2 𝑔 𝑘𝑡
𝑆(𝑡) = 𝑆0 + 𝑡 − 2 (1 − 𝑒 −𝑚 )
𝑘 𝑘

Donde S0=300 pies, m=0.25 Slugs, g=-32.17 pies/seg2 y k=0.1 lb x seg/pies.

Obtenga con una precisión dentro de 0.01 seg que es el tiempo que tarda ese objeto en
llegar al suelo. (Sol. 6.003418 pies)

25 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de la Regla Falsa o de la Falsa Posición

Este método aproxima en forma más eficiente a la raíz. Aprovecha la idea de unir los 2
puntos de intervalo mediante una línea recta en lugar de una curva como en el caso de la
bisección, la intersección de esta línea con el eje x produce una mejor estimación de la raíz,
el remplazamiento de la curva por una recta da una posición falsa de la raíz derivándose de
esto su nombre.

f(x)
f(xb)

xr
(xa)
x
raíz (xb)

f(xa)

El algoritmo es el mismo que el del método de la bisección, lo único que cambia es la

fórmula de xr.

𝒇(𝒙𝒃 ) ∗ (𝒙𝒂 − 𝒙𝒃 )
𝒙𝒓 = 𝒙𝒃 − [𝑅𝑒𝑔𝑙𝑎 𝐹𝑎𝑙𝑠𝑎]
𝒇(𝒙𝒂 ) − 𝒇(𝒙𝒃 )

Ejemplo:
Determinar por el método de la falsa posición la raíz de la siguiente función:
f(x)= e-x –x, tomando 5 decimales.

Es=(0.5 x 102–n)%
Es=(0.5 x 102-5)% = (0.5 x 10-3)% = 0.0005%= 0.05

26 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de sustitución
x f(x) resultado
-1 3.7183 exp(1) + 1=3.7183
-0.5 2.1487 exp(0.5) + 0.5=2.1487
0 1 exp(0) - 0=1
0.5 0.1065 exp(-0.5) -0.5=0.1065
1 -0.6321 exp(-1) -1=-0.6321
1.5 -1.2769 exp(-1.5) - 1.5=-1.2769

iter xa xb xr f(xa) f(xb) f(xr) f(xa)* f(xa)* f(xa)* Ea(%) Es(%)

f(xr)<0 f(xr)>0 f(xr)=0
xb=xr xa=xr
1 0.5 1 0.5721 0.1065 -0.6321 -0.0078 si no no 100 0.05
2 0.5 0.5721 0.5672 0.1065 -0.0078 -0.000088 si no no 0.86
3 0.5 0.5672 0.5671 0.1065 -0.000088 0.000067 no si no 0.01

f(x)= e-x –x xr= xb-f(xb)*(xa-xb) Ea = |aproximación actual – aproximación anterior| 100 %

f(xa) –f(xb) aproximación actual
Iteración 1
f(xa)=e-0.5 -0.5 = 0.1065
f(xb)=e-1 -1 = -0.6321
xr= 1 - (-0.6321)*(0.5-1)/(0.1065-(-0.6321)) =0.5721
f(xr)=e-0.5721 – 0.5721 =-0.0078 si f(xa)*f(xr) <0 entonces xb=xr
Ea =100%

Iteración 2
f(xa)=e-0.5 -0.5 = 0.1065
f(xb)=e-0.5721 -0.5721 = -0.0078
xr= 0.5721 - (-0.0078)*(0.5-0.5721)/(0.1065-(-0.0078)) =0.5672
f(xr)=e-0.5672 – 0.5672 =-0.00008887 si f(xa)*f(xr) <0 entonces xb=xr
Ea =|(0.5672 - 0.5721)/0.5672| % = 0.0086 % =0.86

Iteración 3
f(xa)=e-0.5 -0.5 = 0.1065
f(xb)=e-0.5672 -0.5672 = -0.000088871
xr= 0.5672 - (-0.000088871)*(0.5-0.5672)/(0.1065-(-0.000088871)) = 0.5671
f(xr)=e-0.5671 – 0.5671 =0.000067843 si f(xa)*f(xr) >0 entonces xa=xr
Ea =|(0.5671 - 0.5672)/0.5671| % = 0.00017634 % =0.01

27 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab para el Método de la Regla Falsa o Falsa Posición

function falsaposicion=falsaposicion()
clc;
f =input('Dame la función : ','s');
xa =input('Dame el intervalo inferior :');
xb =input('Dame el intervalo superior :');
err =input('Dame el porciento de error :');

ezplot(f), grid on
f =inline(f);
erro=100;
xr =0;
i =0;
if f(xa)*f(xb)<0
while erro>err
ea=xr;
xr=xb-((f(xb)*(xa-xb))/(f(xa)-f(xb)));
if f(xa)*f(xr)>0
xa=xr;
else
xb=xr;
end
erro=abs(((ea-xr)/xr)*100);
i=i+1;
end
fprintf('\n\nResultado de la raíz=%12.6f en %4d iteraciones\n',xr,i);
else
fprintf('No existe la raíz en el intervalo')
end
end

Solución en Matlab
Dame la función: exp(-x) -x
Dame el intervalo inferior: 0.5
Dame el intervalo superior: 1
Dame el porciento de error: 0.05
Resultado de la raíz: 0.567144 en 3 iteraciones

28 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

exp(-x)-x

200

150

100

50

-6 -4 -2 0 2 4 6
x

Ejercicios.

Determinar por el método de la falsa posición la raíz de las siguientes funciones:

1) f(x)=6x3-5x2 +7x -2, tomando 5 decimales.
2) f(x)=0.7x5-8x4+44x3-90x2+82x-25, tomando 5 decimales.
3) f(x)=sen x –e-x, tomando 5 decimales.
4) f(x)= 4 sen 2πx +x, tomando 5 decimales.
5) f(x)= log (2+x) –x, tomando 5 decimales.
6) f(x)=0.6 e-0.3-sen 2x, tomando 5 decimales.

29 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Métodos abiertos
Se basan en fórmulas que requieren únicamente de un solo valor de inicio x o que empiecen
con un par de ellos, pero que no necesariamente encierran a la raíz. Como tales, algunas
veces divergen o se aleja de la raíz verdadera a medida que crece el número de iteraciones.
Sin embargo, cuando estos métodos convergen por lo general lo hacen mucho más rápido
que los métodos que usan intervalos.

Método del Punto Fijo

Se emplea una fórmula para predecir la raíz. Esta fórmula puede desarrollarse como una
iteración simple de punto fijo, al arreglar la ecuación f(x)=0 de tal modo que x esté del lado
izquierdo de la ecuación.

x=g(x)

Esta transformación se puede llevar a cabo mediante operaciones algebraicas o

simplemente agregando x a cada lado de la ecuación original.

Ejemplo:
𝑥2+ 3
x2-2x+3=0 Se arregla para obtener 𝑥 = (operación algebraica)
2

Ejemplo:
sen x=0 Se arregla para obtener x= sen x + x (sumando x en ambos lados)

La ecuación x=g(x) nos proporciona una fórmula para predecir un nuevo valor de x en
función del valor anterior de x, se utiliza para obtener una nueva aproximación x i+1
expresada por la formula iterativa:

𝒙𝒊+𝟏 = 𝒈(𝒙𝒊 ) [𝑃𝑢𝑛𝑡𝑜 𝐹𝑖𝑗𝑜]

El error aproximado porcentual está dado por:

𝑥𝑖+1 − 𝑥𝑖
𝐸𝑎 = | | 100% [𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙]
𝑥𝑖+1

30 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

y y=z
g(x1)
x2=g(x1)

g(x2)
x3=g(x2)
y=g(x)
x
x1 x3 x5 x6 x4 x2

Ejemplo:
Determinar por el método del punto fijo la raíz de la siguiente función:
f(x)=e-x-x, con punto de inicio en 0 y tomando 5 decimales.

e-x-x = 0

se arregla para obtener

x=e-x

iteración xi xi+1 Ea(%) Es(%)

1 0 1 100 0.05
2 1 0.3679 172.19
3 0.3679 0.6922 46.85
4 0.6922 0.5005 38.30
5 0.5005 0.6062 17.44
6 0.6062 0.5454 11.15
7 0.5454 0.5796 5.90
8 0.5796 0.5601 3.48
9 0.5601 0.5712 1.94
10 0.5712 0.5648 1.13
11 0.5648 0.5685 0.65
12 0.5685 0.5664 0.37

Nota: Cada iteración se acerca cada vez más al valor estimado con el valor verdadero de la
raíz a 0.56714329, continuando las iteraciones hasta que Ea<= 0.05

31 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Iteración 1
f(x(0))=e-0 = 1
Ea=100

Iteración 2
f(x(1))= e-1=0.3679
Ea=|(0.3679-1)/(0.3679)|%= 1.7219% =172.19

Iteración 3
f(x(0.3679))= e-0.3679 =0.6922
Ea=|(0.6922-0.3679)/(0.6922)|%=0.4685%=46.85

Iteración 4
f(x(0.6922))= e-0.6922=0.5005
Ea=|(0.5005-0.6922)/(0.5005)|% =0.3830% = 38.30

Iteración 5
f(x(0.5005))= e-0.5005=0.6062
Ea=|(0.6062 -0.5005)/(0.6062)|% = 0.1744% = 17.44

Iteración 6
f(x(0.6062))= e-0.6062 = 0.5454
Ea=|(0.5454 - 0.6062)/(0.5454)|% = 0.1115% = 11.15

Iteración 7
f(x(0.5454))= e-0.5454= 0.5796
Ea=|(0.5796-0.5454)/(0.5796)|% = 0.0590% = 5.90

Iteración 8
f(x(0.5796))= e-0.5796= 0.5601
Ea=|(0.5601 – 0.5796)/(0.5601)|% = 0.0348% = 3.48
Iteración 9
f(x(0.5601))= e-0.5601 = 0.5712
Ea=|(0.5712 – 0.5601)/(0.5712)|% =0.0194% = 1.94

Iteración 10
f(x(0.5712))= e-0.5712 =0.5648
Ea=|(0.5648 – 0.5712)/(0.5648)|% =0.0113% = 1.13

Iteración 11
f(x(0.5648)) = e-0.5648 = 0.5685
Ea=|(0.5685 -0.5648)/(0.5685)|% = 0.0065% = 0.65

32 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab para el Método del Punto Fijo

function puntofijo=puntofijo()
clc;
f =input('Dame la función : ','s');
xi =input('Dame el punto de inicio :');
err=input('Dame el porciento de error :');
ezplot(f), grid on
f =inline(f);
j =0;
ea =100;
while err <= ea
xr=f(xi);
ea=abs(((xr-xi)/xr)*100);
xi=xr;
j=j+1;
end
fprintf('\n\nResultado de la raíz=%12.6f en %4d iteraciones\n',xr,j);
end

Solución en Matlab
Dame la función: exp(-x)
Dame el punto de inicio: 1
Dame el porciento de error: 0.05

Resultado de la raíz= 0.567068 en 15 iteraciones

33 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.

Determinar por el Método del Punto Fijo la raíz de las siguientes funciones:

f(x)=sen x, con punto de inicio en 1 y tomando 5 decimales.

f(x)=cos x - 3x, con punto de inicio en 0 y tomando 5 decimales.
f(x)=x4+8x3+11x2-32x-60, con punto de inicio en 1 y tomando 5 decimales.

𝑥 1
Encuentre una solución de la ecuación + =𝑥
2 𝑥
tomando como punto de inicio a x0=2 y
tomando 5 decimales.

34 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de Newton-Raphson
Este método es el más utilizado. Si el valor inicial para la raíz es xi, entonces se puede trazar
una tangente desde el punto [xi, f(xi)] de la curva, el punto donde esta tangente cruza al eje
x representa una aproximación mejorada de la raíz.

f(x)
Pendiente=f’(xi)

f(xi)

f(xi)-0

x
xi+1 xi
xi -xi+1

El método de Newton-Raphson se deduce a partir de esta interpretación geométrica y se

tiene que la primera derivada en x es equivalente a la pendiente:

f(xi ) − 0
f ′ (xi ) =
xi − xi+1

que se arregla para obtener

𝐟(𝐱𝐢 )
𝐱𝐢+𝟏 = 𝐱𝐢 – [𝑁𝑒𝑤𝑡𝑜𝑛 − 𝑅𝑎𝑝ℎ𝑠𝑜𝑛]
𝐟 ′ (𝐱𝐢 )

El error aproximado porcentual está dado por:

𝑥𝑖+1 − 𝑥𝑖
𝐸𝑎 = | | 100% [𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙]
𝑥𝑖+1

35 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejemplo:
Determinar por el Método del Newton-Raphson la raíz de la siguiente función:

f(x)=e-x-x, con punto de inicio en 0 y tomando 5 decimales.

Derivada de la función: f’(x)= –e-x-1

iteración xi f(xi) f’(xi) xi+1 Ea(%) Es(%)

1 0 1 -2 0.50 100 0.05
2 0.50 0.1065 -1.6065 0.5663 11.71
3 0.5663 0.0013 -1.5676 0.5671 0.14
4 0.5671 0.0000678 -1.5672 0.5671 0.00

Iteración 1
xi=0
f(xi)= e0 -0= 1
f’(xi)=-e0-1=-2
xi+1=0-(1/-2)= 0.50
Ea=|(0.50 - 0)/(0.50)|% =1 % =100

Iteración 2
xi=0.50
f(xi)= e-0.50 -0.50= 0.1065
f’(xi)=-e-0.50-1=-1.6065
xi+1=0.50-(0.1065/-1.6065)= 0.5663
Ea=|(0.5663–0.50)/(0.5663)|% =0.1171 % =11.71

Iteración 3
xi=0.5663
f(xi)= e-0.5663 -0.5663= 0.0013
f’(xi)=-e-0.5663-1=-1.5676
xi+1=0.5663-(0.0013/-1.5676)= 0.5671
Ea=|(0.5671 – 0.5663)/(0.5671)|% =0.0014 % =0.14

Iteración 4
xi=0.5671
f(xi)= e-0.5671 -0.5671=0.0000678
f’(xi)=-e-0.5671-1=-1.5672
xi+1=0.5671-(0.0000678/-1.5672)= 0.5671
Ea=|(0.5671 – 0.5671)/(0.5671)|% =0.00% =0.00

36 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab para el Método de Newton-Raphson

function newtonraphson=newtonraphson()
clc;
f =input('Dame la función : ','s');
dx =input('Dame la derivada de la función: ','s');
pi =input('Dame el valor del punto de inicio: ');
err =input('Dame el porciento de error :');
ezplot(f), grid on
f =inline(f);
dx =inline(dx);
ea =100;
j =0;
while ea>err
xi=pi-(f(pi)/dx(pi));
ea=abs(((xi-pi)/xi)*100);
pi=xi;
j =j+1;
end
fprintf('\n\nResultado de la raíz=%12.6f en %4d iteraciones\n',pi,j);
end

Solución en Matlab
Dame la función: exp(-x)-x
Dame la derivada de la función: -exp(-x) -1
Dame el valor del punto de inicio: 0
Dame el porciento de error: 0.05

Resultado de la raíz= 0.567143 en 4 iteraciones

37 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de Newton-Raphson Modificado para el cálculo de raíces múltiples

El método modificado utiliza una segunda derivada y la siguiente ecuación.

