Métodos Numéricos (J.chavarria)

Metodos numericos
Jeffry Chavarra Molina

22 de julio de 2014
A Natalia, por su paciencia.

A Andres David, por existir.
A Dios, por darme la fuerza.
Agradecimientos
A las personas que creyeron en esta obra.

A todos los estudiantes, que al usar el manuscrito
durante sus estudios se tomaron la molestia de realizar
sugerencias.
A Manuel Murillo Tsijli, quien sin saberlo
me alent
o a publicar esta obra.
A Fabio Gonz
alez por sus importantes
aportes y sugerencias.
Contenido
1. Introducci
on y conocimientos previos
19
1.1. Motivaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2. Computadoras y programas . . . . . . . . . . . . . . . . . . . . . . 20
1.2.1. Computadoras . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.2. Programa inform
atico y usuario . . . . . . . . . . . . . . . . 21
1.2.3. Lenguajes de programacion . . . . . . . . . . . . . . . . . . 21
1.2.4. Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2.5. Programaci
on estructurada o secuencial . . . . . . . . . . . 24
1.2.6. Programaci
on orientada a eventos . . . . . . . . . . . . . . 26
1.3. Aproximaciones y errores de redondeo y error de truncamiento . . 27
1.3.1. Error absoluto y error relativo . . . . . . . . . . . . . . . . 27
1.4. Notaci
on cientfica . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5. Cifras significativas . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6. Notaci
on punto flotante . . . . . . . . . . . . . . . . . . . . . . . . 32
1.6.1. Punto flotante de un n
umero por corte o redondeo . . . . . 34
1.6.2. Error de redondeo y error de corte . . . . . . . . . . . . . . 36
1.7. Dgitos significativos, precisi
on y exactitud . . . . . . . . . . . . . . 38
1.8. Aritmetica de punto flotante . . . . . . . . . . . . . . . . . . . . . . 40
1.9. Preliminares matem
aticos . . . . . . . . . . . . . . . . . . . . . . . 44
1.9.1. Funciones continuas y acotadas . . . . . . . . . . . . . . . . 44
9
10
CONTENIDO
1.9.2. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.9.3. Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.9.4. Convergencia y divergencia de series . . . . . . . . . . . . . 54
1.9.5. Series alternadas . . . . . . . . . . . . . . . . . . . . . . . . 55
1.9.6. Serie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.9.7. Aproximaci
on de derivadas e integrales . . . . . . . . . . . . 69
1.9.8. Resto de una serie de potencias y cota del error . . . . . . . 70
1.10. Rapidez de convergencia (O de Landau) . . . . . . . . . . . . . . . 72
1.11. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . . . . 74
2. Races de ecuaciones
77
2.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2. Metodo gr
afico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.3. Metodo de bisecci
on . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.3.1. Cota del error y metodo de paro . . . . . . . . . . . . . . . 84
2.3.2. Ventajas y desventajas del metodo de biseccion . . . . . . . 89
2.3.3. El metodo de bisecci
on en Excel . . . . . . . . . . . . . . . 90
2.4. Metodo de la secante . . . . . . . . . . . . . . . . . . . . . . . . . . 96
2.4.1. Metodo de paro . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.4.2. Ventajas y desventajas del metodo de la secante . . . . . . 102
2.4.3. El metodo de la secante en Excel . . . . . . . . . . . . . . . 103
2.5. Metodo de la falsa posici
on . . . . . . . . . . . . . . . . . . . . . . 108
2.5.1. Ventajas y desventajas del metodo de la falsa posicion . . . 109
2.5.2. Metodo de la falsa posici
on modificado . . . . . . . . . . . . 110
2.6. Metodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . 111
2.6.1. Deducci
on de la f
ormula recurrente . . . . . . . . . . . . . . 113
2.6.2. Ventajas y desventajas del metodo de Newton-Raphson . . 115
2.6.3. Implementaci
on de metodo Newton-Raphson . . . . . . . . 116
2.7. Metodo del punto fijo . . . . . . . . . . . . . . . . . . . . . . . . . 121
2.7.1. Aproximaci
on de puntos fijos . . . . . . . . . . . . . . . . . 128
2.7.2. Convergencia del algoritmo del punto fijo . . . . . . . . . . 129
2.7.3. Implementaci
on de metodo del punto fijo . . . . . . . . . . 135
CONTENIDO
11
2.8. Analisis de la convergencia de los metodos iterativos . . . . . . . . 139

2.8.1. An
alisis de metodo de biseccion . . . . . . . . . . . . . . . . 142
2.8.2. An
alisis del metodo de la secante . . . . . . . . . . . . . . . 142
2.8.3. An
alisis del metodo del punto fijo
. . . . . . . . . . . . . . 145
2.8.4. An
alisis del metodo Newton-Raphson . . . . . . . . . . . . 152
3. Sistemas de ecuaciones
163
3.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
3.2. Resoluci
on de sistemas de ecuaciones . . . . . . . . . . . . . . . . . 165
3.2.1. Metodo gr
afico . . . . . . . . . . . . . . . . . . . . . . . . . 165
3.2.2. Metodos algebraicos cl
asicos . . . . . . . . . . . . . . . . . . 169
3.3. Eliminaci
on de Gauss simple . . . . . . . . . . . . . . . . . . . . . 184
3.3.1. Eliminaci
on de Gauss y las matrices elementales . . . . . . 190
3.3.2. Implementaci
on en lenguaje V.B. . . . . . . . . . . . . . . . 198
3.3.3. Limitaciones del metodo de eliminacion . . . . . . . . . . . 199
3.3.4. Pivoteo parcial . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.4. Descomposici
on LU de una matriz . . . . . . . . . . . . . . . . . . 207
3.4.1. Metodo de factorizaci
on LU . . . . . . . . . . . . . . . . . . 209
3.4.2. Implementaci
on de la factorizacion LU . . . . . . . . . . . . 213
3.4.3. Descomposici
on P T LU de una matriz . . . . . . . . . . . . 215
3.4.4. Resolver sistemas de ecuaciones lineales mediante la descomposici
on LU . . . . . . . . . . . . . . . . . . . . . . . . 217
3.4.5. Inversos de matrices . . . . . . . . . . . . . . . . . . . . . . 222
3.5. Error y condicionamiento . . . . . . . . . . . . . . . . . . . . . . . 224
3.5.1. Matrices inversas para el estudio del condicionamiento de
una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
3.5.2. N
umero de condici
on de una matriz . . . . . . . . . . . . . 226
3.5.3. C
omo escoger de una precision, seg
un el nivel del mal condicionamiento de la matriz . . . . . . . . . . . . . . . . . . 230
3.6. Metodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
3.6.1. Metodo de paro . . . . . . . . . . . . . . . . . . . . . . . . . 233
3.6.2. Metodo de Jacobi
. . . . . . . . . . . . . . . . . . . . . . . 234
12
CONTENIDO
3.6.3. Metodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . 240
3.7. Resoluci
on de sistemas no lineales
. . . . . . . . . . . . . . . . . . 248
3.7.1. Representaci
on de un sistema no lineal como una funcion
de Rn en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . 248
3.7.2. Metodo de punto fijo para funciones de Rn en Rn
. . . . . 249
3.7.3. Metodo de Newton-Raphson para funciones de Rn en Rn . 254

4. Interpolaci
on num
erica y regresi
on lineal
263
4.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
4.2. El proceso de interpolaci
on . . . . . . . . . . . . . . . . . . . . . . 264
4.3. Diferencias divididas . . . . . . . . . . . . . . . . . . . . . . . . . . 267
4.3.1. Interpolaci
on lineal . . . . . . . . . . . . . . . . . . . . . . . 267
4.3.2. Interpolaci
on cuadr
atica . . . . . . . . . . . . . . . . . . . . 271
4.3.3. Interpolaci
on polinomial . . . . . . . . . . . . . . . . . . . . 276
4.3.4. Error cometido para el polinomio interpolante de Newton
por diferencias divididas . . . . . . . . . . . . . . . . . . . . 280
4.3.5. Implementaci
on de la interpolacion de Newton mediante
diferencias divididas . . . . . . . . . . . . . . . . . . . . . . 289
4.4. Polinomio de interpolaci
on de Lagrange . . . . . . . . . . . . . . . 291
4.4.1. Interpolaci
on lineal de Lagrange . . . . . . . . . . . . . . . 291
4.4.2. Interpolaci
on cuadr
atica de Lagrange . . . . . . . . . . . . . 292
4.4.3. Interpolaci
on polinomial de grado mayor que 2 mediante
Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
4.4.4. Implementaci
on de la interpolacion de Lagrange . . . . . . 298
4.5. Polinomio osculante e interpolaci
on de Hermite . . . . . . . . . . . 298
4.6. Regresi
on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
4.6.1. Metodo de mnimos cuadrados . . . . . . . . . . . . . . . . 309
4.6.2. Calidad de la representacion R2 . . . . . . . . . . . . . . . . 312
4.6.3. Implementaci
on de la regresion lineal . . . . . . . . . . . . . 313
4.6.4. Linealizaci
on de datos para regresion . . . . . . . . . . . . . 314
CONTENIDO
13
5. Derivaci
on e integraci
on num
erica
325
5.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
5.2. Derivaci
on numerica . . . . . . . . . . . . . . . . . . . . . . . . . . 326
5.2.1.
C
alculo del error . . . . . . . . . . . . . . . . . . . . . . . . 328
5.2.2. F
ormulas de diferencias divididas finitas con mas de dos
puntos para f 1 . . . . . . . . . . . . . . . . . . . . . . . . . 330
5.2.3. F
ormulas de diferencias divididas finitas con mas de dos
puntos para f 2 . . . . . . . . . . . . . . . . . . . . . . . . . 334
5.3. Integraci
on numerica . . . . . . . . . . . . . . . . . . . . . . . . . . 339
5.3.1. Metodo de integraci
on de Newton-Cotes . . . . . . . . . . . 342
5.4. Cuadratura gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . 362
5.4.1. F
ormula de Gauss-Legendre de dos puntos (mejora de la
regla del trapecio) . . . . . . . . . . . . . . . . . . . . . . . 364
5.4.2. F
ormula de Gauss-Legendre con n puntos . . . . . . . . . . 368
6. Soluci
on num
erica de ecuaciones diferenciales ordinarias
377
6.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377
6.2. Ecuaciones diferenciales ordinarias (EDO) . . . . . . . . . . . . . . 377
6.2.1. Soluci
on de una EDO . . . . . . . . . . . . . . . . . . . . . 381
6.2.2. Problema de valor inicial y valor frontera . . . . . . . . . . 383
6.3. Metodos de un paso para EDO . . . . . . . . . . . . . . . . . . . . 384
6.3.1. Metodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . 384
6.3.2. Metodos de Taylor . . . . . . . . . . . . . . . . . . . . . . . 395
6.3.3. Metodo de Euler mejorado . . . . . . . . . . . . . . . . . . 399
6.3.4. Metodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . 403
6.4. Metodo de pasos m
ultiples para EDO . . . . . . . . . . . . . . . . 408
6.4.1. Metodos de Adams . . . . . . . . . . . . . . . . . . . . . . . 410
A. Programaci
on e introducci
on a Excel
425
A.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
A.2. Introducci
on a Visual Basic para Excel . . . . . . . . . . . . . . . . 425
A.2.1. El ambiente de programacion en Excel . . . . . . . . . . . . 426
14
CONTENIDO
A.2.2. Controles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 428
A.2.3. Ingreso de datos en VB para Excel . . . . . . . . . . . . . . 430
A.2.4. Variables en el lenguaje Visual Basic de Excel . . . . . . . . 433
A.2.5. Condicionales y la toma de decisiones . . . . . . . . . . . . 436
A.2.6. Bucle o ciclos . . . . . . . . . . . . . . . . . . . . . . . . . . 438
A.2.7. Introducci
on a las funciones . . . . . . . . . . . . . . . . . . 441
A.2.8. Arreglos en Visual Basic . . . . . . . . . . . . . . . . . . . . 443
A.3. Depuraci
on de un programa . . . . . . . . . . . . . . . . . . . . . . 446
A.3.1. Corridas paso a paso . . . . . . . . . . . . . . . . . . . . . . 446
A.3.2. Monitoreo de variable durante la ejecucion
B. Respuesta de los ejercicios propuestos
. . . . . . . . . 449
453
B.1. Soluciones del captulo 1 . . . . . . . . . . . . . . . . . . . . . . . . 453

Indice alfab
etico
499
Presentaci
on
La presente obra contiene temas relativos a los metodos numericos que forman
parte de cualquier curso a nivel universitario, tanto para estudiantes de ingeniera,
ense
nanza de la matem
atica y matem
atica. Esta dirigida a todas las personas que
deseen ver en la matem
atica, m
as que conceptos abstractos, una herramienta que
permita resolver problemas concretos del mundo real.
Este libro surge de la experiencia del autor en los cursos de Metodos numericos
para ingeniera y Metodos numericos para los estudiantes de la carrera Ense
nanza
de la matematica asistida por computadora en el Instituto Tecnologico de Costa
Rica. Inicialmente, se trat
o de material didactico empleado en clases, pero luego
se condenso y ahora constituye una valiosa herramienta para los estudiantes de
estas areas.
El contenido combina muchos conocimientos matematicos con otros propios
de metodos numericos; por lo tanto, es necesario que el lector posea conocimientos en matem
atica general, c
alculo diferencial e integral en una y varias variables,
algebra lineal y ecuaciones diferenciales ordinarias. Esto constituye, por lo general, los requisitos necesarios para poder cursar la asignatura de metodos numericos a nivel universitario. No obstante, durante el desarrollo de la obra se realizan
repasos de los conocimientos requeridos, de manera que el lector pueda recordarlos y aplicarlos en la deducci
on y justificacion de los metodos desarrollados y
abordados.
Ademas, la obra posee un enfoque teorico-practico, lo cual combina tanto
la aplicacion de los metodos estudiados a problemas concretos del mundo real,
as como las deducciones o justificaciones de estos. Se realizaran las demostraciones de los resultados que sean accesibles desde el punto de vista de la teora
previa conocida y enriquezcan el desarrollo de los contenidos. En algunos casos,
se daran justificaciones no formales de los resultados, con el proposito de que
el lector pueda apropiarse de una idea sobre el funcionamiento de los metodos
estudiados sin recurrir necesariamente a la demostracion formal. En todo caso,
15
16
Metodos numericos
las demostraciones iniciar

an con el smbolo o y terminaran con el smbolo p al
margen derecho de la p
agina.
Durante el desarrollo de los temas, en cada captulo se ejemplifican los metodos estudiados; el enunciado de cada ejemplo se inicia con el smbolo
; en
cuanto a los ejemplos que requieren soluci
on, esta se presentara seguida del enunciado, iniciara con el smbolo F al margen izquierdo y terminara con el mismo
smbolo en el margen derecho de la p
agina.
En cada tema estudiado se presentar
an secciones de ejercicios focalizados, los
cuales tienen como objetivo la autoevaluacion de los contenidos por parte del lector. Al finalizar cada captulo se presenta un conjunto de ejercicios combinados
sobres el total de temas tratados en el. Los ejercicios que por alguna razon se consideran complicados o con una dificultad elevada seran se
nalados con el smbolo :.
Las respuestas y algunas soluciones parciales de los ejercicios propuestos pueden
ser consultadas en el apendice B.
El pseudocodigo de los metodos propuestos esta presentado de manera que
puedan ser implementados en cualquier lenguaje de programacion, tal como Visual Basic para Excel, Matlab, Octave, Python, entre otros. Sin embargo, los
codigos e implementaciones presentadas en la obra fueron realizadas en el lenguaje Visual Basic para Excel; por esta razon, en el apendice A se realiza una
introduccion a dicho lenguaje de programacion.
En el captulo 1 se presenta una introduccion a los metodos numericos, as como las herramientas necesarias y conocimientos previos requeridos para abordar
los siguientes captulos. Para quienes no tienen formacion en la rama de programacion se recomienda leer primero el apendice A antes de iniciar la lectura.
En el captulo 2 se abordan los principales metodos numericos para aproximar
ceros de funciones reales de variable real, lo cual permite aproximar soluciones de
ecuaciones en una variable que en muchos casos no es posible resolver de manera
algebraica. Al final del captulo se hace un analisis de la convergencia de los
metodos estudiados.
En el captulo 3 se presentan metodos para el algebra matricial, los cuales
permitiran resolver sistemas de ecuaciones. Inicialmente se hace un abordaje de
las principales tecnicas para la resoluci
on de sistemas de ecuaciones lineales mediante el empleo de metodos exactos; despues se abordan los metodos iterativos.
Finalmente se estudia el metodo de punto fijo y el metodo de Newton-Raphson
para la aproximaci
on de soluciones de sistemas de ecuaciones no lineales.
En el captulo 4 se analizan metodos para la aproximacion de funciones, como
la interpolacion polinomial y regresi
on lineal.
En el captulo 5 se estudian metodos de aproximacion de derivadas por diferencias finitas para derivadas de primer y segundo orden. Posteriormente se
abordan los metodos de aproximaci
on de integrales definidas en una variable,
mediante el empleo de diferentes estrategias.
17
En el captulo 6 se abordan diferentes metodos para la solucion numerica de

ecuaciones diferenciales ordinarias. Primero se analizan los metodos de un paso,
como el metodo de Euler, Taylor y Runge-Kutta. Luego se analizan los metodos
multipasos, como los metodos de Adams-Bashforth y de Adams-Moulton.
Captulo 1
Introducci
on y conocimientos
previos
Introducci
on
En este captulo se hace una introduccion al lector a los metodos numericos, con el prop
osito de aclarar conceptos como metodo numerico, lenguaje de
programacion, algoritmo, convergencia de algoritmos, entre otros. Tambien se estudiara el concepto de error, cifras significativas, aproximaciones, notacion punto
flotante, notaci
on cientfica y aritmetica punto flotante. Ademas, se hace un repaso de los principales conceptos que se deben dominar para poder comprender
temas como sucesiones, convergencia y divergencia de sucesiones, series, series de
potencia y polinomio de Taylor.
1.1.
Motivaci
on
Los metodos numericos son herramientas muy importantes para la resolucion

de problemas, son empleados principalmente para determinar buenas soluciones
a aquellos que muchas veces no pueden ser resueltos de forma analtica, o bien,
cuya solucion analtica es muy engorrosa o difcil.
Actualmente, muchos problemas no pueden ser resueltos con la teora clasica
estudiada en cursos de matem
atica; por ejemplo, resolver la ecuacion
ex x.
(1.1)
20
M
etodos num
ericos
Otro ejemplo lo constituyen los sistemas de ecuaciones lineales con un n

umero elevado de ecuaciones e inc
ognitas. Los metodos tradicionales (suma y resta,
igualacion, sustituci
on, u otro como Gauss-Jordan) no son factibles para resolverlos eficientemente. Por otro lado, el uso de metodos algebraicos en problemas que
conllevan muchos c
alculos puede generar soluciones con discrepancias abismales
con la solucion real.
Los metodos numericos permitir
an encontrar buenas soluciones de una forma
rapida y eficiente a gran cantidad de problemas, por ejemplo: resolver ecuaciones
en una variable, resolver sistemas de ecuaciones lineales y no lineales, calcular
aproximaciones de derivadas e integrales, resolver problemas de valor inicial, entre
muchos otros.
1.2.
1.2.1.
Computadoras y programas
Computadoras
La palabra computadora proviene del latn computare, que significa calcular. Las computadoras, tambien conocidas como ordenadores o computador, son
maquinas electr
onicas cuya funci
on es recibir datos para procesarlos y posteriormente convertirlos en informaci
on u
til e interpretable por un usuario.
Una computadora se puede concebir como una coleccion de circuitos integrador y otros componentes que puede ejecutar con extrema precision y rapidez una
variedad de secuencias o rutinas de instrucciones dadas por un usuario u otro
programa. Estas u
ltimas se denominan programas, y el usuario que dicta dichas
rutinas se conoce como programador.
La computadora, adem
as de la rutina o programa informatico, requiere una serie de datos especficos llamados datos de entrada o input. Dichos datos deben ser
suministrados al momento de la ejecuci
on. Luego de procesarlos, la computadora
debera proporcionar los datos de salida, que son el producto final y resultado del
procesamiento; tambien se les llaman output.
La caracterstica principal que diferencia a una computadora de otros dispositivos como la calculadora no programable la constituye que dicho artefacto es
una maquina de prop
osito general, es decir, puede realizar tareas muy diversas,
de acuerdo con las posibilidades que brinden las rutinas y procesos indicados
por el programador. Sus secuencias e instrucciones son adaptables y pueden ser
redefinidas parcial o totalmente.
1.2.2.
21
Programa inform
atico y usuario
Es un conjunto de instrucciones dadas de forma que puedan ser interpretadas

por una computadora. Una vez ejecutadas, estas realizaran una o varias tareas
que pueden ir de un simple c
alculo a una compleja labor. Sin programas, las
computadoras no pueden funcionar, pues solo son ejecutores de instrucciones,
no tienen la capacidad de pensar ni tomar decisiones que no sean previamente
implementadas por el programador. Al conjunto general de programas en una
computadora se le denomina software y se refiere al equipamiento logico o soporte
logico de una computadora digital.
Los programas inform
aticos son los encargados de indicarle a la computadora
como procesar los datos de entrada, suministrados antes de la ejecucion, para
obtener los datos de salida necesarios y esperados por el usuario. En la actualidad
existen dos tipos de usuarios:
Usuario pasivo: es aquel que utiliza el software disponible, comercial o no,
y lo aplica para su beneficio sin discriminar si dicho programa informatico
es la mejor opci
on. Suele utilizar programas denominados caja negra o enlatados, los cuales son concebidos como programas dise
nados para realizar
una tarea particular para el que no existe una descripcion de algoritmo empleado y poco se conoce de su verdadero funcionamiento. El usuario pasivo
suele no preocuparse por entender lo que realmente paso con lo datos de
entrada para obtener los datos de salida.
Usuario activo: es aquel que no escatima en modificar y construir su propio
programa inform
atico para aplicarlo en su quehacer, siempre cuestiona si lo
realizado por otros programadores, en otros contextos y para problemas especficos, ser
a lo m
as adecuado para resolver un problema particular. Busca
mejorar lo que hay o construir nuevos metodos adaptados a su trabajo.
El conocimiento de un usuario pasivo es limitado y solo podra actuar si logra
encontrar programas inform
aticos que esten adaptados para su trabajo. De no
encontrar alg
un programa que le sea de utilidad, su quehacer queda limitado. Por
otro lado, el conocimiento de un usuario activo es mas amplio, puede discriminar
mejor si los metodos existentes implementados por otros programadores son los
mejores para su trabajo; de lo contrario, suelen adaptar o construir programas
que le sean de mayor utilidad y provecho.
1.2.3.
Lenguajes de programaci
on
Son idiomas artificiales dise

nados por el ser humano para escribir los programas informaticos que posteriormente son traducidos al lenguaje de maquinas o
codigo binario mediante un proceso denominado compilacion. Los lenguajes de
22
M
etodos num
ericos
programacion est
an constituidos por un conjunto de smbolos y reglas sintacticas y semanticas que definen su estructura y el significado de sus elementos y
expresiones.
Existen diversos lenguajes de programacion, as como diversas plataformas de
programacion. Una plataforma puede tener uno o varios lenguajes entre los que el
usuario puede escoger cual se amolda mejor a sus necesidades y requerimientos.
En esta obra se utilizar
a Visual Basic para Excel (en adelante se denominara VB)
como lenguaje de programaci
on empleado para implementar los metodos estudiados. Antes de continuar se recomienda al lector consultar el apendice A, de
modo que pueda comprender la estructuracion basica de dicho lenguaje.
1.2.4.
Algoritmo
Es una secuencia finita de instrucciones, reglas o pasos no ambiguos que se

deben ejecutar para realizar una tarea especfica. Es decir, un algoritmo no es
mas que una lista cuidadosa de pasos por seguir en una secuencia especfica con el
objetivo de determinar un producto a partir de un conjunto de datos de entrada.
Los algoritmos pueden ser expresados en dos tipos de estructuras para su
estudio y compresi
on: diagrama de flujo y pseudocodigo.
Diagrama de flujo: es una representaci
on grafica de los algoritmos mediante el
uso de smbolos y flechas que indican el flujo del programa. Es utilizado para
representar algoritmos peque
nos y posee la desventaja de abarcar una gran
cantidad de espacio fsico. En la figura 1.1 se puede observar los diferentes
componentes y su interpretaci
on l
ogica empleados frecuentemente en la
construcci
on de un diagrama de flujo.
Pseudoc
odigo: es una representaci
on de un algoritmo en un lenguaje falso y
artificial que combina el lenguaje natural con estructuras propias de lenguajes de programaci
on. El pseudoc
ogico debe permitir el entendimiento de un
algoritmo al indicar los pasos necesarios para la implementacion y omitir
los detalles, que si bien son relevantes, no son necesarios para entender la
logica de este.
Por ejemplo, en diagrama de flujo que se muestra en la figura 1.2 se observa
el algoritmo para determinar los ceros reales de cualquier polinomio cuadratico
de la forma P pxq ax2 ` bx ` c.
A continuaci
on se presenta el pseudoc
odigo del programa para determinar los
ceros reales de un polinomio cuadr
atico que se muestra en el diagrama de flujo
de la figura 1.2.
23
Inicio y fin de los algoritmos

Entrada y salida de datos
Bloque de cdigo
Condicionales y toma de decisiones
Iteraciones o repeticiones
Nodo de convergencia del algoritmo
Conector
Figura 1.1: Smbolos m

as comunes utilizados en la construccion de
los diagramas de flujo.
Cargar las variables a, b y c
Si a 0 entonces
El polinomio no es cuadr
atico
Si no
: b2 4ac
Si 0 entonces
?
b `
s1
2a?
b
s2
2a
Los ceros son s1 y s2
Si no
Si 0 entonces
b
s
2a
El cero es s
Si no
El polinomio no tiene ceros reales
Fin Si
Fin Si
Fin Si
24
M
etodos num
ericos
Inicio
Los coeficientes
a,b,c del polinomio
S
a=0
No
El polinomio no
:= b 4ac
es cuadrtico
S
s1:=
No
>0
b+
2a
b
s2:=
2a
s:=
Los ceros son

s1 y s2
=0
b
2a
No
El polinomio no
tiene ceros
reales
El cero es s
Fin
Figura 1.2: Diagrama de flujo para determinar los ceros de un polinomio cuadr
atico a partir de sus coeficientes.
1.2.5.
Programaci
on estructurada o secuencial
Es un paradigma de programaci
on que busca mejorar la calidad, claridad y
eficiencia de los programas computacionales. La programacion estructurada usa
u
nicamente subrutinas y tres estructuras basicas y algunas variantes de la misma:
Bloques de c
odigo: secciones de c
odigo en las que se hace una manipulacion
o procesamiento de datos por medio de calculos.
Instrucciones
Condicionales: es la evaluaci
on l
ogica de una proposicion que, de ser verdadera, determina un camino del flujo del programa; de ser falsa, establece
otro camino para el flujo del programa.
25
Prueba
lgica
Instrucciones
1
No
Instrucciones
2
Diagrama de flujo
Pseudocdigo
Figura 1.3: Diagrama de flujo versus pseudocodigo para condicionales.
Iteraciones: es la repetici
on de una seccion de codigo; puede hacerse una
cantidad conocida de repeticiones (ciclo para o for) o por medio de una
prueba l
ogica (ciclo mientras o while).
No cumple
Prueba lgica
o contador
Cumple
fin ciclo
Instrucciones
Diagrama de flujo
Pseudocdigo
Figura 1.4: Diagrama de flujo versus pseudocodigo para el bucle

para o for y para el bucle mientras o while.
En la programaci
on estructurada o secuencial es el programador quien define
el flujo del programa, el cual posee un inicio, se ejecuta en secuencia hasta llegar al
fin, pues no se pueden ejecutar secciones del codigo sin iniciar todo el programa de
nuevo. Estos programas tienen la caracterstica de no poseer una interfaz grafica
muy elaborada, la cual se presenta generalmente desde una consola.
En la figura 1.5 se muestra la estructura base de un programa estructurado, donde en el cuerpo de dicho programa esta presente al menos una de las
estructuras descritas anteriormente.
26
M
etodos num
ericos
Inicio
Ingreso de datos
Cuerpo del
programa
Retorno de datos
Fin
Figura 1.5: Programa estructurado.
1.2.6.
Programaci
on orientada a eventos
Es un paradigma de programaci
on en donde su programa o secciones son
ejecutados dependiendo de los sucesos que se den en el sistema. De este modo,
cualquier suceso o evento, ya sea generado por un usuario o bien por el mismo
programa, puede usarse para la ejecuci
on de secciones de codigo.
El lenguaje Visual Basic es orientado a eventos de este modo cada ejecucion
requiere de un evento que lo invoque; un programa grande puede tener varios
eventos que al ejecutarse pueden realizar diferentes tareas. De esta forma un
programa, en un lenguaje orientado a eventos, se puede interpretar como un conjunto de peque
nos programas estructurados para los cuales el inicio corresponde
al evento que lo ejecuta, el cuerpo del programa corresponde al procesamiento de
los datos de entrada del evento, y finalmente en la fase fin se hace la devolucion
de los datos de salida, ya sea al usuario, o bien, al programa general.
En la programaci
on orientada a eventos el usuario posee incidencia en el flujo
del programa, pues la ejecuci
on de las diferentes secciones de codigo depende de
eventos muchas veces provocados por el usuario, por ejemplo, dar clic a un boton,
mover el cursor del rat
on, escribir en un cuadro de texto, entre otros.
27
Los programas orientados a eventos suelen tener interfaces mas completas y

organizadas. La presencia de controles en ellas, como botones, cajas de texto,
deslizadores, cajas de verificaci
on, etiquetas, entre otros hace que la interaccion
entre programa y usuario sea f
acil e intuitiva. El usuario posee mas control sobre
lo que desea ejecutar y lo que no; ademas, el ingreso de los datos de entrada y
salida se hace de una forma m
as gr
afica.
1.3.
Aproximaciones y errores de redondeo y error de

truncamiento
Existen muchas aplicaciones en donde no es posible, o bien, no es facil encontrar el valor exacto de la soluci
on a un problema; en estos casos se podran
conformar con una aproximaci
on del valor real, aunque este u
ltimo sea desconocido. Construir metodos matem
aticamente validos para determinar aproximaciones
de las soluciones a problemas que no pueden ser resueltos en forma analtica o
cuya solucion es complicada y tediosa es una de las tareas de las que se encargan
los metodos numericos. As, un metodo de aproximacion o metodo numerico se
puede interpretar como el proceso por el cual se obtienen valores relativamente
cercanos al valor real, los cuales reciben el nombre de aproximaci
on.
Una aproximaci
on puede ser considerada mala o buena; por esta razon, es
deseable poder medir, de alguna forma, su calidad. De esta necesidad surge el
concepto de error, el cual solventa, de alguna manera, la necesidad de medir la
calidad de una aproximaci
on.
Cuando que se determina una aproximacion se comete el llamado error de
aproximaci
on que est
an presentes en todo proceso de calculo.
1.3.1.
Error absoluto y error relativo
Definici
on 1 (Error absoluto)
Sea x el valor exacto de una cantidad real y sea x una aproximacion real de x,
entonces de define el error absoluto de la aproximacion x y se denota Ex , como:
Ex |x x|
El error absoluto mide la diferencia que existe entre el valor real y la aproximacion. Por ejemplo, si se mide el largo de una mesa y se obtiene 234 cm, y se
sabe que el valor real de dicha medida es de 235 cm se puede asegurar que la
medida del largo de la mesa es de 234 cm con un error absoluto de 1cm.
El error absoluto no es buen par
ametro para indicar si una aproximacion es
buena o mala, debido que un error absoluto de un centmetro podra ser favorable
si lo que se mide es un campo de f
utbol, pero podra ser desfavorable si se trata de
28
M
etodos num
ericos
un lapiz. Es decir, el mismo error absoluto podra asegurar que una aproximacion
es excelente y otra aproximaci
on es pesima. Por esta razon se define un nuevo
concepto de error, denominado error relativo, que tiene mejor efecto para indicar
si una aproximaci
on es buena o no.
Definici
on 2 (Error relativo)
Sea x el valor exacto de una cantidad y sea x una aproximacion de x, entonces
se define el error relativo de la aproximacion x y se denota rx , como:
rx
|x x|
Ex
|x|
|x|
El error relativo se expresa generalmente en terminos de porcentajes, por lo que

se acostumbra a escribir:
Ex
rx
100 %
|x|
Ejemplo 1
Suponga que al medir una mesa de 250 cm de largo se comente un error absoluto
de 1cm y al medir un lapicero de 10 cm se comente un error absoluto de 1cm.
Entonces, en el primer caso se tiene que:
1
Ex
0.004 0.4 %
x
250
mientras que en el segundo caso se tiene que::
rx
rx
Ex
1
0.1 10 %
|x|
10
Note que el error relativo cometido en la medicion del lapicero es mas grande
que el cometido al medir la mesa, lo cual significa que la calidad de la primera
aproximacion es mejor con respecto a la segunda.
Es importante mencionar que las definiciones anteriores tienen un inconveniente practico, ya que si cada vez que se aproxima una cantidad se conoce el valor
exacto, entonces que sentido tiene aproximar? El hecho es que si no se tiene el
valor exacto tampoco es posible calcular el error absoluto y el error relativo, por
lo que, en teora, no se puede saber que tan buena o mala es la aproximacion. Sin
embargo, aunque no se tenga el valor exacto del error, existen dos alternativas
que se pueden usar para cuantificar dicha calidad:
Existencia de cotas para los errores: en muchos de los casos se conoce una
cota teorica para el error absoluto. Es decir, si x es una aproximacion de
un valor real x, en muchos casos es posible determinar la existencia de K
real tal que:
29
Ex |x x| K
Esto u
ltimo tiene una importancia vital para poder medir la calidad de la
aproximaci
on x; en la medida que la cota K sea suficientemente peque
na,
se puede garantizar que el error es peque
no y la aproximacion es buena.
Aproximaci
on de los errores: el uso del error relativo normalizado como
aproximaci
on del error relativo, mismo que se presenta en la definicion 3, es
una opci
on viable y ser
a empleada posteriormente en los metodos iterativos
de aproximaci
on. Bajo la misma idea es posible definir una aproximacion
para el error absoluto.
Definici
on 3 (Error relativo normalizado)
Suponga que se tiene una aproximaci
on x
de una cantidad real x, y suponga que
se calcula una nueva aproximaci
on x
p que se supone mejor que x
. Entonces se
define el error relativo normalizado y se denota xp como:
xp
xx
|
|p
100 %
|p
x|
En otras palabras, si se tienen dos aproximaciones, en donde la aproximacion

actual se supone de mejor calidad que la anterior, se toma como valor exacto, para
el calculo del error relativo, la mejor aproximacion disponible. De esta manera se
tiene que:

1.4.
|aproximaci
on actual aproximaci
on anterior|
100 %
|aproximaci
on actual|
Notaci
on cientfica
La notacion cientfica (o notaci

on ndice estandar) es un modo conciso que
permite representar n
umeros utilizando potencias de base diez. Se utiliza para
poder expresar f
acilmente n
umeros de magnitud muy grande o muy peque
na.
La notacion cientfica consiste en representar un n
umero x de la forma a10n ,
donde representa la multiplicaci
on usual en R y
|a|: un n
umero entero o decimal mayor o igual que 1 y menor que 10, el cual
recibe el nombre de mantisa.
n: un n
umero entero, que recibe el nombre de exponente u orden de magnitud.
30
M
etodos num
ericos
Ejemplo 2
Expresar los siguientes n
umeros en notacion cientfica:
1235.54
0.00003657
0.000245
15436.154
F Soluci
on
1235.54 en notaci
on cientfica se expresa como: 1.23554 103
0.00003657 en notaci
0.000245 en notaci
15436.154 en notaci
F
1.5.
Cifras significativas
Son las cifras o dgitos de un n

umero que aportan informacion sobre la cantidad representada por el. Dicho de otra manera, son las cifras que poseen un
significado real para la cantidad representada.
Ejemplo 3
Considere los siguientes escenarios:
Suponga que se desea medir la longitud de una habitacion utilizando una
cinta metrica graduada en milmetros tal que la medida obtenida corresponde a 3.135 m. Existen varias formas de representar dicha medida: 3.135
m; 31.35 dm, 313.5 cm; 3135 mm.
Siempre se requerir
a de las cuatro cifras, y en este caso se dice que dicha
cantidad, sin importar su representacion, posee cuatro cifras significativas.
Suponga que se desea medir un lapicero con una cinta metrica graduada
en milmetros, y se obtiene la medida de 0.092 m. Esta misma se puede
representar de las siguientes formas: 0.092 m, 0.92 dm, 9.2 cm, 92 mm.
No todas las cifras son necesarias para representar la medida y todas las
representaciones brindan exactamente la misma informacion. En este caso,
dicha medida posee u
nicamente dos cifras significativas.
31
A continuaci
on se exponen las normas o reglas para determinar las cifras
significativas de una cantidad dada:
Cualquier dgito diferente de cero es significativo.
Por Ejemplo, 235.654 tiene seis cifras significativas.
Los ceros situados en medio de cifras significativas son significativos.
Por Ejemplo, 230.054 tiene seis cifras significativas.
Los ceros a la izquierda del primer n
umero distinto a cero no son significativos.
Por Ejemplo, 0.00654 tiene tres cifras significativas.
Los ceros de la derecha de la coma de n
umeros mayores que uno son considerados cifras significativas.
Por Ejemplo, 2.200 tiene cuatro cifras significativas.
Considere un n
umero sin punto decimal tal que termina en uno o mas
ceros, estos pueden ser o no considerados dgitos significativos. Para poder establecer el n
umero de dgitos significativos es necesario contar con
informaci
on adicional sobre manera en que se determino el n
umero. Para
indicar que todos los ceros terminales de un n
umero sin punto decimal son
significativos, se suele poner el punto decimal.
Por ejemplo, 2500 puede tener: dos cifra significativa (el dos y cinco), tres
cifras significativas (dos, cinco y cero), cuatro cifras significativa (dos, cinco,
y los dos ceros), en este u
ltimo caso se escribe 2500. para indicar que los
dos ceros son significativos. Para saber cual es el n
umero correcto de cifras
significativas se necesitan m
as informacion sobre el procedimiento con que
se obtuvo la medida (el instrumento, la incertidumbre de este, etc.).
Ejemplo 4
Suponga que se desea medir la masa de un toro para las fiestas de Zapote; dos
ganaderos ponen a disposici
on sus b
asculas. La primera de ellas solo puede medir
la masa del toro de 100 kg en 100 kg, mientras que la segunda puede medir la
masa del toro de 10 kg en 10 kg (ver figura 1.6).
0
70
5
10
65
15
60
x100
55
50
20
x10
45 40 35
Figura 1.6: b
asculas con diferentes escalas.
25
30
32
M
etodos num
ericos
Por lo tanto que se decide medir la masa del toro con las dos basculas. En
ambas se obtiene el resultado 600 kg, tal y como se puede apreciar en la figura
1.7.
0
70
5
10
65
15
60
7
6
55
50
x100
20
x10
45 40 35
25
30
Figura 1.7: 600 kg obtenidos con las dos basculas.
Los 600 kg obtenidos con la primera bascula poseen u

nicamente una cifra
significativa (el 6); sin embargo, los 600 kg obtenidos con la segunda poseen dos
cifras significativas (el 6 y el 0). La diferencia radica en que 600 kg obtenidos por
las primera bascula podran representar realmente cualquier masa en el intervalo r600, 700r, mientras que 600 kg obtenidos en la segunda bascula representan
cualquier masa en el intervalo r600, 610r.
Ejercicios 1.1
Determine el n
umero de cifras significativas que posee cada una de las
siguientes cantidades:
234.0012
0.0008263
0.0000000001
4000098
1.6.
Notaci
on punto flotante
Sea r un valor real, la representaci

on en notacion punto flotante de r se
denota flprq y se compone de tres n
umeros m, b y e tales que flprq m be , o
e
bien, flprq m b , donde:
r: valor real del n
umero por representar.
33
m: mantisa o significando, cifras significativas del n

umero. El tama
no maximo
de este campo, usualmente fijo y limitado, determina la precision de la
representaci
on. Cuando sea posible, este campo se considera normalizado,
es decir, su parte entera solo consta de un dgito (que sera la primera cifra
significativa del n
umero por representar).
b: base del sistema de representaci
on (10 en sistema decimal, 8 en sistema
octal, 2 en sistema binario, etc).
e: exponente, orden de magnitud del significando. El mnimo y maximo valor
posible del exponente determinan el rango de valores representables. Como
puede notarse, cuando e vale cero, el valor real coincide con el significando.
En algunos contextos, en la representacion punto flotante de una cantidad r,
comprende un cuarto par
ametro s para el signo. De esta forma, s tiene el valor 1
o 1, y la representaci
on de r en la notacion de punto flotanten es flprq smbe .
La representaci
on de un n
umero r en notacion cientfica no siempre corresponde a una representaci
on en punto flotante del n
umero en base 10, pues en
notacion cientfica se supone que la mantisa puede ser infinita, mientras que en
punto flotante la mantisa est
a limitada, por lo que en general no siempre r flprq,
salvo en casos particulares.
?
Por ejemplo, no es posible representar en forma exacta los n
umeros , 2 y
lnp3q, pues para hacerlo se requerira una mantisa infinita. Por esta razon, para la
representacion de cantidades como las anteriores se recurre al corte o redondeo, lo
que permite determinar representantes en el sistema de punto flotante de n
umeros
no representables en forma exacta en dicho sistema.
Ejemplo 5
Si es posible, represente en forma exacta cada cantidad dada en notacion de punto
flotante en base 10 y con una mantisa de cinco campos.
1. 124.32
2. 0.001254
3. 0.0000089465
4. 65.496587
F Soluci
on Para este caso, la mantisa posee cinco campos, es decir:
m
donde el punto decimal puede ubicarse en cualquier posicion de la mantisa; sin
embargo, siempre que sea posible se dara normalizada. De esta manera, se tiene
que:
34
M
etodos num
ericos
1. 124.32 1.2432 102
2. 0.001254 1.2540 103
3. 0.0000089465 8.9465 106
4. El n
umero 65.496587 no puede ser representado en forma exacta por medio
de una mantisa de cinco campos.
F
1.6.1.
Punto flotante de un n
umero por corte o redondeo
Muchos n
umeros no pueden ser representados en forma exacta en un sistema de punto flotante, debido al tama
no de la mantisa. Para estos casos, se
entendera que representar el n
umero r en notacion punto flotante consiste en
determinar un representante r m be en el sistema tal que r se considera una
aproximacion del n
umero real r. Las formas mas comunes de hacerlo son por
medio de corte, tambien llamado truncamiento o redondeo de n
umeros.
Definici
on 4 (Corte y redondeo de n
umeros)
Si se tiene un n
umero r 0.d1 d2 d3 dk dk`1 dk`2 , donde los di son dgitos
tales que 0 di 9 para todo i y d1 0, entonces:
El corte o truncamiento del n
umero r a los primeros k dgitos se define por
r 0.d1 d2 d3 dk .
El redondeo de r a sus primeros k dgitos se define por:
r 0.d1 d2 d3 dk ,
si 0 dk`1 5.
01,
r 0.d1 d2 d3 dk ` 0.000
looomooon
si 5 dk`1 9.
k1 ceros
Donde r, ya sea por corte o redondeo, es considerado una aproximacion del valor
por representar r. Adem
as, en cualquiera de los casos, r es representado por flprq.
Para realizar el corte o redondeo de un n
umero r en k cifras decimales se debe
hacer uso de la notaci
on cientfica en base 10, de tal forma que el valor absoluto
de la mantisa (que podra tener infinitos campos) se encuentre en r0.1, 1r. Luego
se debe aplicar el metodo anterior para redondear o cortar la mantisa, seg
un sea
el caso.
Ejemplo 6
Aplique a los siguientes n
umeros un redondeo a cuatro dgitos:
35

r1 0.65421865
r3 0.0002465721
r2 654.165454
r4 0.0000000000000045653
F Soluci
on Primero se deben expresar los n
umeros en notacion punto flotante
de forma que la mantisa de cada uno de ellos cumpla que su valor absoluto sea
menor que 1.
r1 0.65421865 0.65421865 100 .
r2 654.165454 0.654165454 103 .
r3 0.0002465721 0.2465721 103 .
r4 0.0000000000000045653 0.45653 1014 .
De esta forma se tiene que las aproximaciones por redondeo a cuatro cifras decimales de cada uno de los n
umeros anteriores esta dada por:
flpr1 q 0.6542 100
flpr3 q 0.2466 103
flpr2 q 0.6542 103
flpr4 q 0.4565 1014

F
umero r obtenida por corte o redondeo a k ciUna aproximaci

on r de un n
fras puede ser considerado una aproximacion de otros valores distintos de r. Por
ejemplo, x 1.234 puede ser considerado una aproximacion por redondeo a cuatro cifras de los n
umeros 1.234254 y 1.233698. Mas aun, para cada aproximacion
r por redondeo a k cifras de una cantidad r existe un intervalo para el cual r
es la aproximaci
on por redondeo a k cifras de cualquier n
umero en el intervalo. As, el n
umero 1.234 es el redondeo a cuatro cifras de cualquier n
umero en
r1.2335, 1.2345r. Una situaci
on similar sucede cuando se utiliza el corte en lugar
del redondeo.
Ejercicios 1.2
1. Para cada uno de los valores que se presentan a continuacion, determine
el intervalo de valores representados por redondeo al n
umero de cifras
indicadas en cada caso:
a) x 1.325 a 4 cifras.
c) z 32.154 a 5 cifras.
b) y 2.6541 a 5 cifras.
d) w 0.012001 a 5 cifras.
36
M
etodos num
ericos
2. Para cada uno de los valores que se presentan a continuacion, determine el intervalo de valores representados por corte al n
umero de cifras
indicadas en cada caso:
1.6.2.
a) x 1.325 a 4 cifras.
c) z 32.154 a 5 cifras.
b) y 2.6541 a 5 cifras.
d) w 0.012001 a 5 cifras.
Error de redondeo y error de corte
Los errores de redondeo y corte se encuentran presentes en la aplicacion de

cualquier metodo numerico. Por lo tanto, es importante mitigarlos o por lo menos
hacer que su propagaci
on tenga la menor inicidencia sobre el resultado buscado.
Al realizar cualquier operaci
on, en la cual se utiliza una aritmetica de punto
flotante con corte o redondeo, siempre es esperable la obtencion de un error en
el calculo. La divisi
on entre n
umeros cercanos a ceros, por ejemplo, es uno de los
factores que favorecen la propagaci
on del error por redondeo o corte durante un
procedimiento aritmetico.
El acto de redondear o cortar una cantidad real genera un error de aproximacion, el cual est
a acotado por ciertas expresiones que dependen de la cantidad de
dgitos que se utilizan para redondear o cortar la cantidad dada. Dichas cantidades quedan establecidas en los teoremas 1 y 2, que se presentan a continuacion.
Teorema 1
Si se utiliza la forma punto flotante con un corte al k dgito, entonces:
x flpxq
10k`1
rflpxq
x
o Demostraci
on Sea x 0.d1 d2 . . . dk dk`1 . . . 10t , donde d1 0. Al aplicar
corte a k dgitos de x se obtiene flpxq 0.d1 d2 . . . dk 10t . As:
|x flpxq| 0.0000
. . . 0dk`1 dk`2 . . . 0.dk`1 dk`2 . . . 10tk
loooomoooon
k ceros
de donde se tiene que:
x flpxq
0.dk`1 dk`2 . . . 10tk
0.dk`1 dk`2 . . .
10k
x
0.d1 d2 . . . dk dk`1 . . . 10t
0.d1 d2 . . . dk dk`1 . . .
0.dk`1 dk`2 . . .
10k`1 10k`1
d1 .d2 . . . dk dk`1 . . .
p
37

Teorema 2
Si se utiliza la forma punto flotante con un redondeo al k dgito, entonces:
rflpxq
x flpxq
5 10k
o Demostraci
on Sea x 0.d1 d2 . . . dk dk`1 . . . 10t , donde d1 0.
Si dk`1 5, entonces flpxq 0.d1 d2 . . . dk 10t . Al seguir la demostracion
del teorema 1 se tiene que:
x flpxq
0.dk`1 dk`2 . . .

10k
x
0.d1 d2 . . . dk dk`1 . . .
Como dk`1 5, entonces 0.dk`1 dk`2 . . . 0.5. Y como 1 d1 9, entonces
0.d1 d2 . . . dk dk`1 . . . 0.1. De esta forma se tiene que:
0.dk`1 dk`2 . . .
0.5
10k
10k 5 10k
0.d1 d2 . . . dk dk`1 . . .
0.1
Si dk`1 5, entonces flpxq p0.d1 d2 . . . dk ` 10k q 10t . Al distribuir se
tiene que:
flpxq 0.d1 d2 . . . dk 10t ` 10k 10t
0.d1 d2 . . . dk 10t ` 10k`t
As se tiene que:
x flpxq
0.d1 d2 . . . dk dk`1 . . . 10t 0.d1 d2 . . . dk 10t 10k`t
x
0.d1 d2 . . . dk dk`1 . . . 10t
0.dk`1 dk`2 . . . 10tk 10tk

0.d1 d2 . . . dk dk`1 . . . 10t
1 0.dk`1 dk`2 . . .
10k

0.d1 d2 . . . dk dk`1 . . .
0.dp dp . . .
k`1 k`2

10k
0.d1 d2 . . . dk dk`1 . . .
5 10k
pues dpk`1 5 y 1 d1 9 por lo que se puede utilizar el argumento del
caso anterior para establecer la desigualdad.
p
38
M
etodos num
ericos
Ejemplo 7
Suponga que se tiene un n
umero p con valor exacto de p 2.3254698, y sean
p1 2.3255 y p2 2.3254 aproximaciones de p generadas por redondeo y corte
al cuarto dgito respectivamente. Entonces:
p p1 |2.3254698 2.3255|
rp1
1.2986623176 105 5 105
p
2.3254698
p p2 |2.3254698 2.3254|
rp2
3.0015440320 105 104
p
2.3254698
1.7.
Dgitos significativos, precisi

on y exactitud
Los dgitos significativos, la precisi

on y la exactitud son conceptos que permiten cuantificar, de alguna manera, la calidad con la que una aproximacion se
acerca a su valor real o valor por aproximar. Es importante mencionar que el
concepto de dgitos significativos en esta seccion es diferente al concepto de cifras
significativas estudiadas en la secci
on 1.5, dado que estas u
ltimas hacen referencia
a las cifras con significado real de una cantidad dada.
Dicha cantidad es producto de una aproximacion o no, mientras que el concepto de dgitos significativos hace referencia a la cantidad de dgitos con que
una aproximaci
on se acerca al valor real, es decir, cuales dgitos, de izquierda a
derecha en la aproximaci
on, son representativos con respecto al valor real.
Definici
on 5 (Dgitos significativos)
Se dice que x aproxima a un valor no nulo x con t dgitos significativos, si y solo
si, t es el n
umero natural m
as grande que cumple que rx 5 10t .
La cantidad de dgitos significativos establece una medida de la calidad de una
aproximacion, es decir, que tan exacta es la aproximacion, pero desde el punto
de vista del error relativo.
Ejemplo 8
Sea a 36 y sea a 35.97. Determine los dgitos significativos con los cuales a
aproxima a a.
F Soluci
on
ra
|36 35.97|
0.03
8. 33 104 5 103
36
36
Por lo que a aproxima a a con tres dgitos significativos.
39
Ejemplo 9
Cuales valores puede tomar x para aproximar a 1000 con al menos cuatro dgitos
significativos?
F Soluci
on
|x 1000|
5 104 |x 1000| 5 104 1000
1000
1
|x 1000|
2
1
1
x 1000
2
2
1
1
` 1000 x ` 1000
2
2
2001
1999
x
2
2
999. 5 x 1000. 5
Por lo que x P r999. 5, 1000. 5s.
Definici
on 6 (Precisi
on)
Se define la precisi
on como el n
umero de dgitos significativos con los que se
trabaja en aritmetica de punto flotante al realizar una aproximacion o medicion.
Definici
on 7 (Exactitud)
Se define la exactitud de una aproximacion como t 1, donde t es el n
umero de
dgitos significativos de la aproximaci
on.
Ejemplo 10
Determine la precisi
on y la exactitud con la cual x 0.498467 aproxima el valor
real x 0.497945.
F Soluci
on Primero se debe determinar el n
umero de dgitos significativos con
que x aproxima a x.
x x
1.048308548... 103 5 103

rx
x
De donde se tiene que x aproxima a x con:
tres dgitos significativos.
una exactitud de 2.
una precisi
on de 3.
40
M
etodos num
ericos
F
Ejemplo 11
Suponga que se realiza la aproximaci
on de una cantidad x 3.41892354 y se
obtiene como valor x 3.4189. Determine la precision y la exactitud con la cual
x aproxima a x.
F Soluci
on Primero se debe determinar el n
umero de dgitos significativos con
que x aproxima a x.
x x
6.885208085... 106 0.6885208085... 105 5 105
rx
x
De donde se tiene que x aproxima a x con:
cinco dgitos significativos.
una exactitud de 4.
una precisi
on de 5.
F
Teorema 3
Si se utiliza la forma de punto flotante con un corte de k dgitos, entonces flpxq
se aproxima a x con al menos k 1 dgitos significativos.
o Demostraci
on Del teorema 1 y la definicion 5 se tiene que:
x flpxq
10k`1 5 10k`1 5 10pk1q
rflpxq
x
Por lo cual queda demostrado el resultado.
1.8.
Aritm
etica de punto flotante
Es la aritmetica empleada por las calculadoras y computadoras para realizar los calculos internos. Tales dispositivos aplican aritmetica de punto flotante
con redondeo; sin embargo, es posible definir una aritmetica de punto flotante
utilizando corte.
En cualquier caso, consiste en definir nuevas operaciones , a, m y d definidas
por:
Sean x y y dos valores, entonces:
41

xy
xay
xdy
xcy
flpflpxq ` flpyqq
flpflpxq flpyqq
flpflpxq flpyqq
flpflpxq flpyqq
donde `, , y denota las operaciones aritmeticas basicas usuales de n

umeros
reales.
Para realizar operaciones en aritmetica punto flotante es posible utilizar la
notacion flpq; sin embargo, esta resulta ser tediosa por el n
umero de veces que
se debe colocar la funci
on fl en la expresion por realizar. Debido a esta razon es
recomendable hacer uso de los operadores definidos anteriormente , a, d y c.
Para las funciones reales simples y continuas, como las funciones radicales,
trigonometricas, logartmicas, exponenciales, entre otras, se utilizara la siguiente
regla:
Sea una funci
on simple, y sea p pxq el valor real de dicha funcion,
entonces el valor de p aproximado con la aritmetica de punto flotante
corresponde a:
p flppflpxqqq
Ejemplo 12
Utilizando la aritmetica de punto flotante con redondeo a tres cifras calcule el
valor de las siguientes expresiones:
?
lnpe3 q ` p 3 2q3
1. senpq
3.
5
? 2
2. p 3q
4. 52lnp15q
F Soluci
on
1. Sea p senpq. As, p flpsenpflpqqq flpsenp3.14qq 0.00159.
?
?
2. Sea p p 3q2 . As, p flppflp 3qq2 q flp1.732 q 2.99.
?
lnpe3 q ` p 3 2q3
3. Sea p
. As, p esta dado por:
5
?
flrflplnpflpflpeq3 qqq ` flppflp 3 2qq3 qs

flrflplnpflp2.723 qqq ` flp1.263 qs
fl
fl
5
5
flrflplnp20.1qq ` 2.00s
flr3.00 ` 2.00s
5.00
fl
fl
fl
1.00
5
5
5
42
M
etodos num
ericos
4. Sea p 52lnp15q . As,
p flp5flpflp2qflplnpflp15qq q flp5flpflp2q2.71 q flp5flp22.71 q flp55.42 q 6140
F
Ejemplo 13
Considere la expresi
on
5 ?
` 2
6
?
3
Use aritmetica de punto flotante con redondeo al cuarto dgito para calcular su
valor.
F Soluci
on Lo que se busca es el valor de la expresion:

`?
5
fl fl
` fl 2
fl
fl pq
`?
fl
fl 3

`?
`?
5
0.8333; fl 2 1.414; fl pq 3.142; fl 3 1.732. As,
Donde fl
6
se tiene que:

`?
5
` fl 2 fl p0.8333 ` 1.414q flp2.2473q 2.247
fl fl
6
fl pq
3.142
`? fl
fl p1.814087759 . . .q 1.814
fl
1.732
fl 3
Finalmente se tendra que:

`?
5
fl fl
` fl 2
2.247
6
fl
fl 1.814 fl p1.2386990077 . . .q 1.209
fl pq
`?
fl
fl 3
El valor exacto de la expresi
on anterior es 1.239137547 . . ., de donde se puede
visualizar una propagaci
on del error debido al redondeo a cuatro cifras.
F
Note que el uso de la funci
on flpq en el ejercicio anterior resulta engorroso
durante el procedimiento. Una forma alternativa es denotarlo por medio de los
operadores , a, d y c; as, se tendra que:
43
`?
5
fl fl
` fl 2
?
?

6
5c6 2 c c 3
fl
fl pq
`?
fl
fl 3
Ejercicios 1.3
24 ` 8 lnp3q
a
utilizando aritmetica de punto flotante con corte
3 ` 7{9
a cuatro dgitos. Repita el ejercicio con aritmetica de redondeo a cuatro dgitos.
Compare ambos casos con el valor real.
1. Calcule el valor de
2. La f
ormula general para races de ecuaciones cuadr
aticas de la forma ax2 ` bx ` c 0
establece que las soluciones de dicha ecuaci
on est
an dadas por:
?
b b2 4ac
xi
2a
Utilice la aritmetica de redondeo a cuatro cifras para determinar las soluciones de la
ecuaci
on cuadr
atica x2 ` 62.10x ` 1 0. Compare con el valor real.
3. Repita el ejercicio anterior utilizando la f
ormula:
xi
2c
?
b2 4ac
Demuestre que las f

ormulas anteriores son algebraicamente equivalentes.
4. Realice los siguientes c
alculos (i) en forma exacta, (ii) mediante una aritmetica de
truncamiento a tres cifras y (iii) con una aritmetica de redondeo a tres cifras. (iv)
Calcule el error relativo en los incisos (ii) y (iii).
1
4
`
5
3
1
3
3
b)
`
3
11
20
4 1
5 3
1
3
3
d)
`
3
11
20
c)
a)
5. Suponga que pp debe aproximar a p con un error relativo a lo sumo de 103 . Determine
el m
aximo intervalo en que debe estar pp para cada valor de p.
6. Sea f una funci
on con criterio:
f pxq
x cos x sen x
x sen x
a) Calcule lm f pxq.
x0
b) Use aritmetica de redondeo a cuatro cifras para evaluar f p0.1q.

7. Sea f una funci
on con criterio:
f pxq
a) Calcule lm f pxq.
x0
ex ex
x
44
M
etodos num
ericos
b) Use aritmetica de redondeo a tres cifras para evaluar f p0.1q.

8. Considere el sistema de punto flotante con una mantisa m de cuatro cifras, un exponente e, el cual puede tomar valores enteros en el conjunto
t4, 3, 2, 1, 0, 1, 2, 3, 4u y base 10.
a) Determine el m
aximo y el mnimo n
umero representable en el sistema.
b) Determine el n
umero positivo m
as peque
no representable en el sistema.
c) Utilizando redondeo, de ser posible, represente los n
umeros siguientes en el
sistema anterior:
1) 0.003575975
2) 2.35447
1.9.
3) 1547645.654325
4) 12453981
Preliminares matem
aticos
En esta secci
on se realiza un breve repaso de algunos topicos matematicos
necesarios para entender la teora adyacente a los metodos numericos. Estos u
ltimos son herramientas que toman como base gran cantidad de conocimientos de
matematica general, c
alculo,
algebra lineal, calculo superior y ecuaciones diferenciales; de ah la necesidad de retomarlos.
Algunos de estos temas ser
an repasados en forma general; sin embargo, otros
se repasaran en el transcurso de la teora previos a su necesidad en la presente obra, con el objetivo de no postergar mucho la permanencia del lector en
los conocimientos previos antes de iniciar con los temas propios de los metodos
numericos.
De manera general, en la presente seccion se repasaran conocimientos como
continuidad de funciones, sucesiones y series numericas, series de Taylor y series
de potencia, entre otros, que ser
an necesarios para poder abarcar el siguiente
captulo.
1.9.1.
Funciones continuas y acotadas
Definici
on 8
Sea f : A B una funci
on, con A, B R no vacos, y sea a P A, se dice que f
es continua en a, si y solo si f cumple simultaneamente las siguientes condiciones:
lm f pxq existe
xa
lm f pxq f paq
xa
Ademas, si I sx1 , x2 r A se dice que f es continua en I si f es continua en

x para todo x P I.
45
Si J rx1 , x2 s A se dice que f es continua en J siempre que f sea continua

en sx1 , x2 r y se cumpla simult
aneamente:
lm f pxq f px1 q
(Continua en x1 por la derecha)
lm f pxq f px2 q
(Continua en x2 por la izquierda)
xx`
1
xx
2
Ejemplo 14
Son funciones continuas, en sus dominios maximo, las funciones:
Polinomicas, de donde se tiene que lm P pxq P paq, para cualquier polixa
nomio P pxq.
Exponenciales, de donde se tiene que lm k x k a , para todo a P R y k
xa
constante positiva.
Logartmicas, de donde se tiene que lm logb x logb a, con a 0 y b
xa
constante, b 0, b 1.
Seno y coseno, de donde se tiene que:
lm sen x sen a
xa
lm cos x cos a
xa
Ejemplo 15
Considere la funci
on f definida por:
"
2x2 5 si x 2
f pxq
x ` 1 si x 2
Es f una funci
on continua en R?
F Soluci
on Note que para x 2 se tiene que f pxq 2x2 5, la cual es continua
pues es un polinomio. De igual forma, para x 2 se tiene que f pxq x ` 1 es
un polinomio y, por lo tanto, es continua.
Ahora se debe analizar la continuidad en x 2, para lo cual se debe analizar
si f cumple las condiciones dadas en la definicion 8.
f p2q 3, por lo que se tiene que la imagen de 2 existe.
C lm f pxq lm 2x2 5 3
lm f pxq
x2
x2`
x2`
lm f pxq lm x ` 1 3
x2
x2
Por lo que lm f pxq 3

x2
46
M
etodos num
ericos
lm f pxq 3 f p2q, donde }} denota una norma en
x2
De donde se tiene que la funci

on es continua en x 2. Finalmente, se concluye
que f es continua en R.
F
Definici
on 9 (Funci
on acotada)
Sea f una funci
on real de variable real cualquiera y definida sobre un conjunto
D R, se dice que f es acotada en D, si y solo si existe un n
umero K 0 tal
que |f pxq| K para todos x P D.
Si f : Rn Rm y sea D Rn , con n 2, entonces se dice que es acotada
en D si existe una constante real K tal que }f px1 , x2 , . . . , xn q} K para todo
px1 , x2 , . . . , xn q P D, donde }} denota una norma en Rm .
Para el caso de que una funci
on f definida sobre D R cumpla que K1
f pxq K2 para todo x P D, entonces K2 se denomina cota superior de f en D
y a K1 se le llama cota inferior de f en D.
De lo anterior se desprende que si K2 es una cota superior de f en un conjunto
D, entonces cualquier n
umero K K2 es tambien cota superior de f en D.
Analogamente, si K1 es una cota inferior de f en D, entonces cualquier n
umero
K K1 es tambien cota inferior de f en D.
En la figura 1.8 se puede apreciar que la funcion f es una funcion acotada en
D, mientras que las funciones g y h son no acotadas en D.
K
h
-K
D
Figura 1.8: Funciones acotadas y no acotadas.
Ejemplo 16
Las funciones trigonometricas f pxq sen x y gpxq cos x son acotadas en todo
47

R. Lo anterior pues:
|sen x| 1
y |cos x| 1
@x P R
o lo que es lo mismo:
1 sen x 1
1 cos x 1
@x P R
Graficamente se tiene que:

y
1
x
1
(a) Funci
on f pxq cos x
y
1
x
1
(b) Funci
on f pxq sen x
Figura 1.9: Funciones trigonometricas acotadas, la funcion coseno

y la funci
on seno.
Teorema 4
Sea f una funci
on real de variable real y continua en un intervalo cerrado I con
I ra, bs, entonces f es acotada en I.
o Demostraci
on Sera equivalente demostrar la contrapositiva del teorema; en
este caso, bastar
a demostrar que si f no es acotada en I, entonces f no es continua
en I.
Si f no es acotada en I, entonces para todo M 0 existe x P I tal que
|f pxq| M , lo cual equivale a decir que existe c P I tal que:
lm 8 _ lm 8
xc
xc`
Por lo tanto, f no es continua en c y no puede ser continua en I. Lo anterior

demuestra el teorema.
48
M
etodos num
ericos
p
Teorema 5 (de los valores extremos de una funci

on)
Sea f una funci
on continua en ra, bs, entonces f siempre alcanza el maximo y
mnimo dentro del intervalo ra, bs. Esto es, existen cmn y cmax en ra, bs para los
cuales se cumple que:
f pcmn q f pxq f pcmax q
@x P ra, bs
o Demostraci
on Se omite.
1.9.2.
Sucesiones
La mayora de los metodos de aproximacion estudiados en cualquier curso

de metodos numericos es, en s misma, una sucesion recursiva que, de converger,
lo hace a la soluci
on exacta del problema que se pretende resolver. Por esto se
desprende la necesidad de tener presentes las principales definiciones y resultado
referentes al concepto de sucesi
on.
Definici
on 10 (Sucesi
on real)
Una sucesion ta1 , a2 , u de n
umeros reales es una funcion a : N R. Es decir,
es una funcion de la forma:
a : N R
n apnq an
as:
En las sucesiones, la notaci

on funcional cambia por una notacion de subndice,
ap1q
ap2q
ap3q
..
.
a1
a2
a3
..
.
apkq
..
.
ak
..
.
Las sucesiones pueden iniciar en n 0, n 1, o en n p, con p P N, p 2.

En caso de iniciar en p con p 1, la sucesion se debe denotar explcitamente por
tan u8
on inicie en 1, entonces es posible denotarla con
np . En caso de que la sucesi
tan u8
,
ta
u
,
o
bien
ta
u.
n
n
nPN
n1
49
Ejemplo 17
Considere la sucesi
on de los n
umeros impares t1, 3, 5, 7, 9, 11, . . .u. Es posible de8
8
notar esta sucesi
on como t2n 1u, t2n ` 1u8
n0 , t2n 3un2 , t2n 5un3 , etc.
La representaci
on gr
afica de la sucesion se puede apreciar a continuacion:
x
Figura 1.10: Representacion grafica de t2n 1u.
Como se observa en el ejemplo 17, toda sucesion puede ser expresada de forma
que su dominio sea N, es decir, que inicie en n 1. Por esta razon, a partir de
aqu, se supondr
a que todas las sucesiones inician en 1 a menos que se indique
explcitamente lo contrario.
Definici
on 11 (Monotona de sucesiones)
Se dice que una sucesi
on tan u es:
Creciente a partir de n N , si y solo si an an`1 para todo n N .
Decreciente a partir de n N , si y solo si an an`1 para todo n N .

"
*
Ejemplo 18
2n! 8
Estudie la monotona de la sucesi
on
. En caso de ser monotona, indique
3n n0
a partir de cu
al n
umero lo es y su monotona.
50
M
etodos num
ericos
F Soluci
on Analice la desigualdad
2pn ` 1q!
2 n!
3n
3n`1
2n! 3n`1 2pn ` 1qn!3n
2 n! 3 3n 2pn ` 1q n! 3n
3n`1
donde esta u
ltima desigualdad es verdadera de n 2 en adelante por lo que
an an`1 a partir de n 2. Por lo tanto, la sucesion dada es creciente a partir
de n 2.
F
Definici
on 12 (Sucesi
on convergente)
Sea txn u una sucesi
on, se dice que la sucesion txn u es una sucesion convergente
si existe un L P R tal que
lm xn L
n8
En este caso se dice que la sucesi

on txn u converge a L. En caso de que no exista
L P R tal que lm xn L, txn u diverge.
n8
"
Ejemplo 19
Determine si la sucesi
on
en
2en ` 5n2
*
converge o diverge.
F Soluci
on
en
lm
n8 2en ` 5n2
n8
lm
Por lo que la sucesi

on converge a
n
e
1
1

lm
2
0
n8
2
n 2 ` 5n
7
e

5n2
en
2 ` n
e
1
.
2
51
Ejercicios 1.4
Determine si las siguientes sucesiones convergen o divergen
"
*
" 2
*
1
2n ` 3n
n`4
n2 5
"
*
p1qn`2
tln p3n ` 5q ln p5n ` 8qu
n
+
#
`
" n
*
sen2 n1
3
1
1
`
1
7
n n`1
n2
Teorema 6 (Teorema de Weierstrass)

Si una sucesion es creciente y acotada superiormente, entonces es convergente. Y
si una sucesion es decreciente y acotada inferiormente, entonces es convergente.
o Demostraci
on Sea tan u una sucesi
on creciente y acotada. De esta manera
existe M P R tal que an M para todo n P N. Por lo tanto el supremo existe.
Sea
x suptan : n P Nu
Como x es una cota superior de tan u, entonces an x para todo n P N. Y por
la caracterizaci
on del supremo se sabe que para todo 0 se cumple que x
no es cota superior, por lo que existe N P N para el cual se cumple que:
x aN x
Y como tan u es creciente, se cumple ademas que para todo n N .
x an x
de donde se deduce que:
an x 0 0 x an
En resumen,
p@ 0qpDN P Nqrn N 0 x an s
es decir,
lm an x
n8
Y la sucesion converge. Para el caso de que tan u sea decreciente y acotada es

analogo y queda como ejercicio para el estudiante.
p
52
M
etodos num
ericos
Teorema 7 (Sucesiones y la continuidad de funciones)

Sea f una funci
on definida sobre un intervalo ra, bs. f es una funcion continua en
ra, bs si solo si para toda sucesi
on txn u en ra, bs se cumple que:
xn L f pxn q f pLq
Definici
on 13 (Sucesi
on recurrente)
Se dice que una sucesi
on tan u est
a definida en forma recurrente si el kesimo
termino esta en funci
on de los terminos anteriores.
Ejemplo 20
Considere la sucesi
on definida por:
"
an 2an1 ` 3
a0 1
Esta sucesion corresponde a: t1, 5, 13, 29, 61, . . .u.
En las sucesiones definidas por recurrencias es necesario establecer condiciones
iniciales que son el punto de partida para la sucesion. En caso de que el kesimo
termino dependa de m terminos anteriores, se requieren m condiciones iniciales,
a las cuales se les denomina sucesiones recursivas de orden m.
Ejemplo 21
Considere la sucesi
on definida por:
"
an an1 ` an2
a0 1, a1 1
Esta sucesion corresponde a:
t1, 1, 2, 3, 5, 8, 13, 21, 34, . . .u
y es conocida como la sucesi
on de Fibonacci.
La sucesion de Fibonacci es una de las sucesiones mas curiosas que se conocen,
pues da la soluci
on al famoso problema de los conejos que Fibonacci escribio en
su libro Liber abaci. El problema en lenguaje actual dira:
Problemas de los conejos
Una pareja de conejos tarda un mes en alcanzar la edad fertil. A partir de
ese momento cada mes engendra una pareja de conejos, que a su vez, tras
ser fertil, cada mes engendrar
a una pareja de conejos. Cuantas parejas
de conejos habr
a al cabo de un determinado n
umero de meses?
53

Un dato curioso es que la sucesi
on
)8
an
an1
n1
, donde tan u8
on
n0 es la sucesi
de Fibonacci, converge al famoso n

umero aureo
?
1` 5
2 .
Ejemplo 22
Considere la sucesi
on txn u definida por:
$
&
%
xn`1 xn
x0 1
f pxn q
f 1 pxn q
donde f es la funci
on con criterio f pxq x2 ` 3. Note que f 1 pxq 2x, por lo que
la sucesion sera:
$
x2 ` 3
&
xn`1 xn n
2xn
%
x0 1
y la sucesion dada por extensi
on corresponde a: t1, 1, 1, 1, 1, 1, 1, . . .u
Ejercicios 1.5
1. Para cada una de las funciones que se presentan a continuacion, determine los
primeros cinco terminos de las sucesiones:
$
$
f pxn q
f pan qpan an1 q
&
&
an`1 an
xn`1 xn 1
f pxn q
f pan q f pan1 q
%
%
x0 p
a0 p, a1 p ` 1
a) f pxq x3 2x ` 1; p 2.
c) f pxq lnpxq ` x2 ; p 2.
b) f pxq cospxq x; p .
d) f pxq cospxq x2 ; p 2.
2. Para cada una de las funciones del ejercicio anterior, escriba un programa en
Excel que reciba un n
umero natural k mayor que 2 y retorne la lista de los
primeros k terminos de las sucesiones indicadas.
1.9.3.
Series
Definici
on 14
8
Dada una sucesi
on tak u8
k1 , se define la serie
k1 ak como la suma de todos los
8
terminos de la sucesi
on tak uk1 . Es decir:
8
n1
an a1 ` a2 ` a3 ` a4 `
54
M
etodos num
ericos
En caso de que la serie inicie en 1, entonces se puede denotar por

cualquier otro caso, es necesario indicar el termino inicial de la serie.
an . En
Definici
on 15
Dada una serie an , se define su kesima suma parcial y se denota Sk como:
Sk
an a1 ` a2 ` a3 ` ` ak
n1
En caso de que la serie inicie en p, entonces

Sk
k`p1
an ap ` ap`1 ` ap`2 ` ` ap`k1
np
Ademas, se define la sucesi

on de kesimas sumas parciales como tSk u8
k1 .
Al igual que se hizo en sucesiones, las series se pueden redefinir de forma que den
inicio en p 1. As:
8
kp
ak
ap`k1
k1
Por esta razon, a partir de este punto los resultados se estudiaran para series que
inicien en 1. Sin embargo, los resultados que se estudiaran podran ser aplicados
a series que dan inicio en n
umeros naturales distintos a la unidad, aplicando una
traslacion conveniente.
1.9.4.
Convergencia y divergencia de series
Definici
on 16
8
Dada una serie
an , si la sucesi
on de las kesimas sumas parciales converge,
n1
entonces se dice que la serie es convergente. En caso contrario, se dice que la serie
es divergente.
Si la sucesion de las kesimas sumas parciales de una serie converge a S, entonces
la serie converge a S y se escribe:
8
n1
an lm
k8
n1
an S
55

Teorema 8
Sea tan u una sucesi
on, entonces:
8
an
converge
an
converge
np
n1
para cualquier p P N fijo

El teorema 8 establece que si una serie converge, entonces la serie que resulta
de suprimir los primeros k terminos es tambien convergente. Este resultado es de
mucha utilidad para el estudio de la convergencia de series.
El criterio de las series alternadas sera el u
nico que se abordara, debido a su
utilidad en el c
alculo aproximado de integrales y derivadas de funciones mediante
series de Taylor.
1.9.5.
Series alternadas
Definici
on 17
8
Dada un serie
an , se dice que es una serie alternada si y solo si an p1qn bn ,
n1
donde la sucesi
on tbn unPN siempre tiene el mismo signo. Es decir, bn 0, @n P N
o bn 0, @n P N.
8
En sntesis, una serie

p1qn bn es alternada si tbn unPN es una sucesion cuyos
n1
terminos siempre tienen el mismo signo.

Ejemplo 23
Son series alternadas:
8 p1qn`1
1 1 1 1
1 ` ` `
n
2 3 4 5
n1
8 p1qn
1 1 1 1
` ` `
2
3 4 5
n1 n ` 1
serie armonica alternada
Teorema 9 (Criterio de las series alternadas)

Sea
np
p1qn bn una serie alternada tal que bn 0, @n p. Si la sucesion tbn unp
cumple simult
aneamente las condiciones:
tbn unp es decreciente.
lm bn 0
n8
56
M
etodos num
ericos
entonces la serie
np
p1qn bn es convergente.
o Demostraci
on Dado que cualquier serie se puede redefinir para que inicie en 1,
se realizara la demostraci
on suponiendo p 1, esto para minimizar los calculos.
8
8
n
Note que
p1q bn
p1qn1 bn ; de este modo, bastara demostrar la
n1
n1
convergencia de la serie
p1qn1 bn .
n1
La kesima suma parcial de la serie
p1qn1 bn esta dada por:
n1
Sk
p1qn1 bn b1 b2 ` b3 b4 ` ` p1qk2 bk1 ` p1qk1 bk
n1
De este modo se tiene que:

S2k b1 b2 ` b3 b4 ` ` p1q2k2 b2k1 ` p1q2k1 b2k
b1 b2 ` b3 b4 ` ` b2k1 b2k
b1 rpb2 b3 q ` pb4 b5 q ` ` pb2k2 b2k1 q ` b2k s
b1
pues, como la sucesi
on es decreciente se tiene que bn bn`1 0. Por lo tanto, la
sucesion tS2k u es acotada.
Por otro lado,
S2pk`1q S2k`2 S2k ` pb2k`1 b2k`2 q S2k
De donde se tiene que la sucesi
on tS2k u es creciente. As, en virtud del teorema 6 se tiene que la sucesi
on tS2k u es convergente por ser creciente y acotada
superiormente. Sea S es el valor al cual converge la sucesion tS2k u.
Por otro lado, note que:
lm S2k`1 lm pS2k ` b2k`1 q lm S2k ` lm b2k`1 S
n8
n8
n8
n8
Como las subsucesiones de los terminos pares e impares de tSk u convergen a

S, es posible concluir que la sucesi
on tSk u converge a S.
8
Finalmente, por la definici

on de convergencia de una serie se tiene que la serie
8
p1qn1 bn converge a S. Finalmente se concluye que la serie

p1qn bn es
n1
convergente.
n1
57

Nota importante
En la primera condici
on del teorema 9 no es necesario que la sucesion
tbn unPN sea siempre decreciente, basta con que exista un N P N tal que
la sucesion tbn u8
nN sea decreciente. Este detalle se justifica en virtud del
teorema 8.
Ejemplo 24
8
p1qk k
Demuestre si la serie
es convergente.
2k 2 ` 1
k1
k
es una sucesion decreciente y
F Soluci
on Se debe probar que bk
2k 2 ` 1
converge a cero.
lm
k8
k
k
1
lm
lm
0
2k 2 ` 1 k8 k p2k ` 1{kq k8 2k ` 1{k
Por lo que tbk u es una sucesi

on convergente a cero.
Se deber probar que tbk u es decreciente. Considere f una funcion continua
y derivable tal que f pkq bk , @k P N.
f pxq
2x2 ` 1
x
1
f
pxq
2x2 ` 1
p2x2 ` 1q2
de donde se tiene que para todo x P

tbk u8
k1 es decreciente.
1
? , 8 se cumple f 1 pxq 0. As,
2
De lo anterior, y en virtud del teorema 9, es posible concluir que la serie

es convergente por el criterio de las series alternadas.
p1qk k
2k 2 ` 1
k1
Ejercicios 1.6
Determine cuales de las siguientes series alternadas son convergentes y cuales
no lo son:
58
M
etodos num
ericos
p1qn
n
n1
1.
p1qn en
2.
e2n ` 1
n1
3.
p1qn
n1
2n2 ` 2n 1
n2 ` 5n
p1qn en
4.
n`1
n1
Aproximaci
on de la suma de una serie alternada convergente
Si bien el criterio de las series alternadas no indica el valor de la suma en caso
de que haya convergencia, existe un resultado que permite aproximar el valor de
la suma total con una suma parcial, de manera que dicha aproximacion sea tan
precisa como se quiera.
Teorema 10 (Cota para el error en una serie alternada)
Sea
p1qn bn una serie alternada convergente a S, donde la sucesion tbn unp
np
es decreciente y convergente a cero. Sea Sk
k`p1
np
p1qn bn la kesima suma
parcial. Entonces, el error que se comete al aproximar el valor de S con Sk

satisface que:
|S Sk | bk`p
Este teorema indica que si se toma una suma parcial como valor aproximado
de la suma total de la serie, el error que se comete es menor al valor absoluto del
primer sumando despreciado en el c
alculo de la kesima suma parcial. Dicho de
otra manera, el error que se comete al emplear Sk como aproximacion de S es
siempre menor al valor absoluto del termino k ` 1 de la serie.
Ejemplo 25
Considere la serie alternada
p1qk
k3 ` 1
k1
Verifique que la serie anterior es convergente y determine una aproximacion de

la suma total con un error absoluto menor que 103 .
F Soluci
on Primero se debe verificar que tbk u satisface las hipotesis del teorema
10. Es decir, sede probar que es decreciente y tiende a cero.
59

lm bk lm
k8
k8 k 3
1
0
`1
Ahora, note que:

bk bk`1
1
1
`1
pk ` 1q3 ` 1
pk ` 1q3 ` 1 k 3 ` 1
k 3 ` 3k 2 ` 3k ` 2 k 3 ` 1
3k 2 ` 3k ` 1 0
k3
donde esto u
ltimo es cierto para todo k 1; de este modo, se tiene que
tbk u es decreciente.
8 p1qk
es convergente por el
3
k1 k ` 1
criterio de las series alternadas. Adem
as, la serie cumple las hipotesis del teorema
10; en consecuencia, debe darse que:
A partir de lo anterior se concluye que la serie
|S Sm | bm`1
1
pm ` 1q3 ` 1
por lo que bastara determinar un valor para m tal que:

1
103
pm ` 1q3 ` 1
Por inspeccion se tiene que m 9 cumple.
9
p1qk
As, S9
0.4148742942... es la aproximacion buscada.
k3 ` 1
k1
Ejemplo 26
Considere la serie alternada
8
p1qn1
n1
1
n!
1. Demuestre que es convergente.

2. Aproxime el valor de la suma total con S6 .
3. Encuentre, haciendo uso de la aproximacion determinada en el paso anterior y el teorema 10, el menor intervalo en donde se pueda garantizar que
este contenido el valor exacto de la suma.
F Soluci
on
60
M
etodos num
ericos
1. Se demostrar
a que la serie es convergente al hacer uso del criterio de las
1
series alternadas. Considere la sucesion tan u definida por an , note que
n!
satisface las siguientes propiedades:
Es decreciente, pues:
an an`1
1
pn ` 1q!
1
1 n ` 1 1
pn ` 1q!
n!
n!
Converge a cero:
1
0
n8 n!
lm
Esto completa las hip

otesis del criterio de las series alternadas, con lo cual
queda demostrado que la serie converge; ademas, cumple las hipotesis del
teorema 10.
2. Considere S6 como aproximaci
on del valor de la suma total S, donde:
S6 1
1 1
1
1
1
91
`
`
0.631944.
2 6 24 120 720
144
3. Ahora, al hacer uso del teorema 10 se tiene que el error cometido por S6
1
1
esta dado por a7
, as:
7!
5040
|S S6 | a7
S 91 1
144 5040
1
91
1
S
5040
144
5040
199
177
S
315
280
De esta manera, el menor intervalo que garantiza contener a S y que fue

calculado al hacer uso de S6 corresponde a:
199 177
,
315 280
61
Ejercicios 1.7
Para cada una de las series alternadas convergentes que se muestran a continuacion, estime el n
umero de terminos que se deben considerar para que la
suma parcial aproxime a la suma real con un error absoluto menor que la cota
presentada en cada caso.
1.
3p1qn
cota 0.001
n2 1
n1
2.
p1qn
cota 0.00001
n5 ` n
n1
3.
p1qn en cota 0.0000001
n1
4.
1.9.6.
p1qn 2n
cota 0.0000001
pn ` 3q2
n1
Serie de Taylor
Definici
on 18 (Serie de potencias)
Sea f : A B, con A, B R y sea c P A, se dice que f admite un desarrollo
en series de potencias alrededor de x c, si existe una sucesion tan u8
n0 y r 0
8
tal que para toda x en sc r, c ` rr Y tcu se tiene que la serie

an px cqn
n0
converge absolutamente1 a f pxq.
Se le denomina radio de convergencia al mayor n

umero r que cumpla que:
1. Si x cumple que |x c| r, entonces la serie converge absolutamente.
2. Si x cumple que |xc| r, entonces la serie
an px cqn la serie diverge.
n0
En este caso al intervalo sc r, c ` rr se le denomina interior del intervalo de

convergencia. El intervalo de convergencia puede o no contener los extremos del
intervalo, en cuyo caso habra que realizar el estudio de convergencia de la serie
cuando x toma los valores cr y c`r. Para efectos de esta obra, no se estudiaran
los extremos y solo se trabajar
a con el interior del intervalo de convergencia.
1
Se dice que una serie
an converge absolutamente si y solo si la serie
|an | es convergente.
62
M
etodos num
ericos
Notaci
on
Para poder hacer uso siempre de la misma notacion, en adelante se considerara que px cq0 1, aun cuando x c.
r puede tomar los valores extremos: r 0, en cuyo caso se dice que la serie
converge absolutamente solo en x c; o bien, r 8, en cuyo caso se dice que la
serie converge absolutamente en R.
Teorema 11 (Radio de convergencia)
8
Considere la serie de potencias

an px cqn , entonces el radio de convergencia
n0
de dicha serie se puede calcular mediante las formulas:
a
an
1
lm n |an |
o bien,
r lm
n8 an`1
r n8
La demostraci
on del resultado anterior es directa del criterio de la razon y el
criterio de la raz, respectivamente.
Ejemplo 27
Determine el radio de convergencia de las siguientes series de potencias:
1.
3.
px 3qn
n0
3n
px 1qn
2.
2n
pn
`
1q
n0
8
4.
3n n!
px ` 1qn
pn
`
1q!
n0
8
n!
px ` 1qn
n
`
1
n0
F Soluci
on
1. Para la serie
px 3qn se tiene que an 1 para todo n P N. De esta
n0
manera se tiene que:
an

lm 1 1
r lm
n8 an`1
n8 1
de donde se tiene que r 1 y que la serie converge absolutamente para
todo x Ps2, 4r.
3n
3n
n
px
1q
se
tiene
que
a
, as:
n
2n
pn ` 1q2n
n0 pn ` 1q
d
d
n
n
1
3
3
3
n
n
lm
lm
lm
0
2n
2
n8
n8 pn ` 1q2
r n8
pn ` 1q
pn ` 1q
2. Para la serie
63
de donde se tiene que r 8. As, la serie converge absolutamente en R.

8
3n n!
3n n!
px ` 1qn se tiene que an
as:
pn ` 1q!
pn ` 1q!
n0
3n n!
an
pn
`
1q!
pn
`
2q!n!
lm
lm
r lm
n8 3n`1 pn ` 1q!
n8 3 pn ` 1q! pn ` 1q!
n8 an`1
pn ` 2q!
1 pn ` 2q pn ` 1q!n! 1
n ` 2 1
lm
lm
n8 3 pn ` 1q! pn ` 1q n!
3 n8 n ` 1 3
3. Para la serie
1
por lo que el radio de convergencia es r . De ah se concluye que la serie
3
4 2
converge absolutamente para todo x P , .
3 3
4. Para la serie
n!
n!
px ` 1qn se tiene que an
, as:
n`1
n`1
n0
n!
an
lm n ` 1 lm n! pn ` 2q
r lm
n8 pn ` 1q!
n8 an`1
n8 pn ` 1q pn ` 1q!
n ` 2
n`2
n! pn ` 2q
0
lm
lm
n8 pn ` 1q pn ` 1q n!
n8 pn ` 1q2
Por lo que r 0. As se concluye que el u
nico punto donde la serie converge
absolutamente es en x 1.
F
Teorema 12 (Propiedades de las
8 series de potencias)
Considere la serie de potencias

an px cqn con radio de convergencia r.
n0
Ademas, tome en cuenta la funci

on f :sc r, c ` rr R definida por:
8
f pxq
an px cqn
n0
Entonces, en el intervalo de convergencia de la serie se tiene que f es una funcion

continua, derivable e integrable; adem
as:
f 1 pxq
x
f ptqdt
c
n1
8
n0
an npx cqn1 y
x
pt cqn
an
c
an
px cqn`1
n
`
1
n0
64
M
etodos num
ericos
Es importante mencionar que las series obtenidas por derivacion e integracion

poseen el mismo radio de convergencia que la serie original.
Teorema 13
Si f admite un desarrollo en serie de potencias alrededor de x c, entonces:
an
f pnq pcq
n!
donde f pnq pcq denota la nesima derivada de f evaluada en c.

o Demostraci
on Considere la serie de potencias:
8
an px cqn a0 ` a1 px cq ` ` ak px cqk `
n0
De esta manera, al derivar kveces dentro de su intervalo de convergencia se

tiene que:
f pkq pxq
8
8
dk
n
n!
px cqnk
a
px
cq
an pnk1q!
n
dxk n0
nk
al evaluar en x c se tiene que:

f pkq pcq
n!
an pnk1q!
pc cqnk
nk
de esta manera, el u
nico termino que no es nulo es en n k, y entonces resulta
que:
f pkq pcq
f pkq pcq ak k! o equivalentemente ak
k!
p
8
pnq
f pcq
px cqn se le conoce como serie de Taylor
De esta forma, a la serie
n!
n0
de f centrada en x c. En el caso particular de que este centrada en cero, se le

llama serie de Maclaurin de f .
Si f es una funci
on definida mediante una serie de potencias de la forma:
f pxq
an px cqn
n0
el dominio de la funci
on f es el intervalo de convergencia de la serie. En este
caso, es necesario estudiar la convergencia de la serie en los extremos de dicho
intervalo, con el objetivo de identificar si estan o no contenidos en el dominio de
la funcion.
65
Dada una funci

on f : A B, tal que f admita un desarrollo en series de
potencias alrededor de c P A y f infinitamente derivable en c, entonces siempre
es posible calcular la serie de Taylor para f alrededor de c.
f 2 pcq
f pnq pcq
px cqn f pcq ` f 1 pcq px cq `
px cq2 ` (1.2)
f pxq
n!
2!
n0
Ejemplo 28
Utilice la formula presentada en (1.2) para calcular la serie de Maclaurin para la
funcion f : R R` definida por f pxq ex .
F Soluci
on Para la funci
on f se tiene que:
f pxq
f 1 pxq
..
.
f pnq pxq
..
.
=
=
=
ex
ex
..
.
x
e
..
.
f p0q
f 1 p0q
..
.
f pnq p0q
..
.
=
=
=
1
1
..
.
1
..
.
De esta forma se tiene que

ex
8
8
f pnq p0q n
xn
x x2 x3
xk
x
1` `
`
` `
`
n!
n!
1
2!
3!
k!
n0
n0
Es posible demostrar que la serie converge para todo x P R.
Las series de Taylor y Maclaurin poseen infinitos terminos en su desarrollo; sin

embargo, al sumar una cantidad finita de sus primeros terminos se pueden calcular
aproximaciones de las im
agenes de la funcion. La calidad de cada aproximacion
depende de dos detalles que se deben considerar:
El n
umero de terminos de la serie que seran empleados para el calculo de
la aproximaci
on.
La distancia que existe entre el centro de la serie y la preimagen correspondiente a la imagen que se desea aproximar.
Con respecto a la primera, cuantos mas terminos sean utilizados para el calculo, mejor sera la aproximaci
on. Mientras que en la segunda, cuanto mas cerca del
centro de la serie este el valor por calcular, mejor sera la aproximacion.
66
M
etodos num
ericos
Ejemplo 29
Utilice tres terminos de la serie de Maclaurin para la funcion gpxq ex para
aproximar el valor de e2 . Repita el ejercicio utilizando cuatro terminos de la
misma serie. Cu
al de las dos aproximaciones es mejor? Por que?
F Soluci
on
2 22 23
2 22
`
`
6.33 x1
5 x2
y
e2 1 ` `
1
2!
3!
1
2!
En este caso, x1 es mejor aproximaci
on que x2 , pues en x1 se utilizaron mas
F
terminos que los empleados en la aproximacion x2 .
e2 1 `
Ejemplo 30
Utilice cuatro terminos de la serie de Maclaurin para la funcion f pxq ex y
?
?
aproxime 3 e y e. Justifique cu
al de las dos aproximaciones es mejor e indique
la causa.
F Soluci
on
?
p1{2q1 p1{2q2 p1{2q3
e e1{2 1 `
`
`
1.64583
1!
2!
3!
p1{3q1 p1{3q2 p1{3q3
113
`
`
1.395061728
1!
2!
3!
81
?
?
Para este caso, la aproximaci
on de 3 e es mejor que la aproximacion de e
1
1
1
debido a que 0 , es decir, esta mas cerca del centro de la serie que
3
2
3
1
. Esto tambien se puede verificar al calcular el error relativo para ambas
2
aproximaciones.
?
Para el caso de e
?
e 1.64583
0.00175 0.175 %
?
r?e
e
?
Para el caso de 3 e
?
3 e 1.395061728
?
0.000394 0.0394 %
?
r3e
3
e
?
Sin duda es mejor aproximaci
on la realizada para 3 e
F
?
3
e e1{3 1 `
Ejemplo 31
Use la formula presentada en (1.2) para determinar la serie de Maclaurin para la
funcion f : R r1, 1s definida por f pxq sen x.
67

F Soluci
on
f pxq
f 1 pxq
f 2 pxq
f 3 pxq
f p4q pxq
..
.
sen x
=
=
=
=
=
sen x
cos x
sen x
cos x
sen x
..
.
=
=
=
=
=
f p0q
f 1 p0q
f 2 p0q
f 3 p0q
f p4q p0q
..
.
0
1
0
1
0
..
.
f pnq pcq n
x3
x5
x 0`x`0
`0`
`
n!
3!
5!
n0
p1qn x2n`1
x3 x5
`
`
`
x
3!
5!
p2n ` 1q!
sen x
p1qn x2n`1
p2n ` 1q!
n0
Es posible probar que el intervalo de convergencia de la serie anterior es R.
Ejemplo 32
Use la formula presentada en (1.2) para determinar la serie de Taylor para la
funcion f : R` R definida por f pxq ln x y centrada en x 1.
F Soluci
on Se tiene que:
f pxq
ln x
f p1q
f 1 pxq
1
x
f 1 p1q
f 2 pxq
1
x2
f 2 p1q
f 3 pxq
2
x3
f 3 p1q
f p4q pxq
6
x4
f p4q p1q
f p5q pxq
..
.
24
x5
f p5q p1q
..
.
24
..
.
..
.
68
M
etodos num
ericos
ln x
8
8
f pnq p1q
f pnq pcq
px cqn
px 1qn
n!
n!
n0
n0
px 1q2 2 px 1q3 6 px 1q4 24 px 1q5

`
`

2!
3!
4!
5!
px 1q2 2 px 1q3 6 px 1q4 24 px 1q5
px 1q
`
`

2!
3!
4!
5!
px 1q2 px 1q3 px 1q4 px 1q5
px 1q
`
`

2
3
4
5
0 ` px 1q
ln x
p1qn1 px 1qn
n
n1
Se puede verificar que el intervalo de convergencia de la serie anterior es s0, 2s.