𝒇(𝒙𝒊 ) ∗ 𝒇′ (𝒙𝒊 )
𝒙𝒊+𝟏 = 𝒙𝒊 − [𝑁𝑒𝑤𝑡𝑜𝑛 − 𝑅𝑎𝑝ℎ𝑠𝑜𝑛 𝑚𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑑𝑜]
[𝒇′(𝒙𝒊 )]𝟐 − (𝒇(𝒙𝒊 ) ∗ 𝒇′′ (𝒙𝒊 ))

f’’(xi)= segunda derivada de la función

Ejemplo:
Determinar por el Método del Newton-Raphson y por el Método de Newtón-Raphson
Modificado la raíz de la siguiente función:
f(x)=x3-5x2+7x-3, con punto de inicio en 0 y tomando 5 decimales.

a) Por el Método de Newton-Raphson

1ª Derivada de la función: f’(x)=3x2-10x+7

iteración xi f(xi) f’(xi) x(i+1) Ea(%) Es(%)
1 0 -3 7 0.4286 100 0.05
2 0.4286 0.8396 3.2651 0.6857 37.49
3 0.6857 -0.2286 1.5536 0.8328 17.66

Iteración 1
xi=0
f(xi)= (0)3-5(0)2+7(0)-3=-3
f’(xi)=-3(0)2-10(0)+7=7
xi+1=0-(-3/7)=0.4286
Ea=|(0.4286 - 0)/(0.4286)|% =1 % =100

Iteración 2
xi=0.4286
f(xi)= (0.4286)3-5(0.4286)2+7(0.4286)-3=0.8396
f’(xi)=3(0.4286)2-10(0.4286)+7=3.2651
xi+1=0.4286-(0.8396/3.2651)=0.6857
Ea=|(0.6857-0.4286)/(0.6857)|% = 0.3749% = 37.49

Iteración 3
xi=0.6857
f(xi)= (0.6857)3-5(0.6857)2+7(0.6857)-3=-0.2286
f’(xi)=3(0.6857)2-10(0.6857)+7=1.5536
xi+1=0.6857-(-0.2286/1.5536)=0.8328
Ea=|(0.8328– 0.6857)/(0.8328)|% =0.1766 % =17.66

Nota: Así sucesivamente hasta llegar a 12 iteraciones

38 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

b) Por el Método de Newton-Raphson Modificado

1ª Derivada de la función: f’(x)=3x2-10x+7

2ª Derivada de la función: f’’(x)=6x-10

iteración xi f(xi) f’(xi) f’’(xi) x(i+1) Ea(%) Es(%)

1 0 -3 7 -10 1.1053 100 0.05
2 1.1053 -0.0210 -0.3879 -3.3682 1.0031 10.19
3 1.0031 -0.000019 -0.0124 -3.9814 1.0001 0.30
4 1.0001 -0.00000001 -0.0003 -3.9994 1.0000 0.01

Iteración 1
xi=0
f(xi)=(0)3-5(0)2+7(0)-3=-3
f’(xi)=3(0)2-10(0)+7=7
f’’(xi)=6(0)-10=-10
xi+1=0 - ((-3)*(7)/((7)2 – (-3)*(-10)))=1.1053
Ea=|(1.1053 - 0)/(1.1053)|% =1 % =100

Iteración 2
xi=1.1053
f(xi)=(1.1053)3-5(1.1053)2+7(1.1053)-3=-0.0210
f’(xi)=3(1.1053)2-10(1.1053)+7=-0.3879
f’’(xi)=6(1.1053)-10=-3.3682
xi+1=1.1053 - ((-0.0210)*(-0.3879)) / ((-0.3879)2 – ((-0.0210)*(-3.3682)))=1.0031
Ea=|(1.0031-1.1053)/(1.0031)|% =0.1019 % =10.19

Iteración 3
xi=1.0031
f(xi)=(1.0031)3-5(1.0031)2+7(1.0031)-3=-0.0000191
f’(xi)=3(1.0031)2-10(1.0031)+7=-0.0124
f’’(xi)=6(1.0031)-10=-3.9814
xi+1=1.0031 - ((-0.0210)*(-0.3879)) / ((-0.3879)2 – ((-0.0210)*(-3.3682)))=1.0001
Ea=|(1.0001-1.0031)/(1.0001)|% = 0.0030 % = 0.30

Iteración 4
xi=1.0001
f(xi)=(1.0001)3-5(1.0001)2+7(1.0001)-3=-0.0000000199
f’(xi)=3(1.0001)2-10(1.0001)+7=-0.000399
f’’(xi)=6(1.0001)-10=-3.9994
xi+1=1.0001 - ((-0.0000000199)*(-0.000399)) / ((-0.000399)2 – ((-0.0000000199)*(-
3.9994)))=1.0000
Ea=|(1.0000-1.0001)/(1.000)|% = 0.0001 % = 0.01

39 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab para el Método de Newton-Raphson Modificado

function newtonraphsonmodificado=newtonraphsonmodificado()
clc;
f =input('Dame la función : ','s');
dx =input('Dame la 1a. derivada de la función: ','s');
dx2 =input('Dame la 2a. derivada de la función: ','s');
pi =input('Dame el valor del punto de inicio: ');
err =input('Dame el porciento de error :');
ezplot(f), grid on
f =inline(f);
dx =inline(dx);
dx2 =inline(dx2);
ea =100;
j =0;
while ea>err
xi=pi-(f(pi)*dx(pi))/((dx(pi)^2)-(f(pi)*dx2(pi)));
ea=abs(((xi-pi)/xi)*100);
pi=xi;
j =j+1;
end
fprintf('\n\nResultado de la raíz=%12.6f en %4d iteraciones\n',pi,j);
end

Solución en Matlab
Dame la función f(x) : (x^3)-(5*x^2)+7*x-3
Dame la 1a. derivada de la función f(x) : (3*x^2)-10*x+7
Dame la 2a. derivada de la función f(x) : 6*x-10
Dame el valor inicial de x : 0
Dame el porciento del error : 0.05

Resultado de la raíz= 1.000000 en 4 iteraciones

40 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.

1. Determinar por el Método del Newton Raphson y el Método de Newton Raphson

Modificado la raíz de las siguientes funciones:

f(x) = 6x3-8x2-10x+3, con punto de inicio en 0 y tomando 5 decimales.

f(x) = x2 – 3x + 2 - eX, con punto de inicio en 1 y tomando 5 decimales.
f(x) = x2-2xe-x+e-2x en el intervalo [0,1], sol. 0.567193...

41 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de la Secante
En el Método de Newton-Raphson el problema que existe es la evaluación de la derivada
por lo que en este método en lugar de una derivada se utiliza una diferencia dividida finita
regresiva.

f(x)
f(xi)

f(xi-1)

x
xi+1 xi

El planteamiento requiere de dos puntos iniciales de x, sin embargo, debido a que no

requiere que f(x) cambie de signo entre estos valores, este método no es clasificado como
aquellos que usan intervalos.

𝒇(𝒙𝒊 ) ∗ (𝒙𝒊−𝟏 − 𝒙𝒊 )
𝒙𝒊+𝟏 = 𝒙𝒊 − [𝑆𝑒𝑐𝑎𝑛𝑡𝑒]
𝒇(𝒙𝒊−𝟏 ) − 𝒇(𝒙𝒊 )

El error aproximado porcentual está dado por:

𝑥𝑖+1 − 𝑥𝑖
𝐸𝑎 = | | 100% [𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙]
𝑥𝑖+1

Ejemplo:
Determinar por el Método de la Secante la raíz de la siguiente función:
f(x)=e-x-x, con valores iniciales en xi-1=0 y xi=1 y tomando 5 decimales.

iteración xi-1 xi f(xi-1) f(xi) xi+1 Ea(%) Es(%)

1 0 1 1 -0.6321 0.6127 61.27 0.05
2 1 0.6127 - -0.0708 0.5638 8.67
0.6321
3 0.6127 0.5638 - 0.0052 0.5671 0.58
0.0708
4 0.5638 0.5671 0.0052 0.0000678 0.5671 0.004

42 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Iteración 1
xi-1=0
xi=1
f(xi-1)= e0 -0= 1
f(xi)=e-1-1= -0.6321
xi+1=1-((-0.6321)(0-1))/(1-(-0.6321))=0.6127
Ea=|(0.6127 - 1)/(0.6127)|% =0.6127 % =61.27

Iteración 2
xi-1=1
xi=0.6127
f(xi-1)= e-1 -1= -0.6321
f(xi)=e0.6127-0.6127=-0.0708
xi+1=0.6127-((-0.0708)(1-0.6127)/(-0.6321-(-0.0708))=0.5638
Ea=|(0.5638-0.6127)/(0.5638)|% =0.0867 % =8.67

Iteración 3
xi-1=0.6127
xi=0.5638
f(xi-1)= e-0.6127-0.6127=-0.0708
f(xi)=e-0.5638-0.5638=0.0052
xi+1=0.5638-((0.0052)(0.6127-0.5638)/(-0.0708-(0.0052))=0.5671
Ea=|(0.5671-0.5638)/(0.5671)|% =0.0058 % =0.58

Iteración 4
xi-1=0.5638
xi=0.5671
f(xi-1)= e-0.5638-0.5638=0.0052
f(xi)=e-0.5671-0.5671=0.0000678
xi+1=0.5671-((0.0000678)(0.5638-0.5671)/(-0.0052-(0.0000678))=0.5671
Ea=|(0.5671-0.5671)/(0.5671)|% = 0.00% =0.0004

Algoritmo en Matlab para el Método de la Secante

function secante=secante()
clc;
f =input('Dame la función : ','s');
pa =input('Dame el punto para xi-1:');
pb =input('Dame el punto para xi :');
err =input('Dame el porciento de error :');
ezplot(f), grid on
f =inline(f);
ea =100;
i =0;

43 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

while ea>err
xi =pb-((f(pb)*(pa-pb))/(f(pa)-f(pb)));
ea =abs(((xi-pb)/xi)*100);
pa =pb;
pb =xi;
i =i+1;
end
fprintf('\n\nResultado de la raíz=%12.6f en %4d iteraciones\n',xi,i);
end

Solución en Matlab
Dame la función: exp(-x)-x
Dame el punto xi-1:0
Dame el punto xi :1
Dame el porciento de error: 0.05

Resultado de la raíz= 0.567143 en 4 iteraciones

44 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
Determinar por el método dela Secante la raíz de la siguiente función:

f(x)=x3 + 2x2+10x-20, con valores inicial en xi-1=0 y xi=1 y tomando 5 decimales

f(x)=x4+8x3+11x2-32x-60, con valor inicial en xi-1=1 y xi=3 y tomando 5 decimales.
f(x)= 3x*sen(x) –ex, con valor inicial en xi-1=1.5 y xi=0.8 y tomando 5 decimales.

45 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de Müller
Consiste en obtener los coeficientes de la parábola que pasa por tres puntos elegidos. Cuyos
coeficientes son sustituidos en la formula cuadrática para obtener el valor donde la
parábola intercepta al eje x; es decir, la raíz estimada. La aproximación se puede facilitar, si
se escribe la ecuación de la parábola en una forma conveniente. Una de las mayores
ventajas del método de Müller, es que al trabajar con la formula cuadrática es posible
encontrar las raíces reales, tanto como las raíces complejas. El método de Müller en si es
una generalización del método de la secante.

p(x)=a0 + a1x + a2x2

y Parábola
y=f(x)

Raíz
x
x2 x1 x0

Raíz estimada

En el método de Müller se usan tres aproximaciones iníciales x0, x1 y x2 con las cuales
procederíamos a determina la siguiente aproximación x3, considerando la intercepción del
eje x con la parábola que pasa por (x0, f(x0)), (x1, f(x1) y (x2, f(x2)).

𝑓2 (𝑥) = 𝑎(𝑥0 − 𝑥2 )2 + 𝑏(𝑥0 − 𝑥2 ) + 𝑐

−𝟐𝒄
𝒙𝟑 = 𝒙𝟐 + [𝑀𝑢𝑙𝑙𝑒𝑟]
𝒃 ± √𝒃𝟐 − 𝟒𝒂𝒄

Dónde:

𝒄 = 𝑓(𝑥2 )

(𝑥0 − 𝑥2 )2 (𝑓(𝑥1 ) − 𝑓(𝑥2 )) − (𝑥1 − 𝑥2 )2 (𝑓(𝑥0 ) − 𝑓(𝑥2 ))

𝒃=
(𝑥0 − 𝑥2 )(𝑥1 − 𝑥2 )(𝑥0 − 𝑥1 )

(𝑥1 − 𝑥2 )(𝑓(𝑥0 ) − 𝑓(𝑥2 )) − (𝑥0 − 𝑥2 )(𝑓(𝑥1 ) − 𝑓(𝑥2 ))

𝒂=
(𝑥0 − 𝑥2 )(𝑥1 − 𝑥2 )(𝑥0 − 𝑥1 )

46 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

El error aproximado porcentual está dado por:

𝑥3 − 𝑥2
𝐸𝑎 = | | 100% [𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙]
𝑥3

Realizar el método de Müller en Excel y en Matlab.

47 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Solución de ecuaciones algebraicas lineales simultaneas

Una ecuación algebraica lineal es una ecuación en donde en cada término aparece
únicamente una variable o incógnita elevada a la primera potencia.

Por ejemplo, a11x1 + a12x2 + a13x3 +… + a1nxn = c1, es una ecuación algebraica lineal en las
variables x1, x2, x3, …, xn. Se admite que los coeficientes a11, a12, a13,…, a1n y el término
independientec1, son constantes reales.

Solución de un sistema de ecuaciones: es un conjunto de valores de las incógnitas que

verifican simultáneamente a todas y cada una de las ecuaciones del sistema.
De acuerdo con su solución, un sistema puede ser compatible, si admite solución; o
incompatible si no admite solución. Un sistema compatible puede ser determinado, si la
solución es única; o indeterminado, si la solución no es única.

Determinado: Solución única

Compatible
Indeterminado: Infinitas soluciones
Tipos de sistemas

Incompatible: Sin solución

Teorema de Rouchè – Frobenius: Si el rango de la matriz de coeficientes es igual al rango de

la matriz ampliada (rg (A) = rg (Aa)) entonces AX = C es compatible, y recíprocamente.
El corolario de este teorema es el siguiente:

Un sistema Compatible será determinado (solución única) si el rango de la matriz de

coeficientes es igual al número de incógnitas r(A)=n, y será indeterminado (infinitas
soluciones) si el rango de la matriz de coeficientes es menor que el número de incógnitas
r(A) < n Las soluciones de un sistema compatible de la forma AX=C permanecen invariantes
ante las siguientes operaciones elementales:

Existen diversos métodos alternativos para encontrar soluciones de ecuaciones algebraicas

lineales simultáneas como es el caso de los métodos (el Método Grafico y la Regla de
Cramer) que están limitados a pocas ecuaciones de modo que tienen escasa utilidad para
resolver problemas prácticos.

48 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Un sistema de m ecuaciones lineales en n incógnitas tiene la forma general:

𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + … 𝑎1,𝑛 𝑥𝑛 = 𝑏1

𝑎2,1 𝑥1 + 𝑎2,2 𝑥2 + … 𝑎2,𝑛 𝑥𝑛 = 𝑏2
𝑎3,1 𝑥1 + 𝑎3,2 𝑥2 + … 𝑎3,𝑛 𝑥𝑛 = 𝑏3
⋮ ⋮ ⋱ ⋮ ⋮
𝑎𝑚,1 𝑥1 + 𝑎𝑚,2 𝑥2 + … 𝑎𝑚,𝑛 𝑥𝑛 = 𝑏𝑚

Con la notación matricial la ecuación se puede escribir como Ax=b, donde A es la matriz de
coeficientes, x es el vector de incógnitas y b es el vector de términos del lado derecho.

𝑎1,1 𝑎1,2 … 𝑎1,𝑛 𝑥1 𝑏1

𝑎2,1 𝑎2,2 … 𝑎2,𝑛 𝑥2 𝑏2
𝐴 = 𝑎3,1 𝑎3,2 … 𝑎3,𝑛 𝑥 = 𝑥3 𝑏 = 𝑏3
⋮ ⋮ ⋱ ⋮ ⋮ ⋮
[𝑎𝑚,1 𝑎𝑚,2 … 𝑎𝑚,𝑛 ] [𝑥𝑚 ] [𝑏𝑚 ]

Los métodos numéricos que estudiaremos para la solución de un sistema de ecuaciones

lineales se clasifican en dos tipos: directos e iterativos.

Los métodos directos nos proporcionan una solución del sistema en un número finito de
pasos; si usamos aritmética finita para los cálculos, obtendremos por lo general una
solución aproximada, debido únicamente a los errores de redondeo, puesto que no hay
errores de truncamiento o de fórmula. Los métodos directos más usados tienen como base
la Eliminación de Gauss.