F
El siguiente ejemplo muestra c
omo es posible determinar el desarrollo en
series de potencia para una funci
on al utilizar como base el desarrollo en series
de potencia de otra funci
on.
2
Ejemplo 33
1 ex
Encontrar la serie de Maclaurin para f pxq
utilizando la serie de
2
x
potencia de la funci
on gpxq e calculada en el ejemplo 28.
F Soluci
on Se tiene que:
x2 x3 x4
xn
`
`
` `
`
2!
3!
4!
n!
` 2 2 ` 2 3 ` 2 4
` 2 n
` 2
x
x
x
x
1 ` x `
`
`
` `
`
2!
3!
4!
n!
x4 x6 x8
p1qn x2n
1 x2 `
`
` `
`
2!
3!
4!
n!
p1qn`1 x2n
x4 x6 x8
1 ` x2
`
` `
`
2!
3!
4!
n!
p1qn`1 x2n
x4 x6 x8
x2
`
` `
`
2!
3!
4!
n!
p1qn`1 x2n
x2
x4
x6
x8
` `
`
2
2 2! 2 3! 2 4!
2n!
se tiene que la serie de Taylor para la funcion f es:
ex 1 ` x `
ex
ex
ex
1 ex
1 ex
2
De esta forma
p1qn`1 x2n
2n!
n1
Ademas, el intervalo de convergencia de esta nueva serie de potencia sera R. F
69
Ejercicios 1.8
1. Para cada una de las siguientes funciones, determine la serie de Taylor
centrada en el punto que se da con cada una:
a) f pxq arctanpxq centrada en x 0.
b) gpxq
1
1x
centrada en x 0.
c) hpxq cospxq centrada en x 0.

d) rpxq
1
1`x2
centrada en x 0.
e) npxq senhpxq centrada en x 0, donde senhpxq

f ) mpxq coshpxq centrada en x 0, donde coshpxq
1.9.7.
ex ex
.
2
x
x
e è
.
2
Aproximaci
on de derivadas e integrales
Por el teorema 12 se sabe que una funcion f definida mediante de una serie de
potencia centrada en x c y con radio de convergencia r es continua, derivable
e integrable en el interior del intervalo de convergencia sc r, c ` rr. Ademas:
f 1 pxq
x
f ptqdt
c
n1
8
n0
an npx cqn1 y
x
pt cqn
an
c
an
px cqn`1
n
`
1
n0
Al utilizar lo anterior y la cota del error absoluto para series alternadas, presentada en el teorema 10, es posible aproximar el valor de integrales definidas para
funciones que por sus caractersticas son muy difciles o imposibles de calcular en
forma analtica.
2
2
Ejemplo 34
1 ex
Utilice una serie de potencias para calcular
dx con un error menor
2
0
que 0.001.
70
M
etodos num
ericos
F Soluci
on Al utilizar el resultado que se obtuvo en el ejemplo 33 se tiene:
2
0
1 ex
dx
2
2
8
p1qn`1 x2n
dx
2n!
0 n1
8
n1
n1
p1qn`1
2n!
ff
x2n dx
n1
p1qn`1
2n!
2 ff
x2n`1
2n ` 1 0
ff
ff
p1qn`1 22n`1
p1qn`1 4n
2n!
2n ` 1
n! p2n ` 1q
n1
4n
se quiere que En 0.001, y como se sabe que
n! p2n ` 1q
en virtud del teorema 10, basta que:
Al tomar an
En an`1
an`1 0, 001
1
pn ` 1q! p2n ` 3q
1000
pn ` 1q! p2n ` 3q
1000
4n`1
4n`1
esta desigualdad se verifica para n 12. As:
2
2
12
p1qn`1 4n
1 ex
dx
0.55864
2
n! p2n ` 1q
0
n1
El valor real de la integral anterior es 0.5589593046...
1.9.8.
Resto de una serie de potencias y cota del error
Teorema 14 (Polinomio Taylor)

Sea f P C m ra, bs tal que f pm`1q este definida en ra, bs. Entonces @x P ra, bs, Dx
entre x0 y x tal que f pxq Pm pxq ` Rm pxq, donde:
Pm pxq
f pnq px0 q
px x0 qn
n!
n0
Rm pxq
f pm`1q px q
px x0 qm`1
pm ` 1q!
A Pm pxq se le conoce como el polinomio de Taylor de grado m para la funcion f

y a Rm pxq se le llama resto de la serie. Esta forma de escribir el resto es conocida
como la forma de Lagrange.
71
Al utilizar el polinomio de Taylor para aproximar el valor exacto de la imagen de

x bajo la funci
on f por f pxq Pm pxq se observa que el valor absoluto del resto
Rm pxq de la serie de Taylor es el error absoluto que se comete al realizar dicha
aproximacion.
f pxq Pm pxq ` Rm pxq f pxq Pm pxq Rm pxq
|f pxq Pm pxq| |Rm pxq|
EPm pxq |Rm pxq|
Ejemplo 35
8 xn
Calcule la cantidad de terminos que se debe sumar en la serie

para gan0 n!
rantizar que la aproximaci
on de e2 tiene un error absoluto menor a 0.0001.
F Soluci
on
e2 Pm p2q ` Rm p2q
donde Rm p2q
2n
` Rm p2q
n!
n0
f pm`1q p2 q p2 0qm`1
con 2 P r0, 2s, as:
pm ` 1q!
Rm p2q
2m`1 e2
2m`1 e2
2m`1 9
pm ` 1q!
pm ` 1q!
pm ` 1q!
Lo anterior es posible debido a que la funcion exponencial de criterio f pxq ex

es una funcion creciente. Por lo que si 2 P r0, 2s, entonces 2 2; de esta forma
se concluye que e2 e2 9.
Por lo que basta tomar un valor de p que cumpla que:
9 2m`1
0.0001
pm ` 1q!
Por inspeccion, se puede verificar que la desigualdad anterior se satisface para
m 11. As, bastara tomar el polinomio de Taylor de grado 11 para el calculo
de dicha aproximaci
on.
11
2n
e2
n!
n0
con un error menor que 0.0001.
72
M
etodos num
ericos
Ejercicios 1.9
1. Use las series de potencias ya conocidas y calculadas en ejercicios anteriores para determinar la serie de potencia para las funciones que se
presentan a continuaci
on:
x
1
2
Sug: Anad) Kpxq
et dt.
a) F pxq
p1
xq2
0x
lice cual funcion derivada da
senptq
b) Gpxq
dt.
Kpxq.
t
0x
arctanptq
c) Hpxq
dt
t
0
2. Utilizando el desarrollo en series de potencias de las funciones dentro
de cada integral, calcular una aproximacion de cada integral con una
exactitud de hasta E, donde este u
ltimo es el que se presenta en cada
caso:
1
a)
x2
1
dx, con E 0.001.
1
2 senpxq
x dx,
0
0
1
d)
b)
1.10.
cospx2 qdx, con E 0.001.
c)
con E 0.000001
arctanpxq
dx, con E
x
0
0.001.
Rapidez de convergencia (O de Landau)
Definici
on 19
Sean f y g funciones tales que lm g pxq 0 y lm f pxq L. Si existe k 0 tal
x0
x0
que |f phq L| k |g phq| para h suficientemente peque

no, entonces se escribe:
f phq L ` O pg phqq
lo que indica es que f pxq tiende a L tan r
apido como gpxq tiende a cero.
Si p 0 es el valor m
as grande para el cual f phq L ` O php q, entonces a
O php q se le llama rapidez de convergencia con que f phq L.
Ejemplo 36
Utilice el polinomio de Taylor para la funcion f pxq sen x y centrado en cero
para demostrar que senx x tiende a 1 con una rapidez de convergencia Oph2 q.
73

F Soluci
on Lo que se pretende demostrar es que:
sen h
1 ` Oph2 q
h
Por el resultado obtenido en el ejemplo 31 se tiene que
senpxq
p1qn x2n`1
, para todo x P R
p2n ` 1q!
n0
as, por la aplicaci

on del teorema 14 y al evaluar en h se tiene que:
sen h h
h3
cosph q ,
3!
con h entre 0 y h.

h2
sen h
1
cosph q
h
3!
as, se deduce que:
sen h
h
h2
h 1 3! cosph q 6 0
por lo tanto, al tomar k
1
se tiene que:
6
sen h
1 ` Oph2 q
h
F
Ejercicios 1.10
1. Utilice el polinomio de Maclaurin de grado conveniente para la funcion
cos x, para probar que:
1
cos h ` h2 1 ` Oph4 q
2
2. Utilice el polinomio de Taylor con resto para la funcion gpxq ex cen-
74
M
etodos num
ericos
trado en c 0 para demostrar que la funcion

f pxq
converge a
1.11.
ex x 1
x2
1
con una rapidez de convergencia Ophq.
2
Ejercicios del captulo
1. Determine el n
umero de cifras significativas que posee cada uno de los
siguiente n
umeros:
a) 1.2354 102
b) 1.2003054
c) 0.007508
d) 8.2000
e) 25470000
2. Sea f la funci
on definida por f pxq senpxq. Determine la serie de Maclaurin
para f y determine un polinomio de Taylor en el que se pueda garantizar
que aproxime el valor de senp1q con un error absoluto menor que 0.0000001.
3. Considere la funci
on f definida por f pxq x2 cos x.
a) Aproxime f con un polinomio de Taylor de grado 4, alrededor cero.
b) Utilice la aproximaci
on anterior para aproximar f p0.5q.
4. Considere el desarrollo en series de potencias (series de Maclaurin) que se
presenta a continuaci
on:
8
p1qn 2n
cos x
x
p2nq!
n0
Determine el menor n
umero natural para el que se pueda garantizar que
Pm p0.5q aproxime a cos p0.5q con un error absoluto menor que 105 donde
Pm pxq es el polinomio de Taylor de grado m.
5. Calcule la cantidad de terminos que se debe sumar en la serie
2ex1
2 px 1qn
n!
n0
para garantizar que la aproximaci

on de 2e3 tiene un error absoluto menor
5
a 10 .
75

on h : IR IR, tal que hpxq 3ex cos x.
a) Determine el quinto polinomio de Taylor, P5 pxq, centrado en x 0

para la funci
on h.
b) Con base en aq aproxime el valor de h p1q.
c) Utilice el resto del polinomio de Taylor P5 pxq para determinar una
cota del error cometido en la aproximacion anterior.
7. Calcule, utilizando aritmetica de punto flotante, la siguiente expresion:
?
2 5
?
3
e ` lnp5q
a) Usando redondeo al quinto dgito.
b) Usando truncamiento al quinto dgito.
c) Compare el resultado anterior utilizando el valor real redondeado al
quinto decimal.
8. Utilice aritmetica de punto flotante con un corte al quinto dgito para calcular las races de la ecuaci
on:
x2 5000.002x ` 10 0
Compare con el valor real, use una calculadora o computadora para determinar el valor real y calcule cu
al es el error relativo y el error absoluto de
cada una de las soluciones.
Nota: recuerde que las soluciones de la ecuacion ax2 ` bx ` c 0 estan
dadas por la f
ormula:
?
b 4
xi
2a
2
donde 4 b 4ac
9. La serie de Maclaurin para el sen x esta dada por:
sen x x
p1qn x2n`1
x3 x5
`
`
`
p2n ` 1q!
3!
5!
Aproxime senp2q utilizando los polinomios de Taylor P1 pxq, P3 pxq, P5 pxq y

P7 pxq, para cada uno determine la cota del error absoluto y comparelo con
el error real. Use una calculadora para determinar el error real2 .
10. Cuales valores puede tomar x
para aproximar a 100 con:
2
Recuerde que el error real no se puede calcular, ya que para eso es necesario saber el valor
exacto; sin embargo, cuando se hace referencia al error real se trata de utilizar una aproximaci
on
eficientes y confiable como el que da una calculadora o computadora.
76
M
etodos num
ericos
a) Tres dgitos significativos.
b) Cinco dgitos significativos.
11. Con cuantos dgitos significativos aproxima A 2.5478 a A 2.54111?

12. Con cuantos dgitos significativos aproxima A 28.001956 a A 28?
13. Cuales valores puede tomar x para aproximar a 35 con cinco dgitos significativos?
14.
a) Explique por que el error absoluto no es un buen estimador de la

calidad de una aproximaci
on. De un ejemplo en el cual se visualice
este aspecto.
b) Que se puede usar para medir acertadamente la calidad de una aproximaci
on? De un ejemplo de este estimador y comparelo con el error
absoluto como estimador de la calidad.
Captulo 2
Races de ecuaciones
2.1.
Introducci
on
En matem
atica, muchas ecuaciones no se pueden resolver en forma algebraica;
por esta razon se debe recurrir a tecnicas de aproximacion que permitan tener
una idea suficientemente acertada de la solucion.
Existe una infinidad de ecuaciones que no se pueden resolver de manera algebraica o analtica. Entre ellas:
ex x2 ,
cos x x,
ex x,
ln x x3
Para estas ecuaciones es claro que no existe ning

un metodo algebraico por
el cual se puede despejar la variable x. Cuando aparecen ecuaciones de esta
naturaleza, es v
alido preguntarse si tiene o no solucion, y en caso de tener, cuales
son. Para responder a estas preguntas, el siguiente metodo es de suma utilidad.
2.2.
M
etodo gr
afico
Es uno de los m
as comunes para determinar aproximaciones de las soluciones
de ecuaciones o de ceros de funciones. Sin embargo, las aproximaciones determinadas por este metodo por lo general son malas y no es posible medir la calidad
de ellas.
Se utiliza principalmente para determinar intervalos que contenga una solucion; esto alimentar
a a los metodos de aproximacion que se veran posteriormente,
78
M
etodos num
ericos
ya que la mayora de ellos requiere una aproximacion inicial relativamente cercana

a la solucion real.
Sea f pxq gpxq una ecuaci
on en variable x, donde f y g son funciones de
variable real. Entonces, la soluci
on de la ecuacion esta dada por la coordenada
x del punto de intersecci
on entre las gr
aficas de f y g. Sin embargo, en muchas
ocasiones es necesario realizar una aproximacion de esta coordenada de forma
emprica, lo cual ocasiona una perdida de exactitud sin ning
un cuidado.
Ejemplo 37
Considere la ecuaci
on cos x x2 . Determine el n
umero de soluciones que posee
esta ecuacion. Aproxime cada una de las soluciones encontradas.
-2
Figura 2.1: Ecuacion cos x x2 .
F Soluci
on Primero se deben graficar las funciones f pxq cos x y gpxq x2 en
un mismo sistema de coordenadas rectangulares.
Las soluciones de la ecuaci
on corresponden al valor de la coordenada x de
los puntos de intersecci
on entre las gr
aficas de las funciones. En la figura 2.1 se
puede observar que la ecuaci
on posee dos soluciones reales y que se encuentran
en los intervalos r2, 0s y r0, 2s.
Si se requiere una aproximaci
on numerica de las soluciones de la ecuacion es
posible seleccionar un n
umero conveniente de cada intervalo. Por ejemplo: 1 y 1
pueden ser consideradas aproximaciones de la solucion; sin embargo, la calidad
F
de estas aproximaciones no podr
a ser determinada sin tener el valor real.
Ejemplo 38
Determine el n
umero de soluciones que posee la ecuacion cos x x. Proporcione
un intervalo que contenga a cada soluci
on determinada.
79
F Soluci
on Considere las funciones f pxq cos x y gpxq x, para las cuales se
construyen, en un mismo sistema de coordenadas, las graficas de ambas funciones.
De la figura 2.2 se puede observar que la ecuaci
on cos x x posee una solucion
u
nica, y esta se encuentra en el intervalo 0, 2 . Una aproximacion numerica de
dicha solucion la puede constituir el n
umero 1 o bien 0.8, entre otros.
F
Figura 2.2: Ecuacion cos x x.
Aunque el metodo gr
afico para la aproximacion de soluciones de ecuaciones
brinda una idea bastante clara sobre la existencia y ubicacion de soluciones en
una ecuacion, no es posible garantizar la calidad de ellas, ya que la especulacion
desempe
na un rol importante en este metodo. El ejemplo 39 da una idea clara
sobre este aspecto.
Ejemplo 39
Use el metodo gr
afico para determinar si la ecuacion ln x x2 0.83 tiene o no
soluciones reales.
F Soluci
on Considere las funciones f pxq ln x y gpxq x2 0.83 al realizar
las graficas de f y g en un mismo sistema de coordenadas rectangulares. Parece
existir un punto de intersecci
on con coordenada x alrededor del 1; sin embargo,
si se observa con m
as atenci
on, mediante un acercamiento (figura 2.3) se puede
constatar que las gr
aficas de las funciones f y g no se intersecan, por lo que la
ecuacion no tiene soluciones reales.
As, en este ejemplo se puede observar que el metodo grafico no es confiable,
ya que la representaci
on gr
afica de una ecuacion podra inducir a conjeturas
erroneas.
F
80
M
etodos num
ericos
Figura 2.3: Ecuaci

on ln x x2 0.83.
De esta forma, se requiere estudiar los metodos iterativos para la aproximacion

de soluciones de una ecuaci
on, los cuales se basan en la construccion de sucesiones
recurrentes que por lo general convergen a la solucion de la ecuacion en estudio.
En otras palabras, dada una ecuaci
on se pretende construir una sucesion txn unPN
recurrente y convergente tal que su lmite satisfaga la ecuacion por resolver.
Entre los metodos m
as utilizados estan: biseccion, secante, falsa posicion,
Newton Raphson, punto fijo, entre otros, que seran estudiados a continuacion y
por lo general encuentran ceros de funciones, con excepcion del metodo de punto
fijo. De este modo, si se desea determinar una solucion de la ecuacion f pxq gpxq
es equivalente determinar un cero de la funcion h definida por hpxq f pxq gpxq
en su dominio respectivo.
2.3.
M
etodo de bisecci
on
Es un metodo iterativo de b
usqueda de ceros o races de funciones reales. Se
basa en el seccionamiento de intervalos que contiene la raz o cero de la funcion, de
manera que se determina, en cada iteraci
on, un intervalo cada vez mas peque
no
que contiene dicha raz. Por lo general es el primer metodo numerico estudiado
para resolver ecuaciones en una variable real, debido a su sencillez y facil intuicion,
lo que permite entender el funcionamiento del metodo sin mayor problema.
El metodo de bisecci
on surge como una consecuencia directa del teorema del
valor intermedio para funciones continuas. Este teorema se enuncia a continuacion:
Teorema 15 (Teorema del valor intermedio: T.V.I.)
Sea f una funci
on continua en ra, bs tal que f paq f pbq, entonces para todo c
entre f paq y f pbq existe un k P ra, bs tal que f pkq c.
81
y
f (a)
f (b)
a
Figura 2.4: Teorema del valor intermedio.
o Demostraci
on Sea c un valor entre f paq y f pbq. Si c f paq o c f pbq, la
demostracion queda lista.
Suponga que c f paq y c f pbq. Defina A tx P ra, bs tal que f pxq cu.
Note que el conjunto A no es vaco, pues a o b esta en A. Ademas, esta acotado
inferiormente y superiormente por a y b respectivamente. Sea k1 nf A y k2
sup A, as se tienen los tres posibles casos:
Si k1 a y k2 b, entonces considere dos sucesiones txn u, tyn u, ambas
contenidas en A tales que xn a y yn b. Por ser f una funcion continua
(ver teorema 7), se tiene que: lm f pxn q f paq y lm f pyn q f pbq, y como
txn u A y tyn u A, entonces para todo n P N se satisface que:
f pxn q c lm f pxn q c f paq c
f pyn q c lm f pyn q c f pbq c
De donde se concluye que c f paq o c f pbq, lo cual contradice el supuesto.
Por lo tanto, no es posible que se de simultaneamente que k1 a y k2 b.
Suponga que k2 b. Se probar
a que f pk2 q c. Considere una sucesion
txn u A tal que xn k2 . Como f es una funcion continua (teorema 7), se
tiene que f pxn q f pk2 q, donde para todo n P N se cumple que f pxn q c,
lo cual implica que:
lm f pxn q lm c f pk2 q c
Falta demostrar que f pk2 q c. Se sabe que sk2 , bs y ademas @x Psk, bs
se cumple que f pxq c. Considere una sucesion txn u sk2 , bs tal que xn
k2 . Como f es continua f pxn q f pk2 q y para todo n P N se cumple que
f pxn q c, lo cual implica que:
lm f pxn q lm c f pk2 q c
82
M
etodos num
ericos
De donde se tiene que f pk2 q c.
El caso k1 a es an
alogo al anterior.
p
A continuaci
on se presenta un corolario del teorema 15, mismo que da forma a
la prueba que se realiza en el metodo de biseccion para determinar el subintervalo
que contiene a la raz o cero de la funci
on.
Corolario 1
Sea f una funci
on continua en ra, bs tal que f paq f pbq 0, entonces existe
k P sa, br tal que f pkq 0.
o Demostraci
on Como f paq f pbq 0, entonces f paq y f pbq tienen signos
opuestos. As que 0 est
a entre f paq y f pbq. Por el teorema 15 se tiene que existe
un k P sa, br tal que f pkq 0.
p
y
f (a)
b
a
f (b)
Figura 2.5: Corolario del T.V.I.
Ejemplo 40
Demuestre que la ecuaci
on ex x2 tiene una solucion en el intervalo r1, 0s.
F Soluci
on Considere la funci
on f definida por f pxq ex x2 . Note que:
f es una funci
on continua en R, pues es resta de funciones continuas.
f p1q f p0q 0.
As, por el corolario 1 se tiene que existe un k P s1, 0r tal que:
f pkq ek k 2 0 ek k 2
por lo que la soluci
on existe dentro del intervalo s1, 0r.
83
Con base en esta herramienta, y dado un intervalo que contiene el cero de una
funcion, es posible determinar intervalos cada vez mas peque
nos que tambien contengan dicho cero. As, cualquier valor en dicho intervalo puede ser considerado
una aproximaci
on del cero real. En particular, el punto medio de cada intervalo
sera concebido como la mejor aproximacion en el, ya que garantiza una cota para el error absoluto y relativo m
as peque
na que cualquier otro punto dentro del
mismo intervalo.
De esta forma, el metodo de la biseccion no es mas que una b
usqueda sistematica del cero de la funci
on en estudio y se basa en el siguiente procedimiento:
Dada una funci
on f en variable x. Y sea ra1 , b1 s un intervalo que satisface
que f pa1 q f pb1 q 0, entonces:
1
Paso 1: Sea x1 b1 à
2 , que corresponde al punto medio del intervalo ra1 , b1 s.
Esta ser
a considerada como una aproximacion del cero de la funcion f .
Considere los subintervalos ra1 , x1 s y rx1 , b1 s.
Paso 2: Para estos dos subintervalos se satisface una de las siguientes posibilidades:
La soluci
on se encuentra en el intervalo ra1 , x1 r.
La soluci
on se encuentra en el intervalo sx1 , b1 s.
La soluci
on exacta es x1 .
Para identificar cu
al de las condiciones anteriores se satisface se procede
con la siguiente prueba.
on real esta en el intervalo sx1 , b1 s. Tome
Si f px1 q f pb1 q 0, la soluci
a2 x1 y b2 b1 .
Si f px1 q f pa1 q 0, la soluci
on real esta en el intervalo ra1 , x1 r. Tome
b2 x1 y a2 a1 .
Si f px1 qf pa1 q 0, la soluci
on exacta de la ecuacion es x1 y el proceso
termina con exito.
En este punto se tiene un intervalo ra2 , b2 s que contiene la solucion de
la ecuaci
on en estudio. Sin embargo, la longitud de dicho intervalo se ha
reducido a la mitad con respecto al intervalo anterior.
Paso 3: Regresa al paso 1, para determinar una aproximacion x2 , que sera el
punto medio del nuevo intervalo.
Luego basta continuar con el proceso las veces que sean necesarias hasta
obtener una aproximaci
on aceptable.
En la figura 2.6 se puede observar el proceso descrito del metodo de biseccion,
as como que cada nuevo intervalo tiene una longitud igual a la mitad de la
84
M
etodos num
ericos
longitud del intervalo anterior. En cada uno de los intervalos se puede apreciar
el punto medio que corresponde a la aproximacion de este.
Cero de la funcin
Primer intervalo
x1
a1
b1
a2
Segundo intervalo
x2
b2
a3 x3 b3
Tercer intervalo
a4
Cuarto intervalo
Quinto intervalo
b4
a5 b5
Figura 2.6: Ilustraci

on gr
afica del procedimiento de biseccion con
un intervalo inicial ra1 , b1 s. Acotamiento del cero de la funci
on por intervalos cada vez mas peque
nos.
2.3.1.
Cota del error y m

etodo de paro
on, tambien conocido como el metodo de corte binario
de intervalos o el metodo de Bolzano, realiza en cada iteracion una reduccion
del intervalo que contiene la soluci
on de la ecuacion. As, cuando el intervalo es
suficientemente peque
no, existe seguridad de que la aproximacion es aceptable.
En todo metodo iterativo es necesario definir una condicion de parada, que
son proposiciones l
ogicas que al ser verificadas le indican al algoritmo que se
detenga. En los metodos de aproximaci
on estas condiciones deben garantizar que
al momento de detener el algoritmo este cuente con una aproximacion aceptable
del valor por aproximar, o bien, un mensaje de fracaso.
Sin duda, una condici
on de parada ideal sera iterar hasta que el error absoluto
o el error relativo sea menor que , para alg
un 0 suficientemente peque
no.
Sin embargo, para esto es estrictamente necesario conocer el valor real, el cual
dejara obsoleta cualquier aproximaci
on. Por lo tanto, es necesario explorar otras
opciones de paro.
Para el caso particular del metodo de biseccion es posible definir una condicion
de paro de alguna de las siguientes dos formas:
Cota del error absoluto: sea ra, bs el intervalo original que contiene al cero
de la funci
on. En la iesima iteraci
on del metodo se cumple que:
Exi
bi ai
2
(2.1)
85
donde xi es la aproximaci
on actual en el intervalo rai , bi s y Exi es el error
absoluto cometido por xi .
xi- ai
xi
ai
bi- xi
bi
Figura 2.7: Cota del error.
Para verificar la desigualdad (2.1) basta notar que xi

para todo x P rai , bi s se cumple que:
Exi |x xi | |bi xi | |xi ai |
bi ` ai
, por lo que
2
bi ai
2
De modo que si se cumple para todo x en el intervalo, tambien se cumplira para el valor real, ya que el mismo se encuentra en rai , bi s.
A
un mas, para el c
alculo de esta cota no es necesario conocer el valor de
ai y bi . Note que en cada iteraci
on el intervalo se reduce a la mitad con
respecto al anterior, de modo que en la primera iteracion la cota es ba
2 ;
en la segunda iteraci
on ser
a la mitad de la primera, es decir ba
.
De
este
22
modo en la iesima iteraci
on se ha partido el intervalo ra, bs a la mitad i
veces, de donde se tiene que:
bi ai
ba
2
2i
As, la cota del error queda simplificada por:
Exi
ba
2i
(2.2)
donde a y b son los extremos del intervalo original.

Una alternativa que se utilizar
a con mas regularidad en otros metodos de
aproximaci
on es la aproximaci
on del error relativo porcentual. Esta se obtiene al utilizar como valor real la mejor aproximacion obtenida hasta el
momento (error relativo normalizado).
a
|aproximaci
on actual aproximaci
on anterior|
100 %
|aproximaci
on actual|
para el caso especfico de bisecci

on sera:
a
|xi xi1 |
100
|xi |
donde xi es la aproximaci
on obtenida en la iesima iteracion y xi1 es la
aproximaci
on obtenida en la pi 1qesima iteracion.
86
M
etodos num
ericos
El procedimiento anterior define una sucesion txi uiPN recursiva que converge
al cero de la funci
on.
g
2
-2
h
Figura 2.8: Ecuacion: ex x2
Ejemplo 41
Aproxime la soluci
on de la ecuaci
on ex x2 con un error relativo normalizado
menor al 35 %.
F Soluci
on Primero se debe buscar un intervalo que contenga la solucion de
la ecuacion, para esto se puede recurrir al metodo grafico tomando las funciones
definidas por f pxq ex y gpxq x2 .
Se debe notar que resolver la ecuaci
on ex x2 es equivalente a determinar
los ceros de la funci
on hpxq ex x2 . En la figura 2.8 se muestran las graficas
de las tres funciones f , g y h de donde se observa que la coordenada x del punto
de interseccion entre f y g tambien corresponde al valor sobre el eje x, donde la
grafica de la funci
on h lo corta. As, es posible garantizar que la solucion de la
ecuacion ex x2 se encuentra en el intervalo r2, 0s, resultado que es posible
verificar al hacer uso del corolario 1. Una vez definido el intervalo y la funcion
por analizar, se debe realizar el procedimiento descrito en la pagina 83.
`
Paso 1: Primero note que h p2q h p0q e2 4 1 3. 864 7 0, lo cual

afirma que el cero de la funci
on se encuentra en r2, 0s. As,
x1
0 ` 2
1
2
Ademas considere los subintervalos r2, 1s y r1, 0s

Paso 2: Se debe determinar en cu
al subintervalo se encuentra el cero de la funcion:
87

`
`
h p2q h p1q e1 1 e2 4 2. 442 9 0
h p1q h p0q e1 1 0.632 12 0, por lo que el cero de la

funci
on se encuentra en el intervalo r1, 0s.
No es necesario realizar las dos evaluaciones, ya que las condiciones
son excluyentes.
En este punto se calcula la cota del error:
Ex |0 1| 1
por lo que el error absoluto de la aproximacion x1 1 no excede a 1.
El error relativo normalizado no se puede calcular por ahora.
Paso 3: Regresar al paso 1 con el nuevo intervalo r1, 0s, que contiene la solucion.
Paso 1: La segunda aproximaci
on es
1
0 ` 1
2
2
y considere los subintervalos 1, 1

y 1
2
2 ,0 .
x2
Paso 2: Se estudia en cu
al subintervalo esta la solucion:
h p1q h
1
2
1 1
1 e 2
0.225 37 0
4
por lo que el cero de la funci

on se encuentra en el intervalo 1, 1
2
Ademas, la cota del error absoluto para x2 es:
1 1
Ex 1
2 2
por lo que el error absoluto de la aproximacion x2
1
2
no excede a 12 .
El error relativo normalizado es:
x2
|x2 x1 |
2

100 %
100 % 100 %
1
|x2 |

2
Paso 3: Regresar al paso 1 con el intervalo 1, 1

2 .
88
M
etodos num
ericos
Paso 1: La tercera aproximaci

on es:
1
` 1
3
x3 2
2
4
3 1
y considere los subintervalos 1, 3
y 4 , 2 .
4
Paso 2: Se realiza nuevamente el estudio de los subintervalos:

3
h p1q h
0.05697 5 0
4
el intervalo
3
4
, 1
contiene la solucion.
2
Ademas, la cota del error absoluto para x3 es:
1 3 1
Ex
2
4 4
por lo que el error absoluto de la aproximacion x3 43 no excede a 14 .
El error relativo normalizado para x3 es:
3 1

4
|x3 x2 |
2

x3
100 %
100 % 33. 333 %
3
|x3 |

4
3
es la aproximacion buscada.F
4
Es posible notar que cada vez que se realiza una iteracion, tanto la cota
para el error absoluto como la aproximacion del error relativo disminuyen. Esto
indica que la aproximaci
on encontrada en cada iteracion mejora a la anterior.
De esta manera, se debe iterar las veces que sea necesario para determinar una
aproximacion cuyos errores satisfagan las demandas de exactitud y precision.
Notese que x3 35 %, de modo que x3
La cota para el error absoluto del metodo de biseccion permite saber de

antemano el n
umero de iteraciones que se deben realizar para garantizar que el
error absoluto sea menor que un cierto n
umero.
Ejemplo 42
Determine el n
umero de iteraciones que se debe realizar, con el metodo de biseccion, para garantizar que la aproximacion encontrada para la solucion de la
ecuacion ex x2 tenga un error absoluto menor que 0.001. Utilice como primer
intervalo de aproximaci
on r2, 0s.
89

F Soluci
on En la iesima iteraci
on se tiene que:
Exi
2
|0 2|
i 21i
i
2
2
por lo que si se toma i tal que 21i 0.001, entonces se puede asegurar que:
Exi 0.001
As,
21i 0.001 log2 p21i q log2 p0.001q
1 i log2 p0.001q
i log2 p0.001q ` 1 10.965
Por lo que se debe tomar como mnimo 11 iteraciones para poder garantizar un
error absoluto menor que 0.001.
F
2.3.2.
Ventajas y desventajas del m

etodo de bisecci
on
La principal ventaja que posee el metodo de biseccion es que siempre garantiza

convergencia de la sucesi
on construida, a un cero de la funcion por estudiar;
la u
nica condici
on es que el intervalo inicial debe cumplir las condiciones del
corolario 1, necesarias para poder aplicar el metodo. De esta manera, siempre
que sea posible aplicarlo, se garantiza la convergencia de este a un cero de la
funcion.
Por otro lado, como principal desventaja esta la velocidad de convergencia.
as lentos en converger, con una rapidez de
` on es uno de los m
convergencia de O 21n (secci
on 2.8.1). Otra desventaja es que requiere un analisis
previo para determinar el intervalo inicial mismo que no puede ser tomado a azar;
esto constituye un problema que no puede ser resuelto en forma automatica. El
metodo grafico estudiado en la secci
on 2.2 brinda una salida al problema; sin
embargo, requiere del an
alisis de un usuario.
Finalmente, otra limitaci
on la constituye el hecho de que en cada iteracion
solo se consideran los signos de la funcion en los extremos del intervalo y no
su magnitud, lo cual ocasiona que mejores aproximaciones dentro del intervalo
pasen desapercibidas, conform
andose as con la aproximacion que brinda el punto
medio del intervalo aun cuando esta no sea el mas conveniente. En la figura 2.9
se puede observar que bn es mejor aproximacion del cero de la funcion que xn .
Si embargo, si ran , bn s corresponde al intervalo final del metodo de biseccion, la
solucion reportada no es la m
as adecuada.
90
M
etodos num
ericos
bn
xn
an
Figura 2.9: La escogencia del punto medio del intervalo no necesariamente es una buena aproximacion del cero de la funcion.
2.3.3.
El m
etodo de bisecci
on en Excel
El m
etodo de la bisecci
on en una hoja de c
alculo
La implementaci
on se realizar
a para el ejemplo de la ecuacion ex x2 estudiada anteriormente.
on busca los ceros o races de una funcion; en este caso,
para resolver la ecuaci
on ex x2 se buscaran los ceros de la funcion f pxq
x
2
e x . Seg
un lo visualizado en la figura 2.8, ambos procesos son equivalentes.
Paso 1: Coloque las etiquetas tal como se muestra en la siguiente figura:
1
2
3
A
a
B
b
C
xi
D
f(a)*f(xi)
E
f(xi)*f(b)
F
Cot Er Abs
G
Er Rela Nor
Figura 2.10: Implementaci

on del algoritmo de biseccion.
Paso 2: Introduzca en las celdas correspondientes las instrucciones que se muestran en la tabla 2.1.
91
1
2
3
4
5
6
7
8
9
Celda
A2
B2
C2
D2
E2
F2
G3
A3
B3
C
odigo
-2
0
=(A2+B2)/2
=(EXP(A2)-A22)*(EXP(C2)-C22)
=(EXP(C2)-C22)*(EXP(B2)-B22)
=ABS(A2-B2)/2
=ABS(C3-C2)/ABS(C3)
=SI(D20;A2;C2)
=SI(E20;B2;C2)
Tabla 2.1: Referencias para cada celdas en la implementacion del

metodo de bisecci
on.
En las columnas A y B se calcular

an los extremos del intervalo de aproximacion
correspondiente en cada interaci
on, mientras que en la columna C se calcula la
aproximacion xi , que corresponde al punto medio del intervalo de aproximacion.
Las columnas D y E realizar
an el c
alculo de f paq f pxi q y f pxi q f pbq respectivamente, el cual ser
a utilizado para identificar y seleccionar el subintervalo
que contiene el cero de la funci
on con criterio f pxq ex x2 . Esta seleccion
se realiza mediante los condicionales introducidos en las celdas A3 y B3, donde
=Si(Condici
on,ValorT,ValorF) retornara ValorT si Condici
on es verdadera y
ValorF si no lo es.
En las columnas F y G se realizar
a el calculo de la cota del error absoluto y el
error relativo normalizado respectivamente; este u
ltimo se debera calcular a partir
de la segunda iteraci
on, ya que depende de la existencia de dos aproximaciones.
Es por eso que la celda G2 permanecer
a vaca.
En este punto, la hoja debe lucir como se muestra a continuacion:
1
2
3
4
5
A
a
B
b
-2
-1
C
xi
0
0
-1
D
f(a)*f(xi)
2,44293402
E
F
G
f(xi)*f(b)
Cot Er Abs Er Rela Nor
-0,632120559
1
#DIV/0!

Se debe seleccionar el rango E2:F2 y halar una fila hacia abajo para que Excel
calcule los valores en C3, D3, E3 y F3. Una vez hecho esto, seleccione el rango
A3:G3 y hale varias filas; cada fila de la tabla corresponde a una iteracion del
algoritmo de bisecci
on y para cada una de ellas se puede observar el intervalo, la
aproximacion, la cota del error absoluto y el error relativo normalizado.
92
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
M
etodos num
ericos
A
a
B
b
-2
-1
-1
-0,75
-0,75
-0,75
-0,71875
-0,71875
-0,7109375
-0,70703125
-0,705078125
-0,704101563
-0,703613281
-0,703613281
-0,703491211
-0,703491211
-0,703491211
-0,703475952
-0,703468323
0
0
-0,5
-0,5
-0,625
-0,6875
-0,6875
-0,703125
-0,703125
-0,703125
-0,703125
-0,703125
-0,703125
-0,703369141
-0,703369141
-0,703430176
-0,703460693
-0,703460693
-0,703460693
C
xi
-1
-0,5
-0,75
-0,625
-0,6875
-0,71875
-0,703125
-0,7109375
-0,70703125
-0,705078125
-0,704101563
-0,703613281
-0,703369141
-0,703491211
-0,703430176
-0,703460693
-0,703475952
-0,703468323
-0,703464508
D
f(a)*f(xi)
2,44293402
-0,22537036
0,056975205
-0,01303658
-0,002719806
0,002635546
-1,90394E-05
0,000416637
9,67091E-05
2,08042E-05
3,69757E-06
3,34643E-07
-5,18495E-08
1,25504E-08
-3,20466E-09
-5,78973E-10
7,33893E-10
2,77734E-11
-9,48967E-12
E
F
G
f(xi)*f(b)
Cot Er Abs Er Rela Nor
-0,632120559
1
0,35653066
0,5
1
-0,032135337
0,25 0,33333333
0,051567321
0,125
0,2
0,004364452
0,0625 0,09090909
-0,000882341
0,03125 0,04347826
1,96481E-05
0,015625 0,02222222
-9,27773E-06
0,0078125 0,01098901
-4,41939E-06 0,00390625 0,00552486
-1,99584E-06 0,00195313 0,00277008
-7,85467E-07 0,00097656 0,00138696
-1,80631E-07 0,00048828 0,00069396
1,217E-07 0,00024414
0,0003471
-8,45584E-09 0,00012207 0,00017352
1,32394E-08 6,1035E-05 8,6768E-05
9,06505E-10 3,0518E-05 4,3382E-05
-2,07597E-10 1,5259E-05 2,1691E-05
-2,19106E-11 7,6294E-06 1,0845E-05
7,09322E-11 3,8147E-06 5,4227E-06

Si se desea aplicar el metodo de biseccion a otra funcion, basta cambiar las

instrucciones en las celdas D2 y E2 por las que corresponde al criterio de la nueva
funcion. De esta forma, si g es la nueva funcion que se desea analizar, en dichas
celdas se debe introducir gpaq gpxi q y gpxi q gpbq. Sin embargo, es necesario halar
otra vez las instrucciones de las columnas D y E a lo largo de las filas de la hoja
de calculo para actualizar completamente los campos restantes.
El m
etodo de la bisecci
on en Visual Basic
En la implementaci
on del algoritmo de la biseccion se espera un programa
con las siguientes caractersticas:
Entrada del programa: el programa debera recibir:
La funci
on f a la cual estimar
a su cero.
El intervalo de aproximaci
on inicial.
Una tolerancia para el error absoluto.
Salida del programa: el programa retornara:
La aproximaci
on encontrada.
La cota del error absoluto.
El error relativo normalizado.
El n
umero de iteraciones empleadas.
Para facilitar la programaci
on del metodo se presenta un pseudocodigo general
del proceso de bisecci
on, el cual se presenta a continuacion:
93
Algoritmo 1 Metodo de bisecci

on
Entrada: f , a, b, Tol.
Salida: xi : aproximaci
on, Exi , xi , i: n de iteraciones.
1: ErrorRela 8
2: ErrorAbs 8
3: i 1
4: si f paq f pbq 0 entonces
5:
mientras ErrorAbs Tol hacer
bà
6:
xi
2
|xi xi1 |
7:
ErrorRela
|xi |
ba
8:
ErrorAbs
2
9:
Test f paq f pxi q
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
si Test 0 entonces
b xi
si no, si Test 0 entonces
a xi
si no
ErrorAbs 0
fin si
xi1 xi
ii`1
fin mientras
retornar xi , ErrorRela, ErrorAbs, i
si no
Mensaje de error: No se garantiza la existencia de soluciones.
fin si
Mtodo de la biseccin
Intervalo
[ txtA ,
txtB
cmd_OK
Tolerancia txtTolerancia
Cota del error absoluto txtErrorAbs
Aproxi del error relativo txtErrorRela
Aproximacin txtAproxi
OK
Figura 2.13: Interfaces del programa.
Abra una nueva hoja de Excel y agregue los controles, tal y como se muestra en
la figura 2.13. Asigne a cada uno el identificador correspondiente que se muestra
en la figura.
94
M
etodos num
ericos
Para brindar el n
umero de iteraciones realizadas se hara uso de una caja de
dialogo que mostrar
a esta informaci
on una vez finalizado el programa. Ademas,
se debera definir la funci
on F de forma que reciba un n
umero real x y retorne
ex x2 . Esta definici
on se muestra a continuacion:
Private Function F(X As Double) As Double
F = Exp(X)-X2
End Function
En el evento Click del bot

on se agregara el siguiente codigo:
Private Sub cmd OK Click()
Dim a As Double, b As Double , Xi As Double, XiAnt As Double, i As Long
Dim ErrorAbs As Double, ErrorRela As Double, Tol As Double,Test As Double
ErrorRela = 99999999999
ErrorAbs = 99999999999
i = 1
a = txtA.Text
b = txtB.Text
Tol = txtTolerancia.Text
If F(a)*F(b) < 0 Then
While ErrorAbs > Tol
Xi = (a + b) / 2
ErrorRela = Abs(Xi - XiAnt) / Abs(Xi)
ErrorAbs = (b - a) / 2
Test = F(a) * F(Xi)
If Test < 0 Then
b = Xi
ElseIf Test > 0 Then
a = Xi
Else
ErrorAbs = 0
End If
XiAnt = Xi
i = i+1
Wend
txtErrorAbs.Text = ErrorAbs
txtErrorRela.Text = ErrorRela
txtAproxi.Text = Xi
Msgbox i-1, vbInformation, "N
umero de Iteraciones"
Else
Msgbox "No se garantiza la existencia de soluciones."
End If
End Sub
M
etodo de paro: se toma como el metodo de paro que la cota del error absoluto sea menor para suficientemente peque
no y definido por el usuario. De
esta forma, el algoritmo se repetir
a hasta que esta condicion sea verdadera.
En los algoritmos iterativos siempre es recomendable definir una segunda
condicion de paro con un n
umero m
aximo de iteraciones. Esta segunda condicion de parada evita que, en caso de sucesiones divergentes, el programa
95
entre en un ciclo infinito. Para el caso especfico del metodo de biseccion,

no es necesario definir un n
umero maximo de iteraciones, debido a que la
sucesion resultante por este metodo siempre es convergente.
La variable Test: Esta variable almacena en cada iteracion el valor correspondiente a F paq F pxi q; de esta forma se minimiza la cantidad de calculo
por realizar en cada iteraci
on.
If F(a) * F(Xi) <0 Then

b = Xi
ElseIf F(a) * F(Xi) >0 Then
a = Xi
Else
Tol = 0
End If
Test = F(a)*F(Xi)
If Test <0 Then
b = Xi
ElseIf Test>0 Then
a = Xi
Else
Tol = 0
End If
En la secci
on de c
odigo que se muestra primero se realiza dos veces la
evaluaci
on de F paq F pxi q, mientras que en la seccion de codigo que se
presenta posteriormente, la evaluacion se realiza una u
nica vez.
Infinito: en muchas ocasiones, en los pseudocodigos se pide asignar el valor
infinito p8q a una o varias variables. En la mayora de los lenguajes de
programaci
on no existe el valor infinito, por lo que generalmente lo que se
hace es asignar un n
umero elevado. Por ejemplo, 99999999999.
A partir de este momento se desarrollaran, de una manera intuitiva, los metodos de aproximaci
on de la secante y Newton. Posterior a este desarrollo se formalizaran algunos conceptos como la velocidad de convergencia de cada uno como
las condiciones necesarias para garantizar su convergencia.
96
M
etodos num
ericos
Ejercicios 2.1
1. Si se sabe que f es una funci
on continua tal que f p2q f p4q 0 (la
funcion f tiene al menos un cero en r2, 4s), determine el n
umero de
iteraciones del metodo de bisecci
on necesarias para calcular una aproximacion del cero, para el cual se asegure que el error absoluto real sea
menor que 104 .
2. Considere la ecuaci
on cos x x.
a) Demuestre que dicha ecuacion posee una solucion real en el intervalo r0, 1s.
b) Determine el n
umero de interaciones necesarias con el metodo de
bisecci
on para asegurar que la aproximacion determinada tenga un
error absoluto real menor que 106 .
c) Aplique seis iteraciones del metodo de biseccion para determinar
una aproximaci
on del cero de la funcion. Calcule la cota del error
absoluto real para dicha aproximacion.
3. Demuestre que la ecuaci
on dada por:
ln q ` eq q 2 ` cos q
tiene al menos una soluci
on en el intervalo s0, 1s. Utilice el metodo de
bisecci
on para aproximar dicho cero con un error absoluto real menor
que 102 .
on f : R R y definida por f pxq senpxq.
a) Realice un estudio grafico de la funcion y realice una conjetura de
cuales podran ser los ceros de la funcion.
b) Muestre que si a Ps 1, 0r y b Ps2, 3r, entonces el metodo de
bisecci
on aplicado a la funcion f en el intervalo ra, bs converge a:
0, si a ` b 2.
2, si a ` b 2.
1, si a ` b 2.
2.4.
M
etodo de la secante
Es un metodo iterativo utilizado para determinar los ceros o races de una

funcion. Al igual que el bisecci
on, define una sucesion recursiva que en el mejor de
97
los casos converge a un cero de la funci

on dada. El termino general de la sucesion
recursiva depende de dos terminos anteriores, por lo que, para su ejecucion, es
necesario tener dos valores iniciales.
Este metodo utiliza la recta secante a la grafica de la funcion en estudio para
calcular el siguiente termino de la sucesion; a partir de dos puntos en el grafico
de la funcion, el cero de la recta secante se considera una aproximacion del cero
de la funcion dada. El proceso general se estudia a continuacion.
Proceso del m
etodo de la secante
Considere una funci
on f tal que tiene una raz x c. Sean x1 y x0 dos
valores cercanos a c y considerados dos aproximaciones iniciales, puede que c
este o no contenido entre x1 y x0 . Entonces:
Paso 1: Calcule la ecuaci
on de la recta `1 secante a la grafica de f y que pasa
por los puntos px1 , f px1 qq y px0 , f px0 qq.
Paso 2: Calcule el punto de intersecci
on entre `1 y el eje x, denotelo con px1 , 0q.
As, la coordenada x1 del punto anterior corresponde al nuevo termino de
la sucesi
on recursiva.
Paso 3: Regrese al paso 1 con los valores x0 y x1 . Determine el siguiente termino
de la sucesi
on x2 que corresponde a la coordenada x del punto de interseccion entre la recta `2 con el eje x. Donde `2 es la recta secante a la grafica
de f que pasa por los puntos px0 , f px0 qq y px1 , f px1 qq.
En la figura 2.14 se puede observar la interpretacion grafica correspondiente al
paso 1 y paso 2 del procedimiento descrito anteriormente para el metodo de la
secante en la primera iteraci
on utilizando como valores iniciales a x1 y x0 .
f(x1)
f(x0)
x1 x0
x1
l1
Figura 2.14: Interpretaci
on gr
afica del procedimiento descrito en
los pasos 1 y 2 para el metodo de la secante para los valores
iniciales x1 y x0 .
98
M
etodos num
ericos
Al seguir este proceso es posible calcular los terminos de la sucesion que sean
necesarios para conseguir una aproximacion aceptable, siempre que la sucesion
recursiva sea convergente. De esta forma, en la iteracion iesima se tiene los
puntos xi2 y xi1 . As, el siguiente termino de la sucesion esta dado por la
coordenada x del punto de intersecci
on entre la recta ì y el eje x. Donde ì es
la recta secante a la gr
afica de f en los puntos pxi2 , f pxi2 qq y pxi1 , f pxi1 qq.
Si la sucesion anterior converge, entonces se espera que su lmite sea un cero
de la funcion en estudio, es decir:
lm xk c
k8
Sin embargo, el metodo de la secante no garantiza convergencia cuando las soluciones iniciales dadas al metodo est
an lejos del cero de la funcion. Esta caracterstica se conoce como convergencia local y mas adelante se abordara con
detalle.
x-1
x1
x2
x4
x3 x0
Figura 2.15: Metodo de la secante en donde el cero de la funcion

est
a contenido entre los valores iniciales.
x3
x2
x1
x0
x-1
Figura 2.16: Metodo de la secante donde el cero de la funcion no

est
a contenido entre los valores iniciales.
99
Geometricamente, el proceso realizado en el metodo de la secante se puede

apreciar en las figuras 2.15 y 2.16.
Deducci
on de la f
ormula recurrente
En la iteraci
on i ` 1 se tienen las aproximaciones xi y xi1 , siendo estos los
dos u
ltimos terminos calculados de la sucesion recurrente. Para determinar el
siguiente termino se procede de esta manera: considere los puntos pxi1 , yi1 q y
pxi , yi q, donde yi1 f pxi1 q y yi f pxi q. Tome en cuenta la recta ì`1 , definida
anteriormente como la recta secante a la grafica de f en los puntos anteriores; de
esta forma, la ecuaci
on de la recta ì`1 es : y mx ` b, donde:
m
yi yi1
xi xi1
b yi m x i
As, la ecuaci
on de la recta ì`1 es:
y
yi yi1
yi yi`1
x ` yi
xi
xi xi1
xi xi`1
El punto de intersecci
on entre la recta ì`1 y el eje x esta dado por
lo que la coordenada x del punto anterior se simplifica como sigue:
b
, 0 , por
m
yi yi1
x i yi
b
xi xi1
x x
i y i1
x
y
i
i
i yi1
m
yi yi1
xi xi1
De esta forma, basta tomar dicha coordenada como xi`1 , de donde se tiene que:
xi`1 xi f pxi q
xi xi1
f pxi q f pxi1 q
As, la formula recurrente para el metodo de la secante esta dada por:

$
xi xi1
xi`1 xi f pxi q
f pxi q f pxi1 q
&
x1 a
%
x0 b
(2.3)
donde f es la funci
on por estudiar, y tanto a como b son valores iniciales
cercanos al cero de f .
100
M
etodos num
ericos
2.4.1.
M
etodo de paro
Para el algoritmo de la secante no es sencillo definir una cota para el error

absoluto, como se realiz
o en el metodo de la biseccion. Los siguientes metodos de
aproximacion utilizar
an como metodo de paro una de las siguientes opciones:
Aproximaci
on del error absoluto: esta dada por la formula:
Exi |xi xi1 |
Aproximaci
on del error relativo: tambien llamado error relativo normalizado, esta dada por la f
ormula:
xi xi1
100 %
xi
xi
Estas aproximaciones se basan en tomar la mejor aproximacion existente
como valor real; sin embargo, no hay garanta de que estas sean buenas. En
la parte 3 del ejercicio 2.8 se demuestra para cual tipo de convergencia es
eficiente este metodo de paro.
De esta forma, es posible iterar el metodo mientras que la aproximacion no
sea menor que una tolerancia predefinida por el usuario.
Ejemplo 43
Utilice el metodo de la secante para aproximar la solucion de la ecuacion ex x2
de tal forma que el error relativo normalizado sea menor que 15 %. Utilice como
condiciones iniciales x1 1 y x0 3.
F Soluci
on Recuerde que esta ecuaci
on posee una solucion en el intervalo
r2, 0s, lo cual se puede apreciar en la figura 2.8 con el metodo grafico. Para
este ejercicio se deben ir calculando los terminos de la sucesion recursiva que se
presenta en la ecuaci
on (2.4), donde la funcion f , presente en la misma, tiene
criterio f pxq ex x2 .
$
f pxi q pxi xi1 q
xi`1 xi
f pxi q f pxi1 q
&
x1 1
%
x0 3
(2.4)
El calculo de los terminos de la sucesi

on finalizar en el momento que se satisfaga la condicion de paro dada por:
xi xi1
100 % 15 %
xi
101

Iteraci
on 1:
f px0 qpx0 x1 q
f px0 q f px1 q
f p3qp3 1q
3
0.63313
f p3q f p1q
x1 x0
As, el error relativo normalizado para dicha iteracion esta dado por:
x1
|3 0.63313|
100 % 373.84 %
0.63313
Iteraci
on 2:
f px1 qpx1 x0 q
f px1 q f px0 q
f p0.63313qp0.63313 3q
0.63313
f p0.63313q f p3q
0.267 70
x2 x1
x2
|0.26770 0.63313|
100 % 136.51 %
0.26770
Iteraci
on 3:
f px2 qpx2 x1 q
f px2 q f px1 q
f p0.267 70qp0.267 70 0.63313q
0.267 70
f p0.267 70q f p0.63313q
1. 557 3
x3 x2
x3
| 1.5573 0.26770|
100 % 117.19 %
| 1.5573|
Iteraci
on 4:
f px3 qpx3 x2 q
f px3 q f px2 q
f p1.5573qp1.5573 0.267 70q
1.5573
f p1.5573q f p0.267 70q
0.385 79
x4 x3
x4
| 0.3858 1.5573|
100 % 303.65 %
| 0.3858|
102
M
etodos num
ericos
Iteraci
on 5:
f px4 qpx4 x3 q
f px4 q f px3 q
f p0.385 79qp0.385 79 1. 557 3q
0.385 79
f p0.385 79q f p1. 557 3q
0.6124
x5 x4
x4
| 0.6124 0.38579|
100 % 37.002 %
| 0.6124|
Iteraci
on 6:
f px5 qpx5 x4 q
f px5 q f px4 q
f p0.6124qp0.6124 0.385 79q
0.6124
f p0.6124q f p0.385 79q
0.7164
x6 x5
x4
| 0.7164 0.6124|
100 % 14.511 %
| 0.7164|
Por lo que la aproximaci

on buscada es x6 0.7164. La sucesion recurrente
converge a 0.703467422498392... valor que corresponde al cero real de la
funcion f pxq ex x2 .
F
2.4.2.

etodo de la secante
Por lo general, el metodo de la secante posee una rapidez de convergencia

superior al metodo de bisecci
on; sin embargo, no es el metodo mas rapido que se
estudiara. Su verdadera fortaleza y principal ventaja la constituye su versatilidad
en la aplicacion, pues u
nicamente se requiere conocer dos valor iniciales adecuados
y el criterio de la funci
on. Adem
as, una buena escogencia de los valores iniciales
siempre conducir
a a la convergencia del metodo.
Por otro lado, una de sus principales debilidades o desventajas la constituye
el hecho de que el metodo no puede garantizar la convergencia para cualquier
eleccion de sus valores iniciales;e este puede divergir o indefinirse durante la
evaluacion de la f
ormula recursiva, lo cual suele suceder cuando la pendiente de
la recta secante es cercana a cero. En la figura 2.17(a) se puede observar que dada
las escogencia de x1 y x0 la ecuaci
on (2.3) se indefine en la primera iteracion,
103
pues f px1 q f px0 q. Por otro lado, en la figura 2.17(b) se observa como una
escogencia inadecuada puede generar aproximaciones lejanas al valor real del
cero de la funci
on; si este comportamiento persiste a lo largo de las iteraciones,
el metodo puede resultar divergente.
y
f(x1)=f(x0)
x1
x0
(a) Muestra de una escogencia de valores iniciales que indefinen la sucesi

on recursiva del metodo de la secante.
y
l1
x1
x0
(b) Muestra de una escogencia de valores iniciales que genera una aproximaci
on del cero de la funci
on de menor
calidad que x1 y x0 .
Figura 2.17: Escogencias deficientes de los valores iniciales para el

metodo de la secante.
2.4.3.
El m
etodo de la secante en Excel
A continuaci
on se realizar
a la implementacion del metodo de la secante tanto
en una hoja de c
alculo como en el c
odigo de VBA para Excel. En ambos casos se
trabajara con la funci
on f definida por f pxq ex x2 .
El m
etodo de la secante en una hoja de c
alculo
Se tomaran como primeras aproximaciones los valores x1 1 y x0 3. Para
realizar la implentaci
on siga los pasos que se exponen a continuacion:
Paso 1: Construya la plantilla que se muestra en la figura 2.18.
104
1
2
3
4
M
etodos num
ericos
A
xi-1
B
xi
C
f(xi-1)
D
f(xi)
E
Aprox(xi+1)
F
Er Rela Nor
Figura 2.18: Plantilla para el metodo de la secante.
Paso 2: Introduzca en las celdas correspondientes las instrucciones que se muestran en la tabla 2.2:
1
2
3
4
5
6
7
8
Celda
A2
B2
C2
D2
E2
F2
A3
B3
C
odigo
1
3
=EXP(A2)-A22
=EXP(B2)-B22
=(D2*A2-B2*C2)/(D2-C2)
=ABS(A2-B2)/ABS(B2)
=B2
=E2

metodo de la secante.
En este punto, la plantilla lucir

a como se muestra en la figura 2.19.
1
2
3
4
5
A
xi-1
B
xi
C
D
E
F
f(xi-1)
f(xi)
Aprox(xi+1)
Er Rela Nor
1
3 1.7182818284591 11.0855369231877 0.6331301302073 0.6666666667
3 0.6331301302073
Paso 3: Seleccione el rango C2:F2 y hale una fila hacia abajo para actualizar
todas las celdas del rango C3:F3. As se completan los calculos de la segunda
iteracion.
1
2
3
4
5
A
xi-1
B
xi
C
D
E
F
f(xi-1)
f(xi)
Aprox(xi+1)
Er Rela Nor
1
3 1.7182818284591 11.0855369231877 0.6331301302073 0.6666666667
3 0.6331301302073 11.0855369231877 1.4826431908312 0.2676961689621 3.7383623948
Paso 4: Cambie el formato de celda, para toda la columna F, por porcentaje
105
a 4 decimales; esto se logra al seleccionar toda la columna F y escoger la

opcion Formato de celda... del men
u flotante.
Finalmente, seleccione el rango A3:F3 y hale varias filas hacia abajo, para
actualizar las celdas correspondientes. Cada fila es una iteracion del metodo
de la secante.
1
2
3
4
5
6
7
8
9
10
11
12
A
xi-1
B
xi
1
3
0.6331301302073
0.2676961689621
-1.5572820167054
-0.3858011697768
-0.6124026245576
-0.7163564186986
-0.7029924965809
-0.7034650088042
-0.7034674229521
3
0.6331301302073
0.2676961689621
-1.5572820167054
-0.3858011697768
-0.6124026245576
-0.7163564186986
-0.7029924965809
-0.7034650088042
-0.7034674229521
-0.7034674224984
C
f(xi-1)
1.7182818284591
11.0855369231877
1.4826431908312
1.2352887488362
-2.2144192851354
0.5310631554423
0.1670099933877
-0.0246375063200
0.0009030449719
4.590362347E-06
-8.628047721E-10
D
f(xi)
11.0855369231877
1.4826431908312
1.2352887488362
-2.2144192851354
0.5310631554423
0.1670099933877
-0.0246375063200
0.0009030449719
4.590362347E-06
-8.628047721E-10
9.992007222E-16
E
Aprox(xi+1)
0.6331301302073
0.2676961689621
-1.5572820167054
-0.3858011697768
-0.6124026245576
-0.7163564186986
-0.7029924965809
-0.7034650088042
-0.7034674229521
-0.7034674224984
-0.7034674224984
F
Er Rela Nor
66.6666667%
373.8362395%
136.5107176%
117.1899608%
303.6488582%
37.0020385%
14.5114627%
1.9010049%
0.0671693%
0.0003432%
0.0000001%
Figura 2.21: Metodo de la secante para f pxq ex x2 .
Si se desea cambiar la funci

on en estudio, basta cambiar los calculos realizados en las columnas C y D, actualizando los datos para la nueva funcion.
Para esto basta modificar los c
alculos en las celdas C2 y D2 y luego actualizar halando estas celdas a traves de las restantes.
El m
etodo de la secante en Visual Basic
Se construir
a un programa que encuentre los ceros de la funcion f pxq ex x2
en el lenguaje Visual Basic para Excel. Las caractersticas del programa seran:
Entradas del programa: el programa recibira
Una funci
on f a la cual se le calculara un cero.
Dos valores iniciales xi1 y xi .
Una tolerancia T ol para el error relativo normalizado.
Un n
umero m
aximo de iteraciones M axItera.
Salida del programa: el programa retornara
La aproximaci
on encontrada.
El error relativo normalizado para la aproximacion retornada.
El n
umero de iteraciones realizadas.
106
M
etodos num
ericos
La aproximaci
on encontrada por el programa debera cumplir que su error
relativo normalizado sea menor que la tolerancia predefinida por el usuario. Como
existe la posibilidad de que el metodo de la secante diverja, entonces es necesario
definir una condici
on de paro auxiliar con un n
umero maximo de iteraciones por
realizar. El programa se describe en el siguiente pseudocodigo.
Algoritmo 2 Metodo de la secante
Entrada: f , xi2 , xi1 , Tol, M axItera.
Salida: Aproximaci
on,
um. de interaciones
xi y el n
1: ErrorRela 8
2: NumItera 0
3: mientras ErrorRela Tol y i M axItera hacer
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
ii`1
f pxi1 qpxi1 xi2 q
f pxi1 q f pxi2 q
|xi xi1 |
ErrorRela
|xi |
xi2 xi1
xi1 xi
fin mientras
si i M axItera entonces
Mensaje de fracaso.
Termina el programa sin existo.
si no
retornar xi , ErrorRela, i.
fin si
xi xi1
En la lnea 5 del algoritmo 2 se puede observar que se realiza la evaluacion de

f pxi1 q dos veces, para no repetir los mismos calculos. Se recomienda, en un paso
previo, asignar a una variable yi1 el valor de f pxi1 q de forma que la expresion
en la lnea 5 sea:
xi xi1
yi1 pxi1 xi2 q

yi1 f pxi2 q
La implementaci
on en el lenguaje Visual Basic para Excel se hace a continuacion.
107
Mtodo de la secante
x-1=
Ok
txtXm1
x0=
cmdOK
Error Relativo Nor:

Aproximacin xi
Tolerancia
txtX0
txtTol
Mximo Iteraciones
txtMaxItera
txtErRelaNor
txtAprox
Figura 2.22: Metodo de la secante.
Abra una hoja de Excel y pegue los controles, tal y como se muestra en la
figura 2.22. Col
oquele a cada control los identificadores que se proporcionan con
la figura.
Es necesario definir la funci
on por analizar, de manera que, en necesidad de
cambiar el criterio de la funci
on, u
nicamente se deba cambiar el codigo de la
funcion correspondiente, sin la necesidad de cambiar codigo del algoritmo en s.
Para esto se define con el siguiente c
odigo, al igual que se hizo en el metodo de
biseccion.
F = Exp(X) - X2
End Function
Ejercicios 2.2
1. Escriba el c
odigo para implementar el metodo de la secante en Visual
Basic para Excel, utilizando la interfaz que se muestra en la figura 2.22.
2. Utilice el metodo de la secante para calcular una aproximacion de la
soluci
on de la ecuaci
on cos x x tal que el error relativo normalizado
sea menor que 0.0001. Utilice como aproximaciones iniciales x1 1 y
x0 0.
3. Considere la siguiente ecuaci
on
log 2 ` logp11 x2 q 2 logp5 xq
Utilice el metodo de la secante para aproximar una de las dos soluciones
de la ecuaci
on con un error relativo normalizado menor que 0.00001,
use como aproximaciones iniciales x1 1 y x0 0. Calcule la solucion
exacta de la ecuaci
on y compare.
108
2.5.
M
etodos num
ericos
M
etodo de la falsa posici
on
Consiste en una combinaci

on entre el metodo de biseccion y el de la secante. Especficamente, es una modificaci
on del metodo de la secante en el cual se
cuenta con una prueba que asegura que el cero buscado quede siempre entre dos
iteraciones sucesivas.
Considere la funci
on f continua para la cual se sabe que c es un cero. Para
aproximar el valor de c con el metodo de la falsa posicion, se siguen los siguientes
pasos:
Paso 1: Determine dos aproximaciones iniciales x1 y x0 en las cuales se verifique

que f px1 q f px0 q 0. Esto u
ltimo garantiza que el cero de la funcion se
encuentre contenido entre x1 y x0 .
Paso 2: Construya la recta `1 secante a la grafica de la funcion f , que contiene a

los puntos px1 , f px1 qq y px0 , f px0 qq.
Paso 3: Calcule el punto de intersecci

on entre `1 y el eje x, denotelo con px1 , 0q;
as, la coordenada x1 del punto anterior corresponde al nuevo termino de
la sucesion recursiva.
Paso 4: Realice la prueba f px0 q f px1 q 0; en caso de ser afirmativo, seleccione los
valores x0 y x1 para la siguiente iteracion. En caso de no serlo, seleccione
los valores x1 y x1 para la siguiente iteracion.
Paso 5: Repita los pasos del 3 al 5 con los valores seleccionados en el paso anterior.
El pseudocodigo de la implementaci
on del metodo de la falsa posicion se
on. En la lnea 7 se puede apreciar la prueba que hace la
correccion, de manera que el cero de la funcion se mantenga siempre contenido
entre dos iteraciones, no tiene que ser necesariamente consecutivas.
109
Algoritmo 3 Metodo de la falsa posicion

Entrada: f , xi2 , xi1 , Tol, M axItera.
Salida: Aproximaci
on,
um. de interaciones
xi y el n
1: ErrorRela 8
2: NumItera 0
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
2.5.1.
ii`1
f pxi1 qpxi1 xi2 q
f pxi1 q f pxi2 q
xi xi1
ErrorRela
xi
Test f pxi q f pxi1 q
si Test 0 entonces
xi2 xi1
xi1 xi
si no
xi1 xi
fin si
si Test 0 entonces
ErrorRela 0
fin si
fin mientras
Mensaje de fracaso.
si no
retornar xi , ErrorRela, i.
fin si
xi xi1

on
Como el metodo de la falsa posici

on se considera al considerarse un hbrido
entre el metodo de la bisecci
on y la secante, se espera que herede algunas de las
caractersticas de ellos.
Una de las principales ventajas la constituye el hecho de que el metodo de la
falsa posicion, al igual que el de la biseccion, siempre garantiza convergencia a
un cero de la funci
on por estudiar. Ademas, al igual que el metodo de la secante,
u
nicamente es necesario conocer dos valores iniciales x1 y x0 ; en este caso, deben
cumplir que f px1 q f px0 q 0, y el criterio de la funcion f para su aplicacion.
110
M
etodos num
ericos
x0
x1
Figura 2.23: Convergencia lenta del metodo de la falsa posicion.
Por otro lado, en muchos casos su velocidad de convergencia es mucho mas

rapida que el metodo de bisecci
on, y casi tan buena como el metodo de la secante. Sin embargo, es importante se
nalar la existencia de funciones en donde la
velocidad que reporta el metodo de la falsa posicion esta muy por debajo que el
de biseccion.
Dicha situaci
on se puede apreciar en la figura 2.23, en donde uno de los
extremos (extremo izquierdo del intervalo de aproximacion) se aproxima muy
lentamente al cero de la funci
on, mientras que el otro se mantiene fijo. Esto ocasiona una perdida de velocidad, y constituye una de las limitaciones o desventajas
que presenta este metodo. Sin embargo, existen estrategias que permiten acelerar
la convergencia en estos casos, tal como el presentado en la figura 2.23, que se
expone a continuaci
on.
2.5.2.
M
on modificado
Como se apreci
o en la figura 2.23, el metodo de la falsa posicion podra tener
una convergencia mucho m
as lenta que el metodo de la biseccion o el metodo de
la secante.
Esto se debe a un estancamiento en uno de los extremos del intervalo de
iteracion, mientras que el otro extremo avanza lentamente hacia el cero de la
funcion (figura 2.23). De esta manera, la mejora del metodo consiste en evitar
que alguno de los extremos del intervalo se estanque demasiado tiempo. Para
lograrlo se realiza una prueba que consiste en ir contabilizando el n
umero de
veces que uno de los extremos se mantiene fijo. De esta manera, si alguno de los
extremos ha estado fijo por dos iteraciones, se procede a dividir a la mitad el
valor de la funci
on en el punto de estancamiento.
A manera de ejemplo, si el extremo xi1 del intervalo se ha mantenido fijo
durante dos iteraciones, en la tercera iteracion se procedera a utilizar f pxi1 q{2
en lugar de f pxi1 q, para realizar para el calculo del xi . Esto acelerara en buena
111

medida el metodo.
Ejercicios 2.3
1. La velocidad v de un paracaidista que cae esta dada por:
v
gm
p1 epc{mqt q
c
donde: g 9.8m{s2 , c es el coeficiente de arrastre y m la masa del paracaidista.

Para un paracaidista con coeficiente de arrastre c 15kg{s, determine el valor
de la masa m de modo que la velocidad de este sea v 35m{s a los t 9s de
lanzado. Use el metodo de la falsa posicion para obtener una aproximacion con
un error relativo menor que 0.1 %, utilice para esto las aproximaciones iniciales
x1 40 y x0 80.
2. Un agricultor compra un equipo agrcola valorado en US$25 000 y 100 % financiado, pagando US$5 500 por a
no durante seis a
nos. Que tasa de interes
esta pagando el agricultor? si se sabe que la formula que relaciona el valor
actual P , los pagos anuales A, el n
umero de a
nos n y la tasa de interes i, es:
AP
ip1 ` iqn
p1 ` iqn 1
Utilice el metodo de la falsa posici

on con valores iniciales x1 2 y x0 1 para
obtener una aproximaci
on de la tasa de interes con un error relativo normalizado
menor que 0.01 %.
3. Realice la implementaci
on del metodo de la falsa posicion para la funcion
f pxq ex x2 en una hoja de calculo.
4. Realice la implementaci
on del metodo de la falsa posicion en el lenguaje VB de
Excel, para la funci
on f pxq ex x2 . Utilice una interfaz como la mostrada
en la figura 2.22.
5. Realice la mejora expuesta en la seccion 2.5.2 al programa realizado en el
ejercicio anterior.
2.6.
M
etodo de Newton-Raphson
El metodo de la secante se basa en utilizar la sucesion recurrente definida por:

$
f pxi q pxi xi1 q
xi`1 xi
f pxi q f pxi1 q
&
x1 a
%
x0 b
112
M
etodos num
ericos
donde f es una funci

on cualquiera y donde a y b son valores iniciales cercanos al
cero de f . El iesimo termino de la sucesion anterior puede ser expresado como:
1
xi`1 xi f pxi q f px qf px
i
i1 q
xi xi1
pxi1 q
donde f pxxi qf
es la pendiente de la recta ì`1 secante a la grafica de la
i xi1
funcion f en los puntos pxi1 , f pxi1 qq y pxi , f pxi qq.
El metodo de Newton-Raphson consiste en utilizar la pendiente de la recta

tangente en lugar de la pendiente de la recta secante, donde f se supone derivable.
f pxi q f pxi1 q
Es decir, consiste en utilizar la expresi
on f 1 pxi q en lugar de
.
xi xi1
Si la sucesion recurrente txi u8
etodo de la secante, es
i0 , generada por el m
convergente, entonces es una sucesi
on de Cauchy de donde se tiene que:
lm |xi xi`1 | 0
i8
De esta forma, el iesimo termino de la sucesion generada por el metodo de la

secante y el iesimo termino de la sucesi
on generada por el metodo de NewtonRaphson son terminos aproximados en el infinito, siempre que la sucesion txi u8
i0
sea convergente y la funci
on f sea derivable. Esto es, para valores grandes de i
se tiene que:
f 1 pxi q
f pxi q f pxi1 q
xi xi1
As, se puede definir la sucesi

on recusiva del metodo de Newton-Raphson
como:
$
f pxi q
& xi`1 xi 1
f pxi q
%
x0 a
donde a se supone cercano al cero real de la funcion.
La interpretaci
on gr
afica del metodo de Newton-Raphson se muestra en la
siguiente figura:
113
x0
Figura 2.24: Metodo de Newton-Raphson.
x0 x
2.6.1.
Deducci
on de la f
ormula recurrente
Definici
on 20
Sea f una funci
on, se dice que f es de clase C n en el intervalo ra, bs y se denota
f P C n ra, bs si f y sus primeras n derivadas existen y son continuas en ra, bs.
Sea f una funci
on tal que f posea un cero c P ra, bs y f P C 2 ra, bs, y sea
x0 P ra, bs un valor cercano al cero de f . Entonces la ecuacion de la recta tangente
a la grafica de f en el punto px0 , f px0 qq es:
y f 1 px0 qx ` b
donde
b f px0 q f 1 px0 q x0
As, la coordenada x del punto de interseccion de esta recta con el eje x es:
x
pf px0 q f 1 px0 q x0 q
f px0 q
x0 1
1
f px0 q
f px0 q
114
M
etodos num
ericos
Finalmente, basta tomar:

x1 x0
f px0 q
f 1 px0 q
De esta misma forma, en la iteraci

on i ` 1 se tiene que el termino xi`1 de la
sucesion es:
f pxi q
xi`1 xi 1
f pxi q
Ejemplo 44
Considere ecuaci
on ex x2 . Aplique cuatro iteraciones del metodo de NewtonRaphson para aproximar la soluci
on de la ecuacion. Tome como aproximacion
inicial x0 1. Calcule el error relativo normalizado para la u
ltima aproximacion.
F Soluci
on Resolver la ecuaci
on ex x2 es equivalente a encontrar el cero de la
x
funcion con criterio f pxq e x2 , la cual es una funcion infinitamente derivable
y continua en todo R.
De esta forma, la sucesi
on recurrente para el metodo de Newton-Rapshon
esta dada en la expresi
on (2.5).
$
&
%
xi`1 xi
x0 1
exi x2i
exi 2xi
(2.5)
Se deben buscar x1 , x2 , x3 y x4 ; donde x0 1, as:

x1 x0
f p1q
f px0 q
1 1
1. 392 2
1
f px0 q
f p1q
x2 x1
f px1 q
f p1. 392 2q
1. 392 2 1
0.835 08
f 1 px1 q
f p1. 392 2q
x3 x2
f px2 q
f p0.835 08q
0.835 08 1
0.709 83
f 1 px2 q
f p0.835 08q
x4 x3
f px3 q
f p0.709 83q
0.709 83 1
0.703 48
f 1 px3 q
f p0.709 83q
Mientras que el error relativo normalizado para x4 es:

a
|x4 x3 |
|0.703 48 0.709 83|
100 %
100 % 0.902 66 %
|x4 |
|0.703 48|
F
115
2.6.2.

etodo de Newton-Raphson
El metodo de Newton-Raphson es uno de los mas utilizados, ya que es famoso

por su gran velocidad de convergencia; esto constituye su principal ventaja, ya
que suele converger en pocas iteraciones. Por tal razon se suele utilizar mucho en
matematica aplicada, para determinar ceros de funciones con un alto grado de
complejidad.
Sin embargo, posee varias inconvenientes y desventajas que se deben tener en
cuenta antes de ponerlo en pr
actica.
Para poder aplicar el metodo, la funcion f debe ser derivable y esta derivada
debe ser conocida, lo cual muchas veces no se tiene, o bien, puede que la
forma funcional de f sea muy difcil de derivar. Esto ocasiona que se deban
emplar metodos adicionales del analisis numerico para determinar buenas
aproximaciones de la derivada de la funcion, lo cual hace que el metodo sea
complejo y engorroso.
Otro inconveniente que puede afectar el metodo es que f 1 pxi q se anule para
alg
un i P N, donde txi u8
on generada por el metodo de Newtoni0 es la sucesi
Raphson, lo cual ocasiona que el metodo se trunque. Graficamente esto
sucede cuando la recta tangente en el punto pxi , f pxi qq es horizontal, de
donde se tiene que esta no inteseca al eje x y, por consiguiente, xi`1 no
existe.
Aun cuando la funci
on es derivable y su derivada no se anule en ning
un
punto de la sucesi
on generada por el metodo de Newton-Raphson, puede
divergir. En algunas funciones, la escogencia inapropiada del valor inicial
puede llevar a la divergencia del metodo. Esta situacion se puede visualizar en las figuras 2.26 y 2.27, en donde la escogencia inapropidada genera
sucesiones aparentemente divergentes.
x
x1
x0
Figura 2.26: Sucesi

on divergente pues sus terminos consecutivos
alternas entre x0 y x1 .
116
M
etodos num
ericos
x0
Figura 2.27: Sucesi

on divergente, cuyos terminos se alejan del cero
de la funci
on.
En la figura 2.26 se observa que la sucesion oscila entre dos valores x0 y x1 ,

es decir:
"
xi x0 si i es par
xi x1 si i es impar
En la figura 2.27 se observa que la sucesion aparentemente diverge. A ciencia cierta, no hay garanta de lo que pase con la sucesion en los terminos
siguientes a los mostrados en la figura. Es posible que el comportamiento
de divergencia contin
ue, o bien, podra converger posteriormente.
Finalmente, una limitaci
on que posteriormente sera analizada y demostrada
corresponde al hecho de que Newton-Raphson pierde velocidad cuando los
ceros del la funci
on son m
ultiples.
En la seccion 2.8.4 se realizar
a un an
alisis de convergencia del metodo; ademas, se
estableceran condiciones necesarias para la convergencia y se brinda un analisis
de la velocidad del metodo en funci
on de la multiplicidad de cero de la funcion.
2.6.3.
Implementaci
on de m
etodo Newton-Raphson
El m
etodo de Newton-Raphson en una hoja de c
alculo
Al igual como se ha realizado para los metodos anteriores, la implementacion
del metodo de Newton-Raphson se realizara para la funcion f definida por f pxq
ex x2 y como aproximaci
on inicial se escogio x0 3. Los siguientes pasos
conduciran a la implementaci
on del metodo sobre una hoja de calculo.
117

A
xi
1
2
3
4
5
B
f(xi)
C
f '(xi)
D
xi+1
E
Er Rela Nor
Figura 2.28: Plantilla para el metodo de la Newton-Raphson.
1
2
3
4
5
6
Celda
A2
B2
C2
D2
A3
F3
C
odigo
3
EXP(A2)-A22
=EXP(A2)-2*A2
=A2-B2/C2
=D2
=ABS(D2-A2)/ABS(D2)

metodo de Newton-Raphson.
Note que en la celda A2 se colocara la aproximacion inicial x0 ; en la celda

B2 la funci
on evaluada en x0 , y en la celda C2 la derivada de la funcion
en x0 . Con esta informaci
on es posible calcular el siguiente termino de la
sucesion; en este caso, x1 que ser
a calculado en la celda D2. Finalmente, en
E2 se calcular
a el error relativo normalizado para el metodo, para lo cual
es necesario definir la columna E con un formato de porcentaje con cuatro
decimales.
La forma en que lucir
a la plantilla en este instante se muestra en la figura
2.29.
1
2
3
4
5
A
xi
3
2,212984426
B
f(xi)
11,08553692
C
f '(xi)
14,08553692
D
xi+1
2,212984426
E
Er Rela Nor
35,5635%
Paso 3: Seleccione el rango B2:D2 y hale una fila hacia abajo para actualizar
todas las celdas del rango B3:D3. As se completan los calculos de la segunda
iteracion.
118
M
etodos num
ericos
1
2
3
4
5
A
xi
3
2,212984426
B
f(xi)
11,08553692
4,245662142
C
f '(xi)
14,08553692
4,71699336
D
xi+1
2,212984426
1,312906386
E
Er Rela Nor
35,5635%
Paso 4: Finalmente, seleccione el rango A3:E3 y hale varias filas hacia abajo
para actualizar las celdas correspondientes. Cada fila es una iteracion del
1
2
3
4
5
6
7
8
9
A
xi
3
2,212984426
1,312906386
-0,51382789
-0,71937009
-0,70356659
-0,70346743
-0,70346742
B
f(xi)
11,08553692
4,245662142
1,993237773
0,334182249
-0,030434355
-0,000188607
-7,40069E-09
0
C
f '(xi)
14,08553692
4,71699336
1,091148179
1,625857115
1,925799136
1,901950525
1,901801265
1,90180126
D
xi+1
2,212984426
1,312906386
-0,513827885
-0,719370086
-0,703566592
-0,703467426
-0,703467422
-0,703467422
E
Er Rela Nor
35,5635%
68,5561%
355,5148%
28,5725%
2,2462%
0,0141%
0,0000%
Figura 2.31: Metodo de Newton-Raphson para f pxq ex x2 .

on en estudio, basta actualizar tanto el criterio
de la funci
on en la columna B como el criterio de la derivada en la columna
C; lo dem
as ser
a recalculado autom
aticamente por Excel.
El m
etodo de Newton-Raphson en Visual Basic
Se construir
en el lenguaje Visual Basic para Excel. Las caractersticas del programa seran:
Una funci
on f a la cual se le calculara un cero.
Valor inicial xi .
Un n
umero m
aximo de iteraciones M axItera.
La aproximaci
on encontrada.
El n
119
La aproximaci
relativo normalizado sea menor que la tolerancia predefinida por el usuario. El
programa se describe en el siguiente pseudocodigo.
Algoritmo 4 Metodo de Newton-Raphson
Entrada: f , xi , Tol, M axItera.
Salida: Aproximaci
on,
um. de interaciones
xi`1 y el n
1: ErrorRela 8
2: i 0
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
ii`1
f pxi q
f 1 pxi q
|xi`1 xi |
ErrorRela
|xi`1 |
xi xi`1
fin mientras
Mensaje de fracaso.
si no
retornar xi`1 , ErrorRela, NumItera.
fin si
xi`1 xi
La implementaci
on en el lenguaje Visual Basic para Excel se hace a continuacion. Abra una hoja de Excel y agregre los controles, tal y como se muestran
en la figura 2.32. Coloque como identificador de cada control el mismo que se
proporciona en la figura:
Mtodo de Newton-Raphson
x0 = txtX0
OK
Toleracia
Mx Iteraciones
txtTol
txtMaxItera
cmdOK
Cota del Err Abs

Aproximacin
txtCotErRelaAbs
txtAprox
120
M
etodos num
ericos
El algoritmo 4 recibe como uno de sus parametros la funcion por analizar; sin
embargo, al igual que se hizo para le metodo de la secante y biseccion, la funcion
debe que ser definida como una function en el lenguaje VBA de Excel. Para el
metodo de Newton-Raphson, adem
as de la funcion por analizar se debe definir
su derivada, ya que ambas son necesarias en el calculo del siguiente termino de
la sucesion recurrente.
De esta forma, en el editor de c
odigo de la hoja de calculo correspondiente
defina las dos funciones que se muestran en el siguiente codigo:
F = Exp(X) - X2
End Function
Private Function FPrima(X As Double) As Double
FPrima = Exp(X) - 2 * X
End Function
Estas dos funciones ser

an el criterio de la funcion por analizar y el criterio
de la derivada de dicha funci
on, ambas necesarias para el calculo del siguiente
termino de la sucesi
on recurrente. Es importante mencionar que, luego de la
implementacion para la funci
on f pxq ex x2 , si se desea cambiar la funcion es
necesario cambiar tanto el criterio de la funcion como el criterio de la derivada.
Ejercicios 2.4
1. Escriba el c
odigo para implementar el metodo de Newton-Raphson en
Visual Basic para Excel utilizando la interfaz que se muestra en la figura
2.32.
2. Utilice el metodo de Newton-Raphson para calcular una aproximacion de
la soluci
on de la ecuaci
on cos x x tal que el error relativo normalizado
sea menor que 0.0001. Utilice como aproximacion inicial x0 3.
3. Considere la siguiente ecuaci
on
x3 4x2 7x ` 9 0
Aplique el metodo de Newton-Raphson de forma que el error relativo
normalizado sea menor que 0.001 %. Tome como valores iniciales los
siguientes:
a) x0 6
b) x0 2
c) x0 3
121
d) Investigue sobre las f

ormulas de Cardano-Vieta. Uselas
para resolver
la ecuaci
on en forma exacta.
4. Utilice tres iteraciones del metodo de Newton-Raphson para la funcion
f pxq x2 2 y valor inicial x0 1 para demostrar que:
?
21`
1
1
1
2 12 408
Utilice el resultado anterior para probar que:

?
21`
1
2`
2`
2`
2`
2`
2`
1
2
5. Utilice
? el metodo de Newton-Raphson para calcular una aproximacion
de 3.
2.7.
M
etodo del punto fijo
El metodo de punto fijo no es sobresaliente en eficiencia ni en velocidad de

convergencia; no obstante, en el se establecen condiciones de convergencia que
pueden ser aprovechadas para el an
alisis de otros metodos de aproximacion, tal
es el caso de Newton-Raphson.
Este metodo es el m
as simple de implementar, pues los calculos realizados
requiere u
nicamente conocer el criterio de la funcion y un valor inicial; sin embargo, tiene la desventaja de divergir con facilidad. Para un abordaje adecuado
de la tecnica es requerido conocer algunos conceptos y resultados, tales como lo
que se entender
a por un punto fijo de una funcion, la existencia y unicidad del
punto fijo, entre otros que se desarrollaran a continuacion.
Definici
on 21 (Punto fijo)
Sea f : Df Cf una funci
on y sea p P Df , se dice que p es un punto fijo de f
si y solo si
f ppq p
122
M
etodos num
ericos
Figura 2.33: Punto fijo de una funcion.
En la figura 2.33 se puede apreciar que p es un punto fijo de la funcion.

Graficamente se puede notar que los puntos fijos de una funcion corresponden
a las coordenadas x del punto de interseccion entre la grafica de la funcion y la
recta que corresponde a la funci
on identidad. As, una funcion particular puede
tener varios puntos fijos, situaci
on que se aprecia en la figura 2.34.
y
p3
p2
p1
p1
p2
p3
Figura 2.34: M
ultiples puntos fijos.
Este es un metodo iterativo que, de converger, lo hace a un punto fijo de

la funcion. Es decir, define una sucesi
on txn u8
n0 tal que, de ser convergente,
cumple:
lm xn p,
n8
donde f ppq p
Teorema 16 (existencia del punto fijo)

Sea g una funci
on continua en un intervalo ra, bs tal que gpxq P ra, bs, @x P ra, bs,
entonces g tiene un punto fijo en ra, bs.
123
o Demostraci
on Si gpaq a o gpbq b, entonces g tienen un punto fijo en uno
de los extremos del intervalo y el punto fijo existe.
y
b
a
a
Figura 2.35: Existencias del punto fijo.
Si gpaq a y gpbq b, entonces necesariamente tiene que pasar gpaq a y

gpbq b.
y=x
a
a
Figura 2.36: Existencias del punto fijo.
Considere la funci
on h definida por hpxq gpxq x, la cual es continua en
ra, bs, pues g lo es. Adem
as, hpaq gpaq a 0 y hpbq gpbq b 0; por el
corolario del teorema 15 (teorema del valor intermedio) se tiene que existe un
p Psa, br tal que hppq 0, donde:
hppq gppq p 0 gppq p
as, se tiene que p es un punto fijo de g.
124
M
etodos num
ericos
p
Teorema 17 (De Rolle)

Sea f una funci
on continua en un intervalo cerrado ra, bs y derivable en sa, br tal
que f paq f pbq, entonces existe al menos un c en sa, br tal que f 1 pcq 0.
f(a)=f(b)
c2
c1
Figura 2.37: Teorema de Rolle.
Teorema 18 (Teorema del valor medio para derivadas)

Sea f P C 1 ra, bs, es decir, f continua y diferenciable en ra, bs con derivadas continuas, entonces existe al menos un punto c Psa, br tal que:
f 1 pcq
f pbq f paq
ba
o Demostraci
on Es f
acil probar que la ecuacion de la recta que pasa por los
puntos pa, f paqq y pb, f pbqq tiene ecuaci
on:
y f paq `
f pbq f paq
px aq
ba
Considere la funci
on g definida por:
gpxq f pxq y f pxq f paq
f pbq f paq
px aq
ba
como la funcion f y la recta y son continuas en ra, bs y derivables en sa, br,

se puede asegurar lo mismo para la funcion g. Ademas, se puede verificar que
gpaq 0 gpbq. Entonces por el teorema 17 (de Rolle) se tiene que existe al
menos un c Psa, br tal que g 1 pcq 0, donde
g 1 pxq f 1 pxq
f pbq f paq
ba
125

De este modo, g 1 pcq 0 implica que:
g 1 pcq f 1 pcq
f pbq f paq
f pbq f paq
0 f 1 pcq
ba
ba
p
El teorema 18 asegura que si f es una funcion continua en el intervalo ra, bs y

derivable en sa, br, existe al menos un c Psa, br en donde la pendiente de la recta
tangente a la gr
afica de f en c coincide con la pendiente de la recta secante a la
grafica de f que pasa por los puntos pa, f paqq y pb, f pbqq. Esta situacion se puede
observar en las figuras 2.38 y 2.39.
y
a
ct
Re
e
nt
ge
n
ta
a
ct
Re
ca
se
e
nt
x
a
Figura 2.38: Teorema de valor medio para derivadas.
te
en
g
n
ta
a
t
te
c
an
Re
c
se
ta
c
Re
a
ct
Re
a c1
e
nt
ge
n
ta
x
c2
Figura 2.39: Teorema de valor medio para derivadas.
Teorema 19 (Unicidad del punto fijo)

Sea g una funci
on continua en ra, bs y derivable en sa, br tal que g tiene un punto
fijo p P ra, bs. Si |g 1 pxq| 1 @x Psa, br, entonces el punto fijo de g en ra, bs es
u
nico.
126
M
etodos num
ericos
o Demostraci
on Suponga que p y q son puntos fijos distintos de g en ra, bs;
sin perdida de generalidad suponga que p q. Ademas, suponga que |g 1 pxq| 1
para todo x Psa, br.
Como g es continua en ra, bs y derivable en sa, br, entonces la funcion es
continua en rp, qs y derivable en sp, qr. Por el teorema 18 se tiene la existencia de
un c entre p y q tal que:
gpqq gppq g 1 pcqpq pq
De esta manera se tiene que:
|q p| |gpqq gppq| |g 1 pcq| |q p| |q p|
de lo cual se concluye que
|q p| |q p|
(2.6)
La desigualdad anterior es falsa y este desenlace proviene de suponer que p q,

por lo cual debe darse que
pq
Por lo tanto, el punto fijo de g en ra, bs es u
nico.
El teorema 19 puede generalizarse a funciones contractivas.

Definici
on 22
Sea f : R R una funci
on. Se dice que f es una funcion contractiva si existe
una constante positiva k 1 lo cual satisface que:
|f paq f pbq| k|a b|
para cualesquier valor de a y b.
La demostraci
on de la generalizaci
on del teorema 19 para funciones contractivas es analoga a la realizada para el teorema 19. Sin embargo, en la practica, para
demostrar que una funci
on tiene un punto fijo u
nico se verifican las condiciones
del teorema 19, pues en general se trabaja con funciones continuas y derivables.
Los teoremas 16 y 19 brindan condiciones suficientes pero no necesarias para
la existencia y la unicidad del punto fijo de una funcion en un intervalo ra, bs.
Es decir, de cumplirse las hip
otesis del teorema se puede garantizar la conclusion
de este, pero de no cumplirse dichas hipotesis no es posible garantizar el no
cumplimiento de las conclusiones de los teoremas.
Ejemplo 45
?
Considere la funci
on f definida por f pxq ex . Demuestre que f tiene un
punto fijo u
nico en el intervalo r1, 0.5s.
127

F Soluci
on Primero que todo observe que:
ex
f 1 pxq ? x
2 e
de donde se tiene que f es una funci

on decreciente en el intervalo r1, 0.5s. En
general, si una funci
on f est
a definida y continua en ra, bs y f es decreciente en
ra, bs, entonces f alcanza el m
aximo absoluto en a y el mnimo absoluto en b,
(figura 2.40).
Mximo
Mnimo
Figura 2.40: Optimo

global en un intervalo cerrado.
De esta forma se tiene que el?valor mas grande que toma la funcion en el
intervalo r1, 0.5s es f p1q e1 0.60653, y el?valor mas peque
no que
0.5
toma la funci
on f en el mismo intervalo es
0.77880. Por
? f p0.5q? e
lo tanto, se puede asegurar que f pxq P r e0.5 , e1 s r1, 0.5s para todo
x P r1, 0.5s.
En virtud del teorema 16 y lo anterior, se tiene la existencia de al menos un
punto fijo de f en el intervalo r1, 0.5s.
Falta demostrar que dicho punto fijo es u
nico. Para esto se debe demostrar
1
que |f pxq| 1 para todo x P r1, 0.5s, donde:
ex
ex{2
f 1 pxq ? x
2
2 e
ex{2
0 para todo
4
1
x P r1, 0.5s, por lo que f es siempre decreciente en dicho intervalo. As, el
valor mas grande que toma f 1 es f 1 p1q 0.303265, mientras que el valor mas
peque
no que toma f 1 est
a dado por f 1 p0.5q 0.389400.
Analogamente a lo realizado se tiene que f 2 pxq
De esta forma se tiene que 1 f 1 p0.5q f 1 pxq f 1 p1q 1 para todo

x P r1, 0.5s, lo cual es equivalente a decir que:
|f 1 pxq| 1,
@x P r1, 0.5s
En virtud del teorema 19 se tiene que el punto fijo de f en el intervalo

F
r1, 0.5s es u
nico.
128
M
etodos num
ericos
Ejercicios 2.5
Determine si al utilizar los teoremas 16 y 19 es posible garantizar la existencia
de un punto fijo u
nico en el intervalo que se proporciona junto con el criterio
de la funcion.
1. f pxq
px2 1q
en el intervalo r1, 1s.
3
2. gpxq 3x en el intervalo r0, 1s.
2.7.1.
Aproximaci
on de puntos fijos
Para aproximar los puntos fijos de una funcion se estudiara el metodo de

iteracion de punto fijo para una funci
on f . Este consiste en un proceso iterativo
que, de converger, lo hace a una soluci
on de la ecuacion f pxq x.
El algoritmo parte de un punto inicial x0 a, que corresponde a la primera
aproximacion del punto fijo y luego se define la sucesion recursiva presentada en
(2.7):
"
xn`1 f pxn q
(2.7)
x0
a
Teorema 20
Considere la sucesi
on recurrente presentada en (2.7). Si lm xn p y f es una
n8
funcion continua en x p, entonces p es un punto fijo de f .
o Demostraci
on Suponga que la sucesi
on txn u8
n0 converge en p y f es continua
en x p. Se debe demostrar que f ppq p.
p lm xn`1 lm f pxn q f
n8
n8
lm xn f ppq
n8
por lo que
f ppq p
y p es un punto fijo de f.
Graficamente se puede visualizar como la iteracion de punto fijo; de converger, lo hace a un punto fijo de la funci
on f . En la figura 2.41 se muestra la
representacion gr
afica del metodo de iteracion de punto fijo.
129
f (x1)
f (x3)
f (x5)
f (x4)
f (x2)
f (x0)
x1
x0
x2
x3 x5 x6 x4
Figura 2.41: Iteraci
on grafica de punto fijo.
y
f (x1)
f (x3)
f (x5)
f (x4)
f (x2)
f (x0)
x1
x2
x0
x3 x5 x6 x4
on gr
afica simplificada de punto fijo.
Con esta misma idea se puede construir una representacion simplificada de la

representacion gr
afica del metodo de iteracion de punto fijo. Esta simplificacion se
muestra en la figura 2.42. Adem
as, note que los puntos resultantes de la iteracion
de punto fijo se acercan cada vez m
as al punto fijo de la funcion.
2.7.2.
Convergencia del algoritmo del punto fijo
Sea f una funci

on continua en ra, bs tal que f ppq p con p P ra, bs. Es
normal preguntarse bajo cu
ales condiciones se puede asegurar que el metodo del
130
M
etodos num
ericos
punto fijo genera una sucesi

on convergente a p. En las figuras 2.43, 2.44 y 2.45
se muestran tres iteraciones de punto fijo para diferentes funciones en las cuales
las dos u
ltimas generan sucesiones divergentes.
x
x0
on convergente del punto fijo.
x1
x0

on divergente del punto fijo, en donde la sucesi
on resultante alterna entre los valores x0 y x1 .
131
x3
x
x2
x1 x0

on divergente del punto fijo, en donde los
terminos de la sucesi
on se alejan del punto fijo.
Sea f una funci

on continua y derivable en un intervalo ra, bs tal que f posee
un punto fijo p P ra, bs. Considere la sucesion definida por:
"
xn`1 f pxn q
x0
c
(2.8)
con c Psa, br.