En los métodos iterativos se parte de una aproximación inicial a la solución del sistema
dado y se genera, a partir de dicha aproximación, una sucesión de vectores que si converge
lo hace a la solución del sistema. Tendremos fórmulas para calcular los términos de la
sucesión, así que en general no se espera calcular el límite de la sucesión, por lo que
debemos tomar algún término de la sucesión como una solución aproximada del sistema.
Esta vez, además de los errores de redondeo si se usa aritmética finita, habrá errores de
truncamiento o de fórmula. Los métodos iterativos más simples y conocidos están basados
en iteraciones de Punto Fijo.

Para sistemas con matrices de coeficientes densas y relativamente pequeñas, se prefieren

los métodos exactos. En el caso de sistemas con matrices de coeficientes de orden grande
y poco densas son recomendados los métodos iterativos.

49 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Métodos directos

Método de Eliminación de Gauss

Es un proceso que convierte a la matriz de coeficientes A de n x m en una matriz triangular
superior, mediante la aplicación sistemática de transformaciones elementales de renglón.
Una vez obtenida la matriz triangular superior se aplica un procedimiento conocido como
sustitución hacia atrás para obtener el vector solución x.

Las transformaciones elementales de renglón son:

1. La fila i de la matriz puede ser multiplicada por una constante λ≠0.
λRi= Ri
2. A la fila i de una matriz le puede ser sumada otra fila j de la misma matriz
multiplicada por una constante λ.
λRj + Ri = Ri
3. Las filas i y j de una matriz pueden ser intercambiadas.
Ri ↔ Rj
El procedimiento para resolver este sistema consta de dos pasos:
1. Eliminación hacia adelante de incógnitas.
2. Sustitución hacia atrás

Ejemplo:
Determinar por el método de eliminación de Gauss el siguiente sistema de ecuaciones:

𝑥1 +𝑥2 −𝑥3 = 1 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1

3𝑥1 +2𝑥2 +𝑥3 = 1 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2
5𝑥1 +3𝑥2 +4𝑥3 = 2 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3

Eliminación hacia delante.

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 1 −1 1 3 − 3(1) = 0
[𝟑 𝟐 𝟏 𝟏]Haciendo: Ec.2-3Ec.1 2 − 3(1) = 2 − 3 = −1
5 3 4 2 1 − 3(−1) = 1 + 3 = 4
{1 − 3(1) = 1 − 3 = −2

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 1 −1 1 5 − 5(1) = 0
[0 −1 4 −2]Haciendo: Ec.3-5Ec.1 3 − 5(1) = 3 − 5 = −2
𝟓 𝟑 𝟒 𝟐 4 − 5(−1) = 4 + 5 = 9
{2 − 5(1) = 2 − 5 = −3

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 1 −1 1 0 − 2(0) = 0
[0 −1 4 −2]Haciendo: Ec.3-2Ec.2 −2 − 2(−1) = −2 + 2 = 0
𝟎 −𝟐 𝟗 −𝟑 9 − 2(4) = 9 − 8 = 1
{−3 − 2(−2) = −3 + 4 = 1

50 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Eliminación hacia atrás.

Donde ya se tiene un sistema de ecuaciones en que se pueden despejar las incógnitas.
1 1 −1 1 𝑥1 +𝑥2 −𝑥3 = 1
[𝟎 −1 4 −2] = −𝑥2 +4𝑥3 = −2
𝟎 𝟎 1 1 𝑥3 = 1
Donde x1=-4, x2=6 y x3=1

Ejercicio:
Determinar por el Método de Eliminación de Gauss los siguientes sistemas de ecuaciones:
𝑥1 +𝑥2 −𝑥3 = −3
6𝑥1 +2𝑥2 +2𝑥3 = 2 (Solución x1=-0.250 x2=-0.500 y x3=2.250)
−3𝑥1 +4𝑥2 +𝑥3 = 1

5𝑥1 +2𝑥2 +𝑥3 = 3

2𝑥1 +3𝑥2 −3𝑥3 = −10 (Encontrar la solución)
𝑥1 −3𝑥2 +2𝑥3 = −4

4𝑥1 −𝑥2 +𝑥3 = 8

2𝑥1 +5𝑥2 +2𝑥3 = 3 (Encontrar la solución)
𝑥1 +2𝑥2 +4𝑥3 = 11

51 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab para el Método de Gauss

function gauss=gauss()
clc
a=input('Matriz A [ ]: ');
b=input('Matriz b [ ]: ');
fprintf('\n\t\t\t\t\tLa matriz aumentada A|B del sistema es:\n')
n=length(a);
m=size(a);
r=size(b);
if m(2)==r(1)
k=1;
while k<=(n-1)
c=a;
if a(k,k)~=0
i=k+1;
while i<=n
j=k;
AB=[a,b]
fprintf('\n\t\t\tPresione una tecla para continuar...\n')
fprintf('\n\t\t\tEliminar la columna %d a partir de
F(%d)\n',k,k)
fprintf('\n\t\t\tF(%d)-
%.4f/%.4f*F(%d)\n',i,c(i,k),c(k,k),k)
b(i)=b(i)-((c(i,k)/c(k,k))*b(k));
pause
while j<=n
a(i,j)=a(i,j)-((c(i,k)/c(k,k))*a(k,j));
j=j+1;
end
i=i+1;
end
else
fprintf('\n\t\t\t\t\tEl sistema es inconsistente')
k=n+1;
end
k=k+1;
c=a;
end
AB=[a,b]
i=n;
while i>=1
d(1,i)=a(i,i);
i=i-1;
end
e=any(any(d==0));
if e==0
fprintf('\n\t\t\t\t\tLos valores de las incognitas son :\n')
i=n;
while i>=1
j=i+1;
s=0;
while j<=n
s=s+(a(i,j)*x(j));
j=j+1;
end
x(i)=(b(i)-s)/a(i,i);

52 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

fprintf('\n\t\tx(%d) es igual a',i)

fprintf('\n\t\tx(%d) = (b(%d)-s)/a(%d,%d)',i,i,i,i)
fprintf('\n\t\tx(%d) = (%.5f - %.5f)/%.5f',i,b(i),s,a(i,i))
fprintf('\n\t\tx(%d) = %.5f\n\n',i,x(i))
if i>1
fprintf('\n\t\t\t\t\tPresione una tecla para
continuar...\n')
pause
end
i=i-1;
end
else
fprintf('\n\t\t\t\t\tEl sistema no tiene solución o tiene
soluciones infinitas')
fprintf('\n\t\t\t\t\trevise si el planteamiento del sistema de
ecuaciones es correcto')
fprintf('\n\t\t\t\t\tpor favor...')
end
else
fprintf('\n\t\t\t\t\tImposible resolver el sistema ingresado falta
argumentos,')
fprintf('\n\t\t\t\t\tintente otra vez por favor')
end

53 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de Gauss-Jordan
El Método de Gauss-Jordán es una variante del Método de Gauss. Cuando se elimina una
incógnita en una ecuación, Gauss-Jordan elimina esa incógnita en el resto de las
ecuaciones, tomando como base para la eliminación a la ecuación pivote. También todos
los renglones se normalizan cuando se toman como ecuación pivote. El resultado final de
este tipo de eliminación genera una matriz identidad en vez de una triangular como lo hace
Gauss, por lo que no se usa la sustitución hacia atrás para obtener la solución.

Ejemplo:
Resolver el siguiente sistema de ecuaciones con el Método de Gauss-Jordan:

3𝑥1 −0.1𝑥2 −0.2𝑥3 = 7.85 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1

0.1𝑥1 +7𝑥2 −0.3𝑥3 = −19.3 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2
0.3𝑥1 −0.2𝑥2 +10𝑥3 = 71.4 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3

El sistema se expresa como una matriz aumentada

3 −0.1 −0.2 7.85

[0.1 7 −0.3 −19.3]
0.3 −0.2 10 71.4

Ecuación pivote = Ec. 1

Elemento pivote = x1 (incógnita a eliminar de las ecuaciones restantes)

Se normaliza la Ecuación 1

Ec. 1’=Ec.1 (factor) donde factor = (1/3)

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 −0.03333 −0.066667 2.616667 𝐸𝑐. 1′ 3 ∗ (1/3) = 1
[0.1 7 −0.3 −19.3 ] 𝐸𝑐. 2 −0.1 ∗ (1/3) = −0.033333
0.3 −0.2 10 71.4 𝐸𝑐. 3 −0.2 ∗ (1/3) = −0.066667
{ 7.85 ∗ (1/3) = 2.616667

Para obtener la nueva Ec.2:

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
0.1 − (0.1 ∗ 1) = 0
Ec.2= Ec.2 -(0.1)*Ec.1’ 7 − (0.1 ∗ −0.033333) = 7.00333
−0.3 − (0.1 ∗ −0.066667) = −0.29333
{ −19.3 − (0.1 ∗ 2.616667) = −19.5617

54 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Para obtener la nueva Ec.3:

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
0.3 − (0.3 ∗ 1) = 0
Ec.3=Ec.3 –(0.3)*Ec.1’ −0.2 − (0.3 ∗ −0.03333) = −0.1900
10 − (0.3 ∗ −0.066667) = −10.0200
{71.4 − (0.3 ∗ 2.616667) = −70.6150

Sistema resultante
1 −0.03333 −0.066667 2.616667 𝐸𝑐. 1
[0 7.00333 −0.29333 −19.5617] 𝐸𝑐. 2
0 −0.19 10.020 70.6150 𝐸𝑐. 3

Ecuación pivote = Ec.2

Elemento pivote = x2(incógnita a eliminar delas ecuaciones restantes)

Se normaliza la Ecuación 2

Ec. 2’=Ec.2 (factor) donde factor = (1/7.00333)

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 −0.03333 −0.066667 2.616667 𝐸𝑐. 1 0 ∗ (1/7.00333) = 0
[0 7.00333 −0.29333 −19.5617] 𝐸𝑐. 2 7.00333 ∗ (1/7.00333) = 1
0 −0.19 10.020 70.6150 𝐸𝑐. 3 −0.29333 ∗ (1/7.00333) = −0.0418848
{ −19.5617 ∗ (1/7.00333) = −2.7932

Se obtiene
1 −0.03333 −0.066667 2.616667 𝐸𝑐. 1
[0 1 −0.0418848 −2.79320] 𝐸𝑐. 2′
0 −0.19 10.020 70.6150 𝐸𝑐. 3

Para obtener la nueva Ec.1:

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 − (−0.03333 ∗ 0) = 1
Ec.1= Ec.1 - (-0.033333)*Ec.2’ −0.03333 − (−0.03333 ∗ 1) = 0
−0.066667 − (0.03333 ∗ −0.0418848) = −0.0680629
{ 2.616667 − (0.03333 ∗ 2.79320) = 2.52356

Para obtener la nueva Ec.3:

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
0 − (−0.19 ∗ 0) = 0
Ec.3=Ec.3 –(-0.19)*Ec.2’ −0.19 − (−0.19 ∗ 1) = 0
10.020 − (−0.19 ∗ −0.0418848) = 10.020
{ 70.6150 − (−0.19 ∗ 2.79320) = 70.0843

55 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Sistema resultante

1 0 −0.0680629 2.52356 𝐸𝑐. 1

[0 1 −0.0418848 −2.79320] 𝐸𝑐. 2
0 0 10.020 70.0843 𝐸𝑐. 3

Ecuación pivote = Ec.3

Elemento pivote = x3(incógnita a eliminar delas ecuaciones restantes)

Se normaliza la Ecuación 3

Ec. 3’=Ec.3 (factor) donde factor = (1/10.020)

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 0 −0.0680629 2.52356 𝐸𝑐. 1 0 ∗ (1/10.020) = 0
[0 1 −0.0418848 −2.79320] 𝐸𝑐. 2 0 ∗ (1/10.020) = 0
0 0 10.020 70.0843 𝐸𝑐. 3 10.020 ∗ (1/10.020) = 1
{70.0843 ∗ (1/10.020) = 7.00003

Se obtiene
1 0 −0.0680629 2.52356 𝐸𝑐. 1
[0 1 −0.0418848 −2.79320] 𝐸𝑐. 2
0 0 1 7.00003 𝐸𝑐. 3′

Para obtener la nueva Ec.1:

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
1 − (−0.0680629 ∗ 0) = 1
Ec.1= Ec.1 - (-0.0680629)*Ec.3’ 0 − (−0.0680629 ∗ 0) = 0
−0.0680629 − (−0.0680629 ∗ 1) = 0
{2.52356 − (−0.0680629 ∗ 7.00003) = 3

Para obtener la nueva Ec.2:

𝑷𝒓𝒐𝒄𝒆𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐
0 − (−0.0418848 ∗ 0) = 0
Ec.2= Ec.2 - (-0.0418848)*Ec.3’ 1 − (−0.0418848 ∗ 0) = 1
−0.0418848 − (−0.0418848 ∗ 1) = 0
{−2.79320 − (−0.0418848 ∗ 7.00003) = 2.5

Sistema resultante
1 0 0 3.0 𝐸𝑐. 1
[0 1 0 −2.5] 𝐸𝑐. 2
0 0 1 7.0 𝐸𝑐. 3′

De acuerdo al resultado, los valores de las incógnitas son:

x1=3, x2=-2.5 y x3=7.0

56 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab para el Método de Gauss-Jordan

function gaussjordan=gaussjordan()
clc
a=input('Matriz A [ ]: ');
b=input('Matriz b [ ]: ');
A=[a,b];
fprintf('\n\t\t\t\t\tLa matriz aumentada A|B del sistema es;\n')
A
fprintf('\n\n\t\t\t\tPresione una tecla para continuar por favor...'),
pause
[m,n] = size(A);
i = 1;
j = 1;
k = 0;
tol = max([m,n])*eps*norm(A,'inf');
while (i <= m) & (j <= n)
[p,k] = max(abs(A(i:m,j))); k = k+i-1;
if (p <= tol)
fprintf(['\n\n\t\t\t\t Columna ' int2str(j) ' es insignificante'])
A(i:m,j) = zeros(m-i+1,1)
fprintf('\n\n\t\t\t\tPresione una tecla para continuar por
favor...\n')
pause
j = j + 1;
else
if i ~= k
fprintf(['\n\n\t\t\t\tCambiar filas ' int2str(i) ' y '
int2str(k) blanks(10)])
fprintf('\n\n')
A([i k],:) = A([k i],:)
fprintf('\n\n\t\t\t\tPresione una tecla para continuar por
favor...\n')
pause
end
fprintf('\n\n\t\t\t\tEliminando columna %d\n',j)
fprintf(['\n\t\t\t\ta partir de la referencia en A(' int2str(i) ','
int2str(j) ')' blanks(10)])
fprintf('\n\n\t\t\t\tA(%d,%d)/%0.5f\n',i,j,A(i,j))
A(i,j:n) = A(i,j:n)/A(i,j)
fprintf('\n\t\t\t\tPresione una tecla para continuar por
favor...\n')
pause
fprintf(['\n\n\t\t\t\tEliminando la columna ' int2str(j)
blanks(10)])
fprintf('\n')
A
fprintf('\n\n\t\t\t\tPresione una tecla para continuar por
favor...\n')
pause
for k = 1:m
if k ~= i
fprintf('\n')
fprintf('\n\n\tFila[%d]=Fila[%d] -
(A[%d,%d]/A[%d,%d])*Fila[%d]\n',k,k,k,j,i,j,j)
pause
A(k,j:n) = A(k,j:n) - A(k,j)*A(i,j:n)

57 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

end
end
fprintf('\n\n\t\t\t\tPresione una tecla para continuar por
favor...\n')
pause
i = i + 1;
j = j + 1;
end
end
fprintf('\n\n\t\t\t\tEntonces los valores de las incógnitas son;\n')
for k = 1:m
fprintf('\n\tx(%d)=%d\n',k,A(k,n))
pause
end
end

58 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
Determinar por el Método de Gauss-Jordan los siguientes sistemas de ecuaciones:

10𝑥1 +2𝑥2 −𝑥3 = 27

−3𝑥1 −6𝑥2 +2𝑥3 = −61.5 (Solución x1=0.5, x2=8 y x3=-6)
𝑥1 +𝑥2 +5𝑥3 = −21.5

Determinar por el Método de Gauss-Jordan los siguientes sistemas de ecuaciones:

0.2641𝑥1 +0.1735𝑥2 +0.8642𝑥3 = 0.7521

−0.8641𝑥1 −0.4243𝑥2 −0.0711𝑥3 = 0.2501
0.9411𝑥1 +0.0175𝑥2 +0.1463𝑥3 = 0.6310

Determinar por el Método de Gauss-Jordan los siguientes sistemas de ecuaciones:

−0.06𝑥1 +0.04𝑥2 +0.12𝑥3 = 3

0.56𝑥1 −1.56𝑥2 +0.35𝑥3 = 2
−0.24𝑥1 +1.24𝑥2 −0.28𝑥3 = 0

59 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Métodos Iterativos
Un método iterativo consta de los siguientes pasos.
1. Inicia con una solución aproximada (Semilla).
2. Ejecuta una serie de cálculos para obtener o construir una mejor aproximación
partiendo de la aproximación semilla. La fórmula que permite construir la
aproximación usando otra se conoce como ecuación de recurrencia.
3. Se repite el paso anterior pero usando como semilla la aproximación obtenida.

Matriz diagonalmente dominante.

Una matriz se dice matriz diagonalmente dominante, si en cada uno de los renglones, el
valor absoluto de las incógnitas de la diagonal principal es mayor que la suma de los valores
absolutos de las incógnitas restantes del mismo renglón.
A veces la matriz de un sistema de ecuaciones no es diagonalmente dominante pero cuando
se cambian el orden de las ecuaciones y las incógnitas el nuevo sistema puede tener matriz
de coeficientes diagonalmente dominante.

10 −1 0 4 1 3
[−1 10 −2] 𝑑𝑜𝑚𝑖𝑛𝑎𝑛𝑡𝑒 [2 8 1] 𝑛𝑜 𝑑𝑜𝑚𝑖𝑛𝑎𝑛𝑡𝑒
0 −2 10 3 −10 2

Método de Jacobi o de los desplazamientos simultáneos

El método Jacobi es el método iterativo para resolver sistemas de ecuaciones lineales más
simple y se aplica solo a sistemas cuadrados, es decir a sistemas con tantas incógnitas como
ecuaciones.

Dado el sistema lineal

𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + … 𝑎1,𝑛 𝑥𝑛 = 𝑏1
𝑎2,1 𝑥1 + 𝑎2,2 𝑥2 + … 𝑎2,𝑛 𝑥𝑛 = 𝑏2
𝑎3,1 𝑥1 + 𝑎3,2 𝑥2 + … 𝑎3,𝑛 𝑥𝑛 = 𝑏3
⋮ ⋮ ⋱ ⋮ ⋮
𝑎𝑚,1 𝑥1 + 𝑎𝑚,2 𝑥2 + … 𝑎𝑚,𝑛 𝑥𝑛 = 𝑏𝑚

Es factible despejar a x1 de la primera ecuación, a x2 de la segunda ecuación, a x3 de la

tercera y así sucesivamente.

𝑥1 = (𝑏1 + 𝑎1,2 𝑥2 +𝑎1,3 𝑥3 + … +𝑎1,𝑛 𝑥𝑛 )/ 𝑎1,1

𝑥2 = (𝑏2 + 𝑎2,1 𝑥1 +𝑎2,3 𝑥3 + … +𝑎2,𝑛 𝑥𝑛 )/ 𝑎2,2
𝑥3 = (𝑏3 + 𝑎3,1 𝑥1 +𝑎3,2 𝑥2 + … +𝑎3,𝑛 𝑥𝑛 )/ 𝑎3,3
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑥𝑚 = (𝑏𝑚 + 𝑎𝑚,1 𝑥1 +𝑎𝑚,2 𝑥2 + … +𝑎𝑚,𝑛−1 𝑥𝑛−1 )/ 𝑎𝑚,𝑛

60 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Entonces se parte de una estimación inicial de la solución, x(0), la cual se sustituye en las
ecuaciones para producir una nueva estimación, x(1).

El vector x(1) se sustituye en esas mismas ecuaciones para obtener ahora a x(2). Este
procedimiento se repite entonces para calcular las estimaciones x(3), x(4), x(5), etc., y el
proceso termina cuando se cumple alguno de estos criterios de convergencia.

1. ‖𝑥 (𝑘+1) − 𝑥 (𝑘) ‖ < ∈

‖𝑥 (𝑘+1) −𝑥 (𝑘) ‖
2. <∈
‖𝑥 (𝑘+1) ‖

Uno de los principales problemas de los métodos iterativos es la garantía de que el método
va a converger, es decir, va a producir una sucesión de aproximaciones cada vez
efectivamente más próximas a la solución.

Este método es muy poco utilizado debido a que el método de Gauss-Seidel converge más
rápidamente a la solución y además lo hace cuando no se logra que el método de Jacobi
converja.

La condición suficiente para que el método de Jacobi converja es que la matriz de

coeficientes sea diagonal dominante, es decir que cada elemento de la diagonal principal
es mayor en valor absoluto que la suma del resto de los elementos de la misma fila en la
que se encuentra el elemento en cuestión.

Ejemplo:
Con el Método de Jacobi, inicie con x(0)=[0,0,0] y considere 5 decimales como criterio de
convergencia.

Es=(0.5 x 102–n)%
Es=(0.5 x 102-5)% = (0.5 x 10-3)% = 0.0005%= 0.05

10𝑥1 −𝑥2 =9
−𝑥1 10𝑥2 −2𝑥3 =7
−2𝑥2 10𝑥3 =6

Despejando las incógnitas:

x1= (9 + 1x2 + 0x3 )/10
x2= (7 + 1x1 + 2x3)/10
x3= (6 +0x1+ 2x2)/10

1ª. Iteración
Con x(0)=[0, 0,0] que aplicadas a las estimación inicial x(0) permiten calcular la nueva iteración
x(1).
x1= (9 + 1(0) + 0)/10 = 9/10 =0.9
x2=(7 + 1(0) + 2(0))/10 = 7/10 =0.7

61 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

x3=(6 + 0 + 2(0))/10 = 6/10 =0.6

(1) (0)
𝑥 −𝑥 0.9 − 0.0
𝐸𝑎1 = | 1 (1) 1 | 100% = | | 100% = 1 ∗ 100% = 100
𝑥1 0.9
(1) (0)
𝑥 −𝑥 0.7 − 0.0
𝐸𝑎2 = | 2 (1) 2 | 100% = | | 100% = 1 ∗ 100% = 100
𝑥2 0.7

(1) (0)
𝑥 −𝑥 0.6 − 0.0
𝐸𝑎3 = | 3 (1) 3 | 100% = | | 100% = 1 ∗ 100% = 100
𝑥3 0.6

2ª. Iteración
Con x(1)=[0.9, 0.7,0.6] que aplicadas a las estimación x(1) permiten calcular la nueva iteración
x(2).
x1= (9 + 1(0.7) + 0)/10 = 9.7/10 =0.97
x2=(7 + 1(0.9) + 2(0.6))/10 =9.1 /10 =0.91
x3=(6 + 0 + 2(0.7))/10 = 7.4/10 =0.74

(2) (1)
𝑥 −𝑥 0.97 − 0.9
𝐸𝑎1 = | 1 (2) 1 | 100% = | | 100% = 0.0722 ∗ 100% = 7.22
𝑥1 0.97
(2) (1)
𝑥 −𝑥 0.91 − 0.7
𝐸𝑎2 = | 2 (2) 2 | 100% = | | 100% = 0.2308 ∗ 100% = 23.08
𝑥2 0.91

(2) (1)
𝑥 −𝑥 0.74 − 0.6
𝐸𝑎3 = | 3 (2) 3 | 100% = | | 100% = 0.1892 ∗ 100% = 18.92
𝑥3 0.74

3ª. Iteración
Con x(2)=[0.97, 0.91,0.74] que aplicadas a las estimación x(2) permiten calcular la nueva
iteración x(3).
x1= (9 + 1(0.91) + 0)/10 = 9.91/10 =0.9910
x2=(7 + 1(0.97) + 2(0.74))/10 =9.45 /10 =0.9450
x3=(6 + 0 + 2(0.91))/10 = 7.82/10 =0.7820

(3) (2)
𝑥 −𝑥 0.9910 − 0.97
𝐸𝑎1 = | 1 (3) 1 | 100% = | | 100% = 0.0212 ∗ 100% = 2.12
𝑥1 0.9910
(3) (2)
𝑥 −𝑥 0.9450 − 0.91
𝐸𝑎2 = | 2 (3) 2 | 100% = | | 100% = 0.0370 ∗ 100% = 3.70
𝑥2 0.9450

(3) (2)
𝑥 −𝑥 0.7820 − 0.74
𝐸𝑎3 = | 3 (3) 3 | 100% = | | 100% = 0.0537 ∗ 100% = 5.37
𝑥3 0.7820

62 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Nota: Así sucesivamente hasta llegar a 7 iteraciones

iteración x1(k) x2(k) x3(k) Ea1(%) Ea2(%) Ea3(%) Es(%)

semilla 0 0 0 0.05
1 0.9 0.7 0.6 100 100 100
2 0.97 0.91 0.74 7.22 23.08 18.92
3 0.991 0.945 0.782 2.12 3.70 5.37
4 0.9945 0.9555 0.789 0.35 1.10 0.89
5 0.99555 0.95725 0.7911 0.11 0.18 0.27
6 0.99573 0.95778 0.79145 0.018 0.0553 0.0442
7 0.99578 0.95786 0.79156 0.00502 0.0083 0.0138
Nota: Todos los errores son menores al error esperado de 0.05.

Algoritmo en Matlab para el Método de Jacobi

function jacobi=jacobi()
format long;
clc;
e=input('Numero de ecuaciones: ');
A=input('Matriz A [ ]: ');
b=input('Matriz b [ ]: ');
ea=input('Dame el porciento de error: ');
x0=zeros(1,e);
err=100;
k=0;
while ea<= err
k=k+1;
fprintf('%2d',k)
for i=1:e
suma=0;
for j=1:e
if i ~=j
suma=suma+A(i,j)*x0(j);
end
end
x(i)=(b(i)-suma)/A(i,i);
fprintf('%10.4f',x(i))
end
err=abs((x-x0)/x)*100;
fprintf('%10.4f\n',err)
x0=x;
end
end

63 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
Determinar por el Método de Jacobi, iniciando con x=[0,0,0] y considere 5 decimales como
criterio de convergencia para el siguiente sistema de ecuaciones.

3.8𝑥 +1.6𝑦 +0.9𝑧 = 15.5

−0.7𝑥 +5.4𝑦 +1.6𝑧 = 10.3
1.5𝑥 +1.1𝑦 −3.2𝑧 = 3.5

31𝑥 +2.2𝑦 +9𝑧 = 82.33

22𝑥 +40𝑦 +2𝑧 = 1112.63
9𝑥 +2𝑦 +31𝑧 = −113.03

64 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de Gauss –Seidel

El método de Gauss-Seidel es muy semejante al método de Jacobi. Mientras que en el de
Jacobi se utiliza el valor de las incógnitas para determinar una nueva aproximación, en el de
Gauss-Seidel se va utilizando los valores de las incógnitas recién calculados en la misma
iteración, y no en la siguiente.

Es factible despejar a x1 de la primera ecuación, a x2 de la segunda ecuación, a x3 de la

tercera y así sucesivamente.
(𝑘+1) (𝑘) (𝑘) (𝑘)
𝑥1 = (𝑏1 + 𝑎1,2 𝑥2 +𝑎1,3 𝑥3 + … +𝑎1,𝑛 𝑥𝑛 )/ 𝑎1,1
(𝑘+1) (𝑘) (𝑘) (𝑘)
𝑥2 = (𝑏2 + 𝑎2,1 𝑥1 +𝑎2,3 𝑥3 + … +𝑎2,𝑛 𝑥𝑛 )/ 𝑎2,2
(𝑘+1) (𝑘) (𝑘) (𝑘)
𝑥3 = (𝑏3 + 𝑎3,1 𝑥1 +𝑎3,2 𝑥2 + … +𝑎3,𝑛 𝑥𝑛 )/ 𝑎3,3
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
(𝑘+1) (𝑘) (𝑘) (𝑘+1)
𝑥𝑚 = (𝑏𝑚 + 𝑎𝑚,1 𝑥1 +𝑎𝑚,2 𝑥2 + … +𝑎𝑚,𝑛−1 𝑥𝑛−1 )/ 𝑎𝑚,𝑛

Ejemplo:
Con el Método de Gauss-Seidel, inicie con x(0)=[0,0,0] y considere 5 decimales como criterio de
convergencia.

Es=(0.5 x 102–n)%
Es=(0.5 x 102-5)% = (0.5 x 10-3)% = 0.0005%= 0.05

10𝑥1 −𝑥2 =9
−𝑥1 10𝑥2 −2𝑥3 =7
−2𝑥2 10𝑥3 =6

Despejando las incógnitas:

x1(k+1)= (9 + 1x2(k) )/10
x2(k+1)= (7 + 1x1(k+1)+ 2x3(k))/10
x3(k+1)= (6 + 2x2(k+1))/10

1ª. Iteración
Con x(0)=[0, 0,0] que aplicadas a las estimación inicial x(0) permiten calcular la nueva
iteración x(1).
x1(1)= (9 + 1x2(0) )/10 = (9 + 1*(0))/10 =0.9
x2(1)=(7 + 1x1(1) + 2x3(0))/10 = (7+ 1*(0.9)+ 2*(0))/10 =0.79
(1) (1)
x3 =(6 + 2x2 )/10 = (6 + 2*(0.79))/10 =0.758

(1) (0)
𝑥 −𝑥 0.9 − 0.0
𝐸𝑎1 = | 1 (1) 1 | 100% = | | 100% = 1 ∗ 100% = 100
𝑥1 0.9

65 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

(1) (0)
𝑥 −𝑥 0.79 − 0.0
𝐸𝑎2 = | 2 (1) 2 | 100% = | | 100% = 1 ∗ 100% = 100
𝑥2 0.79

(1) (0)
𝑥 −𝑥 0.758 − 0.0
𝐸𝑎3 = | 3 (1) 3 | 100% = | | 100% = 1 ∗ 100% = 100
𝑥3 0.758

2ª. Iteración
Con x(1)=[0.9, 0.79,0.758] que aplicadas a las estimación inicial x(1) permiten calcular la
nueva iteración x(2).
x1(1)= (9 + 1x2(1) )/10 = (9 + 1*(0.79))/10 =0.979
x2(1)=(7 + 1x1(2) + 2x3(1))/10 = (7+ 1*(0.979)+ 2*(0.758))/10 =0.9495
(1) (2)
x3 =(6 + 2x2 )/10 = (6 + 2*(0.9495))/10 =0.7899

(2) (1)
𝑥 −𝑥 0.979 − 0.9
𝐸𝑎1 = | 1 (2) 1 | 100% = | | 100% = 0.0806 ∗ 100% = 8.06
𝑥1 0.979
(1) (0)
𝑥 −𝑥 0.9495 − 0.79
𝐸𝑎2 = | 2 (1) 2 | 100% = | | 100% = 0.1679 ∗ 100% = 16.79
𝑥2 0.9495

(1) (0)
𝑥 −𝑥 0.7899 − 0.758
𝐸𝑎3 = | 3 (1) 3 | 100% = | | 100% = 0.0403 ∗ 100% = 4.03
𝑥3 0.7899

3ª. Iteración
Con x(2)=[0.979, 0.9495,0.7899] que aplicadas a las estimación inicial x(2) permiten calcular
la nueva iteración x(3).
x1(2)= (9 + 1x2(2) )/10 = (9 + 1*(0.9495))/10 =0.99495
(2) (3) (2)
x2 =(7 + 1x1 + 2x3 )/10 = (7+ 1*(0.99495)+ 2*(0.7899))/10 =0.957475
x3(2)=(6 + 2x2(3))/10 = (6 + 2*(0.957475))/10 =0.791495

(2) (1)
𝑥 −𝑥 0.99495 − 0.979
𝐸𝑎1 = | 1 (2) 1 | 100% = | | 100% = 0.01603 ∗ 100% = 1.603
𝑥1 0.99495
(1) (0)
𝑥 −𝑥 0.957475 − 0.9495
𝐸𝑎2 = | 2 (1) 2 | 100% = | | 100% = 0.00832 ∗ 100% = 0.832
𝑥2 0.957475

(1) (0)
𝑥 −𝑥 0.791495 − 0.7899
𝐸𝑎3 = | 3 (1) 3 | 100% = | | 100% = 0.00201 ∗ 100% = 0.201
𝑥3 0.791495

66 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Nota: Así sucesivamente hasta llegar a 5 iteraciones

iteración x1(k) x2(k) x3(k) Ea1(%) Ea2(%) Ea3(%) Es(%)

semilla 0 0 0 0.05
1 0.9 0.79 0.758 100 100 100
2 0.979 0.949 0.7899 8.06 16.79 4.03
3 0.995 0.957 0.791 1.603 0.832 0.201
4 0.996 0.958 0.792 0.080 0.042 0.010
5 0.996 0.958 0.792 0.004 0.002 0.001

Algoritmo en Matlab para el Método de Gauss-Seidel

function gaussseidel=gaussseidel()
format long;
clc;
e =input('Numero de ecuaciones: ');
A =input('Matriz A [ ]: ');
b =input('Matriz b [ ]: ');
ea =input('Dame el porciento de error: ');
x0 =zeros(1,e);
x =x0;
err=100;
k=0;
while ea<= err
k=k+1;
fprintf('%2d',k)
for i=1:e
suma=0;
for j=1:e
if i ~=j
suma=suma+A(i,j)*x(j);
end
end
x(i)=(b(i)-suma)/A(i,i);
fprintf('%10.4f',x(i))
end
err=abs((x-x0)/x)*100;
fprintf('%10.4f\n',err)
x0=x;
end
end

67 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
Determinar por el Métodos de Gauss-Seidel, iniciando con x(0)=[0,0,0] y considere 5
decimales como criterio de convergencia para los siguientes sistemas de ecuaciones.