Como p es un punto fijo para la funcion f , se cumple que:
p f ppq
(2.9)
Por el teorema 18 (valor medio para derivadas) y al aplicar (2.8) y (2.9) se

tiene que existe un cn P rxn , ps tal que:
f 1 pcn q
f pxn q f ppq
xn p
pxn pqf 1 pcn q f pxn q f ppq
pxn pqf 1 pcn q xn`1 p
|pxn pqf 1 pcn q| |xn`1 p|
|xn p| |f 1 pcn q| |xn`1 p|
|f 1 pcn q| En En`1
132
M
etodos num
ericos
Esto indica que el error absoluto real en la iteracion n ` 1 esta dada por el
error en la iteraci
on n multiplicado por |f 1 pcn q|, donde cn P rxn , ps.
De este modo, si |f 1 pcn q| 1, entonces el error en la iteracion n`1 sera menor
que el error en al iteraci
on n, lo cual garantiza que la aproximacion en la iteracion
n ` 1 es mejor que la aproximaci
on en la iteracion anterior. Es decir, la nueva
aproximacion se encuentra m
as cerca del punto fijo que la aproximacion anterior.
De esta forma se tiene que si |f 1 pcn q| 1 para todo n N para alg
un N P N se
tiene que la sucesi
on del punto fijo converge.
Por otro lado, si |f 1 pcn q| 1, entonces el error real absoluto en la iteracion
n ` 1 es mayor que el error absoluto real en la iteracion n; esto significa que la
aproximacion obtenida en la iteraci
on n ` 1 esta mas lejos del punto fijo que la
aproximacion obtenida en la iteraci
on anterior. De esta forma, si |f 1 pcn q| 1 para
todo n N para alg
un N P N, se tiene que la sucesion del punto fijo diverge.
De la deducci
on anterior se desprende el terorema 21, que se enuncia a continuacion.
Teorema 21 (Condici
on de convergencia)
Sea f P Cra, bs una funci
on tal que f posea un punto fijo p en ra, bs. Entonces
para cualquier valor inicial x0 P ra, bs el metodo del punto fijo:
converge a p, si existe una constante k con 0 k 1 tal que:
1
f pxq k 1, @x P ra, bs
diverge, si existe k 1 tal que:
k f 1 pxq , @x P ra, bs
para cualquier condici
on inicial x0 P ra, bs.
o Demostraci
on Por el teorema 18 se tiene que:
|xn p| |f pxn1 q f ppq| |f 1 pcn q||xn1 p| k|xn1 p|
A su vez, al aplicar el teorema 18 nuevamente se tiene que:
k|xn1 p| k|f pxn2 q f ppq| k|f 1 pcn1 q||xn2 p| k 2 |xn2 p|
De esta forma, al aplicar el teorema 18 inductivamente se demuestra que:
|xn p| k|xn1 p| k 2 |xn2 p| k n |x0 p|
Como 0 k 1, entonces se tiene que:
lm |xn p| lm k n |x0 p| 0 |x0 p| 0
n8
n8
133

lm xn p
n8
La demostraci
on de la divergencia se realiza en forma analoga.
Aplicaci
on del m
El metodo del punto fijo brinda una herramienta que permite aproximar la
solucion de una ecuaci
on de la forma f pxq x. Este conocimiento puede ser
utilizado para resolver ecuaciones no lineales de la forma f pxq gpxq, donde f y
g son funciones reales.
Para resolver ecuaciones no lineales utilizando el metodo del punto fijo se
procede a expresar la ecuaci
on de la forma Hpxq x, donde H cumple las
hipotesis del teorema 21 para la convergencia del metodo. Note que una manera
de realizar esta tarea es tomar Hpxq f pxq gpxq ` x; sin embargo, la forma de
escoger la funci
on H no es u
nica, y no todas las escogencias generan funciones
en las cuales se puede garantizar la convergencia.
Ejemplo 46
Considere la funci
on ex x2 . Tres posibles trasformaciones para expresar la
ecuacion anterior como un problema de punto fijo son:
ex x2 ` x x, por lo que bastara tomar Hpxq ex x2 ` x.
x lnpx2 q, por lo que bastara tomar Hpxq lnpx2 q.
?
?
?
x ex , por lo que bastara tomar Hpxq ex o Hpxq ex dependiendo de si el punto fijo buscado se encuentra en R o en R` .
Sin embargo, en la primera y segunda escogencia no es posible garantizar la
convergencia del metodo, mientras que en la u
ltima de ellas s lo es. Este detalle
se muestra en el ejemplo 45.
Ejercicios 2.6
Para el ejemplo 46 demuestre que las dos primeras escogencias no garantizan
la convergencia del metodo de punto fijo en el intervalo r1, 0s.
Ejemplo 47
Utilice el metodo del punto fijo para aproximar la solucion de la ecuacion ex x2 ,
con un error relativo normalizado menor a 0.001 % y tomando como aproximacion
inicial el punto x0 0.6.
134
M
etodos num
ericos
F Soluci
on Por lo realizado en el ejemplo 45 se tiene que el metodo del punto
?
fijo converge para todo x0 Ps 1, 0.5r. Utilizando la trasformacion x ex ,
pues el punto fijo buscado se encuentra en R .
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
0
1
2
3
4
5
6
7
8
9
10
11
Aproximaci
on
x0 0.6
x1 f px0 q 0.7408182206
x2 f px1 q 0.690451802
x3 f px2 q 0.708060384
x4 f px3 q 0.701853777
x5 f px4 q 0.704035225
x6 f px5 q 0.703267736
x7 f px6 q 0.703537663
x8 f px7 q 0.703442717
x9 f px8 q 0.703476112
x10 f px9 q 0.703464366
x11 f px10 q 0.703468498
Err. Rela. Nor.

x1 19.00847 %
x2 7.29470 %
x3 2.48688 %
x4 0.88432 %
x5 0.30985 %
x6 0.10913 %
x7 0.03837 %
x8 0.01350 %
x9 0.00475 %
x10 0.00167 %
x11 0.00059 %
Tabla 2.4: Tabla con las primeras once iteraciones y su respectivo

error relativo normalizado
del metodo de punto fijo para la
?
funci
on Hpxq ex .
De esta manera, de la?tabla 2.4 se tiene que x11 0.703468498 aproxima el

punto fijo de Hpxq ex con un error relativo normalizado de 0.00059 %, el
F
cual es menor que 0.001 %.
Ejemplo 48
Considere la funci
on f definida por f pxq cos x.
1. Demuestre que f tiene un u
nico punto fijo en el intervalo r0, 1s.
2. Utilice el metodo del punto fijo para aproximar el punto fijo de f , con un
error relativo normalizado menor a 0.2 % y tomando como aproximacion
inicial el punto x0 0.5.
F Soluci
on
1. Primero se debe demostrar que f pxq P r0, 1s para todo x P r0, 1s. Para esto
determine el m
aximo y mnimo absoluto de f en r0, 1s.
Como f 1 pxq senpxq 0 para todo x P r0, 1s; entonces la funcion f
siempre decrece en dicho intervalo, por lo que f alcanza su maximo absoluto
en f p0q 1 y su mnimo absoluto en f p1q cos 1 0.540302. As queda
demostrado que f pxq P rcos 1, 1s r0, 1s para todo x P r0, 1s. En virtud del
teorema 16 se garantiza la existencia de un punto fijo en r0, 1s.
135
Por otro lado, se debe demostrar que |f 1 pxq| | sen x| 1. Recuerde

que 1 sen x 1 para todo x P R, lo cual implica que 0 | sen x| 1.
Pero entre r0, 2s se cumple que sen x 1 solo cuando x y ninguno

2
de estos valores se encuentran dentro del intervalo r0, 1s; ademas, en r0, 1s
la funci
on seno es creciente. Por esta razon, |sen x| sen 1 1 para todo
x P r0, 1s, de donde finalmente se concluye que |f 1 pxq| sen 1 1 para
todo x P r0, 1s.
De lo anterior, y en virtud del teorema 19, se tiene que dicho punto fijo es
u
nico.
2. Se debe realizar la iteraci
on de punto fijo para aproximar el punto fijo de
la funcion f pxq cos x. Para esto se propone como valor inicial x0 0.5.
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Aproximaci
on
x0 0.5
x1 f px0 q 0.877582562
x2 f px1 q 0.639012494
x3 f px2 q 0.802685101
x4 f px3 q 0.694778027
x5 f px4 q 0.768195831
x6 f px5 q 0.719165446
x7 f px6 q 0.752355759
x8 f px7 q 0.730081063
x9 f px8 q 0.745120341
x10 f px9 q 0.735006309
x11 f px10 q 0.741826523
x12 f px11 q 0.737235725
x13 f px12 q 0.740329652
x14 f px13 q 0.738246238
x15 f px14 q 0.739649963
Err. Rela. Nor.

x1 43.02530 %
x2 37.33418 %
x3 20.39064 %
x4 15.53116 %
x5 9.55717 %
x6 6.81768 %
x7 4.41152 %
x8 3.05099 %
x9 2.01837 %
x10 1.37605 %
x11 0.91938 %
x12 0.62270 %
x13 0.41791 %
x14 0.28221 %
x15 0.18978 %
Tabla 2.5: Tabla con las primeras quince iteraciones y su respectivo

error relativo normalizado del metodo de punto fijo para la
funci
on f pxq cos x.
En la tabla 2.5 se observa que x15 0.739649963. Dicha aproximacion posee

un error relativo normalizado x15 0.18978 % 0.2 %.
F
2.7.3.
Implementaci
on de m
El m
etodo del punto fijo en una hoja de c
alculo
a la implementaci
on en una hoja de Excel para la funcion f pxq
?Se realizar
on inicial x0 0.6.
ex tomando como aproximaci
136
M
etodos num
ericos

A
1
2
3
4
5
6
B
Aproxi.
x0
x1
x2
x3
x4
C
Err. Rela. Nor.
-0,6
Figura 2.46: Plantilla para el metodo del punto fijo.
Celda
B2
B3
C3
1
2
3
C
odigo
0.6
=-RAIZ((EXP(B2)))
=ABS((B3-B2)/B3)

metodo del punto fijo.
En este punto, la plantilla deber

a lucir tal y como aparece en la figura 2.47.
A
1
2
3
4
5
6
x0
x1
x2
x3
x4
B
Aproxi.
-0,6
-0,74081822
C
Err. Rela. Nor.
19,00847%
Figura 2.47: Primera iteraci

on del metodo de punto fijo.
No olvide cambiar el formato de celda, para toda la columna C, por porcentaje con cuatro o cinco decimales.
Paso 3: Seleccione el rango B3:C3 y hale varias fila hacia abajo para realizar las
siguientes iteraciones. En este caso, cada fila de la hoja de calculo corresponde a una iteraci
on del metodo de punto fijo para la funcion en cuestion.
Una vez realizada la tarea anterior, la plantilla debe lucir como se muestra
en la figura 2.48.
on en estudio, basta actualizar la columna B
por los de la nueva funci
on. Para esto basta con modificar los calculos en
la celda B3 y luego actualizar halando esta celda a traves de las restantes.
137

A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
x0
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
B
Aproxi.
C
Err. Rela. Nor.
-0,6
-0,74081822
-0,6904518
-0,70806038
-0,70185378
-0,70403523
-0,70326774
-0,70353766
-0,70344272
-0,70347611
-0,70346437
-0,7034685
-0,70346704
-0,70346756
-0,70346738
-0,70346744
19,00847%
7,29470%
2,48688%
0,88432%
0,30985%
0,10913%
0,03837%
0,01350%
0,00475%
0,00167%
0,00059%
0,00021%
0,00007%
0,00003%
0,00001%
Figura 2.48: Primeras diecisiete iteraciones

el metodo de punto
?
fijo para la funci
on f pxq ex .
El m
etodo del punto fijo en Visual Basic
Se construir
en el lenguaje Visual Basic para Excel; en este caso,
? se trabajara equivalentemente buscando el punto fijo de la funcion gpxq ex . Las caractersticas del
programa son:
Una funci
on g a la cual se le calculara el punto fijo.
Un valor inicial x0 .
Un n
umero m
aximo de iteraciones M axItera, para el metodo de paro
alternativo.
La aproximaci
on encontrada.
El n
La aproximaci
relativo normalizado sea menor que la tolerancia predefinida por el usuario. El
programa se describe en el siguiente pseudocodigo.
138
M
etodos num
ericos
Algoritmo 5 Metodo del punto fijo

Entrada: g, xi , Tol.
Salida: Aproximaci
on,
um. de interaciones
xi`1 y el n
1: ErrorRela 8
2: i 0
4:
xi`1 gpxi q
5:
ErrorRela
6:
7:
8:
9:
10:
11:
12:
13:
14:
|xi`1 xi |
|xi`1 |
xi xi`1
ii`1
fin mientras
Mensaje de fracaso.
El programa finaliza.
si no
retornar xi`1 , ErrorRela, NumItera.
fin si
La implementaci
on en el lenguaje Visual Basic para Excel se hace a continuacion.
Abra una hoja de Excel y agregue los controles, tal y como se muestra en la
figura 2.49. Asigne a cada control el identificador que se proporciona en la figura.
Mtodo del Punto Fijo
Tolerancia
X_0=
txtTol
txtX0
OK
Cota del error absoluto

Aproximacin
cmdOK
txtCotErRelaAbs
txtAprox
Figura 2.49: Metodo del punto fijo.
Defina en el editor de c
odigo de la hoja de trabajo la siguiente funcion:
Private Function G(X As Double) As Double
G =-sqr(exp(X))
End Function
139
Ejercicios 2.7
1. Escriba el c
odigo necesario para implementar el metodo del punto fijo
en Visual Basic para Excel utilizando?la interfaz que se muestra en la
figura 2.49, para la funci
on f pxq ex .
on x2 2x 6 0.
a) Utilice la f
ormula general para determinar el valor exacto de las dos
soluciones de la ecuaci
on.
b) Exprese la ecuaci
on como un problema convergente de punto fijo y determine intervalos para la condicion inicial de manera que
el metodo de iteraci
on de punto fijo converja a cada una de las
soluciones de la ecuaci
on.
c) Utilice diez iteraciones del metodo de punto fijo para determinar
una aproximaci
on para cada una de las soluciones de la ecuacion.
Determine el error absoluto para cada una.
on cos x x2 .
a) Utilice el metodo grafico para determinar el n
umero de soluciones
que posee la ecuaci
on anterior.
b) Exprese la ecuaci
on anterior como un problema convergente de
punto fijo. Para este problema de punto fijo, determine intervalos
para la condici
on inicial, de manera que el metodo del punto fijo
converja a cada una de las soluciones de la ecuacion.
c) Utilice diez iteraciones del metodo de punto fijo para determinar
una aproximaci
on para cada una de las soluciones.
2.8.
An
alisis de la convergencia de los m
etodos iterativos
En esta secci
on se pretende realizar un analisis de la convergencia de los
metodos iterativos estudiados en la seccion anterior.
Definici
on 23 (Orden de convergencia)
Sea txi u8
on convergente a x, donde xn x para todo n P N. Para
i1 una sucesi
p 1:
1. Se dice que la sucesi
on txi u8
i0 converge a x por lo menos con orden p o que
140
M
etodos num
ericos
la convergencia es por lo menos de orden p si existe k 0 y N P N tal que:
|xn`1 x| k|xn x|p
para n N
donde k 1 si p 1.
Si p 1 se dice que la convergencia es por lo menos lineal, o bien, que la
sucesion txi u8
i0 converge a x por lo menos linealmente. La convergencia es
por lo menos cuadr
atica si p 2 y por lo menos c
ubica si p 3.
2. Se dice que la sucesi
on txi u8
i0 converge a x con orden p si
lm
n8
|xn`1 x|
L0
|xn x|p
donde L es una constante positiva tal que L 1, si p 1. A L se le llama

constante asint
otica del error.
Para este caso, si p 1 se dice que la convergencia es lineal; si p 2 se dice
que la convergencia es cuadr
atica, y si p 3 se dice que la convergencia es
c
ubica.
3. En caso de que exista p 1 tal que
lm
n8
|xn`1 x|
0
|xn x|p
se dice que txi u8

i0 tiene una superconvergencia de orden p a x. En caso
de que p 1 se dice que la convergencia es superlineal; si p 2 se dice
que la convergencia es supercuadr
atica, y en caso de p 3 se dice que la
convergencia es superc
ubica.
Con base en la definici
on de la O de Landau presentada en la definicion 19
(pagina 72) se establece el concepto de velocidad o rapidez de convergencia de
una sucesion, la cual se presenta seguidamente:
Definici
on 24 (O de Landau para sucesiones)
Sea ti u8
on convergente a cero y sea txi u8
on converi0 una sucesi
i0 una sucesi
gente a x. Si existe una constante positiva k tal que:
pDN P Nqp@n N qr|xn x| k|n |s
Entonces se dice que txu8
i0 converge a x con rapidez de convergencia Opn q y se
denota xn x ` Opn q.
Para poder realizar una comparaci
on entre las velocidades de convergencia de
algunas sucesiones es usual utilizar
n
1
np
141
para una constante p 0. Por lo general,

` se tiene interes en determinar el mayor
valor de p para el cual: xn x ` O n1p .
Es posible verificar, al realizar un cambio de variable conveniente, que la
definicion 19 es equivalente a la definici
on 24.
Ejercicios 2.8
1. Demuestre que si txi u8
i1 converge a x con orden p 1, entonces
txi u8
converge
a
x
superlinealmente.
Implica la superconvergencia
i1
de orden p 1, la convergencia de orden p?
2. Demuestre que si txi u8
i1 converge a x con orden p 1, entonces
txi u8
converge
a
x
por
lo menos con orden p.
i1
3. Pruebe que si txi u8
i1 converge a x superlinealmente, entonces
lm
n8
|xn`1 xn |
1
|xn x|
es decir, si la diferencia entre xn`1 y xn es peque

na, tambien lo es
el error de truncamiento |xn x|, de donde se tiene que en un metodo
iterativo que genera una sucesi
on con convergencia superlineal; entonces
es seguro el criterio de parada |xn`1 xn | para suficientemente
peque
no. Note que, de acuerdo con la parte 1, el resultado tambien es
valido para sucesiones con convergencia de orden p 1.
4. Suponga que existe K tal que:
|xn`1 x| K|xn x|
Pruebe que:
a) Si K 1, entonces la sucesion txi u8
i1 converge a x.
b) Si K 1, entonces la sucesion txi u8
i1 diverge.
Que se puede decir del caso K 1?
Definici
on 25 (convergencia local y global)
Se dice que un metodo iterativo que aproxima el cero c de una funcion f es
convergente a nivel local, si existe un intervalo sc , c ` r tal que para todo
valor inicial x0 Psc , c ` r la sucesi
on generada txi u8
i0 converge a c.
Si es posible tomar 8 se dice que el metodo es globalmente convergente.
En este caso, se considera sc , c ` r R.
142
M
etodos num
ericos
El concepto de orden de convergencia y de velocidad o rapidez de convergencia

de un metodo iterativo es independiente de la convergencia local o global, esto
quiere decir que estos conceptos se aplican independientemente si la convergencia
del metodo es local o global.
Definici
on 26
Sea f una funci
on y sea c un cero de f . Se dice que c es un cero de multiplicidad
k si y solo si:
f pnq pcq 0 para todo n P t0, 1, 2, 3, . . . , k 1u
y
f pkq pcq 0
Si k 2, entonces se dice que c es un cero m

ultiple, mientras que si k 1 se dice
que c es un cero simple.
te.
A continuaci
on se presenta el an
alisis de los metodos estudiados anteriormen-
2.8.1.
An
alisis de m
etodo de bisecci
on
Teorema 22 (Rapidez de convergencia para el m

etodo de bisecci
on)
on converge
por
lo
menos
linealmente
y
la
sucesi
o
n
generada
`
por el satisface xn p ` O 21n .
p
o Demostraci
on Ejercicio para el lector.
2.8.2.
An
alisis del m
etodo de la secante
Teorema 23
Sea f P C 2 ra, bs y sea c es un cero simple de la funcion f en ra, bs tal que f 2 pcq 0.
Si el metodo de ?la secante converge a c, entonces lo hace con un orden de
convergencia p 1`2 5 . Y la constate asintotica al error esta dada por:
f 2 pcq
2f 1 pcq
2?
1` 5
o Demostraci
on Considere los polinomios de Taylor con resto centrado en x c
para la funcion f , tanto de grado uno como de grado cero:
f pxq f pcq ` f 1 pcqpx cq ` 12 f 2 px qpx cq2
1
f pxq f pcq ` f px qpx cq
(2.10)
(2.11)
143
donde x y x se encuentran entre x y c. Defina En`1 xn`1 c para todo n P N.

De esta forma se tiene que:
En`1 xn f pxn q
pxn cq
xn xn1
c
f pxn q f pxn1 q
f pxn qpxn c xn1 ` cq
f pxn q f pxn1 q
f pxn qpxn1 cq f pxn1 qpxn cq

f pxn q f pxn1 q
f pEn ` cqEn1 f pEn1 ` cqEn

f pEn ` cq f pEn1 ` cq
(2.12)
de (2.10) y (2.11) se tiene que:

f pEn ` cq f pcq ` f 1 pcqEn ` 12 f 2 pxn qpEn q2
f pEn1 ` cq f pcq ` f 1 pcqEn1 ` 12 f 2 pxn1 qpEn1 q2
f pEn ` cq f pcq ` f 1 pxn qEn
f pEn1 ` cq f pcq ` f 1 pxn1 qEn1
donde xn y xn se encuentran entre c y xn . Ademas, xn1 y xn1 se encuentran
entre c y xn1 .
Al sustituir en (2.12), donde f pcq 0, se tiene
2 sE
rf 1 pcqEn ` 21 f 2 pxn qEn2 sEn1 rf 1 pcqEn1 ` 12 f 2 pxn1 qEn1
n
f 1 pxn qEn f 1 pxn1 qEn1
Y al simplificar se tiene que:

1 f 2 px qEn f 2 pxn1 qEn1
En`1 En En1 1 n
2 f pxn qEn f 1 pxn1 qEn1
Si se supone que xn tiende a c, entonces para n suficientemente grande se cumple
que xn c xn1 y xn c xn1 . De donde:
En`1 En En1
Al tomar C
f 2 pcq
2f 1 pcq
f 2 pcq
y n suficientemente grande se tiene que:
2f 1 pcq
|En`1 | C|En ||En1 |
Se debe determinar el valor de p para el cual se garantice que:

|En`1 |
K
n8 |En |p
lm
(2.13)
144
M
etodos num
ericos
Determine los valores de p 0 y K 0 tales que:

(2.14)
|En | K|En1 |p
|En`1 | K|En |p KpK|En1 |p qp K p`1 |En1 |p
(2.15)
al sustituir (2.14) en (2.13) se tiene que:

|En`1 | CK|En1 |p |En1 | CK|En1 |p`1
(2.16)
Si se comparan las ecuaciones (2.15) y (2.16) se tiene que:

CK|En1 |p`1 K p`1 |En1 |p
(2.17)
para n suficientemente grande.

De esta manera, (2.17) ser
a v
alida solo si C K p y p2 p ` 1, donde la
u
nica solucion positiva para esta u
ltima ecuacion es
?
1
p p1 ` 5q
2
Por otro lado, K C 1{p , de donde se tiene que la constante asintotica del error
para el metodo de la secante ser
a:
f 2 pcq
2f 1 pcq
1{p
f 2 pcq
2f 1 pcq
2?
1` 5
Ejemplo 49
Sea h : R R una funci
on definida por hpxq x3 3x2 ` x 3. Considere la
8
sucesion txn un1 , generada por el metodo de la secante para dos valores iniciales
cualesquiera tales que dicha sucesi
on converge. Determine la constante asintotica
al error.
F Soluci
on Note que hpxq px 3qpx2 ` 1q, de donde se tiene que h P C 2 s8, 8r
y la sucesion txn u8
nico cero real de la funcion.
n1 converge a 3, pues es el u
Ademas, 3 es un cero simple de h, el cual satisface que h2 p3q 12 0. De
donde se tiene que dicha funci
on satisface las condiciones del teorema 23. En
virtud de este teorema ?se tiene que el metodo de la secante converge con orden
de convergencia p 1`2 5 y la constante asintotica al error es:
f 2 p3q
2f 1 p3q
2?
1` 5
2?
3 1` 5
5
F
145
2.8.3.
An
alisis del m
En el teorema 21 se establecen condiciones para la convergencia local del

metodo del punto fijo.
Definici
on 27 (Punto fijo de orden m)
Sea g una funci
on de clase C m ra, bs, con m P N. Suponga que existe p P ra, bs tal
que p es un punto fijo de g. Se dice que p es un punto fijo de g de orden m, si y
solo si g cumple simult
aneamente las siguientes condiciones:
gppq p.
g pkq ppq 0, para todo k 1, 2, 3, . . . , m 1.
g pmq ppq 0.
Una manera alternativa y pr
actica de definir un punto fijo de orden m corresponde
a la siguiente:
Sea g una funci
on y sea p un punto fijo de g. Se dice que p es un punto fijo
de orden m, con m P Z` si gpxq puede expresarse de la forma:
gpxq p ` px pqm qpxq
(2.18)
donde qppq 0.
Sin embargo, es necesario tener presente que la representacion en la forma
(2.18) de una funci
on con puntos fijos de orden m puede no ser algebraicamente
evidente. El ejemplo 50 muestra este detalle.
Ejemplo 50
Considere la funci
on hpxq 3 ` px2 6x ` 9q senp3 xq. Pruebe que x 3 es
un punto fijo de g y establezca su orden. Exprese h de la forma mostrada en la
ecuacion (2.18).
F Soluci
on Note que hpxq 3`px2 6x`9q senp3xq 3`px3q2 senp3xq,
hp3q 3 ` p3 3q2 senp0q 3
por lo que tres es un punto fijo de h. Ahora es necesario estudiar su orden. Note
que h es una funci
on al menos 3 veces derivable (de hecho h P C 8 ) y:
h1 pxq 2px 3q senp3 xq px 3q2 cosp3 xq
h2 pxq 4px 3q cosp3 xq px2 6x ` 7q senp3 xq
h3 pxq px2 6x ` 3q cosp3 xq 6px 3q senp3 xq
146
M
etodos num
ericos
De donde se observa que:

h1 p3q 2 0 sen 0 02 cos 0 0
h2 p3q 4 0 cos 0 p32 6 3 ` 7q sen 0 0
h3 p3q p32 6 3 ` 3q cos 0 6 0 sen 0 6 0
Se deduce de lo anterior que x 3 es un punto fijo de h de orden 3.
Finalmente, es necesario expresar hpxq de la forma 3 ` px 3q3 qpxq. Para lo
anterior defina la funci
on q como sigue:
$
senp3 xq si x 3
&
x3
qpxq
%
1 si x 3
Dicha funcion es continua en todo R, particularmente es continua en x 3 pues:
senp3 xq
1 qp3q
x3
x3
lm
No es difcil demostrar que algebraicamente:

hpxq 3 ` px2 6x ` 9q senp3 xq 3 ` px 3q3 qpxq
Para lo cual se puede proceder por casos, para x 3 y para x 3.
Ejemplo 51
Considere la funci
on gpzq z cospz 1q z ` 1. Pruebe que z 1 es un punto
fijo de g y establezca su orden. Exprese g de la forma mostrada en la ecuacion
(2.18).
F Soluci
on Note que:
gp1q 1 cos 0 1 ` 1 1
por lo que z 1 es punto fijo de g. Ahora es necesario estudiar su orden. La
funcion g es al menos dos veces derivable (de hecho g P C 8 ). Note que:
g 1 pzq cospz 1q z senpz 1q 1 g 1 p1q cos 0 1 sen 0 1 0
g 2 pzq z cospz 1q 2 senpz 1q g 2 p1q 1 cos 0 2 sen 0 1 0
De donde se puede indicar que z 1 es un punto fijo de orden 2, para g.
Finalmente es necesario expresar gpzq como 1 ` pz 1q2 qpzq. Note que para
z 1 se cumple que:
gpzq 1 ` zrcospz 1q 1s 1 ` pz 1q2 z
cospz 1q 1
pz 1q2
147

donde
cospz 1q 1
1
2
z1
pz 1q
2
lm
por lo que basta tomar q como sigue:

$
cospz 1q
& z pz 1q2
qpzq
%
2
si z 1
si z 1
De esta forma, gpzq 1 ` pz 1q2 qpzq.
Teorema 24 (Orden de convergencia del m

etodo de punto fijo)
Sea g una funci
on suficientemente diferenciable en intervalo abierto I alrededor
de p, donde p es un punto fijo de g de orden m 1. Entonces, el metodo iterativo
del punto fijo, xn`1 gpxn q con x0 P I tiene orden de convergencia m. Si p es
un punto fijo simple y |g 1 ppq| 1, entonces el metodo converge solo linealmente.
o Demostraci
on Como p es un punto fijo de g de orden m, entonces:
g pkq ppq 0
k 1, 2, . . . , m 1
y,
g pmq ppq 0
(2.19)
De esta forma, por el desarrollo en serie de Taylor de g centrada en p y las

condiciones de (2.19) se tiene que:
gpxq
g pm`1q px q
g pkq ppq
px pqk `
px pqm`1
k!
pm
`
1q!
k0
gppq `
g pmq ppq
g pm`1q px q
px pqm `
px pqm`1
m!
pm ` 1q!
donde x esta entre p y x. As, se tiene que:

xn`1 gpxn q gppq `
g pmq ppq
g pm`1q pxn q
pxn pqm `
pxn pqm`1
m!
pm ` 1q!
(2.20)
Como gppq p, entonces de (2.20) se deduce que:

xn`1 p
g pmq ppq
g pm`1q pxn q
pxn pqm `
pxn pqm`1
m!
pm ` 1q!
(2.21)
Al dividir a ambos lados de la igualdad (2.21) por pxn pqm se consigue:

g pmq ppq g pm`1q pxn q
xn`1 p
`
pxn pq
pxn pqm
m!
pm ` 1q!
(2.22)
148
M
etodos num
ericos
Al aplicar lmite cuando n 8 a ambos lados de la igualdad anterior se deduce

que:
|g pmq ppq|
|xn`1 p|
(2.23)
lm
n8 |xn p|m
m!
De donde se tiene que de converger el metodo de iteracion de punto fijo lo
pmq
hace con orden m. Y la constante asint
otica del error es |g m!ppq| . Para el caso
m 1 el resultado se obtiene de la igualdad (2.23) siempre que |g 1 ppq| 1. p
Del teorema 24 se tiene que si el punto fijo de la funcion es de orden m,
con m 1, entonces el metodo de punto fijo converge para alg
un valor inicial
cercano al punto fijo. En caso de que el punto fijo sea simple, es necesario estudiar
la condicion de convergencia dada en el teorema 21. En el ejemplo 52 se puede
observar esta diferencia.
Ejemplo 52
Considere las funciones h, g y f definidas por:
hpxq 3 ` px2 6x ` 9q senp3 xq
gpxq x cospx 1q x ` 1
f pxq 2 2 ln x ` x ln x
Estudie la covergencia del metodo de punto fijo aplicadas a cada una de las funciones dadas. En caso de que exista convergencia, determine el orden de convergencia
de la sucesion recursiva generada.
F Soluci
on De los ejemplos 50 y 51, as como del teorema 24, se tiene que el
metodo de punto fijo converge para las funciones h y g con un orden de convergencia respectivo de 3 y 2, para valores iniciales cercanos al punto fijo.
Para el caso de la funci
on f se tiene que:
f pxq 2 ` px 2q ln x
donde ln 2 0, por lo que 2 es un punto fijo de orden 1 o simple para f .
De este modo, para establecer si la sucesion generada por el metodo de punto
fijo converge o diverge es necesario estudiar las condiciones del teorema 21.
La derivada de la funci
on f est
a dada por:
f 1 pxq ln x `
x2
x
Donde f 1 es continua para todo x 0, pues es suma de funciones continuas.

Note ademas que f 1 p2q ln 2 0.693147.
149
Gracias a la continuidad de f 1 , y de la definicion formal de lmite, se tiene

que:
p@ 0qpD 0qr2 x 2 ` f 1 p2q f 1 pxq f 1 p2q ` s

Al tomar ` f 1 p2q 1 1 ln 2 se consigue la existencia de un intervalo
r2 , 2 ` s tal que |f 1 pxq| f 1 p2q ` 1. En virtud de teorema 21 se tiene
que el metodo de punto fijo converge para cualquier valor inicial en el intervalo
r2 , 2 ` s y su orden de convergencia es lineal.
En otras palabras, para la funci
on f el metodo de punto fijo converge al punto
fijo x 2 para valores iniciales suficientemente cercanos a el; en tal caso, su orden
de convergencia es lineal.
F
Ejemplo 53
Considere la expresi
on:
d
z 2`
c
2`
b
2`
2`
?
2 `
Exprese z como un problema de iteraci

on de punto fijo y use dicha representacion
para calcular el valor exacto de z. Estudie la convergencia y establezca el conjunto
mas grande en el que se puede tomar el valor inicial, de manera que se garantice
la convergencia del metodo.
F Soluci
on Note que:
g
c
f
b
f
?
?
f
z 2 ` e2 ` 2 ` 2 ` 2 ` 2 ` z
looooooooooooooomooooooooooooooon
z
por lo que la expresi

on se puede representar como la ecuacion de punto fijo
?
z 2 ` z; de esta forma, el valor de z buscado corresponde a un punto fijo
?
de la funcion gpzq 2 ` z en caso de que el metodo de iteracion de punto
fijo converja. Para analizar la convergencia se deben estudiar las hipotesis del
teorema 21. Note que la funci
on g es de clase Cs0, 8r, con un punto fijo u
nico en
s0, 8r, pues:
150
M
etodos num
ericos
z 2`
z z2
pz 2q z
2
z 2 4z ` 4 z
z 2 5z ` 4 0
pz 1qpz 4q 0
As, los candidatos a soluciones corresponden a z 1 y z 4. Sin embargo, z 1

?
no es solucion de la ecuaci
on, siendo z 4 el u
nico punto fijo de gpzq 2 ` z.
Ahora se debe determinar si el metodo de punto fijo aplicado sobre la funcion
?
de iteracion gpzq 2 ` z converge, y establecer para cuales valores iniciales hay
garanta de su convergencia.
1
Note que g 1 pzq ? , con z 0, de donde se desprende que:
2 z
1
g pzq 1
1
1
? 1 ?
1
2 z
2 z
?
1 ?
z
1 2 z
2
1
1
z z P
,8
4
4
Se puede concluir que |gpzq| 1 para todo z 14 . Y en virtud del teorema 21,
el metodo de punto fijo converge al u
nico punto
fijo en dicho intervalo, es decir,
1
converge a 4 para cualquier valor inicial z0 P
,8 .
4
Finalmente se concluye que el valor de z es 4.
F
Ejercicios 2.9
1. Formule un metodo de punto fijo que converja al valor exacto de cada una de las
expresiones. Indique el mayor conjunto donde se puede escoger la aproximacion
inicial x0 de manera que se garantice la convergencia. De ser posible, indique
el valor real del punto fijo.
151
a)
b
a
?
2 ` 2 ` 2 `
c) 2 `
2`
2`
b) 1 `
1
1`
2. Sea gpxq
1`
?5
x
1
2
1
p2` q2
d) lnp2 ` lnp2 ` lnp2 ` qqq
1
1
1`
una funci
on de iteracion de punto fijo.
a) Demuestre que g tiene un punto fijo u

nico en el intervalo r2, 5s.
b) Determine el valor real del punto fijo de g en r2, 5s.
c) Calcule la constante asint
otica del error.
3. Suponga que la sucesi
on txi uiPN converge a p linealmente y ademas cumple
que:
|xn`1 p|
0.7 para todo n 0
|xn p|
Encuentre N tal que el error absoluto TN |xN p| sea menor que 108 . Si
se sabe que el error inicial es de T0 0.75
on g definida por gpxq x2 ` p1 xq, con 0 y x P R.
a) Demuestre que p1 y p2 1 son punto fijos de la funcion g.
b) Para fijo, determine un intervalo real I R para el cual se cumple
que |g 1 pxq| 1 para todo x P I .
c) Determine condiciones para los valores de de manera que exista un
intervalo real que contenga a para el cual se puede garantizar la convergencia del metodo de punto fijo al valor de .
d) Determine condiciones para y un intervalo para x0 de manera que se
pueda garantizar que el metodo de punto fijo converja al punto fijo 1.
5. Considere las funciones f , g y h definidas por:
f pxq
gpxq
1 ` p2x 1q lnp2xq
` px q sen2 pxq
hpxq
x3 5x2 ` 2x 5
a) Determine el punto fijo de cada una de las funciones dadas e indique su

orden.
b) Para cada uno de las funciones dadas indique si el metodo de punto
fijo converge para alg
un valor inicial cercano al punto fijo. En caso de
ser afirmativo, determine la constante asintotica al error y el orden de
convergencia para cada caso.
152
2.8.4.
M
etodos num
ericos
An
alisis del m
etodo Newton-Raphson
El metodo de Newton-Raphson puede ser desarrollado desde varias perspectivas. Se dice que los metodos que pueden ser visualizados como casos particulares
del metodo de punto fijo pertenecen a la clase de los metodos iteractivos de punto
fijo. El metodo de Newton-Raphson pertenece a esta clase.
A continuaci
on se presentan dos posibles formas de abordar el metodo de
Newton-Raphson, el primero como una linealizacion de la funcion por analizar,
y el segundo como un caso particular del metodo de punto fijo. Este u
ltimo es el
que permite realizar un an
alisis del orden de convergencia del metodo, as como
el establecimiento de condiciones que garanticen su convergencia.
Linealizaci
on de funciones
El metodo de Newton-Raphson puede ser deducido del desarrollo en series de
potencia de la funci
on por analizar. Recuerde que si f es una funcion m ` 1 veces
derivable, entonces por el desarrollo en series de potencias f pxq Pm pxq`Rm pxq,
donde:
m
f pnq px0 q
Pm pxq
px x0 qn
n!
n0
Rm pxq
f pm`1q pq
px x0 qm`1
pm ` 1q!
con x un valor entre x y x0 . Para el caso especfico de m 1 se tiene que:

f pxq
f pnq px0 q
f 2 px q
px x0 qn `
px x0 q2
n!
2!
n0
f px0 q `
f 1 px0 q
f 2 px q
px x0 q `
px x0 q2
1!
2!
f px0 q ` f 1 px0 q px x0 q `
f 2 px q
px x0 q2
2!
donde x se encuentra entre x y x0 .

Como el objetivo del metodo es buscar una aproximacion de cero de funcion,
donde f px0 q`f 1 px0 q px x0 q es una aproximacion lineal de f , entonces es natural
pensar en utilizar la aproximaci
on de la funcion en lugar de la funcion misma
para determinar una aproximaci
on del cero buscado. Esto es, si f pxq f px0 q `
f 1 px0 qpx x0 q, el cero de f px0 q ` f 1 px0 q px x0 q es una aproximacion del cero
de la funcion, es decir, el cero de la aproximacion lineal garantiza que f pxq 0.
Llame a esta aproximaci
on x1 , as:
f px0 q ` f 1 px0 q px1 x0 q 0
153

de donde si f 1 px0 q 0, entonces:
x1 x0
f px0 q
f 1 px0 q
De esta misma forma se puede considerar el polinomio de Taylor, con resto,

centrado en x1 y de grado 1 .
f 2 pq
px x1 q2
2!
f pxq f px1 q ` f 1 px1 qpx x1 q `
Por la linealidad de la aproximaci

on de la funcion existe un valor x para el
cual se cumple que:
f pxq f px1 q ` f 1 px1 qpx x1 q 0
Llame a esta nueva aproximaci
on x2 . En caso que f 1 px1 q 0, entonces se
puede deducir que:
f px1 q
x2 x1 1
f px1 q
Siguiendo con el mismo razonamiento, en la iesima iteracion se considera el
polinomio de Taylor, con resto, centrado en xi , de grado 1:
f pxq f pxi q ` f 1 pxi qpx xi q `
f 2 pq
px xi q2
2!
con entre x y xi . Llame xi`1 al valor de x tal que f pxi q ` f 1 pxi qpxi`1 xi q 0,
entonces se tiene que:
f pxi`1 q f pxi q ` f 1 pxi qpxi`1 xi q 0
f pxi`1 q 0
As, si f 1 pxi q 0 se tiene que:
xi`1 xi
f pxi q
f 1 pxi q
Es importante notar que en cada interacion se determina un polinomio de Taylor

de grado 1 centrado en un valor cercano al cero de la funcion, en donde se supone
que la funcion f pxq f pxi q ` f 1 pxi qpx xi q. Al utilizar esta aproximacion lineal
de f se encuentra una nueva aproximacion xi`1 del cero de la funcion, la cual se
supone mejor que xi . As, el nuevo polinomio de Taylor de grado 1 y centrado en
xi`1 es una mejor aproximaci
on lineal de f alrededor de su cero.
De esta forma se puede observar que cada vez que se realiza una iteracion,
la aproximaci
on lineal de la funci
on (polinomio de Taylor de grado 1) se supone
mejor que en las iteraciones anteriores, esto se debe a que el punto donde se
154
M
etodos num
ericos
centra la serie est

a m
as cerca al cero de la funcion. Esto a su vez ocasiona que
la nueva aproximaci
on del cero de la funcion sea mejor que la anterior, pues se
basa en una mejor aproximaci
on lineal de la funcion.
De esta forma, si la funci
on f es de clase C 2 ra, bs alrededor de un cero c y sea
x0 p una aproximaci
on de c, suficientemente cercana a este, entonces se tiene
que:
$
f pxi q
&
xi`1 xi 1
(2.24)
f pxi q
%
x0 p
Converge al cero de la funci
on f , es decir:
lm xi c, donde f pcq 0
i8
Newton-Raphson como un caso particular del punto fijo

El metodo de Newton-Raphson puede ser visualizado como un caso particular
del metodo del punto fijo. As, el metodo descrito en (2.24) es un caso particular
de metodo de punto fijo con la funci
on de iteracion
gpxq x
f pxq
f 1 pxq
Note que si p es un punto fijo de la funcion g tal que f 1 ppq 0, entonces es

necesariamente un cero de la funci
on f , pues:
gppq p p
f ppq
f ppq
p 1
0 f ppq 0
1
f ppq
f ppq
Teorema 25 (Convergencia local del m

etodo de Newton)
Sea f P C 2 ra, bs y sea p P ra, bs un cero de f con f 1 ppq 0, es decir, p es un
cero simple de f . Entonces existe un intervalo sp , p ` r tal que para cada
valor inicial x0 en sp , p ` r la sucesi
on txi u8
etodo de
i0 generada por el m
Newton-Raphson a traves de (2.24) converge a p.
o Demostraci
on Considere la funci
on g definida por:
gpxq x
f pxq
f 1 pxq
Por la condicion de convergencia del metodo de iteracion de punto fijo (teorema

21) se tiene que si existe un intervalo I para el cual se verifican las condiciones
del teorema de existencia y unicidad (teoremas 16 y 19), entonces el metodo del
punto fijo converge al u
nico punto fijo de g en I.
155
Como p es un punto fijo de g, entonces gppq p y f pbq 0. Y suponga que

f 1 ppq 0.
f pxqf 2 pxq
. Y como f ,
pf 1 pxqq2
f 1 y f 2 son funciones continuas en ra, bs, entonces g 1 es continua para todo x tal
que f 1 pxq 0.
Como f P C 2 ra, bs, entonces g P C 1 ra, bs, donde g 1 pxq
Como f 1 es una funci

on continua y f 1 ppq 0, entonces existe un 1 0 tal
que:
f 1 pxq 0 @x Psp 1 , p ` 1 r
de donde se tiene que g 1 es una funci
on continua en sp 1 , p ` 1 r.
Note que g 1 ppq 0 y g 1 es continua en sp1 , p`1 r, de donde se tiene que para
todo k 0 existe un 0 2 1 tal que |g 1 pxq| k para todo x Psp 2 , p ` 2 r.
De esta manera, al tomar k 1 se consigue la existencia de un intervalo
sp 2 , p ` 2 r para el cual se cumple que |g 1 pxq| k 1 para un k fijo. De este
modo se tiene que:
p es un punto fijo de g.
Existe un intervalo sp 2 , p ` 2 r para el cual se cumple que g 1 pxq k 1
para todo x Psp 2 , p ` 2 r.
por lo que se tienen satisfechas las condiciones del teorema 21. As, el metodo
del punto fijo aplicado a g con cualquier valor inicial en sp 2 , p ` 2 r converge
a p. Lo cual es equivalente a decir que el metodo de Newton-Raphson aplicado a
f converge a p para cualquier valor inicial en sp 2 , p ` 2 r. Esto completa la
p
demostracion del teorema.
Este teorema garantiza la existencia de un intervalo suficientemente peque
no
para el cual el metodo converge siempre que la condicion inicial este contenida
en dicho intervalo.
Ejemplo 54
Considere la funci
on f definida por f pxq x4 ` 6x2 ` 11, la cual tiene dos
races reales. Si se aplica el metodo de Newton-Raphson para la funcion f y se
toma como aproximaci
on inicial x0 1, la sucesion que resulta es divergente de
la forma:
x2n`1 1 x2n 1
para todo n 0.
La divergencia del metodo proviene de la mala escogencia de la aproximacion
inicial x0 .
Teorema 26 (Orden de convergencia del m
etodo de Newton-Raphson)
Sea f una funci
on suficientemente derivable en un intervalo sc , c ` r
156
M
etodos num
ericos
1. Si c es un cero simple de f , es decir f 1 pcq 0, entonces el metodo de

Newton-Raphson tiene una convergencia por lo menos cuadratica (p 2).
2. Si c es un cero de orden m con m 1, entonces el metodo de NewtonRaphson tiene un orden de convergencia lineal (p 1).
o Demostraci
on Suponga que c es un cero simple de f , es decir, f pcq 0 y
1
f pcq 0. Esto quiere decir que f pxq px cqqpxq, donde qpcq 0.
De esta forma, f 1 pxq qpxq ` px cqq 1 pxq y la funcion de iteracion esta dada
f pxq
, es decir:
por gpxq x 1
f pxq
gpxq x
px cqqpxq
qpxq ` px cqq 1 pxq
(2.25)
Donde f 1 pcq qpcq 0. Es posible probar que (2.25) se puede escribir como:
gpxq c ` px cq2
q 1 pxq
qpxq ` px cqq 1 pxq
(2.26)
De acuerdo con la definici

on 27 (p
agina 145), la expresion (2.26) indica que
c es un punto fijo de al menos orden 2, puesto que nada garantiza que q 1 pcq 0.
De esta manera, de acuerdo con el teorema 24, el metodo converge con orden 2
o superior.
En el caso de que c sea un cero de orden m 1, entonces:
f pxq px cqm qpxq
(2.27)
donde qpcq 0. Por lo cual se tiene que:

f 1 pxq mpx cqm1 qpxq ` px cqm q 1 pxq
(2.28)
De donde la funci
on de iteraci
on de punto fijo es:
gpxq x
px cqqpxq
mqpxq ` px cqq 1 pxq
(2.29)
donde qpcq ` px cqq 1 pcq 0. Es posible demostrar que (2.29) se puede escribir
como:
qpxqpm 1q ` px cqq 1 pxq
gpxq c ` px cq
(2.30)
donde
Qpxq
qpxqpm 1q ` px cqq 1 pxq

cumple que Qpcq 0 puesto que m 1 y qpcq 0.
157
De acuerdo con la definici

on 27, la expresion (2.30) establece que c es un punto
fijo simple de g; por lo tanto, si se demuestra que |g 1 pcq| 1, por el teorema 24
se establece que el metodo converger
a linealmente.
1
Sin embargo, es f
acil probar que g 1 pcq 1 , donde si m 1, entonces
m
necesariamente |g 1 ppq| 1.
p
Ejercicios 2.10
1. Para las siguientes funciones, determine el orden de convergencia del
metodo de Newton-Raphson, en caso de que converja. Realice el estudio
en cada uno de los ceros de las funciones.
a) f pxq 2x3 ` 11x2 20x `
12
b) gpxq ln x 3x2 ` 2
c) hpxq 3x3 1
2. Si f es una funci
on y c es un cero simple de f , entonces demuestre
que el metodo de Newton-Raphson tiene como constante asintotica del
error:
2
f pcq
2f 1 pcq
Que se puede decir si c es un cero de orden m con m 1?
on gpxq ln x cos x.
Realice cuatro iteraciones del metodo de Newton tomando como
valor inicial x0 1.
Utilice la aproximaci
on anterior para aproximar la constante
asint
otica del error.
Al final del presente captulo se deseara poder indicar cual de los metodos
estudiados es mejor; sin embargo, es importante se
nalar que no existe tal. Cada
metodo posee sus virtudes y sus limitaciones; algunos, como por ejemplo biseccion, garantiza la convergencia a un cero de la funcion; sin embargo, su velocidad
de convergencia es lenta. Por otro lado, metodos mas rapidos como Newton Raphson y secante poseen el inconveniente de no poder garantizar convergencia.
Otro detalle por destacar, corresponde a la influencia que poseen las caractersticas propias de las funciones en la convergencia del metodo y su velocidad.
En este sentido, para algunas funciones un metodo puede resultar eficiente y
rapido; sin embargo, para otras podra no serlo. Ejemplo de esto lo constituye
el metodo del Newton Raphson, en el cual se evidencio que la multiplicidad del
cero disminuye su velocidad de convergencia.
158
M
etodos num
ericos
De este modo, para cada uno de los problemas por resolver se deben analizar
condiciones y caractersticas de las funciones antes de decidir cual metodo es el
mas conveniente. Caractersticas como continuidad, derivabilidad, multiplicidad
de los cero, entre otras, pueden tener una influencia importante en la convergencia
y rapidez de los metodos estudiados. La condicion de la convergencia local y
global tambien debe considerarse durante la implementacion de los metodos, dado
que la adecuada escogencia de los valores iniciales puede incidir en la calidad y
efectividad de cada uno de ellos.
2.9.
1. Determine el n
umero de iteraciones que se deben realizar con el metodo
de bisecci
on para que al aproximar los ceros de la funcion cuyo criterio
esta dado por f pxq x3 ` 4x2 10 se garantice que el error absoluto sea
menor que 103 , tomando como intervalo inicial a r1, 2s.
2. Aplique dos iteraciones del metodo de biseccion, para determinar la raz de
?
la funcion f pxq x cos x en el intervalo r0, 1s.
on f pxq 2 ` cospex 2q ex
a) Demuestre que f tiene una raz en el intervalo r1, 1.2s.
b) Mediante bisecci
on aproxime la raz de f con un error menor que 103 .
on f pxq x 2x
a) Demuestre que f tiene una raz en el intervalo r0, 1s.
b) Determine el n
umero de iteraciones que se requiere, del metodo de
bisecci
on, para aproximar la raz de f con un error absoluto menor
que 105 .
c) Mediante bisecci
on aproxime la raz de f con un error menor que 103 .
?
5. Utilice bisecci
on para determinar una aproximacion de 3 con un error
absoluto menor que 103 . Tome un intervalo inicial adecuado.
6. Aplique tres iteraciones del metodo de la secante para hallar una aproxi?
macion del cero de la funci
on f pxq x cos x usando como primeras
aproximaciones x1 0 y x0 1. Compare la solucion con la obtenida en
la pregunta 2.
on f pxq 2 ` cospex 2q ex . Mediante el metodo de la
secante aproxime la raz de f con un error relativo normalizado menor que
104 . Compare con el obtenido en el ejercicio 3.
?
8. Utilice el metodo de la secante para determinar una aproximacion de 3
con un error relativo normalizado menor que 103 . Compare con el obtenido
en el ejercicio 4 y compare ambos con el valor real.
159

9. Con el metodo de Newton-Raphson resuelva la ecuacion
0
1 1 2
1
` x x sen x cosp2xq
2 4
2
Usando p0
Itere hasta que |xi`1 xi | 103

Repita el ejercicio y tome como valor inicial a x0
.
2

on f pxq x 2x .
a) Use el metodo gr
afico para dar una aproximacion inicial entera.
b) Aplique el metodo de Newton-Raphson para determinar una aproximaci
on de la raz de la funci
on tal que |xi`1 xi | 103 . Compare
esta con el resultado obtenido en la pregunta 4.b.
c) Realice nuevamente el ejercicio anterior de tal forma que:
|xi`1 xi | 1010
11. Realice nuevamente el ejercicio 8 con el metodo de Newton-Raphson. Compare el resultado con los obtenidos en biseccion, secante y el valor real.
12. Aplique el metodo de Newton-Rapson para resolver la ecuacion
px 2q2 ln x
tal que el error absoluto sea aproximadamente menor que 106 . Utilice
x0 1 como aproximaci
on inicial.
?
on g pxq sen x ` 1
a) Demuestre que g tiene un punto fijo en r0, 2s.
b) Verifique que el metodo de punto fijo converge a un punto fijo de g en
r0, 2s.
c) Aplique cuatro iteraciones del metodo del punto fijo para aproximar
este. Utilice como punto inicial x0 1. Calcule el error relativo normalizado para esta aproximacion.
on g definida por g pxq ln x 29 x2 ` 3, la cual tiene al
menos un cero en el intervalo s0, 1s. Determine el orden de convergencia del
?
15. Demuestre que la funci
on definida por hpxq 4 3x2 ` 3 tiene un punto
fijo en el intervalo r1, 2s. Adem
as demuestre que la iteracion del punto fijo
converge para cualquier punto inicial x0 P r1, 2s.
160
M
etodos num
ericos
16. Aplique el metodo de iteraci

on del punto fijo para determinar una solucion
con un error relativo normalizado estrictamente menor que 103 para la
ecuacion x4 3x2 3 0 en r1, 2s. Utilice x0 1. Sugerencia: hay muchas
formas de expresar la ecuaci
on anterior?como gpxq x; sin embargo, no
todas funcionan. Para este caso utilice 4 3x2 ` 3 x.
17. Demuestre que la sucesi
on definida por
1
1
xn xn1 `
2
xn1
?
?
converge a 2 siempre que x0 2.
para n 1
18. Use alguna tecnica para determinar races locales para calcular el maximo
de la funci
on f pxq 2x6 1.5x4 `10x`2. Realice las iteraciones necesarias
hasta obtener una aproximaci
on con un error relativo normalizado menor
que 5 %. Si usted usa bisecci
on tome el intervalo inicial igual a r0, 1s. Si
usted usa Newton-Raphson tome x0 1. Si usa el metodo de la secante o
el de la falsa posici
on, tome x1 0 y x0 1. Asuma que la convergencia
no es problema y escoja el metodo que considere mejor para dicha tarea.
19. Cuando se trata de encontrar la acidez de una solucion de hidroxido de
magnesio en
acido clorhdrico, se obtiene la siguiente ecuacion:
Apxq x3 ` 3.5x2 40
donde x es la concentraci
on de iones hidronio. Encontrar la concentracion
de iones hidronio de una soluci
on saturada (nota: una solucion se dice saturada si la acidez es igual cero). Implemente en Excel varias tecnicas que le
permitan resolver el problema. Implemente los metodos de biseccion, secante, falsa posici
on y Newton-Raphson. Escoja para cada una el o los valores
iniciales enteros m
as cercanos posibles y compare los resultados obtenidos
(n
umero de interacciones, precisi
on de las aproximaciones obtenidas).
20. Suponga que se desea dise
nar un tanque esferico para almacenar agua para
un poblado peque
no en las afueras de Cartago. El volumen del lquido
almacenado se calcula con la f
ormula:
V h2
p3R hq
3
donde V es el volumen en metros c

ubicos, h la profundidad en metros
lineales del lquido en el tanque y R es el radio del tanque medido en
metros.
Realice un programa en VBA para Excel que reciba:
a) El radio R del tanque en metros lineales.
b) Un volumen V en metros c
ubicos.
161
c) Una tolerancia T OL para el error relativo normalizado.

El programa deber
a retornar un mensaje de error si el tanque con el radio
R no puede almacenar el volumen V de agua. O bien, la profundidad h en
metros que debe tener el tanque para almacenar el volumen V indicado.
Ademas, debe indicar el n
umero de iteraciones realizadas. Debe utilizar el
metodo de la falsa posici
on con los valores iniciales h1 0 y h0 2R.
21. Despues de realizar la implementacion del problema anterior, en una reunion
con el alcalde se ha establecido, por razones de seguridad, que el tanque
debera ser de forma cilndrico horizontal, de radio r en metros y longitud
L, tambien en metros.
Se ha determinado que la relaci
on entre el volumen V en rm3 s y la profundidad h en rms es:
a
rh
2
2
V r arc cos
pr hq 2rh h L
r
Realice un programa en VBA para Excel que reciba:
a) Valores para r, L y V en rms, rms y rm3 s, respectivamente.
b) Una tolerancia T OL para el error relativo normalizado.
El programa deber
a retornar un mensaje de error si el tanque con el radio r
y el largo L no puede contener el volumen V de agua. O bien, la profundidad
h en metros que debe tener el nivel del agua en el tanque, de manera que el
volumen almacenado sea V . Adem
as, debe indicar el n
umero de iteraciones
realizadas. Debe utilizar el metodo de Newton-Raphson con el valor inicial
h0 r.
Puede usar la siguiente funci
on para el calculo del arccospxq.
Private Function ArcCos(X As Double) As Double
If X = 1 Then
ArcCos=0
ElseIf X=-1 Then
ArcCos= pi
Else
ArcCos = Atn(-X / Sqr(-X * X + 1)) + 2 * Atn(1)
End Function
en este caso, la funci

on Atn(x) arctanpxq
Captulo 3
Sistemas de ecuaciones
3.1.
Introducci
on
Los sistemas de ecuaciones, lineales y no lineales, son herramientas importantes en la resoluci

on de una gran cantidad de problemas matematicos aplicados al
mundo real en muchos
ambitos como en ingeniera. En este captulo se abordaran
las principales estrategias por seguir para resolver sistemas de ecuaciones lineales
y no lineales.
Se abordar
an los metodos exactos tradicionales como el de sustitucion, GaussJordan, eliminaci
on gaussiana y factorizacion LU, as como metodos numericos
que permiten determinar aproximaciones de la solucion de sistemas lineales, como
el de Jacobi y Gauss-Seidel. Finalmente, se abordara el metodo de punto fijo y
Newton-Raphson para la aproximaci
on de soluciones en sistemas de ecuaciones
no lineales.
Durante el desarrollo del captulo se hara uso de las manipulaciones matriciales estudiadas para el an
alisis de algoritmos computacionales que permitan
calcular el determinante de una matriz, as como el calculo de matrices inversas.
A continuaci
on se exponen los principales conceptos y notaciones necesarias
para el estudio de los sistemas de ecuaciones en general.
164
M
etodos num
ericos
Definici
on 28 (Sistema de m ecuaciones con n inc
ognitas)
Un sistema con m ecuaciones y n inc
ognitas es una expresion de la forma:
$
F1 px1 , x2 , . . . , xn q c1
& F2 px1 , x2 , . . . , xn q c2
(3.1)
..
%
Fm px1 , x2 , . . . , xn q cm
Donde x1 , x2 , . . ., xn son n variables y Fi px1 , x2 , , xn q es una expresion escrita
en funcion de las n variables y ci son constantes, para todo i 1, 2, . . . , m.
Si Fi px1 , x2 , . . . , xn q nj1 aij xj , para aij constante, entonces a

Fi px1 , x2 , . . . , xn q ci
se le denomina ecuaci
on lineal.
En caso de que todas las ecuaciones del sistema (3.1) sean lineales, se dice
que el sistema (3.1) es un sistema de m ecuaciones lineales con n incognitas; en
caso contrario se dir
a que es un sistema de ecuaciones no lineal.
De esta manera, un sistema de m ecuaciones lineales con n incognitas es una
expresion de la forma:
$
a11 x1 ` a12 x2 ` ` a1n xn c1
& a21 x1 ` a22 x2 ` ` a2n xn c2

..
..
.
.
%
am1 x1 ` am2 x2 ` ` amn xn cm
(3.2)
Ejemplo 55
El sistema:
2x ` 3y z 5
2x ` y 5z 1
%
x y ` 6z 3
"
3x2 ` 2y 1
?
2x z 5
$
xy ` 3y 5z 5
&
6x2 ` y 3 18z 8
%
2x 8y 7z 21
$
&
Es un sistema lineal de tres ecuaciones

y tres incognitas.
Es un sistema no lineal de dos ecuaciones
y tres incognitas.
Es un sistema no lineal de tres ecuaciones
y tres incognitas.
Al utilizar la multiplicaci
on de matrices, todo sistema de m ecuaciones
lineales con n inc
ognitas se puede denotar matricialmente de la forma Ax c,
165
donde a A se denomina matriz asociada al sistema y es una matriz de tama

no
m n, correspondiente a la matriz de coeficientes; x es una matriz de tama
no
n 1 que corresponde a una matriz de variables, y c es una matriz de tama
no
m 1 que corresponde a la matriz de constante. De esta forma, la representacion
matricial del sistema (3.2) sera:

c1
x1
a11 a12 a1n
a21 a22 a2n x2 c2

(3.3)
..
..
.. .. ..
.
.
.
.
.
. . .
cm
xn
am1 am2 amn
Para el caso de x y c, tambien son vistos como vectores en Rn y Rm respectivamente. Estrictamente, no se har
a diferencia entre una matriz de tama
no r 1
r
y un vector en R , pues en ocasiones es mejor visualizarlos como matrices y en
otras como vectores. Adem
as, los conjuntos Rr , M1r y Mr1 son equipotentes,
por lo que este convenio no representa ning
un abuso en la notacion matematica.
Definici
on 29
Sea Ax c un sistema de m ecuaciones y n incognitas, entonces una solucion
`
T
del sistema es un vector x a1 a2 an tal que al sustituir la variable
xi por la entrada ai para todo i 1, 2, 3, . . . , n se genera una igualdad verdadera
en todas las m ecuaciones del sistema.
3.2.
Resoluci
on de sistemas de ecuaciones
En esta secci
on se abordar
a un conjunto de tecnicas que permitiran determinar la soluci
on de un sistema de ecuaciones. El esquema por seguir sera el
siguiente: primero se tratar
a el metodo grafico para aproximar la solucion de un
sistema; posteriormente los metodos exactos y por u
ltimo los metodos iterativos
para aproximar la soluci
on.
3.2.1.
M
etodo gr
afico
Se utiliza para estimar la soluci

on de un sistema de ecuaciones en donde cada ecuacion posea no m
as que las mismas dos o tres incognitas que el resto de
las ecuaciones. Para la aplicaci
on de dicho metodo, el sistema puede ser o no
lineal. Se advierte que este metodo tiene poca precision, pues depende mucho de
la observacion subjetiva; por esta raz
on se utiliza para determinar aproximaciones distantes de la soluci
on real del sistema, que luego pueden alimentar otros
metodos de aproximaci
on.
El metodo gr
afico consiste en determinar el conjunto de puntos de interseccion
entre las graficas de cada una de las ecuaciones; para esto se procede a realizar la
166
M
etodos num
ericos
grafica de cada ecuaci

on en un mismo sistema de coordenadas. Posteriormente se
determinan el o los puntos de intersecci
on com
un entre las graficas involucradas.
Suponga que el punto px, yqT es un punto de interseccion entre todas las
graficas de todas las ecuaciones del sistema; entonces se tiene que px, yqT es una
solucion del sistema.
Si pxi , yi qi1,2,...,k son k puntos que corresponden a todos los puntos de interseccion entre todas las gr
aficas de un sistema de ecuaciones, entonces el conjunto
solucion del sistema ser
a:
S tpx1 , y1 qT , px2 , y2 qT , . . . , pxk , yk qT u
o bien
"
*
x1
x2
x
S
,
,..., k
y1
y2
yk
Ejemplo 56
Considere el siguiente sistema de ecuaciones:
"
xy 2
x2 ` y 2 4
F Soluci
on Las gr
aficas de las curvas involucradas en el sistema son:
y
2
-2
-2
Figura 3.1: Representacion grafica del sistema.
Note que los puntos de intersecci

on de las dos graficas son p0, 2q y p2, 0q; en
este caso, por las particularidades de las curvas de cada una de las ecuaciones se
puede asegurar que:
(
S p0, 2qT , p2, 0qT
167
donde la primera entrada de cada par ordenado corresponde al valor de la variable

x y la segunda entrada al valor de la variable y .
F
Ejemplo 57
Resuelva el sistema lineal mediante el metodo grafico
2x ` y 3
x`y 2
"
F Soluci
on Las gr
y
3
De la figura 3.2 es f
acil ver que la solucion del sistema es p1, 1qT . As,
S tp1, 1qT u
F
Ejemplo 58
Considere el sistema de ecuaciones:
"
ex y 3
x2 ` y 2 4
F Soluci
on Las gr
168
M
etodos num
ericos
y
2
-2
-2
De donde es f
acil notar que una soluci
on del sistema corresponde a p0, 2qT ;
sin embargo, el sistema tiene otra soluci
on que resulta imposible de identificar
en forma exacta. Se podra decir que esta puede ser aproximada por p1.5, 1.5qT ,
pero en estas circunstancias no se podr
a garantizar la exactitud de la solucion.
F
Caso particular: sistemas lineales

Del metodo gr
afico se puede observar que un sistema de ecuaciones puede
tener una, muchas, infinitas o ninguna solucion. Para el caso especfico de sistemas
lineales existen u
nicamente tres posibilidades, a saber:
El sistema tiene soluci

on u
nica.
El sistema no tiene soluci

on.
El sistema tiene infinitas soluciones.
En la figura 3.4(a) se muestra la representacion grafica de un sistema con solucion vaca, mientras que en las figuras 3.4(b) y 3.4(c) se muestra la representacion
grafica de sistemas con soluci
on u
nica y con infinitas soluciones, respectivamente.
169
y
b
x
(a) Soluci
on vaca
(b) Soluci
on u
nica
x
(c) Infinitas soluciones
Figura 3.4: Posibles tipos de solucion para un sistema lineal.
3.2.2.
M
etodos algebraicos cl
asicos
En este primer acercamiento a los sistema de ecuaciones se trabajara principalmente con tecnicas exactas para la resolucion de sistemas, y posteriormente
se abordaran algunos algoritmos de aproximacion para la b
usqueda de soluciones
de un sistema de ecuaciones.
Entre los metodos algebraicos est
an el metodo de suma y resta, y el metodo
de sustitucion, los cuales son eficientes para sistemas peque
nos; sin embargo,
el metodo de suma y resta tiene efectividad en sistemas u
nicamente lineales,
mientras que el metodo por sustituci
on, efectivo en todo tipo de sistema, tiene el
inconveniente de que sus c
alculos son engorrosos cuando el n
umero de incognitas
y de ecuaciones es elevado.
A continuaci
on se exponen los tres metodos mas utilizados en la resolucion
de sistemas: el metodo de sustituci
on, el metodo de Gauss-Jordan para sistemas
lineales y la regla de Cramer para sistemas lineales cuadrados con solucion u
nica.
M
etodo de sustituci
on
Consiste en despejes y sustituciones sucesivas de cada una de las ecuaciones
para reducir el n
umero de ecuaciones y de incognitas en el sistema.
170
M
etodos num
ericos
Ejemplo 59
Resuelva el sistema que se muestra a continuacion:
$
& 2x 3y ` 5z 1
x`yz 3
%
2x y ` 2z 1
(3.4)
F Soluci
on De la segunda ecuaci
on se despeja la variable x, as
x3y`z
con este resultado se sustituye la variable x en la primera y la segunda ecuacion
del sistema (3.4), con lo cual resulta:
"
"
2p3 y ` zq 3y ` 5z 1
6 5y ` 7z 1
(3.5)
2p3 y ` zq y ` 2z 1
6 3y ` 4z 1
En este punto, el sistema (3.5) tiene dos ecuaciones y dos incognitas. De la
segunda ecuacion del sistema (3.5) es posible despejar la variable z, as:
6 3y ` 4z 1 4z 1 6 ` 3y z
5 ` 3y
4
Al utilizar este resultado, se puede sustituir la variable z en la primera ecuacion del sistema (3.5), con lo cual se genera una ecuacion en una variable relativamente facil de resolver:
5 ` 3y
1
6 5y ` 7
4
35 ` 21y
5 ` 5y
4
35 ` 21y
5 ` 5y
4
35 ` 21y 20 ` 20y
21y 20y 20 ` 35
y 15
5 ` 3p15q
40
Luego, si y 15, entonces z
101 y x 3 15 ` 10 2
4
4
por lo que:
(
S p2, 15, 10qT
F
Sin embargo, por el tipo de trabajo algebraico que se realiza, el metodo de
sustitucion no es rentable cuando el n
umero de ecuaciones e incognitas es considerablemente elevado.
171

M
etodo de Gauss-Jordan
Para este metodo se utiliza la notaci

on matricial para representar un sistema
de m ecuaciones lineales con n inc
ognitas. Es necesario definir algunos conceptos
necesarios para realizar el proceso de solucion de un sistema con el uso del metodo
de Gauss-Jordan.
Considere el sistema de ecuaciones lineales:
$
&
a11 x1 ` a12 x2 ` ` a1n xn c1

a21 x1 ` a22 x2 ` ` a2n xn c2
..
.
(3.6)
am1 x1 ` am2 x2 ` ` amn xn cm
Este sistema se puede representar en notacion matricial como:

a11 a12 a1n
x1
c1
a21 a22 a2n x2 c2

A x c .
..
.. .. ..
.
.
.
. . .
am1 am2 amn
xn
cm
(3.7)
Donde A es la matriz asociada al sistema, x es la matriz de incognitas y c es la

matriz de constantes.
Definici
on 30 (Matriz aumentada)
Para la representaci
on matricial del sistema (3.7) se
como:
a11 a12 a1n

a21 a22 a2n
pA|cq .
..
..
..
.
.
define la matriz aumentada
| c1
| c2
(3.8)
..
| .
am1 am2 amn | cm

Ejemplo 60
Para el sistema de ecuaciones:
$
& 2x ` 3y ` 5z w 1
3x 6y ` 7z ` 2w 4
%
x ` 5y ` z 6w 0
su representaci
on matricial est
a dada por:

x

2
3 5 1
1
3 6 7 2 y 4
z
1 5 1 6
0
y
172
M
etodos num
ericos
y su matriz aumentada est

a dada
2
3
1
por:
3 5 1 | 1
6 7 2 | 4
5 1 6 | 0
Definici
on 31 (Matriz reducida por filas)
Sea Amn una matriz, se dice que A es una matriz reducida por filas si y solo si
cumplen simult
aneamente las siguientes condiciones:
El primer elemento distinto de cero de cada fila es un 1.
Si el primer elemento distinto de cero de la fila i se encuentra en la columna
j, entonces el primer elemento distinto de cero de la fila siguiente (Fila i`1)
se encuentra en la columna k tal que k j.
Si existen filas llenas de ceros, estas se ubican en las u
ltimas filas de la
matriz.
Ejemplo 61
Las matrices A, B y C que se presentan a continuacion son matrices reducidas
por filas, pues cumplen simult
aneamente las tres condiciones indicadas en las
definicion 31.
1 0 0 0 2
1 2 0 0 5 1
1
0
0
0
5
1
0 1 0 0 0
B 0 0 1 0 0 1 C 0 0 1 0 0 1
A
0 0 0 1 1 2
0 0 1 0 1
0 0 0 1 1 2
0 0 0 1 4
0 0 0 0 0 0
Definici
on 32 (Operaciones elementales sobre las filas de una matriz)
Sea Amn una matriz, se definen para A tres operaciones elementales sobre sus
filas:
Escalamiento: se denota por k Fi y se interpreta como la multiplicacion de
una constante k por todos los elementos de la fila i, donde k 0.
Permutaci
on: se denota por Fij y se interpreta como la permutacion de la fila
i con la fila j.
Pivoteo: se denota por Fi ` kFj y se interpreta como sumarle a la fila i, k veces
el valor correspondiente en la fila j.
Las operaciones elementales pueden ser realizadas mediante la multiplicacion
de matrices. De esta forma, existe una matriz denominada matriz elemental y
denotada por E, para la cual:
B EA
tal que
AB
173
Las matrices elementales pueden ser determinadas por escalamiento, permutacion y pivoteo sobres las filas de una matriz identidad.
Definici
on 33 (Matrices elementales)
Considere la matriz identidad de orden n y denotela In . Se define tres matrices
elementales de dimensi
on n n de la siguiente forma:
1. Escalamiento: EkFi que resulta de multiplicar la fila i de In por una
constante k, con k 0.
2. Permutaci
on: EFij que resulta de permutar la fila i con la fila j de la
matriz In .
3. Pivoteo: EF i `kFj que resulta de sumarle a la fila i, k veces la fila j. Con
k 0.
Seg
un la definici
on anterior, se tiene que In EFij , In EkFi y In
EF i `kFj
Ejemplo 62
Las matrices elementales para el caso de I3 son:
1. Por escalamiento:
k 0
EkF1 0 1
0 0
Sea k P R t0u:
0
1 0 0
0 EkF2 0 k 0
1
0 0 1
2. Por permutaci
on:
0 1 0
EF12 1 0 0
0 0 1
3. Por pivoteo: Sea k
1 k
EF 1 `kF2 0 1
0 0
EF23
1 0 0
0 0 1
0 1 0
P R t0u:
0
1 0 0
1 0 0
0 EF 2 `kF1 k 1 0 EF 3 `kF1 0 1 0
1
0 0 1
k 0 1
1 0 k
1 0 0
1 0 0
0 1 0 EF 2 `kF3 0 1 k EF 3 `kF2 0 1 0
0 0 1
0 0 1
0 k 1
EF 1 `kF3
EF13
0 0 1
0 1 0
1 0 0
EkF3
1 0 0
0 1 0
0 0 k
174
M
etodos num
ericos
Ejercicios 3.1
1. Demuestre que si E es una matriz elemental, entonces detpEq 0.
Concluya que todas las matrices elementales son invertibles.
2. Determine las matrices inversas de todas la matrices elementales de
orden 3.
3. Demuestre para los elementos de M33 que:
a) EF1
EFTij
ij
b) EF1`kF EF i kFj
i
c)
1
EkF
ij
E 1 Fij
k
Definici
on 34 (Matrices equivalentes)
Sean A y B dos matrices, se dice que A y B son matrices equivalentes si es posible
obtener B de A al aplicar una cantidad finita de operaciones elementales sobre
sus filas. Y se escribe:
AB
Definici
on 35 (Sistemas equivalentes)
Sean A1 x b1 y A2 x b2 dos sistemas de ecuaciones lineales, se dice que los
sistemas anteriores son equivalentes si y solo si las matrices aumentadas de ambos
sistemas son equivalentes, es decir:
pA1 |b1 q pA2 |b2 q
De la definici
on de sistemas equivalentes y de la definicion de las operaciones
elementales se desprende el siguiente resultado:
Teorema 27
Sean A1 x b1 y A2 x b2 dos sistemas lineales equivalentes, entonces ambos
tienen el mismo conjunto soluci
on.
El proceso de resoluci
on de sistemas de ecuaciones lineales por el metodo de
Gauss-Jordan se describe a continuaci
on:
175
Considere el sistema de ecuaciones lineales Ax c y la matriz aumentada

del sistema pA|cq.
Aplique una cantidad finita de operaciones elementales sobre las filas de pA|cq
hasta obtener una matriz reducida por filas. Denote a esta matriz pA1 |c1 q.
De esta forma se tiene que los sistemas Ax c y A1 x c1 son equivalentes,
ya que pA|cq pA1 |c1 q. Sin embargo, este u
ltimo sistema tiene la particularidad
de que las soluciones se puede observar sin mayor esfuerzo.
Ejemplo 63
Resuelva, con el metodo de Gauss-Jordan, el siguiente sistema:
$
& 3x ` 5y 3z 2
4x ` 2y ` z 1
%
3x ` 2y z 0
F Soluci
on El sistema anterior se puede representar, en notacion matricial, de
la siguiente forma:

3 5 3
x
2
4 2 1 y 1
3 2 1
z
0
donde la matriz aumentada del sistema anterior es:
3 5 3 | 2
4 2 1 | 1
3 2 1 | 0
Se debe buscar la matriz reducida por fila de la matriz anterior
3
5 3 | 2
3 5 3 | 2
F2 `p1qF1
4 2 1 | 1 1 3 4 | 1
3 2 1 | 0
3 2 1 | 0
1 3 4 | 1
1 3
4
| 1
F1,2
F `3F
5 3 | 2 3 1 0 14 15 | 5
3
3 2 1 | 0 F2 `p3qF1 0 7 11 | 3
1 3
1
F
14 2
0 1
0 7
4
15
14
11
| 1
5 F3 `7F2
| 14
| 3 F1 `3F2
1 0 11
14
0 1 15
14
0 0
7
2
1
| 14
5
| 14
|
| 12
176
M
etodos num
ericos
1 0 11
14
F
7 3
15
0 1 14
0 0
1
| 14
|
11
5 F1 ` 14 F2
| 14
F
F2 ` 15
14 2
|
1
| 7
9
1 0 0 | 49
0 1 0 | 10
49
|
1
0 0 1 | 7
Regresando a la notaci
on de sistema, se tiene:
$
9
x 49
&
10
y 49
%
z 17
de donde es sencillo visualizar la soluci
on del sistema:
#
+
9 10 1 T
, ,
S
49 49 7
F
Ejemplo 64
Resuelva, con el metodo de Gauss-Jordan, el siguiente sistema:
$
& x y ` 2z 3
4x ` y ` z 2
%
8x ` 2y ` 2z 1
F Soluci
on Primero note que la matriz aumentada corresponde a:
1 1 2 | 3
4 1 1 | 2
8 2 2 | 1
1 1 2 | 3
1 1
2
| 3
`4F1
4 1 1 | 2 F 2
0 5
7 | 14
F 3 `8F1
8 2 2 | 1
0 10 14 | 25
1 1
1
F
5 2
0 1
10
| 3
7
14 F 1 `F2
5 | 5
F 3 `10F2
|
14 | 25
1 0 35
0 1 7
5
0 0
| 51
14
| 5
|
| 3
177
1 0 53
1
F3
3
0 1 7
0 0
| 15
|
1
14 F 1 ` 5 F3
| 5
F3
F 2 ` 14
5
|
| 1
1 0 35
0 1 7
5
0 0
| 0
|
| 0
|
| 1
De esta manera se obtiene la matriz reducida por filas que se muestra a

continuacion
1 0 3{5 | 0
0 1 7{5 | 0
0 0
0
| 1
En notacion de sistema es:
$
x ` 35 z 0
&
y 75 z 0
%
01
Note que la u
ltima igualdad es falsa, por lo que el sistema no tiene solucion.
De este modo:
S
F
Ejemplo 65
Resuelva el sistema
"
2x ` 10y ` 3z 4
x ` 6y ` 4z 2
F Soluci
on La matriz aumentada del sistema es
2 10 3 | 4
1 6 4 | 2
Al aplicar operaciones elementales a la matriz aumentada
2 10 3 | 4
1 6 4 |
F
1 6 4 | 2 1,2
2 10 3 |
1 6 4 | 2
1
1
1 6F2
2 F1 0 1 5 | 0 F
0
1 6
4 | 2
2
F 2F
4 21 0 2 5 | 0
0 11 | 2
5
1
| 0
2
De esta forma, el sistema queda reducido a:

"
x 11z 2
y ` 25 z 0
178
M
etodos num
ericos
O que es lo mismo
"
x 2 ` 11z
y
52 z
De donde se tiene que el conjunto soluci

on del sistema es:
S
"
`
x y z
*
5z
: x 2 ` 11z ^ y ^ z P R
2
(3.9)
De esta forma, el sistema tiene infinitas soluciones, una para cada valor de z. F
Ejercicios 3.2
Resuelva, con el metodo de
"
2x ` 3y 7
aq
4x 6y 2
$
& 2x ` 3y 5z
2x 3y ` z
bq
%
3x y ` z
Gauss-Jordan, los siguientes sistemas.

$
& 2x ` 6y ` 7z 0
2x ` 4y ` 5z 0
cq
%
4x ` 5y ` 7z 0
1
1
1
Regla de Cramer
Es un metodo para resolver sistemas de ecuaciones lineales cuadrados (n
ecuaciones lineales con n inc
ognitas) con solucion u
nica. El teorema 28 brinda
condiciones para determinar la existencia de la solucion del sistema.
Teorema 28
Sea A x c un sistema en notaci
on matricial tal que A es una matriz cuadrada
de tama
no n n, entonces:
Si |A| 0, el sistema tiene soluci
on u
nica.
Si |A| 0, existen dos posibilidades, a saber: el sistema lineal tiene infinitas
soluciones, o bien, el sistema lineal no tiene solucion.
La regla de Cramer es un metodo con el cual se puede determinar la solucion

de sistemas lineales cuadrados que poseen solucion u
nica.
179

Teorema 29 (Regla de Cramer)
Considerese el sistema cuadrado

x1
c1
a11 a12 a1n
a21 a22 a2n x2 c2

..
..
.. .. ..
.
.
. . .
xn
cn
an1 an2 ann

a
11 a12

a21 a22
Tal que D .
..
..
.

an1 an2

c1 a12 a1n

c2 a22 a2n
.
..
..
.
.
.
.
c
a
a
x1
n2
nn
a1n
a2n
.. 0 , entonces:
.

ann
, x2

a11

a21
.
.
.
a
n1
c1
c2
..
.
cn
a1n

a2n
..
.
ann
, . . . , xn

a11

a21
.
.
.
a
n1
a12
a22
..
.
an2
D
c1

c2
..
.
cn
Implementaci
on de la regla de Cramer en Excel
Excel cuenta con una serie de funciones matriciales que permiten realizar algunas tareas sobre matrices en la hoja de calculo. Por ejemplo, es posible calcular
determinantes, suma de matrices, productos, inversas, entre otras.
La funcion MDETERM es una funci
on matricial que recibe un rango de n filas
y n columnas de la hoja de c
alculo, y representa una matriz cuadrada de orden
n. Esta funcion retorna, en la celda que se invoca, el determinante de la matriz
seleccionada.
En el caso de que la matriz no sea cuadrada, entonces mostrara #VALOR!
como se
nal de no haber recibido el par
ametro esperado.
Ejemplo 66 (Empleo de la funci
on MDETERM )
Utilice el Excel para calcular el determinante la matriz:
2
0 3 5
3 3 3 5
A
5
2 5 3
2 4 5 15
F Soluci
on Copie en la hoja de c
alculo los datos de la matriz anterior, tal y
como se visualiza en la figura 3.5.
Introduzca en la celda F2 la expresi
on =MDETERM(A1:D4), la cual es la funcion
que calculara el determinante de la matriz A en dicha celda.
180
M
etodos num
ericos
A
1
2
3
4
2
3
5
-2
0
-3
2
4
3
3
5
5
D
5
5
-3
15
Figura 3.5: Matriz A en Excel.
As, en la casilla F2 se mostrar

a:
A
1
2
3
4
2
3
5
-2
0
-3
2
4
D E
F
5
Determinante
5
-268
-3
15
3
3
5
5
Figura 3.6: Uso de la funcion MDETERM.
F
Ejemplo 67
Realice un programa que reciba un n
umero n que representa la dimension de la
matriz cuadrada (n
umero de filas y de columnas) y una matriz de tama
no n n.
Y calcule en otra celda el determinante.
F Soluci
on Considere la siguiente plantilla en una hoja de calculo en Excel.
A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
B C D E
9
8 -8 -3
5
-7
2 -9
8 10
-2
7
6
3
1
-1 -10 -6 -4 -2
0 -6 -2
3
5
10 -9
6
5 -3
1 10 -6 -10
8
4
1
8
3 -3
0
1 -1 -10 -9
1 -6
7 -6 -4
-7
4
5 -8
6
-5
8 -8 -6
6
-7 -2 -1
9 -6
3 -3
9 -6
5
F G H
-8
2
9
1
2 -3
4 -9 -9
-5 -8 -3
-8
1 -3
-7
4 -6
1
1
9
-5
5 -10
9
8
5
-1
6 -3
1
7 10
-8
2 -5
-8
0
0
6
6 -8
I
5
-3
1
6
0
3
-1
2
1
3
-1
-6
-4
9
J
K
-8 -5
3
6
0
3
8 10
-6
4
-2
0
6
1
2 -9
-6
5
-9
4
0
3
9 -1
6
8
-8
4
L M N
-6
1
-3
1
-4 -4
5
2
4 -6
9 -5
0
0
-4
2
10 -3
-5
6
-7
6
-6
4
-1 -10
-8 -3
Figura 3.7: Uso de la funcion MDETERM.
El codigo para el evento clic del bot

on es:
O
Orden de la Matriz
Nmero entre
1 y 13
Calcular Det
Detrminante
181

Private Sub cmdCalcular Click()
Dim n As Integer
Dim Cadena As String
n = Range("O4").Value
Cadena = Range(Cells(1, 1), Cells(n, n)).Address
Range("O12").Value = "= MDETERM ("& Cadena &")"
End Sub
F
Una forma pr
actica y directa de realizar la tarea anterior es emplear las
funciones definidas en la hoja de Excel dentro del lenguaje de VB. Las funciones
como =MDETERM, =SUMA, =MIN, entre otras, pueden ser utilizadas en el lenguaje
VB sin la necesidad de emplear la hora de calculo directamente, para esto se debe
emplear la instrucci
on Application.WorksheetFunction.NombreDeLaFunci
on,
donde NombreDeLaFunci
on corresponde al nombre de la funcion que se desea
aplicar escrito en ingles.
De esta manera, el c
odigo del procedimiento del boton presentado en el programa anterior puede ser remplazado por:

Dim n As Integer
Range("O12").Value =Application.WorksheetFunction.Mdeterm
(Range(Cells(1, 1), Cells(n, n)))
End Sub
Esto ocasiona el mismo efecto, con la u

nica salvedad de que lo presente en
la celda "O12" es un n
umero y no una referencia, como s lo es en el codigo
empleado en el ejemplo 67. Con esta alternativa, si se cambia un n
umero dentro
de la matriz seleccionada, el valor del determinante no cambiara hasta que se
ejecute nuevamente el procedimiento del boton. Esta ejecucion no es necesaria
para el codigo empleado en el ejemplo 67.
Ejercicios 3.3
1. Indague sobre el metodo Address empleado en el codigo del ejemplo 67. Determine lo retornado por dicho metodo aplicado a: Cells(1,1).Address,
Cells(3,5).Address y Range(Cells(1, 1), Cells(3, 5)).Address .
2. Aplique el teorema 28 para determinar si los sistemas planteados tienen solucion
u
nica o no. En caso de tener solucion u
nica, determine mediante la regla de
Cramer.
182
M
etodos num
ericos
$
& 2x ` 3y ` 5z 1
3x 2y ` z 0
a)
%
x`yz
1
$
4
& x`y`z
2x y ` 2z 3
b)
%
x y ` 4z 0
$
x`y`z
&
2x ` 4w
c)
y
3z w
%
xz
1
3
1
2
Con base en las herramientas abordadas hasta el momento y las funciones de

Excel, es posible realizar la implementaci
on del metodo de Cramer en Excel.
Ejemplo 68
Realice un programa que sea capaz de resolver sistemas cuadrados con solucion
u
nica de hasta orden 10 utilizando la regla de Cramer.
Entrada del programa: un n

umero natural n que representa el orden de la
matriz asociada al sistema, una matriz A de tama
no n n y un vector B
de n constantes.
El programa deber
a: resolver el sistema Ax b y retornar dichas soluciones.
F Soluci
on Considere la plantilla que se muestra en la figura 3.8.
A
1
2
3
4
5
6
7
8
9
10
J K L M
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
O
1 Orden
2
3
4
5
6
7
8
9
10
Resolver
Q
x1=
x2=
x3=
x4=
x5=
x6=
x7=
x8=
x9=
x10=
Figura 3.8: Plantilla para la regla de Cramer.
y suponga que el identificador del boton es cmd Resolver, entonces para

implementar la regla de Cramer basta agregar en el evento Clic del boton el
codigo:
183

Private Sub cmd Resolver Click()
Dim n As Integer, i As Integer, j As Integer
Dim DetA As Double, DetAi As Double
Dim M As Variant, B As Variant
M = Range(Cells(1, 1), Cells(n, n))
DetA = Application.WorksheetFunction.MDeterm(M)
B = Range("N1:N"& n)
For i = 1 To n
M = Range(Cells(1, 1), Cells(n, n))
For j = 1 To n
M(j, i) = B(j, 1)
Next
DetAi = Application.WorksheetFunction.MDeterm(M)
Range("Q"& i).Value = DetAi / DetA
Next
End Sub
Finalmente, el usuario ingresar

a los datos para resolver el sistema que desee. F
Resoluci
on de sistema por matrices inversas
Definici
on 36 (Matriz inversa)
Sea A una matriz cuadrada de orden n tal que detpAq 0, entonces se define la
matriz inversa de A y se denomina A1 como la matriz que cumple:
A A1 A1 A In
Donde la matriz In es la matriz identidad de orden n.
Teorema 30
Considere el sistema Ax b, donde A es una matriz cuadrada de orden n tal
que A1 existe. Entonces, la u
nica solucion del sistema es
x A1 b
o Demostraci
on Como A1 existe, entonces se sabe que detpAq 0, y por el
teorema 28 se tiene que la soluci
on del sistema es u
nica. Se probara que x A1 b
es solucion del sistema. Para esto se procede como sigue:
Ax ApA1 bq pAA1 qb In b b
de donde se concluye que A1 b es la solucion u
nica del sistema.
De esta manera se tiene un procedimiento alternativo para determinar la

solucion de sistemas cuadrados, siempre que la matriz asociada sea invertible. Sin
embargo, el procedimiento anterior tiene el inconveniente de que para sistemas
grandes el calculo de la matriz inversa es tedioso.
184
M
etodos num
ericos
Es posible demostrar que el procedimiento de despeje directo es equivalente

al procedimiento empleado en la eliminacion de Gauss-Jordan, para sistemas
cuadrados con soluci
on u
nica, para esto basta probar que:
pA|bq pIn |A1 bq
(3.10)
siempre que A sea invertible.
Ejercicios 3.4
1. Demuestre la relaci
on que se muestra en (3.10) para el caso de un
sistema de orden 2 y de orden 3. Para esto utilice matrices elementales
para calcular A1 .
2. Resuelva por despeje los
"
2x ` 3y 2
a)
4x 5y 4
$
& 3x ` 2y ` 4z
2x ` 6y ` 7z
b)
%
9x ` 9y ` 2z
3.3.
siguientes sistemas de ecuaciones:

"
6x ` 3y 2
c)
3x y
0
$
2
& 51x ` 32y 10z 0
67x ` 42y 13z 1
0
d)
%
72x 45y ` 14z 5
3
Eliminaci
on de Gauss simple
Es una variante del metodo de Gauss-Jordan que consta de dos procesos para
determinar la soluci
on real de un sistema lineal con solucion u
nica. El primer
proceso, denominado eliminaci
on hacia adelante, consiste en utilizar operaciones elementales para transformar la matriz asociada del sistema en una matriz
equivalente triangular superior. El segundo proceso, denominado sustituci
on hacia atr
as, consiste en ir determinando las soluciones del sistema desde la u
ltima
ecuacion hasta la primera, con sustituciones sucesivas.
El metodo se describir
a con mayor detalle a continuacion. Considere el sistema
de n ecuaciones lineales con n inc
ognitas que se presenta en (3.11):
$
a11 x1 ` a12 x2 ` ` a1n xn b1
& a21 x1 ` a22 x2 ` ` a2n xn b2

..
%
an1 x1 ` an2 x2 ` ` ann xn bn
(3.11)
La primera fase consiste e ir eliminando incognitas de manera que el sistema

original quede reducido a un sistema triangular superior. Para esto se procede de
la siguiente manera:
185

Eliminaci
on hacia adelante: proceso de triangulacion:
De la matriz aumentada del sistema (3.11) se debe eliminar la variable x1

de todas las ecuaciones, excepto la primera.
a11 a12 a13 . . . a1n | b1

a21 a22 a23 . . . a2n | b2
a31 a32 a33 . . . a3n | b3

(3.12)
..
..
..
..
..
..
.
.
.
.
.
| .
an1 an2 an3 . . . ann | bn
i1
Para realizar la eliminaci
on se aplica la operacion elemental F i aa11
F1
para i 2 . . . n a la matriz aumentada del sistema (3.12). Este proceso
eliminar
a la variable x1 de todas las ecuaciones del sistema, con excepcion
de la ecuaci
on 1. Esto da como resultado la matriz equivalente:
a11 a12 a13 . . . a1n | b1

1
1
1
0 a1
22 a23 . . . a2n | b2
1
1
1
1
0 a
32 a33 . . . a3n | b3
(3.13)
..
..
..
..
..
.
.
.
.
.
.
.
| .
1
1
1
0 an2 an3 . . . ann | b1n
ai1
ai1
a1j y b1i bi
b1 . La fila que no cambia y que
a11
a11
es tomada como referencia para realizar los cambios a las demas filas se
denomina fila pivote; en este caso, la fila pivote es la fila 1.
donde: a1ij aij
Seguidamente se debe repetir el proceso anterior, pero es necesario eliminar la variable x2 desde la ecuaci
on 3 hasta la ecuacion n. Tomando la fila
2 como la fila pivote, continua el proceso de aplicar la operacion elemena1
tal F i a1i2 F2 para i 3, 4, 5, . . . , n, a la matriz (3.13), la cual da como
22
resultado la matriz equivalente:
a11 a12 a13

1
0 a1
22 a23
0
0 a233
..
..
..
.
.
.
2
0
0 an3
donde: a2ij a1ij
. . . a1n
. . . a12n
. . . a23n
..
..
.
.
2
. . . ann
| b1
| b12
| b23
.
| ..
(3.14)
| b2n
1
a1i2 1
2 b1 ai2 b1 .
a
y
b
i
i
a122 2j
a122 2
Al realizar el proceso anterior n3 veces mas se logra triangulizar la matriz

aumentada del sistema original, lo cual da como resultado, despues del
proceso completo, la matriz equivalente:
186
M
etodos num
ericos
a11 a12 a13

0 a122 a123
0
0 a233
0
0
0
..
.
..
..
.
.
0
0
0
0
a14
a124
a234
a3
44
..
.
...
...
...
...
..
.
a1,n1
a2,n1
a3,n1
a4,n1
..
.
a1n
a12n
a23n
a3
4n
..
.
pn2q
pn2q
| bn1
pn1q
| bn
pn2q
. . . an1,n1 apn1qpn1q
...
pn1q
b1
b12
b23
b3
4
..
.
|
|
|
|
ann
(3.15)
De esta manera, el sistema equivalente y transformado por la etapa de

eliminacion est
a dado por:
$
a11 x1 `
&
a12 x2 `
a13 x3 `
a14 x4 `
a1pn1q xn1
à1n xn
b1
a122 x2 `
a123 x3 `
a124 x4 `
a12pn1q xn1
à12n xn
b12
a233 x3 `
a234 x4 `
a23pn1q xn1
à23n xn
b23
..
.
..
.
..
.
apn2q
x
pn1qpn1q n1
àpn2q
x
pn1qn n
bn1
pn1q
ann
xn
pn2q
pn1q
bn
En este punto ha terminado el proceso de sustitucion hacia adelante, y el

sistema ha sido expresado como un sistema triangular superior.
Sustituci
on hacia atr
as: este proceso es el encargado de buscar el valor
correspondiente de cada una de las variables; para esto se procede de la
siguiente forma:
De la ecuaci
on n del sistema triangular se puede determinar facilmente
el valor de la variable xn , as:
pn1q
xn
bn
pn1q
ann
Luego, como la ecuaci

on pn 1q tiene u
nicamente dos variables: xn y
xn1 ; y el valor de xn ya se conoce, entonces se puede determinar el
valor de la variable xn1 .
La ecuaci
on n 1 del sistema triangulizado es:
pn2q
n1
an1
x
` apn1qn
xn bn1
pn1qpn1q n1
187

al sustituir el valor de xn y despejar la variable xn1 se tiene:
pn1q
pn1q
apn1q
x
` apn1qn
pn1qpn1q n1
bn
pn2q
pn1q
ann
pn2q
bn1
pn1q
pn1q
apn1q
x
bn1 apn1qn bnpn1q
pn1qpn1q n1
ann
pn2q
bn1
xn1
pn1q
pn1q bn
apn1qn pn1q
ann
pn1q
apn1qpn1q
pn2q
xn1
pn1q
bn1 apn1qn xn
pn1q
apn1qpn1q
La ecuaci
on n 2 del sistema triangulizado posee u
nicamente tres
inc
ognitas: xn2 , xn1 y xn2 ; sin embargo, ya los valores de xn y
xn1 son conocidos, por lo que se puede determinar el valor de xn2 .
Si se contin
ua con este proceso, se puede determinar el valor de todas
las inc
ognitas y por lo tanto determinar la solucion real del sistema.
En general, se puede demostrar que:
pi1q
bi
xi
pi1q
aij
xj
ji`1
pi1q
aii
para i n 1, n 2, . . . , 1
Ejemplo 69
Considere el sistema:
$
x1
&
2x1
x
% 1
x1
x2
x2
x2
x2
` 2x3 x4
` 3x3 3x4
` x3
` 4x3 ` 3x4
8
20
2
Utilice el metodo de eliminaci

on de Gauss para resolver el sistema anterior.
F Soluci
on Considere la matriz aumentada del sistema:
1 1 2 1 | 8
2 1 3 3 | 20
1 1 1 0 | 2
1 1 4 3 |
4
188
M
etodos num
ericos
Fase 1: Eliminaci
on hacia adelante:
1 1 2 1 | 8
1 1 2 1 | 8
2 1 3 3 | 20 F 2 2F1 0 1 1 1 | 4
1 1 1 0 | 2 F 3 F1 0 2 1 1 | 6
F 4 F1
2
4 | 12
1 1 4 3 |
4
0 0
1 1 2 1 | 8
1 1 2 1
0 1 1 1 | 4
0 1 1 1
F 2F
F 2F
32 0 0
1
3 | 14 43 0 0
1
3
0 0
2
4 | 12
0 0
0 2
| 8
| 4
| 14
| 16
De donde se tiene que el sistema equivalente, finalizada la fase de eliminacion

hacia adelante, es:
$
x1 x2 ` 2x3 x4
&
x2 x3 x4
x3 ` 3x4
%
2x4
8
4
14
16
(3.16)
Fase 2: Sustituci
on hacia atr
as:
16
8
2
14 3x4
x4
x3
x2 4 ` x3 ` x4
x1 8 ` x2 2x3 ` x4
de donde se tiene que la soluciones del sistema es:
x4 8
x3 14 3 8 10
x2 4 10 ` 8 6
x1 8 6 2 10 ` 8 14
de donde
S
!`
14 6 10 8
T )
189
Ejercicios 3.5
Utilice el metodo de eliminaci
on de Gauss de dos fases, eliminacion hacia
adelante y eliminaci
on hacia atras, para resolver los sistemas:
$
& 3x ` 2y ` 4z 2
2x ` 6y ` 7z 0
1.
%
9x ` 9y ` 2z 3
$
& 51x ` 32y 10z 0
67x ` 42y 13z 1
2.
%
72x 45y ` 14z 5
$
x1 x2 ` 2x3
2
&
2x1 x2 ` 3x3 3x4 10
3.
3x1 ` x2 ` x3 ` 4x4 4
%
2x1 x2 ` 4x3 ` 2x4 0
Algoritmo 6 Proceso de eliminaci

on hacia adelante: metodo de Gauss simple
Entrada: M : Matriz aumentada de tama
no n n ` 1.
Salida: M : Matriz equivalente resultado del proceso de eliminacion hacia adelante.
1: para k 1 hasta n 1 hacer
2:
para i k ` 1 hasta n hacer
3:
tmik
4:
para j k hasta n hacer
t
5:
mij mij
mkj
mkk
6:
fin para
t
mk,n`1
7:
mi,n`1 mi,n`1
mkk
8:
fin para
9: fin para
La implementaci
on del metodo de Gauss simple requiere de la implementacion
de las dos fases: la eliminaci
on hacia adelante y la sustitucion hacia atras de la
matriz aumentada del sistema por resolver. Los pseudocodigos de las dos fases
se presentan en los algoritmos 6 y 7, respectivamente. Para el algoritmo 6, M
representa la matriz aumentada del sistema por resolver, de tama
no n n ` 1,
donde mij representa la entrada ubicada en la fila i y columna j de M .
En este mismo sentido, para el algoritmo 7, M representa la matriz de tama
no
n n ` 1 que resulta de aplicar el algoritmo 6 a la matriz aumentada del sistema;
mij representa la entrada ij de la matriz M ; as mismo, X es el vector de solucion
190
M
etodos num
ericos
del sistema de tama

no n, donde xj representa la entrada j del vector X.
Algoritmo 7 Proceso de sustituci
on hacia atras: metodo de Gauss simple
no n n ` 1 luego de pasar por el
proceso de eliminaci
on hacia adelante.
Salida: X: Vector de soluciones de tama
no n 1.
mn,n`1
1: xi
mnn
2: para i n 1 hasta 1 a pasos de 1 hacer
3:
suma mi,n`1
4:
para j i ` 1 hasta n hacer
5:
suma suma mij xj
6:
fin para
suma
7:
xi
mii
8: fin para
3.3.1.
Eliminaci
on de Gauss y las matrices elementales
Durante el proceso de eliminaci

on hacia adelante se utilizan operaciones elementales para eliminar la variable correspondiente. De esta manera, la eliminacion
gaussiana se puede lograr con el uso de las matrices elementales presentadas en
la definicion 33 (p
agina 172).
El proceso de eliminaci
on hacia adelante se puede lograr al multiplicar n 1
matrices a la matriz aumentada del sistema, donde n es el orden de la matriz asociada. Cada una de estas matrices, denominadas matrices de eliminaci
on
gaussiana, tendr
an la tarea de realizar una eliminacion completa de una variable;
por ejemplo, la primera matriz de eliminaci
on gaussiana eliminara la variable x1
desde la segunda hasta la n-esima ecuaci
on. As, el proceso de eliminacion hacia
adelante se puede separar en n 1 subproceso en donde cada uno corresponde
a la multiplicaci
on de una matriz de eliminaci
on gaussiana a la matriz asociada
del sistema.
Considere el sistema cuadrado con solucion u
nica Ax b dado en (3.17).
a11
a21
a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
an1 an2 an3

a1n
x1
b1
x2 b2
a2n

a3n
x3 b3
.. .. ..
..
.
. . .
ann
xn
bn
(3.17)
191

Y considere la matriz cuadrada de orden n dada por
M p1q
a21
a
11
a31
a11
..
.
an1
a11
0 0 0
1 0 0
0 1 0
.. .. . . ..
. .
. .
0 0 1
0 0 0
1 0 0
0 1 0
.. .. . . ..
. .
. .
0 0 1
a21
a
11
a31
a11
..
.
an1
a11
(3.18)
A la matriz M p1q se le denomina primera matriz de eliminaci

on gaussiana y
cumple que:
a11
0
M p1q pA|bq 0
..
.
0
donde a1ij aij
a12
a122
a132
..
.
a13
a123
a133
..
.
a1n2 a1n3
ai1
ai1
a1j y b1i bi
bi ,
a11
a11
a1n b1
a12n b12
a13n b13
..
..
..
.
.
.
1
ann b1n
(3.19)
para i 2, 3, . . . n y j 2, 3, . . . , n.
Ahora considere la matriz M p2q dada por:
M p2q
0
.
..
0
1
a132
a122
..
.
a1n2
a122
1
0 0
1
0
0 0
1 0
0
.
.. . . ..
..
. .
.
0 1
0
0
1
a132
a122
..
.
a1n2
a122
0 0
0 0
1 0
.. . . ..
. .
.
0 1
Para la cual se cumple que:
a11 a12 a13