4𝑥1 +0.5𝑥2 +𝑥3 =8

𝑥1 −10𝑥2 +𝑥3 = −6
−𝑥1 +𝑥2 +5𝑥3 = 10

4𝑥1 +𝑥2 +2𝑥4 =2

𝑥1 −3𝑥2 +𝑥3 = −3
𝑥1 +𝑥2 +4𝑥3 +𝑥4 =4
+𝑥2 +𝑥3 −2𝑥4 =0

Un ingeniero requiere 4,800 m3 de arena, 5,810 m3 de grava fina y 5,690 m3 grava gruesa
para la construcción de un proyecto. Existen tres canteras donde pueden obtener estos
materiales. La composición en cada cantera es de:

Cantera % Arena % Grava fina % Grava gruesa %

1 52 30 18
2 20 50 30
3 25 20 55
¿Cuántos metros cúbicos se debe tomar de cada cantera para cubrir con los requerimientos
del ingeniero?

Para la producción de cuatro tipos de computadoras, se requieren cuatro clases de recursos,

horas/hombre, metales, plásticos y componentes electrónicos, en la producción. En el
cuadro se resume las cantidades necesarias para cada uno de estos recursos en la
producción de cada tipo de computadora. Si se dispone diariamente de 504 horas/hombre,
1970 kg de metal, 970 kg de plástico y 601 componentes electrónico. ¿Cuántas
computadoras de cada tipo se pueden construir por día?

Horas/hombre Metales Plásticos Componentes

Computador
Kg/computador Kg/computador Kg/computador Unidades/computador
a
a a a a
1 3 20 10 10
2 4 25 15 8
3 7 40 20 10
4 20 50 22 15

68 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Interpolación
La interpolación es, a partir de una seria de puntos, obtener una ecuación cuya curva pase
por todos ellos o lo más cerca posible.

La extrapolación es el proceso de calcular un valor de f(X) que cae fuera del rango de los
puntos base conocidos X0, X1,... , Xn. La interpolación más exacta usualmente se obtiene
cuando las incógnitas caen cerca de los puntos base.
Obviamente, esto no sucede cuando las incógnitas caen fuera del rango, y por lo tanto, el
error en la extrapolación puede ser muy grande. La naturaleza abierta en los extremos de
la extrapolación representa un paso en la incógnita porque el proceso extiende la curva más
allá de la región conocida. Como tal, la curva verdadera diverge fácilmente de la predicción.
Por lo tanto, se debe tener cuidado extremo en casos donde se deba extrapolar.

La idea básica de la interpolación es hallar un polinomio o función que cumpla con pasar
por todos los puntos de un conjunto de datos(x1, y1), (x2, y2),…,(xn, yn), y poder estimar los
valores entre ellos por medio del polinomio.

El método más común para interpolar valores intermedios, es la interpolación polinomial,

la cual consiste en determinar el polinomio de orden n que ajusta a n+1 datos. La
interpolación de Lagrange, es una de las alternativas más atractivas que existe para
interpolar, debido a la facilidad de programar.

Para generar una interpolación de orden n, es necesario contar con n+1 datos conocidos,
por ejemplo:

 Una interpolación lineal requiere de conocer dos datos.

 Una interpolación cuadrática requiere de conocer tres datos.
 Una interpolación cúbica requiere de conocer cuatro datos.

Interpolación lineal Interpolación cuadrática Interpolación cúbica

69 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Aproximación polinomial simple e interpolación

La interpolación es de gran importancia en el campo de la ingeniería, ya que al consultar
fuentes de información presentadas en forma tabular, es frecuente no encontrar el valor
buscado como un punto en la tabla, por ejemplo, las tablas 1 y 2 presentan la temperatura
de ebullición de la acetona (C3H6O) a diferentes presiones.

Puntos 0 1 2 3 4 5 6
P (atm) 1 2 5 10 20 30 40
T (0C) 56.5 78.6 113.0 144.5 181.0 205.0 214.5
Tabla 1

Puntos 0 1 2 3
P (atm) 1 5 20 40
T (0C) 56.5 113.0 181.0 214.5
Tabla 2

Supóngase que solo se dispusiera de la tabla 2 y se desea calcular la temperatura de

ebullición de la acetona a 2 atm de presión.

Una forma muy común de resolver este problema es sustituir los puntos (0) y (1) de la tabla
en la ecuación de la línea recta: P(x)=a0+a1x, de tal modo que resultan 2 ecuaciones con 2
incógnitas que son a0 y a1. Con la solución del sistema se consigue una aproximación
polinomial de primer grado, lo que permite efectuar interpolaciones lineales; es decir:

Sistema de ecuaciones para 2 puntos (0) y (1).

56.5 =a0 + a1x
113 =a0 + a1x

Sustituyendo los valores de P(atm) del punto (0) y punto (1) en las x del sistema de
ecuaciones para obtener el valor de T(0C) se tiene:

56.5 = a0 + a1(1) para el punto (0)

113 = a0 + a1(5) para el punto (1)

Sistema que al resolver (por sustitución) nos da: a0=42.375 y a1=14.125

Por tanto, estos valores generan la ecuación: P1(x)=42.375 + 14.125x

La ecuación resultante puede emplearse para aproximar la temperatura cuando la presión

es conocida.

P(2)=42.375 +14.125(2)=70.625 0C

Al sustituir la presión x=2 atm se obtiene la temperatura de 70.6 0C.

70 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

A este proceso se le conoce como interpolación, si se quisiera una aproximación mejor al

valor “verdadero” de la temperatura buscada, podrían unirse más puntos de la tabla con
una curva suave (sin picos), por ejemplo tres puntos (0), (1), (2).
Analíticamente el problema se resuelve al aproximar la función desconocida T=f(P) con un
polinomio que pasa por los tres puntos (0), (1), (2). Este polinomio es una parábola y tiene
la forma general.

𝑷𝒏 (𝒙) = 𝒂𝟎 + 𝒂𝟏 𝒙 + 𝒂𝟐 𝒙𝟐 + ⋯ + 𝒂𝒏 𝒙𝒏 [𝑃𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑑𝑒 𝑔𝑟𝑎𝑑𝑜 𝑛]

Continuando con el ejemplo anterior para tres puntos sustituyendo en las X los valores:

56.5=a0 + a1(1) + a2(1)2

113=a0 + a1(5) + a2(5)2
181=a0 + a1(20) + a2(20)2

Al resolver el sistema de ecuaciones (resolver con Gauss-Jordan) se obtienen los siguientes

resultados:

a0=39.8509 a1=17.1539 a2=-0.5048

De tal modo que la ecuación polinomial queda: P2(x)=39.8509 +17.1539x -0.5048x2

Calculando nuevamente para x=2 atm en la nueva ecuación nos da:

P(2)=39.8509 +17.1539(2) -0.5048(2)2=72.1395 0C.

La aproximación a la temperatura “correcta” es obviamente mejor en este caso. Obsérvese

que ahora se ha aproximado la función desconocida T=f(P) con un polinomio de segundo
grado (parábola) que pasa por los tres puntos más cercanos al valor buscado. En general, si
se desea aproximar una función con un polinomio de grado n, se necesitan más puntos que
sustituidos en la ecuación polinomial de grado n.

Una vez resuelto el sistema se sustituyen los valores de ai en la ecuación polinomial con el
cual se obtiene el polinomio de aproximación. A este método se le conoce como
aproximación polinomial simple.

También se pueden tener funciones conocidas pero complicadas, por ejemplo:

2 1/2
𝑓(𝑥) = ( ) 𝑆𝑒𝑛 𝑥
𝑥

Lo cual conviene, para propósitos prácticos, aproximar con otra función más sencilla, como
un polinomio. El procedimiento es generar una tabla de valores mediante la función original
y a partir de dicha tabla aplicar el método descrito anteriormente.

71 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab de la aproximación polinomial simple

function aproximacionpolinomialsimple=aproximacionpolinomialsimple()
format long;
clear X;
clear Y;
clc;
X=input('Dame el vector de puntos en X [ ]: ');
Y=input('Dame el vector de puntos en Y [ ]: ');
x=input('Dame el punto a interpolar: ');
xx=min(X):0.01:max(X);
yy=spline(X,Y,xx);
plot(X,Y,'sr',xx,yy);
grid,title('\bf Aproximación Polinomial Simple')
y=0;
w=length(X);
for i=1:w-1
if x>=X(i) && x<=X(i+1)
y=(Y(i+1)-Y(i))/(X(i+1)-X(i))*(x-X(i))+Y(i);
end
end
fprintf('\n\nResultado de la interpolación lineal es es=%12.6f \n',y);
end

72 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
1) La población de la ciudad de Xalapa está dada por la siguiente tabla:

punto 0 1 2 3 4 5
año 1940 1950 1960 1970 1980 1990
habitantes 132,165 151,326 179,323 203,302 226,542 249,633

a) Obtener un polinomio de 2° grado que aproxime el comportamiento de la población.

Mostrar gráfica de datos y polinomio.
b) Obtener un polinomio de grado superior a 2 que, según su juicio, sea la mejor
aproximación de los datos originales. Mostrar gráfica.
c) Obtener la población en los años 1948, 1951, 1968, 1975 y 1988.

2) Se tiene la función f(x)= ln (x+1)

a) Evaluar los puntos f(0), f(0.6) y f(0.9)
b) Encontrar un polinomio pn(x) de grado 2 que aproxime al punto f(0.45)
c) Mostrar gráficamente los resultados.

3) A continuación se presentan las presiones de vapor del cloruro de magnesio.

punto 0 1 2 3 4 5 6 7
P(mmHg) 10 20 40 63 100 200 400 760
T(°C) 930 988 1050 1088 1142 1316 1223 1418

Calcule la presión de vapor correspondiente a T=1000 °C.

73 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Polinomios de Lagrange
El método de aproximación polinomial simple requiere la solución de un sistema de
ecuaciones algebraicas lineales que, cuando el grado del polinomio es alto, puede presentar
inconvenientes. Existen otros métodos de aproximación polinomial en que no se requiere
resolver un sistema de ecuaciones lineales y los cálculos se realizan directamente; entre
estos se encuentra el de aproximación polinomial de Lagrange.

Se parte nuevamente de una función desconocida f(x) dada en forma tabular y se asume
que:

Para un polinomio de primer grado (ecuación de la recta) puede escribirse:

(𝑥 − 𝑥1 ) (𝑥 − 𝑥0 )
𝑃1 (𝑥) = 𝑦0 + 𝑦1
(𝑥0 − 𝑥1 ) (𝑥1 − 𝑥0 )

Para un polinomio de segundo grado:

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑃2 (𝑥) = 𝑦0 + 𝑦1 + 𝑦2
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) (𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )

Para un polinomio de tercer grado:

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
𝑃3 (𝑥) = 𝑦0 + 𝑦1
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
+ 𝑦2 + 𝑦3
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )

Por inducción para obtener polinomios de cuarto o n-ésimo grado; este último queda como
se indica a continuación.

(𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑘−1 )(𝑥 − 𝑥𝑘+1 ) … (𝑥 − 𝑥𝑛 )

𝐿𝑛,𝑘 (𝑥) =
(𝑥𝑘 − 𝑥0 ) … (𝑥𝑘 − 𝑥𝑘−1 )(𝑥𝑘 − 𝑥𝑘+1 ) … (𝑥𝑘 − 𝑥𝑛 )

Que en forma más compacta queda de la siguiente forma:

𝒏

𝑷𝒏 (𝒙) = ∑ 𝒚𝒌 𝑳𝒏,𝒌 (𝒙) [𝑃𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑑𝑒 𝐿𝑎𝑔𝑟𝑎𝑛𝑔𝑒]

𝒌=𝟎

Ejemplo:
a) Obtener la aproximación polinomial de Lagrange con todos los puntos.
b) Interpole el valor de la función f(x) para x=1.8.

puntos 0 1 2 3
xi 0 1 3 6
f(x) -3 0 5 7

74 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

a) Observe que se tienen 4 puntos en la tabla, por lo que el polinomio será de tercer
grado que se sustituyen en la ecuación.

Sustituimos los valores

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )

𝑃3 (𝑥) = 𝑦0 + 𝑦1
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
+ 𝑦2 + 𝑦3
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )

(𝑥 − 1)(𝑥 − 3)(𝑥 − 6) (𝑥 − 0)(𝑥 − 3)(𝑥 − 6) (𝑥 − 0)(𝑥 − 1)(𝑥 − 6)

𝑃3 (𝑥) = (−3) + (0) + (5)
(0 − 1)(0 − 3)(0 − 6) (1 − 0)(1 − 3)(1 − 6) (3 − 0)(3 − 1)(3 − 6)
(𝑥 − 0)(𝑥 − 1)(𝑥 − 3)
+ (7)
(6 − 0)(6 − 1)(6 − 3)

(𝑥 − 1)(𝑥 − 3)(𝑥 − 6) (𝑥 − 0)(𝑥 − 3)(𝑥 − 6) (𝑥 − 0)(𝑥 − 1)(𝑥 − 6)

𝑃3 (𝑥) = (−3) + (0) + (5)
−18 10 −18
(𝑥 − 0)(𝑥 − 1)(𝑥 − 3)
+ (7)
90

Efectuamos las operaciones

1 (𝑥 3 − 10𝑥 2 + 27𝑥 − 18) −5 (𝑥 3 − 7𝑥 2 + 6𝑥) 7 (𝑥 3 − 4𝑥 2 + 3𝑥)

𝑃3 (𝑥) = ( ) + ( ) +( )
6 18 90

Y finalmente resulta:

1 3 1 2 276
𝑃3 (𝑥) = − 𝑥 − 𝑥 + 𝑥−3
30 30 90

b) El valor de x=1.8 se sustituye en la aproximación polinomial de Lagranje de tercer

grado obtenida anteriormente y el resultado es el siguiente.