1
0 a1
22 a23
0 a233
M p2q M p1q pA|bq 0
..
..
..
.
.
.
0
0 a2n3
donde a2ij a1ij
1
a1i2 1
2 b1 ai2 b1 ,
a
y
b
i
i
a122 2j
a122 i
a1n b1
a12n b12
a23n b23
..
..
..
.
.
.
2
ann b2n
para i 3, 4, . . . n y j 3, 4, . . . , n.
Con el mismo razonamiento se tiene que la kesima matriz de eliminacion
192
M
etodos num
ericos
gaussiana esta dada por
pkq
1
0
.
.
.
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
..
.
..
.
..
.
pk1q
ank
pk1q
akk
pk1q
apk`1qk
apk`2qk
pk1q
akk
pk1q
..
.
..
pk1q
akk
..
0
0
..
para k 1, 2, 3, . . . n 1.
Para estas matrices de eliminaci
on se cumple que:
a11 a12 a13

0 a122 a123
0 a233
M pn1q M p2q M p1q pA|bq 0
..
..
..
.
.
.
0
0
0
..
.
a1n
a12n
a23n
..
.
pn1q
ann
b1
b12
b23
..
.
(3.20)
pn1q
bn
De esta forma, el proceso de eliminacion hacia adelante se obtiene al premultiplicar n 1 matrices de eliminaci
on a la matriz aumentada del sistema.
Ejemplo 70
Utilice la eliminaci
on gaussiana con eliminacion hacia adelante y sustitucion hacia
atras para resolver el sistema
$
4x
&
2x
3x
%
2x
5y ` 3z ` 5w 2
4y ` z ` w 0
3y 2z 4w 1
3y
3w 1
Utilice matrices elementales para realizar el proceso de eliminacion hacia adelante.
F Soluci
on
La notacion matricial del sistema est
a dado por:
193

4
5
3
5
x
2
2 4 1
y 0
1

3
3 2 4 z 1
2 3 0 3
w
1
Donde la matriz aumentada ser

a:
4
2
pA|bq
3
2
5
3
5
2
4 1
1
0
3 2 4 1
3 0 3 1
De esta forma se tiene que la primera matriz de transformacion es:
2
4
M p1q 3
4
2
4

1
0 0 0
1 0 0 12
0 1 0 34
0 0 1
12
0 0 0
1 0 0
0 1 0
0 0 1
De donde se tiene que
4
0
M p1q pA|bq
0
5
23
34
0 11
2
5
2
17
4
32
7
2
31
4
11
2
As, la segunda matriz de eliminaci

on es
1
0
0 0
1
0
0
1
0 0 0
3{4
M p2q
1
0
0 12
3{2
0 11
0 11{2
0 1
3
3{2
As,
4 5
0 3
2
M p2q M p1q pA|bq

0 0
0
5
2
11
2
32
3
2
1
12
2
0 0
0 0
1 0
0 1
7
2
19
2
55
3
Ahora se tiene que la tercera matriz de eliminacion es:

1 0
0
0
1 0
0
0 1

0
0
0
1
0
M p3q 0 0
1
0
0 0
1
64
0
0
0 0 32{3
1
33
11{2
2
1
1
17
3
0
0
0
1
194
M
etodos num
ericos
De este modo,
4 5
0 3
2
M p3q M p2q M p1q pA|bq

0
0
0 0
5
2
11
2
De esta forma se tiene que el sistema original es

$
4x ` 5y ` 3z ` 5w
5
7
3
y `
z `
w
&
2
2
2
11
19
z
w
2
2
%
w
11
2
1
1
41
11
7
2
19
2
1
11
equivalente al sistema:
41
11
Al realizar el proceso de sustituci

on hacia atras se tiene que:
1
41
w
11
11
w 41
11
19
11
19
z w 1 z
p41q 1 z 71
2
2
2
2
3
5
7
3
5
7
y ` z ` w 1 y ` p71q ` p41q 1 y 22
2
2
2
2
2
2
4x ` 5y ` 3z ` 5w 2 4x ` 5p22q ` 3p71q ` 5p41q 2 x 29
De donde se tiene que:
S
!`
T )
29 22 71 41
F
Ejemplo 71
Aplique el metodo de eliminaci
on gaussiana con eliminacion hacia adelante y
sustitucion hacia atr
as para calcular la solucion del sistema:
$
x 2y ` 3z
2
&
4y ` 5z 2w 1
3y 4z ` w 3
%
x
y
` 2z ` 2w 2
Use las matrices elementales de eliminaci
on durante la eliminacion hacia adelante.
195

F Soluci
on La matriz aumentada del sistema es:
1 2 3
0
2
0 4 5 2 1
0 3 4 1 3
1 1 2
2
2
As, la primera matriz de eliminaci

on
0
M p1q
0
1
es:
0
1
0
0
0
0
1
0
0
0
0
1
Por lo tanto se tiene que:
1 2 3
0
2
0 4 5 2 1
M p1q pA|bq
0 3 4 1 3
0 1 1 2
0
De esta forma, la segunda matriz de eliminacion es:
1 0 0 0
0 1 0 0
M p2q
0 43 1 0
0
0 1
1
4
As, se tiene que:
1 2
0 4
M p2q M p1q pA|bq

0 0
3
5
0
2
1
4
1
4
1
2
3
2
Finalmente se tiene que la tercera matriz de
1 0 0
0 1 0
M p3q
0 0 1
0 0 1
2
1
9
4
1
4
eliminacion es:
0
0
0
1
de donde se tiene que

1 2
0 4
M p3q M p2q M p1q pA|bq

0 0
0 0
3
5
0
2
1
4
1
2
2
1
9
4
2
196
M
etodos num
ericos
Finalmente, el sistema triangular superior obtenido del proceso de eliminacion

corresponde a:
$
x 2y `
&
4y `
3z
2
5z 2w 1
1
9
1
4 z 2w
4
w 2
Al aplicar el proceso de sustituci

on hacia atras se tiene que:
w 2
1
9
1
1
9
1
z w
z p2q
z 13
4
2
4
4
2
4
4y ` 5z 2w 1 4y ` 5p13q 2p2q 1 y 17
x 2y ` 3z 2 x 2p17q ` 3p13q 2 x 3
As, el conjunto soluci
on del sistema anterior es:
S
!`
3 17 13 2
T )
Ejercicios 3.6
1. Utilice el metodo de eliminaci
on de Gauss de dos fases, eliminacion
hacia adelante y eliminaci
on hacia atras, para resolver los siguientes
sistemas de ecuaciones. Utilice las matrices elementales para realizar el
procedimiento de eliminaci
on:
$
4x 4y 4z 3w
3
&
4x ` 2y 5z 5w 1
a)
x 2y 4z
3
%
3x ` 3y ` 5z ` 2w
2
$
4x ` 3y ` 5z ` 4w
0
&
x ` y 5z 2
b)
3x z 3w
1
%
2x ` 2y ` 3z ` 2w
2
2. Resuelva, mediante la eliminaci
on gaussiana simple, utilizando matrices elementales para realizar el proceso de eliminacion hacia adelante.
197
Apoyese en Excel para el calculo numerico de las multiplicaciones de

matrices.
$
4x ` y 3w ` s
3
5x ` y 2z ` 2w s
2
&
3x 3y ` 4z 4w ` 2s
3
a)
4y
4z
3w
4s
%
3x ` 2y 3z ` 2w 4s
2
$
3x ` 3y ` w ` 2s
0
& 4x ` y 4z 5w ` 2s 2
3y 4z ` 3w ` 3s
1
b)
x
`
4y
`
2z
3w
%
3x ` 3y ` 4z ` s
1
La fase de eliminaci
on hacia adelante puede ser implementada con el uso de
matrices elementales; para esto es necesario tener disponible una funcion que
realice la multiplicaci
on de matrices, la cual esta a disposicion en Excel. Si M es
la matriz aumentada del sistema por resolver, entonces el algoritmo 8 realiza la
fase de eliminaci
on hacia adelante por medio de las matrices elementales.
Algoritmo 8 Proceso de eliminaci
on hacia adelante: metodo de Gauss simple
no n n ` 1.
Salida: M : Matriz equivalente resultado del proceso de eliminacion hacia adelante.
1: para j 1 hasta n hacer
2:
E In
3:
para i j ` 1 hasta n hacer
mij
4:
eij
'Donde mij y eij representa la entrada ij de M y E
mjj
'respectivamente.
5:
fin para
6:
M E M
7: fin para
La instrucci
on de la lnea 6 del algoritmo 8 en Excel se logra por medio del
codigo M = Application.WorksheetFunction.MMult(E, M).
Es importante mencionar que la implementacion de la fase de eliminacion
hacia adelante que muestra el algoritmo de 6 es mas eficiente que la mostrada en
el algoritmo 8, a pesar de que en esta segunda implementacion solo se observan dos
ciclos para, en comparaci
on con el algoritmo 6, que muestra tres de estos ciclos.
Esto se debe a que la multiplicaci
on de matrices es computacionalmente costosa
198
M
etodos num
ericos
lo que puede ocasionar retrasos durante el manejo de matrices relativamente,

grandes.
3.3.2.
Implementaci
on en lenguaje V.B.
Se creara una plantilla en una hoja de Excel, tal y como se muestra en la

siguiente imagen:
A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
O
x1=
x2=
x3=
x4=
x5=
x6=
x7=
x8=
x9=
x10=
x11=
x12=
x13=
x14=
x15=
Q
Orden
5
OK
Figura 3.9: Metodos de eliminacion de Gauss.
Nombre al bot
on OK con el identificador cmd OK y coloque el siguiente codigo
en el evento clic del bot
on.
Dim n As Integer, i As Integer, j As Integer, k As Integer
Dim Factor As Double
Dim M As Variant
Dim suma As Double
####### Cargar lo datos de la matriz en la variable M #######
n = Range("Q2").Value
M=Range(Cells(1,1), Cells(n,n+1))
1
####### Triangulizar la matriz #######

####### Eliminaci
on hacia adelante #######
For k = 1 To n - 1
For i = k + 1 To n
Factor = M(i, k) / M(k, k)
For j = k To n
M(i, j) = M(i, j) - Factor * M(k, j)
Next
M(i, n + 1) = M(i, n + 1) - Factor * M(k, n + 1)
Next
Next
1
1
199

####### Sustituci
on hacia atr
as #######
X(n,1) = M(n, n + 1) / M(n, n)
For i = n - 1 To 1 step -1
suma = M(i, n + 1)
For j = i + 1 To n
suma = suma - M(i, j) * X(j,1)
Next
X(i,1) = suma / M(i, i)
Next
1
####### Impresi
on de datos #######
Range("P1:P15") = X
Range(Cells(16, 1), Cells(15 + n, n + 1)) = M
End Sub
1
3.3.3.
Limitaciones del m
etodo de eliminaci
on
Divisi
on por cero
Durante la fase de eliminaci
on hacia adelante pueden presentarse problemas
de division por cero. Este inconveniente hace que en algunos sistemas el procedimiento se trunque bajo una excepci
on de error.
Especficamente, este problema se presenta cuando la kesima ecuacion es la
pk1q
ecuacion pivote y esta tiene el coeficiente akk
0. Es decir, cuando el coeficiente sobre la diagonal principal de la matriz asociada al sistema y correspondiente
a la ecuacion pivote (kesima ecuaci
on) posee un valor de cero. En este caso,
para el proceso de eliminaci
on de la variable xk desde la ecuacion k ` 1 hasta la
ecuacion n se debe aplicar la operaci
on elemental:
pk1q
Fi
aik
F
pk1q k
akk
para i k ` 1, k ` 2, . . . , n
pk1q
en donde se tiene que el factor
aik
pk1q
akk
pk1q
no esta definido si akk
0.
Para evitar este problema se pueden intercambiar filas de la matriz asociada,

de manera que se evite que dicho valor sobre la diagonal sea cero. Si el sistema
tiene solucion u
nica, entonces siempre es posible evadir la division por cero al
intercambiar filas de la matriz asociada.
El proceso de intercambiar filas de una matriz no rompe la equivalencia entre
las matrices y por lo tanto la equivalencia entre los sistemas de ecuaciones, ya que
esta es una operaci
on elemental entre las filas de una matriz. As, por el teorema
27 se tiene que el sistema original tiene el mismo conjunto solucion que el sistema
modificado.
200
M
etodos num
ericos
Errores de redondeo y corte

Tal y como se mencion
o en la secci
on 1.6.2, al efectuar cualquier operacion
numerica en la cual se utilice una aritmetica de punto flotante, siempre es esperable la obtenci
on de un error de aproximacion.
La division entre n
umeros cercanos a cero es uno de los factores que favorecen
la propagacion del error por redondeo o corte. Por ejemplo, si se trabaja con
redondeo a cuatro dgitos se tiene que:
5.291
fl
1764 101 17640
0.003000
Sin embargo, su valor real corresponde a:
52.91
17636.66
0.00300
As, el error absoluto cometido en el calculo anterior es de 3.33, mismo que
puede ser considerado como un error grande. El efecto puede ser catastrofico
cuando en un procedimiento aritmetico esta situacion se presenta repetidamente
y provoca una r
apida propagaci
on de los errores de redondeo o corte.
En el ejemplo 72 se pueden apreciar los efectos de la propagacion de los errores
durante la resoluci
on de un sistema de ecuaciones.
Ejemplo 72
Utilice aritmetica de redondeo a cuatro dgitos significativos para resolver el siguiente sistema:
"
0.003000x ` 59.14y 59.17
(3.21)
52.91x
6.130y 46.78
F Soluci
on Se considera la matriz aumentada del sistema por resolver:
0.003000 59.14 59.17

5.291
6.130 46.78
Fase de eliminaci
on hacia adelante: recuerde que se utilizara la aritmetica
del punto flotante con redondeo al cuarto dgito significativo.
5.291
0.003000
59.14
59.17
0.003000 59.14 59.17
F2
F1
0.001
104300 104400
5.291
6.130 46.78
0.003000
De esta forma, el sistema resultante es equivalente, en forma aproximada, al

sistema (3.21):
"
0.003000x ` 59.14y 59.17
104300y 104400
201

Fase de sustituci
on hacia atr
as:
x
59.17 59.14y
0.003000
104400
104300
Finalmente, se tiene que:

x
59.17 59.14y
59.17 59. 20
10.0
0.003000
0.003000
104400
1. 001
104300
De donde se podra concluir que el conjunto solucion con las aproximaciones

es S tp10, 1qT u. Sin embargo, la solucion real del sistema anterior es:
S tp10, 1qT u
note que la aproximaci
on de x falla por 20 unidades, con lo cual se comente
un error considerable. que proviene de haber realizado la division por un valor
cercano a cero; esto gener
o un error en la fase de eliminacion hacia adelante, que
luego se propag
o en la fase de sustituci
on hacia atras.
F
Esta claro que la precisi
on de una computadora es mucho mayor que la empleada en el ejercicio anterior; sin embargo, lo que se quiere mostrar con dicho
ejemplo es que cuando se realizan divisiones en las cuales el divisor es cercano a
cero se puede incurrir en errores de aproximacion considerables. Por esta razon,
la practica de realizar divisiones deber ser realizada con suma cautela, y no basta
con que el divisor sea diferente de cero, sino que ademas se debe garantizar que
este suficientemente lejano del cero.
3.3.4.
Pivoteo parcial
El pivoteo es un procedimiento por el cual se realiza una reduccion hacia

adelante de la matriz aumentada del sistema y al mismo tiempo se evita la aparicion de la divisi
on entre cero, lo cual reduce la propagacion de errores producto
de divisiones con divisor cercano a cero. La tecnica consiste en intercambiar la
ecuacion pivote de modo que el coeficiente de la incognita que se eliminara sea,
en valor absoluto, el mayor posible de entre todas las ecuaciones posteriores al
pivote actual. De esta forma se minimizan las divisiones por n
umeros cercanos a
cero y a su vez la divisi
on por cero.
202
M
etodos num
ericos
Ejemplo 73
Utilice pivoteo parcial para resolver el siguiente sistema:
1
4
1
1

1
x
1 1
3
3 1 3 y 2
1 1 4 z 0
1
w
4 3 1
F Soluci
on
1 1
4 3
1 1
1 4
1
3 1
4
1
1 3
2
F12
1
1 4 0
3 1 1
1
F2 14 F1
F3 ` 14 F1
F4 14 F1
4
0
0
0
4
F3
0

0
1{4
F4 13{4
F2
0
7{4
13{4 F2
1
4
7
4
13
4
5
4
3
4
13
4
2
4
3
2
0
24
1 F
0
2
9
4
13
4
7
4
13
4
13
4
3 1 3
2
1 1
3 1
1 1 4 0
4 3 1 1
1
2
3
7
4
30
13
31
13
1
2
3
13
20
13
13
4
7
4
1
4
1
13
4
3
4
5
4
4
0
1
F4 1 F3
0
0
De esta forma, el sistema queda:

$
4x ` 3y z ` 3w
13
13
7
y
`
z
4
4
& 4
3
7
4
13
4
9
4
1
2
1
2
3
2
13
4
13
4
3
7
4
30
13
1
13
1
2
3
13
17
13
2
1
2
30
w
13
3
13
1
w
13
17
13
De donde al aplicar la fase de sustitucion hacia atras se tiene como conjunto

solucion:
`
T
S t 59 48 39 17 u
F
En particular, en el ejercicio anterior no requiere obligatoriamente del pivoteo
parcial; sin embargo, la aplicaci
on del pivoteo ayuda a la no propagacion de los
203
errores cometidos por truncamiento o redondeo en sistemas grandes. En este caso,

se trabajo todo el procedimiento en forma exacta.
Ejemplo 74
Resuelva el sistema del ejemplo 72 mediante pivoteo parcial. Utilice aritmetica
de redondeo a cuatro dgitos significativos.
"
0.003000x ` 59.14y 59.17
(3.22)
52.91x
6.130y 46.78
F Soluci
on
En el primer paso se intercambiar
an las dos filas, ya que es mejor pivote la
fila dos, pues 5.291 es mayor que 0.003.
0.003 59.14 59.17

5. 291
6. 130 46. 78
F12
5.291 6.130 46.78
0.003000 59. 14 59. 17
0.003000
5. 291 6. 13 46. 78
F2
F1
0.000 59. 14 59. 14
5.291
As, el sistema es:

"
5.291x 6.13y 46.78

59.14y 59.14
Al aplicar la sutituci
on hacia atr
as se tiene que:
59.14y 59.14 y 1
5.291x 6.13y 46.78 5.291x 6.13 46.78
5.291x 46.78 ` 6.13
5.291x 52. 91
52. 91
10.0
x
5.291
`
T
S t 10 1 u
F
Vale la pena realizar la comparaci

on entre los resultados obtenidos en los
ejemplos 72 y 74.
En el ejemplo 72 se efect
uo el procedimiento de eliminacion de Gauss sin pi`
T
voteo, en el cual se obtiene la soluci
on 10 1 , mientras que en el ejemplo 74
204
M
etodos num
ericos
se resuelve el mismo sistema mediante el pivoteo parcial para mitigar la propaga`

T
cion del error. En este u
ltimo se consigue la solucion 10 1 , que es la solucion
exacta del sistema.
Estos dos ejemplos evidencian la importancia que tiene la implementacion del
pivoteo durante la fase de eliminaci
on hacia adelante.
Ejercicios 3.7
1. Resuelva los siguientes sistemas mediante eliminacion gaussiana con pivoteo
parcial. Se
nale los pasos en los cuales se realiza el pivoteo.
$
$
& 4x ` y z 2
& 2x 6y z 38
5x ` y ` 2z 4
3x y ` 7z 34
a)
b)
%
%
6x ` y ` z 6
8x ` y 2z 20
2. Resuelva el sistema
$
&
x`yz
6x ` 2y ` 2z
%
3x ` 4y ` z
3
2
1
con a) eliminaci
on de Gauss simple. b) eliminaicion de Gauss con pivoteo parcial.
c) eliminaci
on de Gauss-Jordan. d) regla de Cramer.
C
odigo para implementar el pivoteo parcial
El siguiente c
odigo corresponde a la implementacion del pivoteo parcial en
el metodo de eliminaci
on gaussiana. Este codigo no es eficiente porque realiza
el pivoteo en forma fsica, al intercambiar las filas correspondientes entrada por
entrada, lo cual es computacionalmente caro desde el punto de vista de tiempo
de ejecucion.
####### PIVOTEO PARCIAL #######
k corresponde al n
umero de fila pivote, n el filas del sistema
1
y M la matriz aumentada del sistema.
Private Sub Pivoteo(k As Integer, n As Integer, ByRef M As Variant)
Dim p As Integer
Dim ii As Integer, jj As Integer
Dim Temp As Double
Dim Mayor As Double
p = k
Mayor = Abs(M(k, k))
1
For ii = k + 1 To n
Busca la mejor fila pivote
Temp = Abs(M(ii, k))
If Temp >Mayor Then
Mayor = Temp
p = ii
End If
Next
1
1
205
1
If p <> k Then
Si el mejor pivote no es el pivote actual
1
For jj = k To n
Hace el intercambio de filas
Temp = M(p, jj)
M(p, jj) = M(k, jj)
M(k, jj) = Temp
Next
Temp = M(p, n + 1)
M(p, n + 1) = M(k, n + 1)
M(k, n + 1) = Temp
End If
End Sub
En el codigo anterior, la instrucci

on que declara el procedimiento de pivoteo
es la siguiente:
Private Sub Pivoteo(k As Integer, n As Integer, ByRef M As Variant)
.
.
.
End Sub
Los procedimientos son secciones de codigo que tienen la tarea de realizar una
accion; en el caso anterior, realizar el pivoteo parcial. Para invocar un procedimiento basta invocarlo con el identificador y enviarle los parametros requeridos.
En este caso:
k: la fila pivote
n: la dimensi
on del sistema
M: la matriz aumentada del sistema.
Se puede notar que al nombre de la matriz se antepone la instruccion ByRef,
lo cual indica que la matriz enviada va como referencia, es decir, que sea la
la misma matriz recibida y cualquier cambio de esta dentro del procedimiento
afecta a la matriz original. Si en lugar de ByRef se escribe ByVal, entonces se
enva una copia de la matriz, por lo que cualquier cambio realizado a esta dentro
del procedimiento no cambia la matriz original. Al final del procedimiento, dicha
copia es destruida.
Para implementar la eliminaci
on de Gauss con pivoteo parcial basta realizar
un peque
no cambio al procedimiento original. Una vez definido el procedimiento
pivoteo, se modifica la instrucci
on original de la siguiente manera:
206
M
etodos num
ericos
####### Triangulizar la matriz #######
####### Eliminaci
on hacia adelante #######
For k = 1 To n - 1
pivoteo k, n, M 1 Se invoca el procedimiento de pivoteo
For i = k + 1 To n
Factor = M(i, k) / M(k, k)
For j = k To n
M(i, j) = M(i, j) - Factor * M(k, j)
Next
M(i, n + 1) = M(i, n + 1) - Factor * M(k, n + 1)
Next
Next
1
1
Variante para implementar el pivoteo parcial eficientemente

Como se ha mencionado, el pivoteo implementado en el codigo que se muestra
anteriormente es ineficiente, debido a que realiza un cambio de filas de la matriz
en forma fsica. Es decir, realmente se est
a realizando el intercambio de filas.
Es posible realizar un cambio de filas sin la necesidad de realmente hacerlo?
La respuesta es s. Es posible realizar una implementacion del pivoteo parcial sin
la necesidad de realizar un intercambio fsico de las filas de la matriz.
Para esto considere la matriz A de tama
no n n definida como un arreglo
en el lenguaje VBA de Excel. Tambien considere el vector de posiciones p de
tama
no n definido como un arreglo en el lenguaje VBA para Excel.
`
Originalmente, el vector p se define como p 1 2 3 n ; de esta

forma, si B EFij A, entonces en lugar de realizar el cambio fsico de las filas
de A para obtener B basta asignar ppiq j y ppjq i en el vector de posiciones.
As, para referirse a la fila i de la matriz B basta referirse a la fila ppiq de A. De
este modo, si se desea determinar la entrada ik de la matriz B basta saber que
se cumple lo siguiente:
Bpi, kq Apppiq, kq
Ejemplo 75
Considere
1
2
A
3
4
1
2
3
4
1
2
3
4
1
`
2
y p 1 2 3 4
3
4
Considere la matriz B que resulta de intercambiar las filas 1 con la fila 4 y la fila
207

2 con la fila 3. De esta forma:
4
3
B
2
1
4
3
2
1
4
3
2
1
4
3
2
1
En este caso, para evitar realizar el cambio fsico

` para obtener
las entradas de la
matriz B basta modificar el vector p por p 4 3 2 1 . As, la fila 2 de la
matriz B corresponde a la fila pp2q de la matriz A, donde pp2q 3.
Por lo que en lugar del obtener la matriz B se puede trabajar con la matriz
Appq. Esto es:
Bpi, jq Apppiq, jq @i, j P t1, 2, 3, 4u
Ejercicios 3.8
Realice la implementaci
on eficiente del pivoteo parcial en la etapa de eliminacion hacia adelante, para mejorar el metodo de eliminacion de Gauss.
3.4.
Descomposici
on LU de una matriz
Sea A una matriz cuadrada de orden n, en algunas ocasiones es posible expresar A como la multiplicaci
on de una matriz L triangular inferior con unos
en la diagonal principal y una matriz U triangular superior. Si esto es posible,
se dice que A posee factorizaci
on LU . El siguiente teorema brinda condiciones
suficientes para garantizar la existencia de la factorizacion LU de una matriz A.
Nota: se dir
a que una matriz cuadrada A es singular si detpAq 0. En caso
contrario, se dir
a que A es no singular.
Teorema 31 (Existencia de la factorizaci
on LU )
Sea A una matriz cuadrada de orden n. Si el sistema de ecuaciones lineales Ax b
se le puede aplicar la eliminaci
on gaussiana sin la necesidad de emplear pivoteo
parcial, entonces A tiene descomposici
on LU . Ademas, si A es una matriz no
singular (det A 0), entonce la factorizacion LU de A es u
nica.
o Demostraci
on
Existencia: al sistema Ax b con A de tama
no n n se le puede aplicar la
eliminaci
on gaussiana sin la necesidad del pivoteo parcial, entonces existen
208
M
etodos num
ericos
matrices elementales M p1q , M p2q , . . . , M pn1q tales que:
M pn1q M p2q M p1q A
es una matriz triangular superior. Defina las matrices L y U como:
M pn1q M p2q M p1q A
1
L
M pn1q M p2q M p1q

U L1 A LU A
As, A LU , donde L es triangular inferior con unos en la diagonal, pues
es la inversa de un producto de matrices triangulares inferiores con unos en
la diagonal.
Unicidad: suponga que A L1 U1 L2 U2 tal que det A 0; de este modo,
detpL1 q detpU1 q 0 y detpL2 q detpU2 q 0, de donde se deduce que cada una
de estas matrices posee determinante no nulo y por lo tanto es invertible.
De este modo:
1
L1 U1 L2 U2 L1
2 L1 U2 U1
De algebra lineal se sabe que L2 L1
es una matriz triangular inferior
1
con unos en la diagonal; de igual forma, U2 U11 es una matriz triangular
1
superior. Entonces la u
nica forma de que se cumpla que L1
2 L1 U2 U1
1
1
es que L2 L1 I y U2 U1 I, de donde se deduce que:
U1 U2
L1 L2
As queda demostrada la unicidad de la descomposicion LU .
En caso de que la matriz A sea singular (det A 0), entonces no se puede

garantizar la existencia ni la unicidad de la factorizacion LU de A; en particular,
de existir dicha factorizaci
on, esta podra no ser u
nica.
Si A es una matriz no singular tal que A LU , entonces mediante esta
factorizacion se simplifican las siguientes tareas:
Resolver sistemas de la forma Ax b.
Determinar A1 .
Calcular detpAq.
Los calculos de sistemas, matrices inversas y determinante son computacionalmente mas eficientes si se utiliza la descomposicion LU de la matriz. Debido
a esta particularidad es tan importante esta factorizacion.
209
3.4.1.
M
etodo de factorizaci
on LU
La demostraci
on del teorema 31 establece un metodo para calcular las matrices L y U para una matriz A; sin embargo, el calculo de la matriz L no se
visualiza sencillo en dicha demostraci
on. En la presente seccion se establece un
metodo alternativo que permite calcular L de una forma simple durante el proceso
de eliminacion gaussiana. Este proceso se desarrolla a continuacion.
Sea A una matriz dada por:
a11
a21
A a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
an1 an2 an3
a1n
a2n
a3n
..
..
.
.
ann
si A admite descomposici
on LU , entonces se tiene que existen matrices
a11 a12 a13

0 a122 a123
0 a233
U 0
..
..
..
.
.
.
0
0
0
..
.
a1n
a12n
a23n
..
.
1
f21
L f31
..
.
pn1q
0
1
f32
..
.
0
0
1
..
.
fn1 fn2 fn3
ann
0
0
. . ..
. .
1
donde U es la matriz triangular superior que produce la eliminacion hacia adelante de la eliminaci
on gaussiana simple estudiada en la seccion 3.3. La matriz L
se puede calcular, alternativamente, durante el proceso de eliminacion mediante
el uso de los factores empleados en las operaciones elementales del proceso de
eliminacion.
Suponga que a A se le puede realizar el proceso de eliminacion hacia adelante
sin la necesidad del pivoteo parcial. Al aplicar la eliminacion de Gauss simple con
la fila 1 como la fila pivote, se aplica la operacion sobre las filas
ai1
Fi
F1
a11
con i 2, 3, 4, . . . , n. Defina fi1
a11
0
p1
U
0
..
.
0
a12
a122
a132
..
.
a13
a123
a133
..
.
a1n2 a1n3
ai1
.
a11
a1n
a12n
a13n
..
..
.
.
1
ann
1 0 0
f21 1 0
p1
L
f31 0 1
..
.. .. . .
.
.
. .
fn1 0 0
0
0
..
.
1
210
M
etodos num
ericos
Al tomar la fila dos como pivote se aplica la operacion elemental

a1
F i 1i2 F2
a
22
1
a
con i 3, 4, 5, . . . , n. Defina fi2 1i2
a22
a11 a12 a13 a14

0 a122 a123 a124
0
0 a233 a234
p2
U
0
0 a243 a244
.
..
..
..
..
.
.
.
0
0 a2n3 a2n4
a1n
a12n
a23n
a24n
..
.
..
.
1
f21
f31
p2
L
f41
.
..
a2nn
fn1
0 0 0
1 0 0
f32 1 0
f42 0 1
..
.. .. . .
.
.
. .
fn2 0 0
0
0
..
.
Se repite el proceso, al tomar la tercera fila como pivote y aplicar la operacion

elemental:
a2
F i a2i3 F3
a
33
a2i3
con i 4, 5, 6, . . . , n. Defina fi3 2 .
a33
a11 a12 a13 a14

0 a122 a123 a124
0
0 a233 a234
p3
U
0
0
0 a3
44
.
.
.
..
.
.
.
.
.
.
.
3
0
0
0 an4
a1n
a12n
a23n
a3
4n
..
.
3
ann
Al realizar lo anterior n 1 veces se
a11 a12
0 a122
0
0
pn1
U U
0
0
..
..
.
.
0
p n1
LL
0
1
f32
f42
..
.
fn1 fn2
tiene que:
a13
a123
a233
0
..
.
a14
a124
a234
a3
44
..
.
1
f21
f31
f
41
.
..
1
f21
f31
p3
L
f41
.
..
..
.
0
1
f32
f42
..
.
0
0
1
f43
..
.
..
.
a1n
a12n
a23n
a3
4n
..
.
pn1q
ann
0
0
0
1
..
.
fn1 fn2 fn3 fn4
0
0
..
.
1
..
.
0 0
0 0
1 0
f43 1
..
.. . .
.
.
.
fn3 0
0
0
..
.
1
211

pj1q
Note que en el paso jesimo se tiene que fij
aij
pj1q
ajj
Ejemplo 76
Considere la matriz
1 1 3 1
4 5 5 2
A
1 2
4 7
3 4 6 2
Determine, en caso de ser posible, la factorizacion LU de la matriz A.
F Soluci
on
Con la fila 1 como pivote y al aplicar la operacion elemental:
ai1
Fi
F1
1
ai1
con i 2, 3, 4. Por lo cual se tiene que fi1
; de esta
1
1
1 1
3
1
4
0 1 17 2
p1
p1
y
L
U
1
0 3
1
6
3
0 1 3 1
forma se tiene:
0 0 0
1 0 0
0 1 0
0 0 1

ai2
Fi
F2
1
ai2
; de esta forma
con i 3, 4. Por lo cual se tiene que fi2
1
1 0
1 1
3
1
0 1 17 2
4 1
p2
p2
y
L
U
1 3
0 0 50 0
0 0
14
1
3 1
se tiene:
0
0
1
0
0
0
0
1

14
F3
F3
50
14
7
con i 3, 4. Por lo cual se tiene que f43
; de esta forma se tiene:

50
25
1 1
3
1
1 0
0 0
0 0
p3 0 1 17 2
p 3 4 1
U U
y
L
L
0 0 50 0
1 3 1 0
0 0
0
1
3 1 7
1
25
212
M
etodos num
ericos
As, la descomposici
on LU de la matriz A es:
ALU
Ejercicios 3.9
Realice la descomposici
on LU de las siguientes matrices.
3 4
2
3 1 1
1 2
0
1. 18 18 5
4.
1 0
12
2
8
2
0
0 1
2
4
2
2 1 1
4
10
8
2. 3 3 9
5.
6 10 1
3 3 5
8
22 26
1
2 3
1
1
0
3
4 11 10
4
2
1
1
1
2 13
6.
3.
1 4 2
3 1 1 2
1 2
3 1
3 12 13
0
0
1
1
1
5
2
20
4 2
19 7
8 5
12 14
26 13
La implementaci
on de la factorizaci
on LU de una matriz A, no singular,
puede hacerse al seguir la gua del procedimiento anterior en la presente seccion.
El algoritmo 9 muestra el pseudoc
odigo que permite la obtencion de la matriz L
y la matriz U para A, donde aij y lij representan las entradas que se encuentran
en la fila i y columna j de la matriz A y L, respectivamente.
213
Algoritmo 9 Factorizaci
on LU de una matriz A cuadrada de orden n.
Entrada: A: matriz cuadrada de orden n.
Salida: Matrices L y U tal que A LU .
1: LIn
2: para k 1 hasta n hacer
3:
para i k ` 1 hasta n hacer
aik
4:
lik
akk
5:
aik 0
6:
para j k ` 1 hasta n hacer
7:
aij aij ` lik akj
8:
fin para
9:
fin para
10: fin para
11: U A
3.4.2.
Implementaci
on de la factorizaci
on LU
Dada una matriz M para calcular la descomposicion LU sin pivoteo se ejecuta

el siguiente procedimiento, el cual recibe la matriz M , U , L y el orden n de M ,
donde L In y U On , la cual representa la matriz cuadrada nula de orden n.
####### Factorizaci
on LU #######
Private Sub Descomponer(ByRef M As Variant, n As Integer,
ByRef L As Variant, ByRef U As Variant)
Dim i As Integer, j As Integer, k As Integer
For k = 1 To n
For i = k + 1 To n
L(i, k) = A(i, k) / A(k, k)
A(i, k) = 0
For j = k + 1 To n
A(i, j) = A(i, j) - L(i, k) * A(k, j)
Next
Next
Next
U = A
End Sub
1
Al finalizar la ejecuci
on se tiene la factorizacion LU de la matriz A. La implementacion completa en Excel se muestra a continuacion:
Considere la plantilla de Excel que se muestra en la figura 3.10
214
M
etodos num
ericos
A
1
2
3
4
5
15
16
17
18
19
20
30
AD
Orden
A
L
Factorizar
Figura 3.10: Plantilla para la factorizacion LU de una matriz A.
Suponga que el nombre del bot

on es cmd OK. Agregue el siguiente codigo en
la modulo de la hoja correspondiente a la plantilla.
Private Sub Factorizar(ByRef A As Variant,
n As Integer, ByRef L As Variant,
ByRef U As Variant)
1 ####### Descomposici
on LU #######
For k = 1 To n
For i = k + 1 To n
L(i, k) = A(i, k) / A(k, k)
A(i, k) = 0
For j = k + 1 To n
A(i,j) = A(i,j)-L(i, k) * A(k,j)
Next
Next
Next
U = A
End Sub

1 ###### Procedimiento principal ######
Dim n As Integer, i As Integer
Dim j As Integer, A As Variant
Dim L As Variant, U As Variant
1 ####### Cargar la matriz A #######
n = Range("Q2").Value
A=Range(Cells(1,1),Cells(n,n))
Range(Cells(16,1),Cells(30,15)).
ClearContents
ClearContents
L=Range(Cells(16,1),Cells(15+n,n))
For i = 1 To n
L(i, i) = 1
Next
1 ####### Llama a Factorizar #######
Factorizar A, n, L, U
1 ####### Imprime la matriz L #######
Range(Cells(16, 1), Cells(15 + n, n))=L
1 ####### Imprime la matriz U #######
Range(Cells(16, 16), Cells(15 + n,
15+n))=U
End Sub
En las secciones de c
odigo presentadas anteriormente para la factorizacion LU
de una matriz, la instrucci
on Range(Cells(a,b),Cells(c,d)).ClearContents
borra el contenido comprendido entre las celdas indicadas, pero mantienen el
formato, como color de fondo, color y tipo de fuente, bordes, entre otros.
Es importante mencionar que la implementacion de la descomposicion LU de
una matriz A usando pivoteo parcial brinda una factorizacion que no cumple,
necesariamente, que A LU . En el caso especfico de la utilizacion del pivoteo
parcial, se tiene la relaci
on:
A LU
215
A la factorizaci
on de una matriz A determinada mediante pivoteo parcial se
denomina P T LU , debido a la aparici
on de una matriz P denominada matriz de
permutacion, donde P se obtiene a partir de la matriz identidad intercambiando
sus filas.
3.4.3.
Descomposici
on P T LU de una matriz
Sea A una matriz cuadrada de orden n. En el caso de la necesidad de utilizar

el pivoteo parcial para realizar la eliminacion gaussiana para la matriz A, al
determinar las matrices L y U se tiene que LU A, pues durante la aplicacion
del proceso de eliminaci
on algunas filas de A cambiaron de posicion debido al
pivoteo. Sin embargo:
LU A
Donde a partir de LU se puede obtener A al intercambiar en alg
un orden las
filas de la matriz LU .
De esta forma, existe una matriz de permutacion P que corresponde a un
producto de matrices elementales de la forma EFij tal que a la matriz P A se
le puede aplicar el metodo de eliminaci
on gaussiana sin la necesidad de emplear
pivoteo parcial.
As, a la matriz P A se le puede realizar la factorizacion LU tal que:
P A LU
ademas, la matriz P es una matriz invertible, pues es producto de matrices elementales. Es posible demostrar que P 1 P T tambien es una permutacion de
las filas de la matriz identidad; de este modo se tiene que:
P A LU P 1 P A P 1 LU A P T LU
La factorizaci
on P T LU de A puede usarse para mitigar, en alguna medida,
la propagacion del error causada por el empleo de aritmetica de punto flotante
por corte o redondeo.
Ejemplo 77
Determine la factorizaci
on P T LU de la matriz.
0
0
2
2 1 3
A
6 2 12
4 3
1
1
4
14
5
F Soluci
on Se partir
a de P A; de esta forma, P se utilizara para contrarrestar
el intercambio entres las filas de la matriz. Por lo que P puede ser considerado
un registro de los intercambios entre las filas.
216
M
etodos num
ericos
1
0
PA
0
0
0 0 1
0 1 0
1 0 0
0 0 0
0 0 1
0 1 0
1 0 0
0 0 0
0 0 1
0 0 0
1 0 0
0 1 0
0 0 1
0 0 0
1 0 0
0 1 0
0 0 1
0 0 0
1 0 0
0 1 0
0
1
0
0
0
0
1
0
0
0
2
0
0 6
4
1
0
0
2
0
0 6
4
1
0
0
2
0
0 6
1
4
0
0
1
2
0 6
0
4
0
0
2
1
0 6
0
4
0
0
2
1
0 6
0
4
0
1
2
3
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
2 1
3
4
12 14
1 5
6
2 12
1 0 0 0
1
F
13
0 1 0 0 2
1 3
4

0 0 1 0 0
0
2
14
4
3
1
0 0 0 1
5
1 F2 2 F1
1
0 0 0
6 2
6 2
0 1
4
1
0
0
6
3
14 F ` 4 F 0
0 1 00
0
4 6 1
4
5
5
0
0 0 1
6
3
1
1
0 0 0
6 2 12
F24 4 1 0 0 0
5
9
4
6
3

0
0
2
0 1 00
14
1
2
0
5
0
0
1
1
6
3
1
0
0 0
6
1 F ` 1{3 F
4
1
5{3
4
0
1
0
0
4
0
0
1 00
14
1{3
2
0 1
5
0
6
5{3
1
0
0 0
6
1 F4 4{5 F1
4
2
0
1
0
0
4
0
0
1 00
14
2
1
2
1
0
5
6
5
5
14
4
1
5
12
1
2
9
14
14
2
3
1
13
3
13
3
1
2
3
12
9
2
2
5
3
0
0
2
5
3
0
0
14
13
3
4
5
12
9
2
0
1
5
14
13
3
1
3
5
As, se tiene que
0
0
P
1
0
0
0
0
1
1
0
0
0
0
1
, de donde P T P
0
0
por lo que la factorizaci

on P T LU de A es:
0
0
A
1
0
0
0
0
1
1
0
0
0
1
0
4
1 6
0 0
2
0
6
0
1
0
0
0
1
1{3
5{3
4{5
2
0
6 2 12 14
5
0
9 13
3
0 3
0 0 0
2 1
3
0 0
0
1
5
217
Ejercicios 3.10
1. Demuestre que si P es una matriz cuadrada de orden n que se consigue
al permutar las filas de la matriz In , entonces
a) P 1 P T
b) detpP q 1
2. Determine la factorizaci
on P T LU para las siguientes
0
1
2 3 1
3 1
a) 4 6 3
c)
9 2
2 4 5
6 4
3 2
0 3 2 2
3 2
1 2 1
3
d)
b)
6 6
2 1 4 1
9
4
3 3 6 2
3.4.4.
matrices:
2 2
2
0
4 2
6 7
1
4
0
6
3 8
0 11
Resolver sistemas de ecuaciones lineales mediante la descomposici

on LU
Considere el sistema Ax b tal que A LU , entonces el sistema puede

escribirse como: LU x b, denote U x como y, por lo que el sistema original
se escribe como Ly b. De este modo para resolver el sistema Ax b basta
resolver los sistemas Ly b para y y U x y para x. As el vector x, encontrado
de esta manera, es la soluci
on del sistema original.
Es usual preguntarse cu
al es la ventaja del metodo, ya que se esta cambiando
un u
nico sistema por dos. La ventaja radica en que los sistemas anteriores son
faciles de resolver, pues ambos son triangulares, por lo que se pueden resolver
mediante sustituci
on hacia adelante en el primero y sustitucion hacia atras en el
segundo.
Por otro lado, la ventaja m
as significativa de este metodo es que se basa en
la descomposici
on LU de la matriz asociada al sistema, por lo que para resolver
otro sistema de la forma Ax b1 , con b1 b no hay que trabajar mucho, pues
la descomposici
on LU de A no vara.
A continuaci
on se profundiza lo anterior con mas detalle:
Considere el sistema Ax b donde:
218
M
etodos num
ericos
a11
a21
A a31
..
.
a12
a22
a32
..
.
a1n
a2n
a3n
..
..
.
.
ann
a13
a23
a33
..
.
an1 an2 an3
x1
x2

x x3
..
.

b1
b2

b b3
..
.
xn
bn
Suponga que A tiene descomposici

on LU donde:
a11 a12 a13

0 a122 a123
0 a233
U 0
..
..
..
.
.
.
0
0
0
a1n
a12n
a23n
..
.
..
.
1
f21
L f31
..
.
pn1q
0
0
1
..
.
fn1 fn2 fn3
ann
As, el sistema Ly b
1
f21
f31
..
.
0
1
f32
..
.
0
0
. . ..
. .
1
est
a dado por:
0
1
f32
..
.
0
0
1
..
.
fn1 fn2 fn3

0
y1
b1
y2 b2
0

0
y3 b3
.
. .
. . .
. . .. ..
1
yn
bn

y1 b1
f21 y1 ` y2 b2
f31 y1 f32 y2 ` y3 b3
..
.
fn1 y1 fn2 y2 ` fn3 y3 ` ` yn bn
As, al utilizar sustituciones sucesivas se pueden determinar los valores de
y1 , y2 , y3 , . . . , yn de donde se obtiene la solucion:
`
T
y y1 y2 yn
Ahora se debe resolver el
a11 a12
0 a122
0
0
..
..
.
.
0
sistema U x y, que se presenta a continuacion:

a13
a1n
x1
y1
x2 y2
a123
a12n

a233
a23n
x3 y3
..
.. .. ..
..
.
.
. . .
0
pn1q
ann
xn
yn
219

a11 x1 ` a12 x2 ` a13 x3 ` ` a1n xn y1
a122 x2 ` a123 x3 ` ` a12n xn y2
a233 x3 ` ` a23n xn y3
..
.
apn1q
x n yn
nn
Al aplicar el proceso de sustituci

on hacia atras es posible determinar los
valores para las variables xn , xn1 , xn2 , . . . , x1 , de donde se obtiene la solucion:
`
T
x x1 x2 xn
Ejemplo 78
Considere el sistema
$
& x ` 2y ` 3z 4
5x ` y ` 3z 5
%
10x ` 11y ` 4z 1
Utilice la descomposici
on LU sin pivoteo para determinar la solucion u
nica
del sistema anterior.
F Soluci
on La descomposici
on LU de la matriz A asociada al sistema, sin
utilizar pivoteo, est
a dada por:

1 2 3
1 0 0
1 2
3
A 5 1 3 5 1 00 9 12
10 11 4
10 1 1
0 0 14
Ahora se debe resolver el sistema Ly b que esta dado por:

1 0 0
y1
4
5 1 0y2 5
10 1 1
y3
1
y1
5y1 ` y2
10y1 ` y2 ` y3 1
As y1 4, y2 15 y y3 26. Y la solucion del sistema Ly b es:
`
T
y 4 15 26
220
M
etodos num
ericos
Finalmente, se debe resolver el sistema U x y dado por:

4
x1
1 2
3
0 9 12x2 15
26
x3
0 0 14
x1 ` 2x2 ` 3x3 4
9x2 12x3 15
14x3 26
26
13
17
1
, x2
y x1 . As, la solucion del segundo
14
7
21
21
sistema, y por lo tanto la soluci
on del sistema original, es:
De donde x3
1
21
17
21
13
7
F
A continuaci
on se brinda la implementacion en VBA para Excel de la descomposicion LU para resolver sistemas de ecuaciones lineales.
Implementaci
on de las dos fases de sustituci
on
Para resolver en Excel el sistema Ax b por medio de la descomposicion LU
y las dos fases de sustituci
on, considere la siguiente interfaz:
A
1
2
3
4
5
15
16
17
18
19
20
30
A
L
R S
Orden
Resolver
Sistema
AD
AE
Figura 3.11: Interfaz para la implementacion de las dos fases de

sustituci
on para resolver sistemas lineales de la forma
Ax b.
Tal que el nombre del bot

on corresponde a cmd ResolverSistema . El codigo
completo para el resolver un sistema de ecuaciones mediante la descomposicion
LU se presenta a continuaci
on.
221
Private Sub cmd ResolverSistema Click()

1 ###### Procedimiento principal ######
Dim A As Variant, L As Variant, U As Variant
1 ######Cargar la matriz A ######
n = Range("R2").Value
A = Range(Cells(1, 1), Cells(n, n))
Range(Cells(16,1),Cells(15+15,15)).
ClearContents
ClearContents
L = Range(Cells(16,1),Cells(15+n,n))
For i = 1 To n
L(i, i) = 1
Next
1 ###### Llama a Factorizar ######
Factorizar A, n, L, U
1 ###### Imprime la matriz L ######
Range(Cells(16, 1), Cells(15 + n, n)) = L
1 ###### Imprime la matriz U ######
Range(Cells(16,16), Cells(15+n,15+n)) = U
Sustituciones U, L, n
End Sub
Private Sub Factorizar(ByRef A As Variant,
n As Integer, ByRef L As Variant,
ByRef U As Variant)
1 ###### Descomposici
on LU ######
For k = 1 To n
For i = k + 1 To n
L(i, k) = A(i, k) / A(k, k)
A(i, k) = 0
For j = k + 1 To n
A(i,j) = A(i,j) - L(i,k) * A(k,j)
Next
Next
Next
U = A
End Sub
Private Sub Sustituciones(U As Variant,

L As Variant, n As Integer)
Dim i As Integer, j As Integer
Dim X As Variant, k As Integer
X = Range(Cells(1, 16), Cells(n, 16))
1 ###### Sustituci
on hacia adelante ######
For i = 2 To n
suma = X(i, 1)
For j = 1 To i - 1
suma = suma - L(i, j) * X(j, 1)
Next
X(i, 1) = suma
Next
1 ######Sustituci
on hacia atr
as ######
X(n, 1) = X(n, 1) / U(n, n)
For i = n - 1 To 1 Step -1
suma = X(i, 1)
For j = i + 1 To n
suma = suma - U(i, j) * X(j, 1)
Next
X(i, 1) = suma / U(i, i)
Next
Range(Cells(1, 31), Cells(n, 31)) = X
End Sub
Ejercicios 3.11
Utilice la descomposici
on LU para resolver los siguientes sistemas de ecuaciones lineales.
$
& 3x 4y ` 2z 2
18x 18y ` 5z 1
1.
%
12x ` 2y 8z 2
$
& 2x y z 1
3x ` 3y ` 9z 0
2.
%
3x ` 3y ` 5z 1
222
M
etodos num
ericos
$
3x y z 3
&
x ` 2y
2
3.
x
`
2z
w
4
%
z ` w
1
$
x ` y ` 3w
1
&
2x ` y z ` w
4
4.
3x
z
`
2w
%
x ` 2y ` 3z w 1
$
x1 ` 2x2 3x3 ` 4x4 2x5
& 4x1 ` 11x2 10x3 ` 19x4 7x5

4x1 ` 2x2 13x3 ` 8x4 5x5
5.
x1 ` 4x2 2x3 ` 12x4 14x5
%
3x1 ` 12x2 ` 13x3 ` 26x4 ` 13x5
3.4.5.
3
2
1
0
2
Inversos de matrices
Otro proceso que se ve simplificado mediante la descomposicion LU es el

calculo de matrices inversas. El siguiente resultado es de utilidad para poder
realizar dicha tarea.
Teorema 32
Sean A y B dos matrices no singulares, cuadradas de orden n, y sea C A B.
Entonces:
C 1 pABq1 B 1 A1
o Demostraci
on Si la matriz A B es invertible, entonces es claro que pA
1
Bq pA Bq In y pA BqpA Bq1 In , donde pA Bq1 es u
nica. De esta
forma
pA Bq pB 1 A1 q ApB B 1 qA1 Asociatividad
ApIn qA1
pA In qA1
A1
In
Asociatividad
Neutro Multi
Neutro Multi
Analogamente se demuestra que pB 1 A1 qpA Bq In , de donde se tiene que

pB 1 A1 q es la matriz inversa de A B, y por la unicidad de la inversa se debe
223

cumplir que:
pA Bq1 B 1 A1
p
Dada la matriz A tal que detpAq 0 y que A admita una factorizacion LU ,
entonces A1 U 1 L1 , por lo que una forma de calcular la inversa de una
matriz es calcular la matriz inversa de las matrices L y U ; al ser estas matrices
triangulares, el c
alculo de la inversa de cada una es mas sencillo que el calculo
de la matriz original. El metodo de inversa por cofactores sera el mas acertado
en este caso.
Sin embargo, al combinar la descomposicion LU de A con lo visto en la seccion
anterior sobre la resoluci
on de sistemas de ecuaciones de la forma Ax b, se
consigue una forma alternativa para el calculo de A1 .
Sea A una matriz cuadrada de orden n tal que A admite descomposicion LU ,
y considere los vectores:
`
T
bi 0 0 1 0 0
de tama
no n tal que bi tiene un 1 en la posicion i y cero en las entradas restantes.
Para i 1, 2, 3, . . . , n. Es decir, bi es la iesima columna de la matriz identidad
de orden n.
Al resolver los sistema Ax bi con i 1, 2, 3, . . . , n el resultado de el iesimo
sistema tiene como soluci
on la iesima columna de la matriz A1 .
2 3
4
Ejemplo 79
Calcule la matriz inversa de la matriz A 5 8 51
1 2
4
F Soluci
on Utilice los metodos estudiados anteriormente para resolver cada uno
de los sistemas que se muestran a continuacion.
$

,
2 3
4
x1
1
& 70 .
5 8 51x2 0, de donde se obtiene S1 71 .
%
1 2
4
x3
0
18
$ ,

0
2 3
4
x1
& 4 .
%
1 2
4
x3
0
1
$

,
2 3
4
x1
0
& 121 .
%
x3
1
31
1 2
4
224
M
etodos num
ericos
Finalmente, se tiene que la matriz inversa de A es la matriz:
70 4
121
A1 71 4 122
18 1
31
F
Ejercicios 3.12
Use la descomposici
on LU para determinar, en caso de
cada una de las matrices dadas a continuacion:
4 3 3
4 4
6 4
1
0
1. 2
4.
4 1
2
1
1
0
0
1 4
1 3 1
3 7
2. 8 2 1
5.
1
2
6 1 1
7 8
1 8
5
5
3 4 8 10
4 6 1 3
6. 9 2
3.
0 1
6 3 3 1
3 7
1 3 4 3
3.5.
existir, la inversa de
5 7
1
5
2 1
3 2
0 4
3 8
0 6
1 7
9
4
9
4 4 6
4
2
0
3
1 5
9 6 7
Error y condicionamiento
La condicion de un sistema es una caracterstica que tiene un efecto directo

en la propagaci
on de los errores durante la resolucion de este mediante el empleo
de una aritmetica de punto flotante. El condicionamiento de un sistema pretende
establecer y predecir que tan sensible es el sistema a los errores de redondeo o
corte cometidos por la aritmetica empleada para su resolucion.
Se dice que un sistema est
a mal condicionado si peque
nos cambios en uno o
varios coeficientes del sistema producen cambios considerables en su solucion; de
igual manera, un sistema se dice bien condicionado si un peque
no cambio en uno
o varios coeficientes producen cambios similares en su solucion.
Si un sistema Ax b, con soluci
on u
nica, esta mal condicionado, se dice
que la matriz A est
a mal condicionada; de igual forma, si una matriz A esta mal
condicionada, entonces cualquier sistema Ax b es un sistema mal condicionado
225
para cualquier vector b, siempre que este tenga solucion u

nica. De esta forma, se
extiende la idea de condicionamiento de sistemas a matrices.
Es necesario establecer condiciones para determinar si una matriz o sistema
esta o no mal condicionado, tarea que muchas veces no es sencilla, pues depende
de la dimension de la matriz, as como de la aritmetica empleada para los calculos.
Por ejemplo, una matriz puede considerarse mal condicionada para una precision
o exactitud empleada, pero pude considerarse bien condicionada para otra.
Por esta raz
on, no es posible establecer concretamente si una matriz esta o
no mal condicionada, dado que esta clasificacion no solo depende de la matriz;
sin embargo, existen pruebas que se pueden realizar para establecer posibles sospechas sobre el mal condicionamiento de la matriz, y por lo tanto, del sistema.
Cuanto mas fundamento tenga dicha sospecha es necesario tener una precision o
exactitud elevada en la aritmetica de punto flotante empleada para minimizar la
propagacion de los errores de redondeo o corte.
3.5.1.
Matrices inversas para el estudio del condicionamiento de

una matriz
Las matrices inversas pueden dar una pista sobre la posibilidad del mal condicionamiento de un sistema de ecuaciones lineales. Este metodo se presenta a
continuacion.
Sea A una matriz, escale la matriz asociada al sistema de manera que el
mayor elemento dentro de la matriz, en valor absoluto, sea 1; denote a esta nueva
matriz A . Si los elementos de A1
as grandes que los elementos de
son mucho m
la matriz A , entonces se puede sospechar el mal condicionamiento de la matriz
A.
Ejemplo 80
"
x ` 2y
10
1.1x ` 2y 10.4
Determine si es posible sospechar el mal condicionamiento del sistema.

F Soluci
on La matriz asociada al sistema es
1 2
A
1.1 2
1
A
2
1 2
1.1 2
0.5 1
0.55 1
226
M
etodos num
ericos
y al calcular la inversa de A se tiene que:
A1
20 20
11 10
Observe que las entradas de la matriz A1

as grandes que las
son mucho m
entradas de la matriz A . Por lo que hay razones para sospechar del mal condicionamiento de A, y por lo tanto, del sistema original. As, para resolver dicho
F
sistema se requiere una precisi
on y exactitud elevada.
Ejemplo 81 (Sistema mal condicionado)
Considere el sistema estudiado en el ejemplo 80, el cual se sospecha que esta mal
condicionando.
"
x ` 2y 10
1.1x ` 2y 10.4
Estudie el condicionamiento del sistema mediante el concepto intuitivo de
sistema mal condicionado, es decir, realice peque
nas variaciones en los coeficientes
del sistema y observe lo que sucede con su solucion.
F Soluci
on Note que la soluci
on real del sistema corresponde a
S tp4, 3qT u
sin embargo, al realizar una peque
na variacion en uno de los coeficientes del
sistema se tiene que dicha soluci
on cambia en forma radical. Considere el nuevo
sistema:
"
x ` 2y 10
1.05x ` 2y 10.4
La solucion para este nuevo sistema corresponde a:
S tp8, 1qT u
F
3.5.2.
N
umero de condici
on de una matriz
Una forma alternativa para estudiar la condicion de una matriz es el concepto

de n
umero de condici
on, el cual cuantifica que tan mal condicionada esta una
matriz. La definici
on del n
umero de condicion de una matriz esta basado en el
concepto de norma matricial, que a su vez se basa en el siguiente concepto.
Definici
on 37 (Normas vectoriales en Rn )
Una norma vectorial en Rn es una funci
on }} : Rn R que satisface las siguientes propiedades:
227

1. }x} 0 para todo x P Rn .
2. }x} 0 si y solo si x 0 P Rn .
3. }kx} |k| }x} para todo k P R y x P Rn .
4. }x ` y} }x} ` }y} para todo x, y P Rn .
Teorema 33 (Norma p en Rn )
Sera p P Z` y considere la funci
on }}p : Rn R definida por:
1{p
}x}p
|xi |
i1
Entonces, }}p es una norma en Rn .

Si p 1, se denomina norma 1 y se define por:
n
}x}1
(3.23)
|xi |
i1
Si p 2, se denomina norma eucldea y se define por:
}x}2
1{2
x2i
i1
Y si se hace tender p a infinito, entonces la norma se denomina norma infinito y

se define por:
1{p
n
p
}x}8 lm
|xi |
m
ax |xi |
(3.24)
p8
i1
1in
Definici
on 38 (Norma matricial)
Sea Mn el conjunto de todas las matrices cuadradas de orden n. Una norma
matricial es una funci
on }} : Mn R tal que satisface las siguientes propiedades:
1. }A} 0 para todo A P Mn .
no n n.
2. }A} 0 si y solo si A O, donde O es la matriz nula de tama
3. }kA} |k| }A}, para todo A P Mn y k P R.
4. }A ` B} }A} ` }B} para toda A, B P Mn .
5. }AB} }A} }B} para toda A, B P Mn .
228
M
etodos num
ericos
Teorema 34 (Normas matriciales p)

Sea p P Z` y considere la funci
on }}p : Mn R definida por:
"
*
}Ax}p
}A}p m
ax
x0
}x}p
(3.25)
donde x es un vector en Rn no nulo.

Entonces, }}p es una norma matricial en Mn . Ademas, esto equivale a:
}A}p m
ax t}Au}p u
(3.26)
}u}p 1
De la segunda parte del teorema anterior se desprende que existe un vector

p P Rn tal que }p
u
u}p 1, para el cual se cumple que }A}p }Ap
u}p . Esta
afirmacion es cierta, ya que el conjunto de vectores unitarios es cerrado y acotado,
p en donde se alcanza el maximo.
de donde se concluye que existe u
Sea A una matriz cuadrada de orden n, entonces se tiene que:
#
+
n
}A}1 m
ax
|aij |
1jn
i1
#
}A}8
m
ax
1in
|aij |
j1
Definici
on 39 (N
umero de condici
on de una matriz)
Sea A una matriz cuadrada de orden n tal que detpAq 0, entonces se define el
n
umero de condici
on de una matriz y se denota condpAq como:
condpAq }A}p }A1 }p
seg
un la norma que se este trabajando.
Si el n
umero de condici
on es relativamente alto se dice que la matriz esta mal
condicionada, mientras que si es cercano a la unidad se dice que la matriz esta bien
condicionada. Cuanto m
as alto sea el n
umero de condicion de una matriz, mayor
debera ser la precisi
on empleada para resolver un sistema con solucion u
nica que
posea como matriz asociada la matriz en cuestion.
Ejemplo 82
Determine el n
umero de condici
on para la matriz A que se muestra a continuacion:
1 2
3
A 2 2 1
3 2
3
Utilice las normas 1 e 8.
229

F Soluci
on Primero que todo se tiene que:
1 1
1 2
3
2
2 2 1
9
8
5
3 2
3
1
2
7
8
3
4
3
4
1
2
de donde es posible concluir que:
condpAq
condpAq

1
1
0
2
2
9 3

161
7

8
4
8 8 20. 1
5
1
3

1 4
2
4 1

1
1

1 2
0

3 2
2

9 3

7
2 2 1 8
4
8 22

3 2
1
3
3 8 5

1 2
3

2 2 1

3 2
3
F
Ejemplo 83
Determine el n
umero de condici
on de la matriz asociada al sistema que se presenta
en el ejemplo 81.
"
x ` 2y 10
1.1x ` 2y 10.4
Utilice la norma infinito para dicho c
alculo.
F Soluci
on La matriz asociada al sistema es:
1 2
A
1.1 2
De donde se procede a realizar el c
alculo de la matriz inversa de A.
..
2
1 2 . 1 0F2 1.1F1 1
..
1.1 2 . 0 1
0 0.2
..
.
1
0
..
. 1. 1 1
..
..
1
1 2 . 1
0
1 0 . 10 10
F2
F 2F
..
.
12
0.2
0 1 .. 5. 5 5
0 1 . 5.5 5
De esta forma se tiene que
A
10 10
5. 5 5
230
M
etodos num
ericos
Ahora se debe determinar el n
umero de condicion para A.
condpAq

1 2 10

1.1 2 5. 5
3. 1 20
10

5
62
El n
umero de condici
on es relativamente grande a pesar de que el sistema
posee una dimensi
on bastante reducida. De ah se puede concluir que la matriz
A esta mal condicionada y por tanto el sistema lo esta. Esto indica que para
precisiones peque
nas, en la aritmetica de punto flotante se espera una propagacion
del error de redondeo o corte.
F
Como se puede observar, el valor de condpAq no basta para garantizar el mal
condicionamiento de la matriz; adem
as, es necesario considerar la dimension de
esta y la precisi
on utilizada durante el c
alculo. Un n
umero de condicion de 62
podra ser aceptable si la dimensi
on de la matriz es grande y si la aritmetica
empleada posee una precisi
on elevada.
3.5.3.
C
omo escoger de una precisi
on, seg
un el nivel del mal
condicionamiento de la matriz
Matrices con n
umero de condici
on grande pueden ser consideradas mal condicionadas dependiendo de la precisi
on con la que se trabaje para resolver los
sistemas correspondientes. Por esta raz
on parece razonable estudiar la precision
con la cual se recomienda trabajar, seg
un el nivel del mal condicionamiento de la
matriz.
En la practica, si A es una matriz para la cual existe la sospecha del mal
condicionamiento, se recomienda realizar alguna de las siguientes pruebas para
escoger la precisi
on adecuada por utilizar en los calculos:
La precision recomendada es aquella que garantice al menos una de las siguientes igualdades a la hora de realizar los calculos mediante su uso.
pA1 q1 A
A A1 I, con I la matriz identidad correspondiente.
Si la precisi
on m
as alta posible en una computadora no garantiza ninguna
de las igualdades anteriores, entonces se puede decir que la matriz o cualquier
sistema correspondiente est
a mal condicionado.
231

Ejemplo 84
Considere la matriz
12
15
3
A 12 14.9999999 3
4
1
6
Por medio del uso del Excel versi

on de 32 bit, la matriz inversa esta dada por:
14499999.9881233 14500000.0881233 0.05

0
10000000.0607747 10000000.0607747
7999999.9819531
8000000.04861977
0.2
A1
Luego, al invertir, mediante el uso de Excel, misma version, se tiene que:
pA1 q1
12.0000001609897 15.0000002012371 3.00000004024743

12.0000001609897 15.0000001012371 3.00000004024743
4.00000006705523 1.00000008381903 6.00000001676380
De donde se concluye que A pA1 q1 ; por otro lado
0.999999992549419 0 0
0.000000007450581 1 0
0
0 1
A A1
De donde se tiene que A A1 I3 . Finalmente se concluye que la matriz A

esta mal condicionada incluso para la precision de una computadora en 32bits.
Ejercicios 3.13
1. Calcule, mediante la norma 1 y la norma 8, el n
umero de condicion de
la matriz:
2 3.01
4
6
Que se puede decir sobre el condicionamiento de dicha matriz?
2. Construya una funci
on en VBA para Excel que reciba una matriz cuadrada de orden n y calcule el determinante de dicha matriz (no use la
funci
on de Excel para el calculo de determinantes).
on en VBA para Excel que reciba una matriz cua-
232
M
etodos num
ericos
drada de orden n y retorne la inversa de dicha matriz. Sugerencia: utilice

el metodo de cofactores y la funcion programada en el paso anterior.
on en VBA para Excel que reciba una matriz cuadrada de orden n y un parametro p, y retorne la norma p de la matriz.
Donde p P Z` Y t0u. En caso de p 0, debe retornar la norma infinita.
on en VBA para Excel que reciba una matriz cuadrada de orden n y retorne el n
umero de condicion de dicha matriz.
(Sugerencia: use las funciones construidas en los puntos anteriores).
6. Determine el n
umero de condici
on de las siguientes matrices:
1 8 9
4
9
2
7
0
1
2 7
5
5 4 4 6
3
6
b)
5 3 6
2
0
3
a)
9 2 4
0 1 3
1 5
0 8 5 2
3 7 9 6 7
Utilice las normas 1 e 8.
3.6.
M
etodos iterativos
Los metodos iterativos son una alternativa para determinar una solucion aproximada de un sistema lineal por medio de una sucesion que converge a la solucion
real del sistema. Estos metodos son similares a los utilizados para determinar las
races de ecuaciones, es decir, se supone que se tiene una aproximacion inicial
suficientemente buena; luego se debe iterar para mejorar dicha aproximacion.
Los metodos de Jacobi y Gauss-Seidel son los mayormente mencionados para
aproximar soluciones de sistemas lineales.
Los metodos iterativos para resolver un sistema lineal de la forma Ax b
consisten en transformar el sistema en otro equivalente de la forma x T x ` c,
donde T es una matriz fija y c es un vector fijo, y el vector x es el mismo que
satisface el sistema original Ax b.
Note que la expresi
on x T x ` c indica que x es un punto fijo de la funcion
multivariada f pxq T x`c, de donde es natural pensar en el algoritmo del punto
fijo estudiado en la secci
on 2.7 en la p
agina 121.
De esta forma, dada una aproximaci
on inicial xp0q , seg
un el metodo del punto
fijo estudiado en la secci
on 2.7 se tiene que la nueva aproximacion xp1q se consigue
con:
xp1q T xp0q ` c
o bien,
xp1q f pxp0q q
233

Posteriormente, es posible determinar la aproximacion xp2q como:
xp2q T xp1q ` c
o bien,
xp2q f pxp1q q
As, en la iesima iteraci

on se tiene la aproximacion xpi1q , de donde se
calcula la nueva aproximaci
on xpiq de la siguiente manera:
xpiq T xpi1q ` c
3.6.1.
o bien,
xpiq f pxpi1q q
M
etodo de paro
El metodo de paro para dicho algoritmo es similar al empleado en los metodos

de aproximaci
on de races reales del captulo 2. Especficamente, los empleados
en el metodo de la secante, Newton-Raphson y el metodo de punto fijo.
Este metodo consiste en iterar hasta que el error relativo normalizado o la
aproximacion del error absoluto sea menor que una tolerancia definida previamente y suficientemente peque
na. Para el contexto multivariado, el error absoluto
y el error relativo se definen como sigue:
Definici
on 40
p una aproximaci
Sea x
on del valor real x y sea p un n
umero natural, entonces se
define el error absoluto Exp y el error relativo rxp como:
p}p y rxp
Exp }x x
p }p
}x x
}x}p
En caso de que p 8, entonces se tiene que:

p}8 y rxp
Exp }x x
p }8
}x x
}x}8
De esta forma dado 0 y suficientemente peque

no, dada una aproximacion
p0q
inicial x y la funci
on de iteraci
on de punto fijo f pxq T x ` c, entonces el
metodo de paro para la iteraci
on de punto fijo:
xpiq f pxpi1q q
sera iterar hasta que:
Expiq }xpiq xpi1q }p
con p P N o p 8.
o bien
xpiq
}xpiq xpi1q }p
}xpiq }p
234
M
etodos num
ericos
Ejemplo 85
Considere el sistema Ax b que se muestra
$
& 12x1 ` 6x2
4x1 16x2
%
5x1 4x2
a continuacion:
3x3 2
5x3 1
11x3 3
Exprese el sistema anterior de la forma x T x ` c, donde T es una matriz 3 3

y c es un vector 3 1.
F Soluci
on En primer lugar, de la primera ecuacion se despeja la variable x1 ;
de la segunda ecuaci
on, la variable x2 , y de la tercera ecuacion, la variable x3 .
De esta forma, el sistema se escribe por:
$
$
3x3 6x2 ` 2
x1
0x1
`
1
12
&
&
4x1 ` 5x3 1
1
x2
x2 x1 `
16
4
5x
`
4x
`
3
1
2
% x 5x
% x3
1
3
11
11
1
x2
2
0x2
4
x2 `
11
1
x3
4
5
x3 `
16
0x3
1
6
1
16
3
11
Equivalentemente, el sistema anterior se puede expresar en forma matricial como:

1
0
1
1
2
4
6
x1
x1
5 1
1
x2
0 16 x2 ` 16
4
5
4
3
x3
x3
0
11
11
11
T 1
4
5
11
1
2
0
4
11
1
4
5
16
1
6
1
y c 16
3
11
La descomposici
on realizada en el ejemplo 85 da origen al metodo de Jacobi,
el cual se expone con m
as detalle a continuacion.
3.6.2.
M
etodo de Jacobi
Suponga que se tiene un sistema Ax b donde A es un matriz cuadrada de

orden n
$
a11 x1 ` a12 x2 ` ` a1n xn b1
& a21 x1 ` a22 x2 ` ` a2n xn b2

..
%
235
Si los elementos de la diagonal principal de A no son cero, entonces de la primera

ecuacion es posible despejar x1 ; de la segunda ecuacion despejar x2 , y as sucesivamente hasta despejar de xn de la nesima ecuacion, tal como se muestra a
continuacion:
b1 a12 x2 a13 x3 a1n xn
x1
a11
b2 a21 x1 a23 x3 a2n xn
a22
x2
..
.
xn
(3.27)
bn an1 x1 an2 x2 anpn1q xn1

ann
De este modo se tiene que:

x1
x2
..
.
a12
x2
a11
a13
x3
a11
a1n
xn
a11
b1
a11
a21
x1
a22
a23
x3
a22
a2n
xn
a22
b2
a22
(3.28)
anpn1q
an2
bn
an1
x1
x2
xn1 `
ann
ann
ann
ann
De donde se puede expresar en forma matricial como:
a1pn1q
b
a13
a1n
a12
1
0

a11
a11
a11
a11
a11
x1
x1
a
2pn1q
a23
a2n
21
0
x2 b2
x2
a
a
a
a
22
22
22
22
a

22
x3 a31 a32
a3pn1q
a3n x3 ` b3
a (3.29)
a33
0
a33
a22
a22 .
33
..
.
..
. .
.
.
.
.
.
.
.
..
..
..
..
..
..
xn
xn
bn
a
npn1q
an2
an3
an1
ann
0
ann
ann
ann
ann
xn
`
T
Una vez as, basta tomar un vector inicial xp0q x01 x02 x0n que se
supone una aproximaci
on de la soluci
on del sistema; esta solucio`n puede sustituir-
se en (3.29) para as obtener una nueva aproximacion xp1q x11 x12 x1n
que se considera con mayor exactitud que la primera.
(8
De esta manera, si el algoritmo converge, se genera una sucesion xpiq i1
que tiene como lmite la soluci
on exacta del sistema Ax b.
Transformaci
on matricial del Jacobi
La transformaci
on del sistema Ax b a la forma x TJ x ` cJ se puede
hacer en forma matricial; esto es u
til cuando el n
umero de ecuaciones y variables
del sistema original es elevado.
236
M
etodos num
ericos
a11
a21
a31
..
.
cuadrado de orden n con solucion u

nica Ax b

a12 a13 a1n
x1
b1
a22 a23 a2n x2 b2

a32 a33 a3n
(3.30)
x3 b3
..
..
.. .. ..
..
.
.
.
.
.
.
an1 an2 an3 ann
xn
bn
Es claro que la matriz A se puede expresar como
a11
0
.
..
0
0
a22
0
..
.
0
0
0
a33
..
.
0
..
.
0
0
0
..
.
0
a21

a31
`
.
..
ann
an1
0
0
a32
..
.
an2
0
0
0
..
.
an3
..
.

0
0
0
0

0
` 0
.. ..
. .
0
0
a12
0
0
..
.
0
a13
a23
0
..
.
0
a1n
a2n
a3n
..
.
0
..
.
De esta forma, A D ` L ` U , donde D es la matriz diagonal, L es la matriz

triangular inferior y U es la matriz triangular superior.
As:
Ax b pD ` L ` U qx b
Dx ` Lx ` U x b
Dx Lx U x ` b
Dx pL ` U qx ` b
x D1 pL U qx ` D1 b
De esta forma, al tomar TJ D1 pL U q y cJ D1 b se tiene que:
Ax b x TJ x ` cJ
As, de una forma m
as sencilla se tiene que:
a12
a11
a13
a11
a23
a22
a
21
a22
a31
TJ
a33
..
.
a32
a33
..
.
0
..
.
an1
ann
an2
ann
an3
ann
..
a1pn1q
a11
a2pn1q
a22
a3pn1q
a22
..
.
anpn1q
ann
a1n
a11
a2n
a22
a3n
a22
b1
a11
b2
a22
b3
a
33
y cJ
.
..
.
.
.
bn
ann
0
Ejemplo 86
Aproxime la soluci
on del sistema planteado en el ejemplo 85 utilizando el metodo
`
T
de Jacobi con la aproximaici
on inicial xp0q 0 0 0 . Itere hasta obtener
}xpiq xpi1q } 103
237

F Soluci
on
Se debe aplicar el metodo de punto fijo en
0
x1
x2
1
4
5
x3
11
1
2
0
4
11
1
4
x1
5
x2 `
16
x3
0
1
6
1
16
3
11
`
T
Al tomar como aproximaci
on inicial xp0q 0 0 0 , en la siguiente tabla
se muestran los resultados obtenidos en cada iteracion:
xp0q
0
0
0
xp1q
0.16667
0.0625
0.27273
xp6q
0.00235
0.16549
0.33077
xp2q
0.06723
0.18940
0.21970
xp7q
0.001231
0.16645
0.33184
xp3q
0.01704
0.14796
0.31104
xp8q
0.000481
0.16651
0.33270
xp4q
0.01492
0.16396
0.31878
xp5q
0.00499
0.16585
0.32556
xp9q
0.000239
0.16659
0.33306
El calculo de los errores en cada iteracion se muestra en la siguiente tabla:

}xp1q xp0q }2
0.325675
}xp2q xp1q }2
0.1697085
}xp3q xp2q }2
0.1121531
}xp4q xp3q }2
0.0178999
}xp6q xp5q }2
0.0058468
}xp7q xp6q }2
0.0018232
}xp8q xp7q }2
0.001142
}xp9q xp8q }2
0.0004417
}xp5q xp4q }2
0.0121761
Note que hasta en la novena iteraci

on se satisface que el error calculado con
la norma 2 es menor que 103 .
F
Ejercicios 3.14
Exprese cada uno de los sistemas que se presentan a continuacion en la forma
x TJ x ` cJ . Aproxime su soluci
on u
nica con un error menor que 103 en la
norma 8. Utilice el metodo de Jacobi con la aproximacion inicial xp0q 0 en
cada caso.
238
M
etodos num
ericos
$
&
1.
7x y ` 2z
2x 15y z
%
3x 2y ` 10z
2.
$
& 15x 3y 2z
2x 10y z
%
x ` y ` 7z
&
2
3
1
3
1
0
3.
15x y z w
2x 20y ` 5z w
x ` y ` 11z w
%
x y 3z ` 15w
4.
$
25x1 ` 3x2 ` 4x3 ` 5x4 x5
& 4x1 32x2 ` 4x3 5x4 x5

x1 ` x2 ` 10x3 ` x4 ` x5
2x
1 2x2 ` 3x3 ` 14x4 x5
%
3x1 3x3 21x5
12
23
30
4
50
32
20
16
14
Implementaci
on del m
etodo de Jacobi
De (3.28) y (3.29) se tiene que en la iteracion k ` 1, variable jesima del

nuevo vector xpk`1q , se consigue con la f
ormula:
pk`1q
xi
pkq
donde xj
aij pkq
bi
xj `
aii
aii
j1,jk
corresponde a la jesima variable del vector xpkq .
As, el algoritmo para el metodo de Jacobi se presenta a continuacion.

Considere el sistema Ax b con solucion u
nica, donde A es la matriz de
coeficientes de tama
no n n y b un vector de constantes de tama
no n 1.
Suponga que el metodo de Jacobi converge a la u
nica solucion del sistema.
Ademas, considere el vector xp0q que corresponde a un vector de tama
no n1,
el cual representa la aproximaci
on inicial del metodo de Jacobi. De esta manera,
el metodo de Jacobi se presenta en el siguiente pseudocodigo.
239
Algoritmo 10 Metodo de Jacobi

Entrada: n, A, x, xp0q , Tol, IteraMax.
Salida: Soluci
on aproximada x del sistema y error aproximado, o mensaje de
fracaso
1: ErrorAprox 8
2: k 1
3: mientras ErrorAprox Tol y k M axItera hacer
4:
para i 1 hasta n hacer
p0q
nj1,jk aij xj ` bi
5:
xi
aii
6:
fin para
7:
8:
9:
10:
11:
12:
13:
14:
15:
ErrorAprox }x xp0q }p
k k`1
x xp0q
fin mientras
si k MaxItera entonces
Mensaje de fracaso. Se ha superado el maximo de iteraciones sin exito.
si no
retornar x, ErrorAprox
fin si
Se deben tener en cuenta algunas consideraciones para la implementacion del

metodo anterior; en primera instancia, el calculo de la lnea 5 se debe realizar
mediante un bucle for.
C
alculo de la l
nea # 5
For j = 1 To n
If j <>i Then
X(i,1) = X(i,1) + A(i, j) * X0(j,1)
End If
Next
X(i,1) = (-X(i,1) + B(i,1))/A(i,i)
1
Por otro lado, se recomienda que el calculo del error aproximado se realice
mediante una funci
on que reciba los dos vectores y sus dimensiones, y retorne el
valor }x xp0q }2 .
240
M
etodos num
ericos
Public Function CalError(X1 As Variant, X2 As Variant,
n As Integer) As Double
1
Se trabajar
a con la norma 2, pero esta funci
on puede ser
1
modificada para que trabaje con cualquier otra norma
Dim i As Integer, Sum As Double
For i = 1 To n
Sum = Sum + (X1(i,1) - X2(i,1))^ 2
Next
CalError = Sqr(Sum)
End Function
Por otro lado, en el paso 7 del algoritmo 10 es posible cambiar el calculo

aproximado del error absoluto por la aproximacion del error relativo. O lo que es
lo mismo, sustituir }x xp0q }p por:
}x xp0q }p
}x}p
En este caso, la modificaci
on deber
a realizarse en la funcion CalError que se
represento anteriormente.
3.6.3.
M
etodo de Gauss-Seidel
El metodo de Gauss-Seidel es una variante al metodo de Jacobi. Considere el

sistema cuadrado Ax b con soluci
on u
nica.
$
a11 x1 ` a12 x2 ` ` a1n xn b1
& a21 x1 ` a22 x2 ` ` a2n xn b2

(3.31)
..
%
el sistema (3.31) se puede reescribir, tal y como se realizo en el metodo de
Jacobi como:
x1
x2
..
.
xn
b1 a12 x2 a13 x3 a1n xn

a11
b2 a21 x1 a23 x3 a2n xn
a22
(3.32)

ann
se despeja la variable x1 de la ecuaci

on 1, la variable x2 de la ecuacion 2, y
as sucesivamente hasta despejar la variable xn de la ecuacion n.
`
Considere como aproximaci

on inicial a xp0q x01 x02 x0n . En Jacobi,
para calcular la siguiente aproximaci
on xpi`1q se procede a sustituir los valores
241
de la aproximaci
on anterior xpiq en las variables de cada una de las siguientes
ecuaciones:
pi`1q
x1
pi`1q
x2
piq
piq
piq
piq
piq
b1 a12 x2 a13 x3 a1n xn

a11
b2 a21 x1 a23 x3 a2n xn

a22

ann
..
.
piq
pi`1q
xn
piq
piq
(3.33)
piq
De esta forma, el c
alculo de xpi`1q depende exclusivamente de los valores de
las entradas de xpiq ; sin embargo, el metodo de Gauss-Seidel incorpora la variante
de realizar el c
alculo de las entradas de xpi`1q al utilizar los valores calculados
mas recientemente de las variables requeridas.
Mas puntualmente, para realizar el c
alculo de la entrada kesima de xpi`1q se
utilizan los valores ya calculados del mismo vector xpi`1q y los restantes valores se
completan con los del vector xpiq , es decir, las primeras k 1 variables se toman
de xpi`1q y las restantes del vector correspondiente a la aproximacion anterior
xpiq , ya que estas u
ltimas variables no han sido calculadas en xpi`1q .
pi`1q
pi`1q
xk
bk ak1 x1
pi`1q
ak2 x2
pi`1q
piq
piq
akpk1q xk1 akpk`1q xk`1 akn xn

akk
para k 1, 2, 3, . . . , n.
o lo que es lo mismo,
bk
pi`1q
xk
k1
pi`1q
akj xj
j1
jk`1
akk
piq
akj xj
(3.34)
para k 1, 2, 3, . . . , n.
Forma matricial del m

La ecuaci
on (3.34) representa una de las ecuaciones modificadas seg
un el
metodo de Gauss-Seidel. De esta manera, el sistema completo se puede expresar
242
M
etodos num
ericos
en forma equivalente de la siguiente manera:

b1
pi`1q
x1
pi`1q
a2j xj
piq
a2j xj
j3
a22
b3
pi`1q
piq
a1j xj
j2
j1
x3
a11
b2
pi`1q
pi`1q
a1j xj
j1
x2
pi`1q
a3j xj
j4
j1
piq
a3j xj
a33
..
.
bn
n1
pi`1q
aj xj
jn`1
j1
xpi`1q
piq
anj xj
ann
O equivalentemente se tiene que:

pi`1q
a11 x1
piq
a1j xj ` b1
j2
pi`1q
a22 x2
pi`1q
a2j xj
j1
pi`1q
a33 x3
piq
a2j xj ` b2
j3
pi`1q
a3j xj
j1
piq
a3j xj ` b3
j4
..
.
ann xpi`1q
`
n
n1
pi`1q
aj xj
bn
j1
Al desarrollar las sumas para poder visualizar notacion matricial se tiene que:
pi`1q
0
pi`1q
à22 x2
pi`1q
à32 x2
a11 x1
pi`1q
a21 x1
a31 x1
pi`1q
0
0
pi`1q
à33 x3
..
.
pi`1q
an1 x1
0
0
= 0 a12 x2
= 0
0
= 0
..
pi`1q
àn2 x2
pi`1q
àn3 x3
piq
..
.
piq
a13 x3
piq
a23 x3
pi`1q
ànn xn
= 0
piq
a1n xn `b1
piq
a2n xn `b2
piq
a3n xn
..
..
.
`b3
`bn
243

O lo que matricialmente es equivalente a:
a11
a21
a31
.
..
an1
0
a22
a32
0
0
a33
an2
an3
..
.
pi`1q
x1
0
pi`1q
0
x
2
pi`1q
x
3
0
.
..
pi`1q
ann
0
xn
0
0
0
a12
0
0
a13
a23
0
..
.
piq
x1
b1
a1n
xpiq b
a2n
2
piq 2
b3
a3n
x3 `
.. ..
piq
bn
0
xn
As, al tomar las matrices D, L y U definidas en (3.30) por A D ` L ` U ,

donde D es la matriz diagonal, L es la matriz triangular inferior y U es la matriz
triangular superior.
Se tiene que:
Ax b
pD ` L ` U qx b
pD ` Lqx ` U x b
pD ` Lqx U x ` b
Donde si la matriz D ` L es invertible se tiene que:

x pD ` Lq1 pU qx ` pD ` Lq1 b
as, el problema de iteraci
on de punto fijo, para la ecuacion anterior sera:
xpi`1q pD ` Lq1 U xpiq ` pD ` Lq1 b
De esta forma se puede definir TG pD ` Lq1 U y cG pD ` Lq1 b; as,
la ecuacion de iteraci
on de punto fijo para el metodo de Gauss-Seidel es:
xpi`1q TG xpiq ` cG
Ejemplo 87
Considere el sistema Ax b del ejemplo
$
& 12x1 ` 6x2
4x1 16x2
%
5x1 4x2
85 que se muestra a continuacion:

3x3 2
5x3 1
11x3 3
Exprese el sistema anterior de la forma x TG x`cG mediante la forma matricial

del metodo de Gauss-Seidel.
F Soluci
on
Tome
12
0
0
0
0 0
0 6 3
16
0 , L 4 0 0, U 0 0 5
D 0
0 0 0
0
0
11
5 4 0
244
M
etodos num
ericos
0.166666
0
0.5
0.25
TG 0 0.125 0.25 , cG 0.104166
0 0.1818 0.2045
0.234848
As, se tiene que la transformaci
on buscada es:

0
0.5
0.25
0.166666
x
x
y 0 0.125 0.25 y ` 0.104166
0 0.1818 0.2045
z
z
0.234848
F
Ejemplo 88
Aplique el metodo de Gauss-Seidel a la transformacion realizada en el ejemplo 87
para obtener una aproximaci
on xpiq que cumpla }xpiq xpi1q } 103 . Compare
el valor de i (n
umero de iteraciones) con el obtenido en el ejemplo 85.
F Soluci
on
Al realizar las iteraciones correspondientes se nota que
xp0q
0
0
0
xp1q
0.16667
0.104167
0.23485
xp2q
0.05587
0.149858
0.30183
xp3q
0.01628
0.160891
0.32383
xp4q
0.00526
0.16501
0.33033
xp5q
0.00158
0.166125
0.33242
xp6q
0.0005
0.166506
0.33305
xp7q
0.00015
0.166615
0.33325
Los errores aproximados al utilizar la norma 2 en cada una de las aproximaciones anteriores se muestran en la siguiente tabla:
}xp1q xp0q }2
0.30624
}xp2q xp1q }2
0.13729
}xp3q xp2q }2
0.04662
}xp5q xp4q }2
0.00438
}xp6q xp5q }2
0.00130
}xp7q xp6q }2
0.00041
}xp4q xp3q }2
0.01344
La precision requerida se alcanza en la septima iteracion. Y la aproximacion

buscada es:
0.00015
xp7q 0.166615
0.33325
Por otro lado, la aproximaci
on determinada por el metodo de Jacobi en la novena
iteracion fue:
0.000239
xp9q 0.16659
0.33306
F
Y el error absoluto aproximado obtenido fue 0.0004417.
245

Implementaci
on del m
De (3.34) tiene que en la iteraci

on i ` 1, la variable kesima del nuevo vector
xpi`1q se consigue con la f
ormula:
bk
pi`1q
xk
k1
pi`1q
akj xj
j1
piq
akj xj
jk`1
akk
piq
pi`1q
donde xj corresponde a la jesima variable del vector xpiq y xj

variable del vector xpi`1q .
es la jesima
Considere el sistema Ax b con solucion u

nica, donde A es la matriz de
coeficientes de tama
no n n y b un vector de constantes de tama
no n 1.
Suponga que el metodo de Gauss-Seidel converge a la u
nica solucion del sistema.
Ademas, considere el vector xp0q que corresponde a un vector de tama
no
n 1 que representa la aproximaci
on inicial del metodo de Gauss-Seidel. De
esta manera, el pseudoc
odigo para el metodo de Gauss-Seidel se presenta en el
algoritmo 11.
Algoritmo 11 Metodo de Gauss-Seidel
Entrada: n, A, x, xp0q , Tol, IteraMax.
Salida: Soluci
on aproximada x del sistema y error aproximado, o mensaje de
fracaso
1: ErrorAprox 8
2: k 1
3: mientras ErrorAprox Tol y k M axItera hacer
4:
bi
i1
aij xj
j1
ji`1
5:
xi
6:
fin para
7:
ErrorAprox }x xp0q }p
8:
9:
10:
11:
12:
13:
14:
15:
p0q
aij xj
aii
k k`1
x xp0q
fin mientras
si k MaxItera entonces
Mensaje de fracaso. Se ha superado el maximo de iteraciones sin exito.
si no
retornar x, ErrorAprox
fin si
246
M
etodos num
ericos
Convergencia del M
etodo de Jacobi y Gauss-Seidel
Uno de los problema de los metodos iterativos es determinar las condiciones en
las que se puede garantizar la convergencia de la sucesion asociada. En algunos
metodos de aproximaci
on iterativa existen criterios sencillos que indican si el
metodo converge o no; un ejemplo de esto es el metodo del punto fijo estudiado
en la seccion 2.7.
Existen ejemplos en los cuales el metodo de Jacobi converge y el metodo de
Gauss-Seidel diverge; tambien existen ejemplos en donde Gauss-Seidel converge
y el metodo de Jacobi diverge.
Para el metodo de Jacobi y el de Gauss-Seidel se conoce un criterio necesario
pero no suficiente para su convergencia, el cual se basa en la matriz asociada al
sistema. Esto es, si las condici
on de criterio se cumplen, se puede garantizar que
los metodos de Jacobi y Gauss-Seidel convergen a la solucion u
nica del sistema;
sin embargo, si las condiciones del criterio no son satisfechas, entonces no es
posible garantizar la convergencia de ninguno de los dos metodos. Por lo tanto,
tampoco es posible garantizar la divergencia de ellos.
Definici
on 41 (Matriz diagonalmente dominante)
Sea A una matriz cuadrada de orden n, se dice que A es una matriz diagonalmente
dominante si y solo si:
n
|xAyii |
|xAyij |, @i 1, 2, . . . , n
j1
ji
donde xAyij denota la entrada ij de la matriz A.

En otras palabras, una matriz se dice diagonalmente dominante si y solo si el
valor absoluto del elemento en la diagonal principal de cada fila, es mayor que la
suma de los valores absolutos de las entradas restantes de la fila.
Ejemplo 89
Considere la matriz A definida por:
10
2
0
1
1
2 17 2
5
1
1
20
2
3
A 3
4
3
2 47 1
2
0
3
3
52
La matriz A es diagonalmente dominante.
Teorema 35
Sea Ax b un sistema de n ecuaciones lineales con n incognitas, si la matriz
247
A es diagonalmente dominante, entonces tanto el metodo de Jacobi como el de

Gauss-Seidel convergen; en cualquier otro caso, no hay garanta.
A veces la matriz asociada a un sistema de ecuaciones lineales no es diagonalmente dominante; sin embargo, al cambiar el orden de las ecuaciones y variables
se puede encontrar un sistema equivalente que posea una matriz asociada diagonalmente dominante y usar este hecho para resolver el sistema original.
Ejemplo 90
$
& 2x ` 3y 7z 2
11x y ` 4z 6
%
2x ` 9y 4z 2
2
3 7
con matriz asociada 11 1 4
2
9 4
Es posible notar que esta matriz no es diagonalmente dominante; no obstante,

existen dos formas de reescribir el sistema de forma que la matriz asociada sea
diagonalmente dominante.
$
11 1 4
& 11x y ` 4z 6
2x ` 9y 4z 2 , con matriz asociada 2
9 4
%
2x ` 3y 7z 2
2
3 7
$
7 2
3
& 7z ` 2x ` 3y 2
4z ` 11x y 6 , con matriz asociada 4 11 1
%
4z ` 2x ` 9y 2
4 2
9
En tales casos, la matriz asociada al reordenamiento del sistema resulta diagonalmente dominante, y es posible garantizar la convergencia tanto del metodo de
Jacobi como el metodo de Gauss-Seidel.
Ejercicios 3.15
1. Aplique el metodo de Gauss-Seidel para aproximar la solucion de los
siguientes sistemas con un error menor que 104 (Use la norma 8 para
el calculo del error). Tome como aproximacion inicial xp0q 0:
248
M
etodos num
ericos
$
& 11x ` 2y ` 4z 3
3x ` 15y ` 2z 2
a)
%
4x ` 3y 21z 5
$
& 23x 5y ` z 2
3x ` 29y 3z 7
b)
%
5x ` 6y ` 31z 2
2. Aplique varias iteraciones del metodo de Jacobi y del metodo de GaussSeidel y verifique la existencia de sistema en donde el metodo de Jacobi
converge y el metodo de Gauss-Seidel diverge, y viceversa.
$
$
& 2x1 x2 ` x3 1
& x1 ` 2x2 2x3 7
2x1 ` 2x2 ` 2x3 4
x1 ` x2 ` x3 2
a)
b)
%
%
x1 x2 ` 2x3 5
2x1 ` 2x2 ` x3 5
3.7.
Resoluci
on de sistemas no lineales
Dado el sistema
$
f1 px1 , x2 , . . . , xn q 0
& f2 px1 , x2 , . . . , xn q 0
..
%
fn px1 , x2 , . . . , xn q 0
(3.35)
se dice que es un sistema no lineal si al menos una de las ecuaciones del sistema
no es una ecuaci
on lineal.
Ejemplo 91
Los siguientes sistemas son no lineales.
"
3.7.1.
x2 ` y 2 3 0
2x 2y 2 0
$
& x ` 2y 3z 1 0
3x ` 2y 6z 0
%
xy ` ez 2
0
Representaci
on de un sistema no lineal como una funci
on
n
n
de R en R
Dado un sistema (3.35), este se puede representar como una funcion que toma
un elemento de Rn y lo enva a otro elemento en Rn . Esto se hace al definir una
funcion F : Rn Rn como:
f1 px1 , x2 , . . . , xn q
f2 px1 , x2 , . . . , xn q
Fpx1 , x2 , . . . , xn qT
..
.
fn px1 , x2 , . . . , xn q
249
de esta manera, resolver el sistema (3.35) es equivalente a encontrar un elemento

x P Rn tal que:
Fpx q 0
donde 0 representa al vector nulo en Rn .
Ejemplo 92
"
2xy 2 ` 3x 10
0
3x 5x2 y y 2 0
Este puede representarse con la funcion F : R2 R2 definida por:

`
T
x
F
2xy 2 ` 3x 10 , 3x 5x2 y y 2
y
(3.36)
De lo anterior se desprende la pregunta: Cuales metodos se pueden utilizar

para encontrar los ceros de una funci
on G : Rn Rn ?
Aunque no son los u
nicos, los metodos que seran estudiados en esta seccion
son el metodo de punto fijo y el metodo de Newton-Raphson, para funciones en
varias variables. Ambos requieren el concepto de continuidad de la funcion dentro
de un vecindario que contenga el cero de la funcion.
3.7.2.
M
etodo de punto fijo para funciones de Rn en Rn
Definici
on 42
Sea G : D Rn Rn una funci
on, y sea p P D un vector. Se dice que p es un
punto fijo de G si y solo si p Gppq.
Ejemplo 93
Considere la funci
on F : R2 R2 definida por:

x
3x ` 3y 1
F
y
2x2 6y 2 ` 1
Note que
5
es un punto fijo de F, pues:
3

5
3 5 ` 3 3 1
5
F
3
2 52 6 p3q2 ` 1
3
El teorema 36 corresponde a la equivalencia de los teoremas 16, 19 y 21

para funciones en varias variables, que corresponde a la existencia, unicidad y
condicion de convergencia del algoritmo de punto fijo.
250
M
etodos num
ericos
Teorema 36 (existencia, unicidad y condici

on de convergencia)
Sea D ra1 , b1 s ra2 , b2 s ran , bn s para ai P R y bi P R. Sea G una funcion
continua de D Rn en Rn definida por:
Gpxq pg1 pxq, g2 pxq, , gn pxqqT
tal que cumple que Gpxq P D para cualquier x P D. Entonces, G tiene al menos
un punto fijo en D.
Si ademas cumple que G tiene derivadas parciales continuas en D y existe
una constante K 1 tal que:
Bgi pxq K
Bxj n para toda x P D

para todas j 1, 2, . . . , n y todas i 1, 2, . . . , n, entonces el punto fijo de G en
D es u
nico.
Ademas, la sucesi
on txpkq u8
k0 definida por:
" pk`1q
x
Gpxpkq q
xp0q P D
converge al u
nico punto fijo p de G en D, y
}xpkq p}8
Kk
}xp1q xp0q }8
1K
(3.37)
Note que la desigualdad (3.37) establece una cota para el error absoluto al
utilizar la norma 8. Esto permitir
a definir un metodo de parada que garantice
que el error absoluto sea menor que una tolerancia predefinida.
Similar a lo que se realiz
o en el metodo del punto fijo para funciones en
una variable, la funci
on Fpxq pf1 pxq, f2 pxq, . . . , fn pxqqT debe transformarse de
modo que:
Fpxq 0 x Gpxq
La forma de lograr esta transformaci
on se evidencia en el siguiente ejemplo:
Ejemplo 94
Para el sistema presentado en el ejemplo 92 determine la funcion G de iteracion
de punto fijo.
F Soluci
on Para el sistema
"
2xy 2 ` 3x 10
0
2
3x 5x y y 2 0
251

se tiene que

x
p2xy 2 ` 3x 10 , 3x 5x2 y y 2qT
F
y
` 3x 10
3x 5x2 y y 2
2xy 2

x
0
y
0
10
2y 2 `3
23x
5x2 1
De esta forma, considere la funci

on G definida por:

2 3x T
10
x
,
G
y
2y 2 ` 3 5x2 1
de esta manera, se tiene que: Fpxq 0 x Gpxq.
Otras posibilidades corresponden a:
G
T

10 2xy 2
x
, 3x 5x2 y 2
y
3

10 3x 2 ` y 3x T
x
G
,
y
2y 2
5x2
F
En el ejemplo anterior se puede notar la existencia de diversas maneras de

transformar la funci
on F en una funci
on de iteracion de punto fijo. Similarmente
a lo ocurrido en funciones de una variable, no todas las transformaciones generan
sucesiones convergentes; por esta raz
on se debe tener cuidado de verificar la
convergencia, ya sea por medio del teorema 36 o bien durante el proceso de
iteracion, de manera que se pueda garantizar que la transformacion escogida sea
la mas adecuada.
Es importante comprender que el no cumplimiento de las hipotesis del teorema
no implica la no existencia ni la no unicidad el punto fijo.
Ejemplo 95
Considere el sistema no lineal
"
x2 10x ` y 2 ` 8 0
xy 2 ` x 10y ` 8 0
para el cual se tiene la funci


x
F
px2 10x ` y 2 ` 8 , xy 2 ` x 10y ` 8qT
y
252
M
etodos num
ericos
Demuestre que F puede transformarse en el problemas de punto fijo

y

x
, donde:
G
y
2
T
x ` y 2 ` 8 xy 2 ` x ` 8
x
G
,
y
10
10
Demuestre que G satisface las hip
otesis del teorema 36 en la region D r0, 23 s
3
r0, 2 s.
F Soluci
on
xy 2 ` x ` 8
x2 ` y 2 ` 8
y g2 px, yq
, cuConsidere las funciones g1 px, yq
10
10
yas graficas se muestran a continuaci
on:
1.5
1.0
1.5
1.0
0.5
0.5
0.0
0.0
1.2
1.2
1.1
1.0
1.0
0.9
0.8
0.8
0.0
0.0
0.5
0.5
1.0
1.0
1.5
(a) Gr
afica de g1
1.5
(b) Gr
afica de g2
Figura 3.12: g1 y g2 en la region D.
Se puede demostrar que la funci

on g1 alcanza su maximo en el punto
y su mnimo en p0, 0q, de donde se tiene que:
g1 p0, 0q
`
5
4
g1 px, yq g1 23 , 32
5
4
`3
3
2, 2
@px, yq P D
on g2 se tiene que alcanza su maximo en el punto

` 3 Por
otro lado, para la funci
3
y
su
m
nimo
en
el
punto
p0, yq para todo y P r0, 23 s. De donde se tiene que:
,
2 2
g2 p0, yq
`
103
4
g2 px, yq g2 23 , 32
5
80
@px, yq P D
As, se tiene que Gpxq P D para todo x P D, y que existe un punto fijo para G
en D.
253

Se analizar
a la unicidad de dicho punto fijo.
Bg1
px, yq
Bx
Bg1
px, yq
0
By
1
Bg2
px, yq
10
Bx
Bg2
0
px, yq
By
0
x
3
0.3
5
10
y
3
0.3
5
10
y2 ` 1
13
0.325
10
40
xy
9
0.225
5
40
De esta manera, basta tomar K 0.325 2
13
1, donde se tiene que:
20
Bgi
K
Bxi px1 , x2 q 2
por lo que el punto fijo es u
nico.
Ejemplo 96
Determine el n
umero de iteraciones del metodo de punto fijo que se deben realizar
para resolver el sistema planteado en el ejemplo 95, mediante la transformacion
propuesta en el mismo ejercicio y el vector inicial xp0q p0, 0qT , con un error
absoluto menor que 107 con norma 8.
F Soluci
on
De lo realizado en el ejercicio 95 se tiene que la funcion F : R2 R2 que
representa al sistema es:

x
F
px2 10x ` y 2 ` 8 , xy 2 ` x 10y ` 8qT
y
La funcion de iteraci
on de punto fijo es:
G
2
T
x ` y 2 ` 8 xy 2 ` x ` 8
x
,
y
10
10
La constante K 13
20 es la constate indicada en el teorema 36, con la cual se
demuestra la unicidad y convergencia del metodo de punto fijo.
De esta manera, la desigualdad (3.37) presentada en el teorema 36 indica una
cota para el error absoluto.
}xpkq p}8
Kk
}xp1q xp0q }8
1K
254
M
etodos num
ericos
Se debe calcular xp1q Gpxp0q q p 54 , 45 q, donde se tiene que
}x
p1q
p0q
}8
4 4
4
,
5 5 8 5
De esta manera,
}xpkq p}8
13 k
p 20
q
4
13 5
1 p 20 q
de donde basta encontrar un valor de k tal que:

13 k
q
p 20
4
7
13 5 10
1 p 20 q
Y esto se cumple para n 40. As, se requiere al menos 40 iteraciones para

poder garantizar que la aproximaci
on obtenida tenga un error absoluto menor
que 107 .
En la tabla 3.1 se pueden observar las primeras 21 iteraciones del metodo de
punto fijo para el sistema planteado.
# Ite.
0
1
2
3
4
5
6
7
8
9
10
x
0
0.8
0.928
0.972831744
0.989365606
0.995782611
0.998318801
0.999328437
0.999731521
0.999892632
0.999957057
y
0
0.8
0.9312
0.973269983
0.989435095
0.995793654
0.998320563
0.999328719
0.999731566
0.999892639
0.999957058
# Ite.
11
12
13
14
15
16
17
18
19
20
21
x
0.999982823
0.999993129
0.999997252
0.999998901
0.99999956
0.999999824
0.99999993
0.999999972
0.999999989
0.999999995
0.999999998
y
0.999982823
0.999993129
0.999997252
0.999998901
0.99999956
0.999999824
0.99999993
0.999999972
0.999999989
0.999999995
0.999999998
Tabla 3.1: Las primeras 21 iteraciones del metodo de punto fijo

para el sistema.
3.7.3.
M
etodo de Newton-Raphson para funciones de Rn en Rn
Para el caso de funciones en una variable, el metodo de Newton-Raphson

consiste en la aplicaci
on del metodo de punto fijo para una nueva funcion g
definida por:
f pxq
, con f 1 pxq 0
gpxq x 1
f pxq
255
En cuanto a una funci

on F : Rn Rn , la situacion es similar; claro esta que
la funcion de iteraci
on de punto fijo G : Rn Rn estara en funcion de F, que
tendra una derivada algo m
as compleja, pero al igual que ocurrio en el caso de
una variable, el metodo generado tendra una velocidad de convergencia por lo
menos cuadratica.
El metodo consiste en lo siguiente:
Sea F : Rn Rn una funci
on para la cual existe p P Rn que satisface
Fppq 0, y sea G : Rn Rn definida por:
Gpxq x J 1 pxqFpxq
donde Jpxq es la matriz jacobiana de la funcion F y se supone no singular.
La aplicaci
on del metodo de punto fijo a la funcion G genera una sucesion
recursiva convergente a p para cualquier aproximacion inicial xp0q suficientemente
cercana a p (convergencia local).
Para garantizar la convergencia del metodo, la funcion G debe cumplir algunas condiciones1 , entre ellas la no singularidad de la matriz jacobiana Jpxq.
De esta manera, dada una funci
on F : Rn Rn la sucesion definida por:
#
xpk`1q xpkq J 1 pxpkq qFpxpkq q
(3.38)
xp0q
aproximacion inicial
corresponde a la funci
on de iteraci
on del metodo de Newton-Raphson; ademas, si
la sucesion converge a un valor p P Rn , entonces se debe cumplir que Fppq 0.
La ventaja del metodo la constituye que en este existe una mayor probabilidad
de convergencia a una soluci
on del sistema en comparacion con el metodo de
punto fijo.
Ejemplo 97
Considere el sistema no lineal:
" 2
x 10x ` y 2 ` 8 0
xy 2 ` x 10y ` 8 0
para el cual se tiene la funci

x
F
px2 10x ` y 2 ` 8 , xy 2 ` x 10y ` 8qT
y
Aplique cinco iteraciones del metodo de Newton-Raphson para funciones en varias
variables, partiendo de la aproximaci
on inicial xp0q p3, 2qT . Calcule, para la
aproximacion encontrada, la estimaci
on del error absoluto. Utilice la norma 8.
1
Pueden ser consultadas en Burden & Faries, setima edici
on. Bajo esas mismas condiciones
se garantiza la convergencia cuadr
atica del metodo.
256
M
etodos num
ericos
F Soluci
on Defina las funciones f1 px, yq x2 10x ` y 2 ` 8 y f2 px, yq
2
xy ` x 10y ` 8. Adem
as, considere xpkq pxk , yk qT y la sucesion recursiva
mostrada en (3.38) y dada por:
xpk`1q xpkq J 1 pxpkq qFpxpkq q

xk`1
xk
x
1 xk
J
F k
yk`1
yk
yk
yk

x0
3
y:
donde xp0q
y0
2
Bf
Bf1
1
Bx px, yq By px, yq
2x 10
2y
x

Bf
2
Bf
2
2
y ` 1 2xy 10
px, yq
px, yq
Bx
By
por lo que la sucesi
on recursiva queda reducida a:
2xk 10
2yk
2`8
xk`1
xk
x
10x
`
y
k
k
k
yk`1
yk
xk yk2 ` xk 10yk ` 8
2
yk ` 1 2xk yk 10
xp0q
x
y
3
2
y
10.851852
1.6790981
xp1q
x
y
x
y
0.5039588
1.0136240
y
8.992082356
2.027433651

x
y
8.0569914
1.9901654
0.9715043
0.9950705
esta dada por:
1.9901411
8.0665694
y
0.1321704
0.0326088
y
8.0002409
1.9998652
1.9998652
8.0003756
y
0.1333274
0.0333280
xp5q
0.0264572
0.1173534
y
4.2418199
1.114497
0.0326084
0.1320135
y
0.2189430
0.0172511
0.0333280
0.133325
y
0.0008288
0.0002982
J 1
J 1
0.9998796
0.9999326
2.0272480
8.9783505
y
0.1171742
0.0264595
0.0158983
0.1046789
y
13.119770
15.525569
F
J 1
xp4q
x
y
1.6481481
9.2980110
y
0.0896902
0.0161969
0.0370370
0.0370370
y
9
43
J 1
xp3q
x
y
4
22
y
0.2037037
0.0462963
J 1
0.425925926
0.8240741
xp2q
y
4
5
0.999999997
y la aproximacion del error absoluto

0.999999997
}xp5q xp4q }8 0.00012043
F
257
Ejercicios 3.16
1. Reescriba cada uno de los sistemas no lineales que se muestran a continuaci
on, como un problema de iteracion de punto fijo y aplique el
metodo de punto fijo hasta aproximar la solucion con un error absoluto
aproximado menor que 105 . Si no converge el metodo, busque otra
transformaci
on que s lo haga. En caso de no encontrar ninguna transformaci
on de modo que el metodo de punto fijo converja, indquelo.
" 2
"
x ` y2 x 0
x y senpxq 1 0
a)
d)
x2 y 2 y 0
y 3 yx cospxq 0
" 2
x ` y 37 0
b)
x y2 5 0
$
1
0
3x cospyzq
&
x2 81py ` 0.1q2 ` senpzq ` 1.06 0
c)
10 3
%
exy ` 20z `
0
3
2. Resuelva los sistemas aq, bq y cq de la parte 1, con base en el metodo
de Newton-Raphson para sistemas no lineales. Utilice en todas la aproximaci
on inicial xp0q p1, 1qT e itere hasta alcanzar un error absoluto
menor que 105 con norma 8.
3.8.
1. Para el sistema
2x2 ` 5x3
9
2x1 ` x2 ` x3 9
%
3x1 ` x2
10
$
&
a) Calcule el determinante de la matriz asociada.

b) Utilice al regla de Cramer para resolver el sistema y compruebe el
resultado con el que brinda una calculadora.
2. Considere el sistema
"
4x1 8x2 24
x1 ` 6x2 34
Resuelva el sistema anterior con base en el metodo grafico y compruebe el

resultado al sustituir la soluci
on en el sistema original.
258
M
etodos num
ericos
"
0.5x1 x2 9.5
1.02x1 2x2 18.8
a) Resuelva el sistema anterior con base en el metodo grafico. Compruebe

al sustituir la soluci
on en el sistema original.
b) Calcule el determinante de la matriz asociada al sistema.
c) Basado en los dos incisos anteriores, el sistema original esta mal condicionado?
d) Resuelva el sistema por alg
un metodo exacto.
e) Resuelva nuevamente el sistema, pero cambie el coeficiente a11 por
0.52.
4. Emplee la eliminaci
on de Gauss-Jordan para resolver el sistema
$
& 2x1 ` x2 x3 1
5x1 ` 2x2 ` 2x3 4
%
3x1 ` x2 ` x3 5
Compruebe su respuesta con la sustitucion en
$
& x1 ` x2 x3
5. Considere el sistema: 6x1 ` 2x2 ` 2x3
%
3x1 ` 4x2 ` x3
el sistema original.
3
2
1
Resuelva el sistema con el uso de:

a) Eliminaci
on simple de Gauss.
b) Eliminaci
on de Gauss con pivoteo.
c) Eliminaci
on de Gauss-Jordan sin pivoteo.
d) Verifique sus respuestas mediante la sustitucion de la solucion en el
sistema original.
$
27
& 10x1 ` 2x2 x3
3x1 6x2 ` 2x3 61.5
6. Considere el sistema de ecuaciones lineales
%
x1 ` x2 5x3
21.5
a) Resuelva el sistema anterior con el metodo simple de Gauss.
b) Determine la descomposici
on LU de la matriz asociada al sistema.
c) Si A es la matriz asociada al sistema, multiplique L U y verifique si
realmente da A.
d) Use la descomposici
on LU para resolver el sistema anterior.
e) Resuelva nuevamente el sistema, pero cambie los valores de las cons`
T
tantes de la derecha por 12 18 6 .
259
f ) Sustituya las soluciones encontradas en los dos pasos anteriores en los

sistemas respectivos para verificar sus respuestas.
$
& 8x1 ` 4x2 x3 11
2x1 ` 5x2 ` x3 4
%
2x1 x2 ` 6x3 7
a) Resuelva el sistema anterior por medio de la descomposicion LU sin
pivoteo.
b) Verifique su respuesta al sustituir esta en el sistema original.
c) Sea A la matriz asociada al sistema anterior. Determine A1 mediante
la descomposici
on LU obtenida en el paso anterior.
d) Multiplique A A1 y verifique que realmente da I3 .
$
& 2x1 6x2 x3 38
3x1 x2 ` 7x3 34
%
8x1 ` x2 2x3 20
a) Resuelva el sistema anterior mediante la descomposicion LU con pivoteo.
b) Verifique su respuesta al sustituir la solucion en el sistema original.
c) Es posible resolver el sistema tal y como esta, mediante la descomposici
on LU sin pivoteo? Por que?
9. Use el concepto de matrices elementales y sus propiedades para demostrar
el teorema 27 para el caso de sistemas cuadrados con solucion u
nica.
1 1{2 1{3
10. La siguiente matriz A 1{2 1{3 1{4 se denomina matriz de Hilbert
1{3 1{4 1{5
de orden 3. Analcela y determine si tiene altas posibilidades de ser una
matriz mal condicionada 2 .
11. Utilice descomposici
on LU para determinar la matriz inversa de la matriz
A, donde:
5 3 4
A 2 4 2
4 2 3
12. Considere el sistema:
$
& 3x1 ` 7x2 15x3 2
7x1 ` 2x2 3x3 10
%
2x1 5x2 ` x3 4
2
Se dice que una matriz A es mal condicionada si y solo un sistema que la tiene como matriz
asociada es un sistema mal condicionado.
260
M
etodos num
ericos
Es el sistema anterior diagonalmente dominante3 ?
En caso de no serlo, es posible determinar un sistema equivalente que sea
diagonalmente dominante?
13. Utilice el metodo de Jacobi para determinar la

$
& 3x1 ` 7x2 15x3
7x1 ` 2x2 3x3
%
2x1 5x2 ` x3
solucion del sistema

2
10
4
con un error relativo normalizado menor que 103

14. Repita el ejercicio anterior con base en el metodo de Gauss-Seidel. Compare
el resultado con el obtenido con el metodo de Jacobi.
15. Considere el sistema:
$
& 5x1 ` 9x2 15x3 1
8x1 ` 2x2 3x3 9
%
3x1 7x2 ` 2x3 5
Es posible garantizar la convergencia del metodo de Jacobi para el sistema
anterior? De no serlo, es posible determinar un sistema equivalente en el
que s sea posible garantizar convergencia?
16. Resuelva los siguientes sistemas con base en el metodo de Jacobi y GaussSeidel. Itere hasta que cada variable posea tres o mas decimales exactos.
$
$
12x ` 5y ` 2z ` w
8
& 2x ` 5y ` 2z 8
&
6x 2y ` 3z 9
6x 2y ` 14z ` 2w 2
a)
c)
%
4x ` 5y 11z 5
2x ` 15y 5z 4w 5
%
$
2x ` 5y 3z ` 12w 3
& 12x ` 5y ` 2z 8
b)
%
6x 2y ` 14z 2
2x ` 15y 5z 5
17. : Demuestre que para todo x P Rn se cumple que:

?
}x}8 }x}2 n }x}8
Esto demuestra que la norma 2 y la norma 8 son equivalentes en Rn .
18. : Demuestre que la funci
on definida en (3.23) es una norma en Rn . Considere la funci
on }}1 : Rn R definida por:
n
}x}1
|xi |
i1
Un sistema es diagonalmente dominante si su matriz asociada tambien lo es.
261

19. : Considere la funci
on }}f : Mn R definida por:
}x}f m
ax |aij |
1i,jn
Demuestre que }}f no define una norma matricial.

20. : Considere el sistema:
$ 2
& x 10x ` y 2 ` 8 0
%
xy 2 ` x 10y ` 8 0
a) Pruebe que dicho sistema se puede transformar en el problema de

punto fijo:
$
2
2
x f1 px, yq x ` y ` 8
&
10
% y f2 px, yq
xy 2 ` x ` 8
10
x
f1 px, yq
b) Use el teorema 36 para demostrar que la funcion F
y
f2 px, yq
tiene un punto fijo en el conjunto D, donde:
*
"
3
3
x
D
x P 0, 2 ^ y P 0, 2
y
c) Aproxime la soluci
on del sistema al aplicar el metodo de punto fijo
con el valor inicial xp0q p0, 0qT . Itere hasta que el error absoluto sea
menor que 105 . Para dicho error use la norma 2.
Captulo 4
Interpolaci
on num
erica y
regresi
on lineal
4.1.
Introducci
on
En muchas ocasiones es de gran interes determinar cantidades a partir de

las observaciones realizadas con anterioridad y posterioridad. Es decir, realizar
estimaciones de datos a partir del conocimiento de las cantidades que estos han
tomado en periodos alrededor del punto de interes.
Un ejemplo de esta necesidad lo constituye el calculo de poblaciones en determinados momentos de la historia, con datos reales de la poblacion en diferentes
momentos de la historia. A manera de ejemplo, considere los datos de la siguiente tabla, que muestran las poblaciones de Costa Rica en 1950, 1963, 1973, 1984,
2000 y 2011.
A
no
1950
1963
1973
1984
2000
2011
Habitantes
800 875
1 336 274
1 871 780
2 416 809
3 810 179
4 586 353
Tabla 4.1: Poblaci

on de Costa Rica 1950-2011.
264
M
etodos num
ericos
Suponga que se desea determinar una estimacion de la poblacion de Costa

Rica en a
nos no contemplados en los datos, como por ejemplo 1967 y 1979.
Es claro que por el comportamiento creciente de los datos (figura 4.1) la
poblacion para el a
no 1967 debe estar entre 1336274 y 1871780 personas; mientras
que para 1979, la poblaci
on debe estar entre 1871780 y 2416809 personas, pero
ambos casos el umbral es muy amplio y esta afirmaciones, por si solas, no seran
de mucha ayuda.
En la figura 4.1 se puede observar el grafico de dispersion de los datos de
la tabla de la poblaci
on de Costa Rica. Se puede notar el esperado crecimiento
poblacional que ha tenido durante su historia a partir de 1950.
5000000
4500000
4000000
3500000
3000000
2500000
2000000
1500000
1000000
500000
0
1940
1950
1960
1970
1980
1990
2000
2010
Figura 4.1: Gr
afico de dispersion de los datos.
Del problema planteado anteriormente surge la pregunta es posible analizar

los datos de la tabla anterior para encontrar buenas aproximaciones de las poblaciones en a
nos distintos a los presentados en la tabla, como 1967 o 1979? se
puede pronosticar la poblaci
on de Costa Rica en a
nos posteriores a los datos,
como por ejemplo para el 2014?
El analisis que se encarga de dar respuesta a la primera pregunta se denomina
interpolacion, mientras que el encargado de responder la segunda pregunta se
denomina extrapolaci
on.
4.2.
El proceso de interpolaci
on
Consiste en determinar una funci

on que se ajuste mejor a los datos existentes y usar esta funci
on para realizar las predicciones necesarias. Las funciones
com
unmente empleadas en la interpolaci
on son las polinomiales, es decir, funciones de la forma:
P pxq an xn ` an1 xn1 ` ` a2 x2 ` a1 x ` a0
265
donde n es un n
umero natural y ai son los coeficientes del polinomio para i
1, 2, . . . , n. A este tipo de interpolaci
on se le conoce como interpolaci
on polinomial
y al polinomio P pxq polinomio interpolante. Sin embargo, existen aproximaciones
por medio de funciones exponenciales, logartmicas, entre otras.
El siguiente teorema garantiza la existencia y unicidad del polinomio interpolante.
Teorema 37
on real de variable real y sean x0 , x1 , . . . , xn , n ` 1
n
umeros distintos en el dominio de f , entonces existe un u
nico polinomio P pxq
de grado menor o igual a n que satisface que:
para cada k 0, 1, 2, . . . , n
f pxk q P pxk q
o Demostraci
on
Primero se desea probar que existen coeficientes reales an , an1 , . . . , a2 , a1 , a0
tales que el polinomio P pxq an xn ` an1 xn1 ` ` a2 x2 ` a1 x ` a0 cumpla
que P pxk q f pxk q para todo n 0, 1, 2, 3, . . . , n. Si este polinomio existiera, sus
coeficientes deber
an satisfacer el sistema (4.1),el cual se muestra a continuacion:
$
an xn0 ` an1 xn1
` ` a2 x20 ` a1 x0 ` a0
n1
n
2
& an x1 ` an1 x1 ` ` a2 x1 ` a1 x1 ` a0
n1
n
an x2 ` an1 x2 ` ` a2 x22 ` a1 x2 ` a0
%
an xnn ` an1 xn1
` ` a2 x2n ` a1 xn ` a0
n
f px0 q
f px1 q
f px2 q
..
.
(4.1)
f pxn q
En notacion matricial el sistema 4.1 se representa por:

f px0 q
an
1

an1 f px1 q
1
.. f px2 q

.
..
.. a2
.
.
a1 f pxn1 q
1
f pxn q
a0
n
x0 xn1
0
xn xn1
1
1
xn xn1
2
2
.
..
..
.
xnn xn1
n
x20
x21
x22
x0
x1
x2
..
.
.
..
x2n xn
(4.2)
De donde queda claro que la existencia y la unicidad del polinomio quedan condicionadas a la existencia y la unicidad de la solucion del sistema (4.2). La matriz
asociada al sistema (4.2) tiene determinante no nulo, pues xi xj para todo
266
M
etodos num
ericos
i j y se puede demostrar que:
n
x
0
xn
1
n
x2
..
.

xn
xn1
0
xn1
1
xn1
2
..
.
x20
x21
x22
.
..
x0
x1
x2
..
.
1
1

1
..
.

xn1
x2n xn 1
n
px0 x1 qpx0 x2 q px0 xn q px1 x2 qpx1 x3 q

px1 xn q px3 x4 qpx3 x5 q px3 xn q pxn1 xn q
De esta manera, se tiene que el sistema (4.1) tiene solucion u

nica. As, quedan
demostradas la existencia y unicidad de los coeficientes an , an1 , . . . , a2 , a1 , a0 ,
dadas por la soluci
on del sistema. Finalmente, se puede concluir que el polinomio:
P pxq an xn ` an1 xn1 ` ` a2 x2 ` a1 x ` a0
que satisface
f pxk q P pxk q
para cada k 0, 1, 2, . . . , n
existe y es u
nico
p
El siguiente resultado justifica que el uso de funciones polinomiales es una
excelente opcion para aproximar funciones aparentemente continuas en un proceso de interpolaci
on numerica. Dicho resultado garantiza, para cualquier funcion
definida y continua, la existencia de un polinomio que aproxime dicha funcion
con un error tan peque
no como se desee.
Teorema 38 (Teorema de aproximaci
on de Weierstrass)
Dada una funci
on f definida y continua en un intervalo ra, bs y dado 0,
siempre es posible determinar un polinomio P pxq, que cumpla la propiedad:
|f pxq P pxq| , @x P ra, bs
267
P(x)
Figura 4.2: Ilustraci

on del teorema de Weierstrass.
A continuaci
on se estudiar
an casos especficos de polinomios interpolantes.
Posteriormente se realiza un an
alisis del error que se comente al utilizar los polimonios interpolantes para aproximar la imagen de una funcion en un punto
dado.
4.3.
Diferencias divididas
Existen muchas formas de realizar la interpolaci

on polinomial; una de las mas
populares y u
tiles es mediante la tabla de diferencias divididas de Newton. El
polinomio resultante por este metodo es denominado polinomio de interpolaci
on
de Newton en diferencias divididas.
Para abordar el tema se desarrollar
a primero la interpolacion lineal e interpolacion cuadr
atica; posteriormente se generalizara a la interpolacion polinomial
con polinomio de grado mayor que dos.
4.3.1.
Interpolaci
on lineal
Sea f una funci

on desconocida y continua en el intervalo ra, bs, y sean x0
y x1 dos elementos de ra, bs para los cuales se conocen los dato f px0 q y f px1 q.
Suponga que se desea aproximar el datos f pxq para cualquier x contenido entre
x0 y x1 . Es natural pensar que dicha aproximacion se puede realizar mediante
una aproximaci
on lineal de la funci
on f , tomando como dicha aproximacion la
recta que pasa por los puntos px0 , f px0 qq y px1 , f px1 qq.
Este proceso se puede observar en la figura 4.3, en donde la recta P1 es la
aproximacion lineal de la funci
on f entre los valores x0 y x1 .
268
M
etodos num
ericos
P1
f
f ( x1)
f ( x0)
x0
x1
Figura 4.3: Interpolaci

on lineal de una funcion f .
Para el caso anterior, la ecuaci

on de la funcion lineal P1 esta dada por:
f px1 q f px0 q
f px1 q f px0 q
P1 pxq
x ` f px0 q
x0
x1 x0
x1 x0
f px0 q `
f px1 q f px0 q
px x0 q
x1 x0
Definici
on 43
Sea f una funci
on definida y continua en el intervalo ra, bs y sean x0 y x1 dos
puntos cualesquiera contenidos en ra, bs. Se define la primera diferencia dividida
de f con respecto a x0 y x1 , y se denota f rx0 , x1 s, como:
f rx0 , x1 s
f px1 q f px0 q
x1 x0
En virtud de la definici
on 43 se tiene que la ecuacion de la recta P1 queda
reducida a:
P1 pxq f px0 q ` f rx0 , x1 spx x0 q
En este caso, f rx0 , x1 s es la pendiente de la recta secante a la grafica de f
que pasa por los puntos px0 , f px0 qq y px1 , f px1 qq. De esta forma, f rx0 , x1 s puede
ser considerada como una aproximaci
on de la primera derivada de f evaluada en
cualquier valor entre x0 y x1 . Y se le denomina aproximacion en diferencias divididas finitas de la primera derivada de la funcion f . Note que dicha aproximacion
es buena en la medida que x0 y x1 esten cercanos.
Ejemplo 98
?
?
Estime, mediante una interpolaci
on lineal, el valor de 3 si se sabe que 1 1
?
y 4 2.
269

F Soluci
on
Para este caso se tiene que x0 1 y x1 4. Primero se debe calcular la recta

?
P1 que pasa por los puntos p1, 1q y p4, 2q, donde f pxq x es el criterio de la
funcion desconocida. As, la ecuaci
on de P1 esta dada por:
P1 pxq f px0 q ` f rx0 , x1 spx x0 q
P1 pxq f px0 q `
P1 pxq f p1q `
f px1 q f px0 q
px x0 q
x1 x0
f p4q f p1q
px 1q
41
1
P1 pxq 1 ` px 1q
3
?
1
2
3 P1 p3q 1 ` p3 1q 1 ` 1.66
3
3
F
?
?
Para el ejemplo anterior, el valor real de 3 esta dado por 3 1.732050807...
de donde se puede observar que la aproximacion obtenida por la interpolacion
lineal no es muy buena; esto se debe a que los valores conocidos se encuentran
relativamente alejados del valor a aproximar. En la figura 4.4 se muestra geometri?
camente la interpolaci
on lineal para la funcion f pxq x en el intervalo r1, 4s.
En la misma figura se observa una interpretacion geometrica del error cometido
durante la interpolaci
on lineal.
De esta manera se tiene que
2
1.66
1
Valor real
Aproximacin
Error
3
Figura 4.4: Interpolacion lineal de f pxq
3.
270
M
etodos num
ericos
a1
a2
Valor real
x
x0
x1
x2
x3
Figura 4.5: Datos cercanos vrs datos alejados.
La calidad de la aproximaci
on obtenida por interpolacion lineal depende en
gran medida de la cercana que tengan los datos conocidos con el valor por aproximar. Otro factor que influye en dicha calidad lo constituye la variacion que tenga
la funcion dentro del intervalo de interpolacion. El exito de la interpolacion lineal proviene de suponer que la funci
on f se comporta aproximadamente lineal
en el intervalo de interpolaci
on. Si esto no es as, la calidad de la aproximacion
obtenida no ser
a aceptable.
En la figura 4.5 se puede apreciar el error que ocasiona realizar la interpolacion
lineal con valores relativamente alejados del valor por aproximar; en este caso, se
puede observar que la aproximaci
on a2 es mucho mejor que la aproximacion a1 .
Ejercicios 4.1
1. Sea f una funci
on desconocida y continua en el intervalo ra, bs y sea
p Psa, br. Si se sabe que la funci
on se comporta aproximadamente lineal
en ra, bs determine una aproximacion en terminos de a y b para la aproximaci
on de f ppq obtenida por interpolacion lineal. Suponga conocidos
los valores f paq y f pbq.
2. Estime el valor de cosp1q, si se sabe que cosp0q 1 y cospq 1.
Compare el valor obtenido con el valor real (use como valor real lo que
brinda la calculadora). Dibuje la funcion y la recta de interpolacion, u
sela
para explicar el resultado.
3. Estime el valor de senp{2q si se sabe que senp0q 0 y senpq 0.
271
Compare con el valor real. Que sucede con el valor aproximado de

senpxq para todo x P r0, s? Dibuje la funcion y la recta de interpolacion,
u
sela para explicar el resultado.
4. Use los datos presentados en la tabla 4.1 para aproximar, mediante la
interpolaci
on lineal, la poblaci
on de Costa Rica en 1967 y 1979. Realice
la mejor escogencia de los datos en cada caso.
5. Realice interpolaci
on lineal para calcular el dato f ppb ` aq{2q para cada
una de las funciones que se presentan a continuacion. Use la calculadora
para determinar el valor de los datos iniciales f paq y f pbq.
a) f pxq log10 pxq,
con a 101 y b 1.
?
b) f pxq x ` 4,
con a 0 y b 5.
4.3.2.
c) f pxq px 2q lnpxq,
con a 1 y b 2.
d) f pxq 2x ,
con a 0 y b 1.
Interpolaci
on cuadr
atica
El exito de la interpolaci
on lineal proviene de suponer que la funcion desconocida se comporta aproximadamente lineal dentro del intervalo de interpolacion.
De esta forma, la aproximaci
on lineal de la funcion desconocida f dada por la
recta secante que pasa por los puntos px0 , f px0 qq y px1 , f px1 qq es un buen estimador de f , y por lo tanto, las aproximaciones obtenidas seran aceptables. Sin
embargo, no en todos los caso es posible suponer que la funcion desconocida se
comporta aproximadamente lineal, y por consiguiente, que la recta secante no
sea un buen estimador de la funci
on desconocida f .
En caso de que la funci
on no se comporte aproximadamente lineal dentro del
intervalo de interpolaci
on, es necesario establecer una aproximacion de la funcion
que tenga la capacidad de adaptarse, en alguna medida, a las variaciones que
tenga la funci
on dentro del intervalo.
Una estrategia que podra mejorar satisfactoriamente la aproximacion consiste en realizar la interpolaci
on con tres puntos que generen una aproximacion
cuadratica en lugar de una lineal. Es decir, se busca ya no una la mejor recta
de aproximaci
on, sino la mejor par
abola que aproxime la funcion en cuestion. Lo
anterior se puede observar en la figura 4.6.
272
M
etodos num
ericos
P2
x0
x1
x2
Figura 4.6: Interpolacion cuadratica.
Ejemplo 99
Considere tres puntos distintos px0 , f px0 qq, px1 , f px1 qq y px2 , f px2 qq no colineales.
Demuestre, sin usar directamente el teorema 37, que siempre existe una una
funcion polinomial con criterio P2 pxq ax2 ` bx ` c tal que los tres datos estan
contenidos en su gr
afico.
F Soluci
on Sea y0 f px0 q, y1 f px1 q, y2 f px2 q y sea P2 pxq ax2 ` bx ` c
un polinomio cuadr
atico. Si todos los datos estan contenidos en el grafico de P2 ,
entonces necesariamente se cumple que:
P2 px0 q ax20 ` bx0 ` c y0
P2 px1 q ax21 ` bx1 ` c y1
P2 px2 q ax22 ` bx2 ` c y2
Lo anterior puede ser considerado como un sistema con tres ecuaciones lineales
y tres incognitas a, b y c. As, la notaci
on matricial de dicho sistema esta dada
por:
2

x0 x0 1
a
y0
x21 x1 1 b y1
x22 x2 1
c
y2
por lo que bastara demostrar que dichos sistemas tienen solucion u
nica y que
a 0.

x2
0
2
x1
2
x2

x0 1
x 1
x 1
x 1

1
0
0
x1 1 x20
x21
` x22

x2 1
x2 1
x1 1
x2 1
px0 x1 qpx0 x2 qpx1 x2 q D 0
273
pues x0 , x1 y x2 son distintos entre s. As, queda demostrado que el sistema tiene
solucion u
nica. Falta demostrar que a 0.
Por la regla de Cramer se sabe que:

y
0

y1

y2
x0 1

x1 1

x2 1
D
(4.3)
por la no coli-
Si se define A px0 , y0 q, B px1 , y1 q y C px2 , y2 q, entonces
`
nealidad de los puntos se tiene que los vectores u AB x1 x0 y1 y0
`
y v AC x2 x0 y2 y0 son linealmente independientes.
Lo anterior sucede si

x x
1
0

y1 y0
x2 x0
0
y2 y0
Finalmente, se puede demostrar que:

y
0

y1

y2

x0 1
x x x x

1
0
2
0
x1 1
0

y1 y0 y2 y0

x2 1
Y por lo tanto a 0 en virtud de la igualdad 4.3.
El polinomio cuadr
atico que se presenta en el teorema 99 se puede expresar
de la forma:
P2 pxq b0 ` b1 px x0 q ` b2 px x0 qpx x1 q
donde
b0 f px0 q
b1
b2
f px1 q f px0 q
x1 x0
f px2 q f px1 q f px1 q f px0 q
x2 x1
x1 x0
x2 x0
Es posible notar que b1 f rx0 , x1 s.
(4.4)
274
M
etodos num
ericos
Ejercicios 4.2
Demuestre que px0 , f px0 qq, px1 , f px1 qq y px2 , f px2 qq pertenecen al grafico de
la funcion P2 presentada en 4.4.
El calculo de b2 puede hacerse en funci
on de las primeras diferencias divididas
de la funcion f en los valores x1 , x2 y x0 , x1 respectivamente. En la definicion
44 se nombra el valor b2 como la segunda diferencia dividida de f en los valores
x0 , x1 y x2 . De esta manera, el polinomio interpolante de grado dos se puede
expresar en terminos de primeras y segundas diferencias divididas de la funcion
f.
Definici
on 44
Sea f una funci
on definida y continua en el intervalo ra, bs y sean x0 , x1 , x2 P ra, bs.
Se define la segunda diferencia dividida de f con respecto a x0 , x1 y x2 , y se denota
f rx0 , x1 , x2 s, como:
x2 x1
x1 x0
f rx0 , x1 , x2 s
x2 x0
Notese que es posible expresar la segunda diferencia dividida de f en funcion de
las primeras diferencias divididas de f ; para esto basta notar que:
f rx0 , x1 s
f px1 q f px0 q
x1 x0
As se tiene que:
f rx0 , x1 , x2 s
f rx1 , x2 s
f px2 q f px1 q
x2 x1
f rx1 , x2 s f rx0 , x1 s
x2 x0
De esta manera, el polinomio cuadr

atico planteado en la ecuacion 4.4 se puede
expresar en forma compacta como:
P2 pxq f px0 q ` f rx0 , x1 spx x0 q ` f rx0 , x1 , x2 spx x0 qpx x1 q
(4.5)
Ejemplo 100
?
Utilice interpolaci
on cuadr
atica para aproximar el valor de 3 si se sabe que
?
?
?
1 1, 4 2 y 9 3.
F Soluci
on Se debe calcular la ecuaci
on de la funcion cuadratica P2 . Esto se
puede hacer de dos formas distintas, la primera es utilizar la formula de diferencias
?
divididas para la funci
on f con criterio f pxq x; en este caso se tendra que:
275

x0 1 f px0 q 1
x1 4 f px1 q 2
x2 9 f px2 q 3
As, por la igualdad 4.5 se sabe que:
P2 pxq f px0 q ` f rx0 , x1 spx x0 q ` f rx0 , x1 , x2 spx x0 qpx x1 q
donde:
f px0 q 1
f rx0 , x1 s
f rx0 , x1 , x2 s
f p4q f p1q
1
f px1 q f px0 q
x1 x0
41
3
x2 x1
x1 x0
x2 x0
?
9 4 1
94
3 1
91
60
Por lo tanto:
P2 pxq 1 `

1
1
px 1q `
px 1q px 4q
3
60
5
3
1 2
x ` x`
60
12
5
As, el polinomio interpolante de grado dos cuya grafica contiene a los puntos
p1, 1q, p4, 2q y p9, 3q es:
P2 pxq
1 2
5
3
x ` x`
60
12
5
De esta forma se tiene que la aproximacion de

La segunda forma es al resolver el sistema
$
a `
b `
&
42 a `
4b `
% 2
9 a ` 9b `
3 esta dada por P2 p3q 1.7
de ecauciones lineales dado por:

c 1
c 2
c 3
1
5
3
donde al resolver el sistema se obtiene a , b , c . As, el polinomio
60
12
5
1 2
5
3
interpolante es P2 pxq x ` x ` .
F
60
12
5
Note que la aproximaci
on obtenida en el ejemplo 100, que corresponde a 1.7
es mejor que la aproximaci
on obtenida en el ejemplo 98, que corresponde a 1.66.
276
M
etodos num
ericos
Para el caso de la interpolaci

on lineal y cuadratica se puede notar que los
polinomios interpolantes pueden ser calculados mediante las diferencias divididas.
En las ecuaciones 4.6 y 4.7 se muestran los polinomios de interpolacion de grado
1 y grado 2, respectivamente:
P1 pxq f px0 q ` f rx0 , x1 s px x0 q
(4.6)
P2 pxq f px0 q ` f rx0 , x1 s px x0 q ` f rx0 , x1 , x2 s px x0 qpx x1 q (4.7)

Note que ambos polinomios contienen la expresion f px0 q. As, para ser consistentes con la notaci
on del polinomio interpolante se puede definir la diferencia
dividida cero de f con respecto a x0 como f rx0 s f px0 q.
4.3.3.
Interpolaci
on polinomial
La interpolaci
on lineal y la interpolaci
on cuadratica, estudiadas en la seccion
anterior, son dos casos particulares de la interpolacion polinomial. Al hacer uso
de las diferencias divididas, es posible determinar un polinomio de grado menor
o igual que n que satisfaga n ` 1 condiciones.
Definici
on 45 (Diferencias divididas)
Dada una funci
on f continua en ra, bs y dados n ` 1 datos pxk , f pxk qq tales que
xk P ra, bs, con k 0, 1, 2, 3, . . . , n, entonces se definen:
Las diferencias divididas cero f rxi s f pxi q.
Las primeras diferencias divididas f rxi , xj s por:
f rxi , xj s
f pxj q f pxi q
xj xi
con i, j 0, 1, 2, . . . , n y i j
Las segundas diferencias divididas f rxi , xj , xk s por:
f rxi , xj , xk s
f rxj , xk s f rxi , xj s
xk xi
con i, j, k 0, 1, 2, . . . , n y i j k i
Las terceras diferencias divididas f rxi , xj , xk , xp s por:
f rxi , xj , xk , xp s
f rxj , xk , xp s f rxi , xj , xk s
xp xi
con i, j, k, p 0, 1, 2, . . . , n y todos distintos entre s.
277

on anterior, es posible definir la nesima diferencia
dividida en forma recursiva de la siguiente manera.
Definici
on 46 (n
esimas diferencias divididas. F
ormula recursiva)
Sea f una funci
on continua en ra, bs y sean x0 , x1 , . . . , xn P ra, bs. Se define la
nesima diferencia dividida, y se denota f rx0 , x1 , . . . , xn s como:
f rx0 , x1 , . . . , xn s
f rx1 , x2 , . . . , xn s f rx0 , x1 , . . . , xn1 s

xn x0

on de las diferencias divididas finitas se construye el
polinomio interpolante de Newton por diferencias divididas, cuya forma generalizada se expresa en el siguiente resultado:
Teorema 39 (Polinomio interpolante de Newton)
Sea f una funci
on continua en un intervalo ra, bs y sean xi P ra, bs para todo
i 0, 1, 2, ..., n tales que pxi , f pxi qq son datos conocidos de f dentro del intervalo ra, bs. Entonces, el polinomio de interpolacion Pn pxq que satisface las n ` 1
condiciones es:
k1
n
f rx0 . . . xk s
px xi q
Pn pxq
k0
i0
Una forma alternativa de representar el polinomio interpolante de grado n

que cumple con los n ` 1 datos es:
Pn pxq f rx0 s ` f rx0 , x1 s px x0 q ` f rx0 , x1 , x2 s px x0 qpx x1 q `
` f rx0 , x1 , . . . , xn1 , xn s px x0 qpx x1 q px xn1 q
(4.8)
En la siguiente tabla se muestra la naturaleza recursiva de las diferencias

divididas finitas:
i
0
1
2
3
4
xi
x0
x1
x2
x3
x4
f pxi q
f px0 q
f px1 q
f px2 q
f px3 q
f px4 q
Primera
f rx0 , x1 s
f rx1 , x2 s
f rx2 , x3 s
f rx3 , x4 s
Segunda
f rx0 , x1 , x2 s
f rx1 , x2 , x3 s
f rx2 , x3 , x4 s
Tercera
f rx0 , x1 , x2 , x3 s
f rx1 , x2 , x3 , x4 s
Cuarta
f rx0 , x1 , x2 , x3 , x4 s
Tabla 4.2: Tabla de diferencias divididas.
Ejemplo 101
?
Encuentre una aproximaci
on para 3, mediante interpolacion de la funcion f pxq
278
?
M
etodos num
ericos
x y los datos p1, 1q, p4, 2q, p9, 3q, p16, 4q.
F Soluci
on Se tiene x0 1, x1 4, x2 9 y x3 16. As, el calculo de las
diferencias divididas finitas se muestra en las tablas 4.3 y 4.4.
i
0
1
2
3
xi
x0
x1
x2
x3
f pxi q
f px0 q
f px1 q
f px2 q
f px3 q
Primera
f rx0 , x1 s
f rx1 , x2 s
f rx2 , x3 s
Segunda
f rx0 , x1 , x2 s
f rx1 , x2 , x3 s
Tercera
f rx0 , x1 , x2 , x3 s
i
0
1
2
3
xi
1
4
9
16
f pxi q
1
2
3
4
Primera
1{3
1{5
1{7
Segunda
1{60
1{210
Tercera
1{1260
De esta forma, por la igualdad (4.8) se tiene que el polinomio interpolante de

Newton por diferencias divididas finitas esta dado por:
P3 pxq f rx0 s ` f rx0 , x1 s px x0 q ` f rx0 , x1 , x2 s px x0 qpx x1 q
` f rx0 , x1 , x2 , x3 spx x0 qpx x1 qpx x2 q
1
1
1
px 1qpx 4q `
px 1qpx 4qpx 9q
1 ` px 1q `
3
60
1260
por lo que la aproximaci
on de
3 est
a dada por: P3 p3q
359
1.709523809
210
F
Entre las caractersticas m

as importantes del metodo de diferencias divididas
esta su flexibilidad a la hora de los c
alculos. El metodo no requiere que los datos
esten igualmente espaciados o que las abscisas de los datos conocidos esten en
alg
un orden especfico.
Esto permite, luego de realizar una interpolacion con n ` 1 datos, mejorar la
iterpolacion al agregar un nuevo dato pxn`1 , f pxn`1 qq para conseguir el polinomio
interpolante Pn`1 pxq.
Ejemplo 102
La funcion est
a definida por:
pzq
`8
0
tz1 et dt
279
Dicha funci
on est
a definida para todo x P r0, 8r. Sin embargo, cumple la
propiedad pnq pn 1q! para cualquier n P Z` .
Sin realizar el c
alculo de la integral, determine una aproximacion de p 52 q.
Utilice los datos p1q, p2q, p3q y p4q.
F Soluci
on Primero que todo, por la propiedad mencionada de la funcion se
tiene que:
p1q 0! 1; p2q 1! 1; p3q 2! 2; p4q 3! 6
i
0
1
2
3
xi
1
2
3
4
pxi q
1
1
2
6
Primera
0
1
4
Segunda
1{2
3{2
Tercera
1{3
Tabla 4.5: C
alculo de las diferencias divididas.
As, con base en la igualdad (4.8) se tiene que el polinomio interpolante para
la funcion est
a dado por:
1
1
P3 pxq 1 ` 0px 1q ` px 1qpx 2q ` px 1qpx 2qpx 3q (4.9)
2
3
x3 3x2 13x
`
(4.10)
3
2
6
5
on de p 52 q es P3 p 25 q 1.25. Para este ejemplo,
4
?
3
5
1.329340388.
el valor real de p 2 q es
F
4
Ejemplo 103
Determine un modelo de interpolaci
on polinomial para aproximar la poblacion
de Costa Rica. Utilice la siguiente tabla de datos.
A
no
1950
1963
1973
1984
2000
2011
Habitantes
800 875
1 336 274
1 871 780
2 416 809
3 810 179
4 586 353
Tabla 4.6: Poblaci

on de Costa Rica 1950-2011.
280
M
etodos num
ericos
F Soluci
on
En los calculos se mostrar
an u
nicamente cuatro cifras decimales.
i
0
1
2
3
4
5
xi
1950
1963
1973
1984
2000
2011
f pxi q
800875
1336274
1871780
2416809
3810179
4586353
Primera
41184.5385
53550.6000
49548.0909
87085.6250
70561.2727
Segunda
537.6548
190.5957
1390.2790
612.0130
Tercera
21.4191
42.7263
52.6919
Cuarta
1.2829
1.9879
Quinta
0.0536
Tabla 4.7: Diferencias divididas finitas.
Por lo que el polinomio interpolante de grado 4 es:

P5 pxq
800875 ` 41184.5385px 1950q ` 537.6548px 1950qpx 1963q

21.4191px 1950qpx 1963qpx 1973q
`1.2829px 1950qpx 1963qpx 1973qpx 1984q
0.0536px 1950qpx 1963qpx 1973qpx 1984qpx 2000q
de este, la poblaci
on de Costa Rica en 1957 se puede aproximar por: P5 p1957q
987 096 habitantes. Mientras que la poblacion en 1996 fue aproximadamente de
F
3 391 018 habitantes.
4.3.4.
Error cometido para el polinomio interpolante de Newton

por diferencias divididas
El polinomio interpolante de Newton con diferencias divididas de grado n

puede ser comparado con el polinomio de Taylor de grado n, en el sentido, de
que ambos polinomios aproximan una funcion f dada y para la cual se conocen
algunos datos sobre esta. En particular, para cada caso se tendra:
Para determinar un polinomio de Taylor de grado n y centrado en un punto
x0 es necesario conocer el valor de la imagen de x0 por f y las imagenes de
x0 por sus n primeras derivadas. Es decir, se requiere que f P C n`1 ra, bs en
un intervalo alrededor de x0 .
Para determinar un polinomio de interpolacion por diferencias divididas y
de grado n, u
nicamente se requiere el conocimiento de n`1 datos arbitrarios
de la funci
on. En este caso, las hip
otesis de continuidad y derivabilidad son
asumidas sin verificaci
on.
Se debe recordar que para el polinomio de Taylor Pn pxq de grado n centrado
en x0 se define el resto Rn pxq como:
Rn pxq f pxq Pn pxq
(4.11)
281

Para el cual se sabe que existe x entre x y x0 , el cual cumple que:
Rn pxq
f pn`1q px q
px x0 qn`1
pn ` 1q!
(4.12)
En forma equivalente a 4.11, se define el resto del polinomio de interpolacion

de Newton por diferencias divididas, de la siguiente manera:
Definici
on 47
Sea f una funci
on para la cual se conocen n ` 1 datos y sea Pn pxq el polinomio
interpolante de Newton de grado n. Se define el resto de Pn pxq y se denota Rn pxq
como:
Rn pxq f pxq Pn pxq
En vista de la similitud planteada entre la definicion de resto del polinomio interpolador y el resto del polinomio de Taylor, sobresale la inquietud sobre existencia
de una formula similar a la presentada en la ecuacion (4.12) para el resto del polinomio interpolador. El teorema 41 indica dicha formula; sin embargo, el resultado
presentado en el teorema 40 es requerido antes para su demostracion.
Teorema 40 (Rolle generalizado)
Sea f P C n ra, bs. Considere los n ` 1 valores en ra, bs dados por x0 , x1 , x2 , . . . , xn ,
tales que:
f px0 q f px1 q f px2 q f pxn q 0
Entonces existe Psa, br tal que f pnq pq 0
o Demostraci
on
Se proceder
a por inducci
on sobre n. Sin perdida de generalidad suponga que
x0 x1 x2 xn
Para n 1. Si f P Cra, bs, entonces f es derivable y continua en ra, bs, tal
que f px0 q f px1 q 0, de donde al aplicar el teorema 17 (de Rolle) se
tiene la existencia de Psa, br tal que f 1 pq 0. El resultado es valido para
n 1.
Suponga que el resultado es v
alido para n, esto es: si f P C n ra, bs tal que
existan n valores x0 , x1 , x2 , . . . , xn en los cuales:
f px0 q f px1 q f px2 q f pxn q 0
entonces existe Psa, br tal que f pnq pq 0.
282
M
etodos num
ericos
Se debe probar que el resultado es valido para n ` 1. Sea f P C n`1 ra, bs y
sean x0 , x1 , x2 , . . . , xn , xn`1 valores tales que:
f px0 q f px1 q f px2 q f pxn`1 q 0
Como f P C n`1 ra, bs, entonces f es continua y derivable en cada uno de los
subintervalos rxk , xk`1 s para k 0, 1, 2, . . . , n. Al aplicar el teorema 17 en
cada uno de ellos se tiene la existencia de constantes c0 , c1 , c2 , . . . , cn , con
ck P rxk , xk`1 s tal que f 1 pck q 0 para todo k 0, 1, 2, . . . , n.
Ahora se tiene que f 1 P C n ra, bs para la cual existen n ` 1 constantes reales
tales que:
f 1 pc0 q f 1 pc1 q f 1 pc2 q f 1 pcn q 0
as, por la hip
otesis de inducci
on se tiene que para f 1 existe una constante
1
pnq
pn`1q
Psa, br tal que pf q pq f
pq 0.
Por lo que el resultado es v
alido para n`1. As, por el principio de induccion
matematica se tiene que el resultado es valido para todo n P N.
p
Teorema 41
Sea f P C n`1 ra, bs una funci
on y sean a x0 , x1 , x2 , . . . , xn b valores distintos
en ra, bs. Sea Pn pxq el polinomio interpolante de Newton por diferencias divididas
tal que:
f pxq Pn pxq ` Rn pxq
donde Rn pxq es el resto del polinomio. Entonces, para todo x Psa, br existe un
x Psa, br para el cual se cumple que:
Rn pxq
n
f pn`1q px q
px xk q
pn ` 1q! k0
o equivalentemente
Rn pxq
f pn`1q px q
px x0 qpx x1 qpx x2 q px xn q
pn ` 1q!
Ademas, existe una constante Mn`1 para la cual se cumple que:
Mn`1
|Rn pxq|
px xk q
pn ` 1q!
k0
donde
Mn`1 m
ax
xPra,bs
)
!
pn`1q
pxq
f
(4.13)
283

o Demostraci
on
Se debe demostrar que existe x Psa, br tal que f pxq Pn pxq ` Rn pxq, donde
Pn pxq es el polinomio interpolante de Newton por diferencias divididas y Rn pxq
es el resto dado en la ecuaci
on (4.13).
Por el teorema 39 se tiene que para todo xk con k 0, 1, 2, . . . , n se cumple
que f pxk q Pn pxk q, y adem
as se tiene que Rn pxk q 0. Por lo tanto, para estos
valores:
f pxk q Pn pxk q ` Rn pxk q
Sea x arbitrario y fijo en ra, bs. Adem
as, considere la funcion g definida por:
gptq f ptq Pn ptq rf pxq Pn pxqs
pt xk q
px xk q
k0
(4.14)
Como f P C n`1 ra, bs y P pxq es un polinomio, y por lo tanto derivable infinitamente, se deduce que g P C n`1 ra, bs.
Note que para todo r 0, 1, 2, . . . , n se cumple que:
gpxr q f pxr q Pn pxr q rf pxq Pn pxqs
pxr xk q
0
px xk q
k0
(4.15)
Por otro lado, al evaluar g en x se tiene que:

n
px xk q
0
gpxq f pxq Pn pxq rf pxq Pn pxqs
px xk q
k0
(4.16)
de esta forma, g se anula en los n ` 2 puntos dados por: x, x0 , x2 , . . . , xn , esto es:

gpxq gpx0 q gpx1 q gpxn q 0
Como g P C n`1 ra, bs se tiene que g satisface las hipotesis del teorema 40, de
donde se tiene la existencia de una constante x Psa, br tal que g pn`1q px q 0.
Por lo tanto, de la ecuaci
on (4.14) se tiene que:
0g
pn`1q
px q f
Note que Pn ptq y
pn`1q
px q Pnpn`1q px q rf pxq P pxqs
dn`1
dtn`1
pt xk q
px xk q
k0
tx
pt xk q
son polinomios de grado n y n`1 respectivamente,
px xk q
k0
pn`1q
de donde se tiene que Pn

ptq 0, y
n
n
n
dn`1 pt xk q
1
dn`1
pt
x
q
k
n`1
dtn`1 k0 px xk q
px
x
q
dt
k
k0
k0
tx
1
n
px xk q
k0
pn ` 1q!
tx
284
M
etodos num
ericos
pues el coeficiente principal del polinomio
pt xk q es 1, por lo que su n ` 1
k0
derivada es pn ` 1q!. De este modo se tiene que:

pn ` 1q!
0 f pn`1q px q rf pxq P pxqs
n
px xk q
k0
luego, al realizar el despeje de f pxq se tiene que:

f pxq Pn pxq `
n
f pn`1q px q
px xk q
pn ` 1q! k0
Por lo que queda demostrada la f

ormula del resto. Ahora bien, como f P
C n`1 ra, bs, entonces f n`1 es una funci
on continua; de este modo, f n`1 alcanza el
maximo absoluto en ra, bs, por lo que finalmente existe Mn`1 definido por:
)
!
Mn`1 m
ax f pn`1q pxq
xPra,bs
tal que:
Mn`1
|Rn pxq|
px xk q
pn ` 1q! k0
El teorema 41 brinda una forma de calcular cotas para el error de interpolacion; sin embargo, para realizar el c
alculo de dicha cota es necesario tener
conocimiento del criterio de la funci
on y su n ` 1 derivada, el cual se desconoce
en la practica.
Una alternativa para resolver este problema lo constituyen las mismas diferencias divididas de la funci
on, ya que la kesima diferencia dividida esta relacionada
con la kesima derivada de la funci
on por interpolar. El teorema 42 formaliza
esta idea.
Teorema 42
Sea f P C n ra, bs una funci
on y sean a x0 , x1 , x2 , , xn b, n ` 1 puntos
distintos en ra, bs, entonces existe Psa, br tal que:
f rx0 , x1 , x2 , . . . , xn s
f pnq pq
n!
o Demostraci
on
La demostraci
on de este resultado se deja como ejercicio al lector (ejercicio
9, pagina 322).
Sugerencia: Considere la funci
on g definida por:
gpxq f pxq Pn pxq
285
donde Pn pxq es el polinomio interpolante de Newton por diferencias divididas

dado en la ecuaci
on (4.8). Demuestre que g cumple las hipotesis del teorema 40
p
generalizado de Rolle.
Con base en el resultado presente en el teorema 42 es posible determinar una
aproximacion del resto dado en la igualdad (4.13), debido a que es necesario tener
conocimiento de la n ` 1 derivada de la funcion para calcular una cota real. Sin
embargo, si se tiene conocimiento del valor f pxn`1 q donde xn`1 es un punto mas
en ra, bs, entonces el teorema 42 garantiza la existencia de Psa, br tal que:
f rx0 , x1 , x2 , . . . , xn , xn`1 s
f pn`1q pq
pn ` 1q!
(4.17)
De esta forma, el resto del polinomio interpolante de Newton por diferencias

divididas finitas se puede aproximar mediante la formula:
Rn pxq f rx0 , x1 , . . . , xn , xn`1 s
px xi q
(4.18)
i0
f rx0 , x1 , . . . , xn , xn`1 spx x0 qpx x1 qpx x2 q px xn q

Es necesario advertir que lo obtenido en (4.18) no corresponde al valor real del
resto, sino que es una aproximaci
on de este. Lo anterior se debe a que no hay
garanta de que los valores x Psa, br en (4.13) y Psa, br de (4.17) sean el mismo.
Ejemplo 104
Para cada valor de x calcule una cota del error absoluto real que se comete
?
cuando se aproxima el valor de x, con el polinomio interpolador de grado 3
para x P r1, 16s. Use los datos p1, 1q, p4, 2q, p9, 3q y p16, 4q.
F Soluci
on Seg
un el ejercicio 101 se tiene que el polinomio interpolador de
Newton por diferencias divididas est
a dado por:
1
1
1
P3 pxq 1 ` px 1q px 1qpx 4q `
px 1qpx 4qpx 9q
3
60
1260
x3
x2 41
4
` x`
1260 36 90
7
As, por el teorema 41 se tiene que:
f p3`1q p q
x
|R3 pxq|
px 1qpx 4qpx 9qpx 16q
p3 ` 1q!
donde
M
|px 1qpx 4qpx 9qpx 16q|
4!
M m
ax
xPr1,16s
)
!
p4q
f pxq
(4.19)
286
M
etodos num
ericos
15
. Es facilmente verificable que f p4q pxq
7{2
16x
alcanza su maximo en r1, 16s cuando x 1; de esta forma se tiene que M 15
16 .
Ademas, se sabe que f p4q pxq
De lo anterior y de 4.19 se tiene que:

|R3 pxq|
15
|px 1qpx 4qpx 9qpx 16q|
16 4!
(4.20)
para todo x P r1, 16s.
Ejemplo 105
Considere los datos de la tabla 4.8 que representa los valores aproximados que
toma la funcion seno en los valores enteros de 0 a 6.
1. Utilice los valores desde 0 a 6 para determinar el polinomio interpolante de
grado 6 y u
selo para aproximar el valor de senp2.5q y senpq.
2. Determine una aproximaci
on de la cota del error absoluto para las dos
aproximaciones anteriores utilizando el dato extra
senp3.5q 0.3507832
3. Use la calculadora para determinar el error absoluto real para cada uno de
los valores aproximados (use como valor real lo que indica la calculadora
con un redondeo a cinco cifras decimales).
x
senpxq
0
0
1
0.84147
2
0.90930
3
0.14112
4
-0.75680
5
-0.95892
6
-0.27942
Tabla 4.8: Tabla de datos.
F Soluci
on
i
0
1
2
3
4
5
6
senpxi q
0.000000
0.841471
0.909297
0.141120
-0.756802
-0.958924
-0.279415
xi
0
1
2
3
4
5
6
Primera
0.841471
0.067826
-0.768177
-0.897923
-0.202122
0.679509
Segunda
-0.386822
-0.418002
-0.064873
0.347900
0.440815
Tercera
-0.010393
0.117710
0.137591
0.030972
Cuarta
0.032026
0.004970
-0.026655
Quinta
-0.005411
-0.006325
Sexta
-0.000152
De esta forma se tiene que el polinomio interpolante de Newton por diferencias

divididas es:
P6 pxq
0.841471x 0.386822xpx 1q 0.010393xpx 1qpx 2q ` 0.032026xpx 1qpx 2qpx 3q

0.005411xpx 1qpx 2qpx 3qpx 4q 0.000152xpx 1qpx 2qpx 3qpx 4qpx 5q
287
O bien, al distribuir se tiene que:

P6 pxq 0.000 152 x6 0.003 131 x5 ` 0.073 216 x4 0.357 734 x3 ` 0.225 545 x2 ` 0.903 727 x
De esta manera se pueden realizar las aproximaciones requeridas, en este caso:

senp2.5q P6 p2.5q 0.596509
senpq P6 pq 8.07862 104
Ahora se pide realizar una aproximacion de la cota del error absoluto para
dichas aproximaciones, con un dato adicional senp3.5q 0.350783. Para esto es
necesario calcular la setima diferencia dividida, la cual servira para determinar
una aproximaci
on de la setima derivada de la funcion f . Este calculo se realiza
en la tabla 4.9.
i xi
0
0
1
1
2
2
3
3
4
4
5
5
6
6
7 3.5
senpxi q Primera Segunda

Tercera
Cuarta
Quinta
Sexta
Setima
0.000000 0.841471 -0.386822 -0.010393 0.032026 -0.005411 -0.000152 0.000163
0.841471 0.067826 -0.418002 0.117710 0.004970 -0.006325 0.000417
0.909297 -0.768177 -0.064873 0.137591 -0.026655 -0.005283
0.141120 -0.897923 0.347900 0.030972 -0.034580
-0.756802 -0.202122 0.440815 0.013682
-0.958924 0.679509 0.433974
-0.279415 0.028547
-0.350783
Tabla 4.9: Tabla para la setima diferencia dividida.
As, la aproximaci
on de resto R6 pxq de la funcion esta dada por:
R6 pxq f rx0 , x1 , x2 , , x7 sxpx 1qpx 2qpx 3qpx 4qpx 5qpx 6q
o bien:
R6 pxq 0.000163xpx 1qpx 2qpx 3qpx 4qpx 5qpx 6q
De esta manera, las aproximaciones de las cotas son:
|R6 p2.5q| 0.002006
(4.21)
|R6 pq| 0.000808
(4.22)
Finalmente, se requiere determinar el error absoluto real (al tomar una aproximacion con seis posiciones decimales como valor real).
288
M
etodos num
ericos
|P6 p2.5q senp2.5q| |0.596509 0.598472| 0.001963
|P6 pq senpq| |0.000807 0| 0.000807
(4.23)
(4.24)
En este caso, se puede observar que las aproximaciones encontradas en 4.21 y 4.22
son aceptables si se comparan con las encontradas en 4.23 y 4.24, respectivamente.
F
Ejercicios 4.3
on f definida por f pxq cosp2xq ` x y considere los
siguientes datos para dicha funci
on:
x
0
1
2
3
4
cosp2xq ` x
1
0.583853163
1.346356379
3.960170287
3.854499966
a) Determine el polinomio interpolante de grado 4 para los datos anteriores.

b) Determine una cota real para el error absoluto cometido al aproximar f pxq con x P r0, 4s.
c) Aproxime la cota determinada en el paso anterior si se sabe como
dato extra que f p2.5q 2.783662185.
2. Un autom
ovil realiza un recorrido en un carretera recta. Cada cierto
tiempo se realizan mediciones tanto de su velocidad como de distancia
recorrida. Los datos de esta mediciones se muestran en la siguiente tabla.
Tiempo
Distancia
Velocidad
0
0
75
3
225
77
5
383
80
8
623
74
13
993
72
a) Determine el polinomio interpolante de grado 4 para la funcion

distancia vrs tiempo.
b) Determine el polinomio interpolante de grado 4 para la funcion
velocidad vrs tiempo.
4.3.5.
289
Implementaci
on de la interpolaci
on de Newton mediante
diferencias divididas
Si bien la tabla de diferencias divididas puede ser construida facilmente en

Excel, muchas veces interesa tener un programa que reciba los puntos pxi , yi q del
grafico de una funci
on desconocida f y una preimagen X; y retorne P pXq, donde
P pxq es el polinomio interpolante de Newton por diferencias divididas.
En el calculo de aproximaciones de imagenes de la funcion desconocida es
necesario calcular la tabla de diferencias divididas para luego calcular las aproximaciones. Para cada aproximaci
on realizada no es necesario recalcular la tabla
de diferencias divididas; por esta raz
on, la implementacion se puede realizar en
dos procesos:
Calculo de las diferencias divididas,
Calculo de las aproximaciones buscadas.
El primer proceso puede visualizarse en el algoritmo 12, mientras que el segundo

proceso puede verse en el algoritmo 13, que se presentan a continuacion.
Algoritmo 12 Construcci
on de la tabla de diferencias divididas de Newton.
Entrada: n grado del polinomio interpolante a construir. Matriz Fn,n`2 tal que
Fi,1 xi y Fi,2 f pxi q para todo i 0, 1, 2, . . . , n
Salida: F , contendr
a la tabla de diferencias divididas.
2:
para i 1 hasta n j ` 1 hacer
3:
Fi,j`2
5:
fin para
fin para
6:
retornar F
4:
Fi`1,j`1 Fi,j`1
Fi`j,1 Fi,1
290
M
etodos num
ericos
Algoritmo 13 Construcci
on y evaluaci
on del polinomio intepolante para el calculo de aproximaciones.
Entrada: n grado del polinomio interpolante por construir. Matriz Fn,n`2 que
contiene las tabla de diferencias divididas. X preimagen del valor por aproximar.
Salida: P pXq: Imagen por aproximar donde P pxq es el polinomio interpolante
de Newton por diferencias divididas.
1: PX F(1,2)
2: Prod 1
4:
Prod ProdpX F pj, iqq
5:
PX PX`F p1, j ` 2qProd
6: fin para
7: retornar PX
Implementaci
on en Excel
En una hoja de Excel, construya la interfaz que se muestra en la figura 4.7.
Donde los botones Construir tabla de DD y Calcular P(x) tienen como nombre cmd ConstruirTabla y cmd CalcularPX, respectivamente. El siguiente codigo corresponde a la implementacion de la interpolacion de Newton
por diferencias divididas, que corresponden a la presentada en los algoritmos 12
y 13.
Grado del
polinomio
Figura 4.7: Interfaz para la implementacion de la interpolacion por

diferencias divididas de Newton.
291

Private Sub cmd CalcularPX Click()
Dim n As Integer, j As Integer
Dim Suma As Double, Prod As Double
Dim F As Variant, X As Double
n = Range("C3").Value
X = Range("C12").Value
F = Range(Cells(3,6),Cells(3+n,7+n))
Suma = F(1, 2)
Prod = 1
For j = 1 To n
Prod = Prod * (X - F(j, 1))
Suma = Suma + F(1, j + 2) * Prod
Next
Range("C13").Value = Suma
End Sub
4.4.
Private Sub cmd ConstruirTabla Click()

Dim F As Variant
Range(Cells(3,8),Cells(100,100)).ClearContents
n = Range("C3").Value
F = Range(Cells(3, 6), Cells(3 + n, 7 + n))
For j = 1 To n
For i = 1 To n - j + 1
F(i, j + 2) = (F(i + 1, j + 1) F(i, j + 1)) / (F(i + j, 1) - F(i, 1))
Next
Next
Range(Cells(3, 6), Cells(3 + n, 7 + n)) = F
End Sub
Polinomio de interpolaci
on de Lagrange
La interpolaci
on de Lagrange brinda una formula alternativa para determinar
el polinomio interpolador de grado n que pasa por n ` 1 puntos de la forma
pxi , f pxi qq con i 0, 1, 2, . . . , n. Al igual que se realizo durante la interpolacion
de Newton por diferencias divididas, se realizara una construccion que inicie
con la interpolaci
on lineal posteriormente cuadratica, para luego realizar una
generalizacion a la iterpolaci
on polinomial.
4.4.1.
Interpolaci
on lineal de Lagrange
Sea f una funci

on y sean px0 , y0 q y px1 , y1 q datos conocidos. La ecuacion de
la recta que une los puntos anteriores esta dada por:
P1 pxq
y1 y0
px x1 q ` y1
x1 x0
(4.25)
As, se tiene que:

P1 pxq
y1 y0
px x1 q ` y1
x1 x0
py1 y0 qpx x1 q ` y1 px1 x0 q
x1 x0
y1 x y0 x ` y0 x1 y1 x0
x1 x0
y1 px x0 q y0 px x1 q
x1 x0
x x0
x x1
y1 `
y0
x1 x0
x0 x1
x x1
x x0
Si se define L0 pxq
y L1 pxq
se tiene que 4.25 se puede
x0 x1
x1 x0
expresar como:
P1 pxq L0 pxqy0 ` L1 pxqy1
(4.26)
292
M
etodos num
ericos
A la ecuacion presentada anteriormente (ecuacion 4.26) se le llama polinomio

interpolante de Lagrange de grado 1.
Ejemplo 106
Resuelva nuevamente el ejemplo 98 con base en el polinomio de interpolacion de
Lagrange.? En este caso se desea estimar, mediante
on lineal, el
? una interpolaci
?
valor de 3. Como dato conocido se tiene que: 1 1 y 4 2.
F Soluci
on
Para este caso se tienen los datos p1, 1q y p4, 2q. Para calcular el polinomio
lineal presentado en 4.26 se debe calcular L0 pxq y L1 pxq, calculo que se hace a
continuacion:
L0 pxq
L1 pxq
x4
x4
14
3
x1
x1
41
3
As, el polinomio interpolador de Lagrange esta dado por:

P1 pxq
x1
x4
1`
2
3
3
o bien:
x 2
`
3 3
Note que el polinomio obtenido coincide con el determinado en el ejemplo 98
mediante las diferencias divididas finitas.
F
P1 pxq
4.4.2.
Interpolaci
on cuadr
atica de Lagrange
Teorema 43
Sea f una funci
on continua en un intervalo ra, bs para la cual se conocen tres datos
no colineales dentro de dicho intervalo: px0 , y0 q, px1 , y1 q y px2 , y2 q. Entonces el
polinomio interpolante de grado 2 est
a dado por:
P2 pxq L0 pxqy0 ` L1 pxqy1 ` L2 pxqy2
donde:
L0 pxq
px x0 qpx x2 q
px x0 qpx x1 q
px x1 qpx x2 q
; L1 pxq
y L2 pxq
px0 x1 qpx0 x2 q
px1 x0 qpx1 x2 q
px2 x0 qpx2 x1 q
o Demostraci
on
Es claro que P2 pxq es un polinomio de grado menor o igual que dos. En este
caso se tiene que los datos son puntos no colineales, lo cual no deja posibilidad de
293
que el polinomio cuya gr

afica contenga los tres puntos sea lineal. De esta forma,
de satisfacer P2 pxq los tres datos, el polinomio debe ser cuadratico. As, bastara
probar que P2 pxi q yi para todo i 0, 1, 2.
Para el caso x0 se tiene que:
P2 px0 q L0 px0 qy0 ` L1 px0 qy1 ` L2 px0 qy2
donde,
L0 px0 q
px0 x1 qpx0 x2 q
1
px0 x1 qpx0 x2 q
L1 px0 q
px0 x0 qpx0 x2 q
0
px1 x0 qpx1 x2 q
L2 px0 q
px0 x0 qpx0 x1 q
0
px2 x0 qpx2 x1 q
As, P2 px0 q y0 .
El caso para px1 , y1 q y px2 , y2 q es an
alogo.
p
Ejemplo 107
Sea f una funci
on continua para la cual se conocen tres datos: p1, 5q, p2, 3q y
p3, 6q. Determine una estimaci
on para f p2.3q.
F Soluci
on
Primero se debe determinar L0 pxq, L1 pxq y L2 pxq, de la siguiente manera:
como se tiene que: x0 1; x1 2 y x2 3, entonces:
L0 pxq
px 2q px 3q
px x1 qpx x2 q
px0 x1 qpx0 x2 q
2
L1 pxq
px 1q px 3q
px x0 qpx x2 q
px1 x0 qpx1 x2 q
1
L2 pxq
px 1q px 2q
px x0 qpx x1 q
px2 x0 qpx2 x1 q
2
294
M
etodos num
ericos
mientras que por otro lado se tiene que:

P2 pxq L0 pxqf px0 q ` L1 pxqf px1 q ` L2 pxqf px2 q
px 2q px 3q
px 1q px 3q
px 1q px 2q
5`
3`
6
2
1
2
5 px 2q px 3q
3 px 1q px 3q ` 3 px 1q px 2q
2
5 2 19
x x ` 12
2
2

f p2.3q P2 p2.3q 3. 375
y
6
Figura 4.8: Polinomio interpolador de Lagrange de grado 2.
4.4.3.
Interpolaci
on polinomial de grado mayor que 2 mediante
Lagrange
Con base en el esquema mostrado en la interpolacion lineal y cuadratica

realizada en la secciones anteriores es posible generalizar el polinomio interpolador
de Lagrange para cuatro o m
as datos de la funcion. La interpolacion polinomial
se basa en el siguiente resultado :
Teorema 44
Sea f una funci
on continua en el intervalo ra, bs y sean pxi , f pxi qq, para todo
i 0, 1, 2, . . . , n; n ` 1 datos conocidos y distintos de la funcion f dentro del
295

intervalo, entonces el polinomio Pn pxq definido por:
Pn pxq L0 pxqf px0 q ` L1 pxqf px1 q ` ` Ln pxqf pxn q
n
Li pxqf pxi q
(4.27)
i0
donde
Li pxq
x xj
x xj
j0,ji i
satisface todos los datos. Es decir, Pn pxq es el polinomio interpolador y es llamado

polinomio interpolador de Lagrange.
o Demostraci
on
De esta forma bastara demostrar que para todo k 0, 1, 2, . . . , n se cumple
que Pn pxk q f pxk q. Sea k un entero mayor o igual que 0 pero menor o igual que
n, entonces:
n
Pn pxk q
Li pxk qf pxi q
i0
k1
Li pxk qf pxk q ` Lk pxk qf pxk q `
i0
Li pxk qf pxk q
(4.28)
ik`1
En este caso, note que:

Lk pxk q
Li pxk q
xk xj
1
x xj
j0,jk k
n
xk xj
0
x xj
j0,ji i
(4.29)
para justificar (4.29) basta ver que si i k, entonces en alg

un punto j tomara el
valor de k y el factor pxk xj q ser
a cero; por lo tanto, todo el producto tambien
tomara el valor de cero. De nuevo en (4.28) se tiene que:
Pn pxk q f pxk q para k 0, 1, 2, . . . , n
p
Ejemplo 108
Considere la funci
on f definida por
f pxq
sen x para la cual se conocen los

3
siguientes datos p0, 0q,
, 1 , p, 0q,
, 1 . Determine el polinomio de La2
2
grange de grado 3 para los datos anteriores. Aproxime el valor de sen 1 y compare
con el valor real.
1
El smbolo
es utilizado para denotar productos, as
j1
aj a1 a2 an
296
M
etodos num
ericos
F Soluci
on El polinomio buscado tiene la forma
P3 pxq L0 pxqf px0 q ` L1 pxqf px1 q ` L2 pxqf px2 q ` L3 pxqf px3 q
donde Li pxq
px xj q
x xj
j0,ji i
3
x xj
L0 pxq
x
0 xj
j0,j0
3
x xj
L1 pxq
x
1 xj
j0,j1
3
x xj
L2 pxq
x
2 xj
j0,j2
3
x xj
L3 pxq
x
3 xj
j0,j3
x x1 x x2 x x3
x0 x1 x0 x2 x0 x3
x x 2
2
2
2
x x0 x x2 x x3
x1 x0 x1 x2 x1 x3
x x x 2
2
2
x x0 x x1 x x3
x2 x0 x2 x1 x2 x3
x0 x 2 x 2
2
2
x x0 x x1 x x2
x3 x0 x3 x1 x3 x2
3
x0 x 2 x
2
2
As, se tiene que:

L0 pxq
L1 pxq
L2 pxq
L3 pxq
4
1
3
x
px
q
3 3
2
2
0.04300 2 px 4. 712 4q px 3. 141 6q px 1. 570 8q
1
4
x
px
q
x
0.04300 2x px 3. 141 6q px 1. 570 8q

3 3
2
4
1
3
3x x
x 0.129 01x px 4. 712 4q px 1. 570 8q
2
2
4
3
x px q x 0.129 01x px 4. 712 4q px 3. 141 6q
3
2
De donde, al simplificar, se consigue que el polinomio sera:

P3 pxq 0.08 600 8x3 0.810 6x2 ` 1. 697 7x
de donde sen 1 P3 p1q 0.97311
donde el valor real es: 0.84147... Por lo que el error absoluto es
| sen 1 0.97311| 0.13164
Graficamente, la aproximaci
on polinomial de la funcion f pxq senpxq se
muestra en la figura 4.9.
297

y
Figura 4.9: Aproximacion polinomial de senpxq.
Ejercicios 4.4
1. Realice nuevamente el ejercicio 2 del bloque 4.3 de la pagina 288 con
base en el polinomio interpolante de Lagrange. Compare los resultados
con los obtenidos en el bloque 4.3.
2. Por medio del polinomio interpolante de Lagrange, halle el valor aproximado de f pxq en el punto x 3.5, si f es una funcion para la cual se
conocen los puntos:
x
f pxq
1
1.5709
4
1.5727
6
1.5751
3. Se conoce la siguiente tabla de valores de una funcion discreta f pxq

x
f pxq
2
-9.0907
4
-10.7568
5
-10.9589
6
-10.2794
8
-9.0106
10
-10.5440
a) Hallar f p2.4q por medio de una aproximacion con un polinomio

interpolante de grado1.
b) Hallar f p4.9q por medio de una aproximacion con un polinomio
interpolante de grado 2.
c) Hallar f p5.1q por medio de una aproximacion con un polinomio
interpolante de grado 3.
298
M
etodos num
ericos
4.4.4.
Implementaci
on de la interpolaci
on de Lagrange
El polinomio interpolante de Lagrange, corresponde al mismo polinomio interpolante de Newton por diferencias divididas; en s, el metodo de interpolacion
de Lagrange es una forma alternativa de determinar el mismo polinomio. En el
algoritmo 14 se puede observar el pseudocodigo necesario para calcular la aproximacion de la imagen de una funci
on desconocida mediante dicha alternativa.
Un detalle importante que se debe mencionar es que para cada valor de X
el programa debe ejecutarse por completo, pues el calculo de Prod depende del
valor X. As la salida del programa corresponde, luego del calculo, al valor P pXq.
La implementaci
on del metodo de interpolacion de Lagrange en Excel queda
como ejercicio para el lector.
Algoritmo 14 Interpolaci
on de Lagrange
Entrada: n: grado del polinomio interpolante por utilizar. X: la preimagen del
valor por aproximar. XY : matriz de tama
no n ` 1 2 con los puntos de
interpolaci
on pxi , f pxi qq, tal que xi XY pi, 1q y f pxi q XY pi, 2q.
Salida: P pXq: donde P pxq es el polinomio interpolante de Lagrange.
1: Suma 0.
2: para i 1 hasta n ` 1 hacer
3:
Prod 1.
4:
para j 1 hasta n ` 1 hacer
5:
si i j entonces
X XY pj, 1q
6:
Prod Prod
XY pi, 1q XY pj, 1q
7:
fin si
8:
fin para
9:
Suma Suma+XY pi, 2qProd
10: fin para
11: retornar Suma
4.5.
Polinomio osculante e interpolaci

on de Hermite
Definici
on 48 (Polinomio de Hermite)
Sea f P C 1 ra, bs y sean x0 , x1 , x2 , . . . , xn puntos distintos en ra, bs. El polinomio
de Hermite que interpola a f en los puntos xi con i 0, 1, 2, . . . , n es el polinomio
Hpxq de menor grado que cumple que:
Hpxi q f pxi q
H 1 pxi q f 1 pxi q,
@i 0, 1, 2, . . . , n
(4.30)
Note que los polinomios de Hermite coinciden con la funcion f y su derivada
299
en cada punto de interpolaci

on; de esta manera se garantiza que ademas de
coincidir su imagen tambien lo hace su pendiente en cada uno de estos puntos.
Es posible pedir m
as condiciones en un polinomio interpolante; por ejemplo, se
pueden pedir condiciones sobre f , f 1 y f 2 en cada punto de interpolacion. Esto
significa que coincida:
f pxi q Hpxi q comparta las im
agenes
f 1 pxi q H 1 pxi q compartan la monotona y la pendientes
f 2 pxi q H 2 pxi q compartan la concavidad
para todo i 0, 1, 2, . . . , n.
En general, el polinomio interpolante que coincide con la funcion y con algunas
de sus primeras derivadas en los puntos de interpolacion se denomina polinomio
osculante. En este sentido, el polinomio de Hermite es un tipo particular de estos
polinomios.
Ejemplo 109
?
Considere la funci
on f definida por f pxq x. Use el polinomio de Hermite en
?
los puntos 1, 4 y 9 para aproximar el valor de 3.
F Soluci
on El polinomio de Hermite buscado sera de grado menor o igual a 5,
pues es necesario satisfacer seis condiciones2 , las cuales se presentan a continuacion:
?
?
?
Hp1q 1 1
Hp4q 4 2
Hp9q 9 3
1
1
H 1 p1q ?
2
2 1
1
1
H 1 p4q ?
4
2 4
1
1
H 1 p9q ?
6
2 9
Considere el polinomio de grado 5 o menor dado por:

Hpxq ax5 ` bx4 ` cx3 ` dx2 ` ex ` f
tal que:
H 1 pxq 5ax4 ` 4bx3 ` 3cx2 ` 2dx ` e
Con base en las condiciones que debe cumplir Hpxq y H 1 pxq se tiene el sistema
dado por:
2
Note que como se requiere satisfacer seis condiciones, se tiene que el menor polinomio que
las podra satisfacer debe tener a lo sumo seis coeficiente, y tomando en cuenta el coeficiente
constante dar
a un polinomio de grado 5. Sin embargo, no hay garanta de que el coeficiente
principal de dicho polinomio sea distinto de cero, por lo que dicho polinomio podra tener grado
menor o igual a 5.
300
M
etodos num
ericos
$
a`b`c`dè`f 1
1024a ` 256b ` 64c ` 16d ` 4e ` f 2
59 049a ` 6561b ` 729c ` 81d ` 9e ` f 3
&
1
5a ` 4b ` 3c ` 2d ` e
1280a ` 256b ` 48c ` 8d ` e
%
32 805a ` 2916b ` 243c ` 18d ` e
6
(4.31)
Cuya soluci
on est
a dada por los valores
a
361
4117
73 009
4571
381
37
,b
,c
,d
,e
,f
432 000
144 000
144 000
432 000
6000
1000
De donde se tiene que el polinomio Hermite es:

H5 pxq
37
361
4117 3
73 009 2 4571
381
x5
x4 `
x
x `
x`
432 000
144 000
144 000
432 000
6000
1000
As, se tiene que:

?
3 H5 p3q
37
361 4
4117 3
73 009 2 4571
381
35
3 `
3
3 `
3`
432 000
144 000
144 000
432 000
6000
1000
10 411
1. 735 166
6000
?
Note que el valor real est
a dado por 3 1. 732 050 808, por lo que su error
absoluto esta dado por:
3 10 411 0.003115 859 098 . . .
6000
F
Observe que la unicidad del polinomio interpolante de Hermite presentado en
el ejemplo 109 queda garantizado por la unicidad de la solucion del sistema de
ecuaciones (4.31).
Un inconveniente del metodo de interpolacion de Hermite es que muchas
veces se debe resolver un sistema de ecuaciones con un n
umero considerable de
ecuaciones y variables.
El siguiente metodo brinda una forma mas sencilla para realizar el calculo del
polinomio interpolante de Hermite con base en el metodo de diferencias divididas
de Newton.
301

Polinomio interpolante de Hermite
Considere la funci
on f tal que se conocen los datos de f y f 1 en todos los puntos x0 , x1 , x2 , . . . , xn . Considere los 2n ` 2 datos dados por
z0 , z1 , z2 , . . . , zn , zn`1 , . . . , z2n`1 y definidos por z2i z2i`1 xi , para
i 0, 1, 2, . . . , n. El polinomio interpolante por diferencias divididas de
Newton P2n`1 pxq calculado con los nuevos datos zi corresponde al polinomio de Hermite buscado.
En el proceso, en la tabla de diferencias divididas de Newton para los
datos z0 , z1 , z2 , . . . , zn , zn`1 , . . . , z2n`1 se tiene que f rz0 , z1 s, f rz2 , z3 s,
f rz4 , z5 s, . . ., f rz2n , z2n`1 s no son calculables, pues por definicion de los
datos zi se tiene que z2i z2i`1 para todo i 0, 1, 2, . . . , n.
Al hacer uso del teorema 42 (p
agina 284) se tiene la siguiente relacion:
f rz2i , z2i`1 s
f 1 pq
1!
para alg
un Psz2i , z2i`1 r
con base en esta suposici

on, se puede tomar como valor razonable para
f rz2i , z2i`1 s el valor de f 1 pz2i q f 1 pxi q. As, para calcular la tabla de
diferencias divididas se tomar
a como valida la igualdad:
f rz2i , z2i`1 s f 1 pxi q
para todo i 0, 1, 2, . . . , n
Ejemplo 110
Realice nuevamente el ejercicio del ejemplo 109, mediante diferencias divididas
para calcular el polinomio de Hermite. Compare el resultado con los obtenidos
en el ejercicio del ejemplo 109.
F Soluci
on Recuerde que el polinomio Hpxq buscado debe cumplir:
?
?
?
Hp1q 1 1
Hp4q 4 2
Hp9q 9 3
1
1
1
1
1
1
H 1 p1q ?
H 1 p4q ?
H 1 p9q ?
2
4
6
2 1
2 4
2 9
Considere los siete datos z0 , z1 , z2 , z3 , z4 , z5 , tales que z2i z2i`1 xi definidos
por:
z0 z1 1; z2 z3 4 y z4 z5 9. Ahora se debe construir la tabla
de diferencias divididas, que fue elaborada en Excel y se muestra en la tabla 4.10.
i
0
1
2
3
4
5
i
0
1
2
3
4
5
zi
z0
z1
z2
z3
z4
z5
zi
1
1
4
4
9
9
Tabla 4.10: Tabla de diferencias divididas para el polinomio de Hermite.
Quinta
8.56481 105
Quinta
f rz0 , z1 , z2 , z3 , z4 , z5 s
Cuarta
0.00087963
0.000194444
Cuarta
f rz0 , z1 , z2 , z3 , z4 s
f rz1 , z2 , z3 , z4 , z5 s
Tercera
0.009259259
0.002222222
0.000666667
Tercera
f rz0 , z1 , z2 , z3 s
f rz1 , z2 , z3 , z4 s
f rz2 , z3 , z4 , z5 s
Segunda
0.055555556
0.027777778
0.01
0.006666667
Segunda
f rz0 , z1 , z2 s
f rz1 , z2 , z3 s
f rz2 , z3 , z4 s
f rz3 , z4 , z5 s
Primera
0.5
0.333333333
0.25
0.2
0.166666667
Primera
f 1 px0 q
f rz1 , z2 s
f 1 px1 q
f rz3 , z4 s
f 1 px2 q
f pzi q
1
1
2
2
3
3
f pzi q
f pz0 q
f pz1 q
f pz2 q
f pz3 q
f pz4 q
f pz5 q
303

De esta manera se tiene que el polinomio de Hermite esta dado por:
H5 pxq 1 ` 0.5px 1q 0.055px 1q2 ` 0.009259px 1q2 px 4q
0.00087963px 1q2 px 4q2 ` 0.0000856481px 1q2 px 4q2 px 9q

De donde se tiene que
?
3 H5 p3q, as:
H5 p3q 1 ` 0.5p2q 0.055p2q2 ` 0.009259p2q2 p1q

0.00087963p2q2 p1q2 ` 0.0000856481p2q2 p1q2 p6q
1.735167705
F
Note que salvo diferencias por el truncamiento durante el calculo de las diferencias divididas, la aproximaci
on calculada en los ejemplos 109 y 110 es la
misma.
Ejercicios 4.5
1. Considere los datos que se tienen a continuacion:
x
2
3
f pxq
0.693147
1.098612
f 1 pxq
0.5
0.333333
Tabla 4.11: Datos para f .
x
0
3
6
gpxq cospxq
1
0.989992497
0.960170287
g 1 pxq senpxq
0
0.141120008
0.279415498
Tabla 4.12: Datos para gpxq.
x
1.7
2
2.3
hpxq
1.039072
1.1071487
1.1606689
h1 pxq
0.2570694
0.2
0.1589825
Tabla 4.13: Datos para h.
304
M
etodos num
ericos
Use los datos anteriores para determinar el polinomio interpolante de

Hermite para las funciones f , g y h. Use dichos polinomios para aproximar el valor de f p2.5q, gp2q, gp5q y hp1.85q.
2. Para un auto que recorre una autopista rectilnea se le toman los siguientes datos de distancia y velocidad cada cinco segundos del recorrido:
Tiempo en s
Distancia en m
Velocidad en m{s
0
0
5
5
23
10
10
55
9
15
78
13
Tabla 4.14: Datos de un auto.
Determine el polinomio de Hermite y u

selo para aproximar la distancia
recorrida por el auto a los 8 y 13 segundos del recorrido.
3. Adapte el programa de Excel para la interpolacion mediante el polinomio
interpolante de Newton por diferencias dividas para construir uno similar
para la interpolaci
on de Hermite.
4.6.
Regresi
on lineal
Es una forma de aproximar y predecir datos de un fenomeno a partir del

estudio de datos existentes (datos hist
oricos). Sin embargo, a diferencia de la
interpolacion polinomial, las gr
aficas de las funciones de regresion no contienen,
necesariamente, los datos conocidos. Para entender mejor la diferencia, considere
el siguiente ejemplo:
Ejemplo 111
Una empresa que vende calentadores de agua para edificios de apartamentos ha
separado su historial en 12 periodos de seis meses cada uno. La empresa sabe
cuantas unidades vendi
o en cada periodo; dichos datos se muestran en la tabla
4.15.
Periodo
Unidades vendidas
1
5
2
20
3
19
4
20
5
29
6
35
7
30
8
32
9
40
10
45
11
35
12
50
Tabla 4.15: Datos de calentadores.
La empresa desea realizar una estimacion de los calentadores que vendera en

los siguientes seis meses (siguiente periodo).
305
F Soluci
on Los datos de unidades vendidas por periodo se visualizan en la figura
4.10, que corresponde a un gr
afico de dispersion.
60
50
40
30
20
10
0
0
10
12
14
Figura 4.10: Gr
afico de dispersion de los datos.
Para estos datos es posible determinar el polinomio interpolante de grado 11,

el cual corresponde al polinomio:
P12 pxq
3.28179 105 x11 0.00233x10 ` 0.073320x9 1.33098x8 ` 15.4803x7

120.5938x6 ` 639.0213x5 2291.614x4 ` 5420.513x3 8001.902x2
` 6577.344x 2231.989
La grafica de este polinomio se muestra en la figura 4.11
60
50
40
30
20
10
0
0
10
12
14
Figura 4.11: Polinomio interpolante de grado 11.
306
M
etodos num
ericos
Sin embargo, es posible analizar que el polinomio interpolador no es un buen

estimador para algunos datos; por ejemplo, los datos entre el periodo 11 y el
12 muestran un descenso marcado de las imagenes del polinomio. Ademas, posterior al u
ltimo periodo se genera una aumento desmesurado de las imagenes
del polinomio, por lo que realizar una estimacion del periodo 13 sera atrevido
e irresponsable, aun cuando sea un periodo cercano a los datos. Esta situacion
es esperada, se debe recordar que el polinomio interpolante esta dise
nado para
realizar estimaciones de valores entre los datos historicos conocidos y no fuera de
ellos.
Por otro lado, se puede observar una dispersion de los datos aproximadamente
lineal, as que es posible ajustar una funcion lineal a los datos historicos. En la
figura 4.12 se observa la recta mejor ajustada a los datos historicos. Si bien esta
no pasa por todos los datos, mantiene informacion importante, tal como una
tendencia creciente de los datos; se denomina linea de tendencia o funcion de
regresion lineal.
60
50
40
30
20
10
0
0
10
12
14
Figura 4.12: Curva de regresion lineal.
La ecuacion de la funci
on de regresi
on lineal mostrada en la figura 4.12 es
y 3.202x ` 9.181, para la cual se tiene que la estimacion del trigesimo periodo
es 50.8 unidades vendidas.
F
En el ejemplo anterior se muestran las ventajas de la realizacion del regresion lineal, iniciando con la posibilidad de realizar estimaciones de datos fuera
de los datos hist
oricos conocidos. Es importante mencionar que el exito de estas aproximaciones depende de suponer de que los datos siguen una dispersion
aproximadamente lineal, lo cual no siempre se cumple.
As, es necesario realizar un estudio adecuado de los datos antes de realizar
la regresion; se debe saber con anterioridad la factibilidad que tienen los datos al
ser ajustados a una funci
on.
307
En este sentido, una serie de datos muestra una tendencia funcional para una
funcion f si los datos se encuentran concentrados a lo largo de la grafica de f .
Ejemplo 112
La figura 4.13(a) muestra una gr
afica de dispersion de una serie de datos que
muestran una tendencia cuadr
atica. La grafica de la curva de tendencia cuadratica
se muestra en la figura 4.13(b).
120
100
80
60
40
20
0
0
10
15
20
-20
-40
(a) Gr
afico de dispersi
on.
120
100
80
60
40
20
0
0
10
15
20
-20
-40
(b) Curva de tendencia cuadr

atica.
Figura 4.13: Tendencia cuadratica de datos.
Cuando la tendencia de una secuencia de puntos no es lineal pero s es conocida, se

puede optar por realizar transformaciones especiales que linealizan la tendencia, y
de esta manera aplicar regresi
on lineal sobre el conjunto de puntos transformados.
Estas transformaciones ser
an estudiadas posteriormente.
Ejemplo 113
Realice un estudio gr
afico de los datos que se muestran en las siguientes tablas y
determine cual o cu
ales son adecuados para una regresion lineal simple.
308
M
etodos num
ericos
1
3
x
y
2
15
3
8
4
12
5
2
6
9
7
15
8
3
9
7
10
9
11
14
12
4
13
6
Tabla 4.16: Datos 1.
x
y
1
25
2
23
3
24
4
21
5
15
6
18
7
10
8
13
9
10
10
7
11
3
12
4
13
5
x
y
1
25
2
3
3
22
4
7
5
15
6
10
7
15
8
16
9
8
10
18
11
3
12
23
13
2
F Soluci
on
El analisis gr
afico de los datos se realiza al construir los graficos de dispersion
de cada una de los conjuntos de datos, en las figuras 4.14(a), 4.14(b) y 4.14(c) se
pueden observar la dispersi
on de los datos lo que permitira analizar la evidencia
grafica de una posible tendencia lineal o no.
16
30
14
25
12
10
20
15
6
10
4
5
2
0
10
12
14
(a) Datos 1.
10
(b) Datos 2.
30
25
20
15
10
5
0
0
10
12
14
(c) Datos 3.
Figura 4.14: Gr
aficos de dispersion.
12
14
309
Al analizar cada uno de los gr

aficos de dispersion se puede concluir que u
nicamente los datos 2 poseen un comportamiento aproximadamente lineal. Por esta
razon se considera que los datos 2 son los u
nicos aptos para realizar el proceso de
regresion lineal. En los datos 1 no se visualiza una tendencia funcional, en estos
los datos parecen dispersos casi en forma aleatoria. Por otro lado, en los datos 3
se observa una dispersi
on no aleatoria; sin embargo, no muestra una tendencia
F
funcional o al menos no u
nica.
4.6.1.
M
etodo de mnimos cuadrados
Considere los datos pxi , yi q para i 1, 2, . . . , n, se definen dos vectores x y y

de la siguiente manera:
`
x x1 x2 x3 xn
`
y y1 y2 y3 yn
Al vector x se le denomina el vector de causas, mientras que al vector y
el vector de efectos. Para poder realizar el proceso de regresion es necesario
suponer que es posible explicar el vector y desde el vector x, y que ademas estan
relacionados de forma lineal. De esta manera, la regresion tratara de explicar la
relacion que existe entre el vector x y el vector y.
i+2
i+1
i
i-1
Figura 4.15: Modulo estandar.
Se supondr
a que existen valores m y b para los cuales se tiene que:
yi mxi ` b ` i , para i 1, 2, . . . , n
donde m y b son cantidades fijas y i son cantidades aleatorias que explican la
diferencia que existe entre el modelo lineal y los valores reales observados. A estos
valores se les denomina errores o errores aleatorios y se espera que su promedio
sea cero.
As, el modelo de regresi
on consiste en determinar los parametros m y b tales
que haga mnima la suma de los errores en valor absoluto, esto es equivalente a
minimizar la suma de los cuadrados de los errores.
310
M
etodos num
ericos
La funcion objetivo de la optimizaci
on es:
Epm, bq
2i
i1
o bien
Epm, bq
pmxi ` b yi q2
(4.32)
i1
Al derivar parcialmente con respecto a las variables m y b se tiene que:

n
BE
Bm
BE
Bb
i1
n
2pmxi ` b yi qxi
(4.33)
2pmxi ` b yi q
(4.34)
i1
De esta manera se deber

an determinar los puntos crticos de la funcion E; para
esto se deber resolver el siguiente sistema de ecuaciones para las variables m y b:
$n
$
BE
& Bm 0
& 2pmxi ` b yi qxi 0
i1
(4.35)
n
BE
2pmxi ` b yi q 0
%
0
Bb
i1
para las variables m y b.
Dicho sistema se expresa como:
$ n
n
n
m
x
`
b
x
yi x i
i
i
&
i1
i1
xi ` nb
% m
i1
i1
n
yi
i1
La notacion matricial del sistema (4.36) esta dada por:
n
n
n
2
xi yi xi
xi
i1
i1 m i1
n
n
xi
n
yi
i1
(4.36)
(4.37)
i1
Al aplicar la regla de Cramer al sistema 4.37 se tiene que:

n xi yi xi yi
m
n x2i p xi q2
2

x i yi x i x i yi
b
n x2i p xi q2
(4.38)
(4.39)
311
El calculo de b puede simplificarse cuando se ha calculado el valor de m. En

este caso, se puede demostrar que:
xi yi m x2i
(4.40)
b
xi
yi m xi
b
(4.41)
n
Hasta el momento se ha demostrado que el punto pm, bq es un punto crtico de
la funcion objetivo; sin embargo, se puede probar, al aplicar el criterio de las
segundas derivadas de la funci
on E, que el punto pm, bq es un mnimo. Para esto
basta realizar el estudio del determinante:

E
2
2xi
mm Emb 2xi
D
(4.42)

Ebm Ebb 2xi
2n
2
4n x2i 2 xi
(4.43)
4n pxi xq2
(4.44)
1
xi . Por lo tanto, D 0 y Emm 0, por lo que el punto es un
n
mnimo local. De esta forma, pm, bq minimiza el cuadrado de los errores.
donde x
As, si se tiene tpxi , yi quni1 datos distintos, la recta de mejor ajustes esta dada
por y mx ` b, donde

n xi yi xi yi
m
n x2i p xi q2
2

x i yi x i x i yi
b
n x2i p xi q2
sin embargo, en la pr
actica se tiene que para el calculo del b se utiliza la ecuacion
(4.41), si de antemano se calcula el valor de m.
Ejemplo 114
Una empresa ha determinado que sus ganancias en cientos de miles de dolares
durante los u
ltimos ocho a
nos se establecen en la siguiente tabla.
x
1
2
3
4
5
6
7
8
y
2.3
3.5
3.3
4.6
4.7
6.5
6.6
7.5
312
M
etodos num
ericos
Si contin
ua con la tendencia creciente que ha tenido durante los pasados ocho
a
nos, la empresa desea saber cu
al ser
a la ganancia para el noveno a
no.
F Soluci
on Se debe determinar el valor de
xi 36
yi 39
xi ,
yi ,
x2i y
x i yi .
x2i 204
xi yi 206.3
Para este caso particular, n 8, de esta manera se tiene que:

8 206.3 36 39
11
n xi yi xi yi
m
2
2
2
8 204 36
15
n xi p xi q
y
yi m
n
xi
39
11
36
63
15
8
40
(4.45)
11
63
x`
15
40
As, para el noveno a
no se espera una ganancia de 8.175 cientos de miles de
dolares.
F
De esta manera, la curva de mejor ajuste es: y
4.6.2.
Calidad de la representaci
on R2
Al igual que en todos los metodos de aproximacion, es necesario tener una

forma de medir la calidad de las aproximaciones. En la mayora de los casos se
realiza mediante el estudio del error; sin embargo, para el caso de la regresion
lineal, la calidad se determina por medio del coeficiente de determinacion o R2 .
Definici
on 49
Sea x y y el vector de causas y el vector de efecto, respectivamente, de un modelo
p el vector de estimaciones del vector y por medio de la
de regresion. Y sea y
regresion, entonces se define el coeficiente de determinaci
on y se denota R2 como
R2 r2 pp
y, yq
donde varpyq
varpp
yq
varpyq
n
n
1
1
pyi yq2 con y
yi
n i1
n i1
313
R2 : Recibe el nombre de coeficiente de determinaci

on y es una medida de la
calidad global del conjunto de variables explicativas. Este ndice esta entre 0 y
1, y representa el porcentaje de la variabilidad de y que puede ser explicado por
las variables de regresi
on.
Cuando el valor del R2 es cercano a 1, se dice que el ajuste de la recta de
regresion es bueno, mientras que cuando R2 es cercano a 0 se dice que el ajuste
de la recta de regresi
on es malo. En la practica se dira que el ajuste es aceptable
si R2 0.5.
Ejemplo 115
Determine la calidad de la regresi
on realizada en el ejemplo 114. Es decir, realice
el calculo del R2 e indique la calidad del ajuste.
F Soluci
on Se debe calcular varpyq y varpp
yq, donde:
y
2.3 3.5 3.3 4.6 4.7 6.5 6.6 7.5
p
y
2.3083 3.0416 3.775 4.5083 5.2416 5.975 6.7083 7.4416
Al aplicar la f
ormula para la varianza, se tiene que
varpyq
n
8
1
1
pyi yq2
pyi yq2 2.951875
n i1
8 i1
varpp
yq
n
8
1
1
pp
yi ypq2
pp
yi ypq2 2.823333333
n i1
8 i1

R2
varpp
yq
2.823333333
0.956454231
varpyq
2.951875
as, es posible apreciar que el ajuste obtenido es de buena calidad, debido a que
el valor R2 es cercano a 1.
F
4.6.3.
Implementaci
on de la regresi
on lineal
El metodo de regresi
on lineal simple se encuentra implementado en una gran
variedad de programas inform
aticos como Excel e incluso muchas de las calculadoras cientficas que com
unmente se utilizan. En esta seccion se muestra el
pseudocodigo para la implementaci
on del metodo de regresion lineal simple y el
calculo del R2 , que se puede visualizar en el algoritmo 15.
314
M
etodos num
ericos
Algoritmo 15 Interpolaci
on de Lagrange
Entrada: n: n
umero de puntos pxi , yi q por utilizar en la regresion. Pn,2 : matriz
de tama
no n 2 con los puntos de interpolacion pxi , yi q, tal que xi P pi, 1q
y yi P pi, 2q.
Salida: m, b y R2 tal que y mx ` b es la recta de mejor ajuste por mnimos
cuadrados.
py0
1: SumX = SumY = SumX2 = SumXY = y
2: para i 1 hasta n hacer
3:
SumX = SumX `P pi, 1q
4:
SumY = SumY `P pi, 2q
5:
SumX2 = SumX2 `pP pi, 1qq2
6:
SumXY = SumXY `P pi, 1q P pi, 2q
7: fin para
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
n SumXY SumX SumY

n SumX2 pSumXq2
SumY m SumX
n

y y ` P pi, 2q
py
p ` P pi, 2q ` m P pi, 1q ` b
y
fin para
1
y y
n
1
p y
p
y
n
vary vary `pP pi, 2q yq2
p q2
vary vary `pm P pi, 1q ` b y
fin para
vary
R2
vary
retornar m, b, R2
Las instrucciones que se encuentran entre las lneas 10 y 20 en el algoritmo 15 se encargan de realizar el c
alculo de R2 para la regresion lineal, lo que
permitira tener una idea clara sobre la calidad de las aproximaciones.
4.6.4.
Linealizaci
on de datos para regresi
on
Existen datos a los cuales no se les puede aplicar una regresion lineal simple,
pues no siguen un modelo aproximadamente lineal.
315
40
35
30
4
25
20
15
10
1
5
0
-2
-1
-5
-1
(a) Modelo Exponencial.
(b) Modelo de crecimiento.
Figura 4.16: Modelos no lineales.
Para estos modelos, indudablemente una regresion lineal no responde correctamente a la naturaleza de los datos. Para la figura 4.16(a), un modelo exponencial de la forma y ex se adapta mejor a los datos, mientras que en el caso de
la figura 4.16(b), un modelo logartmico de la forma y lnpxq, o un modelo
x
de crecimiento de la forma y
podra ser mas acertado.
`x
40
35
30
4
25
20
15
10
1
5
0
-2
-1
-5
(a) Modelo Exponencial.
-1
(b) Modelo de crecimiento.
Figura 4.17: Modelos no lineales.
De esta manera se desea idear una forma para poder linealizar los datos
existentes, de manera que sea factible realizar una regresion lineal.
Modelo exponencial:
316
M
etodos num
ericos
x
Figura 4.18: Modelo exponencial y ex
Este modelo tiene la forma y ex ; as, se tienen las siguientes equivalencias:

y ex
lnpyq lnpex q
lnpyq lnpq ` lnpex q
lnpyq x ` lnpq
de esta manera, el modelo y ex se puede ver como un modelo lineal de

la forma Y x ` lnpaq, donde Y lnpyq.
Modelo de potencias:
x
Figura 4.19: Modelo de potencias y x
Este modelo tiene la forma y x ; de esta manera se tienen las siguientes

equivalencias:
y x
logpyq logpx q
logpyq logpq ` logpx q
logpyq logpxq ` logpq
317
As, el modelo y ex se puede ver como un modelo lineal de la forma

Y X ` logpq, donde Y logpyq y X logpxq.
Modelo de crecimiento:
x
Figura 4.20: Modelo exponencial y
Este modelo tiene la forma y

equivalencias:
y
x
`x
x
`x
x
, donde se tienen las siguientes
`x
1
`x
y
x
1
1
1
`
y
x
x
se puede ver como un modelo lineal
`x
1
1
1
de la forma Y X ` , donde Y y X .
y
x
de esta manera, el modelo y
Ejemplo 116
En una investigaci
on se realiza el estudio del crecimiento de una poblacion en 41
periodos; sin embargo, u
nicamente se recolectaron datos cada cuatro periodos y
entre cada medici
on se dejaron tres periodos sin medir (tabla 4.19).
El investigador principal del estudio considera importante contar con el dato
para el periodo 41; no obstante, este dato nunca se tomo. Utilice una transformacion conveniente y regresi
on lineal simple para aproximar el tama
no de la
poblacion en el periodo 41.
Periodos de tiempo
Poblaci
on (en cientos)
1
1.25
5
1.31
9
2.25
13
2.77
17
3.5
21
3.94
25
4.7
29
8.83
Tabla 4.19: Poblaci

on en cientos de individuos.
33
12.57
37
21.9
318
M
etodos num
ericos
F Soluci
on
Por la naturaleza de los datos, se puede suponer un modelo exponencial de la
forma y ex . Esta decisi
on se fundamenta de la observacion de la representacion grafica de los datos en la figura 4.21.
La transformaci
on de los datos consiste en transformar el modelo y ex a
un modelo lineal de la forma Y x ` lnpq, donde Y lnpxq.
25
20
15
10
0
0
10
15
20
25
30
35
40
Figura 4.21: Gr
afico de dispersi
on para los datos de la tabla 4.19.
De esta manera, los datos de la tabla 4.19 se transforman y cambian los datos
de la variable dependiente por su logaritmo natural, mientras que la variable
independiente permanece invariante.
x
lnpyq
x
lnpyq
1
0.22314355
25
1.54756251
5
0.27002714
29
2.17815501
9
0.81093022
33
2.53131302
13
1.01884732
37
3.08648664
17
1.25276297
21
1.37118072
Tabla 4.20: Tabla con datos transformados.
La representaci
on gr
afica de los datos transformados corroboran las sospechas
de que un modelo exponencial se ajusta mejor a los datos.
3,5
3
2,5
2
1,5
1
0,5
0
0
10
15
20
25
30
35
40
Figura 4.22: Gr
afico de dispersi
on para los datos de la tabla 4.20.
319
Al construir el modelo de regresi

on lineal para los datos de la tabla 4.20
se tiene que la recta de mejor ajuste a los datos transformados esta dada por:
Y 0.0759693580x 0.0143768920, de donde se tiene que 0.0759693580 y
e0.0143768920 0.9857259620. De esta forma, el modelo ajustado para los
datos originales est
a dado por:
y 0.9857259620 e0.0759693580x
Finalmente, la aproximaci
on de los datos para el periodo 41 es 22.20609467 en
cientos de individuos, el; R2 de la regresion anterior es de 0.96194, lo que indica
una muy buena calidad de la aproximacion.
De haber realizado una regresi
on lineal con los datos originales se hubiera
obtenido un R2 0.727747 y la aproximacion obtenida con dicho modelo lineal
sera de 16.428665 en cientos de individuos. Esta aproximacion es poco creble,
pues los datos originales tienen una tendencia al crecimiento.
F
Ejemplo 117
Se sabe que los datos de la tabla 4.21 pueden modelarse con la ecuacion:
d
y
` x2
x2
donde y son par

ametros por estimar.
1. Realice una transformaci
on para linealizar la ecuacion anterior.
2. Aplique regresi
on lineal a los datos transformados para determinar los valores de los par
ametros y .
3. Con base en lo anterior, prediga el valor de y para x 1.6 y para x 6.
4. Calcule el R2 para la regresi
on lineal realizada y determine si el ajuste es
bueno.
x
y
1
4.15
2
2.11
3
1.55
4
1.21
5
0.98
Tabla 4.21: Datos originales.
F Soluci
on
320
M
etodos num
ericos
1. Note que:
d
y
` x2
x2
` x2
x2
1
1
y2 2 `
x
y2
De esta manera, el modelo lineal corresponde a Y

yX
1
X ` , donde Y y 2
1
. As, los datos transformados corresponden a:
x2
1
17.2225
1
x2
y2
0.25
4.4521
0.111
2.4025
0.0625
1.4641
0.04
0.9604
Tabla 4.22: Datos transformados.
20
15
10
2
5
1
0
0
0
0,2
0,4
0,6
0,8
1,2
Figura 4.23: Transformacion de los datos.
2. Finalmente, se puede aplicar regresion lineal a los datos de la tabla 4.22.