1 1 276
𝑃3 (1.8) = − (1.8)3 − (1.8)2 + (1.8) − 3 = 𝟐. 𝟐𝟏
30 30 90

75 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab del polinomio de Lagrange

function lagrange=lagrange()
format long;
clear X;
clear Y;
clc;
X =input('Dame el vector de puntos en X [ ]: ');
Y =input('Dame el vector de puntos en Y [ ]: ');
x =input('Dame el punto a interpolar: ');
xx=min(X):0.01:max(X);
yy=spline(X,Y,xx);
plot(X,Y,'sr',xx,yy);
grid,title('\bf Polinomio de Lagrange')
y=0;
w=length(X);
for i=1:w
L=1;
for j=1:w
if j~=i
L=L*(x-X(j))/(X(i)-X(j));
end
end
y=y+L*Y(i);
end
fprintf('\n\nResultado de la interpolación es=%12.6f \n',y);
end

76 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
1. Realice el siguiente ejercicio.
a. Obtener la aproximación polinomial de Lagrange con todos los puntos.
b. Interpole el valor del logaritmo natural de 3.

puntos 0 1 2 3
x 1 4 6 8
ln x 0 1.386294 1.791759 2.079441

2. Determine la ecuación que vincula a los siguientes datos.

puntos 0 1 2 3 4 5 6
x 129 247 530 1550 3010 4820 8010
y 9.46 8.28 5.26 2.77 2.16 1.98 1.22

3. Encuentre los valores de la variable dependiente para x=4.125, 4.375, 5.896, 9.788,
10.500, 10.788, 10.987, dado los siguientes datos.

puntos 0 1 2 3 4 5 6 7
x 2.156 3.145 6.725 7.222 8.434 9.525 10.112 11.028
y 8.112 12.322 14.580 12.366 24.845 28.366 30.554 38.687

77 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Polinomio de Newton (Diferencias divididas)

La forma de Lagrange es útil si con los mismos nodos se prueban otros valores de la función
u otras funciones pues las modificaciones a realizar no afectan a los polinomios de lagrange.
En cambio, si se aumenta un nodo los cálculos hay que rehacerlos desde el principio. Para
esta situación es más conveniente la forma de Newton del polinomio de interpolación.

Uno de los inconvenientes de los polinomios interpoladores de Lagrange es que no hay

relación entre la construcción de Pn-1(x) y la de Pn(x); cada polinomio debe construirse
individualmente y se requieren muchas operaciones para calcular polinomios de grado
elevado.
Aplicando la recurrencia a los polinomios pn, pn-1,…,p1, p0 con p0(x) = f(x0) = f[x0], el polinomio
de interpolación se puede expresar de la llamada forma de Newton como:

𝑷(𝒙)
= 𝒇[𝒙𝟎 ] + 𝒇[𝒙𝟎 , 𝒙𝟏 ](𝒙 − 𝒙𝟎 ) + 𝒇[𝒙𝟎 , 𝒙𝟏 , 𝒙𝟐 ](𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 ) + ⋯
+ (𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 ) … 𝒇[𝒙𝟎 , 𝒙𝟏 , … 𝒙𝒏 )(𝒙
− 𝒙𝒏−𝟏 ) [𝑃𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑑𝑒 𝑁𝑒𝑤𝑡𝑜𝑛]

Tabla para calcular el polinomio de Newton (diferencias divididas)

Orden
x f(x)
Primer (a) Segundo (b) Tercer (c) Cuarto (d) n
𝑥0 𝑓[𝑥0 ]
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑎0 =
(𝑥1 − 𝑥0 )
𝑎1 − 𝑎0
𝑥1 𝑓[𝑥1 ] 𝑏0 =
(𝑥2 − 𝑥0 )
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑏1 − 𝑏0
𝑎1 = 𝑐0 =
(𝑥2 − 𝑥1 ) (𝑥3 − 𝑥0 )
𝑎2 − 𝑎1 𝑐1 − 𝑐0
𝑥2 𝑓[𝑥2 ] 𝑏1 = 𝑑0 =
(𝑥3 − 𝑥1 ) (𝑥4 − 𝑥0 )
𝑓(𝑥3 ) − 𝑓(𝑥2 ) 𝑏2 − 𝑏1
𝑎2 = 𝑐1 =
(𝑥3 − 𝑥2 ) (𝑥4 − 𝑥1 )
𝑎3 − 𝑎 2
𝑥3 𝑓[𝑥3 ] 𝑏2 =
(𝑥4 − 𝑥2 )
𝑓(𝑥4 ) − 𝑓(𝑥3 )
𝑎3 =
(𝑥4 − 𝑥3 )
𝑥4 𝑓[𝑥4 ]

Ejemplo:
La información de la siguiente tabla se obtuvo de un polinomio
Puntos 0 1 2 3 4 5
x -2 -1 0 2 3 6
f(x) -18 -5 -2 -2 7 142
A partir de ella:

78 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

a) Elabore una tabla de diferencias divididas que interpole la tabla dada.

b) Obtener le Interpolación de p(1).

Solución:

a) Tabla del polinomio de Newton.

Polinomio de Newton (Diferencias divididas)

x f(x) Orden
Primer (a) Segundo (b) Tercer (c) Cuarto (d) Quinto (e)
𝑥0 -2 𝑓[𝑥0 ] -18
−5 − (−18)
𝑎0 = = 13
−1 − (−2)
3 − 13
𝑥1 -1 𝑓[𝑥1 ] -5 𝑏0 = = −5
0 − (−2)
−2 − (−5) −1 − (−5)
𝑎1 = =3 𝑐0 = =1
0 − (−1) 2 − (−2)
0−3 1−1
𝑥2 0 𝑓[𝑥2 ] -2 𝑏1 = = −1 𝑑0 = =0
2 − (−1) 3 − (−2)
−2 − (−2) 3 − (−1) 0−0
𝑎2 = =0 𝑐1 = =1 𝑒0 = =0
2−0 3 − (−1) 6 − (−2)
9−0 1−1
𝑥3 2 𝑓[𝑥3 ] -2 𝑏2 = =3 𝑑1 = =0
3−0 6 − (−1)
7 − (−2) 9−3
𝑎3 = =9 𝑐2 = =1
3−2 6−0
45 − 9
𝑥4 3 𝑓[𝑥4 ] 7 𝑏3 = =9
6−2
142 − 7
𝑎4 = = 45
6−3
𝑥5 6 𝑓[𝑥5 ] 142

Polinomio de Newton (Diferencias divididas)

Orden
punto x f(x)
1er. 2o. 3er. 4º. 5º.
0 -2 -18
13
1 -1 -5 -5
3 1
2 0 -2 -1 0
0 1 0
3 2 -2 3 0
9 1
4 3 7 9
45
5 6 142

Dónde:

79 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

𝑃5 (𝑥) = 𝑓[𝑥0 ] + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑓[𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯

+ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … 𝑓[𝑥0 , 𝑥1 , … 𝑥𝑛 )(𝑥 − 𝑥𝑛−1 )

P5(x)=-18 +13(x-(-2)) -5(x-(-2))(x-(-1)) +1(x-(-2))(x-(-1))(x-0) + 0(x-(-2))(x-(-1))(x-0)(x-2) + 0(x-

(-2))(x-(-1))(x-0)(x-2)(x-3) =

P5(x)=-18 +13(x +2) -5(x +2)(x + 1) +(x +2)(x +1)(x-0) =

P5(x)=-18 +13x +26 -5(x2 + 3x + 2) +(x3 + 3x2 +2x) =

P5(x)=-18 +13x +26 -5x2 - 15x - 10 + x3 + 3x2 +2x =

P5(x)= -2 - 2x2 + x3

b) Interpolación de p(1).
P5(1)=-2 -2(1)2+ (1)3 = -2-2+1= -4 +1 = -3

Algoritmo en Matlab del Polinomio de Newton (diferencias divididas)

function newton=newton()
clc;
clear;
x=input('Dame el vector de puntos en X [ ]: ');
y=input('Dame el vector de puntos en Y [ ]: ');
xu=x;
yu=y;
%Formamos una Matriz cero de la longitud del Vector "Y"
d=zeros(length(y));
% Se genera una Matriz cero donde la primera columna sea el Vector "Y"
d(:,1)=y';
%Formación de las diferencias divididas
for k=2:length(x)
for j=1:length(x)+1-k
d(j,k)=(d(j+1,k-1)-d(j,k-1))/(x(j+k-1)-x(j));
end
end
% Formación del Polinomio
for w=1:length(x)
dq=num2str(abs(d(1,w)));
if w>1
if x(w-1)<0
signo1=' +';
else
signo1=' -';
end
end
if d(1,w)<0
signo2=' -';
else
signo2=' +';
end
if w==1
acum=num2str(d(1,1));

80 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

elseif w==2
polinomioactual=['(x' signo1 num2str(abs(x(w-1))) ')' ];
actual=[dq '*' polinomioactual];
acum=[acum signo2 actual];
else
polinomioactual=[polinomioactual '.*' '(x' signo1
num2str(abs(x(w-1))) ')' ];
actual=[dq '*' polinomioactual];
acum=[acum signo2 actual];
end
end
% Presentación de Resultados
fprintf('\n Valores de X y Y \n');
disp(xu);
disp(yu);
fprintf('\n Polinomio de Interpolación : %s \n\n',acum);
x=input(' X interp = ');
if x>max(xu)||x<min(xu)
fprintf('\t Valor de "X" fuera de rango. El resultado puede ser
equivocado \n\a');
end
xinterp=x;
yinterp=eval(acum);
fprintf(' Y interp (%g) = %g \n',x,yinterp);
% Grafica de los puntos
fprintf('\n Presiona una tecla para graficar los datos\n');
pause
xg=linspace(min(xu),max(xu));
x=xg;
yg=eval(acum);
plot(xg,yg,xu,yu,'xk',xinterp,yinterp,'sr');
grid,title('\bf Diferencias Divididas de Newton')
end

81 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
1. Aplicando interpolación del polinomio de Newton encuentre, para los datos que se
presentan en la tabla que sigue, los valores de la variable dependiente para x= 4.3,
4.5, 5.8 y 9.7
puntos 0 1 2 3 4 5 6
x 2.2 4.2 6.2 8.2 10.2 12.2 14.2
y 10 15 14 16 17 19 20

2. Encuentre el valor de y para x=22.4 y 32.5 dados los siguientes datos.

puntos 0 1 2 3 4 5 6
x 22.2 24.2 26.5 28.3 30.2 32.7 34.0
y 100 150 140 160 170 190 200

3. Obtener una aproximación de f(2.1) usando todos los datos de la siguiente tabla.

puntos 0 1 2 3 4
x 2.0 2.2 2.4 2.6 2.8
f(x) 0.5103757 0.5207843 0.5104147 0.4813306 0.4359160

4. Una de las propiedades que comúnmente se emplean en mecánica de fluidos es el

volumen del líquido. El volumen de un líquido es una función de la temperatura. El
líquido más utilizado por el hombre es el H2O. A continuación se muestra el
volumen de un gramo de H20, en el intervalo de 273.150 K a 279.150 K.
puntos 0 1 2 3 4 5 6
Temperatura 273.15 274.15 275.15 276.16 277.15 278.15 279.15
(0K)
Volumen 1.0001329 1.0000733 1.0000321 1.0000078 1.0000000 1.0000081 1.0000318
Deseamos determinar el volumen para las temperaturas de: 274, 275, 277, 278, 279.

82 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Integración numérica
De acuerdo a la definición del diccionario, integrar significa "unir todas las partes en un
todo"; unificar; indicar la cantidad total, suma total...".

Matemáticamente, la integración se representa por:

𝑏
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥
𝑎

La cual representa a la integral de la función f(x) con respecto a la variable x, evaluada entre
los límites x=a y x=b.
Como lo sugiere la definición del diccionario, el "significado" de la ecuación es el valor total
o sumatoria de f(x)dx sobre el intervalo desde x=a hasta b.
En realidad, el símbolo∫ es una S mayúscula estilizada que indica la conexión cercana
entre la integración y la sumatoria.
Para las funciones que se encuentran sobre el eje x, la integral que se expresa corresponde
al área bajo la curva.
f(x)

x
a b

En la mayoría de las ocasiones los métodos numéricos para integración, al realizar un

análisis se empieza con un planteamiento desde una perspectiva gráfica.
Un planteamiento con sentido común es el de dividir el área en segmentos verticales, o
bandas, con una altura igual al valor de la función en el punto medio de cada banda.

f(x)

x
a b

83 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

El área de los rectángulos se calcula y se suman para estimar el área total.

En este planteamiento, se supone que el valor de los puntos medios proporciona una
aproximación válida de la altura promedio de la función en cada banda, es posible obtener
una estimación mejor, usando más (y delgadas) bandas para aproximar la integral.

Las fórmulas de integración de NEWTON-COTES son los esquemas más comunes dentro de
la integración numérica. Se basan en la estrategia de reemplazar una función complicada
con alguna función aproximada que sea más fácil de integrar:

Las fórmulas de Newton-Cotes están conformadas por las bien conocidas reglas del trapecio
y de Simpson (regla de un tercio y de tres octavos).

Fórmulas de integración de Newton-Cotes

Estas fórmulas se basan en la idea de integrar una función polinomial en vez de f(x).

𝑏 𝑏
∫ 𝑓(𝑥)𝑑𝑥 ≈ ∫ 𝑓𝑛 (𝑥)𝑑𝑥
𝑎 𝑎

donde fn(x)=a0 + a1x +…+ anxn es un polinomio de interpolación de grado n para ciertos
datos de f(x) que se escogen apropiadamente.

Es importante observar que estas fórmulas se pueden aplicar inclusive a una tabla de datos,
ya que lo que se usa es un polinomio de interpolación, el cual puede ser calculado con la
tabla.
Dentro de las fórmulas de Newton-Cotes, existen las formas cerradas y abiertas. En las
formas cerradas se conocen los valores de f(a) y f(b); en caso contrario, se llaman formas
abiertas.

Regla del Trapecio

Para entender el método de la regla del trapecio debe tomarse en cuenta la interpretación
geométrica de una integral como el área bajo la curva, siendo así, considérese el área de un
trapecio entre dos puntos de una curva como se muestra en la figura.

84 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Yi-1
A1
f(a) f(b)

x
a b
(b-a)

𝒃
𝒇(𝒂) + 𝒇(𝒃)
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒃 − 𝒂) [ ] [𝑅𝑒𝑔𝑙𝑎 𝑑𝑒𝑙 𝑇𝑟𝑎𝑝𝑒𝑐𝑖𝑜]
𝒂 𝟐

Ancho Altura promedio

A esta ecuación el nombre se debe a la interpretación geométrica que le podemos dar a la

fórmula. El polinomio de interpolación para una tabla que contiene dos datos, es una línea
recta. La integral, corresponde al área bajo la línea recta en el intervalo [a, b] que es
precisamente el área del trapecio que se forma.