En este proceso se obtiene que la recta de mejor ajuste esta dada por
Y 16.834546 X ` 0.372474, de donde se tiene que:
1
0.372474
16.834546
por lo que 2.684751 y 45.196564. El modelo ajustado para los

datos originales es:
c
45.196564 ` x2
y
2.684751 x2
3. La predicci
on para x 1.6 es y 2.635995, mientras que para x 6 se
tiene que y 0.916570.
4. Para este caso, el lector podr
a verificar que R2 0, 99972 lo cual hace que
el ajuste sea considerado excelente.
F
321
4.7.
1. Utilice interpolaci
on por diferencias divididas finitas de Newton para estimar el logaritmo natural de 10 con:
a) Interpolaci
on lineal, conociendo los datos: ln 5 1.60943 y ln 12
2.4849.
b) Interpolaci
on cudr
atica, conociendo los datos: ln 5 1.60943, ln 12
2.4849 y ln 8 2.07944.
c) Interpolaci
on polinomial, conociendo los datos: ln 5 1.60943, ln 12
2.4849, ln 8 2.07944 y ln 14 2.63906.
2. Repita el ejercicio anterior con base en el polinomio interpolante de Lagrange. Compare el resultado.
on f : R R` definida por f pxq ex . Determine un
polinomio de grado 3 tal que cumpla:
P3 p1q e , P3 p2q e2 , P3 p3q e3 y P3 p4q e4
4. En la siguiente tabla se muestra el n
umero de habitantes de Estados Unidos
en diferentes a
nos.
A
no
Poblaci
on en miles
de habitantes
1940
1950
1960
1970
1980
1990
132 165
151 326
179 323
203 302
226 542
249 633
a) Utilice estos datos para calcular la poblacion en 1930, 1965 y 2010.

Para esto utilice el polinomio de iterpolacion de Lagrange. Repita el
ejercicios con el polinomio interpolante de Newton por diferencias divididas finitas.
b) La poblaci
on en 1930 fue de 123 203 mil habitantes. Que se puede
decir de esta estimaci
on? que se puede decir de las estimaciones en
1965 y 2010?
5. Suponga que xj j para j 0, 1, 2 y 3, y se sabe que:
P0,1 pxq 2x ` 1 , P0,2 pxq x ` 1 y P1,2,3 p2.5q 3
Determine P0,1,2,3 p2.5q
6. Construya el polinomio interpolador de Lagrange con base en los puntos
p1, 3q, p2, 4q, p3, 2q y p5, 1q.
7. Repita el ejercicio anterior y utilice el polinomio interpolador por diferencias
divididas finitas de Newton.
322
M
etodos num
ericos
8. Considere la tabla siguiente donde se muestran algunas temperaturas tomadas en la superficie del mar.
A
no
1900
1905
1910
1915
1920
1925
1930
1935
Temperatura
0.191
0.370
0.441
0.161
0.290
0.244
0.152
0.171
Tabla 4.23: Temperaturas tomadas en la superficie del mar en diferentes a

nos.
Realice una interpolaci

on de los datos de la tabla 4.23 y aproxime la temperatura en 1923 y 1927.
9. Demuestre el teorema 42.
10. Para cada uno de los datos presentados en el ejemplo 113 determine la recta
de mejor ajuste y su repectivo R2 . Que se puede concluir de cada una de
las regresiones?
11. Una empresa que fabrica y distribuye filtros para agua posee datos historicos de unidades vendidas por a
no, desde el 2003 hasta el 2011, los cuales se
muestran en la siguiente tabla:
x
y
2003
2432
2004
2673
2005
3021
2006
3001
2007
3592
2008
3892
2009
4500
2010
4286
2011
4800
La empresa requiere un pron

ostico para los proximos cinco a
nos.
a) Aplique un an
alisis gr
afico para estudiar el comportamiento de los
datos. Es factible aplicar regresion lineal?
b) Aplique regresi
on lineal y determine los pronosticos para el 2012, 2013,
2014, 2015 y 2016.
c) Determine el coeficiente de determinacion R2 . Que se puede decir de
la calidad de la representaci
on?
12. La camara nacional de turismo ha determinado que el n
umero de plazas
hoteleras ocupadas (y) es diferente seg
un sea el precio pxq por habitacion.
Sobre el total de plazas ocupadas en un a
no se tiene:
x
y
50
4725
70
3800
105
3103
140
2500
165
2100
180
1269
200
800
240
560
270
200
323
a) Represente gr
aficamente los datos y determine si graficamente existe
cierta dependencia lineal entre las variables.
b) Halle la ecuaci
on de la recta de regresion del n
umero de habitaciones
ocupadas dado el precio.
c) Halle la ecuaci
on de la recta de regresion del precio dado el n
umero
de habitaciones ocupadas.
d) Cu
antas habitaciones se ocuparan si el precio es de US$150?
e) Cu
anto habra que cobrar por habitacion para que la ocupacion de
dichas habitaciones sea de US$1000 anual?
13. Seg
un investigaciones, el porcentaje de desembolso por empresas manufactureras estadounidenses en plantas y equipo que fue destinado al control
de contaminaci
on durante el periodo 1975-1987 se muestra en la siguiente
tabla:
A
no
% desembolso
1975
9.3
1980
4.8
1981
4.3
1984
3.3
1987
4.3
a) Determine la recta de regresi

on para el modelo anterior.
b) Determine el R2 y analice si el modelo tiene buena calidad.
c) Estime el porcentaje de desembolso para 1985 y 1990.
14. Se sabe que los datos de la tabla 4.24 pueden modelarse con la ecuacion:
?
` x 2
?
y
x
donde y son par
ametros por estimar. Realice una transformacion para
linealizar la ecuaci
on anterior y aplique regresion lineal a los datos transformados para determinar los valores de los parametros y . Con base en
lo anterior, prediga el valor de y para x 1.6 y para x 6; establezca la
calidad de la aproximaci
on al calcular el R2 .
x
y
0.5
10.4
1
5.8
2
3.3
3
2.4
4
2
15. Se sabe que los datos de la tabla 4.25 pueden modelarse con la ecuacion:
x epyq{
donde y son par
ametros por estimar. Realice una transformacion para
linealizar la ecuaci
on anterior y aplique regresion lineal a los datos transformados para determinar los valores de los parametros y . Con base en
324
M
etodos num
ericos
lo anterior, prediga el valor de y para x 2.6 y para x 6. Establezca la
calidad de la aproximaci
on al calcular el R2 .
x
y
1
0.5
2
2
3
2.9
4
3.5
5
4
Captulo 5
Derivaci
on e integraci
on
num
erica
5.1.
Introducci
on
Un auto se desplaza en un movimiento rectilneo para el cual puede medir

1
su velocidad vptq en ciertos instantes del recorrido. Se sabe
t que aptq v ptq
corresponde a la aceleraci
on del auto en el tiempo t y dptq 0 vpT qdT representa
el desplazamiento del m
ovil en el tiempo t. Sin embargo, tecnicamente el criterio
de vptq es desconocido, si bien se supone que existe y que dicha funcion es derivable
e integrable. El hecho de desconocer su ecuacion impide realizar los mencionados
calculos.
En el caso anterior, es posible determinar imagenes de la funcion velocidad
tan frecuente como se desee. Con estos datos y lo estudiado en el captulo 4 es
posible determinar una aproximaci
on, muchas veces polinomial, de la funcion de
velocidad por medio de interpolaci
on, lo cual permitira aproximar su derivada e
integral. Estas aproximaciones se basan en el siguiente principio:
Si f y g son funciones tales que f g, entonces se puede suponer que:
f g ^
326
M
etodos num
ericos
5.2.
Derivaci
on num
erica
Para poder abordar las tecnicas de derivacion numerica es necesario retomar

los conceptos de derivaci
on de una funci
on en un punto, de manera que posteriormente se pueda entender la raz
on por la cual funcionan los metodos numericos
para la aproximaci
on de derivadas. A continuacion se realiza un repaso del concepto de derivada de una funci
on en un punto.
Definici
on 50
on y sea a P A. Se dice que f es derivable en a si f 1 paq
existen, donde:
f pxq f paq
xa
xa
f 1 paq lm
En caso de que f 1 paq no exista, se dice que f no es derivable en a.

Una forma alternativa para calcular f 1 paq es por medio de:
f pa ` hq f paq
h0
h
f 1 paq lm
Al realizar un cambio de variable h x a. De esta manera, para calcular la

derivada de una funci
on en un punto se debe realizar el calculo de un lmite, lo
cual no es necesariamente sencillo o viable.
El lmite anterior brinda una forma sencilla de realizar una aproximacion de
la derivada de una funci
on. Para esto basta notar que para h suficientemente
peque
no se cumple que:
f 1 paq
f pa ` hq f paq
h
Sin embargo, la calidad de la aproximacion depende en gran medida de la

variacion de f (forma de la gr
afica de la funcion) y del valor de h, lo cual provoca
que esta forma de aproximar la derivada no sea la mejor posible.
La aproximaci
on de f 1 paq bajo el metodo anterior consiste en usar la pendiente
de la recta secante a la gr
afica de f que pasa por los puntos pa, f paqq y pa`h, f pa`
hqq como aproximaci
on de la pendiente de la recta tangente en el punto pa, f paqq
a la grafica de f . Esta diferencia se puede observar en la figura 5.1.
327

e
nt
te
ge
n
an
a
c
t
se
cta
ta
Re Rec
a+h
x
Figura 5.1: Aproximacion de la derivada.
Ejemplo 118
1
Considere la funci
on f pxq 2 . Utilice el metodo expuesto anteriormente para
x
estimar una aproximaci
on del valor f 1 p1q. Use para esto los valores de h: 0.01,
0.001 y 0.0001. Compare estas aproximaciones con el valor real. Use corte a seis
decimales.
F Soluci
on Seg
un lo estudiado anteriormente, se tiene que:
1
1
2
2
p1 ` hq
1
f 1 p1q
h
Con h 0.01 de donde se tiene que:
1
1
2
0.980 296 1
0.019 704
p1 ` 0.01q
1
f 1 p1q
1. 970 4
0.01
0.01
0.01
1
1
2
0.998 003 1
0.001 997
p1 ` 0.001q
1
f 1 p1q
1. 997
0.001
0.001
0.001
1
1
2
0.999 800 03 1
p1 ` 0.0001q
1
f 1 p1q
1. 999 7
0.0001
0.0001
328
M
etodos num
ericos
2
Por otro lado, se tiene que f 1 pxq 3 de donde f 1 p1q 2. De esta max
nera, los errores absolutos respectivos para cada una de las aproximaciones
anteriores son:
5.2.1.
Ex1
|1. 970 4 2| 0.029 6
Ex2
|1. 997 2| 0.003
Ex3
|1. 9997 2| 0.000 3
C
alculo del error
Sea f P C 3 ra, bs una funci

on. Sea x0 Psa, br y sea ademas, x1 Psa, br un punto
cercano a x0 . Suponga que se est
a interesado en determinar una aproximacion de
la derivada de f en x0 , es decir, una aproximacion de f 1 px0 q.
El polinomio interpolante de Lagrange para la funcion f y los puntos px0 , f px0 qq
y px1 , f px1 qq est
a dado por:
P1 pxq L0 pxqf px0 q ` L1 pxqf px1 q
Al considerar la f
ormula para el error en el polinomio interpolador se tiene
que:
f 2 px q
f pxq P1 pxq `
px x0 qpx x1 q
(5.1)
2!
donde x estan en alg
un lugar entre x0 y x1 . Al derivar a ambos lados de la
igualdad 5.1 se consigue:
d f 2 px q
1
1
px x0 qpx x1 q
f pxq P1 pxq `
dx
2!
d
`
dx
P11 pxq
d
px x0 q
dx
f 2 px q
2!
f 2 px q
2!
px x0 qpx x1 q
px x1 q `
f 2 px q
2!
px x0 q
d
px x1 q
dx
De esta manera, al calcular las derivadas restantes y simplificar se obtiene:
f 1 pxq P11 pxq `
f 2 px q
f 2 px q
f 3 px q 1
px x0 q `
px x1 q `
px qpx x0 qpx x1 q
2!
2!
2!
dx
Note que x depende de x, por lo que
1 pxq x1 . As, f 3 px qx1 es un
dx
valor desconocido. Sin embargo, al tomar x x0 , dicha expresion se anula, y se
obtiene:
329
f 1 px0 q P11 px0 q `
f 2 px0 q
px0 x1 q
2!
(5.2)
Por otro lado, como P1 pxq L0 pxqf px0 q ` L1 pxqf px1 q, donde:
L0 pxq
x x1
x0 x1
L1 pxq
x x0
x1 x0
Se deduce que:
P11 pxq
P11 pxq
1
1
f px0 q `
f px1 q
x0 x1
x1 x0
f px1 q f px0 q
x1 x0
(5.3)
Si en a la ecuaci
on (5.2) se sustituye (5.3) se concluye:
f 1 px0 q
f px1 q f px0 q f 2 px0 q

`
px0 x1 q
x1 x0
2
donde x0 est
a en alg
un lugar entre x0 y x1 . Si se realiza el cambio de variable
h x1 x0 se obtiene que:
f 1 px0 q
f px0 ` hq f px0 q h 2
f px0 q
h
2
(5.4)
Ahora bien, si f 2 pxq es acotada en I ra, bs, esto es, si existe un M P R` tal
que |f 2 pxq| M , @x P I. Entonces:
1
f px0 q f px0 ` hq f px0 q |h| M
(5.5)
h
2
px0 q
por lo que para valores peque
nos de h se cumple que f px0 `hqf
es una
h
|h|
1
aproximacion de f px0 q con un error absoluto menor que 2 M .
De la ecuaci
on (5.5) se desprende que la rapidez de convergencia que tiene
la formula es Ophq, es decir: cuando h tiende a cero, la parte izquierda de (5.5)
tiende a cero tan r
apido como h lo hace.
Si h 0, a la f
ormula (5.4) se le denomina diferencias progresivas, mientras
que si h 0, a esta se le denomina diferencias regresivas.
330
M
etodos num
ericos
Esta forma de aproximar la derivada de la funcion tambien es denominada

f
ormula de dos puntos y puede ser f
acilmente deducida con el polinomio interpolante por diferencias divididas finitas de Newton. Para esto basta tomar:
f pxq f rx0 s ` f rx0 , x1 spx x0 q `
f 2 px q
px x0 qpx x1 q
2!
por lo que al derivar a ambos lados se obtiene

f 1 pxq f rx0 , x1 s `
d
dx
f 2 px q
px x0 qpx x1 q
2!
Y al derivar este u
ltimo producto y luego escoger x x0 se obtiene
f 1 px0 q f rx0 , x1 s `
f 2 px0 q
px0 x1 q
2

f 1 px0 q f rx0 , x1 s
f px1 q f px0 q
x1 x2
Donde se llega al mismo resultado y se obtiene la f

ormula de diferenciaci
on con
dos puntos.
Ejercicios 5.1
1. Determine una aproximaci
on para f 1 p2q, donde f es una funcion con
criterio: f pxq lnpxq. Use h 0.001
2. Un autom
ovil se desplaza por una carretera recta, desde un punto A
hasta un punto B. En este recorrido se tomaron las siguientes datos de
la distancia recorrida por el automovil, luego de pasar por el punto A y
dirigirse hacia B.
Tiempo (s)
Distancia (m)
3
10
6
16
9
35
12
40
Determine la velocidad aproximada de automovil en t 3 s , t 6 s y

t 9 s.
5.2.2.
F
ormulas de diferencias divididas finitas con m
as de dos
puntos para f 1
El proceso por seguir es muy similar la deduccion de la formula de derivacion

de dos puntos.
331
Suponga que se tiene una funci

on f P C 4 ra, bs. Considere los valores x0 , x1
y x2 en ra, bs puntos igualmente espaciados y cercanos entre s, de manera que
cumplen que x0 x1 x2 . Considere el polinomio de interpolacion de Newton
por diferencias divididas finitas de grado 2 con resto, dado por P2 pxq. De esta
manera existe x P rx0 , x2 s donde se cumple que:
f pxq P2 pxq ` R2 pxq
f pxq P2 pxq `
f 3 px q
px x0 qpx x1 qpx x2 q
3!
(5.6)
Si se deriva una vez a ambos lados de la igualdad (5.6) se tiene:
d f 3 px q
1
1
f pxq P2 pxq `
dx
3!
d f 3 px q
1
P2 pxq `
dx
3!
`
f 3 px q
f 3 px q
px x1 qpx x2 q `
px x0 qpx x2 q
3!
3!
f 3 px q
px x0 qpx x1 q
3!
Al sustituir x por x0 , x1 y x2 respectivamente se obtiene que:

f 1 px0 q P21 px0 q `
f 3 px0 q
px0 x1 qpx0 x2 q
3!
f 1 px1 q P21 px1 q `
f 3 px1 q
px1 x0 qpx1 x2 q
3!
f 1 px2 q P21 px2 q `
f 3 px2 q
px2 x0 qpx2 x1 q
3!
Como los valores x0 , x1 y x2 son igualmente espaciados, entonces es valido

tomar h x2 x1 x1 x0 , cuya expresion se puede expresar como:
f 1 px0 q P21 px0 q `
f 3 px0 q
f 3 px0 q
phqp2hq P21 px0 q ` h2
3!
3
f 1 px1 q P21 px1 q `
f 3 px1 q
f 3 px1 q
phqphq P21 px1 q h2
3!
6
f 1 px2 q P21 px2 q `
f 3 px2 q
f 3 px2 q
p2hqphq P21 px2 q ` h2
3!
3
(5.7)
332
M
etodos num
ericos
Por otro lado, se tiene que
P2 pxq f rx0 s ` f rx0 , x1 spx x0 q ` f rx0 , x1 , x2 spx x0 qpx x1 q
(5.8)
As, al derivar a ambos lados de la igualdad 5.8 se obtiene que:

P21 pxq f rx0 , x1 s ` f rx0 , x1 , x2 s ppx x1 q ` px x0 qq
(5.9)
con
f rx0 , x1 s
f px1 q f px0 q
x1 x0
y
x2 x1
x1 x0
f rx0 , x1 , x2 s
x2 x0
Para simplificar la notaci
on t
omese fi f pxi q, ademas, se debe recordar que
h x2 x1 x1 x0 . Con esto presente se consigue que:
f rx0 , x1 s
f1 f0
h
f2 f1 f1 f0
f0 2f1 ` f2
h
h
f rx0 , x1 , x2 s
2h2
2h
por lo que al regresar a la ecuaci
on (5.9) e introducir la nueva notacion se obtiene
que:
f1 f0 f0 2f1 ` f2
P21 pxq
`
ppx x1 q ` px x0 qq
h
2h2
Al sustituir x por x0 , x1 y x2 , respectivamente, se obtiene:
P21 px0 q
f1 f0 f0 2f1 ` f2
`
phq
h
2h2
P21 px1 q
P21 px2 q
f1 f0 f0 2f1 ` f2
`
phq
h
2h2
f1 f0 f0 2f1 ` f2
`
p3hq
h
2h2
Finalmente, al simplificar lo anterior se obtiene que:
333
P21 px0 q
2f1 2f0 f0 2f1 ` f2

4f1 3f0 f2
2h
2h
2h
P21 px1 q
2f1 2f0 f0 2f1 ` f2

f2 f0
`
2h
2h
2h
P21 px2 q
2f1 2f0 3f0 6f1 ` 3f2

f0 ` 3f2 4f1
`
2h
2h
2h
donde el error cometido por dichas aproximaciones se puede observar en (5.7), y

al suponer que f 3 pxq este acotada por M en ra, bs, entonces se cumple que:
Ef 1 px0 q h2
h2 M
|f 3 px0 q|
3
3
Ef 1 px1 q h2
|f 3 px1 q|
h2 M
6
6
Ef 1 px2 q h2
|f 3 px2 q|
h2 M
3
3
Del analisis de dichos errores se desprende que la formula que cuenta, en

promedio, con mayor exactitud es la empleada para el punto central, es decir,
la utilizada para aproximar f 1 px1 q. Sin embargo, todas tienen una rapidez de
convergencia Oph2 q. Esto significa que cuando h tiende a cero, el error real de
cada una de las aproximaciones tiende a cero tan rapido como h2 lo hace.
Ejemplo 119
Una motocicleta se desplaza por una autopista de prueba que posee una trayectoria rectilnea. La distancia, en metros, recorrida por la motocicleta es tomada
cada tres segundos por una computadora que al final del recorrido muestra la
siguiente tabla de datos:
Tiempo ptq
Distancia pmq
0
0
3
25
6
63
9
110
12
164
15
229
18
303
21
386
24
477
27
560
30
639
Determine la velocidad de la motocicleta en t 0s, t 3s y t 24s; use la

formula por diferencias divididas m
as exacta.
F Soluci
on
Si dptq representa el criterio de la funcion de distancia recorrida por la motocicleta en funcion del t, entonces la velocidad en el tiempo t del recorrido esta dada
por d1 ptq.
334
M
etodos num
ericos
En promedio, la f
ormula con mayor exactitud para aproximar d1 ptq corresponde a la formula central; sin embargo, para t 0s dicha formula no es aplicable,
dado que solo existen datos laterales al rededor del punto de interes. Lo mismo
pasara para t 30s. De esta manera:
Al usar la f
ormula lateral izquierda, con t0 0, t1 3 y t2 6, se tiene
que:
d1 p0q
4dpt1 q 3dpt0 q dpt2 q

4 25 3 0 63
37
6.16
2h
23
6
As, la velocidad de la motocicleta a los 0s es aproximadamente de 6.16m/s.

Al usar la f
ormula central, con t0 0, t1 3 y t2 6, se tiene que:
d1 p3q
dpt2 q dpt0 q
63 0
21
10.5
2h
23
2
As, la velocidad de la motocicleta a los 3s es aproximadamente de 10.5m/s.

Al usar la f
ormula central, con t0 21, t1 24 y t2 27, se tiene que:
d1 p24q
dpt2 q dpt0 q
560 386
29
2h
23
As, la velocidad de la motocicleta a los 24s es aproximadamente de 29m/s.

F
5.2.3.
F
ormulas de diferencias divididas finitas con m
as de dos
2
puntos para f
En la seccion anterior se estudiaron las formulas de diferencias finitas de tres

puntos para aproximar el valor de la primera derivada de una funcion. Con base en
la misma estrategia, es posible determinar formulas por diferencias divididas para
las derivadas de orden superior. En la presente seccion se construyen las formulas
por diferencias divididas, izquierda, central y derecha, para aproximar la segunda
derivada de una funci
on dados tres puntos px0 , f px0 q, px1 , f px1 qq y px2 , f px2 qq de
su grafico de la funci
on, tales que los datos x0 , x1 y x2 son igualmente espaciados
y x0 x1 x2 .
Sea f una funci
on, considere el polinomio interpolante de grado 2 que pasa
por los puntos px0 , f px0 qq, px1 , f px1 qq y px2 , f px2 qq por:
f pxq f px0 q`f rx0 , x1 spxx0 q`f rx0 , x1 , x2 spxx0 qpxx1 q`
f 3 px q
pxx0 qpxx1 qpxx2 q
3!
(5.10)
Al derivar a ambos lados de la ecuaci

on (5.10) se tiene que:
d f 3 px q
f pxq f rx0 , x1 s ` f rx0 , x1 , x2 sp2x x1 x0 q `
dx
3!
(5.11)
1
335
Al derivar nuevamente a ambos lados de la ecuacion (5.11) y suponer que los

valores x0 , x1 y x2 son igualmente espaciados, es decir: h x2 x1 x1 x0 se
tiene que:
f 2 pxq
d2 f 3 px q
px
x
qpx
x
qpx
x
q
0
1
2
dx2
3!
f px2 q 2f px1 q ` f px0 q

d2 f 3 px q
`
px
x
qpx
x
qpx
x
q
0
1
2 (5.12)
h2
dx2
3!
2f rx0 , x1 , x2 s `
Donde,
d2 f 3 px q
px x0 q px x1 q px x2 q
dx2
3!
d f 3 px q
f 3 px q
px x0 q px x1 q px x2 q `
px x1 q px x2 q
dx
3!
3!
f 3 px q
f 3 px q
px x0 q px x2 q `
px x0 q px x1 q
`
3!
3!
3
d
d f px q
px x0 q px x1 q px x2 q
dx dx
3!
3
d f px q
d f 3 px q
px x1 q px x2 q `
px x0 q px x2 q
`
dx
3!
dx
3!
d f 3 px q
px x0 q px x1 q
`
dx
3!
3
f 3 px q
f 3 px q
d f px q
px x2 q `
px x1 q
px x1 q px x2 q `
`
dx
3!
3!
3!
d f 3 px q
f 3 px q
f 3 px q
px x2 q `
px x0 q
`
px x0 q px x2 q `
dx
3!
3!
3!
3
d f px q
f 3 px q
f 3 px q
`
px x0 q px x1 q `
px x1 q `
px x0 q
dx
3!
3!
3!
En el caso de la f
ormula central para la aproximacion de f 2 px1 q se debe
evaluar la expresi
on anterior en x1 y saber que h x2 x1 x1 x0 . La
expresion anterior se reduce a:
3
p4q p q 1
f px q
x1 x1
2 d
2f
2h
dx
3!
3
xx1
de donde se tiene que la ecuaci
on (5.12) evaluada en x x1 se reduce a:
336
M
etodos num
ericos
f 2 px1 q
p4q p q 1
x1 x1
2f
h
2
h
3
La formula anterior corresponde a la f

ormula central para la aproximacion de
f 2 . De ella se nota que la rapidez de convergencia para esta formula es Oph2 q.
Analogamente se puede construir la f
ormula izquierda y derecha para la aproximacion de f 2 . Para estas dos la rapidez de convergencia es apenas de Ophq.
Finalmente, a manera de resumen se tiene que:
F
ormula por diferencias divididas para f 2
Si f es una funci
on derivable y sean x0 , x1 y x2 tres puntos igualmente
espaciados tales que: h x2 x1 x1 x0 entonces:
f 2 px0 q

con una rapidez de Ophq
h2
f 2 px1 q

con una rapidez de Oph2 q
h2
f 2 px2 q

con una rapidez de Ophq
h2
Ejemplo 120
Una motocicleta se desplaza por una autopista de prueba que posee una trayectoria rectilnea. La distancia, en metros, recorrida por la motocicleta es tomada
cada tres segundos por una computadora que al final del recorrido muestra la
siguiente tabla de datos:
Tiempo ptq
Distancia pmq
0
0
3
25
6
63
9
110
12
164
15
229
18
303
21
386
24
477
27
560
30
639
Determine la aceleraci
on de la motocicleta en t 0s, t 3s y t 24s; use la
formula por diferencias divididas m
as exacta. La motocicleta esta acelerando o
desacelerando en estos tiempos?
F Soluci
on
Si dptq representa el criterio de la funcion de distancia recorrida por la motocicleta en funci
on del t, entonces la aceleracion en el tiempo t del recorrido
esta dada por d2 ptq.
Por otro lado, la f
ormula con mayor exactitud para aproximar d2 ptq corresponde a la formula central; sin embargo, para t 0s dicha formula no es aplicable,
337
dado que solo existen datos laterales alrededor del punto de interes; lo mismo
pasara para t 30s. De esta manera:
Mediante el empleo de la f
ormula lateral izquierda se tiene que
d2 p0q
dpt2 q 2dpt1 q ` dpt0 q

h2
donde h 3, t0 0, t1 3 y t2 6. De este modo,

d2 p0q

63 2 25 ` 0
13
1.4
2
2
h
3
9
por lo que la aceleraci

on de la motocicleta a los t 0s es aproximadamente
de 1.4 m/s2 . Para este tiempo, la motocicleta esta acelerando.
ormula central, se tiene que
d2 p3q
63 2 25 ` 0
13
1.4
2
2
h
3
9

de 1.4 m/s2 . Para este tiempo, la motocicleta esta acelerando. Note que
en este caso, 1.4 es aproximaci
on tanto para d2 p0q como para d2 p3q; sin
embargo, la teora garantiza que sera mas exacta para d2 p3q.
ormula central se tiene que:
d2 p24q

h2
donde h 3, t0 21, t1 24 y t2 27. De este modo,

d2 p27q

560 2 477 ` 386
8
0.8
2
2
h
3
9

de 0.8 m/s2 . Para este tiempo, la motocicleta esta desacelerando.
F
338
M
etodos num
ericos
Ejercicios 5.2
1. Considere una funci
on f continua en ra, bs y sean x0 , x1 , x2 y x3 puntos
igualmente espaciados en ra, bs. Demuestre que las formulas para estimar
la derivada con los cuatro valores anteriores esta dada por:
P31 px0 q
11f0 ` 18f1 9f2 ` 2f3

6h
P31 px1 q
5f0 ` 6f1 3f2 ` 2f3

6h
P31 px2 q
f0 6f1 ` 3f2 ` 2f3

6h
P31 px3 q
2f0 ` 9f1 18f2 ` 11f3

6h
2. Un autom
ovil recorre una pista en 65 segundos. La distancia recorrida
por el auto se determina cada cinco segundos del recorrido. Los datos
se representan en la siguiente tabla:
Tiempo
Distancia
0
0
5
10
15
20
25
30
35
54 115 175 250 330 400 460
Tiempo
45
50
55
60
65
Distancia 566 628 698 774 844
40
516
Calcule la velocidad y la aceleracion del automovil cada cinco segundos

durante el recorrido. Utilice la f
ormula de tres puntos mas exacta en
cada caso.
3. Una empresa realiza un historial de sus ganancias en los u
ltimos seis
periodos; estos datos se muestran en la siguiente tabla:
Periodo (meses)
Ganancia ($)
1
1750
2
1900
3
2150
4
2270
5
2350
Estime la rapidez con la cual la ganancia aumenta en cada uno de los

periodos. Determine en cada periodo una aproximacion de la aceleracion
de la ganancia. Use la f
ormula de tres puntos. Repita, con base en las
formulas de cuatro puntos demostrada en la parte 1.
4. Concretice las demostraciones de las afirmaciones que se brinda sobre la
rapidez de convergencia para la f
ormula de dos y tres puntos. Que rapidez de convergencia posee la f
ormula de cuatro puntos?
339
5. Sea f una funci

on derivable en el intervalo r0, 2s tal que |f 3 pxq| 5 para
todo x P r0, 2s. Determine un juego de datos f px0 q, f px1 q y f px2 q que
se deben conocer de f para poder aproximar el valor de f 1 p1q utilizando
la formula central, con un error menor que 0.0001.
6. Repita el ejercicio anterior para las formulas derecha e izquierda con tres
puntos.
on definida por f pxq cospxq ` 3x2 , determine un
intervalo I r2 , 2 ` s de forma que, para x0 y x2 en I con
f2 f0
h x2 2 2 x0 se cumpla que
aproxime a f 1 p2q con un
2h
error absoluto menor que 104 .
on definida por gpxq lnpxq ` senpxq, determine un
intervalo I r3 , 3 ` s de forma que para x0 y x2 en I con
g2 g0
h x2 3 3 x0 se cumpla que
. Aproxime a g 1 p3q con un
2h
error absoluto menor que 105 .
9. Repita los ejercicios 7 y 8 con base en las formulas derecha e izquierda
con tres puntos.
5.3.
Integraci
on num
erica
En la secci
on anterior se hace uso de la interpretacion geometrica de la derivada para definir tecnicas que permitan aproximar dicho valor. De esta misma
forma se puede hacer uso de la interpretacion geometrica de la integral definida
para construir una serie de tecnicas que permitan aproximarla, esto es, aproximar
el valor de:
b
f pxqdx
(5.13)
I
a
donde f es una funci

on integrable en el intervalo ra, bs.
Recuerde que dicho c
alculo puede ser realizado en forma exacta para las
funciones f con antiderivada elemental, lo cual significa la existencia de una
funcion F cuyo criterio sea una combinacion finita de funciones algebraicas o
trascendentes que satisfacen la condici
on F 1 pxq f pxq. La regla con la cual se
calcula dicho valor se denomina regla de Barrow y es un corolario del teorema
fundamental del c
alculo, e incluso se suele enunciar como un segundo teorema
fundamental. Esta regla se enuncia a continuacion:
340
M
etodos num
ericos
Teorema 45 (Regla de Barrow)

Sea f una funci
on continua e integrable en ra, bs y sea F una antiderivada de f
d
en ra, bs, es decir
F pxq f pxq. Entonces:
dx
b
a
f pxqdx F pxq|ba F pbq F paq
El problema de la regla anterior es que parte del supuesto de que f posee una
antiderivada elemental, lo cual muchas veces no es cierto. El ejemplo 121 muestra algunas funciones para las cuales no es posible determinar una antiderivada
elemental.
Ejemplo 121
Las funciones siguientes no poseen derivada elemental.
1. f pxq ex
2. gpxq
sen x
x
3. hpxq ee
4. rpxq
ex
x
7. upxq cospex q
1
lnpxq
5. spxq lnpln xq
8. vpxq
6. tpxq ex ln x
9. wpxq senpx2 q
Esto quiere decir que las integrales de las funciones presentadas no pueden
ser calculadas mediante la regla de Barrow.
De ah la necesidad de los metodos numericos para el calculo de este tipo de
integral, ya que muchas de estas son necesarias en el estudio de algunas aplicaciones. En la probabilidad y la estadstica, por ejemplo, se presentan algunas, como
b
1
2
ex {2 dx, la cual es fundamental para el calculo
por ejemplo la integral ?
2 a
de probabilidades en una distribuci
on normal con media cero y varianza 1.
Si f es una funci
on continua y no negativa en ra, bs, entonces
b
A
f pxqdx
a
puede ser interpretado como el

area limitada por el eje x, la grafica de f y las
rectas verticales x a y x b, tal como se muestra en la figura 5.2.
341
Figura 5.2: Area

bajo la curva de una funcion.
En caso de ser la funci

on f siempre negativa dentro del intervalo ra, bs, entonces el area de la regi
on limitada por el eje x, la grafica de la funcion y las rectas
verticales x a y x b se calculan mediante la expresion:
b
b
A f pxqdx
f pxqdx
a
ya que f es una funci

on no negativa en ra, bs.
Teorema 46
Sea f una funci
on integrable en un intervalo I. Sean a, b y c elementos de I tales
que a b, entonces:
b
c
b
f pxqdx
f pxqdx `
f pxqdx
a
donde c es un valor que puede estar o no dentro del intervalo ra, bs.
Teorema 47 (Teorema del valor medio ponderado para integrales)
Suponga que f P Cra, bs, y que g es una funcion integrable en ra, bs. Suponga que
gpxq no cambia de signo en ra, bs. Entonces existe un n
umero c en sa, br para el
cual se cumple que:
b
b
f pxqgpxqdx f pcq gpxqdx
a
Definici
on 51 (Partici
on de un intervalo)
Sea I ra, bs con a b un intervalo real y sea n un n
umero natural, se define
una particion de I en n ` 1 puntos, como el conjunto P definido por:
P tx0 , x1 , x2 , x3 , . . . , xn u
donde x0 a, xn b y xi1 xi para i 1, 2, 3, . . . n.
342
M
etodos num
ericos
Ademas, una partici

on P tx0 , x1 , x2 , x3 , . . . , xn u se dice regular si se cumple
ba
para todo i 1, 2, 3, . . . , n.
que xi xi1
n
Notaci
on:
Una partici
on P de un intervalo ra, bs se puede denotar como
P ta x0 x1 x2 x3 xn bu
Esto evita tener que explicitar las demas condiciones sobre los elementos
de P.
Ejemplo 122
Considere el intervalo I r0, 3s, entonces:
1. El conjunto P t0 1 2 3u es una particion regular de I. Esta divide
a I en tres subintervalos de la misma longitud: r0, 1s, r1, 2s, r2, 3s, todos con
longitud 1.
2. El conjunto Q t0 12 1 2 52 3u es una particion no regular
que divide al intervalo I en cinco subintervalos: r0, 21 s, r 12 , 1s, r1, 2s, r2, 52 s
y r 25 , 3s. Note que todos excepto r1, 2s tienen longitud 21 , mientras que el
intervalo r1, 2s tiene longitud 1.
5.3.1.
M
etodo de integraci
on de Newton-Cotes
Al igual que para las aproximaciones de las derivadas de una funcion, se

utilizara un polinomio interpolador para aproximar la integral definida de una
funcion f .
Considere una funci
on real f definida e integrable en ra, bs tal que existen
datos x0 x1 xn , donde x0 a y xn b. Sea ademas Pn pxq el polinomio
interpolador que aproxima a f en ra, bs y cuya grafica pasa por todos los puntos
pxi , f pxi qq para i 0, 1, 2, . . . , n. Entonces se sabe que existe x entre x0 y xn
que depende de x, para el cual:
f pxq Pn pxq `
f pn`1q px q
px x0 q px xn q
pn ` 1q!
As, se tiene que:

b
b
f pxqdx
b
Pn pxqdx `
f pn`1q px q
px x0 q px xn qdx
pn ` 1q!
Para el caso particular de utilizar el polinomio de interpolador de Newton por
343
diferencias divididas finitas, se pueden obtener las formulas de Newton-Cotes1

para aproximar la integral definida de la funcion f .
Primera f
ormula de Newton-Cotes o regla del rect
angulo
Considere la funci
on f P C 2 ra, bs integrable para la cual se desea estimar el
b
f pxqdx. Adem
as, tome x0 a y x1 b con h x1 x0 y considere
valor de
a
el polinomio interpolador de grado cero definido por:

P0 pxq f px0 q
de donde
f 1 px q
(5.14)
1!
con x P rx0 , x1 s. Al integrar a ambos lados de la igualdad 5.14 se tiene lo siguiente:
f pxq f px0 q ` px x0 q
b
a
x1
f 1 px q
f pxqdx
f px0 q ` px x0 q
dx
1!
x0
x1
x1
f 1 px q
f px0 q
dx `
px x0 q
dx
1
x0
x0
x1
f px0 qpx1 x0 q `
f 1 px q px x0 q dx pq
x0
como f P C 2 rx0 , x1 s, entonces f 1 P Crx0 , x1 s. Ademas, x x0 no cambia de signo

dentro rx0 , x1 s; as, por el teorema 47 se tiene que existe P rx0 , x1 s tal que:
x1
x1
1
1
px x0 q dx
f px q px x0 q dx f pq
x0
x0
de esta manera:
x1
1
pq f px0 qpx1 x0 q ` f pq
px x0 q dx
x0
f px0 qpx1 x0 q ` f 1 pq
hf px0 q ` h2
1
px1 x0 q2
2
f 1 pq
2
Las f
ormulas de Newton-Cotes se dividen en dos: las primeras se denominan f
ormulas cerradas de Newton-Cotes y la segundas, f
ormulas abiertas de Newton-Cotes. La diferencia radica
en que las primeras utilizan los valores a y b, que son los extremos del intervalo de integraci
on, mientras que las segundas no los emplean. En la presente obra se estudiar
an las f
ormulas
cerradas de Newton-Cotes.
344
M
etodos num
ericos
De esta misma manera se puede obtener, con el polinomio interpolante de

grado cero, P0 pxq f px1 q. Con un proceso analogo se consigue la aproximacion de
la integral al utilizar el valor x1 . As, se pueden obtener las formulas de integracion
de Newton Cotes, o bien, la regla del rect
angulo que se aprecia en (5.15) y (5.16)
al utilizar el extremo izquierdo y extremo derecho, respectivamente.
x1
f 1 pq
f pxqdx hf px0 q ` h2
(5.15)
2
x0
x1
f 1 pq
f pxqdx hf px1 q h2
(5.16)
2
x0
x1
f pxqdx hf px0 q SI1
(5.17)
f pxqdx hf px1 q SD1
(5.18)
xx01
x0
Las formulas 5.17 y 5.18 se conocen como la regla rectangular izquierda y derecha,
respectivamente; la interpretaci
on gr
afica de estas aproximaciones aparece en las
figuras presentadas en 5.3. En este caso, SD1 denota la suma derecha, mientras
que SI1 denota la suma izquierda.
f(x1)
f(x0)
x
x
x0
x1
(a) Rect
angulo derecho.
x0
x1
(b) Rect
angulo izquierdo.
Figura 5.3: Primera f

ormula de Newton-Cotes.
Ejemplo 123
Considere la funci
on f definida por f pxq ex , determine una aproximacion para
1 x
ormulas derecha e izquierda de Newton-Cotes. Compare
0 e dx mediante las f
con el valor real (tome como valor real lo que indica una calculadora).
F Soluci
on Al tomar h x1 x0 1 se obtiene
345
SI1
SD1
hf px0 q e0 1
hf px1 q e1 e 2. 718 281 83
Ahora bien, el valor real S

apreciar que:
1
0
ex dx e 1 1. 718 281 83, de donde se puede
ESI
|S SI1 | e 1 1 0.718 281 829
ESD
|S SD1 | |e 1 e| 1
En este caso especfico la aproximaci

on con el extremo izquierdo es mejor que
la suma con el uso del extremo derecho. Graficamente, esta situacion se observa
en la figura 5.4, de donde es claro que el error cometido en dicha aproximacion
es relativamente grande; con el rect
angulo derecho por exceso y con el rectangulo
izquierdo por defecto.
y
(a) Rect
anglo derecho
(b) Rect
angulo izquierdo
Figura 5.4: Regla del rectangulo para f pxq ex .
F
Regla compuesta del rect
angulo
Una forma de mejorar la aproximacion encontrada, cuando el intervalo de
integracion es considerablemente grande, es realizar una particion del intervalo
de integracion y aplicar la regla del rect
angulo en cada una de los subintervalos.
La efectividad de esta estrategia se sustenta en el error cometido por la regla en un
intervalo cualquiera ra, bs. Recuerde que el error cometido por dicha aproximacion
esta dado por:
h2 f 1 pq
2
346
M
etodos num
ericos
donde h ba y P ra, bs. As, si h es peque

no, entonces el error de aproximacion
tambien lo es, por lo que un afinamiento mediante una particion reduce considerablemente el error cometido. La aplicacion de la regla del rectangulo a este
afinamiento del intervalo de integraci
on en subintervalos de longitud mas peque
na
se denomina regla compuesta de rect
angulo, la cual se presenta a continuacion:
Sea f una funci
on integrable en un intervalo ra, bs. Suponga que se desea
b
determinar una aproximaci
on del valor a f pxqdx. Considere una particion regular
P ta x0 x1 x2 x3 xn bu que divide a ra, bs en n
subintervalos igualmente espaciados; de esta forma, y por las propiedades de la
integral definida, se tiene que:
x1
f pxqdx
x2
f pxqdx `
x0
xn
f pxqdx
f pxqdx ` `
x1
xn1
ba
Como la partici
on P es regular, entonces se puede tomar h
xi xi1
n
para i 1, 2, 3, . . . , n. As, las aproximaciones mediante la regla compuesta del
rectangulo estan dadas por:
b
f pxqdx SIn hf px0 q ` hf px1 q ` ` hf pxn1 q h
a
b
f pxqdx SDn hf px1 q ` hf px2 q ` ` hf pxn q h
a
n1
f pxi q
i0
n
f pxi q
i1
Para dicha regla es posible determinar una formula de error que cuantifique que tan buena es la aproximaci
on determinada dependiendo del n
umero de
subintervalos en la partici
on. En el intervalo iesimo de la particion se tiene que:
xi`1
f 1 pi q
2
x
xi`1i
1
f pi q
f pxqdx hf pxi`1 q ` h2
2
xi
f pxqdx hf pxi q ` h2
(5.19)
(5.20)
donde i pertenece al intervalo rxi , xi`1 s en ambos casos. Ademas, en la formula

(5.19) se usa el extremo izquierdo, mientras que en la formula (5.20) se utiliza el
extremo derecho de cada subintervalo.
De donde, por propiedad de integrales, al usar el extremo izquierdo y derecho,
347

respectivamente, se deduce que:
b
f pxqdx
a
i0
b
f pxqdx
a
n1
xi`1
f pxqdx h
xi
n1
xi`1
f pxi q `
i0
f pxqdx h
i0 xi
n
n1
n1
n1
h2 1
f pi q
2 i0
f pxi`1 q `
i0
f pxi q `
i1
n
h2
n1
h2 1
f pi q
2 i0
f 1 pi1 q
i1
Es posible notar que salvo la escogencia del i P rxi , xi`1 s, el termino de error
para la regla del rect
angulo con el uso de los extremos izquierdos y derechos
coincide en su forma, y est
a dada por:
n1
h2 1
f pi q
2 i0
(5.21)
Ahora bien, como f P C 2 ra, bs, entonces f 1 P Cra, bs, por lo que al aplicar el
teorema 5, de los valores extremos de una funcion en un intervalo cerrado se tiene
la existencia de valores cmn y cmax en ra, bs para los cuales se cumple que:
f 1 pcmn q f 1 pxq f 1 pcmax q
@x P ra, bs
para cada subintervalo rxi , xi`1 s el valor i cumple que

f 1 pcmn q f 1 pi q f 1 pcmax q
n1
n1
n1
f 1 pcmn q
f 1 pi q
f 1 pcmax q
i0
nf 1 pcmn q
f 1 pcmn q
i0
n1
i0
f pi q nf 1 pcmax q
i0
n1
1
n
f 1 pi q f 1 pcmax q
i0
Al aplicar el teorema 15 (T.V.I) se tiene que para k

un P ra, bs para el cual se tiene que:
f 1 p q
n1
1 1
f pi q
n i0
1 n1 1
f pi q existe
n i0
348
M
etodos num
ericos
De esta manera, si se considera que h

se puede simplificar de la siguiente forma:
ba
n ,
el termino de error dado en 5.21
n1
h2 1
h2 1
ba
hba 1
f pi q
nf p q
nf p q
hf 1 p q

2 i0
2
2
n
2
Regla compuesta del rect

angulo
Sea f P C 2 ra, bs, y sea P ta x0 x1 x2 x3 xn
bu una partici
on del intervalo ra, bs, entonces la aplicacion de la regla
del rectangulo compuesta con el uso del extremos izquierdo y derecho,
respectivamente, est
a dada por:
b
f pxqdx SIn h
a
n1
i0
n
f pxqdx SDn h
a
i1
donde P ra, bs y h
f pxi q `
ba 1
hf p q
2
f pxi q
ba 1
hf p q
2
ba
n
Ejemplo 124
Resuelva nuevamente el ejemplo 123 con base en la regla compuesta del rectangulo
(primera formula de Newton-Cotes) usando tres subintervalos igualmente espaciados.
F Soluci
on Se desea integrar la funci
on f pxq ex en el intervalo r0, 1s utilizando
1
1
2
la
partici
o
n
P
t0
1u;
en
este
caso,
los
subintervalos
son:
0, 3 ,
3
3
1 2 2
,
y
,
1
.
As
,
las
aproximaciones
al
usarse
las
sumas
derecha
e
izquierda
3 3
3
estan dadas respectivamente por:
SI3
SD3
h
h
i0
3
f p0 ` ihq
f p0 ` ihq
i1
Donde h 13 . As, las aproximaciones son:

SI3
SD3

2
i
1
f
3 i0
3

3
1
i
f
3 i1
3
1 0
e ` e1{3 ` e2{3
1 ` e1{3 ` e2{3 1. 447 782 16
3
3
1
1 1{3
e ` e2{3 ` e1
e1{3 ` e2{3 ` e 2. 020 542 77
3
3
349

Ahora bien, el valor real S
ESI
ESD
1
0
ex dx e 1, de donde se puede apreciar que:
1
1{3
2{3
0.270 499 673...
1è è
|S SI3 | e 1
1 1{3
2{3
|S SD3 | e 1
e ` e ` e 0.302 260 936...
3
Lo cual muestra que las aproximaciones han mejorado, al comparar con las obtenidas en el ejemplo 123. Gr
aficamente este proceso se muestra en la figura 5.5.
y
(a) Rect
angulo derecho
(b) Rect
angulo izquierdo
Figura 5.5: Regla del rectangulo para f pxq ex .
F
Ejemplo 125
`
Considere la funci
on f definida por f pxq cos x2 , y considere el intervalo I
r0, 1s. Determine el tama
no de una particion regular
1 P del intervalo I, de manera
que se pueda garantizar que la aproximacion de 0 f pxqdx con el uso de la regla
compuesta del rect
angulo con la particion P y el extremo izquierdo tenga un
error absoluto menor que 0.00001.
F Soluci
on Suponga que P t0 x0 x1 x2 . . . xn 1u una particion
regular. Se desea saber el valor de n P N para la cual se cumpla que:

b a 1 1 1

2 hf p q 2n f p q 0.00001.
senp x2 q
donde f 1 pxq
. Se sabe que para todo x P R se cumple que |f 1 pxq| 12 .
2
De
manera,
1 esta
se desea determinar el valor de n para el cual se cumple que:
f 1 p q 1 0.00001. De donde basta tomar n 25 000.
F
2n
4n
350
M
etodos num
ericos
Ejercicios 5.3
1. Repita el ejemplo 123 con base en la regla compuesta del rectangulo;
use cinco rectangulos y calcule el error absoluto real (tome como valor
real el brindado por una calculadora).
2. Repita el ejemplo 123 con base en la regla compuesta del rectangulo;
use diez rectangulos y calcule el error absoluto real (tome como valor
2
on f definida por f pxq ex y considere el intervalo
r0, 4s. Si se sabe que f es integrable
en r0, 4s, use la regla compuesta
4
2
del rectangulo para aproximar 0 ex dx. Use:
a) 4 rectangulos.
b) 8 rectangulos.
c) 16 rectangulos.
d) 32 rectangulos.
on f definida e integrable en el intervalo r1, 3s, tal
que |f 1 pxq| M , con M P R` para todo x P r1, 3s. Determine el
tama
no de una partici
on regular P de manera que la aproximacion de la
integral de f en r1, 3s al utilizar la regla compuesta del rectangulo con
la partici
on P y con los extremos derechos, tal que el error sea menor
que 0.001.
on f definida e integrable en el intervalo r1, 1s,
1
tal que |f pxq| M , con M P R` para todo x P r1, 1s. Ademas,
1 1
1 1 3
considere la partici
on P t1, 3
el
4 , 2 , 4 , 0, 4 , 2 , 4 , 1u. Determine
1
valor que debe tomar M si se sabe que la aproximacion de 1 f pxqdx
al usar la regla compuesta del rectangulo con el extremos derecho tiene
un error absoluto menor que 0.1.
Implementaci
on de la regla compuesta del rect
angulo
Suponga que se posee una funci
on f y un intervalo ra, bs en el cual f esta definida y es integrable. Sea n un n
umero natural que indica el n
umero de subintervalos en que la partici
on regular P divide a ra, bs, con:
P ta x0 x1 x2 xn bu
Note que para todo i 0, 1, 2, . . . , n se cumple que xi a ` ih, donde
ba
h
.
n
351
En el pseudoc
odigo presentado en el algoritmo 16 se muestran las instrucciones generales para la implementaci
on del metodo.
Algoritmo 16 Regla compuesta del rectangulo: sumas derechas e izquierdas
Entrada: n: n
umero de intervalos por formar en la particion. f : funcion integrando. a y b: extremos del intervalo de
b integracion con a b.
Salida: SI y SD : La aproximaci
on de a f pxqdx calculada con la regla del
rectangulo compuesta al usar n rectangulos y sus extremos izquierdos y derechos, respectivamente.
ba
1: h
n
2: SI 0, SD 0
3: para i 1 hasta n hacer
4:
SI SI ` f pa ` pi 1qhq
5:
SD SI ` f pa ` ihq
6: fin para
7: SI h SI
8: SD h SI
9: retornar SI , SD
Segunda f
ormula de Newton-Cotes o regla del Trapecio
Sea f P C 3 ra, bs una funci
on integrable en el intervalo ra, bs. Suponga que se
desea determinar el valor de:
b
f pxqdx
a
Tomese x0 a y x1 b. Considere tambien el polinomio interpolador de grado

1 con resto, determinado por el metodo de las diferencias divididas finitas de
Newton; de esta manera se tiene que:
f pxq f px0 q ` f rx0 , x1 spx x0 q `
f 2 px q
px x0 qpx x1 q
2!
(5.22)
Al integrar a ambos lados de la igualdad 5.22 se puede obtener la segunda formula

de Newton-Cotes o regla del trapecio; el procedimiento se muestra a continuacion:
x1
f pxqdx
x1
f px0 qdx `
x0
x1
f rx0 , x1 spx x0 qdx `
x0
x0
f 2 px q
px x0 qpx x1 qdx
2!
Como la funci
on gpxq px x0 qpx x1 q es integrable y f 2 P C 1 rx0 , x1 s no
cambia de signo en rx0 , x1 s, entonces por el teorema 47 (teorema del valor medio
ponderado para integrales) existe P rx0 , x1 s para el cual se cumple que:
352
M
etodos num
ericos
x1
x0
f 2 px q
f 2 pq
px x0 qpx x1 qdx
2
2
x1
px x0 qpx x1 qdx
x0
As, se tiene que:
x1
x1
f 2 pq x1
f pxqdx f px0 q
dx ` f rx0 , x1 s
px x0 qdx `
px x0 qpx x1 qdx
2
a
x0
x0
x0
1
f 2 pq 1
px0 x1 q3
f px0 q px1 x0 q ` f rx0 , x1 s px0 x1 q2 `
2
2! 6
Al tomar h x1 x0 se tiene que:
h3 f 2 pq
1
f pxqdx hf px0 q ` h2 f rx0 , x1 s
2
12
a
hf px0 q `
h2 f px0 q f px1 q h3 f 2 pq
2
h
12
h
h3 f 2 pq
rf px0 q ` f px1 qs
2
12
De esta manera, dados los valores x0 y x1 , con x0 x1 , se tiene que:
x1
f pxqdx
x0
h
rf px0 q ` f px1 qs
2
(5.23)
donde h x1 x0 .
3 2
h f pq
donde P rx0 , x1 s. De ah es
El error absoluto cometido en 5.23 es
12
posible analizar que para h peque
no el error de aproximacion es peque
no.
La regla anterior se conoce como regla del trapecio, debido a que es equivalente
a aproximar el valor de la integral; para ello se utilizan areas del trapecio de bases
f px0 q y f px1 q y altura h x1 x0 , esta se aprecia en la figura 5.6.
353
f(x1)
f(x0)
x0
x1
Figura 5.6: Regla del trapecio.
Ejemplo 126
Repita el ejemplo 123 con base en la regla del trapecio y compare el resultado.
Considere
la funci
on f definida por f pxq ex . Determine una aproximacion
1 x
para 0 e dx. Compare con el valor real (tome como valor real lo que indica una
calculadora).
F Soluci
on En este caso, h x1 x0 1 0 1, as que:
1
ex dx
T1
0
h x0
1
re ` ex1 s re ` 1s 1. 859 140 91
2
2
(5.24)
El valor real de la integral es e 1 1. 718 281 83, de donde se puede observar

que el error absoluto cometido por la aproximacion anteriores es:
ET1
e 1 pe ` 1q 0.140 859 086

2
on se aprecia en la figura 5.7.
354
M
etodos num
ericos
Figura 5.7: Aproximaci

on con la regla del trapecio.
Es posible observar que el error cometido por la regla del rectangulo, en sus
dos versiones, fue mucho mayor que el error cometido por la regla del trapecio.
Esto significa que la aproximaci
on determinada por la regla del trapecio tiene
mayor exactitud.
F
Regla compuesta del trapecio

Tal como se realiz
o con la regla del rectangulo, si el valor de h es grande, es
posible realizar una partici
on del intervalo en n subintervalos igualmente espaciados, con el objetivo de realizar una aproximacion con mayor exactitud. Para
esto basta determinar un partici
on P ta x0 x1 x2 xn bu del
intervalo de integraci
on en n ` 1 puntos igualmente espaciados. De este modo, el
valor de la integral ser
a aproximado en funcion de la suma de las areas de los n
trapecios.
b
f pxqdx
a
n1
i0
h
rf pxi q ` f pxi`1 qs
2
(5.25)
donde h ba
on
n . En la figura 5.8 se puede apreciar la mejora en la aproximaci
al utilizar una partici
on en tres subintervalos.
355
y
f(x3)
f(x2)
f(x1)
f(x0)
x0
x1
x2
x3
Figura 5.8: Regla del trapecio con particion.
La formula (5.25) puede ser simplificada, ya que en ella existen calculos redundantes. Por ejemplo, el c
alculo del
area del primer trapecio se realiza con la
formula:
h
rf px0 q ` f px1 qs
2
mientras que para el segundo trapecio es
h
rf px1 q ` f px2 qs
2
Es posible notar que ambas f
ormulas poseen en com
un f px1 q; de esta forma,
la suma de las dos
areas correspondientes al primer y segundo trapecio se puede
simplifciar tal y como se muestra a continuacion:
h
h
h
rf px0 q ` f px1 qs ` rf px1 q ` f px2 qs rf px0 q ` 2f px1 q ` f px2 qs
2
2
2
el calculo de f px1 q se realiza solo una vez. Este proceso puede ser realizado en
general para obtener una simplificaci
on de la formula presentada en (5.25).
b
f pxqdx
a
n1
i0
h
rf pxi q ` f pxi`1 qs
2
h
pf px0 q ` f px1 q ` f px1 q ` f px2 q ` ` f pxn1 q ` f pxn qq
2
h
pf px0 q ` 2f px1 q ` 2f px2 q ` ` 2f pxn1 q ` f pxn qq
2
n1
h
pf px0 q ` 2
f pxi q ` f pxn qq
2
i1
356
M
etodos num
ericos
ba
.
n
Para la regla compuesta del trapecio, es posible demostrar la existencia de
P ra, bs tal que el error cometido al aplicar la regla esta dado por:
donde h
b a 2 2
12 h f pq
(5.26)
Regla del trapecio compuesta

Sea f P C 3 ra, bs, y sea P ta x0 x1 x2 x3 xn bu
una partici
on del intervalo ra, bs, entonces la aplicacion de la regla del
trapecio est
a dada por la f
ormula:
b
n1
h
ba 2 2
f pxqdx
f paq ` 2
f pxi q ` f pbq
h f p q (5.27)
2
12
a
i1
donde P ra, bs y h
ba
n
Ejemplo 127
Repita el ejemplo 126 con base en la regla compuesta del trapecio con cuatro
1
subintervalos. Calcule una aproximaci
on de 0 ex dx.
F Soluci
on
Para este caso se utilizar
a una particion regular P t0, 14 , 12 , 34 , 1u; de esta
1
manera se tiene que h 4 . Por lo que la regla compuesta del trapecio establece
que:
1
3
1{4
x
0
xi
1
e dx
e `2
e è
2
0
i1
Al simplificar se tiene que:
T4
1{4 0
e ` 2 e1{4 ` e1{2 ` e3{4 ` e1 1. 727 221 91
2
1
El valor real es 0 ex dx e 1, de donde se tiene que el error absoluto
cometido por dicha aproximaci
on es:
ET4 8. 940 076 10 103
on se muestra en la figura 5.9.
357
Figura 5.9: Regla compuesta del trapecio.
Ejercicios 5.4
1. Repita el ejemplo 127 con base en el la regla compuesta del trapecio
con ocho rectangulos y calcule el error absoluto real (tome como valor
2
on f definida por f pxq ex y considere el intervalo
r0, 4s. Si se sabe que f es integrable
en r0, 4s, use la regla compuesta
4
2
del trapecio para aproximar 0 ex dx. Use:
a) 2 rectangulos.
b) 4 rectangulos.
c) 8 rectangulos.
on g definida por gpxq cospxq ` lnpxq y considere
el intervalo r1, 5s. Si se sabe que g es integrable
en r1, 5s, use la regla
5
compuesta del trapecio para aproximar 1 gpxqdx. Use:
a) 2 rectangulos.
b) 4 rectangulos.
c) 8 rectangulos
Implementaci
on de la regla compuesta del trapecio
Suponga que se posee una funci
on f y un intervalo ra, bs en el cual f esta definida y es integrable. Sea n un n
umero de subin-
358
M
etodos num
ericos
tervalos en que la partici

P ta x0 x1 x2 xn bu
Como la partici
on P es regular, cada subintervalo tiene un tama
no h, con
ba
h
; as, se tiene que xi a ` ih para i 0, 1, 2, . . . , n.
n
En el pseudoc
on del metodo del trapecio compuesto.
Algoritmo 17 Regla compuesta del trapecio.
Entrada: n: n
umero de intervalos por formar en la particion. f : funcion integrando. a y b: extremos del
b intervalo de integracion con a b.
Salida: S: aproximaci
on de a f pxqdx por la regla compuesta del trapecio al usar
una partici
on regular con n ` 1 puntos.
ba
1: h
n
2: S 0
3: para i 1 hasta n 1 hacer
4:
S S ` f pa ` ihq
5: fin para
h
6: S S `
pf paq ` 2S ` f pbqq
2
7: retornar S
Regla compuesta del trapecio en Excel

Para la implementaci
on de la regla compuesta del trapecio en Visual Basic
para Excel, considere la plantilla que se muestra en la figura 5.10, donde el boton
que se muestra se identifica con el nombre de cmd CalcularIntegral.
Figura 5.10: Interfaz para la implementacion de la regla del trapecio compuesta.
Primero se debe definir una funci

on. De manera ilustrativa se empleara la
funcion exponencial de base e para dicho ejemplo; sin embargo, la funcion puede
359
ser remplazada por cualquier otra funcion definida e integrable en el intervalo

ra, bs. La siguiente instrucci
on define dicha funcion.
Public Function f(X As Double) As Double
f = Exp(X)
End Function
Al tener definida la funci

on f se debe implementar el metodo en el evento
click del boton cmd CalcularIntegral, para lo cual basta agregar el siguiente
codigo.
Private Sub cmd CalcularIntegral Click()
Dim a As Double, b As Double
Dim h As Double, S As Double
Dim n As Long, i As Long
a
b
n
h
S
=
=
=
=
=
Range("C2").Value
Range("D2").Value
Range("C5").Value
(b - a) / n
0
For i = 1 To n - 1
S = S + f(a + i * h)
Next
S = h / 2 * (f(a) + 2 * S + f(b))
Range("C8").Value = S
End Sub
En caso de necesitar cambiar el criterio de la funcion integrando, el usuario

debe modificar parte del c
odigo de programacion, especficamente la definicion de
la funcion f ; esto podra constituir una desventaja de este tipo de implementacion.
Tercera f
ormula de Newton-Cotes o regla de Simpson
Al realizar un proceso an
alogo al empleado para la deduccion de la regla
de trapecio, es posible deducir la tercera formula de Newton-Cotes o regla de
Simpson 1/3, mediante el empleo del polinomio interpolante de Newton por diferencias divididas de segundo grado.
La regla de Simpson 1{3, deducida de esta forma, posee un termino de error
en funcion de f 3 pq. Sin embargo, dicha formula puede ser deducida mediante el
polinomio de Taylor de grado 3 con resto, lo cual garantiza un termino de error
en funcion de f p4q pq. Esta particularidad se observa en el enunciado del teorema
48 que se presenta a continuaci
on.
Teorema 48
bà
y x2 b, entonces se
Considere la funci
on f P C 5 ra, bs. Sea x0 a, x1
2
tiene que:
b
h5
h
f pxqdx rf px0 q ` 4f px1 q ` f px2 qs f p4q pq
3
90
a
360
M
etodos num
ericos
con P ra, bs y h
ba
.
2
Como el resto de la regla de Simpson esta en funcion de f p4q pq, entonces el

resultado de aproximar la integral de cualquier polinomio de grado 3 o menor,
con el uso de esta regla es exacto, pues el termino de error es cero.
En la figura 5.11 se muestra la aplicacion de la regla de Simpson.
y
f(x2)
f(x1)
f(x0)
x0
x1
x2
Figura 5.11: Aplicaci

on de la regla de Simpson.
Regla compuesta de Simpson

La regla compuesta de Simpson mantiene la misma idea de las reglas compuestas estudiadas para el rect
angulo y el trapecio. En este caso, es necesario
tener en cuenta que la regla requiere tres puntos para ser aplicada, lo cual indica
que el n
umero de subintervalos generados por la particion debera ser par. As,
se aplicara la regla n2 veces, una vez en cada uno de los intervalos, de la forma
rx2i , x2i`2 s.
Regla de Simpson compuesta
Considere f P C 5 ra, bs una funci
on definida e integrable en ra, bs y sea
P tx0 , x1 , x2 , . . . , xn u una partici
on regular de ra, bs en n subintervalos,
donde n es par. Entonces existe P ra, bs tal que la formula de Simpson
compuesta con termino de error est
a dada por:
b
a
fi
n 1
n
2
2
h
b a 4 p4q
f pxqdx
h f p q
f paq ` 2
f px2i q ` 4
f px2i1 q ` f pbqfl
3
180
i1
i1
(5.28)
ba
donde h
y P ra, bs
n
361
Ejercicios 5.5
1. Aproxime las siguientes integrales mediante la regla de rectangulo, regla
del trapacio y la regla de Simpson. Compare con el valor real.
1.6
1
4
a)
x dx
c)
0.5
1.5
b)
x2 ln xdx
d)
2x
dx
4
x2
cospxq ` 2x dx
2. Aproxime con las reglas del rectangulo, trapecio y Simpson la integral

1
2
ex dx
0
3. Calcule una aproximaci

on para la integral
ex dx con base en la regla
a) del rectangulo compuesta, con cuatro subintervalos.

b) del trapecio compuesta, con cuatro subintervalos.
c) de Simpson compuesta, con cuatro subintervalos.
Compare las aproximaciones anteriores con el valor real. Que se puede
concluir a partir de ellas?
Implementaci
on de la regla de Simpson compuesta
Suponga que posee una funci
on f y un intervalo ra, bs en el cual f esta definida
y es integrable. Sea n un n
umero de subintervalos
en que la partici
P ta x0 x1 x2 xn bu
Como la partici
on P es regular, cada subintervalo tiene un tama
no h, con
ba
h
; as, se tiene que xi a ` ih para i 0, 1, 2, . . . , n.
n
En el pseudoc
on del metodo del trapecio compuesto.
362
M
etodos num
ericos
Algoritmo 18 Regla compuesta de Simpson

Entrada: n: n
umero de intervalos por formar en la particion. f : funcion integrando. a y b: extremos del
b intervalo de integracion con a b.
Salida: S: aproximaci
on de a f pxqdx por la regla compuesta de Simpson al usar
una partici
on regular con n ` 1 puntos.
1: si n es par entonces
ba
2:
h
n
3:
SImpar 0
4:
SPar 0
n
5:
para i 1 hasta
1 hacer
2
6:
SPar SPar ` f pa ` p2iqhq
7:
SImpar SImpar ` f pa ` p2i 1qhq
8:
fin para
9:
SImpar SImpar ` f pa ` pn 1qhq
h
10:
S pf paq ` 2SPar ` 4SImpar ` f pbqq
3
11: si no
12:
Mesaje de error.
13: fin si
14: retornar S
5.4.
Cuadratura gaussiana
Los metodos estudiados en la secci

on anterior se denominan metodos de integracion de Newton-Cotes o metodos de cuadratura de Newton-Cotes; estos se
obtuvieron al integrar el polinomio interpolante de Lagrange o de Newton por diferencias divididas, lo cual permiti
o determinar tanto la formula de aproximacion
como un termino de error.
Por ejemplo, para el metodo del trapecio estudiado en la pagina 351 se tiene
que para cualquier funci
on f P C 3 ra, bs se cumple que:
b
h
h3 f 2 pq
f pxqdx rf paq ` f pbqs
2
12
a
para alg
un P ra, bs y h b a.
De esta manera, el error cometido por la aproximacion:
b
pb aq
f pxqdx
rf paq ` f pbqs
2
a
3 2
h f pq
.
esta dado por:
12
363
De lo anterior se desprende que si f es una funcion constante o lineal, la

aproximacion obtenida por esta f
ormula es exacta. Esto se debe a que la segunda derivada de cualquier funci
on polinomial, de grado 1 o menor, es cero; sin
embargo, para funciones polinomiales de grado igual o superior a 2, dicha aproximacion podra ser pobre. Esta situaci
on se puede observar en la figura 5.12 que
se muestra a continuaci
on:
Figura 5.12: Visualizaci

on del error que se comente por la regla
del trapecio.
La perdida de precisi
on responde a la imposibilidad de adaptacion que tiene
la regla del trapecio a las curvas de funciones que poseen gran variabilidad.
Una situaci
on similar sucede con el metodo de Simpson; sin embargo, la rigidez
de dichos metodos radica en que las cuadraturas dependen de los extremos del
on. Es posible modificar dichas formulas de manera que las
cuadraturas no dependan de los extremos del intervalo de integracion, sino de
puntos interiores a este.
on y la regla del trapecio presentados en la figura
5.12, se podran considerar dos puntos x0 y x1 en el interior de ra, bs para los
cuales la aproximaci
on determinada, al hacer uso de estos, sea mucho mejor que
la obtenida mediante los extremos del intervalo de integracion (figura 5.13).
364
M
etodos num
ericos
f
a
x0
x1
Figura 5.13: Visualizaci

on de una mejora al metodo del trapecio.
Es necesario indicar que la escogencia de los valores x0 y x1 se debe hacer

convenientemente, de modo que minimice el error en funciones polinomiales de
grado superior.
Para todas las f
ormulas de cuadratura de Newton-Cotes se pueden encontrar
mejoras que disminuyan o anulen el error de aproximacion en polinomios de
grados superiores. La tecnica que se utilizara se denomina metodo de variaci
on
de par
ametros, y las f
ormulas encontradas mediante dicho metodo se denominan
f
ormulas de Gauss-Legendre. A continuaci
on se realiza el desarrollo de la formula
de Gauss-Legendre para dos puntos.
5.4.1.
F
ormula de Gauss-Legendre de dos puntos (mejora de la
regla del trapecio)
Considere una funci

on f definida y continua en el intervalo ra, bs. Considere
la existencia de valores x0 y x1 en ra, bs, y coeficientes c0 y c1 tales que:
b
f pxqdx c0 f px0 q ` c1 f px1 q
a
Note que la elecci

on de x0 a, x1 b y c0 c1 ba
2 da como resultado la
regla del trapecio; sin embargo, interesa realizar una eleccion optima.
Se dira que los par
ametros
optimos x0 , x1 , c0 y c1 son aquellos que anulen
el error en el calculo de la integral para funciones polinomiales de mayor grado
posible, para este caso hasta de grado 3, pues para determinar el valor de cuatro
incognitas se requieren cuatro ecuaciones independientes.
Para minimizar el trabajo algebraico, se considerara como intervalo de integracion r1, 1s; luego se generalizar
a el resultado a intervalos de la forma ra, bs.
365
El problema anterior se resume en determinar los valores de las incognitas x0 ,

x1 , c0 y c1 en el sistema:
$
c0 f0 px0 q ` c1 f0 px1 q
& c f px q ` c f px q
0 1 0
1 1 1
%
1
1 f0 pxqdx
1
1 f1 pxqdx
1
1 f2 pxqdx
1
1 f3 pxqdx
(5.29)
donde f0 pxq 1, f1 pxq x, f2 pxq x2 y f3 pxq x3 son los polinomios de

la base canonica del espacio vectorial de todos los polinomios de grado menor o
igual a 3. De este modo, el sistema 5.29 se reduce a:
$
&
c0 ` c1
c0 x0 ` c1 x1
c x2 ` c1 x21
% 0 30
c0 x0 ` c1 x31
2
0
32
0
(5.30)
En este caso, al resolver el sistema 5.30 se tiene como resultado:

$
,
1 /
c
c
/
0
0
& 1 /
.
c
c
1
1
?3
S
x0 x0 /
/
?3
/
% x1
x1
33
De lo anterior se deduce la f
ormula de Gauss-Legendre de dos puntos, la cual
se enuncia a continuaci
on:
F
ormula de Gauss-Legendre de dos puntos:
Sea f una funci
on definida por f pxq ax3 ` bx2 ` cx ` d donde a, b, c
y d son constantes reales, entonces:
?
?
1
3
3
`f
(5.31)
f pxqdx f
3
3
1
Ejemplo 128
1
Considere la funci
on f pxq 3x3 `2x2 `x`1. Calcule el valor exacto de 1 f pxqdx
mediante la formula de Gauss-Legendre de dos puntos. Verifique su respuesta por
medio del calculo de la integral.
F Soluci
on
f pxq 3x3 ` 2x2 ` x ` 1
366
M
etodos num
ericos
Al aplicar la f
ormula de Gauss-Legendre para dos puntos se tiene que:
?
?
1
3
3
`f
f pxqdx f
3
3
1
?
2
5 2?
5
`
3`
3
3
3
3 3
10
por otro lado se tiene que:

1
1
3 4 2 3 1 2
f pxqdx
x ` x ` x ` x
4
3
2
1
3 2 1
3
2
1
` ` `1
p1q4 ` p1q3 ` p1q2 ` p1q
4 3 2
4
3
2

5
10
35

12
12
3
Con lo cual se obtiene el resultado esperado.
Ejemplo 129
Considere la funci
on gpxq xex , use la f
ormula de Gauss-Legendre de dos puntos
1
para calcular el valor de la integral 1 gpxqdx y compare el resultado con la regla
de trapecio y el valor exacto.
F Soluci
on Con la f
ormula de Gauss-Legendre se tiene que:
?
?
1
3
3
gpxqdx g
`g
3
3
1
1. 028 441 063... ` 0.324 115 153 8...
0.704 325 909 5...
Por otro lado, la aproximaci
on obtenida por la regla del trapecio simple fue:
1
1 p1q
pg p1q ` g p1qq 2. 350 402 387
gpxqdx
2
1
Finalmente, se tiene que el valor real de la integral (calculada por partes) esta dado por:
1
1
gpxqdx
xex dx rxex ex |11 0.735 758 882...
de donde se tiene que el error absoluto cometido con la formula de GaussLegendre es:
EGL 3. 143 297 286 102
367

mientras que el error cometido en la f
ormula de trapecio es de:
ET 1. 614 643 505
Para este caso se visualiza que el metodo de Gauss-Legendre cuenta con mayor
F
exactitud.
Note que la f
ormula de Gauss-Legendre fue deducida para integrales cuyo
on fuera r1, 1s, por lo que es necesario saber como aplicar
b
dicha formula a integrales m
as generales a f pxqdx, con la u
nica restriccion a b.
b
Dada una funci
on f integrable en ra, bs, entonces la integral a f pxqdx se puede
1
transformar en 1 gpuqdu mediante un simple cambio de variable, de la siguiente
forma:
b
Considere la integral a f pxqdx y tome el cambio de variable.
x
a ` b ` pb aqu
ba
, de donde se tiene que dx
du
2
2
de esta manera se consigue que:
b
1
ba
a ` b ` pb aqu
f pxqdx
f
du
2
2
a
1
Por lo que basta tomar
gpuq f
a ` b ` pb aqu
2
ba
2
Ejemplo 130
Calcule una aproximaci
on de la integral
5
x lnpxqdx
1
Con base en la f
ormula de Gauss-Legendre para dos puntos. Calcule el valor real
y compare.
F Soluci
on
Primero se realizar
a un cambio de variable que permita reescribir dicha integral como otra cuyo intervalo de integracion sea r1, 1s, para esto tome:
x
1 ` 5 ` p5 1qu
2u ` 3
2
donde
dx 2du
de esta manera:
5
1
x lnpxqdx
1
1
p2u ` 3q ln p2u ` 3q 2du
368
M
etodos num
ericos
As, al tomar gpuq p2u ` 3q ln p2u ` 3q 2 se tiene que:

?
?
1
3
3
p2u ` 3q ln p2u ` 3q 2du g
`g
3
3
1
11.83458432 . . . ` 2.261014333 . . .
14.09559865 . . .
Finalmente se tiene que
5
x lnpxqdx 14.09559865 . . .
Por otro lado se tiene que el valor real (integral calculada por partes) esta dado
por:
5
2
5
x ln x x2
25
x lnpxqdx

ln p5q 6 14. 117 973 91 . . .
2
4
2
1
1
Por lo que el error absoluto cometido en la aproximacion es:
EGL 2. 911 291 493
F
5.4.2.
F
ormula de Gauss-Legendre con n puntos
Se considerar
a una generalizaci
on del procedimiento realizado para el caso de
dos puntos. Sea f una funci
on integrable en r1, 1s, entonces:
1
f pxqdx
1
n1
ci f pxi q
i0
donde los valores xi P r1, 1s y las constantes ci P R para todo i 0, 1, 2, . . . , n

1.
Se puede observar que para el caso n 3 y los valores x0 1, x2 1 y
x1 0 con c0 13 , c1 34 y c2 13 se obtiene la formula de Simpson 1/3 dada
por:
b
a
1
4
1
f pxqdx f p1q ` f p0q ` f p1q
3
3
3
Sin embargo, estos valores nos son

optimos. Se debe recordar que la regla de
Simpson 1/3 brinda el resultado real para funciones polinomiales de grado menor
o igual a 3 (puede consultar el detalle en la seccion 5.3.1, pagina 360); no obstante,
igual como se realiz
o en la f
ormula de Gauss-Legendre de dos puntos, este calculo
puede mejorarse al realizar una escogencia adecuada de los parametros xi y ci .
369
Los valores
optimos de los par
ametros xi y ci seran aquellos que anulen el
error para funciones polinomiales de grado menor o igual a 2n 1, esto debido a
que son 2n par
ametros por estimar, por lo que se requieren 2n ecuaciones para
definir un sistema adecuado con soluci
on u
nica, que permita calcular los valores
deseados.
El sistema resultante quedar
a definido
$ 2n1
cj f0 pxj q
j0
2n1
& j0 cj f1 pxj q
2n1
j0 cj f2 pxj q
% 2n1
j0 cj f2n1 pxj q
por:
1
1 dx
1
1 xdx
1
1 x2 dx
..
.
1
1 x2n1 dx
(5.32)
donde fk pxq xk . La soluciones del sistema (5.32) para los valores de n: 2, 3 y

4 se muestran en la tabla 5.1.
Valor de n
2
3
xi
?
3
x0
? 3
x1 33b
ci
c0 1
c1 1
x0
x1 0
b
x2 35
c0
c1
x0
x1
x2
x3
3
5
c2
0.861136312
0.339981044
0.33998104
0.861136312
c0
c1
c2
c3
5
9
8
9
5
9
0.3478548
0.6521452
0.6521452
0.3478548
Tabla 5.1: Valores de los par

ametros xi y ci para la formula de
Gauss-Legendre de dos, tres y cuatro puntos.
F
omula de Gauss-Legendre de n puntos
Sea f una funci
on polinomial definida por f pxq
2n1
ak xk con ak cons-
k0
tante reales. Entonces:

1
f pxqdx
1
n1
ck f pxk q
(5.33)
k0
donde los ck y xk son las soluciones del sistema (5.32) y para los valores
de n 2, n 3 y n 4 se pueden tomar de la tabla 5.1.
2
Ejemplo 131
Considere la integral definida dada por I
x2 senpx2 qdx. Aproxime el valor
1
370
M
etodos num
ericos
de I mediante:
1. La regla del rect
angulo (suma derecha y suma izquierda).
2. Regla del trapecio.
3. Regla de Simpson.
4. Formula de Gauss-Legendre con
a) Dos puntos.
b) Tres puntos.
Compare los resultados obtenidos.
F Soluci
on
1. Para la regla del rect
angulo se toma h b a 3, x0 1 y x1 2; de
este modo se tiene que:
Izquierda: I SI1 hf px0 q 3pp1q2 senpp1q2 q 2.524412954
Derecha: I SD1 hf px1 q 3p22 senp22 q 9.081629943
2. Para la regla del trapecio se toma h b a 3, x0 1 y x1 2; de este
modo se tiene que:
I
3
h
rf px0 q ` f px1 qs rp1q2 senpp1q2 q ` 22 sen x2 s 3.278608494
2
2
3. Para la regla de Simpson se toma h

y x2 2; de este modo se tiene que:
I
3
a`b
1
ba
, x0 1, x1
2
2
2
2
h
rf px0 q ` 4f px1 q ` f px2 qs
3
ff
2
2
3
1
1
2
2
2
2
p1q senpp1q q ` 4
sen
` 2 senp2 q
6
2
2
0.9691675185
4. Gauss-Legendre.
Para este caso se tiene que:
2
x sen x dx
2
1 ` 3u
2
sen
1 ` 3u
2
3
du
2
371
1 ` 3u
Al realizar el cambio de variable x
. De este modo, se define la
2
funcion g por:
1 ` 3u
1 ` 3u 2 3
gpuq
sen
2
2
2
a) La f
ormula de dos puntos indica que:
?
?
3
3
Ig
`g
2.704782482
3
3
b) La f
ormula de tres puntos indica que:
I c0 gpx0 q ` c1 gpx1 q ` c2 gpx2 q
c
c
5
3
8
5
5
g
` gp0q ` g
9
5
9
9
9
1.090403480
Con base en metodos m
as precisos, como las reglas compuestas se determina que
una aproximaci
on muy exacta de I corresponde a 1.066485318. Si se considera
dicha aproximaci
on como valor real se puede construir la tabla 5.2, la cual muestra
tanto las aproximaciones obtenidas en cada metodo como el error absoluto y
relativo para cada aproximaci
on.
De la tabla 5.2 se puede apreciar, para este ejemplo, que la aproximacion con
mayor exactitud corresponde a la f
ormula de tres puntos de Gauss-Legendre. Es
claro que la precisi
on de dichas aproximaciones depende en gran medida de la
funcion integrando y del intervalo de integracion; sin embargo, para intervalos
grandes de aproximaci
on las f
ormulas de Gauss-Legendre son una buena opcion.
Por otro lado, las f
ormulas de aproximacion del rectangulo no son muy confiables.
Es importante recordar que con excepcion de las formulas de Gauss-Legendre,
los demas metodos se basan en el supuesto de que el intervalo de integracion es
peque
no. Esto podra justificar los resultados obtenidos.
Regla del rect
angulo izquierda
Regla del rect
angulo derecha
Regla del trapecio
Regla de Simpson
Gauss-Legendre de dos puntos
Gauss-Legendre de tres puntos
Aproximaciones
2.524412954
9.081629943
3.278608494
0.969167519
2.70478248
1.09040348
Tabla 5.2: Valor aproximado de

metodos.
2
1
Error absoluto
1.457927636
10.14811526
4.345093812
2.035652837
1.638297162
0.023918162
Error relativo
136.70396 %
951.54758 %
407.42181 %
190.87490 %
153.61648 %
2.24271 %
x2 sen x2 dx con diferentes
372
M
etodos num
ericos
Ejercicios 5.6
1. Demuestre la igualdad (5.31) para f pxq ax3 ` bx2 ` cx ` d, donde
a, b, c y d son constantes.
2. Sea f la funci
on polinomial definida por f pxq
ak xk . Demuestre
k0
que:
c
c
1
3
8
5
3
5
` f p0q ` f
f pxqdx f
9
5
9
9
5
1
3. Aplique la f
ormula de Gauss-Legendre de dos puntos para calcular una
aproximaci
on de las siguientes integrales.
1
a)
1
3
b)
1
2
dx
3x 5
1
c)
0
x
dx
x2 ` 3
d)
ex
dx
2
p0.13x9 3x5 ` x3 qdx
4. Aplique la f
ormula de Gauss-Legendre de tres puntos para calcular una
aproximaci
on de las siguientes integrales.
1
a)
1
3
b)
1
5.5.
2
dx
3x 5
1
c)
0
x
dx
2
x `3
d)
ex
dx
2
p0.13x9 3x5 ` x3 qdx
1. Utilice las f
ormulas de derivaci
on con tres puntos para completar las siguientes tablas con las aproximaciones de las derivadas.
a)
x
0.5
0.6
0.7
f px)
0.4794
0.5646
0.6442
b)
x
0.0
0.2
0.4
f px)
0.00000
0.74140
1.37180
f 1 pxq
f 1 pxq
373
c) Los datos anteriores se tomaron de las funciones f pxq senpxq y

gpxq ex 2x2 ` 3x 1 respectivamente. Calcule el error absoluto
real de las aproximaciones anteriores.
2. Considere la siguiente tabla:
x
f pxq
0.2
0.9798652
0.4
0.9177710
0.6
0.808038
0.8
0.6386093
1.0
0.3843735
a) Aplique la f
ormula m
as exacta de tres puntos para aproximar el valor
1
2
de f p0.4q y f p0.4q.
b) Aplique la f
ormula m
as exacta de tres puntos para aproximar el valor
de f 1 p0.6q y f 2 p0.6q.
3. Para un cohete se recabaron los siguientes datos sobre la distancia recorrida
versus el tiempo:
t en segundos
d en Km
0
0
25
32
50
58
75
78
100
92
125
100
Use diferenciaci
on numerica para estimar la velocidad y aceleracion del
cohete en cada momento. Aplique la formula de tres puntos mas exacta
posible.
on f pxq senpxq cuyos datos conocidos son:
x
f pxq
0.1
0.099833
0.2
0.198669
0.3
0.295520
0.4
0.389418
0.5
0.479425
a) Determine aproximaciones mediante las formulas de diferenciacion

numerica de tres puntos, para los valores: f 1 p0.2q, f 1 p0.3q y f 1 p0.4q.
Adem
as, aproxime el valor de f 2 p0.3q mediante la misma formula.
b) Determine una cota para el error cometido en la aproximacion de las
primeras derivadas.
5. Explique con sus propias palabras en que consisten las formulas de integracion de Newton-Cotes, e indique por que se les denomina formulas de
cuadratura.
6. Explique en que consiste la regla del trapecio para el calculo de integrales
definidas; para hacerlo debe apoyarse en dibujos. Realice la deduccion de
la formula de la regla de trapecio, mediante el polinomio interpolador de
Newton por diferencias divididas.
3
2
on f pxq x ` 1. Aproxime el valor de la
f pxqdx con
base en:
374
M
etodos num
ericos
a) Regla de rect
angulo simple.
b) Regla de trapecio simple.
c) Mejore las aproximaciones anteriores al realizar una particion del intervalo r0, 3s en tres subintervalos igualmente espaciados.
b
P pxqdx, donde P pxq es un
8. Explique por que al aproximar la integral
a
polinomio de grado 3, al utilizar la regla de Simpson siempre se obtiene el

valor exacto, a pesar de que se est
a integrando el polinomio interpolador
de grado 2.
2
9. Al calcular el valor de
f pxqdx con la regla del trapecio el resultado es 4,
0
y al utilizar la regla del rect

angulo derecho el resultado es 6. Si se sabe que
3
f p1q 2 , determine el resultado si se utiliza la regla de Simpson.
10. Un autom
ovil recorre una pista de carrera en 84 segundos. Su velocidad
cada seis segundos se midi
o con una pistola de radar, y esta dada en pies/s,
desde el principio del recorrido. Los datos se muestran en la siguiente tabla:
Tiempo
0
6
12 18 24 30 36 42 48 54 60 66 72 78 84
Velocidad 124 134 148 156 147 133 121 109 99 85 78 89 104 116 123
a) Cual es la distancia recorrida por el automovil a los 24 segundos de

que pas
o por el punto de partida?
b) Cual es la longitud de la pista?
11. En un estudio realizado por la Comision Nacional de Emergencia se recolectaron los siguientes datos de una region transversal de un ro.
Distancia a la orilla (m)
Profundidad (m)
Velocidad de la corriente(m/s)
0
0
0
2
1
0.1
4
1.5
0.12
6
3
0.2
8
3.5
0.25
10
3.2
0.3
12
2
0.15
14
1
0.05
16
0
0
Determine el
area de la secci
on transversal y el caudal del ro. Para realizar
el calculo utilice las reglas compuestas del:
a) Rect
angulo
b) Trapecio
c) Simpson
Sugerencia: El
area de la regi
on transversal At y el caudal Q se calculan
con las siguientes integrales:
D
At
D
P pdqdd
P pdqV pdqdd
0
375
donde P pdq es la profundidad del ro a los d(ul) de la orilla, D es el ancho

total del ro y V pdq es la velocidad que tiene la corriente en el punto que se
encuentra a d(ul) de la orilla.
12. : Demuestre las f
ormulas de error para las formulas del trapecio y Simpson
compuestas presentadas en las ecuaciones (5.27) y (5.28).
Captulo 6
Soluci
on num
erica de ecuaciones
diferenciales ordinarias
6.1.
Introducci
on
Las ecuaciones diferenciales constituyen uno de los temas mas trascendentales en la matem
atica aplicada, por su gran utilidad en las distintas ramas de
las ciencias. Las ecuaciones diferenciales permites modelar fenomenos y estudiar
comportamientos de diferentes situaciones con el objetivo de establecer modelos
predictivos para estudiar la evoluci
on de un sistema con base en algunas de sus
condiciones iniciales. De ah la importancia de su estudio, no solo desde el punto
de vista analtico, sino desde el numerico.
En el presente captulo se hace una introduccion de los principales conceptos
para el estudio de las ecuaciones diferenciales ordinarias, de manera que el lector
pueda refrescarlos y que esto no constituya un obstaculo para el entendimiento
del tema. Posteriormente se hace un abordaje de las tecnicas numericas que permiten determinar soluciones a problemas de valor inicial referentes a ecuaciones
diferenciales ordinarias de primer orden.
6.2.
Ecuaciones diferenciales ordinarias (EDO)
Para una mejor introducci

on del presente tema, y de acuerdo con el tipo
de ecuacion diferencial que se abordar
a en este captulo, considere el siguiente
problema:
378
M
etodos num
ericos
Problema introductorio
Considere los intervalos reales I1 y I2 , defina D I1 I2 R2 . Sea
f : D R una funci
on. De esta manera, para cada punto px, yq P D se
tiene que f px, yq es un valor en R.
Considere el problema de determinar una funcion : I1 I2 que satisfaga la ecuaci
on:
d
f px, yq
dx
o bien
(6.1)
1 pxq f px, yq
En el problema anterior, la funci

on es desconocida y se denomina incognita,
mientras que a la igualdad presentada en (6.1) se le llama ecuacion diferencial
ordinaria (EDO), en este caso, de primer grado.
Ejemplo 132
Sea D una regi
on la regi
on definida por D r3, 3s r3, 3s. Y sea f : D R
definida por:
f px, yq cos y sen x
y considere la ecuaci
on
dy
dy
f px, yq
cos y sen x
dx
dx
en este caso, se tiene que una soluci
on y pxq de la ecuacion diferencial sera una
funcion : r3, 3s r3, 3s que cumpla que para todo a P r3, 3s. La pendiente
de su grafica en el punto pa, paqq en D esta dada por f pa, paqq.
y
3
Figura 6.1: Campo vectorial (pendiente en algunos puntos de la

regi
on D).
379
El campo vectorial que se presenta en la figura 6.1 muestra la direccion que

debera seguir la recta tangente a la gr
afica de la funcion y pxq en un punto
pa, bq del grafico de sobre la regi
on D.
-3
-3
Figura 6.2: Trayectorias de las soluciones.
-3
-3
Figura 6.3: Tres soluciones particulares de la ecuacion diferencial.
Con base en el campo vectorial presentado en la figura 6.1 es posible establecer
380
M
etodos num
ericos
una serie de trayectorias que puede seguir una solucion de la ecuacion diferencial
en cuestion. Dichas trayectorias se pueden visualizar en la figura 6.2. De las
figuras 6.1 y 6.2 se puede observar que existen muchas soluciones de la ecuacion
diferencial en la regi
on D; para esto se puede observar la figura 6.3 en donde se
presentan tres diferentes soluciones.
Del ejemplo 132 se puede observar que la solucion de una ecuacion diferencial
definida en una regi
on D I1 I2 R2 no es una u
nica funcion : I1 I2 ,
sino que corresponde a una familia indexada de funciones tc u donde cada una
de ellas es una funci
on de I1 en I2 .
Definici
on 52 (Ecuaci
on diferencial ordinaria (EDO))
Una ecuacion diferencial ordinaria definida sobre una region D corresponde a una
igualdad de la forma:
F px, y, y 1 , y 2 , . . . , y pnq q 0
donde y denota una funci
on desconocida en terminos de la variable independiente
x, y y 1 , y 2 , . . ., y pnq denotan las primeras n derivadas ordinarias de la funcion y.
Ejemplo 133
La ecuacion diferencial definida en el ejemplo 132
dy
cos y sen x
dy
puede representarse como:
F px, y, y 1 q 0
donde
F px, y, y 1 q y 1 cos y sen x
De esta manera, una ecuaci

on diferencial se define como una igualdad en donde
intervienen una funci
on desconocida y sus derivadas.
Si en una ecuaci
on diferencial aparecen dos o mas variables independientes y
las derivadas involucradas son derivadas parciales, a este tipo de ecuacion se le
denomina ecuaci
on diferencial en derivadas parciales.
Definici
on 53 (Orden de una EDO)
Dada una ecuaci
on diferencial ordinaria, F px, y, y 1 , . . . , y pnq q 0, se dice que la
ecuacion diferencial es de orden n.
Es decir, el orden de una ecuaci
on diferencial ordinaria corresponde al grado
mas alto de la derivada que aparece en dicha ecuacion diferencial.
Ejemplo 134
Las siguientes son ecuaciones diferenciales ordinarias:
381
1. 4y 2 ` 2y 1 3y 0 es una ecuaci
on diferencial ordinaria de segundo orden.
2. 2y 1 y 3 es una ecuaci
on diferencial ordinaria de primer orden.
Si la derivada de mayor orden est
a elevada a la k, con k P N, entonces se dice que
la ecuacion diferencial ordinaria es de grado k. Se debe notar que los conceptos
de orden y grado en una ecuaci
on diferencial son independientes entre s.
Definici
on 54
Una ecuacion diferencial ordinaria lineal de orden n es aquella que puede escribirse
de la forma:
a0 pxqy pnq ` a1 pxqy pn1q ` ` an1 pxqy 1 ` an pxqy F pxq, con a0 0
donde tanto F como ai representan funciones en variable x.
En caso de que todos los ai sea funciones constantes, se dice que la ecuacion
diferencial es lineal ordinaria de coeficientes constantes. De lo contrario se dira que
la ecuacion diferencial es ordinaria lineal de coeficientes variables.
Ejemplo 135
Considere las siguientes ecuaciones diferenciales.
5y 2 ` 3y tanp2xq es una ecuaci
on ordinaria lineal de coeficientes constantes.
5x2 y 2 5 senpxqy 1 `3xy x es una ecuacion ordinaria lineal con coeficientes
variables.
La importancia pr
actica de las ecuaciones diferenciales ordinarias lineales es
que se pueden resolver analticamente, mientras que muchas de las ecuaciones no
lineales no se pueden resolver de dicha manera; por lo tanto, es indispensable el
uso del metodo de aproximaci
on.
6.2.1.
Soluci
on de una EDO
Considere una regi

on D y una ecuacion diferencia ordinaria sobre D de la
forma:
F px, y, y 1 , y 2 , . . . , y pnq q 0
Se dice que una funci
on y pxq es una solucion de la ecuacion diferencial
si cumple que:
F px, pxq, 1 pxq, 2 pxq, . . . , pnq pxqq 0
382
M
etodos num
ericos
Definici
on 55 (Soluci
on general, particular y singular de una EDO)
Dada una ecuaci
on diferencial F px, y, y 1 , y 2 , . . . , y pnq q 0 de orden n, se define la
solucion general de dicha ecuaci
on como una familia de funciones y que depende
de n parametros C1 , C2 , . . . , Cn para la cual se cumple que cada uno de sus
miembros satisface la ecuaci
on diferencial.
Por su parte, se define una soluci
on particular de la ecuacion diferencial como
una funcion y que se obtiene a partir de la solucion general al asignar valores a
los parametros C1 , C2 , . . . , Cn .
Finalmente, una soluci
on singular de una ecuacion diferencial es aquella que
no se puede obtener a partir de la soluci
on general; este tipo de soluciones aparece
frecuentemente en ecuaciones diferenciales no lineales.
Ejemplo 136
Considere la ecuaci
on diferencial definida por:
dy
y 1{2
dx
en la regi
on D r0, 1s r0, 1s
x`C 2
Pruebe que su soluci
on general est
a dada por ypxq
. Ademas,
2
pruebe ademas, que y 0 es una soluci
on singular de dicha ecuacion diferencial.
F Soluci
on
Primero se demostrar
a que la funci
on y definida por ypxq
x`C
2
2
es la
x`C
. De este modo
solucion general de la ecuaci
on diferencial, donde y 1 pxq
2
se tiene que:
d
x`C
x`C 2
1
1{2
y pxq y pxq
2
2
x ` C
x`C

2
2
Donde la igualdad es cierta, pues 0 ypxq 1 0 x ` C 2. As queda
demostrado que la soluci
on general de la ecuacion diferencial es:
ypxq
x`C
2
Por otro lado, es evidente que ypxq 0 es solucion de la ecuacion diferencial.

Para demostrar que es una soluci
on singular, basta probar que no se genera de la
solucion general para ning
un valor de C, lo cual es sencillo, puesto que si se puede
383
obtener ypxq 0 de la soluci

on general, debera existir un valor C constante para
el cual:
x`C 2
0
2
Lo anterior es cierto u
nicamente si C x, lo cual implica que C no es constante.
De esta manera se concluye que la funci
on nula ypxq 0 es una solucion singular
de la ecuacion diferencial.
F
6.2.2.
Problema de valor inicial y valor frontera
Definici
on 56
Un problema de valor inicial es una ecuacion diferencial para la cual se busca
una solucion particular sujeta a condiciones sobre la funcion desconocida y sus
derivadas en un mismo valor de la variable independiente. A estas condiciones se
les denomina condiciones iniciales.
Definici
on 57
Un problema de valor frontera o lmite es una ecuacion diferencial para la cual se
busca determinar una soluci
on particular sujeta a condiciones sobre las funciones
desconocidas y sus derivadas, en dos o mas valores de la variable independiente.
Estas son denominadas condiciones fronteras.
Ejemplo 137
Resuelva la ecuaci
on xy 1 y 3x3 y sujeto a la condicion inicial yp1q 1.
F Soluci
on
Mediante diferenciales, la ecuaci
on anterior se puede escribir como:
dy
y 3x3 y xdy ydx 3x3 ydx
dx
xdy yp1 ` 3x3 qdx
dy
1 ` 3x3
dx
y
x
Al aplicar la tecnica de separaci

on de variables se tiene que:
384
M
etodos num
ericos
dy
1 ` 3x3
dx ln |y| ln |x| ` x3 ` C
x
y

ln x3 ` C
x
y
3

ex `C
x
y
3
eC ex
x
y Kxex
De esta manera, se tiene que ypxq Kxex es la solucion general de la ecuacion diferencial. Ahora se debe buscar una solucion particular que satisfaga la
condicion inicial dada; para esto basta determinar el valor de K que garantice el
cumplimiento de la condici
on inicial yp1q 1.
De esta manera:
yp1q Ke 1 K
1
e
1
3
Por lo que la soluci
on del problema de valor inicial es: ypxq xex , o lo que es
e
3
F
lo mismo: ypxq xex 1 .
A continuaci
on se desarrollan, desde el punto de vista numerico, los metodos
para aproximar los problemas de valor inicial.
6.3.
M
etodos de un paso para EDO
A continuaci
on se hace un abordaje de los principales metodos para aproximar
soluciones de problemas de valor inicial en ecuaciones diferenciales ordinarias de
primer orden. Se iniciar
a al exponer los metodos de Taylor, incluido el metodo e
Euler; posteriormente se estudiar
an los metodos de Runge-Kutta.
6.3.1.
M
etodo de Euler
Es una forma r
apida y sencilla de aproximar soluciones de problemas de valor
inicial para ecuaciones diferenciales de la forma:
dy
f px, yq
con ypx0 q y0
(6.2)
dx
Este metodo tambien es conocido como el metodo de las tangentes o de las quebradas de Euler. Aplica el hecho de que y 1 px0 q representa la pendiente de la recta
tangente a la gr
afica de y en el punto px0 , ypx0 qq.
385
La condici
on inicial del problema establece que la pendiente de la recta tangente a la curva de la funci
on y en el punto px0 , y0 q esta dada por f px0 , y0 q. Esta
recta tangente es una linealizaci
on de la funcion y alrededor del punto px0 , y0 q y
da una idea clara de la direcci
on que sigue la grafica de la funcion y a partir del
punto.
As, en peque
nos recorridos alrededor del punto px0 , y0 q se puede tomar el
valor de la recta tangente como si fuera el valor real de la funcion. Con esto se
puede determinar una aproximaci
on y1 del valor ypx0 ` hq para un h suficientemente peque
no y fijo. Una vez en el nuevo punto px0 ` h, y1 q, se puede repetir el
proceso para determinar una nueva aproximacion y2 del valor ypx0 ` 2hq que siga
la trayectoria que indica la pendiente f px0 ` h, y1 q de la grafica de la funcion y.
El siguiente ejemplo da una idea m
as clara del proceso que se sigue al aplicar
el metodo de Euler para aproximar la solucion de una ecuacion diferencial.
Ejemplo 138
Considere el problema de valor inicial:
dy
cos y sen x
dx
con yp2q 0
La funcion buscada cumple que su grafica pasara por el punto p2, 0q. El
campo vectorial en dicho punto indica la direccion que toma la grafica de y a
partir de este. De esta manera, se construira una aproximacion segmentada de
la solucion real del problema de valor inicial a partir de segmentos de las rectas
tangentes en cada punto de aproximaci
on.
Considere el incremento h 1, as se representaran las aproximaciones para
los valores yp1q, yp0q, yp1q, yp2q y yp3q, tal y como se muestra en la figura 6.4:
Analticamente, de nuevo en el problema de valor inicial presentado en 6.2, si
y es la funcion desconocida que se debe aproximar, y px0 , y0 q es un punto en el
grafico de dicha funci
on, la recta tangente a la grafica de y el punto anterior es:
l1 pxq y 1 px0 qpx x0 q ` y0
de este modo, l1 es la linealizaci
on de y alrededor de px0 , y0 q, por lo que l1 se
considera una aproximaci
on de y cerca del punto. Sea h un incremento fijo, al
hacer uso de la aproximaci
on de y por l1 se aproxima el valor de ypx0 ` hq por
y1 l1 px0 ` hq, es decir: ypx0 ` hq l1 px0 ` hq y1 . Denote x1 x0 ` h.
Finalizado el primer paso, se tiene la aproximacion px1 , y1 q del valor real
px1 , ypx1 qq. Si se supone que dicho valor es real, se puede repetir el procedimiento
con el nuevo punto px1 , y1 q, si se sabe que la pendiente de la recta tangente
esta dada por f px1 , y1 q en este punto. As, la nueva linealizacion de la funcion y
en px1 , y1 q es:
l2 pxq f px1 , y1 qpx x1 q ` y1
386
M
etodos num
ericos
-3
-2
-3
(a) Campo vectorial.
-3
-2
-1
-3
(b) Construcci
on de las quebradas.
Figura 6.4: Aproximacion por quebradas.
de donde se tiene la nueva aproximaci

on l2 px1 ` hq y2 del valor real ypx1 ` hq
ypx0 ` 2hq. As, se tiene la aproximaci
on px2 , y2 q de px2 , ypx2 qq.
Una vez en este nuevo punto se puede repetir el procedimiento para obtener
una nueva aproximaci
on del punto px3 , ypx3 qq, donde x3 x2 ` h x0 ` 3h. Y
as sucesivamente.
En la figura 6.5 se puede apreciar el proceso de linealizacion y el error que se
comente al aproximar una funci
on por esta tecnica.
387

Pendiente y0
(x0,y0)
error
(x1,y1)
Curva de solucin
x0
x1
Figura 6.5: Linealizacion de una funcion.
Ejemplo 139
Considere el problema de valor inicial que se presenta a continuacion:
dy
py 2 ` 1q sen x
con
yp1q 1
(6.3)
dx
Si es la soluci
on del problema de valor inicial, utilice el metodo de Euler para
aproximar el valor de p0q y p1q. Emplee un tama
no de paso h 1.
F Soluci
on Como es la soluci
on del problema de valor inicial, entonces debe
cumplirse que:
1 pxq py 2 ` 1q sen x
y p1q 1
de donde se tiene que la recta tangente a la curva de la funcion en el punto
p1, 1q esta dada por:
l1 pxq y0 ` f px0 , y0 qpx x0 q
1 2 senp1qpx ` 1q
on de px0 `hq px1 q p0q es l1 p0q 2 senp1q
1 2.682941969.
Por lo que el punto px1 , y1 q p0, 2 senp1q1q. En este nuevo punto se puede
repetir el proceso.
l2 pxq y1 ` f px1 , y1 qpx x1 q
2 senp1q 1 ` 0 px 0q
2 senp1q 1
388
M
etodos num
ericos

on de px0 ` 2hq px2 q p1q es l2 p1q
2 senp1q 1. As se tiene que:
p0q 2 senp1q 1 2.682941969...
p1q 2 senp1q 1 2.682941969...
F
Ejemplo 140
Considere el problema de valor inicial que se presento en el ejemplo 139.
dy
py 2 ` 1q sen x
con
yp1q 1
dx
repita el ejercicio presentado en el ejemplo 139 con h 0.5.
(6.4)
F Soluci
on
Primero note que: x0 1, x1 0.5, x2 0, x3 0.5 y x4 1 La
linealizacion de en el punto p1, 1q es:
l1 pxq 1 ` 1.682941969px ` 1q
As, y1 l1 p0.5q 1.841470984, de donde se tiene el nuevo punto px1 , y1 q
dado por p0.5, 1.841470984q.
La linealizaci
on de en px1 , y1 q es:
l2 pxq 1.841470984 ` 2.105164915px ` 0.5q
de esta manera, la siguiente aproximaci
on es y2 l2 p0q 2.894053443. De
donde se tiene el nuevo punto px2 , y2 q dado por p0, 2.894053443q.
La linealizaci
l3 pxq 2.894053443 ` 0 px 0q
de donde se tiene que la siguiente aproximacion es y3 l3 p0.5q 2.894053443.
As, se obtiene el nuevo punto px3 , y3 q dado por p0.5, 2.894053443q.
Finalmente, la linealizaci
l4 pxq 2.894053443 ` 4.494875871 px 0.5q
de donde se tiene que la siguiente aproximacion y4 l4 p1q 0.646615508. A
partir de lo anterior, el nuevo punto px4 , y4 q dado por p1, 0.646615508q.
Por lo tanto, las aproximaciones en los puntos indicados son:
p0q 2.894053443
p1q 0.646615508
F
389

F
ormula para el m
etodo de Euler
Con base en el problema de valor inicial presentado en (6.2) y dado por:
dy
f px, yq
dx
con
ypx0 q y0
(6.5)
suponga que se tiene la aproximaci

on pxn , yn q determinada por el metodo de
Euler al utilizar un tama
no de paso h. Entonces, para calcular la aproximacion
yn`1 del valor real ypxn ` hq se utiliza la linealizacion ln`1 pxq de la solucion real,
as:
yn`1 ln`1 pxn`1 q yn ` f pxn , yn qpxn`1 xn q

yn ` f pxn , yn qpxn ` h xn q
yn ` hf pxn , yn q
De esta manera, la f
ormula recursiva del metodo de Euler para aproximar
datos de la soluci
on del problema de valor inicial (6.5) y con un paso h esta dada
por:
$
& yn`1 yn ` hf pxn , yn q
%
y0
(6.6)
ypx0 q
Las aproximaciones obtenidas por el metodo de Euler mejoran en la medida que

el valor de h sea peque
no, situaci
on observable en los ejemplos 139 y 140.
En la figura 6.6 se puede observar la aplicacion del metodo de Euler para
diferentes valores de h.
390
M
etodos num
ericos
y0
y0
x
x0+h
x0
x0
(a) Aproximaci
on segmentada 1.
x0+h
x0+2h
(b) Aproximaci
on segmentada 2.
y0
x
x0
h
h
h
(c) Aproximaci
on segmentada 3.
Figura 6.6: Metodo de Euler.
Ejemplo 141
Utilice el metodo de Euler para aproximar la solucion de la ecuacion diferencial
y 1 2xy
sujeto a la condicion inicial
yp1q 1
con paso h 0.1. Adem

as, calcule la solucion exacta (separacion de variables) y
compare la aproximaci
on obtenida con el valor real. Calcule los errores absoluto
y relativo cometidos en cada una de las aproximaciones.
F Soluci
on
Con base en el metodo de separaci
on de variables se tiene que la solucion
2
exacta de la ecuaci
on diferencial est
a dada por y ex 1 . Luego, con la formula
presentada en (6.6) se obtienen las aproximaciones presentadas en la tabla 6.1.
391

xn
1.00
1.10
1.20
1.30
1.40
1.50
yn
1.0000
1.2000
1.4640
1.8154
2.2874
2.9278
Valor Exacto
1.0000
1.2337
1.5527
1.9937
2.6117
3.4904
Error Abs
0.0000
0.0337
0.0887
0.1784
0.3244
0.5625
% Error Rel.
0.00
2.73
5.71
8.95
12.42
16.12
Tabla 6.1: Aproximaciones obtenidas por el metodo de Euler para

el problema de valor inicial con h 0.1.
En la figura 6.7 se puede apreciar la representacion grafica de la solucion

segmentada que resulta de los datos de:
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5
Figura 6.7: Representaci

on de la solucion segmentada.
F
Ejemplo 142
Repita el ejercicio anterior con h 0.05.
F Soluci
on
Al utilizar la f
ormula 6.6 se obtienen las aproximaciones presentadas en la
tabla 6.1.
392
M
etodos num
ericos
xn
1.00
1.05
1.10
1.15
1.20
1.25
1.30
1.35
1.40
1.45
1.50
yn
1.0000
1.1000
1.2155
1.3492
1.5044
1.6849
1.8955
2.1419
2.4311
2.7714
3.1733
Valor Exacto
1.0000
1.1079
1.2337
1.3806
1.5527
1.7551
1.9937
2.2762
2.6117
3.0117
3.4904
Error Abs.
0.0000
0.0079
0.0182
0.0314
0.0483
0.0702
0.0982
0.1343
0.1806
0.2403
0.3171
%Error Rel.
0.00
0.72
1.47
2.27
3.11
4.00
4.93
5.90
6.92
7.98
9.08
Tabla 6.2: Aproximaciones obtenidas por el metodo de Euler para

el problema de valor inicial con h 0.05.
En la figura 6.8 se puede apreciar la representacion grafica de la solucion

segmentada que resulta de los datos de:
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5

F
En los ejemplos anteriores se puede observar que la aproximacion obtenida
para x 1.5 es mejor cuando se utiliz
o un paso de h 0.05. Esto evidencia que al
utilizar un paso relativamente peque
no se produce una mejora en la aproximacion
de la solucion de una ecuaci
on diferencial.
Ejercicios 6.1
1. Considere
dy
px2 ` 1qey sujeta a la condicion inicial yp1q 2. Si
dx
393
es la soluci
on, aproxime el valor de p2q. Utilice el metodo el Euler
con un tama
no de paso 0.5.
dy
pxy ` yq sujeta a la condicion inicial yp1q 1. Si
dx
es la soluci
on, aproxime el valor de p2q.Utilice el metodo el Euler con
un tama
no de paso 0.5.
2. Considere
3. Use una hoja de Excel y repita los dos ejercicios anteriores un tama
no
de paso h 0.2.
Implementaci
on del m
etodo Euler en Excel
Algoritmo 19 Metodo de Euler simple

Entrada: x0 e y0 : Valores iniciales del problema. X: Valor en el que se desea
aproximar el valor de y. N m
ax n
umero de pasos por realizar para aproximar
ypXq.
Salida: NXY: Vector de tama
no N max ` 1 3 donde en la primera columna se
almacenar
a el valor del contador n, en la segunda columna el valor de xn y
en la tercera yn que representan los puntos de aproximacion.
1: NXYp1, 1q 0
2: NXYp1, 2q x0
3: NXYp1, 3q y0
4:
5:
6:
7:
8:
9:
10:
X x0
N m
ax
para n 1 hasta N m
ax hacer
NXYpn ` 1, 1q n
NXYpn ` 1, 2q NXYpn, 2q ` h
NXYpn ` 1, 3q NXYpn, 3q ` hf pNXYpn, 2q,NXYpn, 3qq
fin para
retornar NXY
h
Si bien la implementaci
on del metodo de Euler puede ser realizada facilmente
en la hoja de Excel sin la necesidad de realizar una programacion desde codigo,
en esta seccion se decidi
o realizarla de manera que se ejemplifique y funcione
de gua para la implementaci
on en otros lenguajes de programacion diferentes al
abordado en esta obra.
En el algoritmo 19 se puede observar el pseudocodigo para la implementacion
del metodo.
Para implementar en Excel el metodo de Euler simple cuyo pseudocodigo se
394
M
etodos num
ericos
presenta en el algoritmo 19 considere la plantilla que se muestra en la figura 6.9.

Suponga que el bot
on tiene como identificador cmd Resolver.
A
1
2
3
4
5
6
7
8
9
10
11
12
xn
yn
Valor Inicial x0=

Valor inicial y0=
Valor en el que se
quiere aproximar X=
Nmero de paso a realizar N=
Resolver EDO
Figura 6.9: Interfaz propuesta para el metodo de Euler simple.
Primero defina la funci

on f px, yq 2xy tal y como se muestra a continuacion:
Public Function f(x, y)
f = 2 * x * y
End Function
Defina como c
odigo del bot
on el que se muestra a continuacion. Con esto
finaliza la implementaci
on para el metodo de Euler simple. Si se desea aplicar
para otras ecuaciones diferenciales de primer orden, basta realizar el cambio de
la funcion f .
Private Sub cmd Resolver Click()
Dim h As Double, Nmax As Integer
Dim X As Double, NXY As Variant
Dim n As Integer
'Cargar los datos del formulario
X = Range("B7").Value
Nmax = Range("B9").Value
Range(Cells(3, 4), Cells(1000, 6)).ClearContents
NXY = Range(Cells(3, 4), Cells(3 + Nmax + 1, 6))
'Carga los valores iniciales del problema de valor inicial
'en la primera fila del vector NXY
NXY(1, 1) = 0
NXY(1, 2) = Range("B3").Value 'Carga el valor de x0
NXY(1, 3) = Range("B5").Value 'Carga el valor de y0
h = (X - NXY(1, 2)) / Nmax 'Define el tama
no de paso
For n = 1 To Nmax
NXY(n + 1, 1) = n
NXY(n + 1, 2) = NXY(n, 2) + h
NXY(n + 1, 3) = NXY(n, 3) + h * f(NXY(n, 2), NXY(n, 3))
Next
Range(Cells(3, 4), Cells(3 + Nmax + 1, 6)) = NXY
End Sub
395
6.3.2.
M
etodos de Taylor
Son generalizaciones del metodo de Euler para la aproximacion de soluciones

en problemas de valor inicial. El metodo de Euler se puede interpretar como el
metodo de Taylor de primer orden y puede se deducido mediante el polinomio de
Taylor, tal y como se muestra a continuacion:
Considere el problema de valor inicial dado por:
dy
f px, yq,
con ypx0 q y0
(6.7)
dx
Considere el polinomio de Taylor con resto para la funcion y centrado en x a,
donde a es un valor fijo pero arbitrario.
ypxq ypaq `
y 2 paq
y pkq paq
y pk`1q px q
y 1 paq
px aq `
px aq2 ` `
px aqk `
px aqk`1 (6.8)
1!
2!
k!
pk ` 1q!
donde x es un n
umero entre x y a.
Se puede notar que al tomar k 1, a xn y x xn`1 xn ` h se obtiene
ypxn`1 q ypxn q `
y 1 pxn q
y 2 px q 2
h`
h
1!
2!
Como y 1 pxq f px, yq, entonces se tiene que:

ypxn`1 q ypxn q ` hf pxn , yn q `
y 2 px q 2
h
2!
(6.9)
Al suponer que el termino de error es despreciable para valores suficientemente

peque
nos de h, entonces de (6.9) se obtiene la formula de aproximacion de Euler
para problemas de valores iniciales, con lo cual se obtiene: yn`1 yn `hf pxn , yn q.
De esta manera, la deducci
on obedece a un truncamiento del polinomio de
Taylor de manera tal que la aproximaci
on sea lineal. Otra formula para realizar
aproximaciones de problemas de valor inicial con una mayor precision es mediante el truncamiento de la serie de Taylor, de manera que la aproximacion sea
cuadratica. A la f
ormula generada de esta manera se le conoce como el metodo
de Taylor de orden 2.
Considere en el polinomio de Taylor presentado la ecuacion (6.8). Si se toman
los valores k 2, a xn y x xn`1 xn ` h se consigue:
ypxn`1 q ypxn q ` hy 1 pxn q ` h2
donde y 1 f px, yq y y 2 f 1 px, yq
y 2 pxn q
` R2 pxn q
2
Bf px, yq Bf px, yq dy
`
.
Bx
By
dx
Al despreciar el resto R2 pxn q para h suficientemente peque

no se tiene que la
aproximacion yn`1 del valor ypxn`1 q esta dada por:
yn`1 yn ` hf pxn , yn q `
h2 1
f pxn , yn q
2
396
M
etodos num
ericos
Finalmente, el metodo de Taylor de orden 2 se presenta a continuacion:
M
etodo de Taylor de orden 2
dy
f px, yq,
dx
con
y 1 px0 q y0
el metodo de Taylor de orden 2 es el metodo iterativo definido por la

sucesion recursiva
$
h2
& yn`1 yn ` hf pxn , yn q ` f 1 pxn , yn q

2
(6.10)
% y
ypx0 q
0
donde y 1 f px, yq y y 2 f 1 px, yq
`
.
Bx
By
dx
De una manera similar se pueden definir metodos de Taylor de orden k con

k 3, al tomar truncamientos de orden k en el polinomio de Taylor presentado
la ecuacion 6.8. Sin embargo, para dicha formula es necesario el calculo de las
d
d2
d3
dk1
derivadas
f px, yq y
f
px,
yq,
f
px,
yq,
.
.
.,
f px, yq.
dx
dx2
dx3
dxk1
El uso de las f
ormulas de Taylor de orden 3 o superior no es viable en la
practica, debido a lo engorroso de los c
alculos que se deben realizar. Por esta
razon no se profundizar
a en la aplicaci
on de dicho metodo para ordenes superiores
a 2.
Ejemplo 143
Utilice la ecuaci
on (6.10) para aproximar el valor yp1.5q de la solucion del problema de valor inicial y 1 2xy con yp1q 1. Utilice un paso de h 0.1. Calcule
el error absoluto y relativo de cada aproximacion.
F Soluci
on
f px, yq 2xy de donde se tiene que:
f 1 px, yq
`
Bx
By
dx
2y ` 2x f px, yq
2y ` 2x 2xy
2y ` 4x2 y
(6.11)
397
As se obtiene una f
ormula recurrente para aproximar la solucion del problema
de valor inicial anterior.
yn yn1 ` hp2xn1 yn1 q `
h2
p2yn1 ` 4x2n1 yn1 q
2
de donde en la tabla 6.3 se presentan las aproximaciones obtenidas por medio del
metodo solicitado, en la misma tabla es posible observar los errores absolutos y
relativos cometidos.
xn
1
1.1
1.2
1.3
1.4
1.5
yn
1.0000
1.2300
1.5427
1.9728
2.5721
3.4188
ypxn q
1.0000
1.2337
1.5527
1.9937
2.6117
3.4903
Error Abs
0.0000
0.0037
0.0100
0.0209
0.0396
0.0715
% Error Rel.
0.00 %
0.30 %
0.65 %
1.05 %
1.52 %
2.05 %
Tabla 6.3: Aproximaciones errores obtenidos por el metodo Taylor

de orden 2 para el problema de valor inicial con h 0.1.
La representaci
on gr
afica de la solucion segmentada obtenida con las aproximaciones de la tabla anterior se puede apreciar en la figura 6.10.
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5

F
El inconveniente de esta nueva aproximacion es que se debe calcular y 2 pxq,
lo que en algunos caso no es sencillo. Ademas, de requerir mayor precision es
necesario realizar el c
alculo de derivadas de orden superior, lo cual complica mas
el trabajo.
398
M
etodos num
ericos
Ejercicios 6.2
dy
px2 ` 1qey sujeta a la condicion inicial yp1q 2.
dx
Si es la soluci
on, aproxime el valor de p2q. Utilice Taylor de segundo
orden y un paso de 0.5.
1. Considere
dy
pxy ` yq sujeta a la condicion inicial yp0q 1. Si
dx
es la soluci
2. Considere
dy
xe3x 2y sujeta a la condicion inicial yp0q 0. Si es
dx
la soluci
on, aproxime el valor de p1q. Utilice Taylor de segundo orden
y un paso de 0.5.
3. Considere
dy
cosp2xq`senp3xq sujeta a la condicion inicial yp0q 1.
dx
Si es la soluci
4. Considere
5. Construya la sucesi
on recursiva para el metodo de Taylor de orden 3.
Implementaci
on del m
etodo de Taylor de orden 2
La programaci
on de metodo de Taylor de orden 2 es analoga a la implementacion realizada para el metodo de Euler con la variacion de la formula recursiva.
Para esto es necesario calcular tanto f pxn , yn q como f 1 pxn , yn q, que deberan ser
definidas previamente en el programa.
Si el lenguaje de programaci
on utilizado posee alg
un metodo de calculo simboli1
co para f px, yq dada f px, yq, puede ser empleado para simplificar el trabajo de
programacion; de lo contrario, deber
a ser el usuario el encargado de realizar dicho calculo y alimentar el programa con el codigo necesario. En el algoritmo 20
se puede observar el pseudoc
odigo necesario para la programacion del metodo
propuesto.
399
Algoritmo 20 Metodo de Taylor de orden 2

ax n
ypXq.
almacenar
en la tercera yn , que representa los puntos de aproximacion.
1: NXYp1, 1q 0
2: NXYp1, 2q x0
3: NXYp1, 3q y0
4:
5:
6:
7:
8:
X x0
N m
ax
para n 1 hasta N m
ax hacer
NXYpn ` 1, 1q n
NXYpn ` 1, 3q
h
h2
NXYpn, 3q ` hf pNXYpn, 2q,NXYpn, 3qq ` f 1 pNXYpn, 2q,NXYpn, 3qq
2
9: fin para
10: retornar NXY
6.3.3.
M
etodo de Euler mejorado
El metodo de Taylor de segundo orden posee una precision mucho mayor que
el metodo de Euler para un mismo tama
no de paso. Sin embargo, la necesidad
d
del calculo de dx f px, yq hace que el metodo sea poco versatil; esta necesidad es
una limitante importante en su aplicaci
on. No obstante, es posible obtener una
formula que posea una precisi
on similar a la del metodo de Taylor de segundo
orden, la cual no requiere el c
alculo de derivadas. Posteriormente, este metodo
sera conocido con el nombre del metodo de Runge-Kutta de segundo orden.
El metodo de Euler consiste en tomar la direccion de la recta tangente en cada
punto de aproximaci
on pxn , yn q que dicta la pendiente f pxn , yn q; as, la direccion
del segmento siguiente de la soluci
on aproximada esta basada en la informacion
de un u
nico punto. La mejora del metodo radica en no basar la nueva direccion
en la informaci
on de un solo punto sino en un promedio de dos datos.
Mas precisamente, en lugar de tomar la pendiente del segmento siguiente
igual a f pxn , yn q, se toma igual al promedio de la pendiente f pxn , yn q en el punto
q en el punto px
pxn , yn q y la pendiente f pxn`1 , yn`1

n`1 , yn`1 q, donde yn`1 se
calcula con el metodo cl

asico de Euler, es decir, yn`1 yn ` hf pxn , yn q.
De esta manera, la f
ormula correspondiente al metodo de Euler mejorado
400
M
etodos num
ericos
corresponde a:
yn`1 yn ` h
q
f pxn , yn q ` f pxn`1 , yn`1
2
donde
yn`1
yn ` hf pxn , yn q
q son aproximaciones de las pendientes de
Note que f pxn , yn q y f pxn`1 , yn`1
las rectas tangentes a la funci
on y en los puntos pxn , ypxn qq y pxn`1 , ypxn`1 qq,
respectivamente. De esta manera, el cociente:
f pxn1 , yn1 q ` f pxn , yn q

2
se puede interpretar como una aproximacion de la pendiente promedio en los
puntos pxn , ypxn qq y pxn`1 , ypxn`1 qq.
As, la formula recursiva para el metodo de Euler Mejorado sera:
$
f pxn , yn q ` f pxn`1 , yn ` hf pxn , yn qq
& yn`1 yn ` h
2
%
y0
ypx0 q
(6.12)
donde xn`1 xn ` h.
No se omite indicar que las aproximaciones obtenidas por la formula (6.12)
poseen una precisi
on similar a las generadas por el metodo de Taylor de orden 2
con la formula (6.10), siempre que el tama
no de paso h sea el mismo. La ventaja
de este nuevo metodo radica en no tener que realizar el calculo de las derivadas,
lo cual simplifica el trabajo en forma considerable.
Ejemplo 144
Utilice la ecuaci
on (6.12) para aproximar la solucion del problema de valor inicial
1
y 2xy con yp1q 1, utilice un paso de h 0.1. Calcule el error absoluto y
relativo de cada aproximaci
on.
F Soluci
on
Para este ejemplo se tiene que:
f px, yq 2xy
px0 , y0 q p1, 1q
de esta manera, la f
ormula recurrente generada por los datos anteriores y la
formula 6.12 para este ejemplo est
a dada por:
$
2xn yn ` 2pxn ` 0.1qpyn ` 0.1 2xn yn q
&
yn`1 yn ` 0.1
2
%
y x 1
0
401
As, en la tabla 6.4 se presentan las aproximaciones obtenidas por medio del
metodo de Euler mejorado, en la misma tabla es posible observar los errores
absolutos y relativos cometidos.
xn
1.00
1.10
1.20
1.30
1.40
1.50
yn
1.0000
1.2320
1.5479
1.9832
2.5908
3.4509
ValorReal
1.0000
1.2337
1.5527
1.9937
2.6117
3.4904
Error Abs
0.0000
0.0017
0.0048
0.0105
0.0209
0.0395
% Error Rel.
0.00 %
0.14 %
0.31 %
0.53 %
0.80 %
1.13 %
Tabla 6.4: Aproximaciones errores obtenidos por el metodo Euler

mejorado para el problema de valor inicial con h 0.1.
La representaci
on gr
afica de la solucion segmentada obtenida con las aproximaciones de la tabla anterior se puede apreciar en la figura 6.11.
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5

F
Es posible ver una peque
na diferencia entre las aproximaciones obtenidas en
cada uno de los ejemplos 143 y 144; sin embargo, se puede notar que los errores
cometidos son muy parecidos. M
as aun, en el caso particular de los ejemplos 143 y
144 se puede observar una mejora en la aplicacion del metodo de Euler mejorado
en comparaci
on con el metodo de Taylor de segundo orden.
Implementaci
on del m
etodo de Euler mejorado
La programaci
on de Euler mejorado obedece a una estructura muy parecida a
la empleada en los algoritmos de los metodos de Euler simple y Taylor de segundo
orden, con la variaci
on de la f
ormula recursiva.
402
M
etodos num
ericos
En el algoritmo 21 se puede observar el pseudocodigo necesario para la programacion de Euler mejorado.

Algoritmo 21 Metodo de Euler mejorado
ax n
ypXq.
almacenar
en la tercera yn , que representan los puntos de aproximacion.
1: NXYp1, 1q 0
2: NXYp1, 2q x0
3: NXYp1, 3q y0
4:
5:
6:
7:
8:
9:
10:
11:
X x0
N m
ax
para n 1 hasta N m
ax hacer
NXYpn ` 1, 1q n
y NXYpn, 3q ` h f pNXYpn, 2q,NXYpn, 3qq
NXYpn`1, 3q NXYpn, 3q`h{2pf pNXYpn, 2q,NXYpn, 3qq`f pNXYpn`
1, 2q, y qq
fin para
retornar NXY
h
Ejercicios 6.3
1. Repita los ejercicios 6.2 de la pagina 398 con el mismo tama
no de paso propuesto y la f
ormula de Euler mejorado. Compare los resultados
obtenidos con los obtenidos en los ejercicios 6.2.
2. Considere el problema de valor inicial dado por:
y 2 dy xex{2 dx
con
yp0q 1
a) Determine una aproximaci

on de la solucion del problema de soluci
on inicial en el intervalo r0, 2s. Utilice los metodos:
1) Euler simple, con un tama
no de paso h 0.5.
2) Taylor de orden 2, con un tama
no de paso h 0.5.
3) Euler mejorado, con un tama
no de paso h 0.5.
b) Determine la aproximaci
on exacta del problema de valor inicial y
calcule el error en cada punto de aproximacion.
403
c) Realice la grafica de las soluciones aproximadas en un mismo plano

cartesiano.
d) Utilice alg
un software de graficacion para construir la grafica de .
Compare con las graficas obtenidas en el punto anterior.
3. Considere el problema de valor inicial dado por:
y1
?
y
con
yp0q 0 en la region D r0, 1s r0, 1s
a) Utilice el metodo de Euler simple para aproximar la solucion del

problema de valor inicial en el intervalo r0, 1s con un tama
no de
paso de h 0.25.
b) Utilice el metodo de Euler mejorado para aproximar la solucion del
problema de valor inicial en el intervalo r0, 1s con un tama
no de
paso de h 0.25.
c) Determine la soluci
on real del problema de valor inicial. Que se
puede decir de las aproximaciones? Justifique lo que se observa.
6.3.4.
M
etodos de Runge-Kutta
Los metodos de Taylor generan buenas soluciones para ordenes grandes; por
ejemplo, el metodo de Taylor de segundo orden, estudiado en la seccion 6.3.2,
mejora por mucho al metodo de Euler simple. Sin embargo, tiene el inconveniente
de requerir el c
alculo de derivadas, al igual que los metodos de Taylor de orden
superior.
El metodo de Euler mejorado, estudiado en la seccion 6.3.3, solventa el problema del calculo de las derivadas del metodo de Taylor con el uso de una pendiente
promedio, lo cual genera aproximaciones con una precision similar a la generada
por el metodo de Taylor de orden 2. Con este mismo principio, los metodos de
Runge-Kutta buscan aproximaciones con una precision similar a los metodos de
Taylor, pero sin la necesidad del c
alculo de derivadas.
De esta manera, el metodo de Euler simple, estudiado en la seccion 6.3.1,
es conocido como el metodo de Runge-Kutta de primer orden, mientras que el
metodo de Euler mejorado, estudiando en la seccion 6.3.3 es llamado metodo de
Runge-Kutta de segundo orden.
En general, el metodo de Runge-Kutta de orden n posee una precision similar
a la que presenta el metodo de Taylor de orden n. El metodo de Runge-Kutta de
orden 4 es el metodo que mayormente se ha utilizado por su gran precision y su
facil implementaci
on; tambien se denomina metodo de Runge-Kutta clasico.
404
M
etodos num
ericos
A continuaci
on se presentan los metodos de Runge-Kutta de orden dos y
cuatro, los cuales ser
an asumidos sin demostracion.
M
etodo de Runge-Kutta de segundo orden
Considere el problema de valor inicial con solucion u
nica dado por:
y 1 f px, yq
sujeto a
y0 ypx0 q
El metodo de Runge-Kutta de orden 2 consiste en la existencia de constantes a, b, y , las cuales cumplen que:
yn`1 yn ` ak1 ` bk2
donde:
k1 hf pxn , yn q
k2 hf pxn ` h, yn ` k1 q
As, las constantes deben cumplir que:

a ` b 1,
1
2
y b
1
2
Las condiciones para las constantes generan un sistema de ecuaciones con infinitas
soluciones. En particular, el metodo de Euler mejorado se obtiene con la solucion
1
del sistema: 1 y a b ; de esta manera se tiene que:
2
yn`1 yn ` ak1 ` bk2
donde:
k1 hf pxn , yn q
1
1
yn`1 yn ` hf pxn , yn q ` hf pxn ` h, yn ` hf pxn , yn qq
2
2
yn`1
yn ` h
f pxn , yn q ` f pxn ` h, yn ` hf pxn , yn qq

2
(6.13)
Se puede observar que la ecuaci

on (6.13) corresponde a la misma formula del
metodo de Euler mejorado.
405

M
etodo de Runge-Kutta de cuarto orden
Considere el problema de valor inicial con solucion u
nica dado por:
y 1 f px, yq
sujeto a
y0 ypx0 q
El metodo de Runge-Kutta de cuarto orden consiste en la existencia de

constantes a, b, c, d, 1 , 2 , 3 , 1 , 2 , 3 , 4 , 5 y 6 , tales que:
yn`1 yn ` ak1 ` bk2 ` ck3 ` dk4
donde
k1
k2
k3
k4
hf pxn , yn q
hf pxn ` 1 h, yn ` 1 k1 q
hf pxn ` 2 h, yn ` 2 k1 ` 3 k2 q
hf pxn ` 3 h, yn ` 4 k1 ` 5 k2 ` 6 k3 q
y donde las constantes conforman un sistema de 11 ecuaciones con 13

incognitas, las cuales cuentan con infinitas soluciones.
Una de las soluciones de dicho sistema genera las formulas de aproximacion
para el metodo cl
asico de Runge-Kutta, el cual ser presenta a continuacion:
F
ormula de aproximaci
on de Runge-Kutta de orden 4
yn`1 yn ` 16 pk1 ` 2k2 ` 2k3 ` k4 q
donde
k1 hf pxn , yn q
k2 hf pxn ` 12 h, yn ` 12 k1 q
k3 hf pxn ` 21 h, yn ` 12 k2 q
Ejemplo 145
dy
2xy
dx
sujeto a la condicion inicial
yp0q
1
4
Aplique el metodo de Runge-Kutta cl

asico para estimar una solucion segmentada
de la solucion del problema de valor inicial en el intervalo r0, 2s. Utilice un tama
no
de paso h 0.5. Compare con la soluci
on real y construya la grafica de la solucion
real y la soluci
on aproximada en el mismo plano cartesiano.
406
M
etodos num
ericos
F Soluci
on
En la tabla 6.5 se puede apreciar las primeras cuatro iteraciones del metodo
clasico de Runge-Kutta de cuarto orden.
i
0
1
2
3
4
xi
0
0.5
1
1.5
2
yi
0.25
0.32096354
0.67828623
2.34309034
13.0212364
k1
k2
k3
k4
0
0.16048177
0.67828623
3.51463551
0.0625
0.30090332
1.27178669
7.17571416
0.0703125
0.3535614
1.64272447
10.379158
0.16015625
0.67452494
3.48151606
25.4444966
Tabla 6.5: Datos de las primeras cuatro iterciones del metodo de

Runge-Kutta cl
asico para el problema de valor inicial.
Con base en el metodo de separaci

on de variables se tiene que la solucion del
2
ex
problema de valor inicial est
a dada por pxq
, as
4
i
0
1
2
3
4
xi
0
0.5
1
1.5
2
yi
0.25
0.32096354
0.67828623
2.34309034
13.0212364
ex {4
0.25
0.32100635
0.67957046
2.37193396
13.6495375
Error Abs
0
4.2813 105
0.00128422
0.02884362
0.62830109
Tabla 6.6: Comparaci

on entre las aproximaciones obtenidas y el
valor real.
Finalmente, las gr
aficas de la soluci
on real y la aproximacion segmentada se
muestran en la figura 6.12:
y
14
12
10
8
6
4
2
0.5
1.0
1.5
2.0
Figura 6.12: Comparaci

on de la solucion real y la aproximacion.
407

Implementaci
on del m
etodo de Runge Kutta cl
asico
Es posible adaptar cualquiera de los metodos estudiados hasta el momento

para aproximar ecuaciones diferenciales ordinarias y programar el metodo clasico
de Runge Kutta. El el algoritmo 22 se puede observar el pseudocodigo necesario
para la programaci
on de dicho metodo.
Algoritmo 22 Metodo de Runge Kutta de cuarto orden
ax n
ypXq.
almacenar
en la tercera yn que representan los puntos de aproximacion.
1: NXYp1, 1q 0
2: NXYp1, 2q x0
3: NXYp1, 3q y0
X x0
N m
ax
5: para n 1 hasta N m
ax hacer
6:
NXYpn ` 1, 1q n
7:
4:
8:
k1 hf pNXYpn, 2q,NXYpn, 3qq
h
k1
k2 hf NXYpn, 2q ` , NXYpn, 3q `
2
2
h
k2
2
2
k4 hf pNXYpn, 2q ` h, NXYpn, 3q ` k3 q
1
NXYpn ` 1, 3q NXYpn, 3q ` pk1 ` 2k2 ` 2k3 ` k4 q
6
fin para
retornar NXY
9:
10:
11:
12:
13:
14:
Ejercicios 6.4
1. Resuelva nuevamente los problemas planteados en los ejercicios 6.2 en
la pagina 398, pero con el metodo de Runge-Kutta clasico.
2. Considere el problema de valor inicial:
y 1 y cospxq
sujeto a la condicion
yp0q 2
408
M
etodos num
ericos
a) Utilice el metodo de Runge-Kutta clasico para determinar una soluci

on segmentada en el intervalo r0, 8s. Use h 1 como tama
no
de paso.
b) Construya la grafica de la solucion segmentada determinada en el
paso anterior.
c) Determine la soluci
on real del problema de valor inicial y calcule el
error absoluto cometido en cada punto de aproximacion.
d) Utilice un software para graficar la solucion real del problema de
valor inicial y compare con la solucion segmentada.
6.4.
M
etodo de pasos m
ultiples para EDO
Hasta este momento, los metodos estudiados para la aproximacion de soluciones de ecuaciones diferenciales son de un solo paso y tienen la caracterstica de
que la direccion del el siguiente segmento de la aproximacion segmentada depende
u
nicamente de punto actual y la funci
on f px, yq.
Es necesario aclarar que en cada iteracion de los metodos que se han estudiado
a lo largo de este captulo existe un remanente de informacion que perdura a lo
largo del tiempo. Sin embargo, aunque la aproximacion en la nesima iteracion
contiene informaci
on de las iteraciones anteriores, no es usada en forma directa
en el calculo de las aproximaciones futuras.
Una manera sencilla de entender la diferencia entre los metodos de pasos
m
ultiples y los metodos de un solo paso es pensar que los metodos de un solo paso
no tienen memoria, es decir, una vez calculado el nuevo punto de aproximacion
olvida como lleg
o all y se preocupa solo por ir a la siguiente posicion con base
en lo que se puede observar en la posici
on actual.
Mientras que los metodos de pasos m
ultiples mantienen una memoria de los
nodos calculados en el pasado; en este sentido, una vez que se calcula un punto de
aproximacion la decisi
on, de hacia donde dirigirse despues depende de la direccion
indicada por f px, yq y de d
onde se ha estado anteriormente.
La idea de los metodos de pasos m
ultiples es conservar la informacion existente
durante los calculos previos para usarla directamente en los siguientes calculos.
De esta manera, cualquier metodo que utilice mas de un punto para tomar la
decision de a d
onde debe dirigirse para encontrar la siguiente aproximacion se
denomina metodo multipasos o metodo de pasos m
ultiples.
Definici
on 58 (Memoria de un m
etodo multipasos)
Dado un metodo de aproximaci
on para la solucion de un problema de valor inicial,
409
se define la memoria del metodo como el n

umero de datos que son considerados
para determinar la siguiente aproximaci
on.
A la memoria del metodo tambien se le conoce como el n
umero de pasos.
En este sentido, se dice que un metodo tiene memoria k, si para calcular
la aproximaci
on pxn`1 , yn`1 q es necesario utilizar la informacion en los puntos
pxn , yn q, pxn1 , yn1 q, . . . , pxnk`1 , ynk`1 q.
Definici
on 59 (M
etodo multipasos de memoria k)
Considere el problema de valor inicial.
y 1 f px, yq
con
ypx0 q y0
el intervalo x P rx0 , bs
un metodo multipasos de memoria k, para resolver el problema de valor inicial

es aquel que se puede expresar de la forma:
yi`1
j1
akj yij`1 ` h
bkj f pxi`1j , yi`1j q
j0
ak1 yi ` ak2 yi1 ` ` a0 yik`1

` hrbk f pxi`1 , yi`1 q ` bk1 f pxi , yi q ` bk2 f pxi1 , yi1 q `
` b0 f pxik`1 , yik`1 qs
0
lo cual garantiza que yi`1 P
para i k 1, k 2, . . . , N 1, donde h bx
N
rx0 , bs. Y, a0 , a1 , a2 , . . . , ak1 , b0 , b1 , b2 , . . . , bk son constantes y los valores iniciales
y0 , y1 , . . . , yk1 son especificados o calculados preliminarmente.
Si bk 0, el metodo se denomina abierto o explcito, ya que el termino yi`1

solo queda al lado izquierdo de la igualdad, es decir, yi`1 queda expresado en
funcion de los terminos yi , yi1 , . . . , yik`1 . En caso de que bk 0, entonces
se dice que el metodo multipasos es cerrado o implcito, ya que en este caso el
termino yi`1 queda en ambos lados de la igualdad.
La complejidad de los metodo implcitos radica en que cada vez que se desea
calcular una aproximaci
on es necesario resolver una ecuacion, muchas veces con
tecnicas numericas, para poder despejar el valor de yi`1 de la expresion.
Por otro lado, en los metodos multipasos se requiere llenar la memoria antes
de iniciar el proceso de aproximaci
on, es decir, se necesita determinar los k valores
iniciales. Estos pueden ser calculados con el metodo de un solo pasos, como por
ejemplo el de Runge-Kutta de cuarto orden. Una vez dados los valores iniciales,
las aproximaciones restantes ser
an calculadas con el metodo de paso m
ultiple.
Existen diversas formas de generar los metodos multipasos; uno de los mas
sencillos es el generado por integraci
on del polinomio interpolante de grado k para
410
M
etodos num
ericos
la expresion f px, ypxqq. Con esta idea se generara un metodo de pasos m

ultiples
de memoria k, o bien, de k pasos.
6.4.1.
M
etodos de Adams
Son metodos multipasos de memoria k producido por la integracion numerica

de la funcion f px, ypxqq. Los metodos de Adams se puede dividir en dos tipos:
el metodo de Adams-Bashforth, que genera un metodo explcito, y el metodo de
Adams-Moulton, que genera un metodo implcito.
Notaci
on
Con el objetivo de simplificar los c
alculos para obtener las formulas multipasos, se considerar
a la siguiente notacion:
fi f pxi , ypxi qq
@i 0, 1, 2, 3, . . .
Los metodos de Adams, implcito y explcito, se consiguen con la integracion

del polinomio interpolante de la funci
on univariada definida por f px, ypxqq. La
diferencia entre ambos se presentan a continuacion:
M
etodo de Adams-Bashforth de memoria k: se integra el polinomio
interpolante de grado k 1 para la funcion f px, ypxqq que pasa por los k
puntos pxi , fi q, pxi1 , fi1 q, pxi2 , fi2 q, . . . , pxi`1k , fi`1k q.
M
etodo de Adams-Moulton de memoria k: se integra el polinomio
interpolante de grado k para la funcion f px, ypxqq que pasa por los k ` 1
puntos pxi`1 , fi`1 q, pxi , fi q, pxi1 , fi1 q, pxi2 , fi2 q, . . . , pxi`1k , fi`1k q.
La deduccion de los metodos de Adams-Bashforth de memoria 2 y AdamsMoulton de memoria 1 se hace a continuacion:
M
etodo de Adams-Bashforth de memoria 2
y 1 f px, yq
con
ypx0 q y0
en el intervalo x P rx0 , bs
Al hacer uso de la regla de Barrow y si se sabe que y es una antiderivada de

y 1 se tiene que:
xi`1
xi`1
1
ypxi`1 q ypxi q
y pxqdx
f px, ypxqqdx
xi
xi
411

xi`1
ypxi`1 q ypxi q `
f px, ypxqqdx
(6.14)
xi
Es notorio que dicha integral no puede ser calculada a menos que se tenga conocimiento de ypxq. Considere el polinomio interpolante por diferencias divididas de
Newton y de grado 1 para la funci
on f px, ypxqq, que pasa por los puntos pxi , fi q
y pxi1 , fi1 q y dado por:
P1 pxq fi1 ` f rxi1 , xi spx xi1 q
(6.15)
de esta manera se tiene que la ecuaci

on (6.14) se puede aproximar mediante el
polinomio P1 pxq presentado en (6.15).
xi`1
P1 pxqdx
ypxi`1 q ypxi q `
xi
donde:
xi`1
xi`1
xi`1
f rxi1 , xi spx xi1 qdx
fi1 dx `
P1 pxqdx
xi
xi
xi
xi`1
fi fi1 xi`1
dx `
fi1
px xi1 qdx
xi xi1 xi
xi
fi fi1 pxi`1 xi1 q2 pxi xi1 q2
fi1 pxi`1 xi q `
2
2
xi xi1
Al considerar que los puntos son igualmente espaciados y si se define h
xi`1 xi xi xi1 se tiene que:
xi`1
fi fi1 p2hq2 h2
P1 pxqdx hfi1 `
2 2
h
xi
3h
hfi1 ` pfi fi1 q
2
h
p3f1 fi1 q
2
xi`1
xi`1
h
f px, ypxqqdx
P1 pxqdx p3f1 fi1 q
2
xi
xi
(6.16)
Al sustituir (6.16) en (6.14) y cambiar ypxi q por su aproximacion yi se tiene

la formula:
h
ypxi`1 q yi`1 yi ` p3fi fi1 q
2
As, queda deducida la f
ormula de aproximacion para el metodo de AdamsBashforth de dos pasos. Este metodo se resume a continuacion:
412
M
etodos num
ericos
F
ormula Adams-Bashforth de dos pasos
y 1 f px, yq
con
ypx0 q y0
y considere la aproximaci
on y1 de ypx1 q dada por un metodo de un solo
pasos. De esta manera se tiene que:
ypxi`1 q yi`1 yi `
donde N
h
p3fi fi1 q
2
para i 1, 2, 3, . . . , N 1
bx0
h .
Ejemplo 146
y 1 y cos x
sujeta a la condici
on yp0q 2 y definido sobre r0, 8s
Para h 1 determine una soluci

on segmentada del problema del valor inicial con
el metodo de Adams-Bashforth de memoria 2 en el intervalo r0, 8s. Construya la
grafica de la soluci
on segmentada.
F Soluci
on
Es necesario determinar una aproximacion para ypx1 q. Para esto se empleara el
metodo de Runge-Kutta de cuarto orden, con el cual se obtiene ypx1 q yp1q
y1 4.623229. En este punto se tienen los valores px0 , y0 q y px1 , y1 q de donde,
al aplicar la formula de Adams-Bashforth se pueden obtener las aproximaciones
que se visualizan en la tabla 6.7. La f
ormula adaptada al problema particular es:
yi`1 yi `
h
p3yi cospxi q yi1 cospxi1 qq
2
para i 1, 2, 3, 4, 5, 6 y 7.
i
0
1
2
3
4
5
6
7
8
xi
0
1
2
3
4
5
6
7
8
yi
2
4.62322919
7.37014127
1.52057911
0.79606673
0.76823178
1.3552812
3.19827317
6.16440082
k1
2
k2
2.63274769
k3
2.91039185
k4
2.65309604
Tabla 6.7: Aproximaciones por Adams-Bashforth.
(6.17)
413
La grafica de la soluci
on segmentada dada por las aproximaciones anteriores
se muestra en la figura 6.13.
y
7
6
5
4
3
2
1
x
2
Figura 6.13: Soluci

on aproximada por Adams-Bashforth.
F
M
etodo de Adams-Moulton de memoria 1
Analogamente a lo realizado para el metodo Adams-Bashforth de dos pasos,
si se considera el problema de valor inicial dado por:
y 1 f px, yq
con
ypx0 q y0
entonces:
xi`1
f px, ypxqqdx
ypxi`1 q ypxi q `
(6.18)
xi
Recuerde que la integral que se pretende aproximar con el uso del polinomio interpolante de grado 1 para la funcion f px, ypxqq, que pasa por los puntos
pxi`1 , fi`1 q y pxi , fi q, genera la f
ormula de la regla del trapecio para aproximacion
de integrales. De esta forma se tiene que:
xi`1
h
f px, ypxqqdx pfi ` fi`1 q
(6.19)
2
xi
Al sustituir (6.19) en (6.18) y cambiando ypxi q por su aproximacion yi se
consigue la formula buscada:
ypxi`1 q yi`1 yi `
h
pfi`1 ` fi q
2
As, queda as deducida la f

ormula de aproximacion para el metodo de AdamsMoulton de un paso. Dicho metodo se resumen a continuacion:
414
M
etodos num
ericos
F
ormula Adams-Moulton de un paso
y 1 f px, yq
con
ypx0 q y0
Entonces, el metodo de un solo paso de Adams-Moulton esta dado por:

ypxi`1 q yi`1 yi `
donde N
h
pfi`1 ` fi q
2
para i 0, 1, 2, . . . , N 1
bx0
h .
Ejemplo 147
y 1 y cos x
sujeta a la condici
on yp0q 2 y definido sobre r0, 8s
Para h 1 realice lo siguiente:

1. Determine una soluci
on segmentada del problema del valor inicial con el
metodo de Adams-Moulton de memoria 1 en el intervalo r0, 8s. Construya
la grafica de la soluci
on segmentada.
2. Compare las gr
aficas de las soluciones segmentadas obtenidas con la determinada en el ejemplo 146 y con la grafica de la solucion real.
F Soluci
on
1. Se debera determinar una aproximacion segmentada de la solucion del problema de valor inicial con base en el metodo de Adams-Moulton de un
paso.
Para este problema de valor inicial, la funcion de iteracion esta dada en
forma implcita por:
yi`1 yi `
h
pyi`1 cos xi`1 ` yi cos xi q
2
(6.20)
De la ecuaci
on (6.20) se puede despejar yi`1 , con lo cual se obtiene:
h
yi cos xi
2
h
1 cos xi`1
2
yi `
yi`1
(6.21)
Al aplicar la funci
on de iteraci
on en (6.21) con la condicion inicial y0 2
se consiguen las aproximaciones de la tabla 6.8.
415

i
0
1
2
3
4
5
6
7
8
xi
0
1
2
3
4
5
6
7
8
yi
2
4.11044014
4.32165811
2.28926055
0.87131909
0.68349366
1.50108099
3.56589631
4.57708214
Tabla 6.8: Aproximaciones por Adams-Moulton.
2. La grafica de la soluci
on segmentada obtenida con el metodo de AdamsMoulton se muestra en la figura 6.14.
y
7
6
5
4
3
2
1
x
2
Figura 6.14: Soluci

on aproximada por Adams-Moulton.
Finalmente, falta determinar la solucion real del problema de valor inicial

para luego comparar, gr
aficamente, las soluciones aproximadas con la solucion real.
Mediante la tecnica de separaci
on de variables se tiene que la solucion real
del problema de valor inicial es:
y 2esen x
cuya grafica se muestra en la figura 6.15 y la comparacion entre los metodos
y la soluci
on real se pueden observar en la tabla 6.9.
416
M
etodos num
ericos
Adams-Bashforth
2
4.623229186
7.370141271
1.520579114
0.796066732
0.768231777
1.355281204
3.198273166
6.164400819
Adams-Moulton
2
4.110440144
4.321658112
2.289260552
0.871319086
0.683493657
1.501080993
3.56589631
4.577082141
Valor Real
2
4.639553649
4.965155456
2.303125673
0.938328372
0.76660999
1.512451255
3.857941609
5.379015835
ErrorAbs A-B
0
0.016324463
2.404985815
0.782546559
0.14226164
0.001621787
0.157170051
0.659668443
0.785384984
Error Abs A-M

0
0.529113505
0.643497344
0.013865121
0.067009286
0.083116333
0.011370262
0.292045298
0.801933694
Tabla 6.9: Adams-Bashforth vrs. Adams-Moulton vrs. Solucion

real.
y
Adams-Bashforth
7
Solucin real
6
5
4
3
2
Adams-Moulton
1
x
2
Figura 6.15: Adams-Bashforth vrs. Adams-Moulton vrs. Solucion

real.
M
etodos de Adams con memoria k
Si se sigue un procedimiento similar al realizado para determinar los metodos
de Adams-Bashforth de memoria 2 y Adams-Moulton de memoria 1 se pueden
determinar formulas que posean una memoria mas extensa.
417

M
etodo de Adam-Bashforth de k pasos
Proviene de la integraci
on en el intervalo rxi , xi`1 s del polinomio interpolante de grado k que pasa por los puntos
pxi , fi q, pxi1 , fi1 q, . . . , pxik`1 , fik`1 q.
Siempre tiene la forma:
yi`1 yi ` h
j f pxij`1 , ypxij`1 qq
(6.22)
j1
donde los coeficientes para los pasos 1, 2, 3 y 4 se muestran en la tabla

k
1
2
3
4
1
2
1
12
1
24
1
1
3
23
55
1
16
59
5
37
Tabla 6.10: Coeficientes para Adam-Bashforth.
De la ecuacion 6.22 y los datos de la tabla 6.10 se obtienen las siguientes

formulas de Adams-Bashforth de
2 pasos: yi`1 yi `
h
p3fi fi1 q.
2
3 pasos: yi`1 yi `
h
p23fi 16fi1 ` 5fi2 q.
12
4 pasos: yi`1 yi `
h
p55fi 59fi1 ` 37fi2 9fi3 q.
24
El metodo de Adams-Bashforth de memoria k tiene un orden de convergencia k.
418
M
etodos num
ericos
M
etodo de Adam-Moulton de k pasos
Proviene de la integraci
on en el intervalo rxi , xi`1 s del polinomio interpolante de grado k ` 1, que pasa por los puntos
pxi`1 , fi`1 q, pxi , fi q, pxi1 , fi1 q, . . . , pxik`1 , fik`1 q.
Siempre tiene la forma:
yi`1 yi ` h
j f pxij`1 , ypxij`1 qq
(6.23)
j0
donde los coeficientes para los pasos 0, 1, 2 y 3 se muestran en la tabla

k
0
1
2
3
1
2
1
12
1
24
0
1
1
5
9
1
8
19
1
5
Tabla 6.11: Coeficientes para Adam-Moulton.
De la ecuacion 6.23 y los datos de la tabla 6.11 se obtienen las siguientes

formulas de Adams-Moulton de
1 pasos: yi`1 yi `
h
pfi`1 ` fi q.
2
2 pasos: yi`1 yi `
h
p5fi`1 ` 8fi fi1 q.
12
3 pasos: yi`1 yi `
h
p9fi`1 ` 19fi 5fi1 ` fi2 q.
24
El metodo de Adams-Moulton de memoria k tiene un orden de convergencia k ` 1.

Ejemplo 148
Aplique el metodo de Adams-Bashforth de memoria 4 para aproximar la solucion
del problema de valor inicial:
y 1 y cos x
sujeta a la condici
on incial yp0q 2 y definido sobre r0, 8s
Para h 1.
F Soluci
on
En este caso, la f
ormula de Adams-Bashfoth de memoria 4 esta dada por:
yi`1 yi `
h
p55fi 59fi1 ` 37fi2 9fi3 q
24
419

que para el problema de valor inicial especfico es:
yi`1 yi `
h
r55yi cospxi q 59yi1 cospxi1 q ` 37yi2 cospxi2 q 9yi3 cospxi3 qs
24
Las primeras cuatro aproximaciones deberan ser aproximadas por un metodo

de un pasos; en este caso, se utilizar
a Runge-Kutta de orden 4.
i
0
1
2
3
4
5
6
7
8
xi
0
1
2
3
4
5
6
7
8
yi
2
4.62322919
4.94756396
2.28617912
5.26193721
1.16703319
3.81243373
8.56137056
15.1332768
k1
2
2.49794139
2.05891309
k2
2.63274769
0.41538299
3.13896674
k3
2.91039185
0.34172581
2.7063277
k4
2.65309604
2.06615032
2.21880709
Tabla 6.12: Aproximaci

on segmentada obtenida por el metodo de
Adams-Bashforth de cuatro pasos y un tama
no de paso h
1. Se inicia con el metodo clasico de Runge-Kutta.
Es posible observar una variabilidad marcada en la solucion aproximada, la

cual se hace evidente en la figura 6.16, donde se muestra la solucion segmentada
de la ecuacion diferencial obtenida por el metodo de Adams-Bashforth de orden
4, con un tama
no de paso de h 1.
y
5
x
2
Figura 6.16: Soluci

on segmentada obtenida con el metodo de
Adams-Bashforth de cuarto orden y con un tama
no de
paso h 1.
420
M
etodos num
ericos
F
Esta variabilidad observada se debe a la escogencia de un tama

no de paso
relativamente grande, h 1. La soluci
on segmentada puede mejorase al tomar
valores mas peque
nos de h. Existen resultados teoricos que permiten determinar
el tama
no de paso adecuado para los metodos multipasos.
Ejemplo 149
1
Repita el ejemplo 148 con un tama
no de paso h .
2
F Soluci
on De igual manera que en el ejemplo 148, la formula de AdamsBashfoth de memoria 4 est
a dada por:
yi`1 yi `
h
p55fi 59fi1 ` 37fi2 9fi3 q
24
que para el problema de valor inicial especfico se traduce en:

yi`1 yi `
h
r55yi cospxi q 59yi1 cospxi1 q ` 37yi2 cospxi2 q 9yi3 cospxi3 qs
24
Las primeras cuatro aproximaciones deberan ser aproximadas por un metodo

de un paso; en este caso se utilizar
a, igual que en el ejemplo anterior, el metodo
de Runge-Kutta de orden 4.
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
xi
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
6.5
7
7.5
8
yi
2
3.229718755
4.638379197
5.421528295
4.590319419
3.330471375
2.446905535
1.406474309
1.176294907
0.547231680
0.799070918
0.854862217
1.325660458
2.235848770
3.597704100
4.889251855
4.941760890
k1
1
1.41717243
1.253063488
k2
1.211140527
1.440806954
0.830072078
k3
1.262284697
1.445130234
0.796727415
k4
1.431462081
1.262915844
0.192232116

Adams-Bashforth de cuatro pasos y un tama
no de paso h
1
.
Se
inicia
con
el
m
e
todo
cl
a
sico
de
Runge-Kutta.
2
421
Para la cual se tiene que la soluci

on segmentada se puede visualizar en la figura
6.17; tambien se puede observar que la solucion segmentada para el tama
no de
1
paso h 2 es m
as estable en referencia al tama
no de paso h 1 empleado en el
ejemplo 148.
y
5
x
2
Figura 6.17: Soluci

on inestable Adams-Bashforth.
F
Ejemplo 150
Aplique el metodo de Adams-Moulton de memoria 3 para aproximar la solucion
del problema de valor inicial:
y 1 y cos x
sujeta a la condici
on incial yp0q 2 y definido sobre r0, 14s
Para h 1.
F Soluci
on La f
ormula de Adams-Moulton de cuarto orden esta dada por:
yi`1 yi `
h
p9fi`1 ` 19fi 5fi1 ` fi2 q
24
(6.24)
para este ejemplo particular, dicha f

ormula quedara:
yi`1 yi `
1
r9yi`1 cospxi`1 q ` 19yi cospxi q 5yi1 cospxi1 q ` yi2 cospxi2 qs
24
Al despejar yi`1 de la ecuaci

on anterior se tiene:
yi `
yi`1
1
r19yi cospxi q 5yi1 cospxi1 q ` yi2 cospxi2 qs
24
9
1
cospxi`1 q
24
Ahora se deben calcular dos aproximaciones con un metodo de un paso; en este

caso se emplear
a el metodo de Runge-Kutta de cuarto orden. As, se obtiene:
422
M
etodos num
ericos
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
xi
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
yi
2
4.62322919
4.94756396
2.10065698
0.79293848
0.81699381
1.59670668
3.82070667
5.49167329
3.22201189
0.90094006
0.88224652
1.34664877
3.35598358
5.82922664
k1
2
2.49794139
k2
2.63274769
0.41538299
k3
2.91039185
0.34172581
k4
2.65309604
2.06615032

on por Adams-Moulton con tres pasos con
un tama
no de paso h 1. Se inicia con el metodo clasico
de Runge-Kutta.
En la figura 6.18 puede observarse la representacion grafica de la solucion

segmentada del problema de valor inicial; por su parte, la figura 6.19 muestra la
grafica de la soluci
on segmentada en contraste con la grafica de la solucion real
del problema de valor inicial.
y
5
x
2
10
12
14
Figura 6.18: Soluci

Adams-Moulton de tres pasos y con h 1.
423
y
5
x
2
10
12
14
Figura 6.19: Comparaci

on de la solucion segmentada con la soluci
on real del problema de valor inicial.
Ejercicios 6.5
1. Para cada uno de los siguientes valores iniciales determine una aproximacion segmentada en la regi
on indicada al utilizar el metodo de AdamsBashforth de dos pasos. Utilice como tama
no h 0.5
a) y 1 y sen x sujeta a la condicion yp0q 2 en la region r0, 4s.
b) y 1 xy sujeta a la condicion yp1q 2 en la region r1, 3s.
?
c) y 1 y sujeta a la condici
on inicial yp0q 0 en la region r0, 2s.
2. Para cada uno de los siguientes valores iniciales determine una aproximaci
on segmentada en la region indicada con base en el metodo de
Adams-Moulton de un paso. Utilice como tama
no h 0.5
a) y 1 y sen x sujeta a la condicion yp0q 2 en la region r0, 4s.
b) y 1 xy sujeta a la condicion yp1q 2 en la region r1, 3s.
?
c) y 1 y sujeta a la condici
on inicial yp0q 0 en la region r0, 2s.
Implementaci
on del m
etodo de Adams-Bashforth de orden 4
La ejecuci
on del metodo de Adams-Bashforth de orden 4 supone que la memoria esta llena, es decir, que existen cuatro valores calculados del problema de
valor inicial, y por consiguiente, existen cuatro puntos iniciales px0 , y0 q, px1 , y1 q,
424
M
etodos num
ericos
px2 , y2 q y px3 , y3 q de la soluci

on segmenta. Dichos valores deberan ser calculados por un metodo de un solo paso. Para esta implementacion se ha escogido el
metodo de Runge-Kutta de cuarto orden.
En el algoritmo 23 es posible observar el pseudocodigo necesario para la implementacion del metodo. En la lnea 5 se muestra el bucle para encargado de
llenar la memoria con el metodo cl
asico de Runge-Kutta. En la lnea 14 inicia el
bucle para que se encarga de calcular los restantes puntos de aproximacion por
medio de la formula del metodo de cuarto orden de Adams-Bashforth.
Algoritmo 23 Metodo de Adams-Bashforth de memoria 4. Se inicia con el metodo de Runge-Kutta cl
asico.
ax n
ypXq.
no N m
ax ` 1 3 donde en la primera columna se
almacenar
en la tercera yn que representan los puntos de aproximaci
on.
1: NXYp1, 1q 0
2: NXYp1, 2q x0
3: NXYp1, 3q y0
X x0
N m
ax
5: para n 1 hasta 3 hacer
6:
NXYpn ` 1, 1q n
7:
4:
8:
k1 hf pNXYpn, 2q,NXYpn, 3qq
h
k1
2
2
h
k2
2
2
k4 hf pNXYpn, 2q ` h, NXYpn, 3q ` k3 q
1
NXYpn ` 1, 3q NXYpn, 3q ` pk1 ` 2k2 ` 2k3 ` k4 q
6
fin para
para n 4 hasta N m
ax hacer
NXYpn ` 1, 1q n
h
NXYpn ` 1 , 3q NXYpn, 3q `
p55f pNXYpn, 2q,NXYpn, 3qq
24
59f pNXYpn 1, 2q,NXYpn 1, 3qq ` 37f pNXYpn 2, 2q,NXYpn 2, 3qq
9f pNXYpn 3, 2q,NXYpn 3, 3qqq
fin para
retornar NXY
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
Ap
endice A
Programaci
on e introducci
on a
Excel
A.1.
Introducci
on
En el presente apendice se realiza una breve incursion a la programacion en

Visual Basic para Excel. Se abordan el ambiente de programacion, la logica y
manejo de datos desde la hoja de c
alculo y controles, as como la sintaxis de
programacion como condicionales, bucles, funciones, procedimientos, manejo de
arreglos y matrices.
Finalmente, se realiza una introducci
on a la depuracion de programa y b
usqueda de errores mediante las herramientas dispuestas para tal fin, como los punto de
interrupcion (break point), corridas paso a paso, uso de la ventana de inmediato
y el monitoreo de variables.
A.2.
Introducci
on a Visual Basic para Excel
Excel es un programa de la familia de Microsoft que inicialmente fue concebido

como una hoja de c
alculo en la cual se podan realizar tareas aritmeticas de una
forma facil y r
apida. Con el tiempo se le han incorporado algunas herramientas
que hacen de Excel un programa m
as versatil. Las nuevas funciones y un ambiente
de programaci
on hacen de este programa un aliado para el trabajo de algoritmos
simples como los estudiados en un curso introductorio de metodos numericos.
426
M
etodos num
ericos
En esta obra se asume que el lector est

a familiarizado con la interfaz de Excel
y con el trabajo en hojas de c
alculo; por lo que se partira desde la introduccion
al ambiente de programaci
on en Excel. Un detalle que se debe advertir es que la
programacion realizada para esta obra se hizo en la version 2010 del programa Microsoft Excel; sin embargo, salvo diferencias generales con respecto a la interfaz,
lo aqu expuesto se puede aplicar a versiones anteriores sin mayor trabajo.
A.2.1.
El ambiente de programaci
on en Excel
Ademas de la hoja de c
alculo, Excel cuenta con un ambiente de programacion
en lenguaje Visual Basic que permite programar desde una funcion basica para
el trabajo en hojas de c
alculo, como programaciones mas elaboradas con controles
y formularios. La interfaz de programacion se muestra en la figura A.1. Para
ingresar a la interfaz de programaci
on seleccione la opcion Visual Basic de la
pesta
na Programador1 .
Figura A.1: Interfaz de programacion.
Cada hoja de c
alculo cargada en Excel tiene asignado un archivo especfico,
en el cual se deber
a incluir el c
odigo de los procedimientos relacionados con los
controles presentes en la hoja de c
alculo correspondiente. En estos archivos se
1
Si la pesta
na del programador no parece en la cinta de opciones, puede agregarla de la siguiente manera: active la opci
on Programador del formulario Personalizar cinta de opciones
de la pesta
na Archivo|Opciones.
427
pueden programar, adem

as de las instrucciones para los controles, funciones y
procedimientos independientes que pueden ser convocados desde otras secciones
de codigo presentes en el mismo archivo.
Para acceder a los archivos de c
odigo de cada una de las hojas se debera dar
doble clic en los objetos que muestra el Microsft Excel Objetos, correspondiente a las hojas de c
alculo, el cual se presenta en la figura A.2.
Figura A.2: Microsft Excel Objetos y los archivos de codigo.
Programaci
on en m
odulo est
andar
Los modulos est
andar son archivos de codigo que no estan asociados a una
hoja de calculo o formulario especfico; en estos el programador puede definir
funciones y procedimientos que pueden ser accesados desde cualquier parte del
proyecto.
Para agregar un m
odulo basta seleccionar la opcion Insertar | M
odulo, esto
agregara al Microsft Excel Objetos una carpeta Modulos, que contendra el
objeto insertado, tal y como se aprecia en la figura A.3.
En los modulos est
andar se pueden definir variables globales o p
ublicas, al
igual que funciones y procedimientos que posteriormente pueden ser invocados
desde otras partes del programa.
En el caso de las funciones, una funcion p
ublica en un modulo estandar puede
ser invocada desde otros m
odulos est
andar, un archivo de codigo asociado a una
hoja de calculo o inclusive de una hoja de calculo en particular, accion que sera de
mucha utilidad posteriormente.
428
M
etodos num
ericos
Figura A.3: M
odulo estandar.
A.2.2.
Controles
Son herramientas que permiten el ingreso de datos y la comunicacion entre

el usuario y el programa. Ejemplos de controles lo son: los botones, las cajas de
texto, las barras de desplazamiento, las casillas de verificacion, entre otras.
En el caso especfico de Excel, el programador puede insertar controles sobre
una hoja de calculo, o bien, sobre un formulario. El programador definira la accion
que cada control deber
a realizar al darse un determinado evento sobre el control.
Para el caso de un bot
on, este puede responder al evento de un clic, es decir, el
boton realizara un determinado procedimiento o accion que se realizara posterior
a la ejecucion del evento que funciona como detonador. Este codigo se escribe en
el archivo de codigo asociado a la hoja de calculo correspondiente; para acceder
a esta, se da doble clic sobre el control. Esta accion, ademas de abrir el archivo
de codigo, define un procedimiento que responde al evento predeterminado del
control; en el ejemplo del bot
on ser
a el evento clic, estos eventos pueden ser
cambiados por otros tales como doble clic, mover el puntero del rat
on, presionar
una tecla, entre otros. Cada control posee una lista de eventos que pueden ser
personalizados en la programaci
on de ser necesario.
C
omo insertar controles?
Para insertar un control en una hoja de calculo basta seleccionar el control
de la opcion Insertar en la pesta
na Programador. En la paleta de controles
que se muestra en la figura A.4 se pueden observar dos grupos, los controles
de formularios y los controles ActiveX; si bien cualquiera de los dos grupos
puede ser empleado, difieren en la forma de programacion.
Como no hay diferencia con respecto al uso o utilidad entre ambos grupos,
controles ActiveX ser
an los u
nicos empleados en las implementaciones estudiadas posteriormente.
La insercion puede hacerse al dar doble clic sobre el control deseado, accion
que pondra el control directamente sobre la hoja de calculo seleccionada. Cada
vez que se inserte un control al proyecto, a cada uno se le asignara, en forma
429
Figura A.4: Controles.
automatica, un nombre o identificador con el cual el programador podra hacer

referencia al control.
Al hacer uso de este identificador es posible cambiar algunas propiedades del
control desde el c
odigo; por ejemplo, es posible hacer invisible un boton en la
pantalla dando clic sobre este y hacerlo visible de nuevo al dar clic sobre un
segundo boton.
Los identificadores de cada control pueden ser personalizados por el programador en modo de dise
no, es decir, el programador puede decidir cual es el
identificador m
as apropiado para un determinado control. Es recomendable que
se le asigne un nombre representativo a cada uno de los controles del proyecto.
Una buena pr
actica es preceder el nombre de cada control con un prefijo que determine el tipo de control. A continuaci
on se presentan algunos prefijos utilizados
frecuentemente:
Tipo de control
Bot
on (CommandButton)
Cuadro de texto (TextBox)
Cuadro de im
agenes (Image)
Caja de verificaci
on (CheckBox)
Bot
on de opciones (OptionButton)
Barra de desplazamiento (ScrollBar)
Prefijo
cmd
txt
img
chb
opb
scrll
Tabla A.1: Controles com

unmente utilizados en la programacion
en Excel.
Por ejemplo, si se define un bot

on con el nombre Cerrar, se recomienda que
el identificador sea cmdCerrar, para que sea mas sencillo identificarlo dentro del
codigo como un bot
on.
430
A.2.3.
M
etodos num
ericos
Ingreso de datos en VB para Excel
El ingreso de datos en el lenguaje Visual Basic de Excel puede hacerse de

diversas formas, de las cuales ninguna de ellas posee una complejidad sustancial
para el programador. Para el ingreso de datos, lo mas com
un es hacer uso de las
herramientas y controles que el programa proporciona, ya sean cuadros de texto,
cuadros combinados, botones, o bien, directamente desde las celdas de una hoja
de calculo.
Figura A.5: Propiedades de los controles.
Cada uno de los controles que se utilizan en una aplicacion posee una gama
de propiedades que pueden ser modificadas a gusto del programador. Para acceder al formulario de propiedades, de clic derecho sobre el control y escoja la
opcion Propiedades del men
u flotante que se despliega. En la figura A.5 se puede
observar el formulario de propiedades que se muestra para un cuadro de texto.
Manualmente, desde este formulario se pueden modificar las propiedades de
un control, como el nombre o identificador, el color, valor del control, fuente, entre
otros. Cada propiedad que aparece en el formulario depende exclusivamente del
tipo de control.
Las propiedades de los controles tambien pueden se modificadas por codigo,
pues de esta forma se pueden asignar datos a ciertas propiedades de un control
durante el tiempo de ejecuci
on. A manera de ejemplo, suponga que se tiene un
cuadro de texto cuyo identificador es txtCuadroDeTexto. El siguiente codigo
asigna la cadena de caracteres hola mundo a su propiedad text.
txtCuadroDeTexto.Text = "hola mundo"
431
Tambien es posible extraer esta informacion de la propiedad text de un control TextBox. Suponga que se tiene un segundo cuadro de texto con identificador
txtCuadroDeTexto2 y suponga que se tiene interes en asignar el valor de la propiedad text de txtCuadroDeTexto a la propiedad text de txtCuadroDeTexto2.
El codigo que realiza esta tarea es:
txtCuadroDeTexto2.Text = txtCuadroDeTexto.Text
De esta forma, el control cuyo identificador es txtCuadroDeTexto2 en su

propiedad text contendr
a almacenada la cadena de caracteres hola mundo, al
igual que txtCaudroDeTexto.
En general, la propiedad text de un cuadro de texto almacena datos de tipo
String (cadena de caracteres); sin embargo, puede recibir y retornar datos de
otros tipos, como por ejemplo, datos de tipo Long, Integer, Double que son
datos numericos.
Ejemplo 151
Se construira un programa que conste de un boton que al ser presionado muestre
el mensaje de bienvenida Mi primer programa en VB para Excel.
F Soluci
on
Abra un documento nuevo de Excel y coloque sobre la hoja de calculo un
boton; asigne como identificador a dicho boton cmdOk y a la propiedad Caption
asigne OK.
Ubicado en modo de dise
no, de doble clic sobre el boton, con esto se abrira el
editor de codigo que se muestra en la figura A.6. Note que automaticamente se
definio un procedimiento OK Click que respondera al evento clic del boton. De
esta forma, ejecutado el evento clic del boton, sera el codigo que se encuentre
dentro de este procedimientos el que se ejecutara.
Figura A.6: Editor de codigo.
Escriba en el editor el c
odigo que se muestra a continuacion.
432
M
etodos num
ericos
Private Sub OK Click()
MsgBox "Mi primer programa en VB para Excel"
End Sub
Regrese a la hoja de c
alculo de Excel y salga del modo de dise
no; esto se
logra al desactivar el bot
on Modo Dise
no de la pesta
na Programador y presionar
F
el boton OK.
Celdas como instrumentos para el manejo de datos
Tambien es posible utilizar las celdas de la hoja de calculo para ingresar o
mostrar datos. Existen varias maneras de hacerlo, a continuacion se exponen
algunas.
Considere la informaci
on que se presenta en la figura A.7 referente a una hoja
de calculo de un archivo de Excel.
A
1
2
3
4
5
6
Nombre:
Apellido:
Edad:
Telfono:
Juan
Prez
88
5555555
Figura A.7: Datos en la hoja de Excel.
Una primera forma de extraer los datos anteriores es mediante la intruccion Cells, la cual visualiza la hoja de c
alculo como una matriz; de esta forma,
Cells(a,b) permite recuperar la informacion almacenada en la fila a y la columna b, donde a y b son n
umeros enteros positivos.
De esta manera, la instrucci
on:
Dim
Dim
Dim
Dim
Nombre As String
Apellido As String
Edad As String
Tel
efono As String
Nombre = Cells(2,3)
Apellido = Cells(3,3)
Edad= Cells(4,3)
Tel
efono = Cells(5,3)
carga los datos contenidos en las celdas C2, C3, C4 y C5 en las variables correspondientes.
Otra manera de realizar esta asignacion es mediante el objeto Range. Este
puede representar una celda, una fila, una columna o una seleccion de celdas
contiguas. El objeto Range recibe como parametro una rango en forma de texto
433
(en el lenguaje Visual Basic los textos se representan entre comillas dobles),
como por ejemplo Range("C1") representa la celda C1 de la hoja de calculo.
Como todo objeto en un lenguaje de programacion, Range contiene una serie
de propiedades que ser
an de mucha utilidad. Para el proposito de esta seccion
se trabajara con la propiedad Value, que permite tener acceso a la informacion
contenida en la celda correspondiente. De esta manera, el codigo anterior podra
cambiarse por:
Dim
Dim
Dim
Dim
Nombre As String
Apellido As String
Edad As String
Tel
efono As String
Nombre = Range("C2").Value
Apellido = Range("C3").Value
Edad = Range("C4").Value
Tel
efono = Range("C5").Value
con lo cual se obtiene el mismo resultado.

Por otro lado, la misma sintaxis puede ser utilizada para la salida de datos;
por ejemplo, el c
odigo:
Dim
Dim
Dim
Dim
Nombre As String
Apellido As String
Edad As String
Tel
efono As String
Range("C2").Value = "Carlos "
Range("C3").Value = "Montero "
Cells(4,3) = 41
Cells(5,3) = "88888888"
que al ser ejecutado da como resultado lo que se muestra en la figura A.8.