Ejemplo:
1 2
Aplicar la regla del Trapecio para aproximar la integral: ∫0 𝑒 𝑥 𝑑𝑥

Solución:
2
Usamos la ecuación directamente con los siguientes datos: a=0, b=1 y f(x)= 𝑒 𝑥

1 2 2
𝑥2
𝑓(0) + 𝑓(1) 𝑒 (0) + 𝑒 (1) 1 + 2.7183 3.7183
∫ 𝑒 𝑑𝑥 ≈ (1 − 0) [ ]= = = = 𝟏. 𝟖𝟓𝟗𝟏𝟓
0 2 2 2 2

Ejemplo:
4 𝑒𝑥
Aplicar la regla del Trapecio para aproximar la integral: ∫2 𝑑𝑥
𝑥

Solución:
Igual que en el ejemplo anterior, sustituimos los datos de manera directa en la fórmula del
𝑒𝑥
trapecio. En este caso, tenemos los datos: a=2, b=4, y f(x)= 𝑥

85 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Por lo tanto, tenemos que:

𝑒(2) 𝑒(4)
4 𝑒𝑥 𝑓(2)+𝑓(4) +
∫2 𝑥 𝑑𝑥 ≈ (4 − 2) [ ]= 2 4
= 3.6945 + 13.6495 = 𝟏𝟕. 𝟑𝟒𝟒
2 2

Algoritmo en Matlab de la Regla del Trapecio

function trapecio=trapecio()
clc;
f =input('Dame la función : ','s');
a =input('Dame el punto a: ');
b =input('Dame el punto b: ');
ezplot(f,[a,b]);
grid,title('\bf Regla del Trapecio')
f=inline(f);
aprox=((b-a)/2)*(f(a)+f(b));
fprintf('\n\nAproximación a la integral=%12.6f \n',aprox);
end

86 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
6
1. Aplicar la regla del Trapecio para aproximar la integral: ∫1 (2 + 𝑠𝑒𝑛( 2√𝑥))𝑑𝑥

𝜋
2. Aplicar la regla del Trapecio para aproximar la integral: ∫02 𝑠𝑒𝑛2 (𝑥) 𝑑𝑥

1
3. Aplicar la regla del Trapecio para aproximar la integral: ∫0 √1 − 𝑥 3 𝑑𝑥

1 1
4. Aplicar la regla del Trapecio para aproximar la integral: ∫0 𝑑𝑥
1+𝑥 5

2 𝑒𝑥
5. Aplicar la regla del Trapecio para aproximar la integral: ∫1 𝑑𝑥
𝑥

5 2
6. Aplicar la regla del Trapecio para aproximar la integral: ∫1 𝑒 −𝑥 𝑑𝑥

2 ln 𝑥
7. Aplicar la regla del Trapecio para aproximar la integral: ∫1 𝑑𝑥
𝑥+1

𝜋
8. Aplicar la regla del Trapecio para aproximar la integral: ∫04 𝑥 𝑡𝑎𝑛𝑥 𝑑𝑥

3 1
9. Aplicar la regla del Trapecio para aproximar la integral: ∫2 𝑑𝑥
ln 𝑥

𝜋
10. Aplicar la regla del Trapecio para aproximar la integral: ∫02 𝑠𝑒𝑛(𝑥 2 ) 𝑑𝑥

87 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Regla del Trapecio Compuesta

La regla del trapecio se puede ampliar si subdividimos el intervalo [a, b] en n subintervalos,
𝒃−𝒂
todos de la misma longitud 𝒉 = 𝒏 𝑦 𝑥𝑖 = 𝑎 + 𝑖ℎ.

Sea P= {x0, x1,…xn} la partición que se forma al hacer dicha subdivisión. Usando propiedades
de la integral tenemos que:
𝑎 𝑥1 𝑥2 𝑥𝑛
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥)𝑑𝑥
𝑏 𝑥0 𝑥1 𝑥𝑛−1

Aplicando la regla del trapecio a cada una de las integrales, obtenemos:

𝑏
𝑓(𝑥0 ) + 𝑓(𝑥1 ) 𝑓(𝑥𝑛−1 ) + 𝑓(𝑥𝑛 )
∫ 𝑓(𝑥)𝑑𝑥 ≈ (𝑥1 − 𝑥0 ) [ ] + ⋯ + (𝑥𝑛 − 𝑥𝑛−1 ) [ ]
𝑎 2 2

Sustituyendo el valor de h y usando la notación sigma, tenemos finalmente:

𝒃
𝒇(𝒙𝟎 ) + 𝟐 ∑𝒏−𝟏
𝒊=𝟏 𝒇(𝒙𝒊 ) + 𝒇(𝒙𝒏 )
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒃 − 𝒂) [ ] [𝑇𝑟𝑎𝑝𝑒𝑐𝑖𝑜 𝐶𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎]
𝒂 𝟐𝒏

Esta es la regla del Trapecio para n subintervalos. Obviamente, esperamos que entre más
subintervalos usemos, mejor sea la aproximación a la integral.

Yi-1
A1 A2 A3 A4 An

x
X0 X1

Ejemplo:
1 2
Aplicar la regla del Trapecio Compuesta para aproximar la integral: ∫0 𝑒 𝑥 𝑑𝑥 en 5
subintervalos.

Solución:
2
Usamos la ecuación directamente con los siguientes datos: a=0, b=1 y f(x)= 𝑒 𝑥 y en este
caso, identificamos n=5, y la partición generada es: P= {0, 0.2, 0.4, 0.6, 0.8, 1}.
Así aplicando la formula tenemos:

88 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

1
2 𝑓(0) + 2(𝑓(0.2) + 𝑓(0.4) + 𝑓(0.6) + 𝑓(08)) + 𝑓(1)
∫ 𝑒 𝑥 𝑑𝑥 ≈ (1 − 0) [ ]
0 2(5)
2 2 2 2 2 2
𝑒 (0) + 2(𝑒 (0.2) + 𝑒 (0.4) + 𝑒 (0.6) + 𝑒 (0.8) ) + 𝑒 (1)
=[ ]
10
1 + 2(1.0408 + 1.1735 + 1.4333 + 1.8965) + 2.7183 14.8065
=[ ]=
10 10
= 𝟏. 𝟒𝟖𝟎𝟔𝟓

Mencionar que el valor verdadero de esta integral es de 1.4626

Así, vemos que con 5 intervalos, la aproximación no es tan mala pero para un mejor
resultado se recomienda un número mayor de subintervalos.

Algoritmo en Matlab de la Regla del Trapecio Compuesta

function trapeciocompuesta=trapeciocompuesta()
clc;
f =input('Dame la función : ','s');
a =input('Dame el punto a: ');
b =input('Dame el punto b: ');
n =input('dame el número de subintervalos: ');
ezplot(f,[a,b]);
grid,title('\bf Regla del Trapecio Compuesta')
f=inline(f);

h=((b-a)/(2*n));
sumxi=0;
for i=1:n-1
x=a+h*(2*i);
sumxi=sumxi+feval(f,x);
end

aprox=((b-a)/(2*n))*(f(a)+ 2*sumxi + f(b));

fprintf('\n\nAproximación a la integral=%12.6f \n',aprox);
end

89 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
1. Aplicar la regla del Trapecio Compuesta para aproximar la integral:
2
∫0 cos(𝑥 2 )𝑑𝑥 en 3 subintervalos.

𝜋
2. Aplicar la regla del Trapecio Compuesta para aproximar la integral: ∫02 cos(𝑥 2 )𝑑𝑥
en 3 subintervalos.

3. Aplicar la regla del Trapecio Compuesta para aproximar la

13
integral: ∫0 √1 + 𝑥 3 𝑑𝑥 en 3 subintervalos.

𝜋
4. Aplicar la regla del Trapecio Compuesta para aproximar la integral:∫02 √𝑠𝑒𝑛 𝑥 𝑑𝑥
en 5 subintervalos.

13
5. Aplicar la regla del Trapecio Compuesta para aproximar la integral:∫0 √𝑥 + 𝑥 2 𝑑𝑥
en 5 subintervalos.

1
6. Aplicar la regla del Trapecio Compuesta para aproximar la integral: ∫0 (9 −
1
𝑥 2 )3 𝑑𝑥 en 5 subintervalos.

1
7. Aplicar la regla del Trapecio Compuesta para aproximar la integral: ∫0 √tan 𝑥 𝑑𝑥
en 9 subintervalos.

1 𝑠𝑒𝑛 𝑥
8. Aplicar la regla del Trapecio Compuesta para aproximar la integral: ∫0 𝑑𝑥 en
𝑥
9 subintervalos.

𝜋 1
9. Aplicar la regla del Trapecio Compuesta para aproximar la integral: ∫0 1+𝑠𝑒𝑛2 𝑥
𝑑𝑥
en 9 subintervalos.

𝜋 cos 𝑥−1
10. Aplicar l regla del Trapecio Compuesta para aproximar la integral: ∫0 𝑑𝑥
𝑥2
En 9 subintervalos.

90 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Regla de Simpson
Basado en la utilización de segmentos de parábola para aproximar los arcos de curva, en
lugar de emplear segmentos de recta; es decir utilizar curvas en lugar de una poligonal, se
obtiene una mayor precisión en el cálculo de integrales definidas

Además de aplicar la regla trapezoidal con segmentos cada vez más finos, otra manera de
obtener una estimación más exacta de una integral, es la de usar polinomios de orden
superior para conectar los puntos. Por ejemplo, si hay un punto medio extra entre f(a) y
f(b), entonces los tres puntos se pueden conectar con un polinomio de tercer orden.
A las fórmulas resultantes de calcular la integral bajo estos polinomios se les llaman Reglas
de Simpson.

Regla de Simpson 1/3

La regla de Simpson de 1/3 aproxima el área bajo la curva de f(x) mediante parábolas como
se muestra la figura, se hace pasar un polinomio de segundo orden por cada tres puntos. El
polinomio definido por los puntos xi-1, xi, y xi+1 puede obtener mediante el polinomio de
interpolación de Newton.

𝑃2 (𝑥) = 𝑎1 + 𝑎2 (𝑥 − 𝑥𝑖−1 ) + 𝑎3 (𝑥 − 𝑥𝑖−1 )(𝑥 − 𝑥𝑖−1 )

Yi-1
A1
f(a) f(b)

x
a b
xm

𝒃
𝒇(𝒂) + 𝟒𝒇(𝒙𝒎 ) + 𝒇(𝒃) 1
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒃 − 𝒂) [ ] [𝑅𝑒𝑔𝑙𝑎 𝑑𝑒 𝑆𝑖𝑚𝑝𝑠𝑜𝑛 ]
𝒂 𝟔 3

Nota: El punto xm es el punto que está a la mitad entre a y b.

91 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejemplo:
1 2
Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫0 𝑒 𝑥 𝑑𝑥

Solución:
2
Aplicamos la formula directamente con los datos siguientes: a=0, b=1, xm=0.5 y f(x)= 𝑒 𝑥 .

1 2
𝑥2
𝑓(0) + 4𝑓(0.5) + 𝑓(1) 𝑒 (0) + 4𝑒 (0.5) + 𝑒 (1)
∫ 𝑒 𝑑𝑥 ≈ (1 − 0) [ ]=
0 6 6
1 + 5.1361 + 2.7183 8.8544
= = = 𝟏. 𝟒𝟕𝟓𝟕𝟑
6 6

Ejemplo:
4 𝑒𝑥
Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫2 𝑑𝑥
𝑥

Solución:
𝑒𝑥
Aplicamos la formula directamente con los datos siguientes: a=2, b=4, xm=3 y f(x)= 𝑥

𝑒2 𝑒3 𝑒4
4
𝑒𝑥
𝑓(2) + 4𝑓(3) + 𝑓(4) + 4( )+
∫ 𝑑𝑥 ≈ (4 − 2) [ ] = [2 3 4
]
2 𝑥 6 3
3.6945 + 26.7807 + 13.6495 44.1247
=( )= = 𝟏𝟒. 𝟕𝟎𝟖𝟐
3 3

Algoritmo en Matlab de la Regla de Simpson 1/3

function simpson13=simpson13()
clc;
f =input('Dame la función : ','s');
a =input('Dame el punto a: ');
b =input('Dame el punto b: ');
ezplot(f,[a,b]);
grid,title('\bf Regla de Simpson 1/3')
f=inline(f);

aprox=((b-a)/6)*(f(a)+4*f((a+b)/2)+f(b));
fprintf('\n\nAproximación a la integral=%12.6f \n',aprox);
end

92 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
6
1. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫1 (2 + 𝑠𝑒𝑛( 2√𝑥))𝑑𝑥

𝜋
2. Aplicar la regla Simpson 1/3 para aproximar la integral: ∫02 𝑠𝑒𝑛2 (𝑥) 𝑑𝑥

1
3. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫0 √1 − 𝑥 3 𝑑𝑥

1 1
4. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫0 𝑑𝑥
1+𝑥 5

2 𝑒𝑥
5. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫1 𝑑𝑥
𝑥

5 2
6. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫1 𝑒 −𝑥 𝑑𝑥

2 ln 𝑥
7. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫1 𝑑𝑥
𝑥+1

𝜋
8. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫04 𝑥 𝑡𝑎𝑛𝑥 𝑑𝑥

3 1
9. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫2 𝑑𝑥
ln 𝑥

𝜋
10. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫02 𝑠𝑒𝑛(𝑥 2 ) 𝑑𝑥

1
11. Aplicar la regla de Simpson 1/3 para aproximar la integral: ∫0 √1 + 2𝑥 𝑑𝑥

93 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Regla de Simpson 1/3 Compuesta

Al igual que con la regla del trapecio, podemos extender la regla de Simpson de 1/3, si
𝒃−𝒂
subdividimos el intervalo [a, b] en n subintervalos de la misma longitud 𝒉 = 𝒏 .
Sea P={x0, x1,…,xn} la partición que se forma al hacer la subdivisión, y denotemos por xMi ϵ
[xi-1, xi] el punto medio en cada subintervalo.

Yi-1

f(a) f(b)

x
a xm b

𝒃
𝒇(𝒙𝟎 ) + 𝟒 ∑𝒏𝒊=𝟏 𝒇(𝒙𝒎𝒊 ) + 𝟐 ∑𝒏−𝟏
𝒊=𝟏 𝒇(𝒙𝒊 ) + 𝒇(𝒙𝒏 ) 1
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒃 − 𝒂) [ ] [𝑆𝑖𝑚𝑝𝑠𝑜𝑛 𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎]
𝒂 𝟔𝒏 3

Ejemplo:
1 2
Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral: ∫0 𝑒 𝑥 𝑑𝑥 en 5
subintervalos.

Solución:
En este caso, tenemos que n=5, y la partición que se genera es: P= {0, 0.2, 0.4, 0.6, 0.8, 1},
además los puntos medios de cada subintervalo son: PM= {0.1, 0.3, 0.5, 0.7, 0.9}
Por lo que sustituimos los datos en la ecuación para obtener:

1
2
∫ 𝑒 𝑥 𝑑𝑥
0
𝑓(0) + 4[𝑓(0.1) + 𝑓(0.3) + ⋯ + 𝑓(0.9)] + 2[𝑓(0.2) + 𝑓(0.4) + ⋯ + 𝑓(0.8)] + 𝑓(1)
≈ (1 − 0) [ ]
6(5)
1 + 4[1.0101 + 1.0942 + 1.2840 + 1.6323 + 2.247] + 2[1.0408 + 1.1735 + 1.4333 + 1.8965] + 2.7183
=[ ]
30
1 + 4.0404 + 4.3768 + 5.136 + 6.5292 + 8.988 + 2.0816 + 2.347 + 2.8666 + 3.7930 + 2.7183
=[ ]
30
43.8769
= = 𝟏. 𝟒𝟔𝟐𝟔
30

94 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab de la Regla de Simpson 1/3 compuesta

function simpson13compuesta=simpson13compuesta()
clc;
clear;
f=input('Dame la función : ','s');
a=input('Dame el punto a: ');
b=input('Dame el punto b: ');
n=input('Dame el número de subintervalos: ');

ezplot(f,[a,b]);
grid,title('\bf Regla de Simpson 1/3 compuesta')
f=inline(f);

h=(b-a)/(2*n);

sumxi=0;
for i=1:n-1
x=a+h*(2*i);
sumxi=sumxi+feval(f,x);
end

sumxmi=0;
for i=1:n
x=a+h*(2*i-1);
sumxmi=sumxmi+feval(f,x);
end

aprox=((b-a)/(6*n))*(f(a)+ 4*sumxmi + 2*sumxi + f(b));

fprintf('\n\nAproximación a la integral=%12.6f \n',aprox);
end

95 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
1. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:
2
∫0 cos(𝑥 2 )𝑑𝑥 en 3 subintervalos.

2. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:

𝜋
∫02 cos(𝑥 2 )𝑑𝑥 en 3 subintervalos.

3. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la

13
integral: ∫0 √1 + 𝑥 3 𝑑𝑥 en 3 subintervalos.

4. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la

𝜋
integral:∫0 √𝑠𝑒𝑛 𝑥 𝑑𝑥 en 5 subintervalos.
2

5. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la

13
integral:∫0 √𝑥 + 𝑥 2 𝑑𝑥 en 5 subintervalos.

6. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:

1
1
∫0 (9 − 𝑥 2 )3 𝑑𝑥 en 5 subintervalos.

7. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:

1
∫0 √tan 𝑥 𝑑𝑥 en 9 subintervalos.

1 𝑠𝑒𝑛 𝑥
8. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral: ∫0 𝑑𝑥
𝑥
en 9 subintervalos.

9. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:

𝜋 1
∫0 1+𝑠𝑒𝑛2 𝑥 𝑑𝑥 en 9 subintervalos.

10. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:

𝜋 cos 𝑥−1
∫0 𝑥 2 𝑑𝑥 en 9 subintervalos.

11. Aplicar la regla de Simpson 1/3 Compuesta para aproximar la integral:

2 2
∫0 𝑒 (cos 𝑥) 𝑑𝑥 en 9 subintervalos.

96 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Regla de Simpson 3/8

El método de Simpson 3/8 aproxima el área bajo la curva de f(x) mediante polinomios
cúbicos. Por cada cuatro puntos se hace pasar un polinomio de tercer orden. Para puntos xi,
xi+1, xi+2, xi+3 el área bajo la curva es:

Yi-1
A1
f(a) f(b)

x
a xm xm b

𝒃
𝒇(𝒙𝟎 ) + 𝟑𝒇(𝒙𝟏 ) + 𝟑𝒇(𝒙𝟐 ) + 𝒇(𝒙𝟑 ) 3
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒃 − 𝒂) [ ] [𝑅𝑒𝑔𝑙𝑎 𝑑𝑒 𝑆𝑖𝑚𝑝𝑠𝑜𝑛 ]
𝒂 𝟖 8

Ejemplo:
4
Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫1 𝑒 𝑥 𝐼𝑛 𝑥 𝑑𝑥

Solución:
En este caso tenemos los siguientes datos: x0=1, x1=2, x2=3, x3=4 y f(x)= 𝑒 𝑥 𝐼𝑛 𝑥, los cuales
sustituimos en la fórmula para obtener:

4
𝑓(1) + 3𝑓(2) + 3𝑓(3) + 𝑓(4)
∫ 𝑒 𝑥 𝐼𝑛 𝑥 𝑑𝑥 ≈ (4 − 1) [ ]
1 8
3
= [𝑒 1 ln(1) + 3𝑒 2 ln(2) + 3𝑒 3 ln(3) + 𝑒 4 ln(4)] = 𝟓𝟖. 𝟗𝟔𝟗𝟖
8

Nota: De x0 a x4 que son 3 segmentos, es porque se unen 4 puntos y es constante este

número de segmentos.

97 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Algoritmo en Matlab de la Regla de Simpson 3/8

function simpson38=simpson38()
clc;
clear;
f=input('Dame la función : ','s');
a=input('Dame el punto a: ');
b=input('Dame el punto b: ');
ezplot(f,[a,b]);
grid,title('\bf Regla de Simpson 3/8')
f=inline(f);

h=((b-a)/3);
x=a;
sum=0;
for i=2:3
x= x + h;
sum=sum + 3*f(x);
end
aprox=((b-a)/8)*(f(a)+sum +f(b));
fprintf('\n\nAproximación a la integral=%12.6f \n',aprox);
end

98 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
6
1. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫1 (2 + 𝑠𝑒𝑛( 2√𝑥))𝑑𝑥

𝜋
2. Aplicar la regla Simpson 3/8 para aproximar la integral: ∫02 𝑠𝑒𝑛2 (𝑥) 𝑑𝑥

1
3. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫0 √1 − 𝑥 3 𝑑𝑥

1 1
4. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫0 𝑑𝑥
1+𝑥 5

2 𝑒𝑥
5. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫1 𝑑𝑥
𝑥

5 2
6. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫1 𝑒 −𝑥 𝑑𝑥

2 ln 𝑥
7. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫1 𝑑𝑥
𝑥+1

𝜋
8. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫04 𝑥 𝑡𝑎𝑛𝑥 𝑑𝑥

3 1
9. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫2 𝑑𝑥
ln 𝑥

𝜋
10. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫02 𝑠𝑒𝑛(𝑥 2 ) 𝑑𝑥

1
11. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫0 √1 + 2𝑥 𝑑𝑥

1 2
12. Aplicar la regla de Simpson 3/8 para aproximar la integral: ∫0 𝑒 𝑥 𝑑𝑥

99 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Regla de Simpson 3/8 Compuesta

Al igual que en los dos casos anteriores, la regla de Simpson de 3/8, se puede extender si
𝒃−𝒂
subdividimos el intervalo [a, b] en n intervalos de la misma longitud 𝒉 = 𝒏 .

Sea x0, x1, x2,…xn la partición determinada de esta forma. Cada subintervalo [xi-1, xi] lo
dividimos en 3 partes iguales, y sean yi y zi los puntos determinados así:

Yi-1

f(a) f(b)

x
a xm b

Aplicando la regla de 3/8 en cada uno de los intervalos tenemos:

𝒏 𝒏−𝟏
𝒃
𝒃−𝒂 3
∫ 𝒇(𝒙)𝒅𝒙 = [𝒇(𝒙𝟎 ) + 𝟑 (∑[𝒇(𝒚𝒊 ) + 𝒇(𝒛𝒊 )]) + 𝟐 ∑ 𝒇(𝒙𝒊 ) + 𝒇(𝒙𝒏 )] [𝑆𝑖𝑚𝑝𝑠𝑜𝑛 𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎]
𝒂 𝟖𝒏 8
𝒊=𝟏 𝒊=𝟏

Ejemplo:
4
Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral: ∫1 𝑒 𝑥 𝐼𝑛 𝑥 𝑑𝑥 en 3
subintervalos.

Solución:
Identificamos n=3 y la partición corresponde: P = {1, 2, 3, 4}

Al considerar los puntos que dividen en tres partes iguales a cada subintervalo, tenemos los
siguientes datos:

1
(1 + 0.333333)= 1.333333
(1.333333 + 0.333333)= 1.666666
(1.666666 + 0.333333)= 2
(2 + 0.333333)= 2.333333
(2.333333 + 0.333333) = 2.666666

100 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

(2.666666 + 0.333333) = 3
(3 + 0.333333) = 3.333333
(3,333333 + 0.333333) = 3.666666
(3.666666 + 0.333333) = 4

𝑏−𝑎
Nota: Se utiliza la fórmula de ℎ = para sacar el valor de P y para sacar el valor de PMi se
𝑛
𝑏−𝑎
utiliza ℎ = y aquí el 3 es constante por el número de segmentos que une los 4 puntos.
3

Sustituyendo todos los datos en la formula, obtenemos:

4
4−1
∫ 𝑒 𝑥 ln 𝑥 𝑑𝑥 ≈ [𝑓(1)
1 8(3)
+ 3[𝑓(1.333333) + 𝑓(1.666666) + 𝑓(2.333333) + 𝑓(2.666666)
3
+ 𝑓(3.333333) + 𝑓(3.666666)] + 2[𝑓(2) + 𝑓(3)] + 𝑓(4)] = [𝑒 1 ln(1)
24
+ 3[𝑒 1.333333 ln(1.333333) + ⋯ + 𝑒 3.666666 ln(3.666666)]
+ 2[𝑒 2 ln(2) + 𝑒 3 ln(3)] + 𝑒 4 ln(4)] = 𝟓𝟕. 𝟗𝟔𝟖𝟕𝟖

Algoritmo en Matlab de la Regla de Simpson 3/8 compuesta

function simpson38compuesta=simpson38compuesta()
clc;
clear;
f=input('Dame la función : ','s');
a =input('Dame el punto a: ');
b =input('Dame el punto b: ');
n =input('Dame el número de subintervalos: ');

ezplot(f,[a,b]);
grid,title('\bf Regla de Simpson 3/8 compuesta')
f=inline(f);
h =(b-a)/(2*n);

f0=0;
for i=1:n-1
x=a+h*(2*i);
f0=f0+f(x);
end
f1=0;
for i=1:n
x=a+h*(2*i-1);
f1=f1+f(x);
end
f0=2*f0+4*f1;
f0=f0+f(a)+f(b);
aprox=(h/3)*f0;
fprintf('\n\nAproximación a la integral=%12.6f \n',aprox);
end

101 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
1. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:
2
∫0 cos(𝑥 2 )𝑑𝑥 en 3 subintervalos.

2. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:

𝜋
∫02 cos(𝑥 2 )𝑑𝑥 en 3 subintervalos.

3. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la

13
integral: ∫0 √1 + 𝑥 3 𝑑𝑥 en 3 subintervalos.

4. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la

𝜋
integral:∫0 √𝑠𝑒𝑛 𝑥 𝑑𝑥 en 5 subintervalos.
2

5. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la

13
integral:∫0 √𝑥 + 𝑥 2 𝑑𝑥 en 5 subintervalos.

6. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:

1
1
∫0 (9 − 𝑥 2 )3 𝑑𝑥 en 5 subintervalos.

7. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:

1
∫0 √tan 𝑥 𝑑𝑥 en 9 subintervalos

1 𝑠𝑒𝑛 𝑥
8. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral: ∫0 𝑑𝑥
𝑥
en 9 subintervalos.

9. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:

𝜋 1
∫0 1+𝑠𝑒𝑛2 𝑥 𝑑𝑥 en 9 subintervalos.

10. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:

𝜋 cos 𝑥−1
∫0 𝑥 2 𝑑𝑥 en 9 subintervalos.

11. Aplicar la regla de Simpson 3/8 Compuesta para aproximar la integral:

2 2
∫0 𝑒 (cos 𝑥) 𝑑𝑥 en 9 subintervalos.

12. Aplicar la regla de Simpson de 3/8 Compuesta para aproximar la integral:

1 2
∫0 𝑒 𝑥 𝑑𝑥 en 9 subintervalos.

102 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Método de Romberg
La integración de Romberg es una técnica que está especialmente diseñada para alcanzar
la eficiencia en las integrales numéricas de funciones: Está basada en la extrapolación de
Richardson, método que permite generar una estimación numérica más exacta a partir de
dos estimaciones numéricas menos exactas. En concreto, está basada en aproximaciones
obtenidas a partir de la regla trapezoidal.

𝑏
El procedimiento de Romberg para aproximar ∫𝑎 𝑓(𝑥)𝑑𝑥 consiste en lo siguiente:

Aplicando la regla del Trapecio sucesivamente para tamaños de paso h k variables, así:

𝑁𝑖𝑣𝑒𝑙 1 𝑁𝑖𝑣𝑒𝑙 2 𝑁𝑖𝑣𝑒𝑙 3 𝑁𝑖𝑣𝑒𝑙 𝑘

4 1
(𝑅𝑒𝑔𝑙𝑎 𝑑𝑒𝑙 𝑡𝑟𝑎𝑝𝑒𝑐𝑖𝑜) 𝐼(ℎ2 ) − 𝐼(ℎ1 )
3 3
𝑏−𝑎
ℎ1 = 0 ∎
2
𝑏−𝑎
ℎ2 = 1 ∎ ∎
2
𝑏−𝑎
ℎ𝑘 = 𝑘−1 ∎ ∎ ∎
2

𝟒𝒏 𝑨𝒏−𝟏 − 𝑨𝒏
𝑨𝒏 = [𝐸𝑥𝑡𝑟𝑎𝑝𝑜𝑙𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑅𝑖𝑐ℎ𝑎𝑟𝑑𝑠𝑜𝑛]
𝟒𝒏 − 𝟏

Ejemplo:
21
Aplicar el método de Romberg para aproximar la integral: ∫1 𝑥 𝑑𝑥 con h3.

A1

𝑏−𝑎 2−1
ℎ1 = = =1
20 1
2
1 1 1 1
∫ 𝑑𝑥 = ( + ) = 0.75
1 𝑥 2 1 2

A1= 0.75

A2

𝑏−𝑎 2−1
ℎ2 = = = 0.5
21 2

103 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

1.5
1 0.5 1 1
∫ 𝑑𝑥 = ( + ) = 0.41667
1 𝑥 2 1 1.5
2
1 0.5 1 1
∫ 𝑑𝑥 = ( + ) = 0.29167
1.5 𝑥 2 1.5 2

A2= 0.41667 + 0.29167= 0.708333

A3

𝑏−𝑎 2−1
ℎ3 = = = 0.25
22 4
1.25
1 0.25 1 1
∫ 𝑑𝑥 = ( + ) = 0.22500
1 𝑥 2 1 1.25
1.5
1 0.25 1 1
∫ 𝑑𝑥 = ( + ) = 0.18333
1.25 𝑥 2 1.25 1.5
1.75
1 0.25 1 1
∫ 𝑑𝑥 = ( + ) = 0.15476
1.5 𝑥 2 1.5 1.75
2
1 0.25 1 1
∫ 𝑑𝑥 = ( + ) = 0.13393
1.75 𝑥 2 1.75 2

A3= 0.22500 + 0.18333 + 0.15476 + 0.13393 = 0.697024

Aplicando el Método de Romberg

4𝑛 𝐴𝑛−1 − 𝐴𝑛
𝐴𝑛 =
4𝑛 − 1

0.75
0.708333
0.697024

41 (0.708333) − 0.75 4(0.708333) − 0.75

𝐴1 = = = 0.694444
41 − 1 3

41 (0.697024) − 0.708333 4(0.697024) − 0.708333

𝐴1 = = = 0.693254
41 − 1 3

0.75
0.708333 0.694444
0.697024 0.693254

104 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

42 (0.693254) − 0.694444 16(0.693254) − 0.694444

𝐴2 = = = 0.693175
42 − 1 15

H1 H2 H3
0.75
0.708333 0.694444
0.697024 0.693254 0.693175

Realizar el método de Romberg en Excel y en Matlab.

105 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Ejercicios.
6
1. Aplicar el método de Romberg para aproximar la integral: ∫1 (2 + 𝑠𝑒𝑛( 2√𝑥))𝑑𝑥 en
h 3.
𝜋
2. Aplicar el método de Romberg para aproximar la integral: ∫02 𝑠𝑒𝑛2 (𝑥) 𝑑𝑥 en h3.

1
3. Aplicar el método de Romberg para aproximar la integral: ∫0 √1 − 𝑥 3 𝑑𝑥 en h3.

1 1
4. Aplicar el método de Romberg para aproximar la integral: ∫0 𝑑𝑥 en h3.
1+𝑥 5

2 𝑒𝑥
5. Aplicar el método de Romberg para aproximar la integral: ∫1 𝑑𝑥 en h3.
𝑥

5 2
6. Aplicar el método de Romberg para aproximar la integral: ∫1 𝑒 −𝑥 𝑑𝑥 en h4.

2 ln 𝑥
7. Aplicar el método de Romberg para aproximar la integral: ∫1 𝑑𝑥 en h4.
𝑥+1

𝜋
8. Aplicar el método de Romberg para aproximar la integral: ∫04 𝑥 𝑡𝑎𝑛𝑥 𝑑𝑥 en h4.

3 1
9. Aplicar el método de Romberg para aproximar la integral: ∫2 𝑑𝑥 en h4.
ln 𝑥

𝜋
10. Aplicar el método de Romberg para aproximar la integral: ∫02 𝑠𝑒𝑛(𝑥 2 ) 𝑑𝑥 en h5.

1
11. Aplicar el método de Romberg para aproximar la integral: ∫0 √1 + 2𝑥 𝑑𝑥 en h5.

1 2
12. Aplicar el método de Romberg para aproximar la integral: ∫0 𝑒 𝑥 𝑑𝑥 en h5.

106 | P á g i n a
Victor Fernández Rosales
 Métodos numéricos 2015

Bibliografía
 Nieves, Antonio & Domínguez, Federico C. (2006), Métodos numéricos aplicados a
la ingeniería, (2ª. Ed.) CECSA.
 Chapra C., Steven & Canale, Raymond P. (1999), Métodos numéricos para
ingenieros, (3ª. Ed.), McGRAW-HILL.

107 | P á g i n a
Victor Fernández Rosales