A
1
2
3
4
5
6
B
Nombre:
Apellido:
Edad:
Telfono:
Carlos
Montero
41
88888888
Figura A.8: Datos en la hoja de Excel.
Note que en el c
odigo anterior se hace la combinacion de las dos sintaxis.
A.2.4.
Variables en el lenguaje Visual Basic de Excel
Las variables son espacios de memorias que se utilizan para almacenar datos
durante la ejecuci
on de un programa. Las variables, como su nombre lo indica,
434
M
etodos num
ericos
tienen la propiedad de que su contenido pueda ser variado durante el tiempo

de ejecucion del programa. En un programa, las variables son utilizadas para
el almacenamiento de informaci
on a corto plazo; esta se compone de datos que
seran empleados posteriormente para realizar calculos y toma de decisiones.
El tipo de datos que puede almacenar una variable depende del tipo de variable que se haya definido. Por ejemplo, una variable de tipo entera solo puede
almacenar n
umeros enteros.
Durante la creaci
on de una variable es necesario que el programador asigne
un nombre o identificador con el cual se podra hacer referencia a esta, ya sea
para almacenar informaci
on o para tener acceso a la informacion almacenada. El
identificador de la variable puede ser cualquier palabra que el programador considere, aunque se recomienda utilizar nombres representativos en cada declaracion,
as sera mas facil saber que almacena cada variable.
En el lenguaje Visual Basic, la declaracion de una variable se realiza con la
siguiente sintaxis:
Dim NombreVariable As TipoDeVariable
La palabra clave Dim define una variable en forma local, lo cual significa que
esta variable solo tiene alcance2 dentro del modulo o procedimiento donde fue
definida; as, se considera inexistente desde cualquier otra ubicacion.
La palabra clave Dim puede ser sustituida por otras que tienen efecto directo
en el alcance de la variable; estas palabras clave se describen a continuacion:
Private: es equivalente a Dim, la cual se usa para declarar variables de
tipo local y tiene la caracterstica de poseer poco alcance. Estas variables
tambien pueden ser declaradas en forma general en un modulo estandar, lo
cual quiere decir que cualquier procedimiento o funcion definida dentro del
modulo est
andar podr
a hacer referencia a ella.
Public: las variables definidas como p
ublicas se pueden utilizar en modulos
estandar o formularios; sin embargo, no es valido su utilizacion dentro de
funciones o procedimientos. El alcance de una variable p
ublica es el proyecto, siempre que el archivo de c
odigo en donde esta definida haya sido
cargado. Esto significa que mientras la variable siga cargada en memoria se
puede hacer referencia a ella desde cualquier parte del proyecto.
Global: es similar a las variables definidas como p
ublicas; sin embargo, su
uso esta restringido a los m
odulos estandar.
2
El alcance de la variable se define como el conjunto de ubicaciones desde las cuales se puede
hacer referencia a dicha variable.
435
Para TipoDeVariable es necesario investigar cuales son los tipos soportados

por el lenguaje que se pretende utilizar. Para el caso especfico del lenguaje Visual
Basic se tienen los siguientes tipos:
N
umeros enteros:
Byte: puede almacenar n
umeros enteros dentro del rango de 0 a 255.
Integer: puede almacenar n
umeros enteros dentro del rango 32 768 a
32 767.
Long: puede almacenar n
umeros enteros dentro del rango 2 147 483 648
a 2 147 483 648.
N
umeros decimales:
Single: almacena n
umeros decimales en el rango 1 1045 a 3 1038 .
Double: almacena n
umeros decimales en el rango 5 10324 a 1.8 10308 .
Cadenas de caracteres:
String: puede almacenar cualquier cadena de texto con un rango de hasta
dos billones de caracteres.
Valores l
ogicos:
Boolean: las variables definidas como booleanas pueden almacenar uno de
dos posibles valores: Falso(0) o Verdadero(1), que en el lenguaje Basic se
denota en ingles: False y True. Es posible asignar 0 en lugar de False y 1
en lugar de True.
Variables Variant: pueden ser utilizadas para almacenar cualquier tipo de
datos como los definidos anteriormente. Es decir, una variable definida como
Variant pueden almacenar cadenas de caracteres, enteros, decimales, objetos,
entre otros.
Existen otros tipos de variables que pueden ser declarados en el lenguaje
Visual Basic para Excel, como el tipo Date, para el almacenamiento de fechas
o Currency, que se almacena como un n
umero entero con formato de punto fijo
con 15 dgitos a la izquierda del punto decimal y cuatro dgitos a la derecha. Esta
representacion proporciona un intervalo de -922 337 203 685 477.5808 a 922 337
203 685 477.5807 en sistemas de 64 bits. Es u
til para calculos monetarios.
436
M
etodos num
ericos
Ejemplo 152
El siguiente codigo se utiliza para definir las variables N
umero, Cadena, EnteroLargo
y Variante de tipo Integer, String, Long y Variant, respectivamente.
Como variables locales
Dim N
umero As Double
Dim Cadena As String
Private EnteraLargo As Long
Private Variante As Variant
Como variables globales o p

ublicas
Public
Public
Global
Global
A.2.5.
N
umero As Double
Cadena As String
EnteraLargo As Long
Variante As Variant
Condicionales y la toma de decisiones
Los condicionales son instrucciones que se utilizan para la toma de decisiones

dentro de un programa, con base en el valor de verdad de proposicion logica,
denominada condici
on. La instrucci
on general de un condicional es la siguiente:
Si
condici
on1 entonces
Instrucci
on1
Sino Y Si condici
on2 entonces
Instrucci
on2
Sino Y Si condici
on3 entonces
Instrucci
on3
.
.
.
Sino entonces
Instrucci
onN
Fin Si
En el lenguaje Visual Basic de Excel estas instrucciones se escriben:

If
condici
on1 Then
Instrucci
on1
ElseIf condici
on2 Then
Instrucci
on2
ElseIf condici
on3 Then
Instrucci
on3
.
.
.
Else
Instrucci
onN
End If
Por ejemplo, el siguiente c

odigo en Excel mostrara Estoy feliz en el de caso
que k 1; Estoy triste en el caso de que k 2, y Hola en cualquier otro
caso.
437

If k=1 Then
Msgbox "Estoy feliz"
ElseIf k=2 Then
Msgbox "Estoy triste"
Else
Msgbox "Hola"
End If
Condicionales y los operadores l

ogicos
Definici
on 60 (Proposiciones l
ogicas)
Una proposici
on l
ogica es un enunciado u oracion enunciativa que puede tomar
uno y solo un valor de verdad: verdadero (V) o falso(F).
Dadas dos o m
as proposiciones l
ogicas, es posible definir nuevas proposiciones mediante uno o varios operadores logicos; a estas nuevas proposiciones se
les denomina proposiciones compuestas. El valor de verdad de las proposiciones
compuestas depende del valor de verdad de las proposiciones originales y de las
operaciones logicas empleadas.
Existen dos operadores l
ogicos que son empleados con mayor frecuencia para
construir nuevas proposiciones l
ogicas de otras mas simples; estas pueden verse
en la tabla A.2
Matem
atico
_
^
Significado
o
y
En lenguajes de programacion
Or
And
Tabla A.2: Conectivas logicas elementales.
Para hacer uso de los operadores l

ogicos definidos anteriormente se utiliza la
siguiente regla sint
actica que les da significado a estos dos operadores.
Sean P y Q dos proposiciones, en la tabla A.3 pueden observarse los valores
de verdad para las proposiciones P _ Q y P ^ Q, dependiento de los valores de
verdad de las proposiciones simples P y Q.
P
V
V
F
F
Q
F
V
V
F
P _Q
V
V
V
F
P ^Q
F
V
F
F
Tabla A.3: Tabla de verdad para _ y ^.
438
M
etodos num
ericos
Ejercicios A.1
1. Considere las siguientes proposiciones:
P : 31 es un n
umero primo.
Q : el fuego es fro.
R : Costa Rica fue al mundial de Sudafrica.
Determine el valor de verdad de las siguientes proposiciones:
P _Q
Q_R
pP ^ Rq _ Q
pP _ Rq ^ Q
2. Construya un programa que reciba de una caja de texto un n
umero k y
que al presionar un bot
on muestre:
k 2 , si k es positivo.
a
|k|, si k es negativo.
Hola a todos, si k 0.
A.2.6.
Bucle o ciclos
En programaci
on, un bucle o ciclo es una instruccion que permite repetir
un fragmento de c
odigo varias veces durante la ejecucion del programa. En los
lenguajes de programaci
on, los bucles mas populares son: para, mientras y
repetir hasta.
Bucle para
Es utilizado cuando un proceso deber repetirse una cantidad conocida de
veces, es decir, se recomienda su uso cuando el n
umero de repeticiones del ciclo
es conocido con anticipaci
on. La sintaxis de para es:
Para i k hasta p a pasos de s
Instrucci
on
Fin Para
El programa realizar
a b pk
on, donde la
s c ciclos en los que repita la instrucci
expresion bxc denota la funci
on piso o funcion parte entera de x. De esta manera
439
se cumple que el primer ciclo se realiza en i k; el segundo en i k ` s; el tercer

ciclo en i k ` 2s, y as sucesivamente mientras que i p.
La sintaxis del bucle para en el lenguaje Visual Basic para Excel es:
For i=k To p step s
Instrucci
on
Next
En el lenguaje Visual Basic de Excel, en el caso de que el tama

no del paso
sea s 1, la instrucci
on puede escribirse de la siguiente forma:
For i=k To p
Instrucci
on
Next
Ejemplo 153
El siguiente codigo se encarga de mostrar los n
umeros pares, inicia en 0 y termina
en 10, en un cuadro de mensaje.
For i=0 To 10 step 2
Msgbox i
Next
La instrucci
on Msgbox i, que enviara el valor de i en un mensaje a la
pantalla, se repetir
a seis veces durante la ejecucion, para i=0, i=2, i=4, i=6,
i=8, i=10 .
Bucle mientras
Se utiliza cuando se quiere que se repita una instruccion mientras se cumpla
una determinada condici
on. La gran importancia de este bucle es que no se precisa
el n
umero de ciclos por hacer, sino que depende de una condicion que inicialmente
debe ser verdadera para que entre al bucle y se detenga cuando la condicion sea
falsa.
Su sintaxis es:
Mientras condici
on
Instrucci
on
Fin Mientras
Consideraciones que se deben de tomar en cuenta en el bucle mientras:

Inicialmente la condici
on del ciclo debe ser verdadera; si esto no ocurre, las
instrucciones dentro del bucle nunca seran ejecutadas.
440
M
etodos num
ericos
El bucle se ejecutar
a mientras la condicion sea verdadera y se detendra u
nicamente cuando la condici
on llegue a ser falsa; en caso de que esto nunca
pase, el ciclo nunca se detendr
a y el programa dejara de responder.
La sintaxis del bucle mientras en el lenguaje Visual Basic para Excel es:
While condici
on
Instrucci
on
Wend
Ejemplo 154
El siguiente codigo se encarga de mostrar los n
umeros pares, inicia en 0 y termina
en 10, en un cuadro de mensaje.
i=0
While i<=10
MsgBox i
i=i+2
Wend
El codigo anterior ejecuta dos instrucciones seis veces: Msgbox i, que se

encarga de enviar el valor de i a la pantalla, y i=i+2, que se encarga de
incrementar el valor de i en dos unidades. Note que la u
ltima vez ejecutada la
instruccion el valor de i es 10, y al sumarle dos ya deja de satisfacer la condicion
del bucle, lo cual provoca su salida. En el caso de no realizar el incremento i=i+2,
la condicion nunca llegar
a a ser falsa.
Bucle Repetir hasta

Es similar al ciclo While...Wend, pero tiene la variante de que la condicion
es evaluada al final del ciclo. Se utiliza cuando las sentencias tienen que ser
ejecutadas al menos una vez, con posibilidad de repetir.
La sintaxis del bucle Repetir es:
Repetir
Instrucci
on
Hasta condici
on
Este bucle se repite mientras que la condicion sea falsa y se detendra cuando
la condicion sea verdadera. Un detalle importante es que la condicion se eval
ua
al final del ciclo, por lo que se garantiza siempre al menos una ejecucion de las
sentencias internas del bucle.
Se debe aclarar que en el lenguaje Visual Basic este bucle no existe; sin
embargo, en su lugar se encuentra el ciclo Do...Loop While, cuya sintaxis es:
441

Do
Instrucci
on
Loop While Condici
on
Para este caso, las instrucciones se ejecutan mientras la condicion sea verdadera y dejaran de repetirse cuando sea falsa. Esto constituye la principal diferencia
con respecto al ciclo Repeat...Until en Pascal.
Ejercicios A.2
Construya un programa en Visual Basic de Excel que reciba un n
umero natural
n
n y retorne
i si el n
umero n es par, y n2 si n es impar.
i1
A.2.7.
Introducci
on a las funciones
Las funciones son secciones de c

odigo que tienen la tarea de realizar un calculo
especializado y retornar el resultado. Por ejemplo, en el lenguaje Visual Basic
para Excel, la funci
on sqr tiene la tarea de calcular y retornar la raz cuadrada
de un n
umero no negativo, de esta manera:
sqrpxq
?
x
Los programadores pueden definir a conveniencia sus propias funciones, que luego
pueden ser invocadas desde otras secciones del codigo.
La definici
on de una funci
on puede ser privada o p
ublica; esto tiene efecto
directo en el alcance de la funci
on. Las funciones privadas pueden ser utilizadas
u
nicamente desde el mismo m
odulo de programacion en donde esta implementada
la funcion, mientras que las funciones p
ublicas pueden ser invocadas de cualquier
parte del proyecto, siempre que esten definidas en un modulo estandar.
La sintaxis para declarar nuevas funciones es:
Public Function NombreDeLaFunci
on(Var1 As Tipo1, Var2 As Tipo2) As Tipo
Dim Valor A Retornar As Tipo
(Procedimiento)
NombreDeLaFunci
on = Valor A Retornar
End Function
En este caso, la palabra clave Public puede ser sustituida por Private para
declarar la funci
on como de tipo privada.
Es recomendable que al definir una funcion se indiquen las variables con su
respectivo tipo que se van a recibir como parametros, ademas del tipo de datos que
442
M
etodos num
ericos
retornara la funci
on. Si estos datos se omiten, Visual Basic definira las variables
y el tipo de la funci
on como de tipo Variant.
Dentro del c
odigo de la funci
on, el identificador o nombre de la funcion
sera considerado como una variable del mismo tipo de datos con el cual se ha
definido la funci
on. Al finalizar el procedimiento de la funcion se retornara lo
contenido en el identificador, por lo que es importante asegurarse de que esta
variable contenga en memoria el dato que se pretende retornar.
Ejemplo 155
El siguiente codigo consiste en una funci
on que recibe dos n
umeros enteros a y
b, y retorna:
b
i, si a b.
ia
El residuo de la divisi
on a b, si a b.
Private Function PrimeraFunci
on(a As Integer, b As Integer) As Integer
Dim i As Integer
If a <b Then
For i = a To b
PrimeraFunci
on = PrimeraFunci
on + i
Next
Else
PrimeraFunci
on= a Mod b
End If
End Function
Una vez que se ha definido la funci

on, esta podra ser llamada desde otras
secciones de codigos. Es importante notar que la definicion de esta funcion fue
Private, por lo que solo podr
a ser invocada desde el mismo archivo de codigo
en donde esta definida.
Ahora se deber
a construir una interfaz para poder hacer uso de la funcion
definida anteriormente; para esto agregue tres cajas de texto en la hoja de Excel y un boton. Identifique a las cajas como txtA, txtB y txtRes, y al boton
cmdCalcular. En el evento click del bot
on agregue el siguiente codigo.
Dim a As Integer, b As Integer
a=txtA.Text
b=txtB.Text
txtRes.Text = PrimeraFunci
on(a,b)
End Sub
Ejecute el programa varias veces y observe lo que pasa. Realice las corridas
con valores distintos en las cajas txtA y txtB; pruebe combinaciones a b, a b
y a b.
443
Ejercicios A.3
1. Defina una funci
on que reciba un n
umero k y retorne: Es primo, si
|k| es primo, Es compuesto, si |k| es un n
umero entero compuesto,
y Es decimalsi |k| no es entero.
on que reciba un n
umero natural menor que 1000 y
retorne: True si el n
umero es primo y False si el n
umero es compuesto.
on que reciba un n
umero natural entre 1 y 1000, y
retorne un string con la factorizacion prima del n
umero. Por ejemplo: si
el programa recibe el 12, debera retornar 2*2*3.
on que reciba dos n
umeros naturales entre 1 y 1000,
y retorne el maximo com
un division entre estos.
A.2.8.
Arreglos en Visual Basic
En los lenguajes de programaci

on, un arreglo es una estructura de datos
multidimensional que se utiliza para almacenar un conjunto de datos cuyo orden
dentro de la estructura es importante.
Los arreglos pueden ser concebidos como matrices; de esta manera, un arreglo
de una fila y n entradas se representara de la siguiente manera:
a1
a2
a3
an
Mientras que un arreglo de tama

no m n se representa por:
a11
a21
..
.
a12
a22
..
.
a13
a23
..
.
am1
am2
am3
a1n
a2n
..
.
amn
Tambien es posible definir arreglos mas complejos que sobrepasen las dos
dimensiones; por ejemplo, considere el arreglo de tama
no m n p. La representacion grafica de un arreglo tridimensional se muestra en la figura A.9 para el
caso de 5 5 5.
444
M
etodos num
ericos
Figura A.9: Arreglo 5 5 5.
Definir un arreglo en Excel

En el lenguaje Visual Basic de Excel se pueden definir arreglos de datos de
una forma simple y natural. Para definir una variable de tipo arreglo de tama
no
m, m n y m n p respectivamente se utiliza el siguiente codigo.
Dim NombreDeArreglo(1 To m) As Integer
Dim NombreDeArreglo(1 To m, 1 To n) As Integer
Dim NombreDeArreglo(1 To m, 1 To n, 1 To p) As Integer
Al igual que en las variables convencionales, se puede cambiar la palabra clave

Dim por Public o Private; eso depende del alcance que se le desea dar al arreglo.
Ejemplo 156
Para cargar una matriz desde una hoja de calculo de Excel se procede como en
el siguiente caso. Considere datos en una hoja de Excel organizados en cinco filas
y cinco columnas, de manera que se visualice una matriz de tama
no 5 5, tal y
como se muestra en la figura A.10.
Figura A.10: Matriz en una hoja de calculo.
445
Se utilizar
a el siguiente c
odigo para cargar dicha matriz en una variable denotada por M y que estar
a definida como un arreglo de 5 5. El codigo se supone
en un boton cuyo identificador es cmdCargarMatriz.
Private Sub CargaMatriz Click()

Dim M(1 To 5, 1 To 5) As Integer
Dim i As Integer, j As Integer
Range("A1").Select
For i = 1 To 5
For j = 1 To 5
M(i,j) = ActiveCell(i,j)
Next
Next
End Sub
En el ejemplo anterior, la instrucci

on Range("A1").Select se encarga de
seleccionar la celda A1 de la hoja de c
alculo, la cual es la primera entrada de la
matriz y se puede acceder con ActiveCell(1,1). La celda seleccionada siempre
sera la entrada p1, 1q de ActiveCell; de esta forma, siempre es posible cargar una
matriz, lo u
nico requerido es seleccionar la primera entrada y conocer el n
umero
de filas y columnas que posee.
Tambien es posible cambiar ActiveCell por Cells, la diferencia radica en que
Cells(1,1) siempre es la celda A1, mientras que ActiveCell(1,1) corresponde
a la celda que se encuentre seleccionada en ese momento. De realizar este cambio
es posible eliminar la instrucci
on Range("A1").Select sin ning
un problema.
Una forma alternativa y muy eficiente para cargar una matriz es hacerlo en
una variable de tipo Variant. Para esto basta utilizar la propiedad Value2 del
objeto Range; la forma de hacerlo se muestra en el siguiente codigo:
Private Sub CargaMatriz Click()

Dim M As Variant
M = Range("A1:E5").Value2
End Sub
En este punto se tiene que M es un arreglo de tama

no 5 5 que contiene los
datos de la figura A.10.
Lo anterior se debe a que la propiedad Value2 del objeto Range corresponde a
una matriz formada por el arreglo rectangular de las celdas que componen el rango. Para el rango "A1:E5" del ejemplo anterior, la instruccion Range("A1:E5").Value2
corresponde a la matriz formada por los datos de la figura A.10.
446
M
etodos num
ericos
Ejercicios A.4
1. Realice un programa que tome una matriz de tama
no 3 4 ubicada
desde la celda A1 hasta la D3, y que muestre la matriz transpuesta en
las celdas desde la A7 hasta la C10.
2. Realice un programa que
Reciba: un n
umero n P N, dos vectores de tama
no 1 n ubicados
en la primera y segunda fila de la hoja de Excel.
Retorne: el producto punto entre los vectores anteriores.
El programa debe mostrar el resultado en un cuadro de mensaje
(MsgBox).
A.3.
Depuraci
on de un programa
Una vez escrito un programa, es necesario someterlo a pruebas, de modo

que se pueda garantizar su buen funcionamiento. Es necesario revisar si cada
instruccion realiza su labor correctamente. En primer lugar, se debe someter a
corridas de control, las cuales consisten en ejecutar el programa con datos para
los cuales ya se sabe de antemano cu
al debera ser el resultado o la respuesta del
programa.
Las corridas de control tendr
an que ser exhaustivas y deberan evaluarse casos
extremos y poco comunes. Si se detectan algunas anomalas durante las corridas
de control, se deber
a buscar el error e iniciar con la identificacion del codigo que
lo genera. Para esta tarea, muchos ambientes de programacion, incluido Visual
Basic para Excel, poseen una serie de herramientas que hace mas sencillo el
proceso de depuraci
on.
A continuaci
on se describen algunas de las herramientas mas utilizadas en la
depuracion de un programa en el lenguaje Visual Basic de Excel.
A.3.1.
Corridas paso a paso
Corridas paso a paso por instrucciones

Una de las ventajas de algunos ambientes de programacion es la posibilidad de
realizar una corrida paso a paso del programa. La corrida paso a paso brinda una
forma muy sencilla de realizar pruebas del programa, corroborar que el programa
y sus instrucciones esten realizando bien sus tareas con el fin de erradicar errores.
447
Dicha herramienta es trascendental a la hora de identificar codigo defectuoso

durante las corridas de control.
Para activar la ejecuci
on paso a paso del programa basta colocar el cursor en
alguna parte del c
odigo del procedimiento o funcion que se desee ejecutar. Seleccione la opcion Depuraci
on | Paso a paso por instrucci
on, o bien, presione
la tecla F8; posterior a esto, se resaltara en amarillo la lnea de codigo que se
esta ejecutando y en la que se ha detenido momentaneamente la ejecucion. Finalmente, se puede ejecutar instrucci
on por instruccion, al presionar para cada
lnea de codigo la tecla F8.
Es importante indicar que si el procedimiento o funcion recibe parametros externos no podr
an ser ejecutados por s solos. Para poder ejecutar procedimientos
o funciones con par
ametros externos se debe crear un procedimiento que no reciba
ning
un parametro externo e invoque a los procedimientos o funciones deseados;
as enva a estos los par
ametros esperados, seg
un sea el caso.
Figura A.11: Ejecuci

on de un programa paso a paso.
Ejemplo 157
Considere el c
odigo de un procedimiento y una funcion que se muestra a continuacion. Realice una corrida paso a paso por instruccion del procedimiento
anterior.
Sub EjecutarPrimeraFunci
on()
Dim x As Integer
PrimeraFunci
on(4,5)
End Sub
Private Function PrimeraFunci
on(a As Integer, b As Integer) As Integer
Dim i As Integer
If a <b Then
For i = a To b
PrimeraFunci
on = PrimeraFunci
on + i
Next
Else
PrimeraFunci
on= a Mod b
End If
End Function
Note que si se coloca el cursor en dentro del codigo de la funcion y se presiona

la tecla F8, esta no ser
a ejecutada, debido a que la funcion PrimeraFunci
on
recibe dos par
ametros externos. Sin embargo, al colocar el cursor sobre el codigo
448
M
etodos num
ericos
correspondiente al procedimientos EjecutarPrimeraFunci

on y presionar la tecla
F8 se resaltara en amarillo la primera lnea de codigo (figura A.11 ), lo cual indica
que esta lnea es la primera en ser ejecutada.
Luego bastara presionar nuevamente la tecla F8 para ejecutar la siguiente
lnea de codigo.
Note que cuando la ejecuci
on llega al punto donde se invoca la funcion, la
corrida paso a paso ingresa al c
odigo de la funcion, y se resalta en amarillo la
primera lnea del c
odigo de PrimeraFunci
on.
Corrida paso a paso por procedimiento

La corrida paso a paso por procedimiento es similar a la corrida paso a paso por instrucciones que se present
o en la seccion anterior. La diferencia entre
ellas es que la primera har
a la corrida instruccion por instruccion, y entrara a
todos los procedimientos y funciones, mientras que la corrida paso a paso por
procedimiento har
a la corrida al saltar la ejecucion paso a paso de las funciones
y procedimientos invocados. Es decir, realiza la corrida paso a paso u
nicamente
para el procedimiento actual.
Para realizar la ejecuci
on paso a paso por procedimiento, se coloca el cursor
en el procedimiento que se desea ejecutar y se presiona Shift+F8; esto resaltara la primera lnea del procedimiento en amarillo, luego contin
ue presionando
Shift+F8 para avanzar a la siguiente instruccion.
De nuevo en el ejemplo 157, si en lugar de F8 se presionan las teclas Shift+F8
es posible observar que la ejecuci
on se salta el paso a paso de las instrucciones
de la funcion. Las instrucciones de la funcion s son ejecutadas, pero de manera
continua. De una forma m
as sencilla, se puede decir que la ejecucion paso a paso
por procedimiento interpreta una funci
on o procedimiento como una u
nica lnea
de codigo.
Punto de interrupci
on
Figura A.12: Punto de interrupcion.
En ocasiones no interesa ejecutar paso a paso la totalidad del codigo en un

procedimiento o funci
on, sino solo una seccion intermedia del codigo. Para este
proposito, el ambiente de programaci
on de VB para Excel brinda una herramienta
que puede detener la ejecuci
on en un lnea determinada antes de la ejecucion. Para
449
esto basta definir un punto de interrupci

on en la lnea de codigo en la cual
se desea detener la ejecuci
on del programa; esto se logra al colocar el cursor en
la instruccion deseada y presionar la tecla F9. Tal accion agregara un punto de
interrupci
on y resaltar
a la lnea de c
odigo con color cafe (figura A.12).
En el momento en que la ejecuci
on llegue al punto de interrupci
on, esta
se detendra. A partir de este punto, la ejecucion puede realizarse paso a paso por
instruccion al presionar la tecla F8; paso a paso por procedimiento al presionar
Shift+F8, o bien, de manera continua, al presionar F5.
Los puntos de interrupci
on son mayormente utilizados cuando los procedimientos estan asociados a un evento; de este modo, se puede colocar el punto de
interrupci
on en el lugar deseado y posteriormente realizar una ejecucion simple. De este modo, la ejecuci
on solo se detendra si la lnea en donde se definio el
punto de interrupci
on es ejecutada. En caso contrario, esto no sucedera.
A.3.2.
Monitoreo de variable durante la ejecuci

on
Las corridas paso a paso por instruccion y paso a paso por procedimiento
no tendran ninguna utilidad si no existiera la posibilidad de visualizar el valor
almacenado que poseen las variables, as como los cambios que el mismo sufre
durante la ejecuci
on.
Basicamente existen tres formas de monitoriar el valor almacenado en una
variable durante la ejecuci
on paso a paso de un programa; estas se desarrollan a
continuacion.
Colocar el puntero del rat
on sobre la variable: es el procedimiento mas com
un
y sencillo para inspeccionar la informacion almacenada en una variable.
Mientras el programa se encuentre detenido, se coloca el cursor del raton
sobre la variable por analizar; momentos despues se mostrara el valor almacenado de la variable en un tooltips o infotips, tal y como se muestra en
al figura A.13.
Esta tecnica tambien puede ser utilizada para indagar los resultados de las
operaciones que a
un no se han realizado y que estan prontas a llevarse a
cabo. Lo que se debe hacer es seleccionar el conjunto de instruccion que se
espera analizar y mantener el curso de raton sobre la seleccion para ver la
informaci
on desea en un tooltips o infotips (figura A.13).
No es posible ver la informaci
on almacenada en una matriz al hacer uso de
esta tecnica; se recomienda hacerlo mediante de la ventana locales, que se
on.
Ventana locales: es una herramienta que permite monitorear todas las variables locales que se encuentran definidas en el procedimiento o funcion
actual. Para hacer visible la ventana locales se selecciona la opcion del
men
u Ver|Ventana Locales.
450
M
etodos num
ericos
Figura A.13: Monitoreo de variables.
Figura A.14: Ventana locales.
En la ventana locales que se puede apreciar en la figura A.14 se muestran

dos variables x y y de tipo enteras y una variable M, que es una matriz de
enteros, de tama
no 3 2.
En este caso tambien se puede observar el objeto Me, que es de tipo Hoja
1, y hace referencia a la hoja de c
alculo en la que se esta trabajando; sin
embargo, para el fin de esta obra dicha estructura carece de importancia.
Ventana inspecciones: es similar a la ventana locales, la u
nica diferencia es
que en la ventana inspecciones es necesario definir cuales seran las variables que se inspeccionar
an. En esta se puede inspeccionar variables locales,
globales y expresiones enteras compuestas de otras variables, como las operaciones entre variables, entre otras.
Para mostrar la ventana inspecciones seleccione la opcion del men
u Ver|
Ventana Inspecciones. Y para agregar una variable especfica o expresion a la ventana inspecciones se debe seleccionar lo deseado y escoger la
opcion del men
u Depuraci
on|Agregar inspecci
on..., o bien, dar clic derecho sobre la selecci
on y escoger la opcion Agregar inspecci
on... de
men
u flotante.
Posterior a esta acci
on se presentara el formulario que se muestra en la
451
figura A.15; por u

ltimo de clic sobre el boton Aceptar para que la variable o
expresion sea agregada en la ventana inspecciones. La ventana inspecciones
se muestra en la figura A.16.
Figura A.15: Inspeccion de variables.
Figura A.16: Ventana inspecciones.
La ventana de inmediato: permite interactuar con el programa durante una

ejecucion paso a paso. Es una consola en la cual se pueden ejecutar funciones, procedimientos y realizar cambios en los valores almacenados en las
variables.
Para mostrar la ventana de inmediato seleccione la opcion del men
u Ver|
Inmediato o bien Ctrl+G. Para mostrar el funcionamiento de la ventana
de inmediato se proceder
a con el siguiente ejemplo:
Ejemplo 158
Considere la funci
on Fibonacci que se encarga de calcular, de manera
recursiva, el N esimo termino de la sucesion de Fibonacci.
La sucesi
on de Fibonacci est
a definida por:
"
an an1 ` an2
a0 a1 1
452
M
etodos num
ericos
Es decir, cada termino de la sucesi
on se define como la suma de los dos
terminos anteriores, a excepci
on de los dos primeros que valen 1. De donde
se tiene que tan u8
n1 t1, 1, 2, 3, 5, 8, 13, ...u
Function Fibonacci(N As Integer) As Integer
'Calcula el t
ermino N de la sucesi
on de Fibonacci
If N >= 2 Then
Fibonacci= Fibonacci(N - 1) + Fibonacci(N - 2)
ElseIf N = 1 Or N = 0 Then
Fibonacci = 1
End If
End Function
Haga visible la ventana inmediato, escriba en ella ?Fibonacci(4) y presione

Enter. Repita el ejercicio con 5 y 6. Que sucede cada vez? (figura A.17).
Al anteponer el signo ? a una expresion, como el nombre de una variable
o funcion, se est
a indicando que muestre el valor calculado o almacenado.
Figura A.17: Ventana inmediato.
De esta misma manera, durante la ejecucion paso a paso de un programa

se puede preguntar el valor almacenado en diferentes variables al anteponer
el smbolo ? al identificador de la variable en la ventana inmediato.
La ventana inmediato tambien permite cambiar el valor almacenado en una
variable; para esto basta realizar la asignacion en la ventana inmediato tal
y como se realiza dentro del c
odigo. A manera de ejemplo, suponga que se
tiene la variable NombreVariable de tipo String. Si durante la ejecucion
paso a paso de un programa, en donde la variable esta activa, se escribe en
la ventana inmediato:
NombreVariable = "Hola mundo"
entonces, sin importar el contenido previo de esta variable, ahora almacenara la cadena de caracteres hola mundo. As, es posible realizar pruebas
a una o varias variables con diferentes valores almacenados.
Ap
endice B
Respuesta de los ejercicios

propuestos
B.1.
Soluciones del captulo 1
Ejercicios 1.1.
7 cifras significativas.
1 cifra significativa.
Ejercicios 1.2.
1.
a) r1.3245, 1.3255r
b) r2.65405, 2.65415r
c) r32.1535, 32.1545r
d) r0.0120005, 0.0120015r.
2.
a) r1.325, 1.326r
b) r2.6541, 2.6542r
c) r32.154, 32.155r
454
M
etodos num
ericos
d) r0.012001, 0.012002r.
Ejercicios 1.3.
1. Por corte 12.75. Por redondeo 12.75.

2. Las aproximaciones encontradas son: x1 0.02 y x2 62.1.
Los valores reales de dichas soluciones son:
?
?
385241 621
385241 621
y x2
x1
20
20
3. Las aproximaciones corresponden a: x1 0.0161 y x2 50.
La demostraci
on se realiza por racionalizacion y simplificacion de la expresion.
4.
(i)
(ii)
(iii)
(iv)
a) 1.133
a) 1.13
a) 1.13
Se omite
b) 0.2106
b) 0.211
b) 0.210
c) 0.266
c) 0.266
c) 0.266
d) 0.4560
d) 0.455
d) 0.456
5. El intervalo p 103 |p| , p ` 103 |p| .

6.
a) El valor real del lmite es 2.

b) Con aritmetica de redondeo 1.941.
7.
a) El valor real del lmite es 2.

b) Con aritmetica de redondeo 2.05.
8.
a) El n
umero m
as grande representable es: 9 999 104 99 990 000; el
mas peque
no: 99 990 000.
b) El n
umero positivo m
as peque
no que se puede representar es: 0.0001
4
10 0.00000001.
c) La representaci
on solicitada es:
1) 0.3576 102
2) 2.354 100
3) 1548 103
4) 1245 104
Ejercicios 1.4.
455

2n2 ` 3n
2
n8 n2 5
n8

3
lm rlnp3n ` 5q lnp5n ` 8qs ln
n8
5
p1qn`2
0
n8
n
lm

1
n
lm
1
1
n8
n2
Ejercicios 1.5.
sen2
1.
lm
1
0
n`4
lm
n
1
3
1
`
0
lm
n8
7
n n`1
a) t2, 1.5, 1.21053, 1.06328, 1.00900, . . .u

b) t, 1, 8.71622, 2.97606, 0.42578, . . .u
c) t2, 0.95708, 0.66234, 0.65291, 0.65292, . . .u
d) t2, 1.10045, 0.85539, 0.82466, 0.82413, . . .u
2. Programaci
on ().
Ejercicios 1.6.
1. Converge por el criterio de las series alternadas.
3. Diverge por el criterio de divergencia.
Ejercicios 1.7.
La aproximaci
on buscada es Sk , para k dado por:
1. k 54.
2. k 9.
3. k 16.
4. k 14 .
Ejercicio 1.8.
1.
a)
p1qn 2n`1
x
con |x| 1.
2n ` 1
n0
456
M
etodos num
ericos
b)
xn con |x| 1.
n0
c)
d)
p1qn 2n`1
x
, @x P R.
p2n ` 1q!
n0
8
p1qn x2n , con |x| 1.
n0
8
e)
x2n`1
, @x P R.
p2n ` 1q!
n0
f)
x2n
, @x P R.
p2nq!
n0
Ejercicios 1.9.
1.
a) F pxq
b) Gpxq
p1qn x2n`1
, @x P R.
n!p2n ` 1q
n0
8
p1qn x2n`1
, @x P R .
p2n
`
1q!p2n
`
1q
n0
p1qn x2n`1
c) Hpxq
, @x P R .
2
p2n
`
1q
n0
8
1
1
xn cumple que g 1 pxq

; de esta
1 x n0
p1 xq2
8
manera, Kpxq g 1 pxq

nxn1 .
d) Note que gpxq
n1
2.
a) Al utilizar la parte #1 se tiene que

1
ex dx F p1q
0
p1qn
n!p2n ` 1q
n0
Por el teorema 10 se requiere sumar hasta n 4, donde se obtiene

como resultado 0.7474867724.
b) Al utilizar la parte #1 se tiene que
1{2
0
senpxq
p1qn p1{2q2n
dx Gp1{2q
x
p2n ` 1q!
n0

457

c) Primero demuestre que:
x
cospt2 qdt
p1qn x4n`1
p2nq!p4n ` 1q
n0
Al tomar x 1 y aplicar el teorema 10 se requiere sumar hasta n 3,

donde se obtiene como resultado 0.9045227920.
d) Al utilizar la parte #1 se tiene que
1
cospx2 qdx Hp1q
p1qn
p2n ` 1q2
n0

Ejercicios 1.10.
1. Demostraci
on.
2. Demostraci
on.
Lista general del captulo 1
1.
a) 5.
b) 8.
c) 4.
d) 5.
e) Pueden ser 8, 7, 6, 5 o 4, depende de la incertidumbre del instrumento
de medici
on.
2. senpxq
p1qn x2n`1
f pn`1q px qx2n`3
; por otro lado, el resto Rn pxq
,
p2n ` 1q!
p2n ` 3q!
n0
al tomar x 1 y saber que |f pn`1qpx q | 1, entonces se tiene que el menor

valor de n para el cual |Rn p1q| 0.0000001 es: n 4. Por lo que el polinomio
4
p1qn x2n`1
de Taylor es
.
p2n ` 1q!
n0
3.
a)
f pxq x2 cos x
f 1 pxq 2x ` sin x
f 2 pxq cos x ` 2
f 3 pxq sin x
f 4 pxq cos x
por lo que
f p0q 1
f 1 p0q 0
f 2 pxq 3
f 3 p0q 0
f 4 p0q 1
458
M
etodos num
ericos
P4 pxq
0
3
0
1 4
f pnq p0q n
x 1 ` x ` x2 ` x3 `
x
n!
1!
2!
3!
4!
n0
1 4 3 2
x ` x 1
24
2
As, se tiene que:

1
3
P4 pxq x4 ` x2 1
24
2
4

3 1 2
241
1 1
`
1
0.627 6
b) P4 p0.5q
24 2
2 2
384
m
f pnq p0q n f pm`1q pq m`1

x `
x
para entre 0 y x.
n!
pm ` 1q!
n0
f pm`1q pq
As que el error absoluto est

a dado por
xm`1 . Para el caso
pm ` 1q!
particular de cos p0.5q se tiene que el error absoluto es:
f pm`1q pq 1 m`1
pm ` 1q! 2
4. Se sabe que cos x
1
1
105
m`1
pm ` 1q! 2
Al analizar se tiene que esto se cumple para:

1
1
105
p6 ` 1q! 26`1
donde el grado del polinomio debe ser 6.
5.
2e41
2 p4 1qn f pk`1q pq p4 1qk`1

`
n!
pk ` 1q!
n0
Con P r1, 4s. Pero

f pk`1q pq 2e1 2e41 2e3 41
por lo tanto, se tiene que:
E2
f pk`1q pq p2 1qk`1
pk ` 1q!
k`1
41 3
105
pk ` 1q!
esta u
ltima desigualdad es v
alida a partir de k 17.
459

6.
a) El quinto polinomio de Taylor esta dado por:

3x 4x2 3x3 2x4 3x5
`
`
`
`
1!
2!
3!
4!
5!
1 5
1 4 1 3
x ` x ` x ` 2x2 ` 3x ` 2
40
12
2
P5 pxq 2 `
b) hp1q P p1q
913
7. 608 33
120
c) El resto del polinomio de Taylor esta dado por:

R5 pxq
hp6q px q 6 3ex ` cos px q 6

x
x
6!
6!
Con x P r0, 1s. De esta manera:

3e 1 ` cos p1 q 6 3e1 ` 1
1
|R5 p1q|
6!
6!
3e ` 1 9 ` 1
1
0.01388
6!
6!
72
Lo cual es una cota del error cometido en la aproximacion anterior.
7.
a) 0.30025.
b) 0.30028.
c) Real 0.30027.
p1 0.101 y x
p2
8. Las races calculadas con corte al quinto dgito son: x
4999.9. El valor real es x1 0.002 y x2 5000.
x3 x5 x7
`
`
3!
5!
7!
9. sen pxq x
P1 pxq x
1
P3 pxq x x3
6
1 5 1 3
P5 pxq
x x `x
120
6
1 7
1 5 1 3
P7 pxq
x `
x x `x
5040
120
6
As, se tiene que:
P1 p2q 2
2
P3 p2q 0.666 67
3
14
P5 p2q
0.933 33
15
460
M
etodos num
ericos
P7 pxq
286
0.907 94
315
f pn`1q p q xn`1
x
El error absoluto de Pn pxq es |Rn pxq|
un x
, para alg
pn ` 1q!
entre 0 y x. Donde f pxq sen pxq. De esta manera se tiene que:
2

f p2 q 21`1 22
2
|R1 p2q|
p1 ` 1q! 2!
f p4q p q 23`1 24 2

3
|R3 p2q|
p3 ` 1q! 4! 3
f p6q p q 25`1 26
4

2
|R5 p2q|

p5 ` 1q!
6!
45

f p8q p q 27`1 28
2

2
|R7 pxq|
p7 ` 1q! 8! 315
El error real es:
|sen p2q 2|
sen p2q 2
sen p2q 14
15
sen p2q 286
315
10.
1. 090 702 6
0.242 630 76
2. 403 590 7 102
1. 360 918 9 103
a) 99.5 x 100.5.
b) 99.995 x 100.005.
11. Tres dgitos significativos.

12. Cuatro dgitos significativos.
13.
|35 x|
5 105
35
x P r34. 998 25, 35. 001 75s
rx
14.
a) Debe dar la explicaci

on y el ejemplo solicitado.
b) El error relativo es un mejor estimador de la calidad de una aproximaci
on. Debe dar el ejemplo solicitado en donde se visualice el motivo
que fundamente la afirmaci
on.
461
B.2.
Ejercicios 2.1.
1. Son necesarias al menos 16 iteraciones.
2.
a) Aplique el corolario del T.V.I.

b) Son necesarias al menos 20 iteraciones.
c) En la sexta iteraci
on se obtiene 0.7421875, la cota del error absoluto
1
es 6 0.015625.
2
3. Tiene al menos una soluci

on. Se requieren al menos siente iteraciones; en
la setima se obtiene 0.73828125.
4.
a) La funci
on corta al eje x en los n
umeros enteros, por lo que el conjunto
de todos los ceros de la funci
on es Z.
b) Se sabe que el intervalo ra, bs posee los ceros 0, 1 y 2 de la funcion.
Al
aplicar el metodo de biseccion se deben considerar los intervalos
a`b
a`b
a,
y
,b .
2
2
a`b2
a`b
1
2
a`b
As, el intervalo a,
posee un solo cero de la funcion f y cum 2
a`b
plir
a que f paq f
0. Por lo que el metodo convergira a 0.
2
Los dem
as casos son an
alogos.
Ejercicios 2.2.
1. Programaci
on ()
2. Se requieren cinco iteraciones, en la u
ltima se obtiene 0.7390851332 con un
error relativo normalizado de 6.2644 107 .
3. Al tomar como aproximaciones iniciales x1 1 y x0 0, se requieren
cinco iteraciones y se obtiene 0.333333333333334 con un error relativo nor1
malizado de 2.67955 109 . El valor real es . Sin embargo, esta ecuacion
3
tambien posee como soluci
on a 3.
Ejercicios 2.3.
462
M
etodos num
ericos
1. Se requieren cuatro iteraciones del metodo para obtener la aproximacion

59.8462709637, con un error relativo normalizado de 0.06111917 %.
2. Con los valores iniciales x1 2 y x0 1, se requieren nueve iteraciones para obtener la aproximaci
on 0.0855957339 con un error relativo normalizado
de 0.00381206 %.
3. Programaci
on ().
4. Hoja de c
alculo ().
5. Programaci
on ().
Ejercicios 2.4.
1. Programaci
on ().
2. Se requieren seis iteraciones; la aproximacion obtenida es 0.7390851332 con
un error relativo normalizado de 9.62821 106 %.
3.
a) Se requieren cinco iteraciones para obtener 5.0352252601 y un error

relativo normalizado de 1.12516 107 %.
b) Se requieren cuatro iteraciones para obtener 0.9160297435 y un error
c) Se requieren cinco iteraciones para obtener 1.9512550036 y un error
4. Demostraci
on.
5. Al aplicar el metodo de Newton-Raphson a la funcion f pxq x2 3 para
la aproximaci
on inicial x 1, se requieren cinco iteraciones para obtener la
aproximaci
on 1.7320508076 con un error relativo normalizado de 1.41211
107 .
Ejercicios 2.5.
1. Note primero que si 1 x 1, entonces 0 x2 1; as, 1 x2 1 0,
1
de donde
f pxq 0. Por lo que en virtud del teorema 16 existe al
3
2x
menos un punto fijo en el intervalo. Note que f 1 pxq
, de donde si
3
2
2x
2
1 x 1, entonces 1
1, por lo que en virtud del

3
3
3
teorema 19, el punto fijo es u
nico.
2. Con base en los teoremas 16 y 19 es posible garantizar la existencia, pero
no la unicidad.
463

Ejercicios 2.6. Demostraci
on.
Ejercicios 2.7.
1. Programaci
on ().
2.
?
?
a) La soluci
on real S t1 7, 1 ` 7u.
?
?
b) x 2x ` 6?converge a 1 7 para
? cualquier valor inicial x0 P
r2, 1s. x 2x ` 6 converge a 1 ` 7 para cualquier valor inicial
x0 P r3, 5s. Los intervalos anteriores no son u
nicos, es decir, pueden
existir intervalos m
as grandes o mas peque
nos que tambien satisfacen
los teoremas de existencia y unicidad.
c) Para este caso, las aproximaciones y el error calculado dependen de
la aproximaci
? on inicial seleccionada. Por ejemplo, para la transformacion x 2x ` 6 y el valor inicial x0 4 se obtiene la aproximacion
3.6457521498 con un error absoluto aproximado de 8.38716 107 .
?
3
se
Para la transformaci
on x 2x ` 6 y el valor inicial x0
2
obtiene la aproximaci
on 1.6447666537 con un error absoluto aproximado de 0.000984657.
3.
a) Por el metodo gr
afico se identifica la existencia de dos soluciones.
a
b) x cospxq y converge
para cualquier x0 P r0, 1s (este intervalo no
a
es u
nico). x cospxq y converge para cualquier x0 P r1, 0s (este
intervalo no es u
nico).
c) El resultado obtenido depende del valor inicial escogido, para el caso
a
1
se obtiene 0.8240504594, y para el caso
x cospxq con x0
2
a
1
x cospxq con x0 se obtiene 0.8240504594.
2
Ejercicios 2.8.
1. Demostraci
on. Adem
as, la superconvergencia de orden p 1 no implica la
la convergencia de orden p.
2. Sugerencia:
Considere que
|xn`1 x|
|xn`1 x|
|xn x|p
|xn x|p
"
Luego, utilice el hecho de que la sucesion

y por lo tanto es acotada.
|xn`1 x|
|xn x|p
*
es convergente
464
M
etodos num
ericos
3. Sugerencia:
|xn`1 xn |
1.
|xn x|
|xn`1 x| ` |xn`1 xn |
Luego analice lm
yu
selo para probar que
n8
|xn x|
|xn`1 xn |
lm
1.
n8 |xn x|
Demuestre que lm
n8
4. Demostraci
on. Sugerencia: Realice un analisis de la sucesion tEn u.
Ejercicios 2.9.
1.
?
a) La funci
on de iteraci
on de punto fijo es gpxq 2 ` x, al tomar como
7
valor inicial x0 P
, 8 . El valor real de la expresion es 2.
4
1
b) La funci
on de iteraci
on de punto fijo es gpxq 1 ` , para el cual
x
?
?
5
1
5
1
y p2 `
. En el
existen dos puntos fijos distintos p1
2
2
2
2
caso de p1 el valor x0 debe escogerse en s 8, 1r y para p2 en s1, 8r.
1
c) La funci
on de iteraci
on de punto fijo es gpxq 2 ` 2 , al tomar
x
?
como valor inicial x0 P 3 2, 8 . El valor real de la expresion es p
2.205569430...
d) La funci
on de iteraci
on de punto fijo corresponde a gpxq lnp2 ` xq, si
se toma como valor inicial x0 P s1, 8r. El valor real de la expresion
es p 1.146193220... dicho valor fue calculado numericamente.
2.
a) Demostraci
on.
b) El punto fijo es p
?
3
25.
c) La constante asint
otica al error es
1
.
2
3. Por la demostraci
on del teorema 21 se tiene que TN p0.7qN 0.75 108 ,
de donde el valor de N buscado es 51 o superior.
4.
a) Note que gp1q x`p11q 1 y gpq 2 `p1q 2 `2

. Por lo que p1 1 y p2 son puntos fijos de la funcion g.
b) Note que g 1 pxq 2x , de donde se tiene que:
1
g pxq 1 1 x ` 1
2
2
de donde se tiene que para todo valor fijo se tiene:
1
g pxq 1@x P I
465
1 `1
.
donde I
,
2
2
c) Se deben determinar los valores de para los cuales exista un intervalo
que los contiene y satisface la condicion de convergencia del punto fijo.
Por la parte c) se tiene que I es el u
nico intervalo que cumple que
|g 1 pxq| 1. Por lo cual bastara verificar que P I para completar la
convergencia. Para que esto se cumpla debe pasar:
1 `1
P
1 1
,
2
2
De
manera,
para todo Ps 1, 1r y para todo valor inicial x0 P
1esta
`1
,
se
tiene
que el metodo de punto fijo para la funcion g
2
2
converge a .
d) Por la parte c) se tiene que para fijo I es el u
nico intervalo para el
cual se cumple que |g 1 pxq| 1. Por lo cual bastara determinar aquellos
intervalos I que contengan a 1.
1 P I 1 3
`1
,
se tiene que el metodo
As, para todo Ps1, 3r y todo x0 P 1
2
2
de punto fijo converge a 1.
5.
a) La funci
on f tiene a 1 como un punto fijo de orden 2. La funcion g
tiene a como un punto fijo de orden 3 y la funcion h tiene a 5 como
un punto fijo de orden 1 o simple.
b) Como para las funciones f y g los puntos fijos son de orden superior a 1, entonces se puede garantizar la convergencia del metodo de
punto fijo para alg
un valor inicial cercano a punto fijo. Y sus ordenes
de convergencia corresponden a 2 y 3, respectivamente. Ademas, la
|f 2 p3q|
3
constante asint
otica del error para la funcion f es:
; la
2!
2
|g 3 pq|
6
constante asint
otica del error para la funcion g es:
1.
3!
3!
on h note que esta se puede expresar como
hpxq 5 ` px 5qpx2 ` 2q, de donde se deduce que 5 es un punto fijo
simple de la funci
on h. Por otra parte, h1 pxq 3x2 10x ` 2, donde
1
h es continua y h1 p5q 27; de ah se deduce que alrededor de 5 la
condici
on |h1 pxq| 1 se cumple. As se deduce que el metodo de punto
fijo para la funci
on h diverge.
Ejercicios 2.10.
1.
3
(cero sim2
ple). De esta manera, la convergencia del metodo de Newton-Raphson
a) La funci
on posee dos ceros: 2 (cero con multiplicidad 2) y
466
M
etodos num
ericos
hacia el cero x 2 es lineal, mientras que la convergencia hacia el cero
3
atica.
x es por lo menos cuadr
2
?
6
1
1
6x, cuyo u
nico cero es x
(note que
b) Note que g pxq
x
6
`
el dominio de g es R ). Se puede probar que este, no es cero de la
funci
on g de donde, de existir un cero para g este debe ser simple y la
convergencia debe ser por lo menos cuadratica.
1
c) La funci
on h tiene como u
nico cero simple a x ?
, por lo que la con3
3
vergencia del metodo de Newton-Raphson es por lo menos cuadratica.
2. Demostraci
on (utilice la constante asintotica del error para la funcion que
genera el metodo de Newton-Raphson por medio del punto fijo).
3. En la cuarta iteraci
on se obtiene el valor 1.3029640012160 y la constante
asintotica del error es aproximadamente 0.0936540264556150.
1. Se requieren al menos diez iteraciones para garantizar que el error absoluto
sea menor que 103 .
2. La aproximaci
on es 0.625.
3.
a) Se puede verificar que f p1q f p1.2q 0, lo cual demuestra que existe

el cero de la funci
on en el intervalo.
b) La aproximaci
on es 1.00703125 y se requieren al menos ocho iteraciones.
4.
a) Se puede verificar que f p0qf p1q 0, lo cual demuestra la existencia

del cero de la funci
on en el intervalo.
b) Se requieren al menos 17 iteraciones.
c) La aproximaci
on es 0.6416015625 y se requieren diez iteraciones para
alcanzarla.
5. Utilice la funci
on f pxq x2 3 y basta tomar un intervalo conveniente,
como por ejemplo r1, 2s. El n
umero de iteraciones depende del intervalo
escogido. Por ejemplo, para el intervalo anterior se requieren diez iteraciones
y la soluci
on obtenida es 1.7314453125.
6. La aproximaci
on con el metodo de la secante es 0.64172594, mientras que
con el metodo de bisecci
on fue de 0.625.
7. Se requieren cuatro iteraciones. La aproximacion encontrada es 1.0076239719.
Con bisecci
on la soluci
on fue 1.00703125 y se requieren ocho iteraciones.
467
8. Se requieren cuatro iteraciones para obtener la aproximacion 1.73205257836198

con la secante. Con base en el metodo de biseccion se encontro la aproximaci
on 1.7314453125 y se utilizaron diez iteraciones. El valor real de
?
3 1.7320508075688772935 . . . donde se puede observar que es mejor
aproximaci
on la primera.
9. Con 4 la soluci
on es 8.229558 104 0 y se alcanza con seis iteraciones. Mientras que con 2 la solucion es 1.8947450 y se alcanza con ocho
iteraciones.
10.
a) Se puede tomar 0 o 1.
b) La aproximaci
on es 0.641185744475211 y se requieren tres iteraciones
si se inicia en x0 1; en caso de tomar x0 0 el resultado vara.
c) Es necesario realizar una iteracion mas y se obtiene una aproximacion
de 0.641185744504986, al tomar como valor inicial x0 1; en caso de
tomar x0 0 el resultado vara.
11. El valor obtenido con Newton-Raphson es 1.73205081001473 donde el valor

real es 1.732050807568.
12. Se requieren cuatro iteraciones para obtener la aproximacion 1. 412 391 172
con un error absoluto de 9. 608 106 .
?
13. a) Note que ?
lo m
as peque
no que puede ser
?sen
x ` 1 es cero y lo mas
grande es 2; por lo tanto, g pr0, 2sq 0, 2 r0, 2s. As, g tiene un
punto fijo en r0, 2s.
b)
?
sin x ` 1
1 cos x
g 1 pxq ?
1
2 sin x ` 1
g pxq
@x P r0, 2s
c)
x0 1
x1 g px0 q 1. 357 008 1
x2 g px1 q 1. 406 141 602
x3 g px2 q 1. 409 423 644
x4 g px3 q 1. 409 612 592
a 1. 340 425 029 104
14.
g 1 pxq
1` 2
9x 1
x
468
M
etodos num
ericos
1 1
, . Ahora, note que estos no son ceros de la
3 3
funcion g, pues g p1{3q 1. 401 y el otro no esta en el dominio de g, por lo
que no hace falta comprobar. De esta forma, los ceros de g son simples y la
convergencia del metodo de Newton-Raphson es por lo menos cuadratica.
As, los ceros de g 1 son:
15. Para la primera parte se debe demostrar que hpr1, 2sq r1, 2s, es decir,
que para todo x P r1, 2s se cumple que hpxq P r1, 2s, o lo que es lo mismo
1 hpxq 2, para lo cual se puede hacer en dos partes. aq demuestre que
1 hpxq y luego bq hpxq 2. Otra forma de hacerlo es demostrar que el
mnimo y m
aximo absoluto de la funcion h en r1, 2s estan en r1, 2s. En la
segunda parte se debe demostrar que |h1 pxq| 1 para todo x P r1, 2s.
16. Se requieren ocho iteraciones del metodo del punto fijo para obtener una
aproximaci
on de 1.946527040.
1
1
2 es un punto fijo de la funcion f pxq x ` .
2
x
?
?
Luego demuestre que f pr 2, 8rq
r
2,
8r;
para
esto
pruebe
que
la
funci
o
?
?n
es estrictamente creciente en s 2, 8r, por lo que el mnimo se da en x 2.
As, faltara demostrar
que la iteracion del punto fijo converge, esto es
?
1
|f pxq| 1, @x Ps 2, 8r.
17. Primero demuestre que
18. La respuestas dependen del metodo escogido.

19. Programaci
on ().
20. Programaci
on ().
21. Programaci
on ().
B.3.
Ejercicios 3.1.
1. Demostraci
on.
2. Respuesta
de
1{k
1
0
EkF
1
0
algunas:
0 0
1 0;
0 1
3. Demostraci
on.
Ejercicios 3.2.
1. S .
EF1`kF
1
1 k 0
0 1 0;
0 0 1
EF1
EFij .
ij

#
2. S
4 7 4
, ,
9 9 9
469
T +
.
#
3. S
+
T
t
, t, t
{t P Z .
2
Ejercicios 3.3.
1. Retorna una cadena de caracteres con la direccion alfanumerica de la celda
o el rango con el cual se ejecute. Por ejemplo: Cells(1,1).Address retorna
"$A$1"; por su parte Cells(3,5).Address retorna "$E$3"y finalmente la
instrucci
on dada por Range(Cells(1,1).Address,Cells(3,5)).Address
retorna "$A$1:$E$3".
2. Al aplicar el teorema 28 se tiene que todos los sistemas tienen solucion u
nica.
*
4 3 6
a) S
,
,
.
13 13 13
"
*
23 5 2
b) S
, ,
.
9 3 9
"
*
29 2 7 1
c) S
,
,
,
.
18 9 18 18
"
Ejercicios 3.4.
1. Demostraci
on.
2.
a) S t1, 0u.
b) S t72, 95, 102u.
c) S t2{3, 2u.
d) S t22, 41, 19u.
Ejercicios 3.5.
1. S t72, 95, 102u.
2. S t22, 41, 19u.
"
*
26 132 70 48
3. S
,
,
,
.
17 17
17 17
Ejercicios 3.6.
470
M
etodos num
ericos
1.
a) S t493, 141, 52, 399u.

b) S t102, 20, 16, 107u.
2.
a) S t222, 1561, 1588, 173, 157u.

*
"
1675
, 862, 1043 .
b) S 528, 936,
2
Ejercicios 3.7.
1.
a) S t3, 13, 1u.

b) S t4, 8, 2u.
2. La solucion del sistema, sin importar el metodo empleado, corresponde a:

*
"
1 1 9
,
,
S
4 2 4
Ejercicios 3.8. Programaci
on ().
Ejercicios 3.9.
1.
2.
3.
4.
5.
1 0 0
3 4 2
6 1 00 6 7
4 3 1
0 0
5
1 0 0
3
2 1 1
9 15
1 0
2
0 2
2
3
0 0 4
1 1
2
1 1
0
3
1
0 0 0
2
1 0 0
0 1 1 5
3
3
13
4 1 00 0
1 3 0 1
0 0
0 13
3 1 1 0
1
0
0 0
1
0 5 1 0
1
0
0
3
3
3
1
1
8
1 0 0 0
1
3
5
5
5
3
0
0
1
0 0
0
8
8
1 0 0 0
2 4 2 1
2 1 0 0 0 2 4 3
3 1 1 00 0 3 2
0 0 0 3
4 3 2 1
471

1
0
0 0
4
1
0 0
4
2
1
0
6.
1 2 3 1
3
2
6 5
0
1
0
0
0
0
0 0
1
0
2 3 4 2
3 2
3
1
0 3 2 5
0 0
4 3
0 0
0
2
Ejercicios 3.10.
1. Demostraci
on.
1 0 0
1 0 0
2 3 1
2. a) 0 0 11 1 00 1 6
0 1 0
2 0 1
0 0 5
1 2 1
3
1 0 0 0
0 1 0 0
1 0 0 0 0 1 0 0 0 3 2 2
b)
0 0 0 13 1 1 00 0 1 9
0 0 0 5
2 1 0 1
0 0 1 0
3 1 2
0
1 0 0 0
0 1 0 0
1 0 0 0 0 1 0 0 0 1 2 2
c)
0 0 0 12 2 1 00 0
2
3
0 0
0 4
3 1 0 1
0 0 1 0
3 2 1 4
1 0 0 0
1 0 0 0
0 0 1 0 2 1 0 0 0 2 1 0
d)
0 1 0 0 1 0 1 00 0 1 2
0 0
0 3
3 5 2 1
0 0 0 1
Ejercicios 3.11.
"
1. S
2. S
3. S
4. S
5. S
*
44 23 29
,
,
.
15
5
5
*
"
1 1 1
, ,
.
2 4 4
"
*
14 4 29 32
, , ,
.
3 3 3 3
"
*
14 17
6
, , 1,
.
13 13
13
*
"
19987 3919 4079 1495 545
,
,
,
,
.
18
72
12
8
2
Ejercicios 3.12.
472
M
etodos num
ericos
3
1
0
2
2
1 1 3.
0 1 1
1 4 5
2 7 9
4 17 22
57 118
66
94
46
95
53 76
117
242 135 193
129 267 149
213
13
7
12
20
2
37 20 67 113
22
12 40
67
1.
2.
3.
4.
33
18
60
53
131
4
5.
117
79
4
73
53
6.
2
56
25
2
44
5
2
5
2
3
2
109
4
95
4
65
4
12
15
13
9
2
102
81
206
70
928
736
1874
677
2
710
537
2
563
684
319
2
253
2
637
465
487
219
2
1433
322
101
Ejercicios 3.13.
1. Con la norma 1 se tiene que condpAq 2252.5. Con la norma 8 se tiene
que condpAq 2252.5. Se puede decir, si se considera que la dimension de
la matriz es baja, que dicha matriz esta mal condicionada.
2. Programaci
on ().
3. Programaci
on ().
4. Programaci
on ().
5. Programaci
on ().
6. Con la norma 1 se tiene que:
a) condpAq 131051.
b) condpBq 17850.
Con la norma 8 se tiene que:
a) condpAq 135936.
b) condpBq 12384.
Ejercicios 3.14.
473
2
2
7
7
1
1
2
1. Tj
0 ; cj
5
15
15
3 1
1
0
10 5
10
La aproximaci
on con un error 0.00036018 se alcanza en la iteracion 7 y es:
`
T
0.330569575 0.140811253 0.227230378
1
7
1
5
1
2
15
5

1
1
; cj

10
10
0
0
1
2. Tj
0
5
1
1
7
7
La aproximaci
`
T
0.222861497 0.149853878 0.0532

1
1
1
4
0
5
15
15
15
23
1
1

0

10

4
20
; cj 20
3. Tj
1
30
1
1
0
11
11
11
11
4
1
1
0
15
15
5
15
La aproximaci
`
T
1.12908069 1.86120069 2.50704858 0.56862329
1
4. Tj
10
7
1
3
25
0
1
10
1
7
4
25
1
8
1
5
5
32
1
10
1

25
2
1

1
32
2

1
; cj
8
10

7
1
2
14
3
0
3
0
14
1
0
0
7
7
La aproximaci
p1.661971, 0.585382, 1.926886, 0.358475, 0.704490qT
Ejercicios 3.15.
474
M
etodos num
ericos
1.
2
0
11
a) TG 0
55
34
0
1155
3
4
11
11
2
31
.
; cG
165
33
6
82
77
385
Se requieren cinco iteraciones para alcanzar un error absoluto aproximado de 7.94782 105 con base en la norma 8.
`
La aproximaci
on encontrada fue 0.37600208 0.18285618 0.19259810 T
2
5
1
0
23
23
23
15
72
167
b) TG 0
; cG
667
667
667
635
287
66
0
20 677
20 677
667
Se requieren cuatro iteraciones para alcanzar un error absoluto aproximado de 9.40519 105 al usar la norma 8.
`
La aproximaci
on encontrada fue 0.031590548 0.233818582 0.104676089 T
2. Aplique, en cada uno, varias iteraciones del metodo y analice el error. Observe que para el mismo problema uno de los metodos cumple que el error
converge a cero, mientras que en el otro metodo no. Concluya de lo anterior.
Ejercicios 3.16.
1.
a) Ninguna transformaci
on produce la convergencia del metodo.
?
?
b) Mediante la transformaci
on x 37 y y y x 5 se produce
una convergencia al punto
fijo p6, 1qT . Con base en la transformacion
?
?
x 37 y y y x 5 se produce la convergencia hacia el punto
fijo aproximado por p6.17107462, 1.08216201qT .
c) Converge con la transformaci
on:
x
y
z
1
1
cospyzq `
3
6
1a 2
x ` senpzq ` 1.06 0.1
9
1 xy 20 3
e
20
60
al punto fijo aproximado por p0.5, 0, 0.523598q.

a
d) Converge con la transformaci
on x y senpxq ` 1 y y 3 xy cospxq, al
punto fijo aproximado por: p0.601496997, 0.704221493qT .
475

2.
a) Se requieren cinco iteraciones para obtener un error absoluto aproximado de 1.89873107 y la aproximacion xp5q p0.771844506, 0.419643378qT .
b) Se requieren ocho iteraciones para obtener un error absoluto aproximado de 1.00039108 y la aproximacion xp8q p6, 1qT . En este caso,
el resultado es exacto a partir de este punto.
c) Se requieren siente iteraciones para obtener un error absoluto aproximado de 1.08506108 y la aproximacion xp7q p1.435712524, 0.439718337qT .

1.
a) El determinante de la matriz asociada es 1, por lo que el sistema tiene

soluci
nica. )
!o`n u
T
b) S 2 4 1
2. Las rectas parecen intersecar en el punto p4, 5q, lo cual se puede comprobar
si se toma x1 4 y x2 5. De donde se tiene que:
S tp4, 5qT u
3.
a) Con el metodo gr
afico no es f
acil determinar la solucion, pues las rectas
est
an muy juntas. La soluci
on real es p10, 14.5qT .
b) El determinante de la matriz asociada al sistema es 0.02.
c) Como el determinante es cercano a cero y las ecuaciones graficas de
las rectas son casi paralelas, se puede indicar que el sistema esta mal
condicionado. Sin embargo, se debera calcular el n
umero de condicion
para tener mayor certeza.
d) La soluci
on real es p10, 14.5qT .
e) La soluci
on del nuevo sistema es p10, 4.3qT . Note que esto evidencia
la mala condici
on del sistema, pues una muy peque
na variacion de uno
de los coeficientes provoca una cambio considerable en su solucion.
4. La soluci
on del sistema es: S tp14, 32, 5qT u.
#
+
1 1 9 T
5. La soluci
on del sistema es: S
,
,
.
4 2 4
"
*
491 3028 1734
6. a) La soluci
on del sistema es: S
,
,
.
502 521 251
1
0
0
10
2
1
3
27
17
1
0
0
b) 10
5
10 .
1
251
4
1
0
0
10
27
54
476
M
etodos num
ericos
c) En efecto L U A.
*
"
491 3028 1734
.
,
,
d) La soluci
on es S
502 521 251
"
*
510 936 216
e) La soluci
on es S
,
,
.
251 251 251
f ) Se omite.
7.
a) La soluci
on es p1, 1, 1qT .
b) Se omite.
31 23
3
312 312 104
25
1
7
c) A1
156 156
52
1
2
2
39
39
13
d) Se omite.
8.
a) La soluci
on es p4, 8, 2qT .
b) Se omite.
c) Si es posible, la descomposici
on LU es:
2 6
1
1
0 0
3
11
1 0 0 10
2
2
23
373
4
0
0
1
10
20
9. Considere dos sistemas equivalentes dados por: A1 x b1 y A2 y b2 . Por

lo anterior se sabe que:
pA1 |b1 q pA2 |b2 q
De donde se tiene la existencia de un conjunto de k matrices elementales
E p1q , E p2q , . . . , E pkq tales que:
E pkq E pk1q E p1q pA1 |b1 q pA2 |b2 q
Denote M E pkq E pk1q E p1q . Es claro que M 1 existe; de esta manera,
lo anterior se simplifica como:
M pA1 |b1 q pA2 |b2 q
Lo cual implica que: M A1 A2 y M b1 b2 . Como la solucion de ambos
sistemas es u
nica, por el teorema 30 se sabe que:
1
y A1
2 b2 pM A1 q pM b1 q
1
pA1
qpM b1 q
1 M
1
A1
M qb1 q
1 pM
A1
1 b1 x
477
A2 x b2
M A2 x M b2
A1 x b1
la soluci
on de ambos sistemas est
a dada de manera respectiva por x A1 b
1
11
1
y y A b . Bastara demostrar que A1
1 b1 A2 b2 , lo cual es cierto,
ya que:
1
A1
2 b2 M A1 b1
10. condpAq 748 con la norma 8 o la norma 1, de donde se puede concluir
que la matriz est
a mal condicionada.
11. La matriz inversa es
A1
7
10
1
2
1
2
1
9
13
12. El sistema no es diagonalmente dominante. S es posible encontrar un sistema equivalente que lo sea. Una manera es cambiar la fila 1 con la 2 y luego
intercambiar la fila 2 con la 3.
13. Primero se debe buscar un sistema equivalente que sea diagonalmente dominante. Una vez as y con una solucion inicial p0, 0, 0q se requieren nueve iteraciones para obtener la soluci
on p1.515956518, 0.176413917, 0.087409613q
con un error relativo normalizado de 0.000851136.
14. Con una soluci
on inicial de p0, 0, 0q se obtiene, con solo cuatro iteraciones, la soluci
on p1.5166002, 0.1758288, 0.08793327q, con un error relativo
normalizado de 0.000621501.
15. No es posible garantizar la convergencia del metodo de Jacobi, ni con ning
un
reacomodo se puede generar un sistema equivalente que sea diagonalmente
dominante.
16.
a) La soluci
on real es:
p2.453, 2.64, 0.146qT
b) La soluci
on real es:
p0.389159..., 0.512856..., 0.382905...qT
c) La soluci
on real es:
p0.38097..., 0.52452..., 0.37234..., 0.06104...qT
478
M
etodos num
ericos
17. Demostraci
on.
18. Demostraci
on.
19. Demostraci
on.
20.
a) Verificaci
on.
b) Demostraci
on.
c) Se requieren 13 iteraciones del metodo de punto fijo para aproximar la
soluci
on real con un error absoluto de 5.82992106 . La aproximacion
obtenida es:
S tp0.999997252, 0.999997252qT u
B.4.
Ejercicios 4.1.
f pbq f paq
1. f pxq f paq ` f ra, bspx aq f paq `
px aq; de esta manera
ba
se tiene que:
f pbq f paq
f ppq f paq `
pp aq
ba
2. Se tienen los puntos p0, 1q y p, 1q; de esta manera, si el polinomio interpo2
1 1
px 0q, por lo tanto cosp1q 1 .
lante de grado 1 es: P1 pxq 1 `
0
El error absoluto real es: EP1 p1q 0.1769220782.
1.0
0.5
-0.5
-1.0
3. Para este caso, el polinomio interpolante de grado 2 es P2 pxq 0, as que

senp 2 q 0. El error absoluto es: 1. La aproximacion es bastante mala
479

debido a la no linealidad de la funcion por interpolar.
1.0
0.8
0.6
0.4
0.2
-0.2
-0.4
4. Para 1967 la poblaci

on promedio sera de 1550476.4 habitantes, mientras
que en 1979 ser
a aproximadamente de 2169068.545 habitantes.
5.
a) 0.5.
b) 2.5.
c) 0.
d) 1.5.
Ejercicios 4.2.
Demostracion.
Ejercicios 4.3.
1.
a) P4 pxq 1 0.416146837x ` 0.589325026xpx 1q `

0.112110107xpx 1qpx 2q 0.218477315xpx 1qpx 2qpx 3q,
o bien
P4 pxq 0.21847732x4 `1.4229740x3 2.1502558x2 `0.52961224x`1.
f p5q px q 4
p5q pxq 32 senp2xq,
i0 pxxi q, pero se sabe que: f
p5q!
por lo que:
32 senp2x q
xpx 1qpx 2qpx 3qpx 4q

|R4 pxq|
5!
b) R4 pxq
|R4 pxq| xpx 1qpx 2qpx 3qpx 4q

15
480
M
etodos num
ericos
c) Para esto se tiene que la cota buscada es
R4 pxq 0.141533508xpx 1qpx 2qpx 3qpx 4q
2.
a) P4 pxq 75x ` 0.8xpx 3q 0.075xpx 3qpx 5q 0.001538462xpx

3qpx 5qpx 8q.
b) P4 pxq 75 ` 0.66x ` 0.1667xpx 3q 0.10833xpx 3qpx 5q `
0.01525641xpx 3qpx 5qpx 8q.
Ejercicios 4.4.
1. El polinomio es el mismo obtenido en el ejercicio correspondiente.
2. El valor es f p3.5q 1.57225.
3.
a) f p2.4q 9.42392.
b) Al usar los datos para x 4, x 5 y x 6 se tiene que f p4.9q
10.978362.
c) Al usar los datos para x 4, x 5, x 6 y x 8 se tiene que
f p5.1q 10.91934012.
Ejercicios 4.5.
1.
a) Tabla 4.11.
F3 pxq 0.693147`0.5px2q0.905465px2q2 `1.644263px2q2 px3q
b) Tabla 4.12.
H5 pxq 1.039072 ` 0, 2570694px 1.7q 0.100490222px 1.7q2
` 0.03583037px 1.7q2 px 2q 0.010430247px 1.7q2 px 2q2
` 0.002558642px 1.7q2 px 2q2 px 2.3q
c) Tabla 4.13
G5 pxq 1 ` 0, 221110277x2 0.131726851x2 px 3q
0.019464071x2 px 3q2 0.000756899x2 px 3q2 px 6q
2. G5 pxq 5x 0.08x2 ` 0.232x2 px 5q 0.0412x2 px 5q2

` 0.0084x2 px 5q2 px 10q 0.000922667x2 px 5q2 px 10q2
` 0.000131911x2 px 5q2 px 10q2 px 15q
481

3. Programaci
on ().
1.
a) El polinomio de interpolaci
on es
P1 pxq 1.609437912 ` 0.125066962px 5q
y el valor de ln 10 P1 p10q 2.234772725.
b) El polinomio de interpolaci
on es
P2 pxq 1.609437912`0.125066962px5q0.007900228px5qpx12q
c) El polinomio de interpolaci
on es
P3 pxq 1.609437912 ` 0.125066962px 5q
0.007900228px 5qpx 12q
` 0.000427971px 5qpx 12qpx 8q
2. Los resultados son los mismos del ejercicio 1, ya que el polinomio interpolante de Lagrange y el de Newton coinciden.
3. Existen dos formas de determinar este polinomio:
Mediante la construcci
on de Lagrange se tiene que el polinomio es:
P3 pxq
px 2qpx 3qpx 4q 1 px 1qpx 3qpx 4q 2
e `
e
p1 2qp1 3qp1 4q
p2 1qp2 3qp2 4q
`
px 1qpx 2qpx 4q 3 px 1qpx 2qpx 3q 4

e `
e
p3 1qp3 1qp3 4q
p4 1qp4 2qp4 3q
Mediante la construcci
on por diferencias divididas de Newton:
P3 pxq e1 ` f r1, 2spx 1q ` f r1, 2, 3spx 1qpx 2q
` f r1, 2, 3, 4spx 1qpx 2qpx 3q
epe 1q2
e ` epe 1qpx 1q `
px 1qpx 2q
2
epe 1q3
`
px 1qpx 2qpx 3q
6
482
M
etodos num
ericos
4. En 1930 la poblaci
on se estima en 169 649 000 habitantes. En 1965 se estima en 191 767 359, 4 mil habitantes. En el 2010 la poblacion se estima en
171 351 000 habitantes.
5. El valor P0,1,2,3 p2.5q 2.875.
9
1
6. P3 pxq x3 x2 ` 11x 4
2
2
1
9
7. P3 pxq x3 x2 ` 11x 4
2
2
8. Para 1923 se tiene una temperatura aproximada de 0.3130, mientras que
para 1927 la temperatura aproximada fue de 0.1531.
9. Resultados
Datos 1: la recta de regresi
on es y 0.0989x ` 8.9231 con un
R2 0.0069. Por lo que se concluye que el ajuste es malo.
on es y 1.956x ` 27.385 con un
2
R 0.9275. Y se concluye que el ajuste es muy bueno.
on es y 0.489x ` 16.269 con un
R2 0.0574. Por lo que se concluye que el ajuste es malo.
10.
a) S es factible.
b) La recta de regresi
on es y 302, 66x603874, 55. Los pronosticos son:
para el 2012 es de 5090.777833, para el 2013 es de 5393.4445, para el
2014 es de 5696.111166, para el 2015 es de 5998.777833 y para el 2016
es de 6301.4445.
c) R2 0.96109, de donde se concluye que el ajuste es bueno.
11.
a) De la gr
afica se puede observar una dependencia lineal, por lo que es
factible realizar una regresi
on lineal.
b) La recta de regresi
on es y 19.75089x ` 5154.69232. c) La recta de
regresi
on es x 0.04761y ` 254.58895.
c) Para un precio de 150, la ocupacion sera aproximadamente de 2192
habitaciones en todo el pas.
d) Para que la ocupaci
on sea de 1000 habitaciones, aproximadamente, se
debe cobrar US$206.99.
12.
a) La recta de regresi
on es y 0.43473x ` 866.57217.
483
b) Para este modelo se tiene un R2 0, 69126, para lo cual se concluye

que, aunque el modelo es aceptable, no es de muy buena calidad.
c) Para 1985 el porcentaje de desembolso fue aproximadamente del 3.63 %,
mientras que para 1990, fue del 1.46 %.
13. y
?
?
` x 2
` x
1
1
?
?
?
?
y
y ? `
x
x
1
1
De esta forma se tiene el modelo lineal Y X , donde X ?
x
?
y Y y. La regresi
on lineal de los datos transformados brinda la recta
de regresi
on de ecuaci
on Y 1.99213X ` 0.40979, de donde se tiene que
2.440274 y 4.861343. De donde el modelo ajustado para las datos
reales es:
?
4.861343 ` x 2
?
y
2.440274 x
Para el caso de x 1.6, la aproximacion buscada es y 3.939062, mientras
que para x 6 la aproximaci
on buscada es y 1.49590. En este caso, el
R2 0, 99989, lo cual garantiza un excelente ajuste de los datos al modelo
propuesto.
y
14. x epyq{ lnpxq
y lnpxq ` . De esta manera
se puede visualizar como un modelo lineal de la forma y X ` con

X lnpxq. La ecuaci
on de regresi
on es y 2.17292X ` 0.49944, de donde
se tiene que: 2.17292 y 0.49944. Por lo que el modelo real sera:
y 2.17292 lnpxq ` 0.49944
Para este modelo se tiene R2 1, lo cual indica que el ajuste es perfecto.
15. Se omite.
B.5.
Ejercicios 5.1.
1. La aproximaci
on es f 1 p2q 0.499875042.
2. Se debe recordar que v
dD
. Se sabe Dp3q 10, Dp6q 16, Dp9q 35 y
dt
484
M
etodos num
ericos
Dp12q 40. Por lo que al tomar h 3 se puede calcular:
vp3q
vp6q
vp9q
Dp3 ` hq Dp3q
2m/s
h
Dp6 ` hq Dp6q
6.33m/s
h
Dp9 ` hq Dp9q
1.66m/s
h
Ejercicios 5.2.
1. Demostraci
on.
2. Para los datos intermedios se hizo uso de las formulas de tres puntos centrales, ya que tienen menor precisi
on teorica. Mientras que para los datos
de los extremos se requieren las f
ormulas laterales de tres puntos.
Velocidad:
0
5
10
15
20 25 30
35
40
45
50
55
60
65
10.1 11.5 12.1 13.5 15.5 15 13 11.6 10.6 11.2 13.2 14.6 14.6 13.4
Aceleracion:
0
5 10
15
20
25
30
35
40
45
50
55
60
65
0.36 0.2 0.2 0.34 0.15 0.25 0.34 0.24 0.04 0.26 0.34 0.14 0.12 0.36
3. Al utilizar la f
ormula de tres puntos se tiene:
Rapidez
0
100
Aceleracion
5
200
0
157.5
10
185
15
100
65
60
5
42.5
10
50
15
-63
65
17.5
Con la formula de cinco puntos se tiene: los resultados pueden variar dependiendo de la escogencia que se haga de la formula. En los datos extremos
se debe usar P31 px0 q y P31 px3 q. Esta respuesta se omite por la variedad de
escogencias.
4. Demostraci
on (se puede guiar del desarrollo de la teora)
?
30
5. Se requiere un tama
no de paso h tal que: 0 h
, por lo que basta
500
?
?
30
30
tomar cualquier x1 1, x0 P 1
, 1 y x2 P 1 `
, de manera
500
500
que x0 y x2 equidisten de 1.
6. Para
ambas f
ormulas se requiere un tama
no de paso h tal?que: 0 h
?
15
15
, por lo que basta tomar cualquier x1 1, x0 P 1
, 1 y x2 P
500
500 ?
15
1`
de manera que x0 y x2 equidisten de 1.
500
485
7. Para este caso se tiene que f 3 pxq ?senpxq, por lo que |f 3 pxq| 1 para
6
para que el intervalo buscado sea
todo x P R. Basta tomar 0
100
I r2 , 2 ` s.
8. Se estudiar
a un intervalo inicial al rededor de 3, se puede escoger cualquiera
que no involucre el cero. Para esta respuesta se analizara el intervalo r1, 5s.
2
Para este caso se tiene que g 3 pxq 3 cospxq, para lo cual se cumple que
x
para todo x P r1, 5s:
cospxq 2 ` cospxq 3
x2
12
?
5
3
y
por lo que |g pxq| 3 para todo x P r1, 5s. Basta tomar 0
500
el intervalo buscado ser
a r3 , 3 ` s. Tome en cuenta que esta respuesta
depende del intervalo inicial, por lo que para otras escogencias puede variar.
?
3
. Para
9. Para el ejercicio 7) se tiene que para las formulas laterales
100
?
10
el ejercicio 8) y el intervalo inicial r1, 5s se tiene que
.
1000
Ejercicio 5.3.
1. Con la suma izquierda se tiene la aproximacion SI5 1.552177436937. Con
la suma derecha se tiene la aproximacion SD5 1.895833802629. El valor
exacto de la integral es e 1 1.71828182845904523, por lo que el error
para SI5 es de 0.1661043915, mientras que para SD5 es de 0.1775519741.
2. Con la suma izquierda se tiene la aproximacion SI10 1.633799399966. Con
la suma derecha se tiene la aproximacion SD10 1.805627582812. El valor
exacto de la integral es e 1 1.71828182845904523, por lo que el error
para SI10 es de 0.08448242849, mientras que para SD10 es de 0.08734575435.
3.
a) SI4 1.38631849 y SD4 0.386318602.

b) SI8 1.136226868 y SD8 0.636226925.
c) SI16 1.011226893 y SD16 0.761226921.
d) SI32 0.948726904 y SD32 0.823726918.
h2 n1
4. Se quiere que
f 1 pi`1 q 0.001, pero se sabe que:
2 i0
h2 n1
h2
h2 n1

1
f pi`1 q
M M n
2 i0
2 i0
2
486
M
etodos num
ericos
31
2
, por lo que:
n
n

2
4
2
h
n2
M n M n M
2
2
n
Por otro lado se sabe que h
Por lo que n
2M
.
0.001
5. Para este caso, para poder garantizar que el error absoluto de la aproxima2
cion sea menor que 0.1 se requiere que M .
5
Ejercicios 5.4.
1. Mediante la regla compuesta del rectangulo con n 8 se obtiene la aproximacion 1.720518592164, con un error absoluto de 0.002236764.
2.
a) 1.036631390313.
b) 0.886318546132.
c) 0.886226896509.
3.
a) 2.650641987901.
b) 2.334972078219.
c) 2.267954691436.
Ejercicios 5.5.
1.
a) Regla del rect

angulo: SI1 0.03125, SD1 0.5. Regla del trapecio
S1 0.265625. Regla de Simpson S1 0.194010417. El valor real de
la integral es 0.19375.
b) Regla del rect
angulo: SI1 0, SD1 0.456148247. Regla del trapecio
S1 0.228074123. Regla de Simpson S1 0.192245307. El valor real
de la integral es 0.1922593577...
c) Regla del rect
angulo: SI1 0.4, SD1 1.333333333. Regla del
trapecio S1 0.866666667. Regla de Simpson S1 0.739105339.
El valor real de la integral es 0.7339691750...
d) Regla del rect
angulo: SI1 4, SD1 0.332293673. Regla del trapecio
S1 1.833853163. Regla de Simpson S1 1.998354129. El valor real
de la integral es 1.991318707...
2. Con la regla del rect

angulo SI1 1 y SD1 0.367879441. Con la regla del
trapecio S 0.683939721. Con la regla de Simpson S 0.747180429.
487

3.
a) Con la regla del rect

angulo SI4 31.19287485 y SD4 84.79102488.
b) Con la regla del trapecio se tiene S 57.99194987.
c) Con la regla de Simpson se tiene S 53.86384575 Donde el valor real
es 53.598150033...
Ejercicios 5.6.
1. Demostraci
on.
2. Demostraci
on.
3.
2
a) f pxq
3x 5
?
?
1
3
3
1?
5
1?
5
f pxqdx f
`f
3
`
3
3
3
11
11 11
11
1
10
0.909
11
1
4
Adem
as se sabe que:
f pxqdx ln 2 0.924 196 240 7
3
1
x
b) gpxq 2
al tomar x 2 ` u, de donde dx du
x `3
?
?
3
1
3
3
60
`g 2`
gpxqdx
gp2 ` uqdu g 2 `
3
3
109
1
1
0.550 458 7156...
Adem
as se sabe que:
gpxqdx 0.549 306 144 3
1
2
ex
1ù
1
al tomar x
, de donde dx du
2
2
? 2
?
3
3
1
1
1`
1 1 ` 3
1ù
1
1
3
` h
h
du h
hpxqdx
2
2
2 2 2
2
c) hpxq
0.373 297 344 1...

Adem
as se sabe que:
hpxqdx 0.373 412 066 4
5ù
1
d) rpxq 0.13x9 3x5 ` x3 al tomar x
, de donde dx du
2
2
?
?
3
1
3
5`
1 5 ` 3
1
5ù
1
3
` r
rpxqdx
r
du r
2
2 2 2
2
2
1 2
429. 113 368 1
Adem
as se sabe que:
3
2
rpxqdx 438. 075
488
M
etodos num
ericos
4.
2
a) f pxq
3x 5
c
c
1
5
3
8
5
3
226
f pxqdx f
` f p0q` f
0.922 448 979

9
5
9
9
5
245
1
6...
1
4
Adem
as se sabe que:
f pxqdx ln 2 0.924 196 240 7
3
1
x
al tomar x 2 ` u, de donde dx du
b) gpxq 2
x `3
c
c
3
1
3
5
3
5
8
gpxqdx
gp2ùqdu g 2 `
` gp2`0q` g 2 `
9
5
9
9
5
1
1
0.549 280 177 2
Adem
as se sabe que:
gpxqdx 0.549 306 144 3
1
2
ex
1ù
1
al tomar x
, de donde dx du
2
2
2
c
1
1
1`
1
1ù
5 1
8 1
1`0
5
hpxqdx
h
du h
`
` 9 2 h
2
9 2
2
2
0
1 2
c) hpxq
c
3
1`
5 1
5
0.373 407 292 1...
h
9 2
2
Adem
as se sabe que:
hpxqdx 0.373 412 066 4
5ù
1
, de donde dx du
2
2
c
3
5`
1
5ù
5`0
5 1
5 8 1
r
du r
`
` r
9 2
2
2
9 2
2
2
d) rpxq 0.13x9 3x5 ` x3 al tomar x

3
1
rpxqdx
c
3
5`
5 1
5
438. 013 615 6...
r
9 2
2
Adem
as se sabe que:
3
2

1.
a) Junto con la c)
rpxqdx 438. 075
489

x
0.5
0.6
0.7
b) Junto
x
0.0
0.2
0.4
2.
f pxq
f 1 pxq Aprox
0.4794
0.88
0.5646
0.824
0.6442
0.768
con la c)
f px)
f 1 pxq Aprox
0.00000
3.9845
0.74140
3.4295
1.37180
2.8745
Exacta
0.87758
0.82533
0.76484
Exacta
4
3.42140
2.89182
Error
0.00242
0.00133
0.00316
Error
0.0155
0.0081
0.01732
a) f 1 p0.4q 0.429568 mientras que f 2 p0.4q 1.2663256.

b) f 1 p0.6q 0.69790425 mientras que f 2 p0.6q 1.5739831.
0
1.4
0.0096
25
1.16
0.0096
50
0.92
0.0096
75
0.68
0.0096
100
0.44
0.0096
125
0.2
0.0096
3.
Km{s
Km{s2
4.
a) f 1 p0.2q 0.97843395, f 1 p0.3q 0.953745058 y f 1 p0.4q 0.91952666.

Mientras que f 2 p0.3q 0.294536452.
b) Ahora se debe determinar una cota para el error absoluto real cometido
en las primeras aproximaciones. Para esto recuerde que:
Ef 1 px1 q h2
|f 3 px1 q|
6
donde f 3 px q cospx q 1; ademas, para el ejercicio se h 0.1.

0.12
Por lo que la cota buscada es:
.
6
5. Explicaci
on.
6. Explicaci
on.
7.
a) Con la regla del rect

angulo simple: SI1 3 y SD1 30.
b) Con la regla de trapecio simple: S 16.5
c) Al aplicar la regla del rect
angulo compuesta SI3 8 y SD3 17. Al
aplicar la regla del trapecio compuesta S 12.5.
8. Explicaci
on.
20
.
3
10. La distancia recorrida
por el automovil en un tiempo T esta dada por la
T
funcion dpT q
vptqdt, donde v es la funcion velocidad de automovil en
9. Con la regla de Simpson se obtiene la aproximacion
un tiempo t.
490
M
etodos num
ericos
a) A los 24s el autom
ovil ha recorrido dp24q pies; al aplicar la regla de
Simpson se obtiene la aproximacion 5181 pies recorridos por el auto.
b) La pista se calcula con dp84q
84
vptqdt, la cual puede ser aproxi-
mada por la regla de Simpson; as dp84q 14787pies.
11. Depende de la f
ormula de aproximacion que se utilice para el calculo. En
este ejercicio se deben separar los datos de manera que se trabaje con puntos igualmente espaciados; en este sentido, independientemente del metodo
empleado, se debe trabajar de cero a tres, de tres a siete y de siete a diez.
12. Demostraci
on: es similar a la deduccion realizada para la formula de error
de la regla compuesta del rect
angulo.
B.6.
Ejercicios 6.1.
1.
i
0
1
2
3
4
5
6
xi
1
0.5
0
0.5
1
1.5
2
yi
2
1.864664717
1.767822121
1.682469942
1.566273561
1.357451664
0.939313702
2.
i
0
1
2
3
4
5
6
xi
1
0.5
0
0.5
1
1.5
2
yi
2
2
2.5
3.75
6.5625
13.125
29.53125
f pxi , yi q
0.270670566
0.193685191
0.170704358
0.232392764
0.417643793
0.836275924
1.954480072
f pxi , yi q
0
1
2.5
5.625
13.125
32.8125
88.59375
491
3.
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
xi
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
yi
2
1.945865887
1.89900667
1.858283574
1.82210548
1.788475007
1.755032011
1.719068456
1.677486392
1.626665086
1.56218551
1.478314583
1.367040005
1.21616275
1.005150716
0.694791646
f pxi , yi q
0.270670566
0.234296085
0.203615479
0.18089047
0.168152367
0.167214977
0.179817776
0.207910319
0.254106529
0.32239788
0.419354636
0.55637289
0.754386278
1.055060167
1.551795353
2.495892216
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
xi
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
yi
2
2
2.08
2.2464
2.515968
2.91852288
3.502227456
4.342762045
5.558735418
7.337530752
9.979041823
13.97065855
20.11774831
29.77426751
45.25688661
70.60074311
Ejercicios 6.2.
1.
i
0
1
2
3
4
5
6
xi
1
0.5
0
0.5
1
1.5
2
yi
2
1.88934072
1.80929156
1.7240539
1.58408558
1.30662623
0.66838911
Valor Real
2
1.8866740
1.80100374
1.70730049
1.55231491
1.23277096
0.32862445
Error Abs
0
0.002667
0.008288
0.016753
0.031771
0.073855
0.339765
2.
i
0
1
2
3
4
xi
0
0.5
1
1.5
2
yi
1
0.75
0.6796875
0.764648438
1.0752869
Valor Real
1
0.6872893
0.606531
0.6872893
1
Error Abs
0
0.0627107
0.0731567
0.0773592
0.0752869
3.
i
0
1
2
xi
0
0.5
1
yi
0
0.125
2.957242972
Valor Real
0
0.2836165
3.2190993
Error
0
0.1586165
0.2618563
4.
i
0
1
2
xi
0
0.5
1
yi
1
1.875
2.460057351
Valor Real
1
1.7304898
2.1179795
Error Abs
0
0.1445102
0.3420778
f pxi , yi q
0
0.4
0.832
1.34784
2.0127744
2.91852288
4.202672947
6.079866864
8.893976669
13.20755535
19.95808365
30.73544881
48.28259595
77.41309551
126.7192825
211.8022293
492
M
etodos num
ericos
5. La sucesion recursiva para

$
yn`1
&
`
%
y0
donde f 1 px, yq
el metodo de Taylor de orden 3 esta dada por:

yn ` hf pxn , yn q `
h3 2
f pxn , yn q
3!
h2 1
f pxn , yn q
2
ypx0 q
`
y f 2 px, yq ???
Bx
By
dx
Ejercicios 6.3.
1.
a) Ejercicio #1 de la lista
xn
yn
1
2
0.5 1.86466472
0 1.76782212
0.5 1.68246994
1 1.56627356
1.5 1.35745166
2
0.9393137
de ejercicios 6.2
yn
Valor real
2
2
1.886674
1.88391106
1.7937367 1.80100374
1.69405414 1.70730049
1.53221414 1.55231491
1.21511678 1.23277096
0.48544803 0.32862445
b) Ejercicio # 2 de la lista de ejercicios 6.2

xn
yn
yn
Valore real
0
1
1
1
0.5
0.5
0.6875 0.68728928
1
0.375
0.6015625 0.60653066
1.5
0.375
0.6484375 0.68728928
2 0.46875 0.84667969
1
Error Abs.
0
0.002762939
0.007267044
0.013246349
0.02010077
0.01765418
0.156823577
Error Abs
0
0.00021072
0.00496816
0.03885178
0.15332031
c) Ejercicio # 3 de la lista de ejercicios 6.2

xn
yn
yn
Valore real
0
0
0
0
0.5
0 0.56021113 0.283616522
1 1.12042227
5.3014898 3.219099319
Error Abs
0
0.27659461
2.08239048
d) Ejercicio # 4 de la lista de ejercicios 6.2

xn
yn
yn
Valore real
0
1
1
1
0.5
1.5 1.63444932 1.730489759
1 2.26889865 1.95014194 2.117979546
Error Abs
0
0.09604044
0.16783761
2. Mediante la tecnica de separaci

on de variables se tiene que la solucion real
del problema de valor inicial es:
pxq p13 12ex{2 ` 6ex{2 xq1{3
493

a) 1) Con
i
0
1
2
3
4
Euler simple:
xi
yi
0
1
0.5
1
1 1.32100635
1.5 1.79340368
2 2.28706149
2) Taylor de
i
xi
0
0
1 0.5
2
1
3 1.5
4
2
orden 2.
yi
1
1.16050318
1.49031985
1.90500469
2.37144536
Valor Real
1
1.1302282
1.4593017
1.8804081
2.3513347
Error Abs
0
0.1302282
0.1382953
0.0870044
0.0642732
Valor Real
1
1.1302282
1.4593017
1.8804081
2.3513347
Error Abs
0
0.030275
0.0310182
0.0245966
0.0201107
3) Metodo Euler mejorado.

yn
xn
yn
0
1
1
0.5
1 1.16050318
1 1.32100635 1.51587843
1.5 1.79340368 1.94208093
2 2.28706149 2.41240582
Valore real
1
1.1302282
1.4593017
1.8804081
2.3513347
Error Abs
0
0.03027498
0.05657673
0.06167283
0.06107112
b) Al utilizar la tecnica de separacion de variables se obtiene que la

soluci
on real del problema de valor inicial es:
pxq p13 12ex{2 ` 6ex{2 xq1{3
El c
alculo de los errores para cada uno de los puntos de aproximacion
se encuentra en las tablas de la parte a).
c)
2.2
2.0
1.8
1.6
1.4
1.2
0.5
d)
1.0
1.5
2.0
494
M
etodos num
ericos
2.2
2.0
1.8
1.6
1.4
1.2
0.5
3.
a) Euler simple
i
0
0.25
0.5
0.75
1
b) Euler mejorado
xi
0
0.5
1
1.5
2
i
0
0.25
0.5
0.75
1
1.0
1.5
2.0
yi
0
0
0
0
0
xi
0
0.5
1
1.5
2
yi
0
0
0
0
0
c) Al aplicar la tecnica de separacion de variables se tiene que la solucion

general de la ecuaci
on diferencial es:
px ` Cq2
4
y la soluci
on del problema de valor inicial es:
C pxq
pxq
x2
4
Es posible notar que los metodos de aproximacion Euler simple y Euler

mejorado brindan como soluci
on pxq 0 (funcion nula). Ademas, se
puede notar que la funci
on nula tambien es solucion del problema de
valor inicial (es una soluci
on singular).
Ejercicios 6.4.
1.
a) Ejercicio #
i
xi
0 1
1 0.5
2
0
3 0.5
4
1
5 1.5
6
2
1 de la lista de ejercicios 6.2

yi
k1
k2
-2
1.88667 0.135335 0.113133
1.801
0.094735 0.08443
1.7073 0.082567 0.091424
1.55231 0.113347 0.149945
1.2327 0.211758 0.301618
0.32888 0.473697 0.750365
k3
k4
0.111884
0.083997
0.09183
0.152714
0.315478
0.861688
0.094598
0.082429
0.113135
0.211277
0.471741
1.725097
495

b) Ejercicio #
i
xi
0
0
1 0.5
2 1
3 1.5
4 2
2 de la lista de ejercicios 6.2

yi
k1
k2
1
0.68726
0.5
0.28125
0.60649 0.171814 0.075169
0.68724
0
0.07581
0.99982 0.17181 0.28993
c) Ejercicio # 3 de la lista de ejercicios 6.2

i xi
yi
k1
k2
0 0
0
1 0.5 0.296997
0
0.264625
2 1 3.314312 0.823425 2.849191
d) Ejercicio # 4 de la lista de ejercicios 6.2
i xi
yi
k1
k2
0 0
1
1 0.5 1.723742
0.5
0.779611
2 1 2.086269 0.768899 0.269907
2.
a)
i
0
1
2
3
4
5
6
7
8
xi
0
1
2
3
4
5
6
7
8
yi
2
4.623229
4.947564
2.286179
0.932707
0.761552
1.498826
3.806533
5.303293
k3
k4
0.322266
0.081209
0.08055
0.31208
0.169434
0
0.17176
0.49966
k3
k4
0.132313
1.836308
0.98811
7.909463
k3
k4
0.899053
0.507727
0.485125
0.14901
k1
k2
k3
k4
2
2.497941
2.05891
2.2633
0.60966
0.216024
1.439128
2.869754
2.632748
0.415383
3.13897
1.08117
0.13235
0.616234
2.166452
1.816858
2.910392
0.341726
2.70633
1.63467
0.18266
0.758042
2.5216
1.634372
2.653096
2.06615
2.21881
0.42585
0.21276
1.459069
3.031008
0.79165
b) La gr
afica de la soluci
on segmentada corresponde a:
y
5
496
M
etodos num
ericos
c) Mediante la tecnica de separacion de variables se tiene que la solucion
general del problema de valor inicial es:
y Cesen x
Con la condici
on inicial yp0q 2 se obtiene que C 2, por lo que la
soluci
on particular del problema de valor inicial es y 2esen x .
d) La comparaci
on entre la gr
afica de la solucion real y la grafica de la
soluci
on segmentada corresponde a:
y
5
Ejercicios 6.5.
1.
a)
i
0
1
2
3
4
5
6
7
8
xi
0
0.5
1
1.5
2
2.5
3
3.5
4
yi
2
2.26043663
3.07321991
4.74181119
7.64275451
11.672424
13.4051579
13.2430572
11.2850945
b)
i
0
1
2
3
4
xi
1
1.5
2
2.5
3
yi
2
1.90679967
3.55194929
8.16482335
21.6978925
c)
i
0
1
2
xi
0
0.5
1
yi
0
0
0
k1
0
k2
0
k1
0
k2
0.24740396
k1
1
k2
1.5625
k3
0
k4
0
k3
0.262706139
k3
1.73828125
k4
0.542399555
k4
0.542399555
2.
a)
i
0
1
2
3
4
5
6
7
8
xi
0
0.5
1
1.5
2
2.5
3
3.5
4
yi
2
2.27235643
3.22265566
5.19645889
8.4023864
12.1268488
14.4510781
13.7546841
10.5520092
b)
i
0
1
2
3
4
xi
1
1.5
2
2.5
3
yi
2
4
11
44
286
c) Sin soluci
on.
497
Bibliografa
Bibliografa.
1. Chapra. S & Canale. R (2010). Metodos Numericos para Ingenieros. Sexta
edicion. Editorial McGrawHill. Mexico.
2. Burden. R & Faires. J (2001). An
alisis numericos. Septima edicion, Editorial Thomson. Mexico.
3. Stoer. J & Bulirsch. R (2002). Introduction to Numerical Analysis. Tercera
edicion. Editorial Springer. Estados Unidos.
4. Lemagne (2000). N
umero de condicion y determinante de una matriz. Revista investigaci
on operacional. Vol 21 No. 1.
5. Galbiati. J (s.f.). Regresi
on lineal simple. La revista Letra Media (www.letramedia.cl).
6. Vadillo. F (s.f.). Ecuaciones no lineales. Departamento de Matematica aplicada y estadstica de la Universidad del Pas Vasco.
7. Calderon. G (2007). Metodos iterativos para resolver ecuaciones no lineales. Revista Notas de Matem
atica. Vol. 3 (1). No. 250, pp33-44. http:/ /
www.matematica/ula.ve
8. Gallergo.M & Medina, M (1993). Algortmica y programacion para ingenieros. Editorial edicions ups. Barcelona.
9. Kaplan, W. (1985). C
alculo Avanzado. Compa
nia Editorial Continental,
S.A. Mexico.

Métodos Numéricos (J.chavarria)

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Métodos Numéricos (J.chavarria)

Încărcat de

Drepturi de autor:

Formate disponibile

Metodos numericos

Jeffry Chavarra Molina

A Natalia, por su paciencia.

A las personas que creyeron en esta obra.

2.8. Analisis de la convergencia de los metodos iterativos . . . . . . . . 139

3.7.3. Metodo de Newton-Raphson para funciones de Rn en Rn . 254

B. Respuesta de los ejercicios propuestos

B.1. Soluciones del captulo 1 . . . . . . . . . . . . . . . . . . . . . . . . 453

las demostraciones iniciar

Jeffry Chavarra Molina

En el captulo 6 se abordan diferentes metodos para la solucion numerica de

Los metodos numericos son herramientas muy importantes para la resolucion

Otro ejemplo lo constituyen los sistemas de ecuaciones lineales con un n

Jeffry Chavarra Molina

Es un conjunto de instrucciones dadas de forma que puedan ser interpretadas

Son idiomas artificiales dise

Es una secuencia finita de instrucciones, reglas o pasos no ambiguos que se

Jeffry Chavarra Molina

Inicio y fin de los algoritmos

Condicionales y toma de decisiones

Figura 1.1: Smbolos m

Los ceros son

Jeffry Chavarra Molina

Figura 1.3: Diagrama de flujo versus pseudocodigo para condicionales.

Figura 1.4: Diagrama de flujo versus pseudocodigo para el bucle

Jeffry Chavarra Molina

Los programas orientados a eventos suelen tener interfaces mas completas y

Aproximaciones y errores de redondeo y error de

Error absoluto y error relativo

El error relativo se expresa generalmente en terminos de porcentajes, por lo que

Jeffry Chavarra Molina

En otras palabras, si se tienen dos aproximaciones, en donde la aproximacion

La notacion cientfica (o notaci

Son las cifras o dgitos de un n

Jeffry Chavarra Molina

Figura 1.7: 600 kg obtenidos con las dos basculas.

Los 600 kg obtenidos con la primera bascula poseen u

Sea r un valor real, la representaci

Jeffry Chavarra Molina

m: mantisa o significando, cifras significativas del n

Jeffry Chavarra Molina

flpr3 q 0.2466 103

flpr2 q 0.6542 103

flpr4 q 0.4565 1014

umero r obtenida por corte o redondeo a k ciUna aproximaci

Error de redondeo y error de corte

Los errores de redondeo y corte se encuentran presentes en la aplicacion de

de donde se tiene que:

Jeffry Chavarra Molina

0.dk`1 dk`2 . . . 10tk 10tk

Dgitos significativos, precisi

Los dgitos significativos, la precisi

Por lo que a aproxima a a con tres dgitos significativos.

Jeffry Chavarra Molina

1.048308548... 103 5 103

Jeffry Chavarra Molina

donde `, , y denota las operaciones aritmeticas basicas usuales de n

flrflplnpflpflpeq3 qqq ` flppflp 3 2qq3 qs

Jeffry Chavarra Molina

Demuestre que las f

b) Use aritmetica de redondeo a cuatro cifras para evaluar f p0.1q.

b) Use aritmetica de redondeo a tres cifras para evaluar f p0.1q.

Funciones continuas y acotadas